CN111415492B - 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 - Google Patents

一种基于模糊综合评价算法的边坡滑坡预警方法及系统 Download PDF

Info

Publication number
CN111415492B
CN111415492B CN202010355179.8A CN202010355179A CN111415492B CN 111415492 B CN111415492 B CN 111415492B CN 202010355179 A CN202010355179 A CN 202010355179A CN 111415492 B CN111415492 B CN 111415492B
Authority
CN
China
Prior art keywords
matrix
judgment
fuzzy comprehensive
comprehensive evaluation
landslide
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
CN202010355179.8A
Other languages
English (en)
Other versions
CN111415492A (zh
Inventor
雷添杰
贾金生
郑璀莹
李翔宇
王嘉宝
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 Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202010355179.8A priority Critical patent/CN111415492B/zh
Publication of CN111415492A publication Critical patent/CN111415492A/zh
Application granted granted Critical
Publication of CN111415492B publication Critical patent/CN111415492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Emergency Management (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提出了一种基于模糊综合评价算法的边坡滑坡预警方法。本发明综合考虑了会造成滑坡风险的降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度等因素，克服单一的形变速度无法较早的预警滑坡风险的技术缺陷，提高了预警的前沿性；基于模糊评价算法确定各个影响因素的权重，同时为了克服模糊综合评价算法的主观性大的技术缺陷，本发明利用各个影响因素不同观测值对应的边坡风险等级的历史数据，计算同一影响因素的不同观测值的平均值，以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵，采用蒙特卡洛算法确定评价值区间，并采用训练的方式确定各个影响因素的权重，提高了滑坡预测的客观性和准确度。

