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】
本申请涉及地质灾害监测预警,特别涉及一种边坡位移时序预测方法、设备及存储介质。
技术介绍
1、边坡位移预测是地质灾害预警系统中一个至关重要的方向,主要针对滑坡、泥石流、崩塌等灾害,这类地质灾害具有随机性强、破坏力大等特点,对人民群众的生命财产安全造成严重威胁;传统的高危区域检测常以人工排查的方式进行,这种方式不但费时费力,且很难完成大规模的滑坡区域界定。随着计算机科学的发展,深度学习和人工智能技术为高效、自动化的地质灾害监测提供了新的可能性;
2、现有的边坡位移预测方法主要集中于使用单个模型来预测整个位移的变化,例如使用rnn模型或线性回归等方法,这些方法在处理较为复杂的地质情况时,很难准确的预测出位移数据的动态变化,导致准确率不高。此外,有部分研究者提出了使用模态分解法的方式来进行分解预测,但这种方法也存在着明显的局限性,主要是模态分解法针对不同数据的分解波段数量不固定,导致模型泛化能力不强。
3、有鉴于此,目前亟需一种边坡位移时序预测方法、设备及存储介质。
技术实现思路
1、鉴于以上所述现有技术的缺点,本申请提出一种边坡位移时序预测方法、设备及存储介质,解决了现有技术中模态分解法针对不同数据的分解波段数量不固定,导致模型泛化能力不强问题。
2、本申请为了实现上述目的具体采用以下技术方案:
3、一种边坡位移时序预测方法,包括如下步骤:
4、步骤1:对收集的原始数据做数据预处理,所述原始数据包括土壤含水量数据、深部位移数据
5、步骤2:将原始数据中的边坡位移数据分解为整体趋势数据和周期波动数据;
6、步骤3:搭建gru网络模型和seq2seq+attent ion网络模型;
7、步骤4:使用gru网络模型训练整体趋势数据,seq2seq+attent ion网络模型训练土壤含水量数据、深部位移数据、裂缝位移数据和周期波动数据;
8、步骤5:将两个模型的输出结果的和作为最终的预测结果。
9、作为一种可选的技术方案,所述数据预处理依次包括去噪处理、时间间隔等距离采样处理和平滑处理。
10、作为一种可选的技术方案,所述时间间隔等距离采样处理的具体过程如下:
11、按照每小时筛选最早的一个数据对所述原始数据进行采样,按x小时构成的一个周期进行采样,其中x为自然数;
12、当筛选的数据小于x个时,根据空缺的时间段,选择相邻两个点使用线性插值方法填补数据断点,填补后采样完成;当筛选的数据等于x个时,采样完成。
13、作为一种可选的技术方案,所述将原始数据中的边坡位移数据分解为整体趋势数据和周期波动数据具体过程包括:
14、将一个周期内的数据平均值作为整体趋势数据,将平均值使用插值法补充到原始数据中,并与原始数据相减,相减得到的差值便是周期波动数据。
15、作为一种可选的技术方案,所述gru网络模型构建方式如下:
16、定义网络的输入结构,输入大小为时间步与维度;
17、定义附加层,两层的神经元全连接的dense层;
18、定义输出层,输出层为全连接的dense层,输出为预定义的预测长度与大小。
19、作为一种可选的技术方案,所述述gru网络模型输入结构中的维度包括边坡位移整体趋势数据,共计输入维度为1维。
20、作为一种可选的技术方案,所述seq2seq+attention网络模型构建方式如下:
21、定义网络的输入结构,输入大小为时间步与维度;
22、定义seq2seq+attention网络模型的编码层,seq2seq+attention的内部结构是rnn模型,选择lstm网络模型对数据进行编码,同时增加一个全连接层dense;
23、定义seq2seq+attention网络模型的解码层,先添加lstm网络模型的基本单元lstmcell,增加注意力机制;
24、定义输出层,输出层为全连接的dense层,输出为预定义的预测长度与大小;
25、作为一种可选的技术方案,所述seq2seq+attention网络模型输入结构中的维度包括:
26、土壤含水量数据、深部位移数据、裂缝位移数据、边坡位移周期波动数据四类数据,同时深部位移包括地下y1米、地下y2米、地下y3米三类数据,共计输入维度为6维,y为自然数。
27、一种电子设备,包括:一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述电子设备执行时,使得所述一个或多个处理执行权利要求1~8任一项所述的方法。
28、一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至8任意一项所述的方法。
29、本申请的有益效果包括:
30、提出了一种边坡位移时序预测方法,在训练预测模型前需要收集长时期的土壤含水量、深部位移、裂缝位移、边坡位移数据。先对所有数据进行预处理,将处理完后的边坡位移数据手动分解为整体趋势数据与周期波动数据,将整体趋势数据输入至gru网络模型进行预测,将土壤含水量、深部位移、裂缝位移及周期波动数据输入seq2seq+attent ion网络模型进行预测,两种网络的预测结果合并为最终的实际预测值;该方法弥补了单模型在位移预测上的局限性,手动分解数据的方法保证了能够在真实场景中使用,同时使用多传感器数据作为边坡位移的预测特征量,根据分解出的数据特征使用gru网络模型和seq2seq+attent ion网络模型进行深度学习分析,本方法不仅提高了预测的精度,同时也增强了模型对复杂数据的处理能力,能够更好地适应各种地质条件和环境变化,为边坡灾害预警提供更好的帮助。
31、本申请的其他有益效果或优势将在具体实施方式中结合具体结构进行详细描述。
本文档来自技高网...【技术保护点】
1.一种边坡位移时序预测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的预测方法,其特征在于,所述数据预处理依次包括去噪处理、时间间隔等距离采样处理和平滑处理。
3.如权利要求2所述的预测方法,其特征在于,所述时间间隔等距离采样处理的具体过程如下:
4.如权利要求1所述的预测方法,其特征在于,所述将原始数据中的边坡位移数据分解为整体趋势数据和周期波动数据具体过程包括:
5.如权利要求1所述的预测方法,其特征在于,所述GRU网络模型构建方式如下:
6.如权利要求5所述的预测方法,其特征在于,所述述GRU网络模型输入结构中的维度包括边坡位移整体趋势数据,共计输入维度为1维。
7.如权利要求1所述的预测方法,其特征在于,所述Seq2Seq+Attention网络模型构建方式如下:
8.如权利要求7所述的预测方法,其特征在于,所述Seq2Seq+Attention网络模型输入结构中的维度包括:
9.一种电子设备,其特征在于,包括:一个或多个处理器、存储器以及一个或多个计算机程序,其中所
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至8任意一项所述的方法。
...【技术特征摘要】
1.一种边坡位移时序预测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的预测方法,其特征在于,所述数据预处理依次包括去噪处理、时间间隔等距离采样处理和平滑处理。
3.如权利要求2所述的预测方法,其特征在于,所述时间间隔等距离采样处理的具体过程如下:
4.如权利要求1所述的预测方法,其特征在于,所述将原始数据中的边坡位移数据分解为整体趋势数据和周期波动数据具体过程包括:
5.如权利要求1所述的预测方法,其特征在于,所述gru网络模型构建方式如下:
6.如权利要求5所述的预测方法,其特征在于,所述述gru网络模型输入结构中的维度包括边坡位移整体趋势数据,共计输入维度为1维。
【专利技术属性】
技术研发人员:张楠,吴国庆,尹晨沣,
申请(专利权)人:车路通科技成都有限公司,
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。