CN109146144A - 基于改进贝叶斯网络的滑坡灾害预测方法 - Google Patents
基于改进贝叶斯网络的滑坡灾害预测方法 Download PDFInfo
- Publication number
- CN109146144A CN109146144A CN201810836499.8A CN201810836499A CN109146144A CN 109146144 A CN109146144 A CN 109146144A CN 201810836499 A CN201810836499 A CN 201810836499A CN 109146144 A CN109146144 A CN 109146144A
- Authority
- CN
- China
- Prior art keywords
- landslide
- grade
- disaster
- occurrence
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 25
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 206010035148 Plague Diseases 0.000 abstract 1
- 241000607479 Yersinia pestis Species 0.000 abstract 1
- 239000000284 extract Substances 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013277 forecasting method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开的基于改进贝叶斯网络的滑坡灾害预测方法,首先建立滑坡体监测预警系统,获取初始滑坡灾害影响因子数据,经标准化处理后运用PCA算法提取并筛选出主要影响因子;将筛选出的主要影响因子样本数据按比例分为训练样本集与测试样本集,并划分出滑坡发生等级;然后构建基于改进贝叶斯的滑坡预测模型,通过加权处理计算出引入特征量后的滑坡发生概率,并添加闭环学习过程,完成滑坡灾害预测;本发明公开的方法通过筛选滑坡灾害主要影响因子,在基于改进贝叶斯模型中对特征量加权处理并添加闭环学习环节输出滑坡发生概率,增加容错率,提升预报精度。
Description
技术领域
本发明属于地质灾害预报方法技术领域,涉及一种基于改进贝叶斯网络的滑坡灾害预测方法。
背景技术
滑坡是一种重要的地质灾害类型,对地区交通运输、电站、厂矿、城乡建设等造成很大程度的影响,并且严重威胁着人民的生命和财产安全。滑坡的发生受多重因素的影响,如何通过滑坡的影响因素来提前预测其发生的可能性成为人们所关注的焦点。
针对滑坡灾害发生频率高、影响范围广等特点,近年来国内学者基于不同方法对其进行预测预报,但仍然存在一定的局限性。如神经网络模型,具有良好的自学习和容错能力,但易于陷入局部最优且收敛速度较慢;模糊综合评价模型,能对蕴藏信息呈现模糊性的资料作出比较切合实际的量化评价,但计算过程复杂且对指标权重矢量的确定主观性较强;SVM支持向量机模型,具有较好的“鲁棒性”,但对大规模训练样本难以实施;传统贝叶斯判别模型,具有稳定的分类效率、能够处理多分类任务,是处理不确定问题的有效工具,但在判断较为复杂的样本时容易出现误判。而改进的贝叶斯算法,通过引入加权处理与闭环学习系统,可对特征量进行权重排序,并能够修正错误信息,达到提升容错率的效果。
鉴于此,本发明提出一种基于改进贝叶斯网络(Improved Bayes net,IBN)的滑坡灾害预测方法,首先运用主成分分析法(principal components analysis,PCA)对滑坡特征的样本进行处理并筛选主要灾害影响因子,将主要灾害影响因子按比例构成训练样本集和测试样本集并划分滑坡发生等级,然后基于改进贝叶斯的预测模型中,建立预测评估体系,并计算出引入加权后的特征量存在滑坡发生概率,添加闭环学习过程,完成滑坡灾害预测。
发明内容
本发明目的是提供一种基于改进贝叶斯网络的滑坡灾害预测方法,解决现有灾害预测中所采用的算法容错率低,精确度不高的问题。
本发明所采用的技术方案是,基于改进贝叶斯网络的滑坡灾害预测方法,具体的操作步骤如下:
步骤1.建立滑坡体监测预警系统,获取初始滑坡灾害影响因子数据,经标准化处理后运用主成分分析法提取并筛选出主要影响因子;
步骤2.将筛选出的主要影响因子样本数据按比例分为训练样本集与测试样本集,并划分出滑坡灾害发生等级;
步骤3.将步骤2得到的滑坡灾害发生等级构建基于改进贝叶斯网络的滑坡预测模型,通过加权处理计算出引入特征量后的滑坡发生概率,并添加闭环学习过程,完成滑坡灾害预测。