Description

一种基于模糊综合评价算法的边坡滑坡预警方法及系统
技术领域
本发明涉及风险预警技术领域，特别是涉及一种基于模糊综合评价算法的边坡滑坡预警方法及系统。
背景技术
滑坡是斜坡岩土体沿着贯通的剪切破坏面所发生的滑移地质现象。滑坡常常给工、农业生产以及人民生命财产造成巨大损失、有的甚至是毁灭性的灾难。对于滑坡的预警是减少滑坡损失最有效的方法，然而现有的滑坡预警的方法有多种，基于影像监测的方法，往往无法察觉边坡细微的变化，当发现风险时，通常距离滑坡产生的时间非常的有限，无法给人员和物资的转移留下充足的时间，基于概率统计的方式，准确性差，无法有效地指导预防。
发明内容
本发明的目的是提供一种基于模糊综合评价算法的边坡滑坡预警方法及系统，以提高滑坡预警的前沿性和准确性。
为实现上述目的，本发明提供了如下方案：
一种基于模糊综合评价算法的边坡滑坡预警方法，所述预警方法包括如下步骤：
确定导致边坡滑坡的影响因素；所述影响因素包括：降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度；
获取各个影响因素的不同观测值对应的边坡风险等级的历史数据，并对所述历史数据进行归一化处理，建立包括归一化后的历史数据的训练样本数据集；
根据所述历史数据计算同一影响因素的不同观测值的平均值；以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵；
构建模糊综合评价模型；
根据所述等级模糊综合评价矩阵和所述模糊综合评价模型，采用蒙特卡洛算法确定每一滑坡风险等级的评价值区间；
利用所述等级模糊综合评价矩阵和所述评价值区间对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重；
实时获取边坡的影响因素的当前值，并根据每个影响因素的权重，计算获得所述当前值的模糊评价结果；
根据所述模糊评价结果所属的评价值区间进行边坡预警。
可选的，所述模糊综合评价模型为：B＝A*R，其中，B为滑坡风险，A为风险因素权重向量矩阵，R为等级模糊综合评价矩阵。
可选的，所述利用所述等级模糊综合评价矩阵对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重，具体包括：
构建判断矩阵；
判断所述判断矩阵是否通过一致性检验，得到第一判断结果；
若所述第一判断结果表示所述判断矩阵没有通过一致性检验，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”；
若所述第一判断结果表示所述判断矩阵通过一致性检验，则根据所述判断矩阵确定每个影响因素的权重，构建风险因素权重向量矩阵；
将所述风险因素权重向量矩阵输入所述模糊综合评价模型，获得每个等级模糊综合评价矩阵对应的滑坡风险的评价值；
判断每一个滑坡风险的评价值是否在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，得到第二判断结果；
若所述第二判断结果表示每一个滑坡风险的评价值均在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则输出所述风险因素权重向量矩阵；
若所述第二判断结果表示每一个滑坡风险的评价值没有全在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”。
可选的，所述判断矩阵是否通过一致性检验，得到第一判断结果，具体包括：
利用公式
Figure GDA0002829033070000021
计算所述判断矩阵的特征向量的最大特征值λmax；其中，C表示判断矩阵，W表示判断矩阵的特征向量，W＝{w1,…,wi,…,wn}，wi表示将判断矩阵第i行元素的乘积的n次方根归一化得到的判断矩阵的第i个特征值，
Figure GDA0002829033070000031
表示判断矩阵第i行元素的乘积的n次方根，
Figure GDA0002829033070000032
n表示判断矩阵阶数；aij表示判断矩阵第i行第j列的元素；
根据所述最大特征值，利用公式
Figure GDA0002829033070000033
计算判断矩阵的一致性指标CI；
根据所述一致性指标CI，利用公式
Figure GDA0002829033070000034
计算判断矩阵的一致性概率CR，其中，RI为判断矩阵阶数对应的系数；
当所述一致性概率CR小于0.1时，所述第一判断结果表示所述判断矩阵通过一致性检验；
当所述一致性概率CR不小于0.1时，所述第一判断结果表示所述判断矩阵没有通过一致性检验。
一种基于模糊综合评价算法的边坡滑坡预警系统，所述预警系统包括：
影响因素确定模块，用于确定导致边坡滑坡的影响因素；所述影响因素包括：降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度；
训练样本数据集建立模块，用于获取各个影响因素的不同观测值对应的边坡风险等级的历史数据，并对所述历史数据进行归一化处理，建立包括归一化后的历史数据的训练样本数据集；
等级模糊综合评价矩阵构建模块，用于根据所述历史数据计算同一影响因素的不同观测值的平均值；以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵；
