CN111144637A - 基于机器学习的区域电网地质灾害预报模型构建方法 - Google Patents
基于机器学习的区域电网地质灾害预报模型构建方法 Download PDFInfo
- Publication number
- CN111144637A CN111144637A CN201911341955.2A CN201911341955A CN111144637A CN 111144637 A CN111144637 A CN 111144637A CN 201911341955 A CN201911341955 A CN 201911341955A CN 111144637 A CN111144637 A CN 111144637A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- model
- power grid
- disaster
- geological disaster
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 50
- 238000010276 construction Methods 0.000 title abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 12
- 238000013277 forecasting method Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- -1 structure Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的区域电网地质灾害预报模型构建方法,包括步骤:S1、正负样本集构建;S2、影响因子构建;S3、机器学习模型搭建与训练;S4、模型预测检验。本发明所提供的电网地质灾害预报方法,直接以灾点构建样本,在精确的灾点坐标范围内构建各影响因子,提高了模型的精准性和针对性。利用机器学习方法,实现影响因子特征自动学习,模型自动学习提取重要特征、自动分配因子权重,避免了认为干扰带来的随意性和片面性。该方法具有较强的可扩展性,只需要提供新的影响因子、新的灾害样本,就能动态的更新模型,进一步提高模型的准确性。
Description
技术领域
本发明涉及电网输电线路防灾技术领域,尤其涉及一种基于机器 学习的区域电网输电线路受强降水影响下的次生地质灾害预报模型 的构建方法。
背景技术
近年来,随着中国电网的迅速发展,电网系统运行电压等级不断 提高,电网规模不断扩大。随着“西电东送”等高电压以及远距离输 电线路的建设,越来越多重要线路穿越了山区、丘陵及河流湖泊等危 险地势区域。夏季雨季期间,暴雨灾害频发,暴雨会在短时间内带来 大量降水,对地表产生巨大冲刷作用,极易引发次生地质灾害。其中, 发生在重要电网通道内的地质灾害严重威胁电网安全,轻则杆塔塔基 受损,重则杆塔倾斜、变形、倒塔并引发线路故障,产生昂贵的设备 维修费用和巨大的电量损失。
目前电网地质灾害研究以监测为主,通过大量监测仪器实时采集 周围土壤形变信息监测滑坡灾害发展情况,监测预警的针对性强、准 确性高,但对滑坡灾害提前预防、电网安全生产指导意义不高。因此 需要开展电网地质灾害预报方法研究。
当前出现的地质灾害预报方法以统计预报方法为主,多数方法虽 然考虑了地质条件、历史灾情等因素的影响,但是易发性区划都以区 域划分为主,精细程度不够。另外,传统的统计方法,不能够准确描 述地质条件、降水和地质灾害之间复杂的非线性耦合关系。另一方面, 传统预报方法中,地灾影响因子的选取、因子权重的分配存在较大的 人为干扰,存在片面性。再者,预报模型可扩展性不足:新的静态数 据、灾害数据不能动态的引入模型,更新模型参数。
发明内容
本发明的目的在于解决上述问题,提供一种针对区域电网输电线 路受强降雨次生地质灾害的预报模型构建方法,以提高灾害预报能力, 便于电网相关部门提前采取应对措施,以达到科学防治电网地质灾害, 降低强降雨次生地质灾害对电网的影响面,减少社会经济损失。
为实现本发明的目的,提供一种基于机器学习的区域电网地质 灾害预报模型构建方法,包括以下步骤:
S1、构建地质灾害的正负样本集,所述正负样本集为两类互斥样 本的集合;
S2、构建地质灾害的影响因子;
S3、搭建机器学习模型,并对所述机器学习模型进行训练;
S4、通过所述机器学习模型进行预测,并对预测结果进行检验。
优选的,步骤S1中,所述正负样本集由实际发生在电网输电设 备5km范围内的由降雨导致的有明确时间和地理坐标的地质灾害个 例构建的正样本和由正样本附近的负样本共同构成。
优选的,所述负样本由同一时间下距离正样本5km以外20km以 内区域的雨量观测点构成,且以所述雨量观测点为中心的5km范围内 当日无地质灾害发生。
优选的,步骤S2中,所述影响因子包括地质因子、地灾因子和 降雨因子。
优选的,所述地质因子包括地形、高差、土地利用、坡度和岩性。
优选的,所述地灾因子由每条正负样本为中心的20km范围内的 历史地质灾害频率构成。
优选的,所述降雨因子由灾害发生前1-20天内的有效雨量和灾 害发生前24小时内最大小时雨强构成。
优选的,灾害发生前1-20天内的有效雨量可通过以下公式进行 计算:
