CN111537056A

CN111537056A - 基于svm与时频域特征的管道沿线第三方施工动态预警方法

Info

Publication number: CN111537056A
Application number: CN202010652582.7A
Authority: CN
Inventors: 李清毅; 陈积明; 解剑波; 滕卫明; 钱济人; 杨秦敏; 范海东; 张国民; 周元杰; 丁楠; 沈佳园; 吕海舟
Original assignee: Zhejiang Energy Group Co ltd; Zhejiang Zheneng Natural Gas Operation Co ltd; Zhejiang University ZJU
Current assignee: Zhejiang Energy Group Co ltd; Zhejiang Zheneng Natural Gas Operation Co ltd; Zhejiang University ZJU
Priority date: 2020-07-08
Filing date: 2020-07-08
Publication date: 2020-08-14

Abstract

本发明涉及基于SVM与时频域特征的管道沿线第三方施工动态预警方法，包括以下步骤：S1、实时采集

波形数据，并对波形数据进行阈值触发以及数据预处理，获取可疑波段及其对应的可疑防区；S2、根据可疑波段的波形提取相应的时域特征和频域特征，并获取可疑防区对应的动态时空大数据信息；动态时空大数据信息包括时间信息、GIS信息、天气信息和高后果区信息；S3、将时域特征、频域特征及动态时空大数据信息输入SVM预测模型，实时判断可疑波段的波形对应的振动源是否为第三方施工，以便进行预警。本发明考虑了各防区的动态时空大数据信息，并结合波形的时域特征和频域特征，对第三方施工实现动态智能预警。

Description

基于SVM与时频域特征的管道沿线第三方施工动态预警方法

技术领域

本发明属于油气管道沿线安防技术领域，具体涉及基于SVM与时频域特征的管道沿线第三方施工动态预警方法。

背景技术

第三方在管道安全范围内的施工统称为“第三方施工”。长期以来，为维护油气管道的完整性和防止第三方施工破坏，投入了巨大的人力和财力，但是油气管道第三方施工，随机性强，不易预测和控制导致监视难度大。

分布式光纤振动传感器是近年来发展的一种用于实时测量空间振动分布的光纤传感系统。与管道同沟铺设的光缆作为传感介质，感知管道沿线的风险，通过机器学习算法，对管道沿线入侵事件进行智能识别，实现对管道的实时监测、定位、预警和报警。例如，公开号为CN108932480A的专利文献公开了一种基于1D-CNN的分布式光纤传感信号特征学习与分类方法，对获取的各空间点的分布式光纤传感声音、振动信号进行时间分割，建立典型事件信号数据集；构建一维卷积神经网络1D-CNN模型，利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数，利用最优网络学习并提取不同类型事件的1D-CNN可分辨特征，得到典型事件信号特征集；利用典型事件信号特征集训练不同类型分类器后，筛选出最佳分类器。测试时将测试数据输入最优1D-CNN网络得到事件可分辨特征，再输入最佳分类器得到分类结果。

由于油气管道分布范围广，所经过的地形、地貌不同，附近的干扰性活动复杂，若仅对管道沿线的振动源做单一的同类处理，而忽视管道沿线的土壤、土质、人类生活、天气、高后果区等因素的影响，难以实现对沿线施工情况的准确预警。

发明内容

针对现有技术中存在的上述不足之处，本发明提供基于SVM与时频域特征的管道沿线第三方施工动态预警方法。

为了达到上述发明目的，本发明采用以下技术方案：

基于SVM与时频域特征的管道沿线第三方施工动态预警方法，包括以下步骤：

S1、通过管道沿线铺设的分布式光纤传感器实时采集

波形数据，并对波形数据进行阈值触发以及数据预处理，获取可疑波段及其对应的可疑防区；

S2、根据可疑波段的波形提取相应的时域特征和频域特征，并获取可疑防区对应的动态时空大数据信息；所述动态时空大数据信息包括时间信息、GIS信息、天气信息和高后果区信息；

S3、将时域特征、频域特征及动态时空大数据信息输入SVM预测模型，实时判断可疑波段的波形对应的振动源是否为第三方施工，以便进行预警。

作为优选方案，所述步骤S1中，阈值触发包括：

将

波形数据，按10s为一小段处理单元，每小段波形前后取40%重叠进行波形分段，判断各小段波形内最大值是否超过预设阈值；若是，则将相应的波形段作为可疑波段；若否，则继续采集