模糊综合评价模型构建模块，用于构建模糊综合评价模型；
评价值区间确定模块，用于根据所述等级模糊综合评价矩阵和所述模糊综合评价模型，采用蒙特卡洛算法确定每一滑坡风险等级的评价值区间；
训练模块，用于利用所述等级模糊综合评价矩阵和所述评价值区间对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重；
模糊评价模块，用于实时获取边坡的影响因素的当前值，并根据每个影响因素的权重，计算获得所述当前值的模糊评价结果；
预警模块，用于根据所述模糊评价结果所属的评价值区间进行边坡预警。
可选的，所述模糊综合评价模型为：B＝A*R，其中，B为滑坡风险，A为风险因素权重向量矩阵，R为等级模糊综合评价矩阵。
可选的，所述训练模块，具体包括：
判断矩阵构建子模块，用于构建判断矩阵；
第一判断子模块，用于判断所述判断矩阵是否通过一致性检验，得到第一判断结果；
第一参数更新子模块，用于若所述第一判断结果表示所述判断矩阵没有通过一致性检验，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”；
第二参数更新子模块，用于若所述第一判断结果表示所述判断矩阵通过一致性检验，则根据所述判断矩阵确定每个影响因素的权重，构建风险因素权重向量矩阵；
模糊评价子模块，用于将所述风险因素权重向量矩阵输入所述模糊综合评价模型，获得每个等级模糊综合评价矩阵对应的滑坡风险的评价值；
第二判断子模块，用于判断每一个滑坡风险的评价值是否在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，得到第二判断结果；
参数输出子模块，用于若所述第二判断结果表示每一个滑坡风险的评价值均在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则输出所述风险因素权重向量矩阵；
第二参数更新子模块，用于若所述第二判断结果表示每一个滑坡风险的评价值没有全在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”。
可选的，所述第一判断子模块，具体包括：
最大特征值计算单元，用于利用公式
Figure GDA0002829033070000041
计算所述判断矩阵的特征向量的最大特征值λmax；其中，C表示判断矩阵，W表示判断矩阵的特征向量，W＝{w1,…,wi,…,wn}，wi表示将判断矩阵第i行元素的乘积的n次方根归一化得到的判断矩阵的第i个特征值，
Figure GDA0002829033070000051
表示判断矩阵第i行元素的乘积的n次方根，
Figure GDA0002829033070000052
表示判断矩阵阶数；aij表示判断矩阵第i行第j列的元素；
一致性指标计算单元，用于根据所述最大特征值，利用公式
Figure GDA0002829033070000053
计算判断矩阵的一致性指标CI；
一致性概率计算单元，用于根据所述一致性指标CI，利用公式
Figure GDA0002829033070000054
计算判断矩阵的一致性概率CR，其中，RI为判断矩阵阶数对应的系数；
第一判断结果获取单元，用于当所述一致性概率CR小于0.1时，所述第一判断结果表示所述判断矩阵通过一致性检验；当所述一致性概率CR不小于0.1时，所述第一判断结果表示所述判断矩阵没有通过一致性检验。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种基于模糊综合评价算法的边坡滑坡预警方法。本发明综合考虑了会造成滑坡风险的降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度等影响因素，克服单一的形变速度无法较早的预警滑坡风险的技术缺陷，提高了预警的前沿性；基于模糊评价算法确定各个影响因素的权重，同时为了克服模糊综合评价算法的主观性大的技术缺陷，利用每个滑坡风险等级的历史数据的同一影响因素的平均值构建等级模糊综合评价矩阵，采用蒙特卡洛算法确定评价值区间，并采用训练的方式确定各个影响因素的权重，提高了滑坡预测的客观性和准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于模糊综合评价算法的边坡滑坡预警方法的流程图；
图2为本发明提供的一种基于模糊综合评价算法的边坡滑坡预警系统的结构示意图。
具体实施方式
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。
本发明的目的是提供一种基于模糊综合评价算法的边坡滑坡预警方法及系统，以提高滑坡预警的前沿性和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于模糊综合评价算法的边坡滑坡预警方法，所述预警方法包括如下步骤：
步骤101，确定导致边坡滑坡的影响因素；所述影响因素包括：降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度；