本发明的其他特点还在于,
步骤1中的滑坡体监测预报系统包括现场预警终端和若干个无线智能传感器模块,现场预警终端与PC端控制中心信号连接,现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯;现场预警终端包括主控芯片STM32,主控芯片STM32分别连接人机友好界面、USB接口、储存模块、GPRS模块和Zigbee模块;无线智能传感器模块包括主控芯片MSP430,主控芯片MSP430分别连接有4-20mA模块、RS232模块、RS485模块、Zigbee无线通讯模块。
步骤1中经标准化处理后运用主成分分析法提取并筛选出主要影响因子过程如下:
步骤1.1将数据标准化处理,如公式1所示,
式中,X为经标准化的滑坡灾害发生影响因子数据,XOriginal为原始数据,Xmin,Xmax分别为原始数据最小值和最大值;
步骤1.2主成分分析法提取并筛选主要灾害影响因子的过程如下:
设X是滑坡影响因子数据经标准化后含M个变量、N个样本的数据集,第k个主成分向量如公式2所示:
Pk=(p1k,p2k,…pMk)T (2)
其中,k=1,2,…,N;Pk为第k个主成分向量;在第k个主成分情况下,每个数据分别表示为P1K,P2K…PMk;
X在主成分向量矩阵P的投影为样本的主成分矩阵T=XP,主成分的矩阵元素如公式3所示:
其中,j=(1,2,…,N),Tj为主成分矩阵元素,Pk为主成分向量,X为经标准化的数据集。
主成分矩阵相互正交如公式4所示:
Tj ΤTj=(XPk)ΤXPk=Pk ΤXΤXPk=Pk ΤDPk=Λ (4)
式中,Tj为主成分矩阵,Tj T主成分矩阵的转置,X为经标准化的数据集,D为协方差矩阵,Λ为对角矩阵;
根据μj贡献率选取主要成分Tj,如公式5所示:
其中,j为主元成分个数,μj为累计方差贡献率,λj为第j个特征值,为总特征值;
在公式5中取累计方差贡献率μj≥85%作为主要滑坡灾害影响因子数据,运用Python所具有的矩阵计算功能优势实现对滑坡灾害诱发数据的主成分分析,经过主成分变换,得到主要影响因子的矩阵特征值与特征向量,忽略无关且错误的信息。
步骤2的具体过程如下:
步骤2.1令步骤1筛选出的主要灾害影响因子特征量分别为:X1=降雨量,X2=土壤含水率,X3=裂缝位移量,X4=滑坡坡向,X5=坡型,X6=岩性;
步骤2.2选取滑坡影响因子共K个样本,按7:3的比例分为训练样本和测试样本;
步骤2.3将滑坡可能发生概率等级分为五个等级,分别为1,2,3,4,5个等级。
步骤3的具体过程如下:
步骤3.1构建基于改进贝叶斯的滑坡预测模型,首先引入相关特征量:
令X=(X1,X2…,XK)为某滑坡发生概率等级所对应影响因子所对应的属性的特征向量,X1,X2,…XL为特征分量;令M={Mi|i=1,2,3,4,5}为已知滑坡发生概率等级;根据筛选出的主要灾害影响因子,构建预测指标体系;
步骤3.2针对样本集中Mi类滑坡发生等级及其对应特征,计算Mi类滑坡发生等级次数及相应灾害因子Xj出现次数,同时计算非Mi类滑坡发生等级次数及相应灾害因子Xj出现次数;
根据贝叶斯概率公式,如公式6所示:
其中,P(Mi/X)为在Mi滑坡发生等级时,该等级的特征向量为X的概率;P(Mi)为先验概率,即,Mi滑坡等级的发生概率;P(X)为某滑坡发生等级的特征向量等于X发生的概率;
公式6中P(X)为:
其中,K为样本总数,K(M)为第M类等级的样本数;
同时,公式6中P(X/Mi)为:
其中,在特征分量相互独立的条件下,P(Xj/Mi)为滑坡灾害发生等级为Mi的特征分量Xj出现的概率;Xj为X的第j个特征分量值;
由于滑坡灾害影响要素是互为关联的,因此将分量之间增加权重,并按照每个成灾因子的所占比重进行排序;
对公式8进行加权处理,改进后的贝叶斯算法为:
其中,为加权之后,滑坡发生等级为Mi的特征分量Xj出现的概率;
步骤3.3计算灾害因子在不同滑坡灾害发生等级下的后验概率:
当滑坡灾害等级为Mi时,先验概率G(Mi)为:
最大似然比表示为:
滑坡等级为Mi时的后验概率由公式10和公式11得到:
G(Mi|Xj)=L(Xj|Mi)·G(Mi) (12)
选取G(Mi|Xj)中最大的Mn作为目前最可能出现的滑坡等级类别,则表示为:
将步骤2中得到的训练样本代入滑坡灾害模型中进行运算,最终由公式13中计算出的滑坡等级类别,与专家知识和存储在地区历史数据库中的知识进行对比,若一致或相差较小,则完成滑坡预测;否则进入闭环学习阶段,将错误结果进行修正后再返回滑坡模型中并重新计算滑坡可能发生概率。
本发明的有益效果是,基于改进贝叶斯网络的滑坡灾害预测方法,解决了现有灾害预测中所采用的算法容错率低,预测精确度不高的问题;本发明的方法具有以下的有益效果:
(1)建立滑坡监测预警系统,通过智能传感器采集到大量灾害影响因子,并通过PCA算法筛选出主要灾害影响因子,减少指标选择工作量;
(2)通过IBN对灾害影响因子样本数据进行特征学习,通过特征量加权处理改进独立性假设,解决影响因子之间互为关联问题,进一步提升预报精确度;
(3)添加闭环学习环节,对错误数据纠错,提升网络容错率。
附图说明
图1是本发明的基于改进贝叶斯网络的滑坡灾害预测方法的流程图;
图2是本发明的基于改进贝叶斯网络的滑坡灾害预测方法所使用的滑坡体监测预警系统结构示意图;
图3是改进贝叶斯网络与预测评估关系图;
图4是闭环学习环节图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的基于改进贝叶斯网络的滑坡灾害预测方法,如图1所示,具体的操作步骤如下:
步骤1.建立滑坡体监测预警系统,获取初始滑坡灾害影响因子数据,经标准化处理后运用主成分分析法(PCA)提取并筛选出主要影响因子;
步骤2.将筛选出的主要影响因子样本数据按比例分为训练样本集与测试样本集,并划分出滑坡灾害发生等级;
步骤3.将步骤2得到的滑坡灾害发生等级,建立基于改进贝叶斯的滑坡预测模型,通过加权处理计算出引入特征量后的滑坡发生概率,并添加闭环学习过程,完成滑坡灾害预测;
步骤1中的滑坡体监测预报系统,如图2所示,包括现场预警终端和若干个无线智能传感器模块,现场预警终端与PC端控制中心信号连接,现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯;现场预警终端包括主控芯片STM32,主控芯片STM32分别连接人机友好界面、USB接口、储存模块、GPRS模块和Zigbee模块;无线智能传感器模块包括主控芯片MSP430,主控芯片MSP430分别连接有4-20mA模块、RS232模块、RS485模块、Zigbee无线通讯模块。
步骤1中具体过程如下:
步骤1.1建立滑坡体监测预警系统,获取初始滑坡灾害影响因子数据;
步骤1.2将数据标准化处理,如公式1所示,
式中,X为经标准化的滑坡灾害发生影响因子数据,XOriginal为原始数据,Xmin,Xmax分别为原始数据最小值和最大值;
步骤1.3PCA算法提取并筛选主要灾害影响因子的过程如下,
设X是滑坡影响因子数据经标准化后含M个变量、N个样本的数据集,第k个主成分向量如公式2所示:
Pk=(p1k,p2k,…pMk)T (2)
其中,k=1,2,…,N;Pk为第k个主成分向量;在第k个主成分情况下,每个数据分别表示为P1K,P2K…PMk;
X在主成分向量矩阵P的投影为样本的主成分矩阵T=XP,本文主成分的矩阵元素如公式3所示:
其中,j=(1,2,…,N),Tj为主成分矩阵元素,Pk为主成分向量,X为经标准化的数据集;
主成分矩阵相互正交如公式4所示:
Tj ΤTj=(XPk)ΤXPk=Pk ΤXΤXPk=Pk ΤDPk=Λ (4)
式中,Tj为主成分矩阵,Tj T主成分矩阵的转置,X为经标准化的数据集,D为协方差矩阵,Λ为对角矩阵;
根据μj贡献率选取主要成分Tj,如公式5所示:
其中,j为主元成分个数,μj为累计方差贡献率,λj为第j个特征值,为总特征值;
在公式5中取累计方差贡献率μj≥85%作为主要滑坡灾害影响因子数据,运用Python所具有的矩阵计算功能优势实现对滑坡灾害诱发数据的主成分分析,经过主成分变换,得到主要影响因子的矩阵特征值与特征向量,忽略掉无关且错误的信息。
步骤2中具体过程如下:
步骤2.1令步骤1筛选出的主要灾害影响因子特征量分别为:X1=降雨量,X2=土壤含水率,X3=裂缝位移量,X4=滑坡坡向,X5=坡型,X6=岩性;
步骤2.2选取滑坡影响因子共K个样本,按7:3的比例分为训练样本和测试样本;
步骤2.3将滑坡可能发生概率等级分为五个等级,分别为1,2,3,4,5个等级,分别对应为发生可能性很小,发生可能性小,发生可能性中度,发生可能性大,发生可能性很大,具体如表1所示,
表1
步骤3的具体过程如下,
步骤3.1构建基于改进贝叶斯的滑坡预测模型,首先引入相关特征量;
令X=(X1,X2…,XK)为某滑坡发生概率等级所对应影响因子所对应的属性的特征向量,X1,X2,…XL为特征分量;令M={Mi|i=1,2,3,4,5}为已知滑坡发生概率等级;根据筛选出的主要灾害影响因子,构建预测评估指标体系,如表2所示;且改进贝叶斯网络与预测评估关系图如图3所示,从两者的实现流程可以看出,改进贝叶斯网络建模与滑坡预测流程是环环对应的。由开始的构建预测指标体系对应IBN结构学习;再到计算指标权重对应IBN参数学习;然后建立指标融合的模型对应IBN推理计算;最后预测评估结果对应滑坡发生的概率值。
表2
