CN112712197B - 一种数据处理方法、装置、设备和存储介质 - Google Patents
一种数据处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112712197B CN112712197B CN202011501506.2A CN202011501506A CN112712197B CN 112712197 B CN112712197 B CN 112712197B CN 202011501506 A CN202011501506 A CN 202011501506A CN 112712197 B CN112712197 B CN 112712197B
- Authority
- CN
- China
- Prior art keywords
- slope
- unit
- latitude
- longitude
- classification model
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 8
- 239000013049 sediment Substances 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、设备和存储介质。获取至少一个当前区域的待处理斜坡单元，将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，由于所述分类模型根据经纬度准确的斜坡单元训练得到，因此，在获取到当前区域的待处理斜坡单元时，可以基于训练得到的分类模型对当前区域的待处理斜坡单元的经纬度进行纠正，以使待处理斜坡单元的经纬度与地点对应，进一步基于经纬度纠正后的待斜坡单训练出精度较高的训练滑坡预测模型，基于精度高的滑坡预测模型降低滑坡误报的概率。
Description
技术领域
本发明实施例涉及滑坡预测技术领域，尤其涉及一种数据处理方法、装置、设备和存储介质。
背景技术
体滑坡是最常见的灾难性自然灾害之一，其具有分布范围广、发生频次高、多发性、区域性和严重性等特点，因滑坡每年会造成大量的人员伤亡和重大的环境和基础设施损失。对滑坡的易发性进行评估具有重要意义。
现有的滑坡易发性预测根据其所依据的理论基础的差异，可以分为确定性方法和非确定性方法。确定性方法主要是基于专家经验和知识的定向分析和基于滑坡过程或者物理学模型的进行分析的方法，预测准确度较差。近年来随着计算机技术和3S技术的高速发展，非确定性方法得到了广泛的应用，主要包括模糊逻辑法、层次分析法、决策树等，基于非确定性方法对山体滑坡的影响因子进行分析，确定山体滑坡的预测结果。山体滑坡的斜坡单元众多，且部分斜坡单元存在数据缺失和偏差，因此，基于存在数据缺失和偏差的斜坡单元内的滑坡影响因子影响对山体滑坡的预测结果。
发明内容
本发明提供了一种数据处理方法、装置、设备和存储介质，实现对斜坡单元的数据进行纠正的效果，以基于纠正后的斜坡单元的滑坡影响因子进行滑坡预测时，可以提高山体滑坡的预测可靠性。
第一方面，本发明实施例提供了一种数据处理方法，该方法包括：
获取至少一个当前区域的待处理斜坡单元；
将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。
第二方面，本发明实施例还提供了一种数据处理装置，该装置包括：
待处理斜坡单元获取模块，用于获取至少一个当前区域的待处理斜坡单元；
目标经纬度确定模块，用于将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。
第三方面，本发明实施例还提供了一种数据处理设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的数据处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的数据处理方法。
本发明实施例的技术方案，获取至少一个当前区域的待处理斜坡单元，将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，由于所述分类模型根据经纬度准确的斜坡单元训练得到，因此，在获取到当前区域的待处理斜坡单元时，可以基于训练得到的分类模型对当前区域的待处理斜坡单元的经纬度进行纠正，以使待处理斜坡单元的经纬度与地点对应，进一步基于经纬度纠正后的待斜坡单训练出精度较高的训练滑坡预测模型，基于精度高的滑坡预测模型降低滑坡误报的概率。
附图说明
图1是本发明实施例一中的一种数据处理方法的流程图；
图2是本发明实施例二中的一种数据处理方法的流程图；
图3是本发明实施例三中的一种数据处理装置的结构示意图；
图4是本发明实施例四中的一种数据处理设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种数据处理方法的流程图，本实施例可适用于对待处理斜坡单元的经纬度进行处理的情况，该方法可以由数据处理装置来执行，如图1所示，该方法包括如下步骤：