步骤102，获取各个影响因素的不同观测值对应的边坡风险等级的历史数据，并对所述历史数据进行归一化处理，建立包括归一化后的历史数据的训练样本数据集。
利用公式
Figure GDA0002829033070000061
对历史数据进行归一化。其中，xij表示第i个影响因素的第j个历史数据，yij表示第i个影响因素的第j个历史数据归一化之后的数据，min(xi)和max(xi)分别表示第i个影响因素的最小值和最大值。
步骤103，根据所述历史数据计算同一影响因素的不同观测值的平均值；以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵；
步骤104，构建模糊综合评价模型；所述模糊综合评价模型为：B＝A*R，其中，B为滑坡风险，A为风险因素权重向量矩阵，R为等级模糊综合评价矩阵。
步骤105，根据所述等级模糊综合评价矩阵和所述模糊综合评价模型，采用蒙特卡洛算法确定每一滑坡风险等级的评价值区间；
作为一种具体的实施方式，如图2所示，所述采用蒙特卡洛算法确定每一滑坡风险等级的平角区间具体包括：对步骤102获取的训练样本数据集进行统计检验。确定每一个滑坡风险等级的每一个影响因素的区间，及不同的影响因素在不同的区间内的模糊综合评价结果，获得每个滑坡风险等级的初始区间。
采用蒙特卡洛法对某一个初始区间A1进行模拟，第一次模拟的结果为A2。
确定模拟次数，模拟次数越高，得到的结果越接近最终值。假设模拟次数为5000次，按照步骤二，依次得出5000组模拟结果。结果为：A2,A3,A4..A5000。
将5000组模拟结果进行概率分布，建立概率模型g(X1,X2,X3...Xn)。计算该5000组数据中每个值出现的概率，画出概率直方图，出现概率最高的值即为该点位最终结果。将概率分布直方图中的数值的出现概率依次相加，其概率之和接近或等于100％时，停止计算，将每个概率对应的数值相加即为该点位的最终阈值，且该阈值的出现概率为100％。
依次对每个滑坡风险等级的初始区间重复上述步骤，得出每个滑坡风险等级的评价值区间区间。
步骤106，利用所述等级模糊综合评价矩阵和所述评价值区间对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重；
步骤106所述利用所述等级模糊综合评价矩阵对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重，具体包括：构建判断矩阵；判断所述判断矩阵是否通过一致性检验，得到第一判断结果；若所述第一判断结果表示所述判断矩阵没有通过一致性检验，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”；若所述第一判断结果表示所述判断矩阵通过一致性检验，则根据所述判断矩阵确定每个影响因素的权重，构建风险因素权重向量矩阵；将所述风险因素权重向量矩阵输入所述模糊综合评价模型，获得每个等级模糊综合评价矩阵对应的滑坡风险的评价值；判断每一个滑坡风险的评价值是否在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，得到第二判断结果；若所述第二判断结果表示每一个滑坡风险的评价值均在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则输出所述风险因素权重向量矩阵；若所述第二判断结果表示每一个滑坡风险的评价值没有全在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”，其中更新所述判断矩阵的方式为，若评价值偏小则增大风险因素值较大的重要性，减小风险因素值较小的重要性；若评价值偏大则增大风险因素值较小的重要性，减小风险因素值较大的重要性。
其中，所述构建判断矩阵，具体包括：采用综合评价的方式构建判断矩阵。
其中，所述判断所述判断矩阵是否通过一致性检验，得到第一判断结果，具体包括：利用公式
Figure GDA0002829033070000081
计算所述判断矩阵的特征向量的最大特征值λmax；其中，C表示判断矩阵，W表示判断矩阵的特征向量，W＝{w1,…,wi,…,wn}，wi表示将判断矩阵第i行元素的乘积的n次方根归一化得到的判断矩阵的第i个特征值，
Figure GDA0002829033070000082
表示判断矩阵第i行元素的乘积的n次方根，
Figure GDA0002829033070000083
n表示判断矩阵阶数；aij表示判断矩阵第i行第j列的元素；根据所述最大特征值，利用公式
Figure GDA0002829033070000084
计算判断矩阵的一致性指标CI；根据所述一致性指标CI，利用公式
Figure GDA0002829033070000085
计算判断矩阵的一致性概率CR，其中，RI为判断矩阵阶数对应的系数；当所述一致性概率CR小于0.1时，所述第一判断结果表示所述判断矩阵通过一致性检验；当所述一致性概率CR不小于0.1时，所述第一判断结果表示所述判断矩阵没有通过一致性检验。
步骤107，实时获取边坡的影响因素的当前值，并根据每个影响因素的权重，计算获得所述当前值的模糊评价结果。
步骤108，根据所述模糊评价结果所属的评价值区间进行边坡预警。
如图3所示，本发明还提供一种基于模糊综合评价算法的边坡滑坡预警系统，所述预警系统包括：
