一种基于模糊计算的多模态滑坡位移智能预测方法技术

本发明专利技术公开了一种基于模糊计算的多模态滑坡位移智能预测方法，包括：获取滑坡变形监测数据和天气预报数据；根据滑坡变形监测数据和天气预报数据，计算预设时间步长内的影响因子相关统计值，利用最大信息系数法计算影响因子相关统计值和滑坡位移之间的相关性；根据相关性确定目标数量的统计量；对累计降雨量和天气预报降雨量进行数据预处理，得到预处理后多个不同状态的数据集；将各个不同状态的数据集分别划分为训练集和测试集；根据统计量和训练集对多模型滑坡位移智能预测模型进行训练，得到训练好的多模型滑坡位移智能预测模型；基于测试集和模糊计算，利用训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测，得到预测结果。得到预测结果。得到预测结果。

【技术实现步骤摘要】
一种基于模糊计算的多模态滑坡位移智能预测方法


[0001]本专利技术涉及滑坡地质灾害监测预警
，具体涉及一种基于模糊计算的多模态滑坡位移智能预测方法。

技术介绍

[0002]滑坡作为一种最为常见的地质灾害之一，对人民的生命财产安全和生产生活造成严重威胁，因此对滑坡地质灾害的监测和滑坡位移预测尤为重要；然而，滑坡被认为是一个极其复杂的非线性动态持续性过程，其当前状态不仅与自身发展变化状态有关，还受许多外在因素的影响，并且，这种外在因素的影响具有迟滞性。
[0003]基于影响因素的迟滞性，现有滑坡位移预测模型结合相关性分析方法确定滑坡位移的影响因素，利用诸如支持向量机(SVM)和长短期记忆网络(LSTM)等方法预测滑坡位移，这些模型虽然在预测位移方面取得了不错的成果，但是仅仅依赖于历史监测数据仍然难以准确预测滑坡位移的动态变化，即现有预测模型忽略了待预测时间步降雨量对滑坡位移的影响，而天气预报刚好可以提供比较精准的短期降雨预报数据，可以作为模型的输入，增强模型的表达能力。此外，以往预测方法只是笼统地将所有时间段的数据输入到模型得到预测结果，但是很难区分不同程度的降雨变化对滑坡位移的影响。
[0004]因此，有必要区分前期累计降雨量和预报降雨量的状态转换，进而选择不同的预测策略。

