System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术专利属于地质灾害监测领域,尤其涉及涉及一种地质灾害雨量监测数据异常值检测方法。
技术介绍
1、地质灾害是指在自然或者人为因素的作用下形成的,对人类生命财产造成的损失、对环境造成破坏的地质作用或地质现象。地质灾害在时间和空间上的分布变化规律,既受制于自然环境,又与人类活动有关,往往是人类与自然界相互作用的结果。地质灾害可具体划分为30多种类型,常见的有崩塌、滑坡、泥石流、地面塌陷等等。地质灾害监测的主要工作内容为,监测地质灾害在时空域的变形破坏信息(包括形变、地球物理场、化学场等)和诱发因素动态信息,应用于地质灾害的稳定性评价、预测预报和防治工程效果评估。具体而言,又包括:查明灾害体的变形特征,为防治工程设计提供依据;监测施工安全,保障施工顺利心境;针对防治工程,对不宜处理或十分危险的灾害体,监测其动态并能实时报警,防止造成人员伤亡和重大经济损失。
2、地质灾害监测中的监测数据往往由部署在野外的各灾害体上的传感器采集得到,通过网络以有线或者无线的方式传输到数据中心并存储到数据库中。在这个过程中会不定期地产生数据异常的现象,主要原因有两个:其一,地质灾害监测中的灾害体往往都在野外,例如丛林深处或悬崖峭壁等等,由于这些场景下公用移动通信基站稀疏、信号遮挡物高大密集,造成移动互联网信号强度很差,数据在无线传输过程中很容易出现异常;其二,传感器所处的外在环境往往都比较恶劣:高低温、强光照、高湿度、强风等等可能会加速传感器的老化,造成传感器采集数据时出采集异常的现象。数据异常问题倘若得不到有效的解决,不仅会影响地质灾害
3、时空神经网络是一种主要用于提取时空数据(例如视频数据、交通数据、气象数据、遥感数据等等)在“时间”和“空间”两个维度的特征并完成相应工作的网络结构,它一般由提取时间依赖性的神经网络(例如卷积神经网络、循环神经网络等)和提取空间依赖性(例如卷积神经网络、图神经网络等)融合而成。
技术实现思路
1、本专利技术解决的技术问题在于,提供一种地质灾害雨量监测数据异常值检测方法,能对雨量数据进行更准确的异常判断。
2、本专利技术包括如下步骤:
3、s1,数据预处理步骤
4、根据雨量数据采集传感器的相对经纬度、不同的自然时间周期长度生成多种二维特征图其中m为时间周期类型数,n为传感器数量,t为每种时间周期内的时间戳数量;
5、s2,特征融合步骤
6、将不同类型的二维特征图输入给不同的长短记忆神经网络分别进行特征压缩,得到维度相同的处理后特征,然后将所有的处理后特征进行特征融合得到融合特征t’为中间状态数量;
7、s3,时空数据提取步骤
8、融合特征被喂给两层时空神经网络中,从时间维度和空间维度提取特征,最终,时空神经网络会针对每一时刻输出一个中间状态ht,其维度为n’,总共t’个中间状态;这样,所有的中间状态组成一个中间特征
9、s4,数据重构步骤
10、中间特征被喂给两层时空神经网络,从时间维度和空间维度将中间特征重构为自然时间周期长度最短的特征图
11、
12、进一步地,在特征融合步骤中,
13、所述将所有的处理后特征进行特征融合得到融合特征融合公式为:
14、f=θ1*x1+θ2*x2+...+θm*xm
15、其中,θ1+θ2+...+θm=1且为随网络一同训练的参数。
16、进一步地,在时空数据提取步骤中,
17、所述所有的中间状态组成一个中间特征中间状态的计算公式如下所示:
18、rt=σ(wr·[ht,xt]) (1)
19、zt=σ(wz·[ht,xt]) (2)
20、
21、ht=(1-z)⊙ht-1+z⊙h′t (4)
22、其中,wr和wz为要权重矩阵、wz为卷积核,均为需要网络训练的参数,为卷积操作,⊙为矩阵间的hadamard乘积操作。
23、进一步地,在使用时分为线下网络训练阶段和线上异常检测阶段;
24、在线下网络训练阶段,每一轮对所有样本训练结束后计算二维特征图x与的损失函数loss并依据梯度下降算法调整网络参数;接下来重复上述操作进行多轮训练直到损失函数收敛后,保存网络结构与相关参数并计算异常阈值threshold,传递给线上异常检测部分使用;
25、在线上异常检测阶段,将待检测的二维特征图x输入到线下网络训练阶段训练好的网络中得到重构的二维特征图并计算异常得分score;假如异常得分score大于线下网络训练阶段计算得到的异常阈值threshold则判定为异常。
26、进一步地,
27、损失函数其中mse为均方差;
28、阈值其中rmse为均方根误差;
29、异常得分其中rmse为均方根误差。
30、本专利技术使用多周期时空神经网络,具有下述有益效果:
31、1)可以依据雨量数据不同周期的时间特征、不同采集传感器间的空间特征对雨量数据进行更准确的异常判断;
32、2)在模型训练阶段无需做异常标记也不需要提供任何异常负样本,解决了负样本是非常稀少且难以标记的问题;
33、3)无需任何先验的专家知识和人工判定规则。
本文档来自技高网...【技术保护点】
1.一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,在特征融合步骤中,
3.根据权利要求1所述的一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,在时空数据提取步骤中,
4.根据权利要求1-3中任一项所述的一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,在使用时分为线下网络训练阶段和线上异常检测阶段;
5.根据权利要求4所述的一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,
【技术特征摘要】
1.一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特征在于,在特征融合步骤中,
3.根据权利要求1所述的一种基于时空神经网络的地质灾害雨量数据异常检测方法,其特...
【专利技术属性】
技术研发人员:张硕,夏顺盈,刘天霸,张新伟,王菲菲,
申请(专利权)人:航天科工惯性技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。