一种基于深度学习混合模型的地震救援分区分类方法技术

本发明专利技术公开了一种基于深度学习混合模型的地震救援分区分类方法，包括以下过程：基本研究单元的划分和确定；生成研究单元的手机定位量时序数据；分析定位量随时间变化的规律，确定研究单元的地震救援区域类型；进行数据的标准化、归一化并创建数据集；混合模型的搭建、训练及调参；使用混合模型预测研究单元的重点搜救区域类型。本发明专利技术搭建了基于CNN

【技术实现步骤摘要】
一种基于深度学习混合模型的地震救援分区分类方法


[0001]本专利技术涉及一种地震救援分区分类方法，尤其涉及一种基于深度学习混合模型的地震救援分区分类方法。

技术介绍

[0002]随着智能手机的全面普及，通过LBS技术精准定位，能全面、即时掌握人口流动状态，手机定位数据具有覆盖率高、定位精度多样化和便于获取的特点，因此利用手机定位人口数据可辅助研判灾情，确定重灾区，有效提升应急救灾能力。
[0003]在大地震或者特大地震灾害发生后，需要救援的范围有可能涉及多个区县、城镇，对于受灾地区进行地理分区可以确保有效的协调搜索和救援力量，救援区域的划分及救援优先级判定是救援行动开展的基础,也是提高救援工作效率,保证救援工作时效性和协调性的前提。联合国在长期的国际救援行动中提出了“国际搜救行动分区”这一概念，根据分区范围，结合对分区内精细化的灾情评估，开展救援优先级划分，进行救援力量合理派遣和调度，该方法有利于制定更好的搜救行动计划，提高多支队伍同时开展搜救行动的效率。国际上目前针对救援分区及救援优先级划分采取人工措施，费时费力，且易受人为因素影响，未考虑人口时空变化分布特点，难以实现结合地震灾情人口分布的实时动态进行救援优先级划分。

