基于大数据分析和机器学习的滑坡灾害风险预测方法及其系统技术方案

本发明专利技术属于滑坡灾害技术领域，公开了一种基于大数据分析和机器学习的滑坡灾害风险预测方法及其系统。所述的方法包括如下步骤：采集历史的滑坡灾害大数据，对历史的滑坡灾害大数据进行处理；选择滑坡灾害评价因子并进行分级赋值；筛选历史的滑坡灾害风险预测数据集；进行样本均衡处理，得到历史的滑坡灾害风险预测训练集；构建滑坡灾害风险预测模型；获取实时的滑坡灾害风险预测数据；将当前待预测区域的实时的滑坡灾害风险预测数据输入滑坡灾害风险预测模型进行滑坡灾害风险预测，决了现有技术存在的工作量大，自动化程度低，结果准确性差，参考性价值低，未考虑外部因素以及滑坡灾害评价因子的实用性低的问题，本发明专利技术适用于滑坡灾害风险预测。滑坡灾害风险预测。滑坡灾害风险预测。

【技术实现步骤摘要】
基于大数据分析和机器学习的滑坡灾害风险预测方法及其系统


[0001]本专利技术属于滑坡灾害
，特别涉及基于大数据分析和机器学习的滑坡灾害风险预测方法及其系统。

技术介绍

[0002]开展对滑坡灾害风险预测，其根本目的在于掌握灾害的活动和发展规律。通过开展滑坡灾害风险预测理论的研究，合理判断边坡稳定性并对防治方案进行优化决策，采取经济可靠的防治措施，减少滑坡灾害造成的生命财产损失，节约防灾减灾工程费用，这是一项极具理论价值和重要实践意义的研究课题。
[0003]风险是一种潜在的灾害，预示着灾害发生的可能性。如果风险缺乏有效的预防和管理，一旦时机成熟，隐性的风险便会转化成显性的危害。
[0004]对于现有的滑坡灾害预测而言，主要表现在：一、现有的滑坡灾害风险预测方法往往借助于专家对存在滑坡灾害风险的区域进行数据采集和人工分析，过度依靠专家的专业知识和经验判断，工作量大，自动化程度低，并且由于主观因素存在一定的疏忽，导致滑坡灾害风险分析结果准确性差；二、某一区域的滑坡灾害数据的可能存在偶然性，并不能形成系统性的滑坡灾害风险分析体系，导致滑坡灾害风险分析结果的参考性价值低，无法运用至其他情况；三、在实际分析中，仅仅考虑到滑坡灾害的内部影响因子，并未考虑到实际场景下，环境、气象等外部因素也会影响滑坡灾害的发生；四、不同的滑坡灾害评价因子对滑坡灾害的影响是不同的，现有的滑坡灾害风险预测方法仅仅考虑到滑坡灾害评价因子，但是没有考虑到滑坡灾害评价因子对滑坡灾害的影响程度不同，并未对滑坡灾害评价因子进行进一步的分析和讨论，滑坡灾害评价因子的实用性低。