步骤3.2针对样本集中Mi类滑坡发生等级及其对应特征,计算Mi类滑坡发生等级次数及相应灾害因子Xj出现次数,同时计算非Mi类滑坡发生等级次数及相应灾害因子Xj出现次数;
根据贝叶斯概率公式,如公式6所示:
其中,P(Mi/X)为在Mi滑坡发生等级时,该等级的特征向量为X的概率;P(Mi)为先验概率,即,Mi滑坡等级的发生概率;P(X)为某滑坡发生等级的特征向量等于X发生的概率;
公式6中P(X)为:
其中,K为样本总数,K(M)为第M类等级的样本数;
同时,公式6中P(X/Mi)为:
其中,在特征分量相互独立的条件下,P(Xj/Mi)为滑坡灾害发生等级为Mi的特征分量Xj出现的概率;Xj为X的第j个特征分量值;
当在某一滑坡发生等级中,主要灾害影响因子可能呈现出不同的现象,不同滑坡发生等级其特征向量也不完全相同,因此向量的特征分量也要最大程度地反映该滑坡发生可能性的特征。
但传统贝叶斯算法运算时的特征分量是相互独立的,由于滑坡灾害影响要素是互为关联的,因此将分量之间增加权重,并按照每个成灾因子的所占比重进行排序。
对公式8进行加权处理,改进后的贝叶斯算法为:
其中,为加权之后,滑坡发生等级为Mi,特征分量Xj出现的概率;
步骤3.3计算灾害因子在不同滑坡发生等级下的后验概率;
当滑坡等级为Mi时,先验概率G(Mi)可以表示为:
最大似然比可以表示为:
滑坡等级为Mi时的后验概率可由公式10和公式11得到:
G(Mi|Xj)=L(Xj|Mi)·G(Mi) (12)
选取G(Mi|Xj)中最大的Mn作为目前最可能出现的滑坡等级类别,如公式13所示:
将步骤2得到的训练样本代入滑坡灾害模型中进行运算,最终由公式13中计算出的滑坡等级类别,与专家知识和存储在地区历史数据库中的知识进行对比,若一致或相差较小,则完成滑坡预测;否则进入闭环学习阶段,其闭环学习系统图如图4所示,将待分类的数据输入到分类系统中,得到分类结果,然后再次将分类结果经过学习后输入到分类系统,即就是其将错误结果进行修正后再返回滑坡模型中并重新计算滑坡可能发生概率。
传统贝叶斯网络经过一次学习分类后将不再从实际训练过程中获取新的信息,缺乏实时学习能力。然而,本发明改进后的贝叶斯网络将对传统贝叶斯模型进行修正,使用了闭环学习系统,使其性能更为优化。
Claims (5)
1.基于改进贝叶斯网络的滑坡灾害预测方法,其特征在于,具体的操作步骤如下:
步骤1.建立滑坡体监测预警系统,获取初始滑坡灾害影响因子数据,经标准化处理后运用主成分分析法提取并筛选出主要影响因子;
步骤2.将筛选出的主要影响因子样本数据按比例分为训练样本集与测试样本集,并划分出滑坡灾害发生等级;
步骤3.将步骤2得到的滑坡灾害发生等级构建基于改进贝叶斯网络的滑坡预测模型,通过加权处理计算出引入特征量后的滑坡发生概率,并添加闭环学习过程,完成滑坡灾害预测。
2.如权利要求1所述的基于改进贝叶斯网络的滑坡灾害预测方法,其特征在于,所述步骤1中的滑坡体监测预报系统包括现场预警终端和若干个无线智能传感器模块,所述现场预警终端与PC端控制中心信号连接,所述现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯;所述现场预警终端包括主控芯片STM32,所述主控芯片STM32分别连接人机友好界面、USB接口、储存模块、GPRS模块和Zigbee模块;所述无线智能传感器模块包括主控芯片MSP430,所述主控芯片MSP430分别连接有4-20mA模块、RS232模块、RS485模块、Zigbee无线通讯模块。
3.如权利要求1所述的基于改进贝叶斯网络的滑坡灾害预测方法,其特征在于,所述步骤1中经标准化处理后运用主成分分析法提取并筛选出主要影响因子过程如下:
步骤1.1将数据标准化处理,如公式1所示,
式中,X为经标准化的滑坡灾害发生影响因子数据,XOriginal为原始数据,Xmin,Xmax分别为原始数据最小值和最大值;
步骤1.2主成分分析法提取并筛选主要灾害影响因子的过程如下:
设X是滑坡影响因子数据经标准化后含M个变量、N个样本的数据集,第k个主成分向量如公式2所示:
Pk=(p1k,p2k,…pMk)T (2)
其中,k=1,2,…,N;Pk为第k个主成分向量;在第k个主成分情况下,每个数据分别表示为P1K,P2K…PMk;
X在主成分向量矩阵P的投影为样本的主成分矩阵T=XP,主成分的矩阵元素如公式3所示:
其中,j=(1,2,…,N),Tj为主成分矩阵元素,Pk为主成分向量,X为经标准化的数据集。
主成分矩阵相互正交如公式4所示:
Tj ΤTj=(XPk)ΤXPk=Pk ΤXΤXPk=Pk ΤDPk=Λ (4)
式中,Tj为主成分矩阵,Tj T主成分矩阵的转置,X为经标准化的数据集,D为协方差矩阵,Λ为对角矩阵;
根据μj贡献率选取主要成分Tj,如公式5所示:
其中,j为主元成分个数,μj为累计方差贡献率,λj为第j个特征值,为总特征值;