技术实现思路

[0004]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于深度学习混合模型的地震救援分区分类方法。
[0005]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于深度学习混合模型的地震救援分区分类方法，包括以下过程：
[0006]S1、基本研究单元的划分和确定；
[0007]S2、生成研究单元的手机定位量时序数据；
[0008]S3、分析定位量随时间变化的规律，确定研究单元的地震救援区域类型；
[0009]S4、进行数据的标准化、归一化并创建数据集；
[0010]S5、混合模型的搭建、训练及调参；
[0011]S6、使用混合模型预测研究单元的重点搜救区域类型。
[0012]进一步地，在步骤S1中，首先以某城市街区假设作为地震救援任务区，对该城市的街区进行路网数据处理得到路网线图层，再采用GIS方法将路网线图层转换成面图层，对面图层中的区域按照如下规则进行划分：1)区域面积大于0.15平方公里的区域作为基本研究单元，即最小救援区；2)区域面积小于0.15平方公里的区域就近合并；3)删除无建筑物分布的区域。
[0013]进一步地，在步骤S2中，以基本研究单元作为尺度，统计了每个研究单元的22天24小时内相同时间间隔的手机定位量数据，从而构建了数据维度为24*22的手机定位量时序
数据。
[0014]进一步地，在步骤S3中，分析每个基本研究单元的手机定位量随时间变化的规律，得到对应的手机定位量曲线，根据曲线将研究单元划分为对应的地震救援区域类型。
[0015]进一步地，在步骤S3中，划分的地震救援区域类型有五种，如下：
[0016]1)工作区：当手机定位量曲线在工作日与周末存在巨大差异，工作日期间人口稠密，周末人口稀少，定为工作区；
[0017]2)居住区：当手机定位量曲线存在的明显的波峰波谷，一日内最大波峰为中午12
‑
13时和19至次日7时，定为居住区；
[0018]3)办公生活一体化区：当一日之内定位量的变化浮动较小，工作日与周末的手机定位量曲线上升和下降区间一致时，定为办公生活一体化区；
[0019]4)商业区：当手机定位量曲线无明显的波峰波谷，高值区出现在上午10时至21时，定为商业区；
[0020]5)娱乐区：当手机定位量曲线在上午8时左右，晚上19时左右存在明显的波峰，并在8至19时之间是小幅波动且无明显的波谷时，定为娱乐区。
[0021]进一步地，在步骤S4中，先采用Z
‑
score标准化方法对每个研究单元的手机定位量数据进行标准化处理，再采用Z
‑
score归一化方法，对每个研究单元的工作日和周末各24小时的48小时手机定位量进行归一化：
[0022][0023]式中，r代表研究单元，Z
r
score(t)代表研究单元r归一化后的数据，代表研究单元r内22日定位量数据的标准差，代表研究单元r的48小时手机定位量均值，研究单元r某时刻的手机定位量，把归一化后的数据进行乱序处理，根据6:2:2的比例关系对乱序的数据进行分组，分别作为训练数据集、验证数据集、测试数据集。
[0024]进一步地，在步骤S5中，首先搭建三个分支的CNN模型，每个CNN分支都依次设有三个CNN1D卷积层和一个全局池化层，三个CNN分支通过联合这一操作整合输入到双层BiLSTM层中，随后连接到双层全连接层，完成混合模型的搭建；将数据维度为24*22的训练数据集输入到混合模型中，进行模型训练，并通过验证数据集来校验模型的精度；通过数据平移和过拟合样本均衡进行混合模型的调参，从而提高模型的精度。
[0025]进一步地，在步骤S5中，每个CNN1D卷积层的卷积核个数都为128个，CNN分支1的三个CNN1D卷积层的卷积核尺寸分别为21*1、10*1、5*1，CNN分支2的三个CNN1D卷积层的卷积核尺寸分别为16*1、8*1、3*1，CNN分支3的三个CNN1D卷积层的卷积核尺寸分别为11*1、7*1、2*1。
[0026]进一步地，在步骤S6中，将测试数据集输入到混合模型中，预测得到研究单元对应的地震救援区域类型，不同的地震救援区域类型对应着不同的重点搜救区域类型：若研究单元为工作区，则对应为9
‑
17时重点搜救区；若研究单元为居住区，则对应为12
‑
13时及19
‑
次日7时重点搜救区；若研究单元为办公生活一体化区，则对应为全天候重点搜救区；若研究单元为商业区，则对应为10
‑
21时重点搜救区；若研究单元为娱乐区，则对应为8
‑
19时重
点搜救区。
[0027]本专利技术搭建了基于CNN
‑
BiLSTM的混合模型，通过CNN的特征抽象能力提取高维特征，经由BiLSTM层对手机定位量序列高维特征进行时序预测，充分整合了CNN和RNN两种网络模型的优势。因此，本专利技术的混合模型预测精度高、泛化能力强，为地震救援区域划分提供了一个可靠的分类方法。
附图说明
[0028]图1为本专利技术的整体流程示意图。
[0029]图2为本专利技术实施例的基本研究单元分布图。
[0030]图3为本专利技术实施例的手机定位量随时间变化的曲线图。
[0031]图4为本专利技术实施例的混合模型结构图。
[0032]图5为本专利技术实施例的混合模型训练效果图。
[0033]图6为本专利技术实施例的地震重点搜救区分布图。
具体实施方式
[0034]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0035]本专利技术公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习混合模型的地震救援分区分类方法，其特征在于：包括以下过程：S1、基本研究单元的划分和确定；S2、生成研究单元的手机定位量时序数据；S3、分析定位量随时间变化的规律，确定研究单元的地震救援区域类型；S4、进行数据的标准化、归一化并创建数据集；S5、混合模型的搭建、训练及调参；S6、使用混合模型预测研究单元的重点搜救区域类型。2.根据权利要求1所述的基于深度学习混合模型的地震救援分区分类方法，其特征在于：在步骤S1中，首先以某城市街区假设作为地震救援任务区，对该城市的街区进行路网数据处理得到路网线图层，再采用GIS方法将路网线图层转换成面图层，对面图层中的区域按照如下规则进行划分：1)区域面积大于0.15平方公里的区域作为基本研究单元，即最小救援区；2)区域面积小于0.15平方公里的区域就近合并；3)删除无建筑物分布的区域。3.根据权利要求2所述的基于深度学习混合模型的地震救援分区分类方法，其特征在于：在步骤S2中，以基本研究单元作为尺度，统计了每个研究单元的22天24小时内相同时间间隔的手机定位量数据，从而构建了数据维度为24*22的手机定位量时序数据。4.根据权利要求3所述的基于深度学习混合模型的地震救援分区分类方法，其特征在于：在步骤S3中，分析每个基本研究单元的手机定位量随时间变化的规律，得到对应的手机定位量曲线，根据曲线将研究单元划分为对应的地震救援区域类型。5.根据权利要求4所述的基于深度学习混合模型的地震救援分区分类方法，其特征在于：在步骤S3中，划分的地震救援区域类型有五种，如下：1)工作区：当手机定位量曲线在工作日与周末存在巨大差异，工作日期间人口稠密，周末人口稀少，定为工作区；2)居住区：当手机定位量曲线存在的明显的波峰波谷，一日内最大波峰为中午12
‑
13时和19至次日7时，定为居住区；3)办公生活一体化区：当一日之内定位量的变化浮动较小，工作日与周末的手机定位量曲线上升和下降区间一致时，定为办公生活一体化区；4)商业区：当手机定位量曲线无明显的波峰波谷，高值区出现在上午10时至21时，定为商业区；5)娱乐区：当手机定位量曲线在上午8时左右，晚上19时左右存在明显的波峰，并在8至19时之间是小幅波动且无明显的波谷时，定为娱乐区。6.根据权利要求5所述的基于深度学习混合模型的地震救援分区分类方法，其特征在于：在步骤S4中，先采用Z
...

【专利技术属性】
技术研发人员：高娜，刘晶晶，原丽娟，王洋，王想，
申请(专利权)人：中国地震应急搜救中心，
类型：发明
国别省市：