CN112800688A - 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 - Google Patents

基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 Download PDF

Info

Publication number
CN112800688A
CN112800688A CN202110364965.9A CN202110364965A CN112800688A CN 112800688 A CN112800688 A CN 112800688A CN 202110364965 A CN202110364965 A CN 202110364965A CN 112800688 A CN112800688 A CN 112800688A
Authority
CN
China
Prior art keywords
time sequence
time
learning
displacement
graph
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.)
Granted
Application number
CN202110364965.9A
Other languages
English (en)
Other versions
CN112800688B (zh
Inventor
谢潇
伍庭晨
张叶廷
鄂超
刘铭崴
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.)
Zhejiang Zhonghaida Space Information Technology Co ltd
Original Assignee
Zhejiang Zhonghaida Space Information Technology Co ltd
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 Zhejiang Zhonghaida Space Information Technology Co ltd filed Critical Zhejiang Zhonghaida Space Information Technology Co ltd
Priority to CN202110364965.9A priority Critical patent/CN112800688B/zh
Publication of CN112800688A publication Critical patent/CN112800688A/zh
Application granted granted Critical
Publication of CN112800688B publication Critical patent/CN112800688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明涉及基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，包括以下步骤：步骤1，多因子关联的时序波形分析；步骤2，波形特征匹配的时序图构建；步骤3，时序图的自监督表征学习模型；步骤4，降雨型滑坡位移趋势性预测。本发明提供了一种深层的趋势预测分析方法，充分利用监测数据在时序上的变化特征并提供一种可解释性的演进图模型，避免由于降雨型滑坡复杂的运动机理导致难以选取滑坡相关因子以及获取有效信息等问题出现，能够科学性的预测未来时间内的滑坡位移，为提高降雨型滑坡危险性判别的预见性提供支撑。

Description

基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法
技术领域
本发明属于地理空间数据处理技术领域，特别涉及一种基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法。
背景技术
由于滑坡灾害带来广泛性、损失性、威胁性等影响，对其进行有效快速地识别已成为当今急需解决的问题。区域降雨型滑坡是我国主要的地质灾害类型之一，具有群发性、同时性、暴发性和成灾大的特点。据统计，近40年来西南地区发生的主要滑坡大多是由降雨造成，降雨是这类滑坡失稳的主要诱发因素。滑坡形变监测数据是各类滑坡风险预警的重要信息，然而滑坡形变因具有缓时积累且瞬时爆发的特点，使仅通过形变监测数据难以实现前瞻的滑坡危险性预警，亟需能支持前置性预警的方法。
现有的滑坡预警分析模型主要有动力分析模型和逻辑回归模型，其中动力分析模型是物理机制的计算模型，尚局限于试验场地或单个滑坡区的研究探索阶段，无法满足地质环境不同的滑坡群应用；逻辑回归模型则是采用数理统计方法，建立逻辑回归模型进行分析，从而确定滑坡降雨临界值及滑坡发生概率，然而该方法仅适用于小尺度上的量化研究，无法对不同类别的降雨型滑坡做到概括和分类，并且数据精度要求过高，计算过于复杂，无法满足预警需求。针对这些局限，通过构建地质力学、物理力学以及数值分析模型评价降雨影响过程中滑坡的稳定性，有助于预测滑坡的发展趋势，但工作量往往很大导致出现预警不及时的现象。
滑坡形变是滑坡演进过程和揭示滑坡风险最直观有效的一种表征，同时区域降雨是具有稳定变化规律的自然现象，在地上、地下监测环境下监测数据与机理的协同应用，实现扩充预警时间的易发性分析的关键挑战是如何利用现实监测资料挖掘降雨与滑坡监测数据之间的耦合时序特征。