技术实现思路

[0005]本专利技术所解决的技术问题：提供一种基于大数据分析和机器学习的滑坡灾害风险预测方法及其系统，解决现有技术中滑坡灾害风险预测结果准确性差的问题。
[0006]本专利技术解决上述技术问题采用的技术方案：基于大数据分析和机器学习的滑坡灾害风险预测方法，包括以下步骤：
[0007]S1、采集历史的滑坡灾害大数据，对历史的滑坡灾害大数据进行处理，得到若干分析区域类型的历史的滑坡灾害数据集；
[0008]S2、根据若干分析区域类型的历史的滑坡灾害数据集，选择滑坡灾害评价因子，并对滑坡灾害评价因子进行分级赋值，得到各滑坡灾害评价因子对应的分级赋值系数；
[0009]S3、基于滑坡灾害评价因子，在若干分析区域类型的历史的滑坡灾害数据集中筛选对应的滑坡灾害风险预测数据，得到历史的滑坡灾害风险预测数据集；
[0010]S4、对历史的滑坡灾害风险预测数据集进行样本均衡处理，得到历史的滑坡灾害风险预测训练集；
[0011]S5、根据历史的滑坡灾害风险预测训练集和各滑坡灾害评价因子对应的分级赋值系数，构建滑坡灾害风险预测模型；
[0012]S6、采集当前待预测区域的实时的滑坡灾害数据，根据滑坡灾害评价因子，对当前待预测区域的实时的滑坡灾害数据进行筛选，得到实时的滑坡灾害风险预测数据；
[0013]S7、将当前待预测区域的实时的滑坡灾害风险预测数据输入滑坡灾害风险预测模型进行滑坡灾害风险预测，得到滑坡灾害风险预测结果。
[0014]进一步的，S1中，所述的历史的滑坡灾害大数据包括若干滑坡灾害易发区域的历史的地质环境数据、历史的地质灾害数据以及历史的气象数据；所述的地质环境数据包括土体性质数据、地形地貌数据、水文地质数据以及不良地质环境数据；所述的地质灾害数据包括滑坡灾害发生情况数据、滑坡灾害土地破坏数据、地震灾害发生情况数据以及地震灾害土地破坏数据；所述的气象数据包括风向数据、风力数据、降雨持续时间数据、降雨量数据以及空气温湿度数据，所述预处理包括对历史的滑坡灾害大数据依次进行的数据格式转换、数据去重处理、数据降噪处理以及归一化处理。
[0015]进一步的，S1中，得到若干分析区域类型的历史的滑坡灾害数据集，包括如下步骤：
[0016]S11、使用K
‑
Medians算法对若干预处理后的历史的滑坡灾害数据进行聚类处理，得到若干聚类处理后的历史的滑坡灾害数据；
[0017]S12、将聚类处理得到的若干聚类中心类型作为分析区域类型，并将归属于同一分析区域类型的聚类处理后的历史的滑坡灾害数据进行数据划分，得到若干分析区域类型的历史的滑坡灾害数据集。
[0018]进一步的，S2中，所述滑坡灾害评价因子包括滑坡灾害主评价因子和滑坡灾害次评价因子，所述滑坡灾害评价因子对应的分级赋值系数包括滑坡灾害主评价因子的级别系数和权重系数，以及滑坡灾害次评价因子的级别系数和权重系数。
[0019]进一步的，所述的滑坡灾害主评价因子包括岩石硬度、高程、坡度、坡向、曲率、地质构造、归一化植被指数、地形湿度指数以及黄土侵蚀强度中的至少一种；所述的滑坡灾害次评价因子包括降雨持续时间数据、降雨量数据、滑坡灾害土地破坏数据以及道路密度中的至少一种。
[0020]进一步的，S4中，对历史的滑坡灾害风险预测数据集进行样本均衡处理，得到历史的滑坡灾害风险预测训练集，包括如下步骤：
[0021]S41、使用PU
‑
Bagging模型，将归属于同一分析区域类型的历史的滑坡灾害风险预测数据集中发生过滑坡的分析区域划分为正样本，未发生滑坡的分析区域划分为未标记样本，得到同一分析区域类型的若干正样本和若干未标记样本；
[0022]S42、遍历所有分析区域类型，使用随机采样组合方法，有放回的随机从若干未标记样本中，抽取与正样本等量的未标记样本作为负样本，得到等量的若干正样本和若干负样本；
[0023]S43、根据等量的若干正样本和若干负样本，组成包含所有分析区域类型的历史的滑坡灾害风险预测训练集。
[0024]进一步的，S5中，根据历史的滑坡灾害风险预测训练集和各滑坡灾害评价因子对应的分级赋值系数，构建滑坡灾害风险预测模型，包括如下步骤：
[0025]S51、在LSTM网络的输入层之后，设置Self
‑
Attention层，得到初始的Self
‑
Attention
‑
LSTM模型；
[0026]S52、根据各滑坡灾害评价因子对应的分级赋值系数，设置初始的Self
‑
Attention
‑
LSTM模型的Self
‑
Attention层的每个通道的注意力参数，得到注意力参数设置后的Self
‑
Attention
‑
LSTM模型；
[0027]S53、将注意力参数设置后的Self
‑
Attention
‑
LSTM模型的LSTM网络的隐含层神经元数、隐含层神经元初始权值与初始阈值以及初始学习率作为注意力参数设置后的Self
‑
Attention
‑
LSTM模型的优化目标；
[0028]S54、使用IWOA寻优算法对Self...

