CN109783967B - 基于随机森林模型的滑坡预测方法、装置及存储介质 - Google Patents
基于随机森林模型的滑坡预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109783967B CN109783967B CN201910073688.9A CN201910073688A CN109783967B CN 109783967 B CN109783967 B CN 109783967B CN 201910073688 A CN201910073688 A CN 201910073688A CN 109783967 B CN109783967 B CN 109783967B
- Authority
- CN
- China
- Prior art keywords
- landslide
- random forest
- view
- model
- early warning
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于随机森林模型的滑坡预测方法及装置,该方法包括采集多类滑坡训练数据,并分别构建针对每类滑坡训练数据的滑坡预警分类视角;使用随机森林模型构建针对所有滑坡预警分类视角的多视角权重随机森林模型;采集多类滑坡测试数据,并分别构建针对每类滑坡测试数据的滑坡观测视角;使用该多视角权重随机森林模型分别对每个滑坡观测视角进行模型评估,得到模型评估结果,并融合该模型评估结果,得到滑坡预警分类结果。可见,实施本发明能够通过多视角权重随机森林模型分析滑坡变动情况,不仅能够提高滑坡运动状态的预测效率和预测精准度,还能够为后期进行滑坡稳定性分析与评价,预测预警滑坡及后期防治工作提供定量化的评价依据。
Description
技术领域
本发明涉及滑坡预测技术领域,尤其涉及一种基于随机森林模型的滑坡预测方法、装置及存储介质。
背景技术
滑坡是发生在自然界中的一种常见的地质灾害,其危害巨大,经常对人们的生命和财产造成重大的损失。众所周知,对滑坡的预测预报并不是主观臆断的猜测结果,需建立在滑坡实时变形监测的基础上,同时必须按照系统工程的原理和方法,借助计算机系统来进行精确分析和准确判断,最终得出合理的预测结果。目前滑坡预测的方法主要包括工程条件分析、地址条件分析、岩土体力学实验、力学模型。然而,实践发现,目前的滑坡预测方法通常先进行详细的现成工程地质调查,建立地质模型,然后取样在实验室或现场进行力学试验,进一步建立力学模型,再进行力学分析,最后得到滑坡运动状态数据。可见,目前的滑坡预测方法不仅自动化程度低,效率低,而且还可能由于主观因素导致预测精度低。因此,如何提高滑坡运动状态的预测效率和预测精准度是当下急需解决的问题。
发明内容
本发明所要解决的技术问题在于,提供一种基于随机森林模型的滑坡预测方法及系统,能够通过多视角权重随机森林模型分析滑坡变动情况,不仅能够提高滑坡运动状态的预测效率和预测精准度,还能够为后期进行滑坡稳定性分析与评价,预测预警滑坡及后期防治工作提供定量化的评价依据。
为了解决上述技术问题,本发明实施例第一方面公开了一种基于随机森林模型的滑坡预测方法,所述方法包括:
采集多类滑坡训练数据,并分别构建所述多类滑坡训练数据的滑坡预警分类视角,所述滑坡训练数据包括传感器位移训练数据、标志物运动轨迹训练数据、裂缝尺寸训练数据中的至少一种;
使用随机森林模型构建与所有所述滑坡预警分类视角相对应的多视角权重随机森林模型;
采集多类滑坡测试数据,并分别构建所述多类滑坡测试数据的滑坡观测视角;
使用所述多视角权重随机森林模型分别对每个所述滑坡观测视角进行模型评估,得到模型评估结果,并融合所述模型评估结果,得到滑坡预警分类结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述使用随机森林模型构建与所有所述滑坡预警分类视角相对应的多视角权重随机森林模型,包括:
使用随机森林模型分别学习所有所述滑坡预警分类视角,得到所有视角随机森林模型以及与所述所有视角随机森林模型中的每个所述视角随机森林模型相对应的模型评分;
分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重;
基于所有所述滑坡预警视角权重和所有所述视角随机森林模型构建多视角权重随机森林模型。
作为一种可选的实施方式,在本发明实施例第一方面中,所述分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与每个所述滑坡训练数据相对应的滑坡预警视角权重,包括:
分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率在贝叶斯框架下构建与所述滑坡训练数据相对应的滑坡预警视角权重。
作为一种可选的实施方式,在本发明实施例第一方面中,其特征在于,所述滑坡视角权重的计算公式为:
式中:
θ(i)表示所述滑坡预警分类视角的视角索引,Wθ(i)表示所述滑坡预警视角权重,Pi表示所述视角权重先验概率,Pvi表示所述模型评分。在所述贝叶斯框架下,Pi×Pvi表示所述滑坡预警分类视角的准确度的后验概率。
本发明实施例第二方面公开了一种基于随机森林的滑坡预测装置,所述装置包括:
采集模块,用于采集多类滑坡训练数据,所述滑坡训练数据包括传感器位移训练数据、标志物运动轨迹训练数据、裂缝尺寸训练数据中的至少一种;
第一构建模块,用于分别构建所述多类滑坡训练数据的滑坡预警分类视角;
第二构建模块,用于使用随机森林模型构建与所有所述滑坡预警分类视角相对应的多视角权重随机森林模型;
所述采集模块,还用于采集多类滑坡测试数据;
所述第一构建模块,还用于分别构建所述多类滑坡测试数据的滑坡观测视角;
评估模块,用于使用所述多视角权重随机森林模型分别对每个所述滑坡观测视角进行模型评估,得到模型评估结果;
融合模块,用于融合所述模型评估结果,得到滑坡预警分类结果。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第二构建模块包括学习子模块以及构建子模块,其中:
所述学习子模块,用于使用随机森林模型分别学习所有所述滑坡预警分类视角,得到所有视角随机森林模型以及与所述所有视角随机森林模型中的每个所述视角随机森林模型相对应的模型评分;
所述构建子模块,用于分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重;
所述构建子模块,还用于基于所有所述滑坡预警视角权重和所有所述视角随机森林模型构建多视角权重随机森林模型。
作为一种可选的实施方式,在本发明实施例第二方面中,所述构建子模块分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重的方式具体为:
分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率在贝叶斯框架下构建与所述滑坡训练数据相对应的滑坡预警视角权重。
所述滑坡预警视角权重的计算公式为:
式中:
θ(i)表示所述滑坡预警分类视角的视角索引,Wθ(i)表示所述滑坡预警视角权重,Pi表示所述视角权重先验概率,Pvi表示所述模型评分。在所述贝叶斯框架下,Pi×Pvi表示所述滑坡预警分类视角的准确度的后验概率。
本发明实施例第三方面公开了另一种基于随机森林模型的滑坡预测装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的基于随机森林模型的滑坡预测方法。
本发明实施例第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的基于随机森林模型的滑坡预测方法。
本发明实施例第五方面公开了一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例第一方面公开的基于随机森林模型的滑坡预测方法。
与现有技术相比,本发明具有以下有益效果:
本发明中,采集多类滑坡训练数据,并分别构建针对每类滑坡训练数据的滑坡预警分类视角;使用随机森林模型构建针对所有滑坡预警分类视角的多视角权重随机森林模型;采集多类滑坡测试数据,并分别构建针对每类滑坡测试数据的滑坡观测视角;使用该多视角权重随机森林模型分别对每个滑坡观测视角进行模型评估,得到模型评估结果,并融合该模型评估结果,得到滑坡预警分类结果。可见,实施本发明能够通过多视角权重随机森林模型分析滑坡变动情况,不仅能够提高滑坡运动状态的预测效率和预测精准度,还能够为后期进行滑坡稳定性分析与评价,预测预警滑坡及后期防治工作提供定量化的评价依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于随机森林模型的滑坡预测方法的流程示意图;
图2是本发明实施例公开的一种基于随机森林模型的滑坡预测装置的结构示意图;
图3是本发明实施例公开的另一种基于随机森林模型的滑坡预测装置的结构示意图;
图4是本发明实施例公开的又一种基于随机森林模型的滑坡预测装置的结构示意图。
具体实施方式