影响因素确定模块301，用于确定导致边坡滑坡的影响因素；所述影响因素包括：降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度；
训练样本数据集建立模块302，用于获取各个影响因素的不同观测值对应的边坡风险等级的历史数据，并对所述历史数据进行归一化处理，建立包括归一化后的历史数据的训练样本数据集；
等级模糊综合评价矩阵构建模块203，用于根据所述历史数据计算同一影响因素的不同观测值的平均值；以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵；
模糊综合评价模型构建模块304，用于构建模糊综合评价模型；所述模糊综合评价模型为：B＝A*R，其中，B为滑坡风险，A为风险因素权重向量矩阵，R为等级模糊综合评价矩阵。
评价值区间确定模块305，用于根据所述等级模糊综合评价矩阵和所述模糊综合评价模型，采用蒙特卡洛算法确定每一滑坡风险等级的评价值区间；
训练模块306，用于利用所述等级模糊综合评价矩阵和所述评价值区间对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重；
所述训练模块306，具体包括：判断矩阵构建子模块，用于构建判断矩阵；第一判断子模块，用于判断所述判断矩阵是否通过一致性检验，得到第一判断结果；第一参数更新子模块，用于若所述第一判断结果表示所述判断矩阵没有通过一致性检验，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”；第二参数更新子模块，用于若所述第一判断结果表示所述判断矩阵通过一致性检验，则根据所述判断矩阵确定每个影响因素的权重，构建风险因素权重向量矩阵；模糊评价子模块，用于将所述风险因素权重向量矩阵输入所述模糊综合评价模型，获得每个等级模糊综合评价矩阵对应的滑坡风险的评价值；第二判断子模块，用于判断每一个滑坡风险的评价值是否在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，得到第二判断结果；参数输出子模块，用于若所述第二判断结果表示每一个滑坡风险的评价值均在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则输出所述风险因素权重向量矩阵；第二参数更新子模块，用于若所述第二判断结果表示每一个滑坡风险的评价值没有全在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”。
其中，所述第一判断子模块，具体包括：最大特征值计算单元，用于利用公式
Figure GDA0002829033070000091
计算所述判断矩阵的特征向量的最大特征值λmax；其中，C表示判断矩阵，W表示判断矩阵的特征向量，W＝{w1,…,wi,…,wn}，wi表示将判断矩阵第i行元素的乘积的n次方根归一化得到的判断矩阵的第i个特征值，
Figure GDA0002829033070000101
表示判断矩阵第i行元素的乘积的n次方根，
Figure GDA0002829033070000102
n表示判断矩阵阶数；aij表示判断矩阵第i行第j列的元素；一致性指标计算单元，用于根据所述最大特征值，利用公式
Figure GDA0002829033070000103
计算判断矩阵的一致性指标CI；一致性概率计算单元，用于根据所述一致性指标CI，利用公式
Figure GDA0002829033070000104
计算判断矩阵的一致性概率CR，其中，RI为判断矩阵阶数对应的系数；第一判断结果获取单元，用于当所述一致性概率CR小于0.1时，所述第一判断结果表示所述判断矩阵通过一致性检验；当所述一致性概率CR不小于0.1时，所述第一判断结果表示所述判断矩阵没有通过一致性检验。
模糊评价模块307，用于实时获取边坡的影响因素的当前值，并根据每个影响因素的权重，计算获得所述当前值的模糊评价结果；
预警模块308，用于根据所述模糊评价结果所属的评价值区间进行边坡预警。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种基于模糊综合评价算法的边坡滑坡预警方法。本发明综合考虑了会造成滑坡风险的降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度等影响因素，克服单一的形变速度无法较早的预警滑坡风险的技术缺陷，提高了预警的前沿性；基于模糊评价算法确定各个影响因素的权重，同时为了克服模糊综合评价算法的主观性大的技术缺陷，利用每个滑坡风险等级的历史数据的同一影响因素的平均值构建等级模糊综合评价矩阵，采用蒙特卡洛算法确定评价值区间，并采用训练的方式确定各个影响因素的权重，提高了滑坡预测的客观性和准确度。
本说明书中等效实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，等效实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，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。