【技术保护点】

【技术特征摘要】
1.基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，包括以下步骤：S1、采集历史的滑坡灾害大数据，对历史的滑坡灾害大数据进行处理，得到若干分析区域类型的历史的滑坡灾害数据集；S2、根据若干分析区域类型的历史的滑坡灾害数据集，选择滑坡灾害评价因子，并对滑坡灾害评价因子进行分级赋值，得到各滑坡灾害评价因子对应的分级赋值系数；S3、基于滑坡灾害评价因子，在若干分析区域类型的历史的滑坡灾害数据集中筛选对应的滑坡灾害风险预测数据，得到历史的滑坡灾害风险预测数据集；S4、对历史的滑坡灾害风险预测数据集进行样本均衡处理，得到历史的滑坡灾害风险预测训练集；S5、根据历史的滑坡灾害风险预测训练集和各滑坡灾害评价因子对应的分级赋值系数，构建滑坡灾害风险预测模型；S6、采集当前待预测区域的实时的滑坡灾害数据，根据滑坡灾害评价因子，对当前待预测区域的实时的滑坡灾害数据进行筛选，得到实时的滑坡灾害风险预测数据；S7、将当前待预测区域的实时的滑坡灾害风险预测数据输入滑坡灾害风险预测模型进行滑坡灾害风险预测，得到滑坡灾害风险预测结果。2.根据权利要求1所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，S1中，所述的历史的滑坡灾害大数据包括若干滑坡灾害易发区域的历史的地质环境数据、历史的地质灾害数据以及历史的气象数据；所述的地质环境数据包括土体性质数据、地形地貌数据、水文地质数据以及不良地质环境数据；所述的地质灾害数据包括滑坡灾害发生情况数据、滑坡灾害土地破坏数据、地震灾害发生情况数据以及地震灾害土地破坏数据；所述的气象数据包括风向数据、风力数据、降雨持续时间数据、降雨量数据以及空气温湿度数据，所述预处理包括对历史的滑坡灾害大数据依次进行的数据格式转换、数据去重处理、数据降噪处理以及归一化处理。3.根据权利要求1所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，S1中，得到若干分析区域类型的历史的滑坡灾害数据集，包括如下步骤：S11、使用K
‑
Medians算法对若干预处理后的历史的滑坡灾害数据进行聚类处理，得到若干聚类处理后的历史的滑坡灾害数据；S12、将聚类处理得到的若干聚类中心类型作为分析区域类型，并将归属于同一分析区域类型的聚类处理后的历史的滑坡灾害数据进行数据划分，得到若干分析区域类型的历史的滑坡灾害数据集。4.根据权利要求1
‑
3任一项所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，S2中，所述滑坡灾害评价因子包括滑坡灾害主评价因子和滑坡灾害次评价因子，所述滑坡灾害评价因子对应的分级赋值系数包括滑坡灾害主评价因子的级别系数和权重系数，以及滑坡灾害次评价因子的级别系数和权重系数。5.根据权利要求4所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，所述的滑坡灾害主评价因子包括岩石硬度、高程、坡度、坡向、曲率、地质构造、归一化植被指数、地形湿度指数以及黄土侵蚀强度中的至少一种；所述的滑坡灾害次评价因子包括降雨持续时间数据、降雨量数据、滑坡灾害土地破坏数据以及道路密度中的至少一种。6.根据权利要求1
‑
3任一项所述的基于大数据分析和机器学习的滑坡灾害风险预测方
法，其特征在于，S4中，对历史的滑坡灾害风险预测数据集进行样本均衡处理，得到历史的滑坡灾害风险预测训练集，包括如下步骤：S41、使用PU
‑
Bagging模型，将归属于同一分析区域类型的历史的滑坡灾害风险预测数据集中发生过滑坡的分析区域划分为正样本，未发生滑坡的分析区域划分为未标记样本，得到同一分析区域类型的若干正样本和若干未标记样本；S42、遍历所有分析区域类型，使用随机采样组合方法，有放回的随机从若干未标记样本中，抽取与正样本等量的未标记样本作为负样本，得到等量的若干正样本和若干负样本；S43、根据等量的若干正样本和若干负样本，组成包含所有分析区域类型的历史的滑坡灾害风险预测训练集。7.根据权利要求1
‑
3任一项所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，S5中，根据历史的滑坡灾害风险预测训练集和各滑坡灾害评价因子对应的分级赋值系数，构建滑坡灾害风险预测模型，包括如下步骤：S51、在LSTM网络的输入层之后，设置Self
‑
Attention层，得到初始的Self
‑
Attention
‑
LSTM模型；S52、根据各滑坡灾害评价因子对应的分级赋值系数，设置初始的Self
‑
Attention
‑
LSTM模型的Self
‑
Attention层的每个通道的注意力参数，得到注意力参数设置后的Self
‑
Attention
‑
LSTM模型；S53、将注意力参数设置后的Self
‑
Attention
‑
LSTM模型的LSTM网络的隐含层神经元数、隐含层神经元初始权值与初始阈值以及初始学习率作为注意力参数设置后的Self
‑
Attention
‑
LSTM模型的优化目标；S54、使用IWOA寻优算法对Self
‑
Attention
‑
LSTM模型的优化目标进行寻优，得到LSTM网络最优的隐含层神经元数、隐含层神经元初始权值与初始阈值以及初始学习率；S55、根据LSTM网络最优的隐含层神经元数、隐含层神经元初始权值与初始阈值以及初始学习率，设置注意力参数设置后的Self
‑
Attention
‑
LSTM模型的网络参数，并输入历史的滑坡灾害风险预测训练集进行优化训练，得到滑坡灾害风险预测模型。8.根据权利要求7所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，引入Circle混沌序列初始化、动态反向学习策略以及收敛因子对传统的鲸鱼算法进行改进，得到IWOA寻优算法。9.根据权利要求8所述的基于大数据分析和机器学习的滑坡灾害风险预测方法，其特征在于，S54中，使用IWOA寻优算法对Self
‑
Attention
‑
LSTM模型的优化目标进行寻优，包括以下步骤：S541、将Self
‑
Attention
‑
LSTM模型的优化目标作为IWOA寻优算法中鲸鱼个体的位置；S542、初始化IWOA寻优算法参数，并使用Circle混沌序列初始化IWOA种群，所述Circle混沌序列初始化的公式为：其中x
i+1,j+1
表示Circle混沌映射生成的鲸鱼种群初始位置；x
i,j
表示随机生成的鲸鱼种群的初始位置，mod表示求余函数，i表示鲸鱼个体指示量，j表示维度指示量；
S543、计算IWOA种群中每个鲸鱼个体的适应度值，并根据每个鲸鱼个体的适应度值...

【专利技术属性】
技术研发人员：王秦川，邓子谦，陈贤，陈文海，赵婉婷，高杭，翟士旭，闫海兰，
申请(专利权)人：中国电建集团成都勘测设计研究院有限公司，
类型：发明
国别省市：