时间序列表示学习旨在学习一个将原始时间序列自动转换为向量表示的函数，是时间序列领域研究的基本问题。近年来，将时序进行分段并学习特征表示是热门的研究方向，比如 Shapelet (具有特征信息的一种或几种时序波形)。然而，时序所反馈的是不断变化的动态信息，这种动态信息应该如何进行直观的表示成为将该方法应用到滑坡监测数据学习的难点。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，该方法能够科学性的预测未来时间内的滑坡位移，为提高降雨型滑坡危险性判别的预见性提供支撑。
为了实现上述发明的目的，本发明采用以下技术方案：
基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，包括以下步骤：
步骤1，多因子关联的时序波形分析：利用时序数据处理和信号波形分析方法，在时序上分析降雨诱发滑坡中各个关联因子的监测数据；统一时序，将以天为单位统一不同时间粒度下记录的变化特征量；模拟波形，基于曲线插值方法将离散的时序监测数据模拟为平滑曲线；提取标识，以波形变化为参考获取具有统计特征的定量化曲线标识；
步骤2，波形特征匹配的时序图构建：基于波形标识依次解析数据结构呈现的代表性时序特征并以此划分降雨诱发滑坡形变的位移阶段，包括滑坡平稳型位移、加速型位移；以上述阶段作为特征映射网络层的准则，利用图网络思想构建一种具有动态演进特征的时序图，所述的时序图是一种有向加权图
Figure 28338DEST_PATH_IMAGE001
，其中包括从上述形变阶段抽取的时序片段
Figure 591038DEST_PATH_IMAGE002
和有向边
Figure 824311DEST_PATH_IMAGE003
与其权重
Figure 370830DEST_PATH_IMAGE004
；其中i、j代表任意两个图节点；根据图网络结构加入对应时间意识作为权重，实现生成能够反映监测数据演变及其转移模式的时序演进图；
步骤3，时序图的自监督表征学习模型：基于图嵌入算法将高维稠密的时序图数据映射为低维稠密向量的建模过程，应用于演化特征的学习以及时间序列表示；所述的时间序列表示学习首先采用现有的图嵌入算法随机游走来获得顶点
Figure 278743DEST_PATH_IMAGE005
的表示向量，将其分配到不同的权重
Figure 227107DEST_PATH_IMAGE004
，连接或聚合所有这些嵌入向量以获得原始时间序列的表示向量；
步骤4，降雨型滑坡位移趋势性预测：输入待分析的滑坡点位历史监测数据训练上述时序图的自监督表征学习模型，分析图节点连接的下一个时序片段，实现对未来时间段内滑坡位移量的预测。
作为优选方案：所述多因子关联的时序波形分析包括以下步骤：
步骤1.1，统一时序：针对降雨型滑坡的形成机理，通过地上、地下监测仪器量化描述滑坡随时间的演化过程，即以时分秒格式记录的地表位移
Figure 356913DEST_PATH_IMAGE006
、深部位移
Figure 390728DEST_PATH_IMAGE007
、区域降雨
Figure 836753DEST_PATH_IMAGE008
以及地下水位
Figure 374045DEST_PATH_IMAGE009
的多粒度时序数据，按时间下采样方法统一时序单位为天；
Figure 450585DEST_PATH_IMAGE010
Figure 470232DEST_PATH_IMAGE011
为采样目标，
Figure 454368DEST_PATH_IMAGE012
为原始数据；
步骤1.2，模拟波形：利用Sinc函数分别对数据点进行内插处理，即将离散时序数据
Figure 111746DEST_PATH_IMAGE013
转换为连续的信号波形
Figure 155925DEST_PATH_IMAGE014
，能够描述各因子在时序下的连续变化；
Figure 164332DEST_PATH_IMAGE015
其中，n为自然数；
步骤1.3，提取标识：以上述波形为基础结合统计分析方法计算出代表浅层波形特征的数据统计量，包括降雨量均值、地下常水位、地表位移和深部位移速率；将统计量作为阈值线在波形曲线上提取相应的标识，包括降雨临界点、地下水临界点、地表位移突变点以及深部位移突变点。
作为优选方案：所述步骤2中，波形特征匹配的时序图构建包括以下步骤：
步骤2.1，划分时序窗口，根据上一步所提取的波形标识划分作为时序分段的特殊波形，此处遵循重要性原则，以地表位移和深部位移速率为首要划分标识，自动分为多个平稳及突变阶段；从各个阶段中随机提取一组带标签的时间序列，并将其他标识作为局部因素来表示特定时序片段中的内部重要性；
步骤2.2，构建时序图，采用有向加权图
Figure 391308DEST_PATH_IMAGE001
的思想构建时序演化图，其中图由K个顶点所组成，每个顶点表示一个时序片段，每个有向边
Figure 168771DEST_PATH_IMAGE016
与其权重
Figure 383851DEST_PATH_IMAGE017
表示在相同的时间序列中，
Figure 348396DEST_PATH_IMAGE018
跟着另一个
Figure 674335DEST_PATH_IMAGE019
的出现概率。
作为优选方案：所述步骤3中，时序图的自监督表征学习包括以下步骤：
