CN110427655B - 一种滑坡敏感状态的提取方法 - Google Patents

一种滑坡敏感状态的提取方法 Download PDF

Info

Publication number
CN110427655B
CN110427655B CN201910613901.0A CN201910613901A CN110427655B CN 110427655 B CN110427655 B CN 110427655B CN 201910613901 A CN201910613901 A CN 201910613901A CN 110427655 B CN110427655 B CN 110427655B
Authority
CN
China
Prior art keywords
sensitive
landslide
factors
sample point
value
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
Application number
CN201910613901.0A
Other languages
English (en)
Other versions
CN110427655A (zh
Inventor
刘勇
胡宝丹
许昌
刘洋洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910613901.0A priority Critical patent/CN110427655B/zh
Publication of CN110427655A publication Critical patent/CN110427655A/zh
Application granted granted Critical
Publication of CN110427655B publication Critical patent/CN110427655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种滑坡敏感状态的提取方法，包括：首先构建滑坡系统对外界影响因素的响应规律公式；接下来使用支持向量机算法对滑坡的响应函数进行拟合；再联合粒子群优化算法，寻优得到滑坡对外界影响因素的敏感因子；最后对敏感因子进行聚类分析剔除噪声得到不同的敏感状态。本发明的有益效果是：本发明所提出的技术方案能够寻求滑坡在不同时刻对外界影响因素的敏感程度，通过引入敏感状态，降低了外界影响因素的作用和滑坡位移响应之间的耦合度，有助于提高后续滑坡的预测精度。