S110、获取至少一个当前区域的待处理斜坡单元。
其中，所述当前区域通常是发生过滑坡的区域，也可以是任意一个指定的区域。所述待处理斜坡单元可以是滑坡、崩塌等地质灾害发育的基本单元，并在各个单元上赋予相应的属性值来表示实体的一种数据形式。所述待处理斜坡单元中可以存在滑坡点也可以不存在滑坡点。
S120、将各待处理斜坡单元输入至训练完成的分类模型，得到各待处理斜坡单元的目标经纬度。
其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。所述第一类斜坡单元为滑坡点对应的斜坡单元，所述第二类斜坡单元包括滑坡点对应的斜坡单元和非滑坡点对应的斜坡单元。所述滑坡点对应的斜坡单元和非滑坡点对应的斜坡单元的数量相等。
可选地，所述分类模型的训练方法，包括：获取至少一个样本区域的样本斜坡单元；将所述样本斜坡单元输入至待训练的分类模型，得到各所述样本斜坡单元的预测经纬度；基于所述各所述样本斜坡单元的预测经纬度和标准经纬度计算所述待训练的分类模型的损失函数，基于所述损失函数对所述待训练的分类模型的模型参数进行调节，得到当前分类模型；当所述损失函数收敛时，将当前分类模型作为训练完成的分类模型。
其中，所述样本区域与当前区域的地貌特征相似。所述待训练的分类模型可以是支持向量机算法(Support Vector Machine，SVM)、长短期记忆网络(Long Short-TermMemory，LSTM)、逻辑回归模型(Logistics Regression，LR)、XGBoost(Extreme GradientBoosting，极端梯度提升决策树)算法、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)算法、全卷积网络(Fully Convolutional Networks，FCN)、循环卷积网络(Recurrent Neural Network，RNN)、残差网络(Residual Network，ResNet)、门控循环单元(Gate Recurrent Unit，GRU)以及自步分类学习模型等。
具体地，在训练分类模型时，获取样本区域的样本斜坡单元，例如，将样本区域划分成不同的行政单元(如村)，对每个行政单元进行斜坡单元划分并遍历所有行政单元的斜坡单元，将遍历到的所有行政单元的斜坡单元作为样本斜坡单元；确定滑坡点对应的斜坡单元和非滑坡点对应的斜坡单元，并获取每个斜坡单元的地点和经纬度，由于滑坡点对应的斜坡单元存在经纬度与地点不一致或者经纬度缺失的情况，将经纬度与地点不一致或者经纬度缺失的滑坡点对应的斜坡单元的经纬度剔除，得到剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元，同时，确定各样本斜坡单元的标签，所述标签包括各样本斜坡单元的标准经纬度；进一步地，将样本斜坡单元输入至待训练的分类模型，得到各样本斜坡单元的预测经纬度，即得到各样本斜坡单元的经纬度预测概率，将各样本斜坡单元的预测经纬度与标准经纬度确定待训练的分类模型的损失函数，并基于损失函数迭代训练待训练的分类模型，直至损失函数收敛，得到训练完成的分类模型。
可选地，所述各样本斜坡单元的预测经纬度的确定方法，包括：利用所述待训练的分类模型中的聚类子网络，根据所述样本斜坡单元的滑坡影响因子对所述样本斜坡单元进行聚类，生成至少一个类别；通过所述待训练的分类模型中的特征构造子网络，根据每个类别的斜坡单元的滑坡影响因子，计算各类别之间的距离；通过所述待训练的分类模型中的分类子网络，根据所述各类别之间的距离，确定所述各样本斜坡单元的预测经纬度。
具体地，所述聚类子网络可以基于K均值聚类算法(K-means)、基于密度的聚类算法(DBSCAN)以及平衡迭代规约和聚类算法(Balanced Iterative Reducing andClustering Using Hierarchies，简称BIRCH)等算法，并根据给定的聚类个数和滑坡影响因子对各样本斜坡单元进行聚类，得到至少一个类别；进一步地，特征构造子网络可以基于余弦相似度(consine similarity)、闵可夫斯基距离、马氏距离以及欧式距离等算，并基于每个类别的滑坡影响因子计算各类别之间的距离；进一步地，分类子网络可以基于各类别之间的距离，以及根据预设的权重对各类别的样本斜坡单元进行加权，确定各样本斜坡单元的预测经纬度的概率，基于预测经纬度的概率确定各样本斜坡单元的预测经纬度。