步骤3.1，时序图嵌入，采用现有的图形嵌入算法随机游走来获得图节点的表示向量；所述随机游走为网络上不断重复地随机选择游走路径，最终形成一条贯穿网络的路径，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程能够获得拟合性最优的时序图表示向量；
步骤3.2，自监督学习，通过时序图数据本身的结构或者特性，定义以下两个因素作为时间意识来衡量图节点在不同时间位置上的时序影响，在模型训练中目标函数
Figure 804840DEST_PATH_IMAGE020
来约束自监督学习，所述的自监督表现为利用数据本身构建的可解释性时序图出发，从大规模的无监督数据中学习自身的深层信息：
步骤3.2.1，在局部范围内，基于步骤2.1中所述的标识特征作为局部因素
Figure 190822DEST_PATH_IMAGE021
来捕获时间片段的动态性，下式为衡量图节点向量与真实样本时序数据的距离：
Figure 908243DEST_PATH_IMAGE022
上式中
Figure 37873DEST_PATH_IMAGE023
为图节点向量，
Figure 524349DEST_PATH_IMAGE024
为真实样本的时序数据，
Figure 51538DEST_PATH_IMAGE025
指的用DTW距离进行图节点与时序片段的匹配衡量，
Figure 990676DEST_PATH_IMAGE026
为局部因数；
步骤3.2.2，在全局范围内，设定一个全局因素
Figure 923996DEST_PATH_IMAGE027
作为时序分段的权重，如降雨季节性信息等来测量此类偏差以捕获跨时序片段影响：
Figure 999400DEST_PATH_IMAGE028
上式中
Figure 992764DEST_PATH_IMAGE029
为时序图有向边，
Figure 917732DEST_PATH_IMAGE030
为步骤3.2.1中计算的局部距离，
Figure 592427DEST_PATH_IMAGE031
为全局因数；
步骤3.2.3，建立监督学习方法，学习每一个图节点对应的时间因素
Figure 850233DEST_PATH_IMAGE032
和
Figure 952181DEST_PATH_IMAGE033
，选择损失最小的前K个节点作为最终的具有时间意识的片段：
Figure 367375DEST_PATH_IMAGE034
Figure 642499DEST_PATH_IMAGE020
度量了正样本和负样本之间的不同，
Figure 958074DEST_PATH_IMAGE035
表示正向的距离集合，
Figure 230923DEST_PATH_IMAGE036
表示负向的距离集合，
Figure 897528DEST_PATH_IMAGE037
为时间，而
Figure 412561DEST_PATH_IMAGE038
用来衡量两个集合间的距离，
Figure 644959DEST_PATH_IMAGE039
为学习步长，
Figure 823130DEST_PATH_IMAGE040
为学习率。
为了描述时间序列的动态信息，同时提供可解释的模型表示用于异常检测，本发明将监测数据变化曲线映射回时序中， 探寻位置的敏感度，并随时间累积转移关系，构建Graph进行表示，形成一种可推理可解释的方法用于滑坡位移的时序特征学习与预测。
本发明的方法将监测点位的时序数据包括地上、地下仪器获取的地表位移、深部位移、区域降雨等，转换为具有特征信息的几种时序波形；本发明中所述基于波形特征构建的时序图能够反馈滑坡位移受降雨长时间影响下不断变化的动态信息，相较于目前的滑坡敏感性分析方法，不需要提供先验知识筛选诱发因子或分析不同诱发因子对滑坡状态的影响程度来建立复杂的指标体系；根据构建的时序演进图挖掘降雨触发的趋势性滑坡位移，进一步预测未来时间段内的滑坡位移量。
本发明提供了一种深层的趋势预测分析方法，充分利用监测数据在时序上的变化特征并提供一种可解释性的演进图模型，避免由于降雨型滑坡复杂的运动机理导致难以选取滑坡相关因子以及获取有效信息等问题出现，能够科学性的预测未来时间内的滑坡位移，为提高降雨型滑坡危险性判别的预见性提供支撑。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，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限定。
图1为本发明方法步骤流程图;
图2为本发明方法原理示意图；
图3为本发明方法的滑坡点位监测数据示意图；
图4至图6分别为本发明方法的X时序片段、Y时序片段、以及Z时序片段的监测数据示意图；
图7 为本发明滑坡位移趋势预测结果示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、部件和/或它们的组合。
下面结合附图与实施例对本发明作进一步说明：
如图1所示，本发明是一种基于监测时序图自学习的降雨型滑坡位移趋势预测方法，针对降雨型滑坡的诱发机理及其特定诱发因子的监测数据，通过信号波形分析方法定量提取监测数据在时序上的变化特征，创新性地结合图数据分析技术挖掘多个因子时序数据之间的潜在、深层的监测值演变和转移模式进一步构建具有自监督学习机制的图表征学习模型，应用于降雨型滑坡位移的趋势性预测。