Claims (8)

1.一种基于模糊综合评价算法的边坡滑坡预警方法，其特征在于，所述预警方法包括如下步骤：
确定导致边坡滑坡的影响因素；所述影响因素包括：降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度；
获取各个影响因素的不同观测值对应的边坡风险等级的历史数据，并对所述历史数据进行归一化处理，建立包括归一化后的历史数据的训练样本数据集；
根据所述历史数据计算同一影响因素的不同观测值的平均值；以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵；
构建模糊综合评价模型；
根据所述等级模糊综合评价矩阵和所述模糊综合评价模型，采用蒙特卡洛算法确定每一滑坡风险等级的评价值区间；
利用所述等级模糊综合评价矩阵和所述评价值区间对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重；
实时获取边坡的影响因素的当前值，并根据每个影响因素的权重，计算获得所述当前值的模糊评价结果；
根据所述模糊评价结果所属的评价值区间进行边坡预警。
2.根据权利要求1所述的基于模糊综合评价算法的边坡滑坡预警方法，其特征在于，所述模糊综合评价模型为：B＝A*R，其中，B为滑坡风险，A为风险因素权重向量矩阵，R为等级模糊综合评价矩阵。
3.根据权利要求1所述的基于模糊综合评价算法的边坡滑坡预警方法，其特征在于，所述利用所述等级模糊综合评价矩阵对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重，具体包括：
构建判断矩阵；
判断所述判断矩阵是否通过一致性检验，得到第一判断结果；
若所述第一判断结果表示所述判断矩阵没有通过一致性检验，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”；
若所述第一判断结果表示所述判断矩阵通过一致性检验，则根据所述判断矩阵确定每个影响因素的权重，构建风险因素权重向量矩阵；
将所述风险因素权重向量矩阵输入所述模糊综合评价模型，获得每个等级模糊综合评价矩阵对应的滑坡风险的评价值；
判断每一个滑坡风险的评价值是否在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，得到第二判断结果；
若所述第二判断结果表示每一个滑坡风险的评价值均在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则输出所述风险因素权重向量矩阵；
若所述第二判断结果表示每一个滑坡风险的评价值没有全在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”。
4.根据权利要求3所述的基于模糊综合评价算法的边坡滑坡预警方法，其特征在于，所述判断矩阵是否通过一致性检验，得到第一判断结果，具体包括：
利用公式
Figure FDA0002829033060000021
计算所述判断矩阵的特征向量的最大特征值λmax；其中，C表示判断矩阵，W表示判断矩阵的特征向量，W＝{w1,…,wi,…,wn}，wi表示将判断矩阵第i行元素的乘积的n次方根归一化得到的判断矩阵的第i个特征值，
Figure FDA0002829033060000022
Figure FDA0002829033060000023
表示判断矩阵第i行元素的乘积的n次方根，
Figure FDA0002829033060000024
n表示判断矩阵阶数；aij表示判断矩阵第i行第j列的元素；
根据所述最大特征值，利用公式
Figure FDA0002829033060000031
计算判断矩阵的一致性指标CI；
根据所述一致性指标CI，利用公式
Figure FDA0002829033060000032
计算判断矩阵的一致性概率CR，其中，RI为判断矩阵阶数对应的系数；
当所述一致性概率CR小于0.1时，所述第一判断结果表示所述判断矩阵通过一致性检验；
当所述一致性概率CR不小于0.1时，所述第一判断结果表示所述判断矩阵没有通过一致性检验。
5.一种基于模糊综合评价算法的边坡滑坡预警系统，其特征在于，所述预警系统包括：
影响因素确定模块，用于确定导致边坡滑坡的影响因素；所述影响因素包括：降雨量、降雨速度、环境的温湿度、边坡松弛度、边坡含水量和边坡形变速度；
训练样本数据集建立模块，用于获取各个影响因素的不同观测值对应的边坡风险等级的历史数据，并对所述历史数据进行归一化处理，建立包括归一化后的历史数据的训练样本数据集；
