一种基于区域环境数据的空间点位监测模型的训练方法技术

本发明专利技术提供一种基于区域环境数据的空间点位监测模型的训练方法，包括：建立包含多个训练样本的训练样本数据集；对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含训练样本数据集的矩阵数据；将矩阵数据输入至深度极限学习机，提取重构后的特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系；基于RBF激活函数计算空间点位处每个环境数据的空间权重矩阵；利用Moran激活函数计算定量关系的空间权重矩阵；利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系；本发明专利技术实施例可基于区域环境数据分析空间任一点位处监测参数趋势变化原因及对其进行趋势预测。对其进行趋势预测。对其进行趋势预测。

【技术实现步骤摘要】
一种基于区域环境数据的空间点位监测模型的训练方法


[0001]本专利技术涉及环境监测
，具体为一种基于区域环境数据的空间点位监测模型的训练方法。

技术介绍

[0002]地质灾害的发生往往跟气象数据有关，如：某片区域的降水量突然增加，则容易导致发生泥石流等灾害。因此，分析出空间区域内的监测参数与其周围环境数据之间的定量关系，寻找灾害发生的规律性，对灾害预警起着重要作用。
[0003]现有技术中，主要通过在空间内不同的监测点位及其周围布设大量的传感器设备，实时采集监测点的数据及其周围的环境数据，采用某种回归分析方法，逐点地对监测点的数据和环境数据进行分析，得出定量关系。
[0004]然而，现有的分析方法存在监测成本高、点位数据收集困难、逐点计算量大等问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于区域环境数据的空间点位监测模型的训练方法，通过多变量相空间重构法和深度极限学习机对模型进行训练，可基于监测参数与环境要素之间的定量关系更加精准地对监测参数趋势变化的原因进行分析，且可对未来某时间段内监测参数的趋势变化进行预测。
[0006]为达到上述目的，本申请实施例提供了一种基于区域环境数据的空间点位监测模型的训练方法，包括：建立包含多个训练样本的训练样本数据集；对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据；将重构后的所述矩阵数据输入至深度极限学习机，提取多变量相空间重构中的特征空间；根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系；基于RBF激活函数计算空间点位处每个环境数据的空间权重矩阵；根据所述空间点位处每个环境数据的空间权重矩阵，利用Moran激活函数计算所述定量关系的空间权重矩阵；基于所述样本训练数据集中各点位监测参数与环境数据间的定量关系Z和所述定量关系Z对应的空间权重矩阵，利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系。
[0007]可选地，所述对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据，包括：
对所述训练样本进行预处理，得到包含多个变量的训练样本数据集：，其中，和分别为变量个数和第个变量的序列长度；将训练样本数据集转为训练样本数据矩阵，其中的每一行代表一个样本，每一列代表一个变量。
[0008]根据C
‑
C算法求解出嵌入维数和最佳延迟时间；基于所述嵌入维数和所述最佳延迟时间，对预处理后的训练样本进行多变量相空间重构，得到的矩阵数据为：其中，表示相空间重构后的维空间，为变量个数。
[0009]可选地，所述提取多变量相空间重构中的特征空间，使用sigmoid激活函数完成重构后的维空间到特征空间的映射：其中，表示映射后空间点位i和空间点位j处的特征信息；和分别表示空间中点位i和点位j处重构后的数据；表示行转置；、均为大于0的数。
[0010]所述提取多变量相空间重构中的特征空间后，还包括：根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系：其中，表示特征空间中点位监测参数与环境数据间的定量关系；是输入特征，；是输入特征对应的加权系数，；为多项式的阶数。
[0011]可选地，所述基于RBF激活函数计算空间点位处每个环境数据的空间权重矩阵，计算方法为：其中，表示空间点位i和空间点位j处某环境数据的空间自相关程度， 表示训练样本数据矩阵中任意的环境数据列；为空间点位i处的某环境数据，为空间点位j处的某环境数据；‖
•
‖为欧式范数，表示空间中输入向量的模；为大于0的数。
[0012]可选地，根据所述空间点位处每个环境数据的空间权重矩阵，利用Moran激活函数计算所述定量关系的空间权重矩阵，包括：计算空间内某一环境数据的莫兰指数，计算方法为：其中，表示某环境数据的空间自相关程度；和分别为区域中空间点位i和空间点位j处的某环境数据，为该环境数据在整个区域中的期望值；表示空间点位i和空间点位j处该环境数据的自相关程度的空间权重；S0为区域中所
有空间点位该环境数据的空间权重之和，；n为训练样本集中空间点位个数；计算整个区域中所有环境数据的莫兰期望矩阵：其中，为训练样本数据集中环境数据的个数；空间内所述定量关系的空间自相关程度可表示为：其中，和分别为区域中空间点位i和空间点位j处的定量关系，为空间内所有点位处定量关系的集合；表示空间点位i和空间点位j处定量关系的自相关程度的空间权重；S0为区域中所有空间点位定量关系的空间权重之和，；n为训练样本集中空间点位个数；由，计算得到所述空间点位定量关系的空间权重矩阵。
[0013]可选地，所述利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系，计算方法为：其中，表示空间内任一点位的监测参数与环境数据间的定量关系；表示空间坐标为处监测参数与环境数据间的定量关系；为定量关系对应的空间权重。
[0014]基于同一专利技术构思，本申请实施例还提供了一种基于区域环境数据的空间点位监测方法，包括：获取空间内不同时间段的环境数据；根据上述所述的基于区域环境数据的空间点位监测模型对监测数据进行计算，得到空间内任一点位监测环境参数与周围环境数据间的定量关系；基于所述定量关系对任一空间点位的监测参数进行趋势变化的原因分析和趋势预测。
[0015]另一方面，本申请实施例还提供了一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述方法。
[0016]另一方面，本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
[0017]本专利技术的有益效果在于：本申请基于多变量相空间重构和深度极限学习机训练基于区域环境数据的空间点位监测模型，融合多个环境数据使得重构后的多维相空间中的相点包含空间点位处监测参数更为多样的信息，而后使用深度极限学习机训练基于区域环境数据的空间点位监测模型，通过分析训练样本数据集中已知空间点位的监测参数与其周围环境数据的定量关系，估计出整个空间区域任一点的定量关系。这可以降低逐点监测成本，减轻不同空间点位处环境数据收集的难度，减少不同空间点位处逐点计算某监测参数与周
围环境数据间定量关系的计算量，且可以从环境要素角度，较为精准地预测任一空间点位处监测参数变化趋势及分析其趋势变化原因。
[0018]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。
附图说明
[0019]图1为本专利技术实施例提供的一种基于区域环境数据的空间点位监测模型的训练方法的流程示意图；图2为本专利技术实施例提供的深度极限学习机的网络结构示意图；图3为本专利技术实施例提供的一种基于区域环境数据的空间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，包括：建立包含多个训练样本的训练样本数据集；对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据；将重构后的所述矩阵数据输入至深度极限学习机，提取多变量相空间重构中的特征空间；根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系；基于RBF激活函数计算空间点位处每个环境数据的空间权重矩阵；根据所述空间点位处每个环境数据的空间权重矩阵，利用Moran激活函数计算所述定量关系的空间权重矩阵；基于所述样本训练数据集中各点位监测参数与环境数据间的定量关系和所述定量关系对应的空间权重矩阵，利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系。2.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据，包括：对所述训练样本进行预处理，得到包含多个变量的训练样本数据集：，其中，和分别为变量个数和第个变量的序列长度；将训练样本数据集转为训练样本数据矩阵，其中的每一行代表一个样本，每一列代表一个变量；根据C
‑
C算法求解出嵌入维数和最佳延迟时间；基于所述嵌入维数和所述最佳延迟时间，对预处理后的训练样本进行多变量相空间重构，得到的矩阵数据为：其中，表示相空间重构后的维空间，为变量个数。3.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述提取多变量相空间重构中的特征空间，使用sigmoid激活函数完成重构后的维空间到特征空间的映射：其中，表示映射后空间点位i和空间点位j处的特征信息；和分别表示空间中点位i和点位j处重构后的数据；表示行转置；、
均为大于0的数。4.根据权利要求2所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述提取多变量相空间重构中的特征空间后，还包括：根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系：其中，表示特征空间中点位监测参数与环境数据间的定量关系；是输入特征，；是输入特征对应的加权系数，；为多项式的阶数。5.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述基于RBF激活函数计算空间点位处每个环境数据的空间权重矩阵，计...

【专利技术属性】
技术研发人员：李芸莹，何雨衡，包元锋，董超群，丁雅静，张守亮，
申请(专利权)人：苏州思萃融合基建技术研究所有限公司，
类型：发明
国别省市：