Description

一种滑坡敏感状态的提取方法
技术领域
本发明涉及滑坡监测领域，尤其涉及一种滑坡敏感状态的提取方法。
背景技术
滑坡状态是滑坡总体情况的综合表达，能全面反映滑坡的外部因素、内部结构以及滑坡对影响因素的敏感程度。而目前将滑坡的状态与外界的影响因素联合分析的研究并不多见。现有的文献多数都是论述以滑坡位移为依据对滑坡划分阶段以及分析不同阶段的特征。
秦四清等(2005)对斜坡演化过程中蠕变三阶段的物理机制进行了理论研究。许强团队(2008)根据滑坡累积位移与时间曲线将滑坡分为初始变形、匀速变形和加速变形三个阶段；而在后继的研究中又将加速变形阶段进一步细分为初加速、中加速、临滑三个亚阶段；并根据斜坡的变形-时间曲线特征，将滑坡分为稳定型、渐变型、突发型三类。唐辉明、胡新丽团队(2014)对滑坡岩土体的蠕变划分为多阶段进行分析；将载荷过程中滑坡表面的位移监测数据划分为四个主要的演化阶段，进而分析了土压力的分布状态；对滑坡不同阶段的防治手段和加固效果进行了综合分析。Romy等(2015)根据滑坡的平均位移率和运动方式对不同的滑坡进行了类型划分。李聪(2016)对滑坡不同变形阶段的演化规律进行了研究易庆林(2017)在时间上将水库型滑坡的位移监测数据分为了不同主导因素的三个阶段，并进行滑坡的变形特征研究。薛强等(2018)通过对滑坡进行实时监测，将滑坡变形过程分为四个不同阶段进行稳定性研究。Shun等(2018)通过对滑坡运动规律的研究，认为滑体有蠕变阶段和休眠阶段两个变形阶段。
本发明提出将滑坡位移变化规律聚类为状态后，用状态信息熵作为滑坡的预警指标，并在多个滑坡的历史数据中进行推演论证方法的可靠性，为滑坡状态的应用提供了一种新的思路。
发明内容
为了解决上述问题，本发明提供了一种滑坡敏感状态的提取方法；一种滑坡敏感状态的提取方法，包括以下步骤：
S101：获取目标滑坡历史样本点数据；并建立如公式(1)所示的滑坡系统响应规律公式：
g(x)＝Q·f(x) (1)上式中，g(x)为滑坡对外界影响因素的系统函数；f(x)是滑坡外界影响因素下的响应函数；
S102：根据所述历史样本点数据，采用支持向量机算法对所述响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到最终的最优敏感因子集合
Figure GDA0004067373600000021
S103：采用K均值聚类算法对所述最终的最优敏感因子集合
Figure GDA0004067373600000022
中的m个敏感因子进行聚类，将m个敏感因子分为k个类，并将每类作为一个敏感状态，以得到k个敏感状态。
进一步地，步骤S101中，所述历史样本点数据(xi，yi)共有m个，且每个样本点都对应有一个敏感因子；Q＝{q1,q2,…,qm}是敏感因子集合，包括m个敏感因子；其中i＝1,2,…,m；m为样本点总个数，xi为月降雨量或者库水位下降值，yi为滑坡月位移值。
进一步地，步骤S102中，根据所述历史样本点数据，采用支持向量机算法对所述响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到响应函数f(x)的具体表达式和最优敏感因子集合
Figure GDA0004067373600000023
具体包括：
S201：根据支持向量机算法，采用如公式(2)所示的线性回归函数来对响应函数f(x)进行拟合：
f(x)＝ωTx+b (2)
上式中，x为所述历史样本点数据中的xi组成的输入向量；
Figure GDA0004067373600000024
为输出量，y为所述历史样本点数据中的yi组成的输出向量；ω和b为待拟合的参数；将所述历史样本点数据中的各样本点带入至公式(2)中，拟合出ω和b的具体值，进而得到响应函数f(x)的具体表达形式；其中，
Figure GDA0004067373600000025
的初始值为随机初始化的一组敏感因子Q；
S202：采用PSO粒子群算法对m个敏感因子进行寻优，得到最优敏感因子集合
Figure GDA0004067373600000026
其中，使用g(x)的拟合结果的均方误差作为PSO算法的适应度函数MSE；具体表达式如公式(3)所示：
Figure GDA0004067373600000031
S203：判断条件MSE≤R是否成立，若是，则到步骤S204；否则，返回步骤S201，并将公式(2)中的
Figure GDA0004067373600000032
更新为最新计算出来的最优敏感因子集合
Figure GDA0004067373600000033
其中，R为预设的阈值，且R>0；
S204：停止迭代，将此时的最优敏感因子集合