式中:R为灾害发生前n天内的有效降水量(mm),n取值为1-20, Ri为地质灾害发生前第i天的有效降水量(mm),K为衰减系数,取 值为0.8。
优选的,步骤S3中,所述机器学习模型为随机森林机器学习模 型,以步骤S1中正负样本集的80%进行机器学习模型训练。进一步 的,可从所述正负样本集中随机抽取80%的样本作为训练样本集进行 训练。
优选的,步骤S4中,以步骤S3中训练得到的模型及步骤S1中 正负样本集的剩余20%进行机器学习模型的预测和检验。进一步的, 可通过预测结果与样本真值比较进行模型检验,以评估机器学习模型。
优选的,机器学习模型的检验包括精度P、召回率R和F1值。
可以理解的是,所述随机森林模型指一种集成学习算法,通过组 合多个弱分类器,最终结果通过投票或取均值,使得整体模型的结果 具有较高的精确度和泛化性能。随机性表现在每棵树的生长,训练样 本随机抽取、特征随机抽取。
本发明的技术优势效果体现在:
所提供的基于机器学习的区域电网地质灾害预报模型构建方法, 抛弃了区域性的地质灾害易发性区划环节,直接以灾点构建样本,在 精确的灾点坐标范围内构建各影响因子,提高了模型的精准性和针对 性。
此外,利用机器学习方法,实现影响因子特征自动学习,模型自 动学习提取重要特征、自动分配因子权重,避免了认为干扰带来的随 意性和片面性。
进一步的,机器学习模型通过特征空间的高维映射、变换,具备 复杂非线性对象表征能力,可以更加准确的描述地质条件、降水和地 质灾害之间复杂的非线性耦合关系。
最后,所述的基于机器学习的区域电网地质灾害预报模型构建方 法具有较强的可扩展性,只需要提供新的影响因子、新的灾害样本, 就能动态的更新模型,进一步提高模型的准确性。
附图说明
图1为本发明实施例的基于机器学习的区域电网地质灾害预报模 型构建方法的原理示意图;
图2为一种示例性的地形分布图;
图3为一种示例性的高差分布图;
图4为一种示例性的土地利用分布图;
图5为一种示例性的坡度分布图;
图6为一种示例性的岩性分布图;
图7为随机森林模型结构示意图;
图8为通过模型输出的特征重要性排行。
具体实施方式
下面结合附图和实施例,对本发明进行详细阐述,应该说明的是, 本发明的具体实施例方式并不限于所提供的具体实施例。
强降雨条件下次生电网地质灾害,与电网线路沿线的地质条件、 历史地灾情况、累计降雨、激发雨强等多种因素有关,他们之间的关 系是一种复杂的非线性关系。本发明的基于机器学习的区域电网地质 灾害预报模型构建方法,将上述因子与地质灾害有机的结合起来,通 过机器学习方法自动学习影响因子特征,自动提取重要特征、自动分 配因子权重,通过特征空间的高维映射、变换,实现电网线路地灾影 响因子和地灾之间复杂耦合关系的准确描述,实现电网地质灾害预报。
作为一种具体的实施例,一种基于机器学习的区域电网地质灾害 预报模型构建方法,包括以下步骤:
S1、构建地质灾害的正负样本集,所述正负样本集为两类互斥样 本的集合;
S2、构建地质灾害的影响因子;
S3、搭建机器学习模型,并对所述机器学习模型进行训练;
S4、通过所述机器学习模型进行预测,并对预测结果进行检验。
作为一种具体的,具体实施流程如图1所示:首先,根据历史灾 情构建地质灾害的样本集,包括正样本和负样本;其次,根据样本的 时间、空间坐标信息构建样本特征(机器学习领域将样本的影响因子 称作样本特征);进一步的,将样本集合划分为互斥的两份:80%的 样本作为训练集用于模型训练,剩余20%作为测试集用于模型检验评 估;最后,用训练得到的模型和测试集样本进行预测、检验,评估模 型的性能。
以下,结合附图对实施例的四个步骤进行详细阐述。
步骤1:正负样本集构建:
(1)正样本集构建
选取电网沿线已发生的地质灾害个例为正样本,所述正样本选择 标准为同时满足以下限制条件:灾害诱发因素为强降雨诱发、具有明 确的灾害发生时间、具有明确的灾害发生地点坐标、以灾点为中心的 5km范围内有雨量观测站。
(2)负样本集构建
负样本集构建以上述步骤1中第(1)条所述构建的正样本集为 依据,且为一一对应关系。步骤如下:①、对于每一条正样本,划定 一个缓冲区域来寻找负样本,缓冲区域的区域范围为距离该正样本 5km以外20km以内范围的空间区域;②、搜索①中划定区域内所有 雨量观测点;③、对搜索到的所有观测点,设定5km影响半径;④、 如果在5km的影响半径内当日无地质灾害灾情,且该观测点与对应的 正样本之间的距离大于5km(保证正负样本的影响半径不重叠),则 选取该观测点作为一条负样本。当满足条件的观测点大于1时,随机 选取其中一个点作为负样本;⑤、对所有正样本重复上述步骤直至完 成所有负样本的构建,形成负样本集。
(3)正负样本集构建
合并上述正样本集、负样本集,形成正负样本集。
可以理解的是,用于构建正负样本集的地灾数据采用的是具有明 确的时间和空间信息的地灾点,地灾点降雨观测数据较为完整,用于 建模比较理想。
步骤2:地质灾害影响因子构建:
降雨诱发的地质灾害受地质条件、历史灾害情况、降雨因素等的 共同影响,所以影响因子构建从3个方面来进行,分别是:地质因子、 地灾因子、降雨因子。
(1)地质因子
本实施例选取的地质因子包括:地形、高差、土地利用、坡度、 岩性(如图2-图6)。地形因子指地形海拔高度;高差指3km范围内 高度落差;土地利用指土地资源分类,反映土地开发利用程度及土地 类型;坡度反映斜坡的陡峭程度;岩性反映岩石特征的一些属性,如 颜色、成分、结构、胶结物、及胶结类型、特殊矿物等。