技术实现思路

[0005]本专利技术的目的在于提供一种基于模糊计算的多模态滑坡位移智能预测方法，以能够有效应对不同降雨条件下的预测任务，提升滑坡监测预警的智能化、灵活性和有效性。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]本专利技术提供一种基于模糊计算的多模态滑坡位移智能预测方法，包括：
[0008]S101：获取滑坡变形监测数据和天气预报数据；
[0009]S102：根据所述滑坡变形监测数据和天气预报数据，计算预设时间步长内的影响因子相关统计值，其中，所述影响因子相关统计值包括累计降雨量和天气预报降雨量；
[0010]S103：利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性；
[0011]S104：根据所述相关性确定目标数量的统计量；
[0012]S105：对所述累计降雨量和天气预报降雨量进行数据预处理，得到预处理后多个不同状态的数据集；
[0013]S106：将各个不同状态的数据集分别划分为训练集和测试集；
[0014]S107：根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练，得到训练好的多模型滑坡位移智能预测模型；
[0015]S108：基于测试集和模糊计算，利用所述训练好的多模型滑坡位移智能预测模型
进行多模型滑坡位移智能预测，得到预测结果。
[0016]可选择地，所述S102中，所述影响因子相关统计值包括：
[0017]孔隙水变化量、孔隙水均值、土壤水分变化量、土壤水分均值、位移序列、累计降雨量和待预测时刻的天气预报降雨量。
[0018]可选择地，所述S105包括：
[0019]S1051：根据所述累计降雨量和天气预报降雨量，划分为四个状态的数据集；
[0020]S1052：利用最小最大值归一化方法对各个状态的数据集进行归一化处理，得到预处理后多个不同状态的数据集。
[0021]可选择地，所述S1051中，所述四个状态的数据集包括：
[0022]S1：表示从无雨到无雨；
[0023]S2：表示从无雨到有雨；
[0024]S3：表示从有雨到无雨；
[0025]S4：表示从有雨到有雨。
[0026]可选择地，所述S107中，所述多模型滑坡位移智能预测模型包括依次设置的输入层、第一层LSTM、第二层LSTM、隐状态、全连接层和输出层。
[0027]可选择地，所述S108包括：
[0028]S1081：分别计算测试集中累计降雨量和天气预报降雨量对其各自模糊度标记的隶属度；
[0029]S1082：根据所述隶属度，以及状态初始化规则，进行模糊推理，得到状态判定结果；
[0030]S1083：根据所述状态判定结果，利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测，得到预测结果。
[0031]可选择地，所述S1081中，累计降雨量记为u1，天气预报降雨量记为u2，u1和u2分别有两个模糊度标记：有雨、无雨；
[0032]u1对无雨的隶属度函数A1(u1)如下：
[0033][0034]u1对有雨的隶属度函数A2(u1)如下：
[0035][0036]u2对无雨的隶属度函数B1(u2)如下：
[0037][0038]u2对有雨的隶属度函数B2(u2)如下：
[0039][0040]可选择地，所述S1082中，累计降雨量记为u1，天气预报降雨量记为u2，所述状态初始化规则为：
[0041]若u1模糊值为无雨且u2模糊值为无雨，则初始化为S1状态，表示为{A1(1)>2(1),1(2)>2(2)}；
[0042]若u1模糊值为无雨且u2模糊值为有雨，则初始化为S2状态，表示为{A1(1)>2(1),1(2)<2(2)}；
[0043]若u1模糊值为有雨且u2模糊值为无雨，则初始化为S3状态，表示为{A1(1)<2(1),1(2)>2(2)}；
[0044]若u1模糊值为有雨且u2模糊值为有雨，则初始化为S4状态，表示为{A1(1)<2(1),1(2)<2(2)}；
[0045]其中，A1(1)表示u1对无雨的隶属度函数，A2(1)表示u1对有雨的隶属度函数，B1(2)表示u2对无雨的隶属度函数，B2(2)表示u2对有雨的隶属度函数。
[0046]本专利技术还提供一种基于上述的基于模糊计算的多模态滑坡位移智能预测方法的系统，所述系统包括：
[0047]数据获取模块：所述数据获取模块用于获取滑坡变形监测数据和天气预报数据；
[0048]影响因子相关统计值计算模块，所述影响因子相关统计值计算模块根据所述滑坡变形监测数据和天气预报数据，计算预设时间步长内的影响因子相关统计值，其中，所述影响因子相关统计值包括累计降雨量和天气预报降雨量；
[0049]相关性计算模块，所述相关性计算模块用于利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性；
[0050]统计量确定模块，所述统计量确定模块用于根据所述相关性确定目标数量的统计量；
[0051]数据预处理模块，数据预处理模块用于对所述累计降雨量和天气预报降雨量进行数据预处理，得到预处理后多个不同状态的数据集；
[0052]数据集划分模块，所述数据集划分模块用于将各个不同状态的数据集分别划分为训练集和测试集；
[0053]模型训练模块，所述模型训练模块用于根据所述统计量和所述训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，包括：S101：获取滑坡变形监测数据和天气预报数据；S102：根据所述滑坡变形监测数据和天气预报数据，计算预设时间步长内的影响因子相关统计值，其中，所述影响因子相关统计值包括累计降雨量和天气预报降雨量；S103：利用最大信息系数法计算所述影响因子相关统计值和滑坡位移之间的相关性；S104：根据所述相关性确定目标数量的统计量；S105：对所述累计降雨量和天气预报降雨量进行数据预处理，得到预处理后多个不同状态的数据集；S106：将各个不同状态的数据集分别划分为训练集和测试集；S107：根据所述统计量和所述训练集对多模型滑坡位移智能预测模型进行训练，得到训练好的多模型滑坡位移智能预测模型；S108：基于测试集和模糊计算，利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测，得到预测结果。2.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，所述S102中，所述影响因子相关统计值包括：孔隙水变化量、孔隙水均值、土壤水分变化量、土壤水分均值、位移序列、累计降雨量和待预测时刻的天气预报降雨量。3.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，所述S105包括：S1051：根据所述累计降雨量和天气预报降雨量，划分为四个状态的数据集；S1052：利用最小最大值归一化方法对各个状态的数据集进行归一化处理，得到预处理后多个不同状态的数据集。4.根据权利要求3所述的基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，所述S1051中，所述四个状态的数据集包括：S1：表示从无雨到无雨；S2：表示从无雨到有雨；S3：表示从有雨到无雨；S4：表示从有雨到有雨。5.根据权利要求1所述的基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，所述S107中，所述多模型滑坡位移智能预测模型包括依次设置的输入层、第一层LSTM、第二层LSTM、隐状态、全连接层和输出层。6.根据权利要求1
‑
5中任意一项所述的基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，所述S108包括：S1081：分别计算测试集中累计降雨量和天气预报降雨量对其各自模糊度标记的隶属度；S1082：根据所述隶属度，以及状态初始化规则，进行模糊推理，得到状态判定结果；S1083：根据所述状态判定结果，利用所述训练好的多模型滑坡位移智能预测模型进行多模型滑坡位移智能预测，得到预测结果。7.根据权利要求6所述的基于模糊计算的多模态滑坡位移智能预测方法，其特征在于，

【专利技术属性】
技术研发人员：胡旺，陈俊，章语，施柯，卿正，罗子奥，王仁超，
申请(专利权)人：四川省人工智能研究院宜宾，
类型：发明
国别省市：