等级模糊综合评价矩阵构建模块，用于根据所述历史数据计算同一影响因素的不同观测值的平均值；以每个影响因素的不同观测值的平均值为元素，构建等级模糊综合评价矩阵；
模糊综合评价模型构建模块，用于构建模糊综合评价模型；
评价值区间确定模块，用于根据所述等级模糊综合评价矩阵和所述模糊综合评价模型，采用蒙特卡洛算法确定每一滑坡风险等级的评价值区间；
训练模块，用于利用所述等级模糊综合评价矩阵和所述评价值区间对模糊综合评价模型的判断矩阵进行训练，获得每个影响因素的权重；
模糊评价模块，用于实时获取边坡的影响因素的当前值，并根据每个影响因素的权重，计算获得所述当前值的模糊评价结果；
预警模块，用于根据所述模糊评价结果所属的评价值区间进行边坡预警。
6.根据权利要求5所述的基于模糊综合评价算法的边坡滑坡预警系统，其特征在于，所述模糊综合评价模型为：B＝A*R，其中，B为滑坡风险，A为风险因素权重向量矩阵，R为等级模糊综合评价矩阵。
7.根据权利要求5所述的基于模糊综合评价算法的边坡滑坡预警系统，其特征在于，所述训练模块，具体包括：
判断矩阵构建子模块，用于构建判断矩阵；
第一判断子模块，用于判断所述判断矩阵是否通过一致性检验，得到第一判断结果；
第一参数更新子模块，用于若所述第一判断结果表示所述判断矩阵没有通过一致性检验，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”；
第二参数更新子模块，用于若所述第一判断结果表示所述判断矩阵通过一致性检验，则根据所述判断矩阵确定每个影响因素的权重，构建风险因素权重向量矩阵；
模糊评价子模块，用于将所述风险因素权重向量矩阵输入所述模糊综合评价模型，获得每个等级模糊综合评价矩阵对应的滑坡风险的评价值；
第二判断子模块，用于判断每一个滑坡风险的评价值是否在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，得到第二判断结果；
参数输出子模块，用于若所述第二判断结果表示每一个滑坡风险的评价值均在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则输出所述风险因素权重向量矩阵；
第二参数更新子模块，用于若所述第二判断结果表示每一个滑坡风险的评价值没有全在所述滑坡风险的评价值对应的等级模糊综合评价矩阵所对应的滑坡风险等级的评价值区间，则更新所述判断矩阵，返回步骤“判断所述判断矩阵是否通过一致性检验，得到第一判断结果”。
8.根据权利要求7所述的基于模糊综合评价算法的边坡滑坡预警系统，其特征在于，所述第一判断子模块，具体包括：
最大特征值计算单元，用于利用公式
Figure FDA0002829033060000051
计算所述判断矩阵的特征向量的最大特征值λmax；其中，C表示判断矩阵，W表示判断矩阵的特征向量，W＝{w1,…,wi,…,wn}，wi表示将判断矩阵第i行元素的乘积的n次方根归一化得到的判断矩阵的第i个特征值，
Figure FDA0002829033060000052
Figure FDA0002829033060000053
表示判断矩阵第i行元素的乘积的n次方根，
Figure FDA0002829033060000054
n表示判断矩阵阶数；aij表示判断矩阵第i行第j列的元素；
一致性指标计算单元，用于根据所述最大特征值，利用公式
Figure FDA0002829033060000055
计算判断矩阵的一致性指标CI；
一致性概率计算单元，用于根据所述一致性指标CI，利用公式
Figure FDA0002829033060000056
计算判断矩阵的一致性概率CR，其中，RI为判断矩阵阶数对应的系数；
第一判断结果获取单元，用于当所述一致性概率CR小于0.1时，所述第一判断结果表示所述判断矩阵通过一致性检验；当所述一致性概率CR不小于0.1时，所述第一判断结果表示所述判断矩阵没有通过一致性检验。
CN202010355179.8A 2020-04-29 2020-04-29 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 Active CN111415492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010355179.8A CN111415492B (zh) 2020-04-29 2020-04-29 一种基于模糊综合评价算法的边坡滑坡预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010355179.8A CN111415492B (zh) 2020-04-29 2020-04-29 一种基于模糊综合评价算法的边坡滑坡预警方法及系统

Publications (2)

Publication Number Publication Date
CN111415492A CN111415492A (zh) 2020-07-14
CN111415492B true CN111415492B (zh) 2021-03-16

Family

ID=71495062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010355179.8A Active CN111415492B (zh) 2020-04-29 2020-04-29 一种基于模糊综合评价算法的边坡滑坡预警方法及系统

Country Status (1)

Country Link
CN (1) CN111415492B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798672A (zh) * 2020-07-15 2020-10-20 安徽达尔智能控制系统股份有限公司 道路气象信息监测管理系统
CN112116276B (zh) * 2020-09-29 2023-05-05 广东电网有限责任公司广州供电局 一种计及电气主设备时变状态的变电站运行风险评估方法
CN112418680B (zh) * 2020-11-25 2024-05-31 浙江省工程勘察设计院集团有限公司 一种硬质刚性支护结构坡面生境构建的评价方法及系统
CN112508252A (zh) * 2020-11-27 2021-03-16 四川大学 一种地质滑坡预测计算方法
CN112836959B (zh) * 2021-02-01 2022-07-29 南京邮电大学 一种基于服务质量的数据中心能效评估方法
CN113295212B (zh) * 2021-05-26 2023-07-07 西北大学 应用多监测点协同作用的滑坡整体稳定性安全预警系统
CN113469513A (zh) * 2021-06-23 2021-10-01 北京科技大学 一种边坡安全风险评价方法
CN113554849A (zh) * 2021-08-09 2021-10-26 广东智云工程科技有限公司 一种空天地监测边坡系统及其失稳风险评估方法
CN114219362B (zh) * 2021-12-31 2023-04-07 中国电建集团成都勘测设计研究院有限公司 基于项目管理系统的综合评价方法
CN116050120B (zh) * 2023-01-06 2023-09-01 中国自然资源航空物探遥感中心 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质
CN117129556B (zh) * 2023-08-29 2024-02-02 中国矿业大学 基于无线传感器网络的室内tvoc浓度实时监测系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017022911A (ja) * 2015-07-13 2017-01-26 三菱自動車工業株式会社 車両の制御装置
CN105488307B (zh) * 2016-01-13 2018-08-31 武汉福天通科技有限公司 基于北斗的边坡监测预警系统评价方法
US10042051B2 (en) * 2016-04-27 2018-08-07 Codar Ocean Sensors, Ltd. Coastal HF radar system for tsunami warning
CN107220411A (zh) * 2017-05-03 2017-09-29 中南大学 一种滑坡变形程度的判别方法及其系统
KR20190136299A (ko) * 2018-05-30 2019-12-10 전자부품연구원 긴급구조를 위한 휴대 전등 장치 및 추적 시스템
CN109584510B (zh) * 2018-11-30 2021-02-02 中国公路工程咨询集团有限公司 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
CN110703360A (zh) * 2019-10-16 2020-01-17 西北大学 一种基于降雨量雨强和阈值的滑坡预报的三维效应模型
CN110986747B (zh) * 2019-12-20 2021-03-19 桂林电子科技大学 一种滑坡位移组合预测方法及系统

Also Published As

Publication number Publication date
CN111415492A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111415492B (zh) 一种基于模糊综合评价算法的边坡滑坡预警方法及系统
CN107798210B (zh) 一种多模型滑坡位移预测方法及其系统
CN111813084A (zh) 一种基于深度学习的机械装备故障诊断方法
CN110309609B (zh) 一种基于粗糙集和wnn的建筑室内空气品质评价方法
CN115270266B (zh) 基于改进层次分析法的边坡监测状态风险判断方法
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN115358301A (zh) 配电网电压数据清洗平台及其清洗方法
CN111738601A (zh) 一种基于熵权物元可拓模型的城市应急能力评估方法
CN115392619A (zh) 基于消防安全等级的预警方法、存储介质和电子设备
CN112001600B (zh) 一种基于svm和ds理论的渗漏水风险监测方法
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及系统
CN109635008B (zh) 一种基于机器学习的设备故障检测方法
CN113269384B (zh) 一种对河流系统健康状态进行预警的方法
CN116050564A (zh) 基于尾矿库坝体位移预测的算法流程
CN115115414A (zh) 一种基于机器学习的二手车估价方法
Owolabi et al. Development of priority index assessment model for road pavements in Nigeria
CN114118688A (zh) 基于序关系分析的电网工程造价风险预警方法
CN113642785A (zh) 基于先验信息的空间碎片轨道长期预报方法、系统及设备
CN116012634A (zh) 一种带钢板形分类方法、装置、计算机介质和设备
CN114048925A (zh) 一种电网综合运营预警方法、装置及终端设备
CN113919599A (zh) 一种中长期负荷预测方法
CN111859798A (zh) 基于双向长短时神经网络的流程工业故障诊断方法
Polat Forecasting of production and scrap amounts using artificial neural networks
CN113705093B (zh) 一种杆塔力学响应预测方法、装置、设备和介质
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法

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