(2)地灾因子
本实施例的地灾因子是指样本(正样本+负样本)20km范围内的 历史地灾频率,即发生在某一条样本20km范围内的历史地灾次数占 整个分析区域(即包含了多条样本的目标分析区域)历史上发生的地 灾总数的比例。
上述历史地灾是指观测到的至少有明确地理坐标的地灾个例,由 于观测条件有限、观测不规范等原因,大多数地灾个例虽然记录了灾 害的地理坐标但没有明确的灾害发生时间,因而无法获取这些记录对 应的降雨数据,不能用于构建模型训练用的样本集。但是历史地灾的 发生情况一定程度上可以反映地质条件的稳定程度和降雨的气候规 律,历史上大量发生地质灾害的地区,表明地质条件不稳定,同时该 地区雨量充沛,易诱发地质灾害,因此,该数据用于构建模型的影响 因子是科学合理的。
(3)降雨因子
本实施例中的降雨因子包括两部分:地质灾害前1-20天内有效 雨量和24小时内最大小时雨强。
有效雨量由于考虑了降雨随时间的衰减效应,较累计降雨量能更 好的反映降水的真实情况,地质灾害前1-20天内有效雨量的计算方 法如下:
式中:R为有效降水量(mm),Ri为地质灾害发生前第i天的降 水量(mm),n为灾害发生当日往前推算天数,K为衰减系数,取0.8。 本实施例中,n取值1-20,利用上述公式分别计算1-20天的有效雨 量。
24小时内最大小时雨强指灾害发生前24小时内的小时降水量的 最大值。
步骤3:机器学习模型搭建与训练:
本实施例中机器学习模型搭建与训练流程如图1所示,步骤如下。
(1)样本分割
样本分割指将总体样本集合划分为两个互不相交的集合(训练集 和测试集),目的在于用训练集训练模型,测试集用来对模型进行测 试检验评估。
本实施例中,从总体样本中随机抽取80%的样本作为训练集,剩 余20%作为测试集。
(2)模型搭建
本实施例中选用的机器学习模型为随机森林模型,随机森林是一 种集成算法(Ensemble Learning),它属于Bagging类型,通过组 合多个弱分类器,最终结果通过投票或取均值,使得整体模型的结果 具有较高的精确度和泛化性能。其可以取得不错成绩,主要归功于 “随机”和“森林”,一个使它具有抗过拟合能力,一个使它更加精 准。
模型结构如图7所示:(1)从训练数据集中采用有放回的随机 抽样方式,随机抽取i个样本,构成集合D(D1,D2,...,Di)。(2) 基于样本集合D建立i个分类器C(C1,C2,...,Ci),本实施例中 分类器C中的基分类器采用决策树分类器。(3)i个分类器分别进 行训练预测,得到i个预测结果,然后采取投票法进行汇总,形成一 个强分类器。随机森林最终的预测结果即投票结果。
(3)模型训练
利用训练集对模型进行训练,模型输入为所有样本的特征(影响 因子)共27个,模型输出为所有样本的标签。所述标签可人为定义, 本实施例中,定义正样本标签为1,负样本标签为0。模型可人为设 定基分类器数量参数值为500,其余参数保持默认状态。模型输入的 具体样本特征见表1:
表1
其中,岩层性质分类参见表2:
表2
图4中的,土地利用分类包括:县界、耕地、林地、草地、水域、 居民用地和未开发用地。
步骤4:模型预测检验:
利用步骤3中训练得到的模型和测试集数据进行预测,并与测试 集中的真实标签进行比较,进行模型检验评估。
二分类问题常用的评估指标是精度P(Precision)、召回率 R(Recall)、F1值(F1-score)。其定义如下:假设正样本(标签为1) 为正类,负样本(标签为0)为负类,那么模型在测试数据集上预测 要么正确要么不正确,总共会出现4种情况:(1)TP(true positive):将正类预测为正类;(2)FN(false negative):将正类预测为负 类;(3)FP(falsepositive):将负类预测为正类;(4)TN(true negative):将负类预测为负类。则有:
检验结果如表3所示:
表3
Precision | Recall | F1-score | |
0(负样本) | 0.98 | 0.91 | 0.95 |
1(正样本) | 0.91 | 0.98 | 0.95 |
总体平均 | 0.95 | 0.95 | 0.95 |
从表1中可以看出,有91%的正样本(地灾样本)被成功预测, 同时只有2%的正样本没有被召回,也就是漏报率为2%,F1-score达 到了95%。模型总体准确率来看,精度、召回率、F1-score都达到了 95%,取得了很高的准确率,较目前已有的技术方法有较大的提高。
通过模型输出的特征重要性排行如图8所示,通过分析各影响 因子的贡献可知,降雨是最重要的影响因子,尤其中9-14天的有效 降雨量贡献最大,其次是灾害发生前24小时内的最大雨强,而地质 因子的作用同样不可忽视,其中坡度、高差、土地利用、地形这四个因子对地质灾害都具有很重要的影响,而岩性的影响作用则很 小。总体来讲,机器学习方法得出的结论与过去的研究基本吻合, 降雨和地质条件对地质灾害都具有决定性的影响,而降雨是最主要的诱发因素。
Claims (10)
1.基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,包括以下步骤:
S1、构建地质灾害的正负样本集,所述正负样本集为两类互斥样本的集合;