为了提高分类模型的鲁棒性，在得到训练完成的分类模型之后，可以基于至少一个样本区域的测试斜坡单元对该分类模型进行测试，以根据测试结果更新该分类模型。可选地，所述基于至少一个样本区域的测试斜坡单元对该分类模型进行测试的方法，包括：获取至少一个样本区域的测试斜坡单元；将所述至少一个样本区域的测试斜坡单元输入至所述训练完成的分类模型，得到各所述测试斜坡单元的测试经纬度；基于各所述测试斜坡单元的滑坡影响因子，确定各所述测试斜坡单元的目标经纬度；将所述测试斜坡单元的测试经纬度与所述测试斜坡单元的目标经纬度比较，如果所述测试斜坡单元的测试经纬度与所述测试斜坡单元的标准经纬度不一致，基于所述测试斜坡单元的标准经纬度与所述测试斜坡单元的测试经纬度重新训练所述分类模型，得到更新后的分类模型。
其中，所述测试斜坡单元可以包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。在测试该分类模型时，将至少一个样本区域的测试斜坡单元输入至所述训练完成的分类模型，基于训练完成的分类模型的聚类子网络对测试斜坡单元进行聚类，得到至少一个类别，并基于特征构造子网络，根据每个类别的斜坡单元的滑坡影响因子，计算各类别之间的距离，进一步基于分类子网络并根据各类别之间的距离确定各测试斜坡单元的预测经纬度和各预测经纬度的预测概率；进一步地，将各测试斜坡单元的预测经纬度的预测概率与各测试斜坡单元的标准经纬度比较，如果二者不一致，基于标准经纬度和预测经纬度更新分类模型。
通过这种方式，可以将所有斜坡单元都用于迭代训练分类模型，直至得到可靠的分类模型，以在获取新的斜坡单元时，基于训练好的分类模型校正斜坡单元的经纬度，进一步基于校正后的斜坡单元训练出精度较高的训练滑坡预测模型。
为了提高目标经纬度的预测准确度，可以根据各待处理斜坡单元的滑坡影响因子(例如坡度、坡向等)对目标经纬度进行修正。例如，当前区域为山区，包括10个待处理斜坡单元，将待处理斜坡单元输入至训练完成的分类模型，得到10个目标经纬度，即得到每个待处理斜坡单元的经纬度的预测概率，将每个预测经纬度按照预测概率从大到小的顺序排序，获取每个测试斜坡单元的坡度和坡向等信息，如果某个待处理斜坡单元的预测概率超过设定阈值，该待处理斜坡单元的坡度大于坡度阈值(如15度)，说明该待处理斜坡单元位于山区的可能性较大，则确定该待处理斜坡单元的目标经纬度正确，如果该待处理斜坡单元的坡度小于15度，则说明该待处理斜坡单元位于平原地区的可能性较大，该待处理斜坡单元的目标经纬度不正确，反馈目标经纬度不正确，以对目标经纬度进行修正。
本发明实施例的技术方案，获取至少一个当前区域的待处理斜坡单元，将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，由于所述分类模型根据经纬度准确的斜坡单元训练得到，因此，在获取到当前区域的待处理斜坡单元时，可以基于训练得到的分类模型对当前区域的待处理斜坡单元的经纬度进行纠正，以使待处理斜坡单元的经纬度与地点对应，进一步基于经纬度纠正后的待斜坡单训练出精度较高的训练滑坡预测模型，基于精度高的滑坡预测模型降低滑坡误报的概率。
实施例二
图2为本发明实施例二提供的一种数据处理方法的流程图，本实施例是在上一实施例的基础上增加了新的步骤。可选地，所述方法还包括：将目标经纬度与地点对应的至少一个当前区域的待处理斜坡单元作为采样斜坡单元；确定第一历史时间段内所述采样斜坡单元的滑坡影响因子和斜坡单元标签，其中，所述斜坡单元标签携带斜坡发生信息、各斜坡单元的目标经纬度和地点；基于所述采样斜坡单元的滑坡影响因子和斜坡单元标签训练滑坡预测模型，并基于训练完成的滑坡预测模型进行滑坡预测。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图2所示，该方法可以包括如下步骤：
S210、获取至少一个当前区域的待处理斜坡单元。
S220、将各待处理斜坡单元输入至训练完成的分类模型，得到各待处理斜坡单元的目标经纬度。
其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。
S230、将目标经纬度与地点对应的至少一个当前区域的待处理斜坡单元作为采样斜坡单元，并确定历史时间段内采样斜坡单元的滑坡影响因子和斜坡单元标签。
其中，滑坡影响因子包括动态因子和静态因子，所述动态因子包括降雨量和土壤湿度，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。所述斜坡单元标签携带滑坡发生信息、各采样斜坡单元的目标经纬度和地点，所述滑坡发生信息指定是历史时间段内的实际的滑坡信息。
S240、基于采样斜坡单元的滑坡影响因子和斜坡单元标签训练滑坡预测模型，并基于训练完成的滑坡预测模型进行滑坡预测。
其中，所述滑坡预测模型可以是支持向量机算法(Support Vector Machine，SVM)、长短期记忆网络(Long Short-Term Memory，LSTM)、门控循环单元(Gate RecurrentUnit，GRU)、XGBoost(Extreme Gradient Boosting，极端梯度提升决策树)算法、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)算法、全卷积网络(FullyConvolutional Networks，FCN)、循环卷积网络(Recurrent Neural Network，RNN)、残差网络(Residual Network，ResNet)等。
其中，所述滑坡预测模型可以包括第一预测子网络、第二预测子网络和第三预测子网络。所述第一预测子网络基于动态因子确定动态概率预测值，所述第二预测子网络基于静态因子确定静态概率预测值，所述第三预测子网络基于动态概率预测值和静态概率预测值确定各采样斜坡单元的预测概率。
具体地，将各采样斜坡单元的滑坡影响因子输入至待训练的滑坡预测模型，基于第一预测子网络，确定各采样斜坡单元的动态概率预测值，并基于第二预测子网络，确定各采样斜坡单元的静态概率预测值；进一步基于第三预测子网络，并根据动态概率预测值和静态概率预测值，确定各采样单元的预测概率；基于各采用斜坡单元的目标经纬度和地点，根据各采样斜坡单元的滑坡预测概率与滑坡发生信息计算待训练的滑坡预测模型的损失函数，基于该损失函数对待训练的滑坡预测模型的模型参数进行调节，得到当前的滑坡预测模型，直至损失函数收敛时，将当前的滑坡预测模型作为训练完成的滑坡预测模型。通过上述方式得到训练完成的滑坡预测模型，可以通过训练完成的滑坡预测模型进行滑坡预测。
本实施例提供的技术方案，得到当前区域的各待处理斜坡单元的目标经纬度后，将目标经纬度与地点对应的至少一个当前区域的待处理斜坡单元作为采样斜坡单元，确定历史时间段内所述采样斜坡单元的滑坡影响因子和斜坡单元标签，其中，所述斜坡单元标签携带滑坡发生信息、各采样斜坡单元的目标经纬度和地点，基于所述采样斜坡单元的滑坡影响因子和斜坡单元标签训练滑坡预测模型，并基于训练完成的滑坡预测模型进行滑坡预测。达到了采用经纬度更正后的斜坡单元训练滑坡预测模型，避免因经纬度信息异常对滑坡预测模型的精度产生影响，进而根据训练完成的滑坡预测模型，提高滑坡预测的准确度。
实施例三
图3为本发明实施例三提供的一种数据处理装置的结果示意图，如图3所述，该数据处理装置包括：待处理斜坡单元获取模块310和目标经纬度确定模块320。
其中，待处理斜坡单元获取模块310，用于获取至少一个当前区域的待处理斜坡单元；
目标经纬度确定模块320，用于将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。
本发明实施例的技术方案，
获取至少一个当前区域的待处理斜坡单元，将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，由于所述分类模型根据经纬度准确的斜坡单元训练得到，因此，在获取到当前区域的待处理斜坡单元时，可以基于训练得到的分类模型对当前区域的待处理斜坡单元的经纬度进行纠正，以使待处理斜坡单元的经纬度与地点对应，进一步基于经纬度纠正后的待斜坡单训练出精度较高的训练滑坡预测模型，基于精度高的滑坡预测模型降低滑坡误报的概率。
可选的，该装置还包括：分类模型的训练装置；其中，分类模型的训练装置，包括：获取至少一个样本区域的样本斜坡单元；
将所述样本斜坡单元输入至待训练的分类模型，得到各所述样本斜坡单元的预测经纬度；
基于所述各所述样本斜坡单元的预测经纬度和标准经纬度计算所述待训练的分类模型的损失函数，基于所述损失函数对所述待训练的分类模型的模型参数进行调节，得到当前分类模型；
当所述损失函数收敛时，将当前分类模型作为训练完成的分类模型。
可选的，分类模型的训练装置还用于，利用所述待训练的分类模型中的聚类子网络，根据所述样本斜坡单元的滑坡影响因子对所述样本斜坡单元进行聚类，生成至少一个类别；
通过所述待训练的分类模型中的特征构造子网络，根据每个类别的斜坡单元的滑坡影响因子，计算各类别之间的距离；
通过所述待训练的分类模型中的分类子网络，根据所述各类别之间的距离，确定所述各样本斜坡单元的预测经纬度。
可选的，该装置还包括：模型测试模块；模型测试模块，用于获取至少一个样本区域的测试斜坡单元；
将所述至少一个样本区域的测试斜坡单元输入至所述训练完成的分类模型，得到各所述测试斜坡单元的测试经纬度；
将所述测试斜坡单元的测试经纬度与所述测试斜坡单元的目标经纬度比较，如果所述测试斜坡单元的测试经纬度与所述测试斜坡单元的标准经纬度不一致，基于所述测试斜坡单元的标准经纬度与所述测试斜坡单元的测试经纬度重新训练所述分类模型，得到更新后的分类模型。
可选的，所述第一类斜坡单元为滑坡点对应的斜坡单元，所述第二类斜坡单元包括滑坡点对应的斜坡单元和非滑坡点对应的斜坡单元。
可选的，该装置还包括：滑坡预测模型训练模块；其中，滑坡预测模型训练模块，用于将目标经纬度与地点对应的至少一个当前区域的待处理斜坡单元作为采样斜坡单元；
确定历史时间段内所述采样斜坡单元的滑坡影响因子和斜坡单元标签，其中，所述斜坡单元标签携带滑坡发生信息、各采样斜坡单元的目标经纬度和地点；
