CN110686633B

CN110686633B - 一种滑坡位移预测方法、装置及电子设备

Info

Publication number: CN110686633B
Application number: CN201910811128.9A
Authority: CN
Inventors: 李岩山; 周李; 刘洋; 刘星; 刘瑜; 王海鹏
Original assignee: Shenzhen Pingshan Big Data Resource Management Center; Shenzhen University
Current assignee: Shenzhen Pingshan Big Data Resource Management Center; Shenzhen University
Priority date: 2019-08-30
Filing date: 2019-08-30
Publication date: 2021-09-14
Anticipated expiration: 2039-08-30
Also published as: CN110686633A

Abstract

本发明实施例公开了一种滑坡位移预测方法、装置及电子设备，用于解决现有的滑坡位移预测精度较低的问题。方法包括：获取预定个监测点中每个监测点在预定个时刻的位移监测数据；基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据；将每两个所述监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出所述预定个监测点在第二预定时刻的位移数据，可以基于每个监测点在预定个时刻的位移监测数据和在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据，确定预定个监测点在第二预定时刻的位移数据，结合滑坡位移的时间序列和空间序列，提高位移预测精度。

Description

一种滑坡位移预测方法、装置及电子设备

技术领域

本发明实施例涉及滑坡位移预测技术领域，尤其涉及一种滑坡位移预测方法、装置及电子设备。

背景技术

滑坡是世界范围内的一种主要自然地质灾害，对当地居民的生命和财产安全构成极大的威胁。研究表明，滑坡位移是滑坡复杂演化行为的直接表征。滑坡位移预测是降低滑坡危害和实现滑坡灾害预警的有效可靠方法。

现有滑坡位移预测方法通常是先将传感器在一段时间内采集得到的位移监测数据组成位移时间序列，然后进行时间序列分解，再应用各种模型对分解后的各项位移预测，最后预测的滑坡位移是各项预测位移的累加。

但是，现有的滑坡位移预测方法在预测过程中，人为地进行滑坡位移数据分解，破坏了位移序列数据的原有特征，增加了基于先验知识分解序列数据所引起的序列特征变化风险。同时，现有的滑坡位移预测方法仅考虑了时间序列使得位移预测精度较低。

发明内容

本发明实施例提供一种滑坡位移预测方法、装置及电子设备，用于解决现有的滑坡位移预测精度较低的问题。

本发明实施例采用下述技术方案：

第一方面，提供了一种滑坡位移预测方法，所述方法包括：

获取预定个监测点中每个监测点在预定个时刻的位移监测数据；

基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据；

将每两个所述监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出所述预定个监测点在第二预定时刻的位移数据，所述第二预定时刻为所述第一预定时刻的未来时刻；

其中，所述LSTM预测模型是基于多个监测点在第一组历史时刻的位移采样数据、在第二组历史时刻的位移验证数据和在第三组历史时刻的位移预测数据训练得到的。

进一步的，基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据，包括：

在预定个时刻中的每个时刻，将所述预定个监测点中的每个监测点的位移监测数据分成c个模糊组；

通过目标函数，得到每个监测点的位移监测数据对所述每个模糊组的聚类中心的隶属度，所述目标函数表示各类中位移监测数据到聚类中心的距离平方和；

通过所述目标函数和每个监测点的位移监测数据对每个模糊组的聚类中心的隶属度，确定所述c个模糊组中每个模糊组的聚类中心；

基于所述隶属度，确定所述预定个监测点中每两个监测点的空间关系强度；

基于所述空间关系强度，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据。

进一步的，基于所述空间关系强度，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据，包括：

若空间关系强度为强，则确定所述预定个监测点中每两个监测点的位移差值为所述滑坡位移空间关系数据；

若空间关系强度为弱，则确定所述预定个监测点中每两个监测点的位移差值的平方根为所述滑坡位移空间关系数据。

进一步的，在输出所述预定个监测点在第二预定时刻的位移数据之前，包括：

基于多个监测点在第一组历史时刻的位移采样数据、在第二组历史时刻的位移验证数据和在第三组历史时刻的位移预测数据，训练所述LSTM预测模型；

所述在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据作为所述LSTM预测模型的输入，所述第一预定时刻属于所述第一组历史时刻；