S2、构建地质灾害的影响因子;
S3、搭建机器学习模型,并对所述机器学习模型进行训练;
S4、通过所述机器学习模型进行预测,并对预测结果进行检验。
2.根据权利要求1所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,步骤S1中,所述正负样本集由实际发生在电网输电设备5km范围内的由降雨导致的有明确时间和地理坐标的地质灾害个例构建的正样本和由正样本附近的负样本共同构成。
3.根据权利要求2所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,所述负样本由同一时间下距离正样本5km以外20km以内区域的雨量观测点构成,且以所述雨量观测点为中心的5km范围内当日无地质灾害发生。
4.根据权利要求1所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,步骤S2中,所述影响因子包括地质因子、地灾因子和降雨因子。
5.根据权利要求4所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,所述地质因子包括地形、高差、土地利用、坡度和岩性。
6.根据权利要求4所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,所述地灾因子由每条正负样本为中心的20km范围内的历史地质灾害频率构成。
7.根据权利要求4所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,所述降雨因子由灾害发生前1-20天内逐天的有效雨量和灾害发生前24小时内最大小时雨强构成。
9.根据权利要求1所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,步骤S3中,所述机器学习模型为随机森林机器学习模型,以步骤S1中正负样本集的80%进行机器学习模型训练;
步骤S4中,以步骤S3中训练得到的模型及步骤S1中正负样本集的剩余20%进行机器学习模型的预测和检验。
10.根据权利要求10所述的基于机器学习的区域电网地质灾害预报模型构建方法,其特征在于,机器学习模型的检验包括精度P、召回率R和F1值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341955.2A CN111144637A (zh) | 2019-12-24 | 2019-12-24 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341955.2A CN111144637A (zh) | 2019-12-24 | 2019-12-24 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144637A true CN111144637A (zh) | 2020-05-12 |
Family
ID=70519454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911341955.2A Pending CN111144637A (zh) | 2019-12-24 | 2019-12-24 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144637A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001435A (zh) * | 2020-08-18 | 2020-11-27 | 中国地质环境监测院 | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 |
CN112967475A (zh) * | 2021-01-29 | 2021-06-15 | 深圳市安泰数据监测科技有限公司 | 一种智能化区域性滑坡监测管理方法及装置 |
CN113033599A (zh) * | 2021-02-01 | 2021-06-25 | 陈建华 | 面向露头地质体岩层分层的空间随机森林算法 |
CN117851919A (zh) * | 2024-03-06 | 2024-04-09 | 成都理工大学 | 一种基于集成学习的滑坡误报识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214604A (zh) * | 2018-11-02 | 2019-01-15 | 国网湖南省电力有限公司 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
CN110298480A (zh) * | 2019-05-20 | 2019-10-01 | 济南大学 | 一种山洪灾害临界雨量指标计算方法及系统 |
-
2019
- 2019-12-24 CN CN201911341955.2A patent/CN111144637A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214604A (zh) * | 2018-11-02 | 2019-01-15 | 国网湖南省电力有限公司 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