本发明的方法主要包括以下几个方面：一、涉及提取监测数据在时序上的定量变化标识：根据信号处理技术对降雨诱发因子监测点数据进行时序采样并定量分析获取其特征标识；二、涉及波形特征匹配的时序图构建：匹配特征标识并划分时间片段作为节点来构建各因子的时序演进图；三、涉及时序图的自监督表征学习：基于构建的时序图并利用图嵌入方法应用于趋势性表征学习中；四、涉及降雨型滑坡位移的趋势性预测：通过图学习待分析的历史监测数据预测未来时间段内滑坡位移量；
具体执行以下步骤：
步骤1，多因子关联的时序波形分析：利用时序数据处理和信号波形分析方法，在时序上分析降雨诱发滑坡中各个关联因子的监测数据；统一时序，将以天为单位统一不同时间粒度下记录的变化特征量；模拟波形，基于曲线插值方法将离散的时序监测数据模拟为平滑曲线；提取标识，以波形变化为参考获取具有统计特征的定量化曲线标识。
所述多因子关联的时序波形分析包括以下步骤：
步骤1.1，统一时序：针对降雨型滑坡的形成机理，通过地上、地下监测仪器量化描述滑坡随时间的演化过程，即以时分秒格式记录的地表位移
Figure 508190DEST_PATH_IMAGE006
、深部位移
Figure 328378DEST_PATH_IMAGE007
、区域降雨
Figure 928466DEST_PATH_IMAGE008
以及地下水位
Figure 808698DEST_PATH_IMAGE009
的多粒度时序数据，按时间下采样方法统一时序单位为天；
Figure 184316DEST_PATH_IMAGE010
Figure 542616DEST_PATH_IMAGE011
为采样目标，
Figure 185824DEST_PATH_IMAGE012
为原始数据；
步骤1.2，模拟波形：利用Sinc函数分别对数据点进行内插处理，即将离散时序数据
Figure 971378DEST_PATH_IMAGE013
转换为连续的信号波形
Figure 99871DEST_PATH_IMAGE014
，能够描述各因子在时序下的连续变化；
Figure 261862DEST_PATH_IMAGE015
其中，n为自然数；
步骤1.3，提取标识：以上述波形为基础结合统计分析方法计算出代表浅层波形特征的数据统计量，包括降雨量均值、地下常水位、地表位移和深部位移速率；将统计量作为阈值线在波形曲线上提取相应的标识，包括降雨临界点（区域降雨均值线与降雨曲线的交点）、地下水临界点（地下水常年均值与地下水位曲线的交点）、地表位移突变点以及深部位移突变点（通过计算位移信号曲线的前后序差值并确定最大处为突变点），如图3所示。
步骤2，波形特征匹配的时序图构建：基于波形标识依次解析数据结构呈现的代表性时序特征并以此划分降雨诱发滑坡形变的位移阶段，包括滑坡平稳型位移、加速型位移等；以上述阶段作为特征映射网络层的准则，利用图网络（Graph Network）思想构建一种具有动态演进特征的时序图，目的为构建一种可解释性强的数据状态拟合模型；所述的时序图是一种有向加权图
Figure 434611DEST_PATH_IMAGE041
，其中包括从上述形变阶段抽取的时序片段
Figure 656644DEST_PATH_IMAGE002
和有向边
Figure 741275DEST_PATH_IMAGE003
与其权重
Figure 736651DEST_PATH_IMAGE004
；其中i、j代表任意两个图节点；根据图网络结构加入对应时间意识作为权重，如季节性信息等，实现生成能够反映监测数据演变及其转移模式的时序演进图。
所述步骤2中，波形特征匹配的时序图构建包括以下步骤：
步骤2.1，划分时序窗口，根据上一步所提取的波形标识划分作为时序分段的特殊波形，此处遵循重要性原则，由于降雨诱发的滑坡常表现为雨水侵蚀地表并呈现突发性特征，以地表位移和深部位移速率为首要划分标识，能够自动分为多个平稳及突变阶段作为时序窗口（可根据任务需求以深部位移为首要标识）；为了增加样本多样性，遵循划分子样本原则，从各个窗口中随机采样带时序标签的小样本片段，其中包含波形标识的时序片段中，标识特征作为局部因素来表示特定时序片段中的内部重要性，如图4至图6所示。
步骤2.2，构建时序图，采用有向加权图
Figure 855916DEST_PATH_IMAGE001
的思想构建时序演化图，其中图由K个顶点所组成，每个顶点表示一个时序片段，每个有向边
Figure 983272DEST_PATH_IMAGE016
与其权重
Figure 820778DEST_PATH_IMAGE017
表示在相同的时间序列中，本发明中所述权重表现为通过监测信号统计量在图网络结构中加入的局部和全局时间意识，如利用标识统计的周期变化等，实现生成能够反映监测数据演变及其转移模式的时序演进图，
Figure 121310DEST_PATH_IMAGE018
跟着另一个
Figure 596547DEST_PATH_IMAGE019
的出现概率；图中的路径可以自然反映出时间片段的演变及其转移模式，然后将图嵌入算法应用于时序特征学习及表示。
步骤3，时序图的自监督表征学习模型：基于图嵌入（Network Embedding）算法将高维稠密的时序图数据映射为低维稠密向量的建模过程，应用于演化特征的学习以及时间序列表示；所述的时间序列表示学习首先采用现有的图嵌入算法随机游走（DeepWalk）来获得顶点
Figure 691542DEST_PATH_IMAGE005
的表示向量，将其分配到不同的权重
Figure 750765DEST_PATH_IMAGE017
，连接或聚合所有这些嵌入向量以获得原始时间序列的表示向量；所述DeepWalk能够衡量两个图节点之间的相似程度，不需要提供先验的样本信息，能够提高模型自监督学习的完备性。