所述预定个监测点在第二预定时刻的位移数据作为所述LSTM预测模型的输出，所述第二预定时刻属于所述第三组历史时刻。

第二方面，提供了一种滑坡位移预测装置，所述装置包括：

获取模块，用于获取预定个监测点中每个监测点在预定个时刻的位移监测数据；

确定模块，用于基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据；

输出模块，用于将每两个所述监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出所述预定个监测点在第二预定时刻的位移数据，所述第二预定时刻为所述第一预定时刻的未来时刻；

进一步的，所述确定模块包括：

划分单元，用于在预定个时刻中的每个时刻，将所述预定个监测点中的每个监测点的位移监测数据分成c个模糊组；

获得单元，用于通过目标函数，得到每个监测点的位移监测数据对所述每个模糊组的聚类中心的隶属度，所述目标函数表示各类中位移监测数据到聚类中心的距离平方和；

第一确定单元，用于通过所述目标函数和每个监测点的位移监测数据对每个模糊组的聚类中心的隶属度，确定所述c个模糊组中每个模糊组的聚类中心；

第二确定单元，用于基于所述隶属度，确定所述预定个监测点中每两个监测点的空间关系强度；

第三确定单元，用于基于所述空间关系强度，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据。

进一步的，所述第三确定单元包括：

第一确定子单元，用于若空间关系强度为强，则确定所述预定个监测点中每两个监测点的位移差值为所述滑坡位移空间关系数据；

第二确定子单元，用于若空间关系强度为弱，则确定所述预定个监测点中每两个监测点的位移差值的平方根为所述滑坡位移空间关系数据。

进一步的，所述滑坡位移预测装置包括：

训练模块，用于基于多个监测点在第一组历史时刻的位移采样数据、在第二组历史时刻的位移验证数据和在第三组历史时刻的位移预测数据，训练所述LSTM预测模型；

第三方面，提供了一种电子设备，包括：存储器，存储有计算机程序指令；

处理器，当所述计算机程序被所述处理器执行时实现如上述所述的滑坡位移预测方法。

第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如上述所述的滑坡位移预测方法。

本发明实施例采用的上述至少一个技术方案能够达到以下有益效果：

本发明实施例提供的滑坡位移预测方法，通过获取预定个监测点中每个监测点在预定个时刻的位移监测数据，基于每个监测点在预定个时刻的位移监测数据，确定在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据，将每两个监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出预定个监测点在第二预定时刻的位移数据，可以基于每个监测点在预定个时刻的位移监测数据和在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据，确定预定个监测点在第二预定时刻的位移数据，结合了滑坡位移的时间序列和空间序列，提高了位移预测精度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书的一个实施例提供的滑坡位移预测方法流程示意图；

图2为本说明书的一个实施例提供的滑坡位移预测方法的实际应用场景示意图；

图3为本说明书的一个实施例提供的滑坡位移预测装置结构示意图；

图4为本说明书一个实施例提供的电子设备结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。

本发明实施例提供一种滑坡位移预测方法、装置及电子设备，以解决现有滑坡位移预测精度较低的问题。本发明实施例提供一种滑坡位移预测方法，该方法的执行主体，可以但不限于应用程序、电子设备或能够被配置为执行本发明实施例提供的该方法的装置或系统。

为便于描述，下文以该方法的执行主体为能够执行该方法的电子设备为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为电子设备只是一种示例性的说明，并不应理解为对该方法的限定。

图1为本发明实施例提供的滑坡位移预测方法的流程图，图1的方法可以由电子设备执行，如图1所示，该方法可以包括：

步骤101、获取预定个监测点中每个监测点在预定个时刻的位移监测数据。

该预定个监测点可以根据实际需求设定数量，本发明实施例不做具体限定。具体实施时，预定个监测点可以为6个监测点、10个监测点、12个监测点，等等。

该预定个时刻，可以指一段时间内的几个指定时刻。例如，2007年1月到2012年12月时间段内：2007年8月8日、2008年8月8日、2009年8月8日、2010年8月8日、2011年8月8日、2012年8月8日等六个时刻，当然，还可以是2007年1月到2012年12月时间段内的其他时刻，本发明实施例不一一列举。

本步骤具体实现可以为，在滑坡体的不同部位布置预定个监测点，每个监测点上布置位移传感器，通过位移传感器采集预定个时刻的位移监测数据。

示例性的，设滑坡体某监测点上的传感器在一系列时刻t₁,t₂,...,t_n(t₁＜t₂＜...＜t_n)得到的位移监测数据集合{x(t₁),x(t₂),…,x(t_n)}，即滑坡体上滑坡位移时间序列，表达式为：