为了更好地理解和实施,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。此外,本发明的说明书和权利要求书中的术语“第一”、“第二”等仅是用于区别不同对象,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例公开了一种基于随机森林模型的滑坡预测方法及装置,能够通过多视角权重随机森林模型分析滑坡变动情况,不仅能够提高滑坡运动状态的预测效率和预测精准度,还能够为后期进行滑坡稳定性分析与评价,预测预警滑坡及后期防治工作提供定量化的评价依据。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于随机森林模型的滑坡预测方法的流程示意图。其中,图1所描述的基于随机森林模型的滑坡预测方法可以应用在监测山体滑坡运动状态的终端设备中,本发明实施例不做限定。如图1所示,该基于随机森林模型的滑坡预测方法可以包括以下步骤:
101、采集多类滑坡训练数据,并分别构建该多类滑坡训练数据的滑坡预警分类视角。
本发明实施例中,上述滑坡训练数据包括传感器位移训练数据、标志物运动轨迹训练数据、裂缝尺寸训练数据,本发明实施例不做限定。
举例来说,当上述滑坡训练数据为传感器位移训练数据时,步骤101可以包括:
采集滑坡坡体不同部位的传感器监测信息,并形成滑坡坡体不同部位的传感监测时间序列。设空间位置si上的传感器在一系列时刻t1,t2,...,tn(t为时间自变量且t1<t2<...<tn)得到的传感序列集合Ai(t1),Ai(t2),...,Ai(tn),称为滑坡体传感器监测数据时间序列,并且该滑坡体传感器监测数据时间序列的计算公式为:
Asi(t)={Asi(tk),k=1,2,3,...,n}
其中,tk表示第k个时刻,n表示总共监测了n个时间单位。
各传感器在每个时刻输出的三维空间数据(x,y,z)构成传感器位移训练数据,再基于该传感器位移训练数据构建传感器位移滑坡预警分类视角。
这样通过检测滑坡体传感器位移的变化情况,不仅能够全方位地监测滑坡变形在空间上的分布特征,还能够从监测信息中分析和判定滑坡总体变形趋势和滑动方向。
举例来说,当该滑坡训练数据为标志物运动轨迹训练数据时,步骤101可以包括:
标志物的运动轨迹每时刻包含三个维度(x,y,z)的数据。设空间位置si上的标志物在一系列时刻t1,t2,...,tn(t为时间自变量且t1<t2<...<tn)得到的运动轨迹序列集合Bi(t1),Bi(t2),Bi(t3),...,Bi(tn),称为滑坡体标志物运动轨迹数据时间序列,表示为:
Bsi(t)={Bsi(tk),k=1,2,3,...,n}
其中,tk表示第k个时刻,n表示总共监测了n个时间单位。
各标志物在每个时刻输出的三维(x,y,z)运动轨迹数据构成标志物运动轨迹训练数据,再基于该标志物运动轨迹训练数据构建标志物运动轨迹滑坡预警分类视角。
这样通过监测滑坡体的标志物运动轨迹,能够识别滑坡运动趋势、发展状况。
举例来说,当该滑坡训练数据为裂缝尺寸训练数据时,步骤101可以包括:
设空间位置si上的裂缝在一系列时刻t1,t2,...,tn(t为时间自变量且t1<t2<...<tn)得到的尺寸大小序列集合Ci(t1),Ci(t2),Ci(t3),...,Ci(tn),称为滑坡体裂缝尺寸数据时间序列,该滑坡体裂缝尺寸训练数据时间序列的计算公式为:
Csi(t)={Csi(tk),k=1,2,3,...,n}
其中,tk表示第k个时刻,n表示总共监测了n个时间单位。
计算各个空间位置每时刻输出的裂缝大小数据构成裂缝尺寸训练数据,再基于该裂缝尺寸训练数据构建裂缝尺寸滑坡预警分类视角。
这样通过监测不同尺寸的滑坡裂缝,能够对滑坡的规模、形成机制进行分析,预测滑坡发展趋势,为后续滑坡治理提供指导依据。
102、使用随机森林模型构建与所有滑坡预警分类视角相对应的多视角权重随机森林模型。
本发明实施例中,作为一种可选的实施方式,使用随机森林模型构建针与所有滑坡预警分类视角相对应的多视角权重随机森林模型,可以包括:
使用随机森林模型分别学习所有滑坡预警分类视角,得到所有视角随机森林模型以及与所述所有视角随机森林模型中的每个视角随机森林模型相对应的模型评分;
分别基于上述模型评分、与上述滑坡预警分类视角相对应的视角权重先验概率构建与滑坡训练数据相对应的滑坡视角权重;
基于所有滑坡视角权重和所有视角随机森林模型构建多视角权重随机森林模型。
举例来说,在确定了每个视角随机森林分类模型之后,按照组合误差最小的准则,找出总误差最小的所有视角随机森林分类模型组合,以及将基于该误差最小的所有视角随机森林分类模型得到的多视角权重随机森林模型作为最优多视角权重随机森林模型,以及该最优随机森林分类模型和滑坡预警分类视角权重的计算公式分别为:
式中:N表示每个滑坡训练数据的训练样本个数,xij表示第i个视角第j个样本的特征,yj表示滑坡标记,θ(i)(i=1,2,3)表示滑坡预警分类视角的视角索引,Hθ(i)(i=1,2,3)表示视角随机森林模型,Wθ(i)表示滑坡预警分类视角权重,Pi(i=1,2,3)表示视角权重先验概率,Pvi(i=1,2,3)表示模型评分。在贝叶斯框架下,Pi×Pvi表示该滑坡预警分类视角的准确度的后验概率。
在该可选的实施方式中,进一步可选的,分别基于每个模型评分、与每个滑坡预警分类视角相对应的视角权重先验概率构建与每个滑坡训练数据相对应的滑坡视角权重,包括:
分别基于上述模型评分、与上述滑坡预警分类视角相对应的视角权重先验概率在贝叶斯框架下构建与上述滑坡训练数据相对应的滑坡视角权重。
103、采集多类滑坡测试数据,并分别构建该多类滑坡测试数据的滑坡观测视角。
本发明实施例中,上述滑坡测试数据包括传感器位移测试数据、标志物运动轨迹测试数据、裂缝尺寸测试数据,本发明实施例不做限定。
104、使用上述多视角权重随机森林模型分别对每个滑坡观测视角进行模型评估,得到模型评估结果,并融合该模型评估结果,得到滑坡预警分类结果。
本发明实施例中,上述滑坡预警分类结果的计算公式为:
式中xij表示第i个视角第j个样本的特征,Hθ(i)(i=1,2,3)表示视角随机森林模型,rij(i=1,2,3)表示视角随机森林模型在测试样本上权重系数,并且该权重系数由样本作用系数Iij和滑坡预警分类视角权重Wθ(i)决定,以及该样本作用系数Iij的计算公式为:
r1j=IijWθ1
r2j=IijWθ2
r3j=IijWθ3
由该公式可知,当视角随机森林模型Hθ(i)(xij)的值大于0时,测试样本的权重系数等于滑坡预警分类视角权重Wθ(i),当视角随机森林模型Hθ(i)(xij)的值等于0时,测试样本的权重系数也为0,即此时可能没有构建该视角随机森林模型(例如:没有构建裂缝尺寸的视角随机森林模型)或者构建该视角随机森林模型的值为0(例如:构建裂缝尺寸的视角随机森林模型的值为0),本发明实施例不做限定。
本发明实施例中,上述滑坡预警分类结果包括0级白色预警、一级蓝色预警、二级黄色预警、三级红色预警中的至少一种,本发明实施例不做限定,并且等级越高表示滑坡发生的概率就越大。
作为一个可选的实施例,执行完步骤104之后,该基于随机森林模型的滑坡预测方法还可以包括以下步骤:
制定与上述滑坡预警分类结果相对应应急方案。
举例来说,当上述滑坡预警分类结果为一级蓝色预警,应急方案为增加观测频次;当上述滑坡预警分类结果为二级黄色预警,应急方案为加强预测预报;当上述滑坡预警分类结果为三级红色预警,应急方案为向主管单位发送紧急通知,以使得该主管单位的工作人员发布及时组织有关人员撤离现场预警信息。
可见,该可选的实施例通过针对不同的滑坡预警分类结果制定不同的应急方案,能够及时在保障人们生命、财产安全。
可见,实施图1所描述的基于随机森林模型的滑坡预测方法能够通过多视角权重随机森林模型分析滑坡变动情况,不仅能够提高滑坡运动状态的预测效率和预测精准度,还能够为后期进行滑坡稳定性分析与评价,预测预警滑坡及后期防治工作提供定量化的评价依据。此外,还能够全方位地监测滑坡变形在空间上的分布特征,以及从监测信息中分析和判定滑坡总体变形趋势和滑动方向;还能够通过针对不同的滑坡预警分类结果制定不同的应急方案,及时在保障人们生命、财产安全;还能够识别滑坡运动趋势、发展状况;还能够对滑坡的规模、形成机制进行分析,预测滑坡发展趋势,为后续滑坡治理提供指导依据。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于随机森林模型的滑坡预测装置的结构示意图。其中,图2所描述的基于随机森林模型的滑坡预测装置为监测山体滑坡运动状态的终端设备,本发明实施例不做限定。如图2所示,该基于随机森林模型的滑坡预测装置包括采集模块401、第一构建模块402、第二构建模块403评估模块404以及融合模块404,其中:
采集模块401,用于采集多类滑坡训练数据。
本发明实施例中,上述滑坡训练数据包括传感器位移训练数据、标志物运动轨迹训练数据、裂缝尺寸训练数据中的至少一种,本发明实施例不做限定。
第一构建模块402,用于分别构建上述多类滑坡训练数据的滑坡预警分类视角。
第二构建模块403,用于使用随机森林模型构建与所有上述滑坡预警分类视角相对应的多视角权重随机森林模型。
采集模块401,还用于采集多类滑坡测试数据。
第一构建模块402,还用于分别构建上述多类滑坡测试数据的滑坡观测视角。
评估模块404,用于使用上述多视角权重随机森林模型分别对每个滑坡观测视角进行模型评估,得到模型评估结果。
融合模块405,用于融合上述模型评估结果,得到滑坡预警分类结果。
可见,实施图2所描述的基于随机森林模型的滑坡预测装置通过多视角权重随机森林模型分析滑坡变动情况,不仅能够提高滑坡运动状态的预测效率和预测精准度,还能够为后期进行滑坡稳定性分析与评价,预测预警滑坡及后期防治工作提供定量化的评价依据。
本发明实施了中,作为一种可选的实施方式,第二构建模块403可以包括学习子模块4031、构建子模块4032。此时,该基于随机森林模型的滑坡预测装置如图3所示,图3为另一种基于随机森林模型的滑坡预测装置,其中:
学习子模块4031,用于使用随机森林模型分别学习所有上述滑坡预警分类视角,得到所有视角随机森林模型以及与上述所有视角随机森林模型中的每个视角随机森林模型相对应的模型评分。
构建子模块4032,用于分别基于上述模型评分、与上述滑坡预警分类视角相对应的视角权重先验概率构建与上述滑坡训练数据相对应的滑坡预警视角权重。
构建子模块4032,还用于基于所有上述滑坡预警视角权重和所有视角随机森林模型构建多视角权重随机森林模型。
其中,在该可选的实施方式中,可选的,构建子模块4032分别基于上述模型评分、与上述滑坡预警分类视角相对应的视角权重先验概率构建与上述滑坡训练数据相对应的滑坡预警视角权重的方式具体为:
分别基于上述模型评分、与上述滑坡预警分类视角相对应的视角权重先验概率在贝叶斯框架下构建与上述滑坡训练数据相对应的滑坡预警视角权重。
其中,上述滑坡预警视角权重的计算公式为:
式中:θ(i)表示上述滑坡预警分类视角的视角索引,Wθ(i)表示上述滑坡预警视角权重,Pi表示上述视角权重先验概率,Pvi表示上述模型评分。在贝叶斯框架下,Pi×Pvi表示该滑坡预警分类视角的准确度的后验概率。
实施例三
请参阅图4,图4是本发明实施例公开的又一种基于随机森林模型的滑坡预测装置的结构示意图。如图4所示,该基于随机森林模型的滑坡预测装置可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,执行实施例一中所描述的基于随机森林模型的滑坡预测方法中的步骤。
实施例四
本发明实施例公开了一种计算机可读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一中所描述的基于随机森林模型的滑坡预测方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一中所描述的基于随机森林模型的滑坡预测方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的基于随机森林模型的滑坡预测方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (7)
1.一种基于随机森林模型的滑坡预测方法,其特征在于,所述方法包括:
采集多类滑坡训练数据,并分别构建所述多类滑坡训练数据的滑坡预警分类视角,所述滑坡训练数据包括传感器位移训练数据、标志物运动轨迹训练数据、裂缝尺寸训练数据中的至少一种;
使用随机森林模型分别学习所有所述滑坡预警分类视角,得到所有视角随机森林模型以及与所述所有视角随机森林模型中的每个所述视角随机森林模型相对应的模型评分;
分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重;
基于所有所述滑坡预警视角权重和所有所述视角随机森林模型构建多视角权重随机森林模型;
采集多类滑坡测试数据,并分别构建所述多类滑坡测试数据的滑坡观测视角;
使用所述多视角权重随机森林模型分别对每个所述滑坡观测视角进行模型评估,得到模型评估结果,并融合所述模型评估结果,得到滑坡预警分类结果。
2.根据权利要求1所述的基于随机森林模型的滑坡预测方法,其特征在于,所述分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重,包括:
分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率在贝叶斯框架下构建与所述滑坡训练数据相对应的滑坡预警视角权重。
4.一种基于随机森林模型的滑坡预测装置,其特征在于,所述装置包括:
采集模块,用于采集多类滑坡训练数据,所述滑坡训练数据包括传感器位移训练数据、标志物运动轨迹训练数据、裂缝尺寸训练数据中的至少一种;
第一构建模块,用于分别构建所述多类滑坡训练数据的滑坡预警分类视角;
第二构建模块,用于使用随机森林模型构建与所有所述滑坡预警分类视角相对应的多视角权重随机森林模型;
所述采集模块,还用于采集多类滑坡测试数据;
所述第一构建模块,还用于分别构建所述多类滑坡测试数据的滑坡观测视角;
评估模块,用于使用所述多视角权重随机森林模型分别对每个所述滑坡观测视角进行模型评估,得到模型评估结果;
融合模块,用于融合所述模型评估结果,得到滑坡预警分类结果;
以及,所述第二构建模块包括学习子模块以及构建子模块,其中:
所述学习子模块,用于使用随机森林模型分别学习所有所述滑坡预警分类视角,得到所有视角随机森林模型以及与所述所有视角随机森林模型中的每个所述视角随机森林模型相对应的模型评分;
所述构建子模块,用于分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重;
所述构建子模块,还用于基于所有所述滑坡预警视角权重和所有所述视角随机森林模型构建多视角权重随机森林模型。
5.根据权利要求4所述的基于随机森林模型的滑坡预测装置,其特征在于,所述构建子模块分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率构建与所述滑坡训练数据相对应的滑坡预警视角权重的方式具体为:
分别基于所述模型评分、与所述滑坡预警分类视角相对应的视角权重先验概率在贝叶斯框架下构建与所述滑坡训练数据相对应的滑坡预警视角权重。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-3任一项所述的基于随机森林模型的滑坡预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073688.9A CN109783967B (zh) | 2019-01-25 | 2019-01-25 | 基于随机森林模型的滑坡预测方法、装置及存储介质 |
PCT/CN2019/102982 WO2020151226A1 (zh) | 2019-01-25 | 2019-08-28 | 一种基于训练模型的滑坡预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073688.9A CN109783967B (zh) | 2019-01-25 | 2019-01-25 | 基于随机森林模型的滑坡预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783967A CN109783967A (zh) | 2019-05-21 |
CN109783967B true CN109783967B (zh) | 2020-02-21 |
Family
ID=66502409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910073688.9A Active CN109783967B (zh) | 2019-01-25 | 2019-01-25 | 基于随机森林模型的滑坡预测方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109783967B (zh) |
WO (1) | WO2020151226A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783967B (zh) * | 2019-01-25 | 2020-02-21 | 深圳大学 | 基于随机森林模型的滑坡预测方法、装置及存储介质 |
CN110223490B (zh) * | 2019-05-28 | 2021-03-23 | 成都理工大学 | 一种基于预警等级判断岩质斜坡稳定性的方法 |
CN111667125B (zh) * | 2020-08-10 | 2020-11-20 | 成都嘉捷信诚信息技术有限公司 | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 |
CN114078140B (zh) * | 2020-08-19 | 2022-08-26 | 香港理工大学深圳研究院 | 一种基于滑坡边界多边形和坡向图的滑坡轨迹提取方法 |
CN112686192B (zh) * | 2021-01-06 | 2022-05-31 | 电子科技大学 | 一种基于精细地形特征的滑坡稳定性分类方法 |
US11880015B2 (en) | 2021-06-07 | 2024-01-23 | International Business Machines Corporation | Modeling tropical cyclone surface fields for impact assessment |
CN113486575A (zh) * | 2021-06-21 | 2021-10-08 | 武汉科技大学 | 一种地表变形破坏预测预警方法、装置及存储介质 |
CN113723446B (zh) * | 2021-07-15 | 2024-05-24 | 杭州鲁尔物联科技有限公司 | 地灾监测预警方法、装置、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819023B (zh) * | 2012-07-27 | 2014-09-17 | 中国地质大学(武汉) | 基于LiDAR的复杂地质背景区滑坡识别的方法及系统 |
US20150205856A1 (en) * | 2014-01-21 | 2015-07-23 | Decision Makers - Learning & Research Simulations Ltd. | Dynamic brownian motion with density superposition for abnormality detection |
CN107292186B (zh) * | 2016-03-31 | 2021-01-12 | 阿里巴巴集团控股有限公司 | 一种基于随机森林的模型训练方法和装置 |
CN109783967B (zh) * | 2019-01-25 | 2020-02-21 | 深圳大学 | 基于随机森林模型的滑坡预测方法、装置及存储介质 |
-
2019
- 2019-01-25 CN CN201910073688.9A patent/CN109783967B/zh active Active
- 2019-08-28 WO PCT/CN2019/102982 patent/WO2020151226A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109783967A (zh) | 2019-05-21 |
WO2020151226A1 (zh) | 2020-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783967B (zh) | 基于随机森林模型的滑坡预测方法、装置及存储介质 | |
CN111506598B (zh) | 基于小样本自学习故障迁移的故障判别方法、系统、装置 | |
CN110942072A (zh) | 基于质量评估的质量分、检测模型训练、检测方法及装置 | |
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
CN109343154A (zh) | 登陆热带气旋过程降水预报系统 | |
CN112037925A (zh) | 一种基于lstm算法的新发重大传染病预警方法 | |
CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
CN109740549A (zh) | 基于半监督cnn的sar图像目标检测系统和方法 | |
CN111444075B (zh) | 一种自动发现关键影响力指标的方法 | |
CN115619778A (zh) | 一种电力设备缺陷识别方法、系统、可读存储介质及设备 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
CN113639757B (zh) | 基于双向评分模型和回溯校正机制的地图匹配方法及系统 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
CN112966762A (zh) | 一种野生动物检测方法、装置、存储介质及电子设备 | |
CN116029220B (zh) | 一种电压互感器运行误差评估方法、系统、设备及介质 | |
CN111382147A (zh) | 一种气象数据缺失插补方法和系统 | |
CN111275325A (zh) | 一种智能船舶感知模块评估指标体系的构建方法 | |
CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
CN115236676B (zh) | 一种基于滑动时空匹配的冰雹数据集生成方法和装置 | |
CN115862080A (zh) | 血清质量识别模型的训练方法、装置、设备及存储介质 |
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 |