所述步骤3中，时序图的自监督表征学习包括以下步骤：
步骤3.1，时序图嵌入，采用现有的图形嵌入算法随机游走来获得图节点的表示向量；所述随机游走为网络上不断重复地随机选择游走路径，最终形成一条贯穿网络的路径，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程能够获得拟合性最优的时序图表示向量；
步骤3.2，自监督学习，通过时序图数据本身的结构或者特性，定义以下两个因素作为时间意识来衡量图节点在不同时间位置上的时序影响，在模型训练中目标函数
Figure 792670DEST_PATH_IMAGE020
来约束自监督学习，所述的自监督表现为利用数据本身构建的可解释性时序图出发，从大规模的无监督数据中学习自身的深层信息：
步骤3.2.1，在局部范围内，基于步骤2.1中所述的标识特征作为局部因素
Figure 683266DEST_PATH_IMAGE021
来捕获时间片段的动态性，下式为衡量图节点向量与真实样本时序数据的距离：
Figure 916539DEST_PATH_IMAGE022
上式中
Figure 463058DEST_PATH_IMAGE023
为图节点向量，
Figure 105392DEST_PATH_IMAGE024
为真实样本的时序数据，
Figure 788177DEST_PATH_IMAGE025
指的用DTW距离进行图节点与时序片段的匹配衡量，
Figure 490553DEST_PATH_IMAGE026
为局部因数；
步骤3.2.2，在全局范围内，为减少时序图学习过程中通过有向边传递信息与现实时间序列数据变化的偏差，对时序图中连接节点的边设定一个全局因素
Figure 760254DEST_PATH_IMAGE042
作为时序分段的权重进行边的约束，如降雨季节性信息等来测量此类偏差以捕获跨时序片段影响：
Figure 940700DEST_PATH_IMAGE028
上式中
Figure 743571DEST_PATH_IMAGE029
为时序图有向边，
Figure 820111DEST_PATH_IMAGE030
为步骤3.2.1中计算的局部距离，
Figure 137960DEST_PATH_IMAGE031
为全局因数；
步骤3.2.3，建立监督学习方法，学习每一个图节点对应的时间因素
Figure 823894DEST_PATH_IMAGE032
和
Figure 481271DEST_PATH_IMAGE033
，选择损失最小的前K个节点作为最终的具有时间意识的片段：
Figure 728713DEST_PATH_IMAGE034
Figure 533858DEST_PATH_IMAGE020
度量了正样本和负样本之间的不同，
Figure 749115DEST_PATH_IMAGE035
表示正向的距离集合，
Figure 526578DEST_PATH_IMAGE036
表示负向的距离集合，
Figure 741659DEST_PATH_IMAGE037
为时间，而
Figure 971783DEST_PATH_IMAGE038
用来衡量两个集合间的距离，
Figure 500984DEST_PATH_IMAGE039
为学习步长，
Figure 631489DEST_PATH_IMAGE040
为学习率。
步骤4，降雨型滑坡位移趋势性预测：输入待分析的滑坡点位历史监测数据训练上述时序图的自监督表征学习模型，分析图节点连接的下一个时序片段，实现对未来时间段内滑坡位移量的预测，如图7所示。
本发明中的附图2的下部虚线框内的为示意图展示了本发明方法的原理，图中的特征匹配是指根据提取的波形标识划分作为时序分段的特殊波形，此处应遵循重要性原则，由于降雨诱发的滑坡常表现为雨水侵蚀地表并呈现突发性特征，以地表位移为首要划分标识，能够自动分为多个平稳及突变阶段作为时序窗口。
本发明附图2的上部虚线框内图中的时序变量是对步骤2.1中通过时序窗口划分的小样本（X,Y,Z时序片段）进行解释说明，包括时序片段的曲线可视化图及色块图（不同色块的深浅度代表不同监测因子在某个时刻的数值）。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，其特征在于，包括以下步骤：
步骤1，多因子关联的时序波形分析：利用时序数据处理和信号波形分析方法，在时序上分析降雨诱发滑坡中各个关联因子的监测数据；统一时序，将以天为单位统一不同时间粒度下记录的变化特征量；模拟波形，基于曲线插值方法将离散的时序监测数据模拟为平滑曲线；提取标识，以波形变化为参考获取具有统计特征的定量化曲线标识；
步骤2，波形特征匹配的时序图构建：基于波形标识依次解析数据结构呈现的代表性时序特征并以此划分降雨诱发滑坡形变的位移阶段，包括滑坡平稳型位移、加速型位移；以上述阶段作为特征映射网络层的准则，利用图网络思想构建一种具有动态演进特征的时序图，所述的时序图是一种有向加权图
Figure 544952DEST_PATH_IMAGE001
，其中包括从上述形变阶段抽取的时序片段
Figure 527952DEST_PATH_IMAGE002
和有向边
Figure 860844DEST_PATH_IMAGE003
与其权重
Figure 848785DEST_PATH_IMAGE004
；其中i、j代表任意两个图节点；根据图网络结构加入对应时间意识作为权重，实现生成能够反映监测数据演变及其转移模式的时序演进图；
步骤3，时序图的自监督表征学习模型：基于图嵌入算法将高维稠密的时序图数据映射为低维稠密向量的建模过程，应用于演化特征的学习以及时间序列表示；所述的时间序列表示学习首先采用现有的图嵌入算法随机游走来获得顶点
Figure 874510DEST_PATH_IMAGE005
的表示向量，将其分配到不同的权重
Figure 610385DEST_PATH_IMAGE004
，连接或聚合所有这些嵌入向量以获得原始时间序列的表示向量；
步骤4，降雨型滑坡位移趋势性预测：输入待分析的滑坡点位历史监测数据训练上述时序图的自监督表征学习模型，分析图节点连接的下一个时序片段，实现对未来时间段内滑坡位移量的预测。
2.根据权利要求1所述的基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，其特征在于：所述多因子关联的时序波形分析包括以下步骤：
步骤1.1，统一时序：针对降雨型滑坡的形成机理，通过地上、地下监测仪器量化描述滑坡随时间的演化过程，即以时分秒格式记录的地表位移
Figure 278126DEST_PATH_IMAGE006
、深部位移
Figure 884688DEST_PATH_IMAGE007
、区域降雨
Figure 314270DEST_PATH_IMAGE008
以及地下水位
Figure 740703DEST_PATH_IMAGE009
的多粒度时序数据，按时间下采样方法统一时序单位为天；
Figure 477715DEST_PATH_IMAGE010
Figure 673204DEST_PATH_IMAGE011
为采样目标，
Figure 276617DEST_PATH_IMAGE012
为原始数据；
步骤1.2，模拟波形：利用Sinc函数分别对数据点进行内插处理，即将离散时序数据
Figure 252664DEST_PATH_IMAGE013
转换为连续的信号波形
Figure 731050DEST_PATH_IMAGE014
，能够描述各因子在时序下的连续变化；
Figure 781045DEST_PATH_IMAGE015
其中，n为自然数；
步骤1.3，提取标识：以上述波形为基础结合统计分析方法计算出代表浅层波形特征的数据统计量，包括降雨量均值、地下常水位、地表位移和深部位移速率；将统计量作为阈值线在波形曲线上提取相应的标识，包括降雨临界点、地下水临界点、地表位移突变点以及深部位移突变点。
3.根据权利要求1所述的基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，其特征在于：所述步骤2中，波形特征匹配的时序图构建包括以下步骤：
步骤2.1，划分时序窗口，根据上一步所提取的波形标识划分作为时序分段的特殊波形，此处遵循重要性原则，以地表位移和深部位移速率为首要划分标识，自动分为多个平稳及突变阶段；从各个阶段中随机提取一组带标签的时间序列，并将其他标识作为局部因素来表示特定时序片段中的内部重要性；
步骤2.2，构建时序图，采用有向加权图
Figure 319474DEST_PATH_IMAGE001
的思想构建时序演化图，其中图由K个顶点所组成，每个顶点表示一个时序片段，每个有向边
Figure 219034DEST_PATH_IMAGE016
与其权重
Figure 297849DEST_PATH_IMAGE017
表示在相同的时间序列中，
Figure 733509DEST_PATH_IMAGE018
跟着另一个
Figure 911681DEST_PATH_IMAGE019
的出现概率。
4.根据权利要求3所述的基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，其特征在于：所述步骤3中，时序图的自监督表征学习包括以下步骤：
步骤3.1，时序图嵌入，采用现有的图形嵌入算法随机游走来获得图节点的表示向量；所述随机游走为网络上不断重复地随机选择游走路径，最终形成一条贯穿网络的路径，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程能够获得拟合性最优的时序图表示向量；
步骤3.2，自监督学习，通过时序图数据本身的结构或者特性，定义以下两个因素作为时间意识来衡量图节点在不同时间位置上的时序影响，在模型训练中目标函数
Figure 596740DEST_PATH_IMAGE020
来约束自监督学习，所述的自监督表现为利用数据本身构建的可解释性时序图出发，从大规模的无监督数据中学习自身的深层信息：
步骤3.2.1，在局部范围内，基于步骤2.1中所述的标识特征作为局部因素
Figure 715131DEST_PATH_IMAGE021
来捕获时间片段的动态性，下式为衡量图节点向量与真实样本时序数据的距离：
Figure 5298DEST_PATH_IMAGE022
上式中
Figure 354371DEST_PATH_IMAGE023
为图节点向量，
Figure 995568DEST_PATH_IMAGE024
为真实样本的时序数据，
Figure 852403DEST_PATH_IMAGE025
指的用DTW距离进行图节点与时序片段的匹配衡量，
Figure 793815DEST_PATH_IMAGE026
为局部因数；
步骤3.2.2，在全局范围内，设定一个全局因素
Figure 844947DEST_PATH_IMAGE027
作为时序分段的权重，来测量此类偏差以捕获跨时序片段影响：