波形数据。

作为优选方案，所述步骤S1中，数据预处理包括依次对可疑波段的波形进行滤波降噪、滑动窗口处理、一阶差分处理。

作为优选方案，所述步骤S2中，根据可疑波段的波形提取相应的时域特征，包括：

对数据预处理后的可疑波段的波形直接进行时域特征的提取，并对数据预处理后的可疑波段的波形先进行差分处理再进行时域特征提取，得到可疑波段对应的时域特征。

作为优选方案，所述时域特征包括波形的最大值、最小值、峰峰值、能量、平均值、绝对平均值、均方根、方差、标准差、峰值因子、偏度因子、间隙因子、波形因子、脉冲因子、裕度因子；

所述频域特征包括频率谱对应的振幅最大值、最小值、中位数、平均数、振幅峰差，振幅峰值对应的频率、重心频率、均方频率、均方根频率、频率方差、频率标准差。

作为优选方案，所述步骤S2中，得到可疑波段对应的时域特征和频域特征之后，采用主成分分析法PCA进行降维处理，降维至25维，并进行归一化处理。

作为优选方案，所述时间信息包括是否白天、是否工作日、是否节假日、是否上下班高峰期、是否特殊会议日期，所述时间信息采用独热编码；

所述GIS信息包括：

地质方面：是否农田、是否公路、是否池塘河流、是否城市、是否山林；

附近设施方面：是否存在工厂、是否高速公路、是否有密集活动的场合、附近人流量程度；

光纤掩埋方面：报警点距离、光纤掩埋深度。

作为优选方案，所述SVM预测模型的训练过程，包括：

采集分布式光纤传感器的历史波形数据，获取正常波形数据和第三方施工作业时刻、高速汽车行驶、工厂轰鸣、动物经过对应的报警波形数据；

对正常波形数据和报警波形数据进行数据预处理之后，提取各类型波形的时域特征和频域特征；

以离线方式将各类型波形的时域特征、频域特征以及各防区的动态时空大数据信息输入SVM模型进行训练，得到SVM预测模型。

作为优选方案，所述SVM预测模型的训练过程中，通过交叉检验调整SVM模型的相关超参数进行优化，直至SVM预测模型的AUC达到目标值。

作为优选方案，所述AUC的目标值不小于0.95。

本发明与现有技术相比，有益效果是：

（1）本发明考虑了各防区的动态时空大数据信息，并结合波形的时域特征和频域特征，对管道沿线第三方施工实现动态智能预警；

（2）本发明结合了防区的时间信息、GIS信息、天气信息、高后果区信息以及波形的时域特征和频域特征，再依靠机器学习的SVM模型，可实现对不同防区的智能化预警，有效提升报警的准确率；

（3）本发明有效降低人工巡线成本，可直接应用于管道保护预警，降低劳动强度，提高管道保护的效率，且易推广，在不同场景包括栅栏防护、电信电缆保护等均可适用。

附图说明

图1是本发明实施例1的

分布式光纤扰动传感系统的构架图；

图2是本发明实施例1的基于SVM与时频域特征的管道沿线第三方施工动态预警方法的流程图；

图3是本发明实施例1的可疑波段的波形数据的数据预处理的流程图；

图4是本发明实施例1的波形时域特征提取的流程图；

图5是本发明实施例1的PCA数据降维的流程图；

图6是本发明实施例1的SVM二维二分类线性模型示意图；

图7是本发明实施例1的SVM预测模型的训练流程图。

具体实施方式

为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。

实施例1：

本实施例在长输油气管道沿线铺设分布式光纤传感器，其与油气管道同样深埋在地下 3-5米左右，用

技术检测的光纤中沿轴向向后的后向瑞利散射光强，根据传回的后向瑞利散射光的相干干涉结果定位扰动事件的发生具体位置，并根据干涉波形的差异性，对振动源进行准确分类识别。

具体地，如图1所示，本实施例的

分布式光纤扰动传感系统，由三大部分组成，包括分布式光纤振动传感器、数据采集模块和计算机。

分布式光纤振动传感器具体包括：超窄线宽激光器、声光调制器、掺饵光纤放大器、环形器、沿管道铺设的分布式光纤；

数据采集模块包括光电探测器、拉曼放大和数据采集卡；

计算机作为传感器主机。

在实际的工程应用中，超窄线宽激光器、声光调制器、环形器、光电探测器以及其它相应的电源、驱动、检测电路和通信接口可集成在传感器主机中；传感光纤布置在外场的传感光缆中。超窄线宽激光器作为光源发出的激光经声光调制器调制为光脉冲，光脉冲通过环形器注入传感光纤，传感光纤中后向瑞利散射光在脉冲宽度内发生相干干涉，干涉光强经过环形器被探测器检测，经放大后通过数据采集卡进入主机进行数据处理和结果显示。

超窄线宽激光器为整个

分布式光纤扰动传感系统的光源，为系统提供超窄线宽光信号，保证整个

分布式光纤扰动传感系统能够正常工作。超窄线宽激光器光源的中心波长为1550nm，线宽约3kHz。

激光调制模块由上述声光调制器、掺饵光纤放大器和环形器构成。激光光源发出的连续激光，经过声光调制器调制为脉冲宽度约为486 ns的脉冲信号，调制后的脉冲光经过光放大器被放大后通过环形器进入传感和传导模块。

分布式光纤由一根标准的G652单模光纤构成，传感和传导功能均由这一条光纤完成。后向瑞利散射信号沿光纤向光传输方向的反方向传递通过环形器进入信号接收模块。

数据采集模块，负责将信号传回计算机进行后续处理。接收到的后向瑞利散射光信号由光电探测器转换为电信号，完成信号放大和存储。

在分布式光纤每相隔50米位置设立一个重点监测防区，即防区1、防区2、…、防区 n，用于检测该防区点半径25米区域内的施工情况。当有扰动作用在传感光纤上时，由于弹光效应，受到扰动位置的光相位产生变化，引起对应位置后向散射光的相位发生变化，脉冲宽度内散射光的干涉光强也会发生相应变化。将

不同时刻的后向瑞利散射光干涉光强曲线做差，差值曲线上光干涉信号发生剧烈变化的位置，对应扰动发生的位置，计算方法如公式（1）所示：

（1）

其中，z表示扰动发生的位置，c表示真空中的光速，n表示折射率，t表示系统发出脉冲与探测器接收到后向瑞利散射信号之间的时间差。

同样，根据干涉光强曲线的波动情况，采用适宜的方式处理，结合相关算法，可以实现准确判断是否存在挖机等第三方危险施工情况。

基于上述现有的系统构架，如图2所示，本实施例的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，包括以下步骤：

S1、通过管道沿线铺设的分布式光纤传感器实时采集

具体地，在管道沿线铺设分布式光纤，利用相位敏感光时域反射计

的干涉机理，从光纤中不同部分反射回来的瑞利散射光同时到达光探测器而发生干涉，用于探测管道沿线的各类振动情况，再根据振动波形的差异性，推测出振动源的类型。当发现振动源为挖机等第三方施工时，发出报警，及时安排相关人员进行早期干预，防止管道遭受破坏。

对于分布式光纤传回的振动波形，主要依据其在时域上的特征以及频域上的特征，即时域特征和频域特征。

首先，进行阈值触发，具体包括：上述实时采集管道沿线的

波形数据，按 10s为一小段处理单元，每小段波形前后取40%重叠，即0-10s为第一段，6-16s为第二段，12- 22s为第三段，以此类推。判断各小段波形内最大值是否超过预设阈值；若是，则将相应的波形段作为可疑波段，并确定可疑波段对应的可疑防区；若否，则继续采集

波形数据。

然后，对可疑波段的波形数据进行数据预处理操作，如图3所示，数据预处理主要包括滤波降噪处理、滑动窗口处理、一阶差分处理，得到更纯粹的可疑波段的波形。

确定可疑波段的波形以及可疑防区之后，进行下一步骤S2。

S2、根据可疑波段的波形提取相应的时域特征和频域特征，并获取可疑防区对应的动态时空大数据信息；所述动态时空大数据信息包括时间信息、GIS系统的信息（即GIS信息）、天气信息和高后果区的信息；

其中，如图4所示，根据可疑波段的波形提取相应的时域特征，包括：对可疑波段的波形直接进行时域特征的提取，还对可疑波段的波形先进行差分处理再进行时域特征的提取，得到可疑波段的时域特征。即同时保留差分处理前和差分处理后波形的时域特征。

具体地，波形的时域特征即为分布式光纤波形随着时间的变化情况，部分时域特征可由肉眼直观感受，如波形的最大值、最小值、超出某条预警线的点数等，某些特征需要进行一定的运算得到，如一段时间内的波形平均值、方差、短时能量等等，不同原因引起的波形振动其在相关的时域特征上往往有一定的差异性。如表1所示，波形的时域特征具体包括以下15个特征：最大值、最小值、峰峰值、能量、平均值、绝对平均值、均方根、方差、标准差、峰值因子、偏度因子、间隙因子、波形因子、脉冲因子、裕度因子。

表1针对波形提取的时域特征

本实施例的频域特征采用短时傅里叶等相关计算方法，对时序的干涉波形做频域分析，分析不同振动波形的低频、高频部分的特点，捕获在频域上挖机等第三方危险施工情况下，相对于其它振动源的波形特征差异性。短时傅里叶变换STFT是一种常用的信号时频分析方法，其基本思想是将信号傅里叶变换的积分区间局部化，是同时保留信号时域信息和频域信息的有效工具。通过对传感信号进行短时傅里叶变换可以有效分析出传感信号在不同扰动时间区域内的频率信息，从而将高频扰动和低频扰动进行区分。具体地，本实施例的频域特征包括11个，即提取频率谱对应的振幅最大值、最小值、中位数、平均数以及振幅峰差，同时获取振幅峰值对应的频率、重心频率、均方频率、均方根频率、频率方差、频率标准差。

本实施例在时域特征的处理上，提取了差分处理前15项特征和一阶差分处理的15项特征，共30个特征，在频域特征处理上，获取频率谱对应的振幅最大值、最小值、中位数、平均数，振幅峰差，振幅峰值对应的频率，重心频率，均方频率以及均方根频率、频率方差、频率标准差共11项特征数据，时频域共计41项特征。数据特征维度较多，由于本实施例提取得到的30维度的时域特征和11个维度的频域特征之间的某些特征往往存在一定的相关性，其会增加问题分析的复杂性，此处引入主成分分析法PCA进行数据降维处理，将41维数据降维至25维度，加快模型的训练与预测速度，降低系统负担。

主成分分析法PCA主要是依据各个特征间的通过计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值特征向量，选择特征值最大（即方差最大）的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中，实现数据特征的降维。

如图5所示，PCA数据降维的原理具体包括：

对于数据集矩阵X _m*n，X _i表示数据的第i维，

为平均值，m为特征数量，n为数据维度；

（1）对所有特征去平均值，即每一位特征减去各自的平均值：

；

（2）计算协方差矩阵：

；

（3）通过SVD计算协方差矩阵特征值和特征向量；

（4）对特征值从大到小排序，选择其中最大的k个。然后将其对应的k个特征向量分别作为列向量组成的k*n的特征向量矩阵

；

（5）将数据转换到k个特征向量构建的新空间中：

。

将上述25维特征做归一化处理，将波形数据归一化处理到[0，1]区间内，完成对时域特征和频域特征的提取和处理。

获取可疑波段的波形的时域特征和频域特征之后，再结合可疑防区对应的动态时空大数据信息，对各类实时的动态数据进行融合分析，从而进一步实现动态的智能化预警。

其中，动态时空大数据信息包括时间的信息、GIS系统的信息（简称GIS信息）、天气信息和高后果区的信息。

具体地，在可疑防区的时间特征上，防区的不同时间段的振动信号分析，环境的干扰特性必然有一定的差异。时间维度上，主要考量是否日昼、是否工作日/节假日、是否上下班高峰时间段，例如：上班高峰时间段7-9点，下班高峰时间段17-19点，对不同的时间段采用0/1的独热编码，从而在不同时间段采取不同的预警处理。按照独热编码方式，例如：工作日编码为1，非工作日编码为0，其他以此类推。

本实施例的可疑防区的时间段特征含有的特征共有5个，分别为：是否白天，是否工作日，是否节假日，是否上下班高峰期，是否特殊会议日期；特殊会议例如两会、G20等，开会期间施工会下降。

另外，不同防区的环境的可能活动有着较大的差异性，必然要根据防区特点因地适宜的进行智能化设定。在地理空间维度上，主要考虑各防区的土质地貌、是否存在高速公路、农田、河流等区域，分布式光纤掩埋深度、人流密度，是否存在工厂等，对公路、河流地形，是否工厂、高速公路等做独热编码，对光纤深度、人流密度等，大致分为0、1、2、3、4类，例如人流密度分布对应基本没人、人少、一半、人较多、人很多。对不同特点的防区，设立适宜的预警处理。

本实施例的可疑防区的GIS系统的信息主要对应防区的各项地理信息，包含但不限于防区所处的地质类型，土壤土质，所处环境（河流、树林、公路、农田、山道等），附近是否存在工厂、高速公路等干扰性强的场所。同时，预警点光缆距离与掩埋深度也是纳入分析的地理性特征，实现对不同放区段因地制宜地预警分析。本实施例的GIS系统的信息对应的特征数共有11个，分别为：

地质方面的：是否农田，是否公路，是否池塘河流，是否城市，是否山林；

附近设施方面的：是否存在工厂、是否高速公路、是否有较为密集活动的场合、附近人流量程度；

光纤掩埋方面的：报警点距离，对应光纤掩埋深度。

天气信息可从气象台实时获取，不同天气下，特别是温度、降雨情况下，土壤的湿度会有着较大的差异，埋没在地下的分布式光纤受振动影响情况会发生变换，同时，下雨、下雪对于振动源分析而言，也是一种较强的干扰因素；且恶劣天气下，一般性施工行为也会受之影响暂停施工，准确、实时的天气信息有助于提升预警的准确性。天气信息也可采用独热编码。

引入高后果区信息可有效提升系统的适应性。管道沿线高后果区一直是管道保护的重点对象，高后果区往往对应着人流量高、人为活动较为频繁的区域，其区域段对应的环境噪声也必然相对较大，考虑到高后果区对应的事故成本与影响，也可适当地提升预警对该类型地段的敏感性，保障管网安全运输。高后果区信息也可采用独热编码，高后果区独热编码具体根据相应的地区是否是高后果区；若是，则编码为1；若不是，则编码为0。

待时域特征、频域特征及动态时空大数据信息均获取完成后，接着进行下一步骤S3；

S3、将时域特征、频域特征及动态时空大数据信息输入SVM预测模型，实时判断可疑波段的波形对应的振动源是否为第三方施工，以便进行预警。若预测结果是危险施工，即振动源为第三方施工，则执行报警；若预测结果并非危险施工，即振动源不是第三方施工，则返回实时采集

波形数据。

其中，支持向量机SVM是目前较为成熟的一种机器学习算法，其通过事先对已知的一定量的样本数据进行离线训练得到系统预测模型，而后调用所得预测模型对未知数据进行在线预测，其基本原理是基于统计规律数学推导而来，准确率高、性能可靠。

以二维二分问题为例，SVM 基本思想为寻找到一个可分类的超平面使得训练集中属于不同分类的数据点正好处于超平面的两侧，并且这些数据点距离超平面尽可能远，即拥有最大间隔；其中，二维二分类线性模型的示意图如图6所示，图中的横坐标和纵坐标分别代表样本的两个特征维度，菱形和圆圈分别表示两类样本，w^Tx+b=0为将两类样本正确分开的分类线，x为样本中的向量，w为每个向量的可调权值，T为向量的转置，b为分类线在纵坐标上的偏移量；W1和W2分别为两类不同样本中离分类线最近的点且平行于分类线的直线，处于这两个直线上的数据点即成为支持向量，W1与W2之间的间距即为分类间隔Margin。所谓最优分类线，就是该分类线不但将两类样本正确地分开且使两类样本点的分类间隔最大。

具体地，如图7所示，本实施例的SVM预测模型的训练过程，包括：

采集分布式光纤传感器的历史波形数据对应的

波形数据，获取正常波形数据对应的

波形数据和第三方施工作业时刻、高速汽车行驶、工厂轰鸣、动物经过对应的报警波形数据对应的

波形数据；

对正常波形数据和报警波形数据对应的

波形数据进行数据预处理之后，提取各类型波形的时域特征和频域特征；然后对时域特征和频域特征进行PCA数据降维；

以离线方式将各类型波形的时域特征、频域特征以及各防区的动态时空大数据信息输入SVM模型进行训练，得到SVM预测模型。其中，动态时空大数据信息包括时间、GIS系统、天气信息和高后果区的汇总信息。另外，在模型训练过程中，历史波形数据中的非报警波形数据也参与模型的训练。