基于所述采样斜坡单元的滑坡影响因子和斜坡单元标签训练滑坡预测模型，并基于训练完成的滑坡预测模型进行滑坡预测。
可选的，所述滑坡影响因子包括动态因子和静态因子，所述动态因子包括降雨量和土壤湿度，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。
本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种数据处理设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性数据处理设备12的框图。图4显示的数据处理设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，数据处理设备12以通用计算设备的形式表现。数据处理设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
数据处理设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被数据处理设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存32。数据处理设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如数据处理装置的待处理斜坡单元获取模块310和目标经纬度确定模块320)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如数据处理装置的待处理斜坡单元获取模块310和目标经纬度确定模块320)程序模块46的程序/实用工具44，可以存储在例如系统存储器28中，这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
数据处理设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该数据处理设备12交互的设备通信，和/或与使得该数据处理设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，数据处理设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与数据处理设备12的其它模块通信。应当明白，尽管图中未示出，可以结合数据处理设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种数据处理方法，该方法包括：
获取至少一个当前区域的待处理斜坡单元；
将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种数据处理方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种数据处理方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种数据处理方法，该方法包括：
获取至少一个当前区域的待处理斜坡单元；
将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种数据处理方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在目标经纬度、第一类斜坡单元和第二类斜坡单元等，其中承载了计算机可读的程序代码。这种传播的目标经纬度、第一类斜坡单元和第二类斜坡单元等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述数据处理装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种数据处理方法，其特征在于，包括：
获取至少一个当前区域的待处理斜坡单元；
将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元；
所述分类模型的训练方法，包括：
获取至少一个样本区域的样本斜坡单元；
将所述样本斜坡单元输入至待训练的分类模型，得到各所述样本斜坡单元的预测经纬度；
基于所述各所述样本斜坡单元的预测经纬度和标准经纬度计算所述待训练的分类模型的损失函数，基于所述损失函数对所述待训练的分类模型的模型参数进行调节，得到当前分类模型；
当所述损失函数收敛时，将当前分类模型作为训练完成的分类模型；
所述将所述样本斜坡单元输入至待训练的分类模型，得到各样本斜坡单元的预测经纬度，包括：
利用所述待训练的分类模型中的聚类子模型，根据所述样本斜坡单元的滑坡影响因子对所述样本斜坡单元进行聚类，生成至少一个类别；
通过所述待训练的分类模型中的特征构造子模型，根据每个类别的斜坡单元的滑坡影响因子，计算各类别之间的距离；
通过所述待训练的分类模型中的分类子模型，根据所述各类别之间的距离，确定所述各样本斜坡单元的预测经纬度。