Figure 442282DEST_PATH_IMAGE028
上式中
Figure 135431DEST_PATH_IMAGE029
为时序图有向边，
Figure 196928DEST_PATH_IMAGE030
为步骤3.2.1中计算的局部距离，
Figure 932146DEST_PATH_IMAGE031
为全局因数；
步骤3.2.3，建立监督学习方法，学习每一个图节点对应的时间因素
Figure 751197DEST_PATH_IMAGE032
和
Figure 716879DEST_PATH_IMAGE033
，选择损失最小的前K个节点作为最终的具有时间意识的片段：
Figure 632883DEST_PATH_IMAGE034
Figure 524353DEST_PATH_IMAGE020
度量了正样本和负样本之间的不同，
Figure 361859DEST_PATH_IMAGE035
表示正向的距离集合，
Figure 600073DEST_PATH_IMAGE036
表示负向的距离集合，
Figure 370583DEST_PATH_IMAGE037
为时间，而
Figure 668841DEST_PATH_IMAGE038
用来衡量两个集合间的距离，
Figure 229528DEST_PATH_IMAGE039
为学习步长，
Figure 68171DEST_PATH_IMAGE040
为学习率。
CN202110364965.9A 2021-04-06 2021-04-06 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法 Active CN112800688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110364965.9A CN112800688B (zh) 2021-04-06 2021-04-06 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110364965.9A CN112800688B (zh) 2021-04-06 2021-04-06 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法

Publications (2)

Publication Number Publication Date
CN112800688A true CN112800688A (zh) 2021-05-14
CN112800688B CN112800688B (zh) 2021-07-16

Family

ID=75816243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110364965.9A Active CN112800688B (zh) 2021-04-06 2021-04-06 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法

Country Status (1)

Country Link
CN (1) CN112800688B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332702A (zh) * 2023-11-30 2024-01-02 南京师范大学 基于ilstm的内涝水深预测与多因子时序分析方法
CN117725843A (zh) * 2024-02-08 2024-03-19 天津大学 一种基于深度学习的房屋结构变形预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110146803A1 (en) * 2008-09-05 2011-06-23 Zhirong Wu Multifunctional offshore base with liquid displacement system
CN104699995A (zh) * 2015-04-03 2015-06-10 吉林大学 一种滑坡监测数据对数拟合的预测预报方法
CN107798210A (zh) * 2017-08-15 2018-03-13 中南大学 一种多模型滑坡位移预测方法及其系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110146803A1 (en) * 2008-09-05 2011-06-23 Zhirong Wu Multifunctional offshore base with liquid displacement system
CN104699995A (zh) * 2015-04-03 2015-06-10 吉林大学 一种滑坡监测数据对数拟合的预测预报方法
CN107798210A (zh) * 2017-08-15 2018-03-13 中南大学 一种多模型滑坡位移预测方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
邬凯等: "基于时间序列分析的公路降雨型滑坡位移预测", 《路基工程》 *
郭子正等: "基于地表检测数据和非线性时间序列组合模型的滑坡位移预测", 《岩石力学与工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332702A (zh) * 2023-11-30 2024-01-02 南京师范大学 基于ilstm的内涝水深预测与多因子时序分析方法