另外，在训练SVM预测模型时，主要通过交叉检验调整SVM模型的相关超参数，SVM在核函数上选取径向基函数核RRF，模型调参涉及的重要参数主要有：c，gamma，weight等。通过SVM模型的调参优化，判断SVM预测模型的AUC是否达到预期（即目标值）；若是，则得到最终的SVM预测模型；若否，则返回继续进行SVM模型的调参优化。

在优化目标上，引入混淆矩阵，对于一个事件的报警，其误报、漏报都有着一定的成本，其主要对应于混淆矩阵中的真正率和假正率。

真阳率TRP = TP/(TP+FN)：预测为正例的样本占实际正例样本数量的比例，描述了分类器对正例类别的敏感程度；

伪阳率FPR = FP/(FP+TN)：预测为正例的样本占实际负例样本数量的比例FPR越低，说明模型的效果越好。

而真阳率和伪阳率往往无法同时满足，其一般满足如下的曲线变化规律，即为ROC曲线。

AUC表达的是ROC曲线的面积，其计算方法同时考虑了分类器对于正例和负例的分类能力，在样本不平衡的情况下，依然能够对分类器作出合理的评价。

本实施例得到基于大量数据训练的SVM预测模型之后，部署在实时的预警系统之中，实时的获取阈值触发后波形的时域特征、频域特征以及各防区的动态时空大数据信息作为SVM预测模型的输入，实时判断出引起波形振动的是否为第三方施工，并给出相应的报警信息。经过测试表明，本实施例的SVM预测模型的AUC不小于0.95。

模型训练过程中对报警波形数据依次进行数据预处理，提取时域特征、频域特征，并结合各防区的动态时空大数据信息进行离线训练模型，具体可以参考上述数据处理以及特征提取的方式，在此不赘述。

将离线训练完成的SVM模型导入到实际的分布式光纤振动预警系统中，实现对振动信号分析与振动源识别，准确对是否存在第三方危险施工情况做出判断，以便进行预警。

实施例2：

本实施例的基于SVM与时频域特征的管道沿线第三方施工动态预警方法与实施例1的不同之处在于：

在可疑波段的波形提取相应的时域特征的过程中：

仅保留可疑波段的波形提取的时域特征，作为可疑波段对应的时域特征；

或者，仅保留对可疑波段的波形先进行差分处理再进行提取的时域特征，作为可疑波段对应的时域特征；

以满足不同的应用需求。

其他步骤可以参考实施例1。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims

1.基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，包括以下步骤：

S1、通过管道沿线铺设的分布式光纤传感器实时采集

2.根据权利要求1所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述步骤S1中，阈值触发包括：

将

波形数据。

3.根据权利要求1所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述步骤S1中，数据预处理包括依次对可疑波段的波形进行滤波降噪、滑动窗口处理、一阶差分处理。

4.根据权利要求1所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述步骤S2中，根据可疑波段的波形提取相应的时域特征，包括：

对数据预处理后的可疑波段的波形直接进行时域特征的提取，并对数据预处理后的可疑波段的波形先进行差分处理再进行时域特征的提取，得到可疑波段对应的时域特征。

5.根据权利要求4所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述时域特征包括波形的最大值、最小值、峰峰值、能量、平均值、绝对平均值、均方根、方差、标准差、峰值因子、偏度因子、间隙因子、波形因子、脉冲因子、裕度因子；

6.根据权利要求5所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述步骤S2中，得到可疑波段对应的时域特征和频域特征之后，采用主成分分析法PCA进行降维处理，降维至25维，并进行归一化处理。

7.根据权利要求1所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述时间信息包括是否白天、是否工作日、是否节假日、是否上下班高峰期、是否特殊会议日期，所述时间信息采用独热编码；

所述GIS信息包括：

光纤掩埋方面：报警点距离、光纤掩埋深度。

8.根据权利要求1所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述SVM预测模型的训练过程，包括：

9.根据权利要求8所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述SVM预测模型的训练过程中，通过交叉检验调整SVM模型的相关超参数进行优化，直至SVM预测模型的AUC达到目标值。

10.根据权利要求9所述的基于SVM与时频域特征的管道沿线第三方施工动态预警方法，其特征在于，所述AUC的目标值不小于0.95。