一种基于深度学习的滑坡位移时空预测方法技术

本发明专利技术公开了一种基于深度学习的滑坡位移时空预测方法，属于滑坡灾害预警技术领域，包括如下步骤：获取包括空间相关数据、时间相关数据和外界影响因素数据的滑坡监测数据；基于滑坡监测数据，定义空间监测点的加权无向全连接图，并得到加权邻接矩阵和属性增强矩阵；基于图卷积网络和门控循环单元，构建时态卷积网络；得到滑坡位移时空预测结果；对滑坡位移时空预测结果进行评价，得到滑坡位移时空预测评价结果，完成基于深度学习的滑坡位移时空预测；本发明专利技术提出方法将滑坡监测网看作非欧氏图结构数据，并考虑到监测点间的时空相关性，采用时态图卷积网络模型，实现了滑坡位移的时空预测，解决了现有预测方法的均方根误差仍旧偏高的问题。高的问题。高的问题。

【技术实现步骤摘要】
一种基于深度学习的滑坡位移时空预测方法


[0001]本专利技术属于应变测量
，尤其涉及一种基于深度学习的滑坡位移时空预测方法。

技术介绍

[0002]滑坡是陆地环境中普遍存在的一种地质灾害，对人类生命财产乃至整个社会经济系统构成严重威胁。为减少人员伤亡和财产损失，当前，许多国家已建立了针对典型重大滑坡的监测预警系统。而监测系统获取的时序位移数据集通常能够直接反映滑坡的变形或稳定特征。因此，监测数据集对于构建高效的预测预报模型，实现滑坡灾害动态预测预警具有重要应用价值。
[0003]滑坡位移预测模型除了复杂的物理模型，还包括基于监测数据集的数理模型。与物理模型相比，数理模型的建立过程更简单、精确。然而，滑坡变形演化是一个非线性动力作用过程，受地形地貌、岩土结构、水文地质、气候和人类活动等因素的影响，存在时空相关性。因此，数理模型中的机器学习方法因能处理非线性时序的复杂性、动态性和非线性特征，被广泛应用于滑坡位移时序预测。近年来，人工神经网络(artificial neural network,ANN)、支持向量机(support v本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的滑坡位移时空预测方法，其特征在于，包括如下步骤：S1、获取包括空间相关数据、时间相关数据和外界影响因素数据的滑坡监测数据；S2、基于滑坡监测数据，定义空间监测点的加权无向全连接图G，并根据加权无向全连接图G，计算得到加权邻接矩阵A
w
，以及根据滑坡检测数据，计算得到属性增强矩阵S；S3、基于图卷积网络GCN和门控循环单元GRU，构建时态卷积网络T
‑
GCN；S4、将加权邻接矩阵A
w
和属性增强矩阵S输入时态卷积网络T
‑
GCN，得到滑坡位移时空预测结果S5、分别利用平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE对滑坡位移时空预测结果进行评价，得到滑坡位移时空预测评价结果，完成基于深度学习的滑坡位移时空预测。2.根据权利要求1所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述步骤S2包括如下步骤：S21、基于空间相关数据，定义空间监测点的加权无向全连接图G；所述步骤S21中全连接图G的表达式如下：G＝(V,E,W)V＝{v1,v2,...,v
N
}W∈R
N
×
N
其中，V表示全连接图G的节点集合，N表示监测点个数，E表示全连接图G的连接边的集合，W表示检测点间相关性的邻接矩阵，R表示N
×
N的实数矩阵；S22、基于加权无向全连接图G和空间接近度的高斯相似度函数，计算得到加权邻接矩阵A
w
；所述步骤S22中空间接近度的高斯相似度函数的表达式如下：w(i,j)＝exp(
‑
||v
i
‑
v
j
||2/2σ2)其中，w(i,j)表示两监测点v
i
和v
j
间的连接边e
ij
的权值，||v
i
‑
v
j
||表示两监测点v
i
和v
j
间的空间距离，σ表示空间距离集合的标准差；所述步骤S22中加权邻接矩阵A
w
的表达式如下：i＝1,2,
…
,Nj＝1,2,
…
,N其中，i表示高斯相似度函数计算的第一个监测点的下标，j表示高斯相似度函数计算的第二个监测点的下标；S23、基于空间相关数据和时间相关数据，构建包括特征矩阵X和所有监测点t时刻的相对位移矩阵X
t
；所述步骤S23中特征矩阵X和相对位移矩阵X
t
的表达式分别如下：
X∈R
N
×
P
X
t
∈R
N
×
t
其中，P表示时序长度，t表示t时刻；S24、基于外界影响因素数据，构建包括不同外界影响因素的集合D；所述步骤S24中的集合D的表达式如下：D∈R
N
×
(k*t)
其中，k表示外界影响因素的个数；S24、基于集合D，得到属性矩阵D
k
；所述步骤S24中属性矩阵D
k
的表达式如下：的表达式如下：其中，m表示时间窗口，表示从t
‑
m时刻到t时刻的时间窗口m内包含1个不同外界影响因素的子属性矩阵，表示从t
‑
m时刻到t时刻的时间窗口m内包含k个不同外界影响因素的子属性矩阵，表示t
‑
m时刻包含k个不同外界影响因素的子属性矩阵单元，表示t时刻包含k个不同外界影响因素的子属性矩阵单元；S25、基于特征矩阵X和属性矩阵D
k
，构建包括若干个时刻的属性增强子矩阵的属性增强矩阵S；其中，属性增强矩阵S的表达式如下：3.根据权利要求2所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述时态卷积网络T
‑
GCN包括若干个依次连接的T
‑
GCN模块；各所述T
‑
GCN模块包括图卷积网络GCN子模块和门控循环单元GRU子模块；所述图卷积网络GCN子模块包括依次连接的一个GCN输入层、若干个隐藏层和激励单元以及一个GCN输出层；所述GCN输出层与门控循环单元GRU模块连接；各所述隐藏层和激励单元均包括一个隐藏层以及与隐藏层连接的一个Relu激励子单元，且第一个隐藏层与GCN输入层连接，最后一个Relu激励子单元与GCN输出层连接。4.根据权利要求3所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述步骤S4包括如下步骤：S41、令t
‑
n时刻为初始时刻，并将加权邻接矩阵A
w
和初始时刻的属性增强子矩阵S
t
‑
n
输入时态卷积网络T
‑
GCN中的图卷积网络GCN子模块传播，得到初始时刻滑坡空间相关的时序变化特征gc(S
t
‑
n
,A<...

【专利技术属性】
技术研发人员：蒋亚楠，罗袆沅，周全，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：