Figure GDA0004067373600000034
作为最终的最优敏感因子集合
Figure GDA0004067373600000035
进一步地，步骤S103中，采用K均值聚类算法对所述最优敏感因子集合
Figure GDA0004067373600000036
中的m个敏感因子进行聚类，将m个敏感因子分为k个类，并将每类作为一个敏感状态，以得到k个敏感状态；具体方法如下：
从所述m个敏感因子中随机选择k个聚类中心，并分别计算每个敏感因子与k个聚类中心之间的欧式距离，以将各敏感因子划分到与其距离最近的聚类中心所代表的类中，进而根据公式(4)所示的准则函数计算平方误差E：
Figure GDA0004067373600000037
上式中，Cj表示聚类后的第j类，x表示类Cj中的样本点数据，uj为类Cj中所有敏感因子的均值；平方误差E表示了类内数据围绕聚类中心的紧密程度，值越小则类内数据相似度较高，聚类结果越好；
利用各个类的敏感因子均值ui更新各个类的初始聚类中心，并以此迭代，直到E的值小于预设的最小化误差值；进而得到最优的k个聚类中心和对应的k个类。
本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案能够寻求滑坡在不同时刻对外界影响因素的敏感程度，通过引入敏感状态，降低了外界影响因素的作用和滑坡位移响应之间的耦合度，有助于提高后续滑坡的预测精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种滑坡敏感状态的提取方法的流程图；
图2是本发明实施例中位移序列预测模型的拟合效果图；
图3是本发明实施例中敏感状态和敏感因子的对应关系图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种滑坡敏感状态的提取方法；
请参考图1，图1是本发明实施例中一种滑坡敏感状态的提取方法的流程图，具体包括如下步骤：
S101：获取目标滑坡历史样本点数据；并建立如公式(1)所示的滑坡系统响应规律公式：
g(x)＝Q·f(x) (1)
上式中，g(x)为滑坡对外界影响因素的系统函数；f(x)是滑坡外界影响因素下的响应函数；
S102：根据所述历史样本点数据，采用支持向量机算法对所述响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到最终的最优敏感因子集合
Figure GDA0004067373600000041
S103：采用K均值聚类算法对所述最终的最优敏感因子集合
Figure GDA0004067373600000042
中的m个敏感因子进行聚类，将m个敏感因子分为k个类，并将每类作为一个敏感状态，以得到k个敏感状态。
步骤S101中，所述历史样本点数据(xi，yi)共有m个，且每个样本点都对应有一个敏感因子；Q＝{q1,q2,…,qm}是敏感因子集合，包括m个敏感因子；其中i＝1,2,…,m；m为样本点总个数，xi为月降雨量或者库水位下降值，yi为滑坡月位移值。
步骤S102中，根据所述历史样本点数据，采用支持向量机算法对所述响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到响应函数f(x)的具体表达式和最优敏感因子集合
Figure GDA0004067373600000043
具体包括：
S201：根据支持向量机算法，采用如公式(2)所示的线性回归函数来对响应函数f(x)进行拟合：
f(x)＝ωTx+b (2)
上式中，x为所述历史样本点数据中的xi组成的输入向量；
Figure GDA0004067373600000051
为输出量(两个向量相除时，将对应的元素分别进行除法运算，比如：y中的第4个元素y4对应的第4个样本点所对应的敏感因子q4，则在
Figure GDA0004067373600000052
时，则f(x)的第4个元素为
Figure GDA0004067373600000053
)；y为所述历史样本点数据中的yi组成的输出向量；ω和b为待拟合的参数；将所述历史样本点数据中的各样本点带入至公式(2)中，拟合出ω和b的具体值，进而得到响应函数f(x)的具体表达形式；其中，
Figure GDA0004067373600000054
的初始值为随机初始化的一组敏感因子Q；
S202：采用PSO粒子群算法对m个敏感因子进行寻优，得到最优敏感因子集合
Figure GDA0004067373600000055
其中，使用g(x)的拟合结果的均方误差作为PSO算法的适应度函数MSE；具体表达式如公式(3)所示：