T＝{x(t_k) k＝1,2,…,n}

其中，t_k表示第k个时刻，n表示总共监测的时长。

步骤102、基于每个监测点在预定个时刻的位移监测数据，确定在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据。

根据步骤101中得到的位移监测数据集合，可以得到滑坡体上监测点之间的空间关系。示例性的，设滑坡体上监测点之间的空间关系值集合，即滑坡位移空间序列，表达式为：

S＝{r(a,b) a,b＝1,2,…,m；a≠b}

其中，m为空间序列中包含的监测点个数，r(a,b)为监测点a和b的滑坡位移之间的空间关系值。

故，结合时间序列和空间序列，可以得到滑坡体上预定个监测点中每个监测点在预定个时刻的位移监测数据(监测点之间的时空关系值集合)，即滑坡位移时空序列，表达式为：

ST＝{r_a,b(t_k) k＝1,2,...,n；a,b＝1,2,...,m}

其中，r_a,b(t_k)表示在时刻t_k监测点a和b的滑坡位移之间的空间关系值。

由于滑坡位移变化的不确定性，故步骤102具体可实现为：

步骤1021、在预定个时刻中的每个时刻，将预定个监测点中的每个监测点的位移监测数据分成c个模糊组，以形成模糊分类矩阵。

步骤1022、通过目标函数，得到每个监测点的位移监测数据对每个模糊组的聚类中心的隶属度。

步骤1023、通过目标函数和每个监测点的位移监测数据对每个模糊组的聚类中心的隶属度，确定c个模糊组中每个模糊组的聚类中心。

示例性的，设该模糊分类矩阵U表示，其中的元素u_ik表示第k个数据隶属于第i类的程度，模糊分类矩阵U具有如下性质：

该目标函数表示各类中位移监测数据到聚类中心的距离平方和。示例性的，目标函数表示为J(U,V)，定义如下：

其中，m为模糊加权指数，d_ik为第i类中位移监测数据到聚类中心的距离，定义如下。

其中，V_i(i＝1,2,…,c)表示第i类的聚类中心。

J(U,V)分别对u_ik和V_i求偏导并令其为零得：

得到每个监测点的位移监测数据对每个模糊组的聚类中心的隶属度，以及每个模糊组的聚类中心。

步骤1024、基于隶属度，确定预定个监测点中每两个监测点的空间关系强度。

具体为，基于每个监测点对每个模糊组的聚类中心的隶属度，确定每两个监测点是否是隶属于同一类中。若两个监测点隶属于同一类中，则这两个监测点的空间关系强度为强；若两个监测点隶属于不同类中，则这两个监测点的空间关系强度为弱。

示例性的，如果空间监测点a的位移序列和空间监测点b的位移序列聚在一类中，则它们的空间关系强。反之则表示它们的空间关系弱。

步骤1025、基于空间关系强度，确定在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据；具体为，

若空间关系强度为强，则确定预定个监测点中每两个监测点的位移差值为滑坡位移空间关系数据；

示例性的，对于空间关系强度为强的监测点a和b，它们滑坡位移之间的空间关系值如下所示：

其中，x_a(t_k)和x_b(t_k)分别表示空间位置上监测点a和b的传感器在t_k时刻监测得到的滑坡位移值。

若空间关系强度为弱，则确定预定个监测点中每两个监测点的位移差值的平方根为滑坡位移空间关系数据。

示例性的，对于空间关系强度为弱的监测点a和b，它们滑坡位移之间的空间关系值如下所示：

步骤103、将每两个监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出预定个监测点在第二预定时刻的位移数据。

该第二预定时刻为第一预定时刻的未来时刻。

其中，LSTM预测模型是基于多个监测点在第一组历史时刻的位移采样数据、在第二组历史时刻的位移验证数据和在第三组历史时刻的位移预测数据训练得到的。

其中，长短期记忆网络(Long Short-Term Memory，LSTM)预测模型。LSTM网络隐含层单元中有四种类型的门函数。输入门决定当前时刻的输入信息以多大程度添加到隐含层单元中，遗忘门控制从前面的记忆中丢弃多少信息，输出门则控制有多少记忆可用于下一层网络的更新计算，候选门则融合当前输入信息和过去的记忆信息，即负责计算当前输入的隐含层单元状态。则LSTM预测模型的表达式如下：