在公式5中取累计方差贡献率μj≥85%作为主要滑坡灾害影响因子数据,运用Python所具有的矩阵计算功能优势实现对滑坡灾害诱发数据的主成分分析,经过主成分变换,得到主要影响因子的矩阵特征值与特征向量,忽略无关且错误的信息。
4.如权利要求1所述的基于改进贝叶斯网络的滑坡灾害预测方法,其特征在于,所述步骤2的具体过程如下:
步骤2.1令步骤1筛选出的主要灾害影响因子特征量分别为:X1=降雨量,X2=土壤含水率,X3=裂缝位移量,X4=滑坡坡向,X5=坡型,X6=岩性;
步骤2.2选取滑坡影响因子共K个样本,按7:3的比例分为训练样本和测试样本;
步骤2.3将滑坡可能发生概率等级分为五个等级,分别为1,2,3,4,5个等级。
5.如权利要求4所述的基于改进贝叶斯网络的滑坡灾害预测方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1构建基于改进贝叶斯的滑坡预测模型,首先引入相关特征量:
令X=(X1,X2…,XK)为某滑坡发生概率等级所对应影响因子所对应的属性的特征向量,X1,X2,…XL为特征分量;令M={Mi|i=1,2,3,4,5}为已知滑坡发生概率等级;根据筛选出的主要灾害影响因子,构建预测指标体系;
步骤3.2针对样本集中Mi类滑坡发生等级及其对应特征,计算Mi类滑坡发生等级次数及相应灾害因子Xj出现次数,同时计算非Mi类滑坡发生等级次数及相应灾害因子Xj出现次数;
根据贝叶斯概率公式,如公式6所示:
其中,P(Mi/X)为在Mi滑坡发生等级时,该等级的特征向量为X的概率;P(Mi)为先验概率,即,Mi滑坡等级的发生概率;P(X)为某滑坡发生等级的特征向量等于X发生的概率;
公式6中P(X)为:
其中,K为样本总数,K(M)为第M类等级的样本数;
同时,公式6中P(X/Mi)为:
其中,在特征分量相互独立的条件下,P(Xj/Mi)为滑坡灾害发生等级为Mi的特征分量Xj出现的概率;Xj为X的第j个特征分量值;
由于滑坡灾害影响要素是互为关联的,因此将分量之间增加权重,并按照每个成灾因子的所占比重进行排序;
对公式8进行加权处理,改进后的贝叶斯算法为:
其中,为加权之后,滑坡发生等级为Mi的特征分量Xj出现的概率;
步骤3.3计算灾害因子在不同滑坡灾害发生等级下的后验概率:
当滑坡灾害等级为Mi时,先验概率G(Mi)为:
最大似然比表示为:
滑坡等级为Mi时的后验概率由公式10和公式11得到:
G(Mi|Xj)=L(Xj|Mi)·G(Mi) (12)
选取G(Mi|Xj)中最大的Mn作为目前最可能出现的滑坡等级类别,则表示为:
将训练样本代入滑坡灾害模型中进行运算,最终由公式13中计算出的滑坡等级类别,与专家知识和存储在地区历史数据库中的知识进行对比,若一致或相差较小,则完成滑坡预测;否则进入闭环学习阶段,将错误结果进行修正后再返回滑坡模型中并重新计算滑坡可能发生概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836499.8A CN109146144B (zh) | 2018-07-26 | 2018-07-26 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836499.8A CN109146144B (zh) | 2018-07-26 | 2018-07-26 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146144A true CN109146144A (zh) | 2019-01-04 |
CN109146144B CN109146144B (zh) | 2021-11-19 |
Family
ID=64797991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810836499.8A Active CN109146144B (zh) | 2018-07-26 | 2018-07-26 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146144B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109855645A (zh) * | 2019-03-27 | 2019-06-07 | 小驴机器人(武汉)有限公司 | 一种agv小车混合视觉导航方法 |
CN109887240A (zh) * | 2019-03-22 | 2019-06-14 | 福州大学 | 一种基于人工智能的滑坡灾害安全监测与预警方法 |