2.根据权利要求1所述的方法，其特征在于，在得到所述训练完成的分类模型之后，所述方法还包括：
获取至少一个样本区域的测试斜坡单元；
将所述至少一个样本区域的测试斜坡单元输入至所述训练完成的分类模型，得到各所述测试斜坡单元的测试经纬度；
将所述测试斜坡单元的测试经纬度与所述测试斜坡单元的目标经纬度比较，如果所述测试斜坡单元的测试经纬度与所述测试斜坡单元的标准经纬度不一致，基于所述测试斜坡单元的标准经纬度与所述测试斜坡单元的测试经纬度重新训练所述分类模型，得到更新后的分类模型。
3.根据权利要求1所述的方法，其特征在于，所述第一类斜坡单元为滑坡点对应的斜坡单元，所述第二类斜坡单元包括滑坡点对应的斜坡单元和非滑坡点对应的斜坡单元。
4.根据权利要求1所述的方法，其特征在于，还包括：
将目标经纬度与地点对应的至少一个当前区域的待处理斜坡单元作为采样斜坡单元；
确定历史时间段内所述采样斜坡单元的滑坡影响因子和斜坡单元标签，其中，所述斜坡单元标签携带滑坡发生信息、各采样斜坡单元的目标经纬度和地点；
基于所述采样斜坡单元的滑坡影响因子和斜坡单元标签训练滑坡预测模型，并基于训练完成的滑坡预测模型进行滑坡预测。
5.根据权利要求1或2或4所述的方法，其特征在于，所述滑坡影响因子包括动态因子和静态因子，所述动态因子包括降雨量和土壤湿度，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。
6.一种数据处理装置，其特征在于，包括：
待处理斜坡单元获取模块，用于获取至少一个当前区域的待处理斜坡单元；
目标经纬度确定模块，用于将各所述待处理斜坡单元输入至训练完成的分类模型，得到各所述待处理斜坡单元的目标经纬度，其中，所述分类模型根据至少一个样本区域的样本斜坡单元和各样本斜坡单元的标准经纬度训练得到，所述样本斜坡单元包括剔除经纬度的第一类斜坡单元和经纬度与地点对应的第二类斜坡单元；
分类模型训练模块，用于：
获取至少一个样本区域的样本斜坡单元；
将所述样本斜坡单元输入至待训练的分类模型，得到各所述样本斜坡单元的预测经纬度；
基于所述各所述样本斜坡单元的预测经纬度和标准经纬度计算所述待训练的分类模型的损失函数，基于所述损失函数对所述待训练的分类模型的模型参数进行调节，得到当前分类模型；
当所述损失函数收敛时，将当前分类模型作为训练完成的分类模型；
所述分类模型训练模块，还用于，利用所述待训练的分类模型中的聚类子网络，根据所述样本斜坡单元的滑坡影响因子对所述样本斜坡单元进行聚类，生成至少一个类别；
通过所述待训练的分类模型中的特征构造子网络，根据每个类别的斜坡单元的滑坡影响因子，计算各类别之间的距离；
通过所述待训练的分类模型中的分类子网络，根据所述各类别之间的距离，确定所述各样本斜坡单元的预测经纬度。
7.一种数据处理设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的数据处理方法。
8.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011501506.2A CN112712197B (zh) | 2020-12-17 | 2020-12-17 | 一种数据处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011501506.2A CN112712197B (zh) | 2020-12-17 | 2020-12-17 | 一种数据处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112712197A CN112712197A (zh) | 2021-04-27 |
| CN112712197B true CN112712197B (zh) | 2024-01-02 |
Family
ID=75544471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011501506.2A Active CN112712197B (zh) | 2020-12-17 | 2020-12-17 | 一种数据处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112712197B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
| CN110930176A (zh) * | 2019-09-23 | 2020-03-27 | 平安科技（深圳）有限公司 | 预测方法、装置、电子设备及存储介质 |
| CN111199313A (zh) * | 2019-12-26 | 2020-05-26 | 航天信息股份有限公司 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