其中，h_t＝o_t·tanh(c_t)，t时刻，W_out、b_out分别为连接网络输出层与隐含层单元之间的权值矩阵、偏差。而，

a_t＝tanh(W_c·x_t+U_c·h_t-1+b_c)

c_t＝i_t·a_t+f_t·c_t-1

其中，W_i,W_f,W_o,W_c是连接x_t到隐含层单元四个门之间的权重矩阵，U_i,U_f,U_o,U_c是连接h_t-1到隐含层单元四个门之间的权重矩阵，b_i,b_f,b_o,b_c是相应的偏差。σ代表sigmoid函数，tanh()表示双曲正切函数，c_t是网络的隐含层单元状态。

具体实施时，如图2所示，图2中x₁,x₂,x₃,…,x_m为各监测点得到的位移数据，r(i,m)为监测点i和m的滑坡位移之间的空间关系值，假设t₁时刻为监测时刻，t₂……t_n为预测时刻。

作为一个实施例，在执行步骤103之前，本发明实施例提供的滑坡位移预测方法具体可实现为：

基于多个监测点在第一组历史时刻的位移采样数据、在第二组历史时刻的位移验证数据和在第三组历史时刻的位移预测数据，训练LSTM预测模型；

在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据作为LSTM预测模型的输入，第一预定时刻属于第一组历史时刻；

预定个监测点在第二预定时刻的位移数据作为LSTM预测模型的输出，第二预定时刻属于第三组历史时刻。

示例性的，选取第一组历史时刻(2007年1月到2011年10月)的数据作为位移采样数据，第二组历史时刻(2011年11月到2012年5月)的数据作为位移验证数据，第三组历史时刻(2012年6月到2012年12月)的数据作为位移预测数据，训练LSTM预测模型。

本发明实施例提供的滑坡位移预测方法，结合上述实施例中的相关内容，在实际应用场景中的具体实现可以为：首先，采集六个监测点位移数据并得到聚类的结果。如，ZG85监测点、ZG86监测点、ZG87监测点、ZG88监测点这四个监测点的位移数据为一类表明它们与ZG89监测点的滑坡位移序列之间的空间关系弱。ZG89监测点、ZG90监测点这两个监测点的位移数据聚为一类，说明ZG90监测点与ZG89监测点的滑坡位移序列之间空间关系强。如表1所示：

表1

然后，以r₁(1)表示ZG85监测点2007年1月和ZG89监测点滑坡位移空间关系数据。以此类推，r₁(71)为ZG85站点2012年11月和ZG89监测点滑坡位移空间关系数据；同样，对ZG86监测点、ZG87监测点、ZG88监测点和ZG90监测点分别以r₂(n)，r₃(n)，r₄(n)，r₅(n)表示其第n月和ZG89监测点滑坡位移空间关系数据(n＝1,2,…,71)。

然后，将其他五个监测点上个月的滑坡位移空间关系数据和ZG89监测点下个月的传感器监测滑坡位移数据组成一个相应的时空序列。即将r₁(i),r₂(i),r₃(i),r₄(i),r₅(i),ZG89(i+1)，(i＝1,2,…,71)作为一个时空序列。r₁(i),r₂(i),r₃(i),r₄(i),r₅(i)作为LSTM预测模型的输入向量，而相应的ZG89(i+1)将作为LSTM预测模型的输出向量。

最后，以ZG89监测点为例进行精确性验证，具体为：基于原始位移数据的一步预测和基于插值位移数据的多步预测。实验采用四种预测方法：自回归(AR)、BP神经网络(BPNN)、LSTM神经网络(LSTM)和基于时空序列模型的LSTM网络(ST-LSTM)。

在使用原始位移数据一步预测时，ST-LSTM，LSTM，BPNN这三种预测方法的均方根误差、平均绝对误差和平均相对误差都比AR预测方法小，说明神经网络能更好地学习到输入和输出的历史滑坡数据之间的非线性关系。

相对于BPNN预测方法，ST-LSTM，LSTM预测方法的三种预测误差都较小，这很好的说明了LSTM能够比传统静态网络捕捉到滑坡位移变化的长期趋势，进而降低了预测误差。

此外，相对于LSTM预测方法，ST-LSTM预测方法可以得到更小的预测误差，表明时空序列模型比以往的时间序列分析包含了更多的滑坡位移空间关系，增强了位移序列之间的非线性映射关系，从而提高了LSTM网络的预测性能。表2所示ZG89监测点一步预测的结果和准确性，如表2所示：