CN110059966A (zh) * | 2019-04-23 | 2019-07-26 | 成都四方伟业软件股份有限公司 | 影响因素的贡献力分析方法和装置 |
CN110264671A (zh) * | 2019-05-18 | 2019-09-20 | 西南交通大学 | 一种基于多传感器信息融合在山体滑坡中的预测方法 |
CN110807561A (zh) * | 2019-11-13 | 2020-02-18 | 吉林农业大学 | 基于贝叶斯网络的玉米病虫害预警分析方法 |
CN111639813A (zh) * | 2020-06-01 | 2020-09-08 | 福州大学 | 基于深度学习的弃渣场危险性预警方法及系统 |
CN112365078A (zh) * | 2020-11-23 | 2021-02-12 | 南京莱斯信息技术股份有限公司 | 一种基于灾害链的多灾种耦合与次生衍生演化预测系统 |
CN112381115A (zh) * | 2020-10-21 | 2021-02-19 | 西安工程大学 | 一种Bagging滑坡预报方法 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN112735094A (zh) * | 2020-12-17 | 2021-04-30 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
CN112767656A (zh) * | 2021-01-05 | 2021-05-07 | 中铁十九局集团矿业投资有限公司 | 一种露天矿山滑坡灾害预警方法及系统 |
CN113657599A (zh) * | 2021-08-20 | 2021-11-16 | 北京航空航天大学 | 事故因果推理方法、装置、电子设备及可读存储介质 |
CN117172368A (zh) * | 2023-09-04 | 2023-12-05 | 中国地质大学(武汉) | 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354757A (zh) * | 2008-09-08 | 2009-01-28 | 中国科学院地理科学与资源研究所 | 一种精细尺度下的动态风险及易损性预测方法 |
CN107092653A (zh) * | 2017-03-15 | 2017-08-25 | 西安工程大学 | 一种基于模糊聚类分析法的滑坡临界雨量阈值确定方法 |
US20180101765A1 (en) * | 2016-10-07 | 2018-04-12 | Global Optimal Technology, Inc. | System and method for hierarchically building predictive analytic models on a dataset |
-
2018
- 2018-07-26 CN CN201810836499.8A patent/CN109146144B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354757A (zh) * | 2008-09-08 | 2009-01-28 | 中国科学院地理科学与资源研究所 | 一种精细尺度下的动态风险及易损性预测方法 |
US20180101765A1 (en) * | 2016-10-07 | 2018-04-12 | Global Optimal Technology, Inc. | System and method for hierarchically building predictive analytic models on a dataset |
CN107092653A (zh) * | 2017-03-15 | 2017-08-25 | 西安工程大学 | 一种基于模糊聚类分析法的滑坡临界雨量阈值确定方法 |
Non-Patent Citations (1)
Title |
---|
彭令等: "基于核主成分分析和粒子群优化支持向量机的滑坡位移预测", 《武汉大学学报•科学信息版》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887240A (zh) * | 2019-03-22 | 2019-06-14 | 福州大学 | 一种基于人工智能的滑坡灾害安全监测与预警方法 |
CN109855645A (zh) * | 2019-03-27 | 2019-06-07 | 小驴机器人(武汉)有限公司 | 一种agv小车混合视觉导航方法 |
CN110059966A (zh) * | 2019-04-23 | 2019-07-26 | 成都四方伟业软件股份有限公司 | 影响因素的贡献力分析方法和装置 |