Figure GDA0004067373600000056
S203：判断条件MSE≤R是否成立，若是，则到步骤S204；否则，返回步骤S201，并将公式(2)中的
Figure GDA0004067373600000057
更新为最新计算出来的最优敏感因子集合
Figure GDA0004067373600000058
其中，R为预设的阈值，且R>0；
S204：停止迭代，将此时的最优敏感因子集合
Figure GDA0004067373600000059
作为最终的最优敏感因子集合
Figure GDA00040673736000000510
步骤S103中，采用K均值聚类算法对所述最优敏感因子集合
Figure GDA00040673736000000511
中的m个敏感因子进行聚类，将m个敏感因子分为k个类，并将每类作为一个敏感状态，以得到k个敏感状态；具体方法如下：
从所述m个敏感因子中随机选择k个聚类中心，并分别计算每个敏感因子与k个聚类中心之间的欧式距离，以将各敏感因子划分到与其距离最近的聚类中心所代表的类中，进而根据公式(4)所示的准则函数计算平方误差E：
Figure GDA00040673736000000512
上式中，Cj表示聚类后的第j类，x表示类Cj中的样本点数据，uj为类Cj中所有敏感因子的均值；平方误差E表示了类内数据围绕聚类中心的紧密程度，值越小则类内数据相似度较高，聚类结果越好；
利用各个类的敏感因子均值ui更新各个类的初始聚类中心，并以此迭代，直到E的值小于预设的最小化误差值；进而得到最优的k个聚类中心和对应的k个类。
在本发明实施例中，以三峡库区白水河滑坡为对象，进行具体说明：
三峡库区白水河滑坡，具体的地理坐标为：X∶3433805，Y∶455980，经度110。32'09"E，纬度31。01'34"N。该滑坡的倾角约为三十度，靠近长江的一侧与140m水位线等高，后侧高程为410m。其东西方向宽约700米，南北方向宽约600米。
目前，白水河滑坡体上已经布设了11个GPS监测点，可以监测滑坡各个局部的位移。GPS位移的监测频率为每月一次。为了求得本发明提出的滑坡敏感状态，选取2003/6～2014/12的月降雨、月库水下降值和月位移数据作为训练数据，2015/1～2016/6的月位移数据作为测试数据。由训练样本(所述历史样本数据中的样本点)的数量确定敏感因子个数，以月降雨量和库水下降值作为输入变量，月位移值作为输出变量，利用支持向量机算法对响应规律公式中的响应函数f(x)进行拟合训练，同时利用粒子群算法搜索敏感因子最优值，最后利用K均值聚类由敏感因子得到敏感状态。
2003/6～2014/12一共有139个训练样本，所以将敏感因子的个数设为139，即Q＝{q1,q2,K,q139}。利用SVR算法对位移序列预测模型进行训练，并通过PSO算法对敏感因子Q进行寻优。在PSO算法中，粒子种群大小初始化为100，粒子的维度为139，即敏感因子的个数，当适应度函数收敛时结束模型的训练。
当敏感因子由PSO算法取得最优值时，位移序列预测模型对训练数据的拟合效果如图2，其中位移序列值是训练数据中白水河滑坡月位移值与敏感因子的比值，模型拟合值是位移序列预测模型的拟合值。从图2可知，通过将敏感因子分离出来，位移序列预测模型可以得到非常好的拟合精度。
敏感因子反映了滑坡对外界影响因素的敏感程度，敏感因子值越大，滑坡对外界影响因素的响应越剧烈；敏感因子值越小，滑坡对外界影响因素的响应越微弱。利用K均值算法对敏感因子进行聚类，得到滑坡敏感状态，同时达到消除监测噪声的目的。根据聚类结果的区分度将类簇数量设置为5类，如表1所示。其中，同一类的敏感因子在同一个敏感状态的区间内，取类均值作为该敏感状态的敏感值。敏感状态和敏感因子的对应关系如图3所示。
表1敏感状态划分
Figure GDA0004067373600000071
本发明的有益效果是：本发明所提出的技术方案能够寻求滑坡在不同时刻对外界影响因素的敏感程度，通过引入敏感状态，降低了外界影响因素的作用和滑坡位移响应之间的耦合度，有助于提高后续滑坡的预测精度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种滑坡敏感状态的提取方法，其特征在于：包括如下步骤：
S101：获取目标滑坡历史样本点数据，所述历史样本点数据(xi，yi)共有m个，其中i＝1,2,…,m；xi为月降雨量或者库水位下降值，yi为滑坡月位移值；并
建立如公式(1)所示的滑坡系统响应规律公式：
g(x)＝Q·f(x) (1)
上式中，g(x)为滑坡对外界影响因素的系统函数；f(x)是滑坡外界影响因素下的响应函数，其中，x为所述历史样本点数据中的xi组成的输入向量；
S102：根据所述历史样本点数据，采用支持向量机算法对所述响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到最终的最优敏感因子集合
Figure FDA0004067373590000011
S103：采用K均值聚类算法对所述最终的最优敏感因子集合
Figure FDA0004067373590000012
中的m个敏感因子进行聚类，将m个敏感因子分为k个类，并将每类作为一个敏感状态，以得到k个敏感状态。
2.如权利要求1所述的一种滑坡敏感状态的提取方法，其特征在于：步骤S101中，所述历史样本点每个样本点都对应有一个敏感因子；Q＝{q1,q2,…,qm}是敏感因子集合，包括m个敏感因子；其中i＝1,2,…,m；m为样本点总个数，xi为月降雨量或者库水位下降值，yi为滑坡月位移值。
3.如权利要求2所述的一种滑坡敏感状态的提取方法，其特征在于：步骤S102中，根据所述历史样本点数据，采用支持向量机算法对所述响应函数f(x)进行拟合，并采用PSO粒子群算法对敏感因子集合Q中的所有敏感因子进行寻优；二者循环迭代，直到PSO粒子群算法收敛，得到响应函数f(x)的具体表达式和最优敏感因子集合
Figure FDA0004067373590000015
具体包括：
S201：根据支持向量机算法，采用如公式(2)所示的线性回归函数来对响应函数f(x)进行拟合：
f(x)＝ωTx+b (2)
上式中，x为所述历史样本点数据中的xi组成的输入向量；
Figure FDA0004067373590000013
为输出量，y为所述历史样本点数据中的yi组成的输出向量；ω和b为待拟合的参数；将所述历史样本点数据中的各样本点带入至公式(2)中，拟合出ω和b的具体值，进而得到响应函数f(x)的具体表达形式；其中，
Figure FDA0004067373590000014
的初始值为随机初始化的一组敏感因子Q；
S202：采用PSO粒子群算法对m个敏感因子进行寻优，得到最优敏感因子集合
Figure FDA0004067373590000021
其中，使用g(x)的拟合结果的均方误差作为PSO算法的适应度函数MSE；具体表达式如公式(3)所示：
Figure FDA0004067373590000022
S203：判断条件MSE≤R是否成立，若是，则到步骤S204；否则，返回步骤S201，并将公式(2)中的
Figure FDA0004067373590000023
更新为最新计算出来的最优敏感因子集合
Figure FDA0004067373590000024
其中，R为预设的阈值，且R>0；
S204：停止迭代，将此时的最优敏感因子集合
Figure FDA0004067373590000025
作为最终的最优敏感因子集合
Figure FDA0004067373590000026
4.如权利要求3所述的一种滑坡敏感状态的提取方法，其特征在于：步骤S103中，采用K均值聚类算法对所述最优敏感因子集合
Figure FDA0004067373590000027
中的m个敏感因子进行聚类，将m个敏感因子分为k个类，并将每类作为一个敏感状态，以得到k个敏感状态；具体方法如下：
从所述m个敏感因子中随机选择k个聚类中心，并分别计算每个敏感因子与k个聚类中心之间的欧式距离，以将各敏感因子划分到与其距离最近的聚类中心所代表的类中，进而根据公式(4)所示的准则函数计算平方误差E：
Figure FDA0004067373590000028
上式中，Cj表示聚类后的第j类，x表示类Cj中的样本点数据，uj为类Cj中所有敏感因子的均值；平方误差E表示了类内数据围绕聚类中心的紧密程度，值越小则类内数据相似度较高，聚类结果越好；
利用各个类的敏感因子均值ui更新各个类的初始聚类中心，并以此迭代，直到E的值小于预设的最小化误差值；进而得到最优的k个聚类中心和对应的k个类。
CN201910613901.0A 2019-07-09 2019-07-09 一种滑坡敏感状态的提取方法 Active CN110427655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910613901.0A CN110427655B (zh) 2019-07-09 2019-07-09 一种滑坡敏感状态的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910613901.0A CN110427655B (zh) 2019-07-09 2019-07-09 一种滑坡敏感状态的提取方法

Publications (2)

Publication Number Publication Date
CN110427655A CN110427655A (zh) 2019-11-08
CN110427655B true CN110427655B (zh) 2023-05-26

Family

ID=68409108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910613901.0A Active CN110427655B (zh) 2019-07-09 2019-07-09 一种滑坡敏感状态的提取方法

Country Status (1)

Country Link
CN (1) CN110427655B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112161959B (zh) * 2020-09-25 2022-10-25 山东达峰海洋科技有限公司 一种基于荧光光谱全局重构的叶绿素浓度测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699943A (zh) * 2013-12-27 2014-04-02 长春工业大学 一种基于ga-psobp算法的地质灾害危险性评价方法
CN105225046A (zh) * 2015-09-30 2016-01-06 武汉工程大学 一种区域滑坡敏感性评估数据采样方法
CN106777585A (zh) * 2016-12-01 2017-05-31 桂林理工大学 一种区域浅表滑坡时空分异规律的esda分析法
CN107229993A (zh) * 2017-05-03 2017-10-03 华北电力大学 一种基于km‑apso‑svm模型的短期电力负荷预测方法
CN107908835A (zh) * 2017-10-27 2018-04-13 中国地质大学（武汉） 一种多影响因素下滑坡动态响应情况分析的方法
CN108052761A (zh) * 2017-12-25 2018-05-18 贵州东方世纪科技股份有限公司 一种滑坡预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180045853A1 (en) * 2016-08-15 2018-02-15 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Landslide hazard assessment system and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699943A (zh) * 2013-12-27 2014-04-02 长春工业大学 一种基于ga-psobp算法的地质灾害危险性评价方法
CN105225046A (zh) * 2015-09-30 2016-01-06 武汉工程大学 一种区域滑坡敏感性评估数据采样方法
CN106777585A (zh) * 2016-12-01 2017-05-31 桂林理工大学 一种区域浅表滑坡时空分异规律的esda分析法
CN107229993A (zh) * 2017-05-03 2017-10-03 华北电力大学 一种基于km‑apso‑svm模型的短期电力负荷预测方法
CN107908835A (zh) * 2017-10-27 2018-04-13 中国地质大学（武汉） 一种多影响因素下滑坡动态响应情况分析的方法
CN108052761A (zh) * 2017-12-25 2018-05-18 贵州东方世纪科技股份有限公司 一种滑坡预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Combination of GeographicallyWeighted;Xianyu Yu;《International Journal of Environmental Research and Public Health》;20160511;第1-35页 *
基于K-PSO聚类算法和熵值法的滑坡敏感性;阮云凯等;《东北大学学报(自然科学版)》;20170415(第04期);第118-122页 *
基于状态划分的滑坡位移预测方法研究;刘勇;《地质科技情报》;20180115;第184-189页 *

Also Published As

Publication number Publication date
CN110427655A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN114254561B (zh) 一种内涝预测方法、系统及存储介质
CN109472321B (zh) 一种面向时间序列型地表水质大数据的预测与评估模型构建方法
Moradi Kordmahalleh et al. A sparse recurrent neural network for trajectory prediction of atlantic hurricanes
CN110782093B (zh) 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统
CN110929939B (zh) 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法
US20060047655A1 (en) Fast unsupervised clustering algorithm
CN106250667A (zh) 一种涉水滑坡状态跃迁的监测方法及装置
CN112381313B (zh) 充电桩地址的确定方法和装置
CN111612055A (zh) 天气形势的分型方法、空气污染状况的预测方法及装置
CN103729550A (zh) 基于传播时间聚类分析的多模型集成洪水预报方法
CN107301328B (zh) 基于数据流聚类的癌症亚型精准发现与演化分析方法
CN112199862B (zh) 纳米粒子运移的预测方法、其影响因子分析方法及系统
CN109033170A (zh) 停车场的数据修补方法、装置、设备及存储介质
CN114330101A (zh) 一种基于人工神经网络的边坡地震滑移预测方法及系统
KR101703972B1 (ko) 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법
CN110427655B (zh) 一种滑坡敏感状态的提取方法
CN117408394B (zh) 电力系统的碳排放因子预测方法、装置及电子设备
Mishra et al. Pattern discovery in hydrological time series data mining during the monsoon period of the high flood years in Brahmaputra river basin
CN115311574B (zh) 一种建筑物监测方法、设备及介质
CN116756552A (zh) 基于主成分和层次分析法的热融地质灾害易发性评价方法
Mishra et al. Discovering flood rising pattern in hydrological time series data mining during the pre monsoon period
CN113970073B (zh) 一种基于ResNet的供水管网泄漏精准定位方法
CN116089832A (zh) 重力卫星地下水储量的降尺度方法、装置和计算机设备
Mishra et al. Discovering flood recession pattern in hydrological time series data mining during the post monsoon period

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