表2

当使用插值位移数据多步预测时，ST-LSTM的预测误差有了大幅的降低，其均方根误差、平均绝对误差和平均相对误差分别比一步预测时降低了41.5％、50.5％、50.7％。与其他三种预测方法相比，其预测结果的均方根误差、平均绝对误差和平均相对误差值最小。这可以从插值操作和LSTM网络本身的特性来解释。LSTM网络是一种动态网络，比传统静态网络具有更多的网络参数。因此，该方法需要更多的数据来进行足够的训练。插值操作提供了额外的训练数据，可以从历史数据中提取更多的信息。当原始数据集较小时，LSTM动态网络的优势并不显著。通过线性插值后既保持了原始数据的分布，又扩展了训练数据集，从而显著提高了LSTM网络的预测准确性。表3所示ZG89监测点多步预测的结果和准确性，如表3所示：

表3

因此，本发明实施例提供的滑坡位移预测方法，适合滑坡演化过程的非线性动态特性，滑坡位移预测误差进一步降低，提高位移预测精确度。而且，本发明实施例提供的滑坡位移预测方法采用线性插值扩充了数据集，充分显示了基于时空序列模型的LSTM网络预测优势，为滑坡预测分析领域带来一种方法的革新。

以上，图1详细说明了本说明书实施例的滑坡位移预测方法，下面，结合图3，详细说明本说明书实施例的滑坡位移预测装置。

图3示出了本说明书实施例提供的滑坡位移预测装置的结构示意图，如图3所示，该滑坡位移预测装置300可以包括：

获取模块301，用于获取预定个监测点中每个监测点在预定个时刻的位移监测数据；

确定模块302，用于基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据；

输出模块303，用于将每两个所述监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出所述预定个监测点在第二预定时刻的位移数据，所述第二预定时刻为所述第一预定时刻的未来时刻；

在一实施例中，所述确定模块302包括：

在一实施例中，所述第三确定单元包括：

在一实施例中，所述装置300包括：

训练模块304，用于基于多个监测点在第一组历史时刻的位移采样数据、在第二组历史时刻的位移验证数据和在第三组历史时刻的位移预测数据，训练所述LSTM预测模型；

本发明实施例提供的滑坡位移预测装置，通过获取预定个监测点中每个监测点在预定个时刻的位移监测数据，基于每个监测点在预定个时刻的位移监测数据，确定在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据，将每两个监测点之间的位移空间关系数据作为LSTM预测模型的输入，输出预定个监测点在第二预定时刻的位移数据，可以基于每个监测点在预定个时刻的位移监测数据和在第一预定时刻预定个监测点中每两个监测点之间的滑坡位移空间关系数据，确定预定个监测点在第二预定时刻的位移数据，结合了滑坡位移的时间序列和空间序列，提高了位移预测精度。

下面将结合图4详细描述根据本发明实施例的电子设备。参考图4，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，如图4所示，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括实现其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成转发聊天信息的装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书前文所述的方法实施例的操作。

上述图1至图2所示实施例揭示的方法、电子设备执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

图4所示的电子设备还可执行图1至图2的方法，并实现滑坡位移预测方法在图1至图2所示实施例的功能，本发明实施例在此不再赘述。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种滑坡位移预测方法，其特征在于，包括：

基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据，所述滑坡位移空间关系数据是基于所述预定个监测点中每两个监测点的空间关系强度确定的；

2.根据权利要求1所述的方法，其特征在于，基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据，包括：

3.根据权利要求2所述的方法，其特征在于，基于所述空间关系强度，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据，包括：

4.根据权利要求1所述的方法，其特征在于，在输出所述预定个监测点在第二预定时刻的位移数据之前，包括：

5.一种滑坡位移预测装置，其特征在于，

确定模块，用于基于每个所述监测点在预定个时刻的位移监测数据，确定在第一预定时刻所述预定个监测点中每两个监测点之间的滑坡位移空间关系数据，所述滑坡位移空间关系数据是基于所述预定个监测点中每两个监测点的空间关系强度确定的；

6.根据权利要求5所述的装置，其特征在于，所述确定模块包括：

第一确定单元，用于通过所述目标函数和每个监测点的位移监测数据对每个模糊组的聚类中心的隶属度确定所述c个模糊组中每个模糊组的聚类中心；

7.根据权利要求6所述的装置，其特征在于，所述第三确定单元包括：

8.根据权利要求5所述的装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，包括：

存储器，存储有计算机程序指令；

处理器，当所述计算机程序被所述处理器执行时实现如权利要求1至4任一项所述的滑坡位移预测方法。

10.一种计算机可读存储介质，其特征在于，

所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如权利要求1至4任一项所述的滑坡位移预测方法。