CN110264671B (zh) * | 2019-05-18 | 2021-03-30 | 西南交通大学 | 一种基于多传感器信息融合在山体滑坡中的预测方法 |
CN110264671A (zh) * | 2019-05-18 | 2019-09-20 | 西南交通大学 | 一种基于多传感器信息融合在山体滑坡中的预测方法 |
CN110807561A (zh) * | 2019-11-13 | 2020-02-18 | 吉林农业大学 | 基于贝叶斯网络的玉米病虫害预警分析方法 |
CN111639813A (zh) * | 2020-06-01 | 2020-09-08 | 福州大学 | 基于深度学习的弃渣场危险性预警方法及系统 |
CN112381115A (zh) * | 2020-10-21 | 2021-02-19 | 西安工程大学 | 一种Bagging滑坡预报方法 |
CN112365078A (zh) * | 2020-11-23 | 2021-02-12 | 南京莱斯信息技术股份有限公司 | 一种基于灾害链的多灾种耦合与次生衍生演化预测系统 |
CN112735094A (zh) * | 2020-12-17 | 2021-04-30 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN112767656A (zh) * | 2021-01-05 | 2021-05-07 | 中铁十九局集团矿业投资有限公司 | 一种露天矿山滑坡灾害预警方法及系统 |
CN112767656B (zh) * | 2021-01-05 | 2021-11-23 | 中铁十九局集团矿业投资有限公司 | 一种露天矿山滑坡灾害预警方法及系统 |
CN113657599A (zh) * | 2021-08-20 | 2021-11-16 | 北京航空航天大学 | 事故因果推理方法、装置、电子设备及可读存储介质 |
CN113657599B (zh) * | 2021-08-20 | 2024-05-28 | 北京航空航天大学 | 事故因果推理方法、装置、电子设备及可读存储介质 |
CN117172368A (zh) * | 2023-09-04 | 2023-12-05 | 中国地质大学(武汉) | 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备 |
CN117172368B (zh) * | 2023-09-04 | 2024-02-27 | 中国地质大学(武汉) | 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109146144B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146144B (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN109636026A (zh) | 一种基于深度学习模型的晶圆良率预测方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN106067094A (zh) | 一种动态评估方法及系统 | |
CN114781538B (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
CN111126658A (zh) | 一种基于深度学习的煤矿瓦斯预测方法 | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN112884089A (zh) | 一种基于数据挖掘的电力变压器故障预警系统 | |
CN105426441B (zh) | 一种时间序列自动预处理方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN106127242A (zh) | 基于集成学习的年极端降水预测系统及其预测方法 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN105260805A (zh) | 一种基于异构分类器选择性融合的锑矿品位软测量方法 | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
Zhang | Decision Trees for Objective House Price Prediction | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |