基于图卷积网络融合多点关系的地表沉降预测方法及系统技术方案

本发明专利技术提供基于图卷积网络融合多点关系的地表沉降预测方法及系统，涉及地表沉降预测技术领域。该基于图卷积网络融合多点关系的地表沉降预测方法，包括：根据监测区域监测网中监测点之间的联系生成用于图卷积运算的图信息；根据每个监测点的时间序列信息，获取时间序列信息前后的变化规律，并获取时间序列信息的编码信息；接收图信息和编码信息进行图卷积运算；生成预训练模型，并结合时间序列信息前后的变化规律和预训练模型输出最终预测。解决了目前地表沉降预测模型无法融合多点间空间关系的限制的问题。关系的限制的问题。关系的限制的问题。

【技术实现步骤摘要】
基于图卷积网络融合多点关系的地表沉降预测方法及系统


[0001]本专利技术涉及地表沉降预测技术
，具体为基于图卷积网络融合多点关系的地表沉降预测方法及系统。

技术介绍

[0002]地表下沉是一种普遍的地理环境危害，一直受到广泛的关注。地表沉降具有发展周期长，发生不可逆转，破坏效果连续累积的特点，导致包括建筑物塌陷，道路损坏，耕地破坏等一系列不利结果。尤其在矿区，因地下煤矿开采引发地表塌陷，如不能及时准确预测沉降，可能会对生产建设造成不可挽回的破坏。在此背景下，大范围，高精度的地表沉降预测可以为地质灾害防治提供强有力的支持。
[0003]目前存在的地表下沉预计模型主要分为物理模型和统计学模型。物理模型从地质构造出发，根据不同岩层的力学性质构建力学模型对地表沉降做出预测，此类方法最大的限制是强依赖于研究区域的地质构造，难以有效地建立统一的架构。统计学模型利用数理统计的方法对大量的已有数据解释分析，从而预测数据未来走势。然而，其对实测数据的数量和质量要求较高，早期人工观测费时费力效率低，获取数据不容易，很难实现大区域的地表下沉预计。随着遥感技术的发展,持续的地面监测对下沉预测提供了强有力的支持，长时间、大尺度数据获取不再是问题。但是，行业发展对数据精准挖掘的要求越来越高。
[0004]卷积神经网络的出现很好地满足了数据精准挖掘的要求，图卷积网络(GCN)是由Kipf和Welling提出的基于传统卷积神经网络(CNN)的一种有效变体。GCN可以有效地在不规则的拓扑图结构信息上进行卷积运算，从而学习到图谱内部关联的隐藏信息。对于地表沉降监测任务，布设的地表监测点之间并非独立存在，监测点之间存在较强的连接，这些监测点内部的联系能够反映出强烈的地表沉降规律。关于地表沉降以往的科研工作，都是基于统计学规律对沉降数据做宏观分析。即便是一些基于前馈神经网络或者长短期记忆模型的大数据统计方法，都是只能对单一监测点进行监测，无法获取点位之间的内部关联。目前地表沉降预测模型无法融合多点间空间关系的限制。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了基于图卷积网络融合多点关系的地表沉降预测方法及系统，解决了目前地表沉降预测模型无法融合多点间空间关系的限制的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，提供了一种基于图卷积网络融合多点关系的地表沉降预测方法，包括：
[0010]根据监测区域监测网中监测点之间的联系生成用于图卷积运算的图信息；
[0011]根据每个监测点的时间序列信息，获取时间序列信息前后的变化规律，并获取时间序列信息的编码信息；
[0012]接收图信息和编码信息进行图卷积运算；
[0013]生成预训练模型，并结合时间序列信息前后的变化规律和预训练模型输出最终预测。
[0014]优选的，所述根据每个监测点的时间序列信息，获取时间序列信息前后的变化规律，具体包括：
[0015]设置一个可随机查看时间序列信息中先验数据的窗口，通过所述窗口的滑动对先验数据逐项扫描，训练模型学习所有序列数据的规律，具体如下：
[0016]将控制网中各监测点的先验数据按照窗口宽度K划分为重叠的数据段，对于一个监测点p
i
的时间序列信息被划分为得到n
‑
k+1个数据段，记作对于检测网中所有的监测点，经过窗口扫描后生成的每一步输入数据为
[0017]将检测网中所有监测点生成的数据段逐个馈入一个l层的LSTM模块，每个长度为k的数据段作为当前时间t的输入状态；对于每个监测点的输入，每一层LSTM模块都计算以下函数：
[0018]I
t
＝σ(W0x
t
+b0+W1h
t
‑1+b1)
[0019]F
t
＝σ(W2x
t
+b2+W3h
t
‑1+b3)
[0020]G
t
＝tanh(W4x
t
+b4+W5h
t
‑1+b5)
[0021]O
t
＝σ(W6x
t
+b6+W7h
t
‑1+b7)
[0022]C
t
＝F
t
⊙
C
t
‑1+I
t
⊙
G
t
[0023]h
t
＝O
t
⊙
tanh(C
t
)
[0024]公式中，h
t
是t时间的隐藏状态，h
t
‑1是t
‑
1时间的隐藏状态或0时的初始隐藏状态，C
t
是t时间LSTM的单元状态，x
t
是t时间的输入，I
t
，F
t
，G
t
，O
t
分别是输入门、遗忘门、单元门和输出门；
⊙
是哈达玛德积；W
i
和b
i
是对应的参数矩阵和偏差；在多层LSTM中，l层的输入是前一层的隐藏状态经过l层LSTM模块，对于检测网中的所有监测点，取最后一层每个时间点的隐藏状态得到LSTM编码状态H
lstm
。
[0025]优选的，所述获取时间序列信息的编码信息，具体包括：
[0026]经过LSTM提取的沉降特征H
lstm
经过非线性变化，提取其之间的关联信息，映射到一个新的特征空间，并设置其空间维度为图卷积网络的输入维度；
[0027]H＝WH
lstm
+b
[0028]得到各监测点在连续k个先验监测数据中的编码信息其中c为图卷积网络的输入维度，W和b是非线性变换的参数矩阵和偏置矩阵。
[0029]优选的，所述接收图信息和编码信息进行图卷积运算，具体包括：
[0030]将图信息进行归一化处理：
[0031][0032][0033]公式中，表示每个结点自环，I是一个单位矩阵，D是的度矩阵，存储了每个节点连结其余节点的个数；图卷积网络通过聚合第l
‑
1层相邻监测点的状态信息来更新第l层每个监测点的状态信息，图卷积网络的运算过程按照以下函数。
[0034]优选的，所述图卷积网络通过聚合第l
‑
1层相邻监测点的状态信息来更新第l层每个监测点的状态信息，具体实现公式如下：
[0035][0036]公式中，j指代p
i
的邻接节点，e
ij
是边(p
i
，p
j
)的归一化常数，来自对称归一化邻接矩阵W是一个非线性的参数矩阵。
[0037]优选的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络融合多点关系的地表沉降预测方法，其特征在于，包括：根据监测区域监测网中监测点之间的联系生成用于图卷积运算的图信息；根据每个监测点的时间序列信息，获取时间序列信息前后的变化规律，并获取时间序列信息的编码信息；接收图信息和编码信息进行图卷积运算；生成预训练模型，并结合时间序列信息前后的变化规律和预训练模型输出最终预测。2.根据权利要求1所述的一种基于图卷积网络融合多点关系的地表沉降预测方法，其特征在于：所述根据每个监测点的时间序列信息，获取时间序列信息前后的变化规律，具体包括：设置一个可随机查看时间序列信息中先验数据的窗口，通过所述窗口的滑动对先验数据逐项扫描，训练模型学习所有序列数据的规律，具体如下：将控制网中各监测点的先验数据按照窗口宽度K划分为重叠的数据段，对于一个监测点p
i
的时间序列信息被划分为得到n
‑
k+1个数据段，记作对于检测网中所有的监测点，经过窗口扫描后生成的每一步输入数据为将检测网中所有监测点生成的数据段逐个馈入一个l层的LSTM模块，每个长度为k的数据段作为当前时间t的输入状态；对于每个监测点的输入，每一层LSTM模块都计算以下函数：I
t
＝σ(W0x
t
+b0+W1h
t
‑1+b1)F
t
＝σ(W2x
t
+b2+W3h
t
‑1+b3)G
t
＝tanh(W4x
t
+b4+W5h
t
‑1+b5)O
t
＝σ(W6x
t
+b6+W7h
t
‑1+b7)C
t
＝Ft
⊙
C
t
‑1+I
t
⊙
G
t
h
t
＝O
t
⊙
tanh(C
t
)公式中，h
t
是t时间的隐藏状态，h
t
‑1是t
‑
1时间的隐藏状态或0时的初始隐藏状态，C
t
是t时间LSTM的单元状态，x
t
是t时间的输入，I
t
，F
t
，G
t
，O
t
分别是输入门、遗忘门、单元门和输出门；
⊙
是哈达玛德积；W
i
和b
i
是对应的参数矩阵和偏差；在多层LSTM中，l层的输入是前一层的隐藏状态经过l层LSTM模块，对于检测网中的所有监测点，取最后一层每个时间点的隐藏状态得到LSTM编码状态H
lstm
。3.根据权利要求2所述的一...

【专利技术属性】
技术研发人员：张坤，姜宝兴，刘潇鹏，刘增波，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：