| CN111784044A (zh) * | 2020-06-29 | 2020-10-16 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
-
2020
- 2020-12-17 CN CN202011501506.2A patent/CN112712197B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
| CN110930176A (zh) * | 2019-09-23 | 2020-03-27 | 平安科技（深圳）有限公司 | 预测方法、装置、电子设备及存储介质 |
| CN111199313A (zh) * | 2019-12-26 | 2020-05-26 | 航天信息股份有限公司 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
| CN111784044A (zh) * | 2020-06-29 | 2020-10-16 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 降雨型滑坡灾害的特征聚合决策树预测模型;赵晓萌;卫星君;王娜;雷向杰;;灾害学(第01期);27-31 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112712197A (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110968654B (zh) | 文本数据的地址类目确定方法、设备以及系统 | |
| CN110347840B (zh) | 投诉文本类别的预测方法、系统、设备和存储介质 | |
| CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
| CN112232495B (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
| CN110599200B (zh) | Ota酒店的虚假地址的检测方法、系统、介质及设备 | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| US11954019B2 (en) | Machine learning techniques for automated software testing configuration management | |
| CN112215439B (zh) | 一种基于gis的地质灾害应急指挥数据处理方法及系统 | |
| CN113762454A (zh) | 轨迹异常检测方法及装置 | |
| CN112214595A (zh) | 类别确定方法、装置、设备及介质 | |
| CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
| CN110555352A (zh) | 一种兴趣点识别方法、装置、服务器和存储介质 | |
| CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| US10956456B2 (en) | Method to determine columns that contain location data in a data set | |
| CN113761867A (zh) | 地址识别方法、装置、计算机设备及存储介质 | |
| CN112712197B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
| CN112561171B (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
| CN111582313A (zh) | 样本数据生成方法、装置及电子设备 | |
| CN110826616A (zh) | 信息处理方法及装置、电子设备、存储介质 | |
| CN114757097B (zh) | 一种线路故障诊断方法及装置 | |
| US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
| CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
| CN114297235A (zh) | 风险地址识别方法、系统及电子设备 | |
| KR20220159746A (ko) | 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 |
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 |