CN110298480A (zh) * | 2019-05-20 | 2019-10-01 | 济南大学 | 一种山洪灾害临界雨量指标计算方法及系统 |
Non-Patent Citations (1)
Title |
---|
余坤勇 等: "基于随机森林模型的山体滑坡空间预测研究", 《农业机械学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001435A (zh) * | 2020-08-18 | 2020-11-27 | 中国地质环境监测院 | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 |
CN112967475A (zh) * | 2021-01-29 | 2021-06-15 | 深圳市安泰数据监测科技有限公司 | 一种智能化区域性滑坡监测管理方法及装置 |
CN113033599A (zh) * | 2021-02-01 | 2021-06-25 | 陈建华 | 面向露头地质体岩层分层的空间随机森林算法 |
CN113033599B (zh) * | 2021-02-01 | 2024-03-15 | 陈建华 | 基于空间随机森林算法的露头地质体岩层分层方法 |
CN117851919A (zh) * | 2024-03-06 | 2024-04-09 | 成都理工大学 | 一种基于集成学习的滑坡误报识别方法 |
CN117851919B (zh) * | 2024-03-06 | 2024-05-03 | 成都理工大学 | 一种基于集成学习的滑坡误报识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
US20230141886A1 (en) | Method for assessing hazard on flood sensitivity based on ensemble learning | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
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 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN113554345B (zh) | 地震滑坡灾害区域及灾害链风险评估方法 | |
CN109636104A (zh) | 矿山地质环境质量演变规律的综合评价方法 | |
CN112949953B (zh) | 基于pp理论和af模型的暴雨预报方法 | |
CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
CN113988688A (zh) | 一种耕地生态可持续性评价方法和系统 | |
CN109118004B (zh) | 一种工程构筑选址适宜区预测方法 | |
CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
CN104318717A (zh) | 一种历史数据短缺条件下的暴雨泥石流预警方法 | |
CN104715159A (zh) | 一种线性工程地质灾害危险性评估的多层次分析法 | |
CN114065127A (zh) | 一种区域电网环境风险评估方法 | |
CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
CN113240257A (zh) | 一种基于最小累积阻力模型的国土空间分区方法和装置 | |
CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
Sahu et al. | Testing some grouping methods to achieve a low error quantile estimate for high resolution (0.25 x 0.25) precipitation data | |
CN113191642B (zh) | 一种基于最优组合策略的区域滑坡敏感性分析方法 | |
CN114219123A (zh) | 基于频率比-随机森林模型的区域崩岗易发性预测方法 | |
CN114093133A (zh) | 一种区域地质灾害气象预报预警方法 | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
CN112233381A (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与系统 | |
CN113128811A (zh) | 一种基于强降水的电网系统地质灾害风险评估方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |
|
RJ01 | Rejection of invention patent application after publication |