CN117332702B (zh) * 2023-11-30 2024-03-29 南京师范大学 基于ilstm的内涝水深预测与多因子时序分析方法
CN117725843A (zh) * 2024-02-08 2024-03-19 天津大学 一种基于深度学习的房屋结构变形预测方法
CN117725843B (zh) * 2024-02-08 2024-04-30 天津大学 一种基于深度学习的房屋结构变形预测方法

Also Published As

Publication number Publication date
CN112800688B (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
Xu et al. Displacement prediction of Baijiabao landslide based on empirical mode decomposition and long short-term memory neural network in Three Gorges area, China
Hou et al. Real-time prediction of rock mass classification based on TBM operation big data and stacking technique of ensemble learning
Elbaz et al. Deep learning analysis for energy consumption of shield tunneling machine drive system
CN112800688B (zh) 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
Zhao et al. Using random forest for the risk assessment of coal-floor water inrush in Panjiayao Coal Mine, northern China
RU2723805C1 (ru) Способ и компьютерная система управления бурением скважин
US20130124171A1 (en) Systems and methods for predicting well performance
Leng et al. A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines
Lee et al. Cultural heritage and the intelligent internet of things
CN114036841A (zh) 基于半监督支持向量机模型的滑坡易发性预测方法及系统
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测系统
Liu et al. HLSTM: Heterogeneous long short-term memory network for large-scale InSAR ground subsidence prediction
CN104850677A (zh) 基于地理信息系统的深度学习元胞自动机仿真分析方法
Zhuang et al. Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
Madawala et al. Novel machine learning ensemble approach for landslide prediction
Zhang et al. Application of artificial intelligence in geotechnical and geohazard investigations
CN114548299A (zh) 一种地震相识别方法、装置、计算机设备及存储介质
Chen et al. A hierarchical DCNN-based approach for classifying imbalanced water inflow in rock tunnel faces
CN114298436A (zh) 一种基于Bagging策略的滑坡易发性评价方法
CN110260914A (zh) 一种基于测点时空特征的工程安全监测系统区域划分方法
Lu et al. Lightning strike location identification based on 3D weather radar data
Chinforoush et al. A novel method for forecasting surface wind speed using wind-direction based on hierarchical markov model
CN115046516A (zh) 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法

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