CN113642812B - 基于北斗的微形变预测方法、装置、设备及可读存储介质 - Google Patents

基于北斗的微形变预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113642812B
CN113642812B CN202111200897.9A CN202111200897A CN113642812B CN 113642812 B CN113642812 B CN 113642812B CN 202111200897 A CN202111200897 A CN 202111200897A CN 113642812 B CN113642812 B CN 113642812B
Authority
CN
China
Prior art keywords
displacement
data
model
prediction
deformation
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
CN202111200897.9A
Other languages
English (en)
Other versions
CN113642812A (zh
Inventor
杨柳
肖皇屿
马征
唐优华
刘恒
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.)
Chengdu Jiaoda Big Data Technology Co ltd
Southwest Jiaotong University
Original Assignee
Chengdu Jiaoda Big Data Technology Co ltd
Southwest Jiaotong University
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 Chengdu Jiaoda Big Data Technology Co ltd, Southwest Jiaotong University filed Critical Chengdu Jiaoda Big Data Technology Co ltd
Priority to CN202111200897.9A priority Critical patent/CN113642812B/zh
Publication of CN113642812A publication Critical patent/CN113642812A/zh
Application granted granted Critical
Publication of CN113642812B publication Critical patent/CN113642812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于北斗的微形变预测方法、装置、设备及可读存储介质，涉及卫星监测技术领域，包括获取位移数据集，所述位移数据集包括至少两组位移数据，所述位移数据是通过卫星测量得到的目标的三维位移量，将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据;根据所述位移形变数据，建立预测模型,并通过所述预测模型计算出所述目标在第三时刻相对于第二时刻的位移量预测结果;预测监测对象未来形变趋势，可应用于地质灾害、建筑、桥梁等领域的监测及预警;提高了预测准确度，解决了传统单一位移形变预测模型无法准确描述变形和演化规律的局限性。

Description

基于北斗的微形变预测方法、装置、设备及可读存储介质
技术领域
本发明涉及卫星监测技术领域，具体而言，涉及基于北斗的微形变预测方法、装置、设备及可读存储介质。
背景技术
目前，基于位移形变建立的预测模型通常采用非线性预测方法，常用的经典模型主要包括时间序列分析、灰色GM(1,1)预测模型、卡尔曼滤波、回归分析模型、支持向量机、人工神经网络等，另外，关于混合模型的预测研究也是目前较为流行一种方法。
但是目前的位移形变监测预警系统往往仅针对某一个对象或某一类场景，系统的通用性不强，应对突发性变化能力较弱，一些新的监测方案虽然精度较高，但相应成本较高。
由于各应用环境下位移形变的复杂性，很难仅通过单个模型准确预测监测体的位移和演变过程，并且在实际的数据采集过程中，往往收集得到的数据会受到系统中噪声和干扰的影响，数据也可能受特殊情况的影响而导致出现缺失的情况。
发明内容
本发明的目的在于提供一种基于北斗的微形变预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
现有技术中采用常用的经典模型包括时间序列分析、灰色GM(1,1)预测模型、卡尔曼滤波、回归分析模型、支持向量机、人工神经网络等，然而只是仅针对某一个对象或某一类场景，系统的通用性不强，应对突发性变化能力较弱，一些新的监测方案虽然精度较高，但相应成本较高。
而本发明提供了一套通用性高、成本低、准确度高的基于北斗GNSS微形变数据的最佳权重预测方法、设备及系统。
第一方面，本申请提供了一种基于北斗的微形变预测方法，包括：
获取位移数据集，所述位移数据集包括至少两组位移数据，所述位移数据是通过卫星测量得到的所述目标的三维位移量，所述三维位移量为第二时刻相对于第一时刻的位移量；
将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据，所述位移形变数据为在所述位移数据集中通过预测算法模块提取出的数据;
根据所述位移形变数据，建立预测模型,并通过所述预测模型计算出所述目标在第三时刻相对于第二时刻的位移量预测结果。
可选地，所述将位移数据集中的每个位移数据分别进行计算，分别得到位移形变数据,包括:通过箱型图分析方法对每个所述位移数据进行异常值判断；
获取每个所述位移数据的异常值判断结果，若判断结果正常，则记做第一信息，若判断结果不正常，则剔除；对判断结果正常的所述第一信息的空缺部分进行填补;获取填补后的所述第一信息,将所述第一信息记做位移形变数据。
可选地，所述根据所述位移形变的数据，建立预测模型，包括：
将所述位移形变数据经过预设公式进行转化得到转化数据集，转化公式如下：
Figure DEST_PATH_IMAGE001
其中，式中
Figure DEST_PATH_IMAGE002
为所有位移原始数据的均值，
Figure DEST_PATH_IMAGE003
为所有位移数据的标准差,
Figure DEST_PATH_IMAGE004
为均值 方差归一化的结果，
Figure DEST_PATH_IMAGE005
为需要处理的数据；更新所述位移形变数据为所述转化数据集。
可选地，所述根据所述位移形变的数据，建立预测模型，包括：
更新所述位移形变数据为所述转化数据集,根据所述转化数据集，建立第一模型，所述第一模型包括更新门单元（rt）和重置门单元（zt），所述第一模型的每个门单元和隐藏层的计算公式如下：
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
式中，
Figure 390133DEST_PATH_IMAGE003
为sigmoid激活函数，
Figure DEST_PATH_IMAGE010
为双曲正切激活函数，
Figure DEST_PATH_IMAGE011
为当前的输入，
Figure DEST_PATH_IMAGE012
为当 前输出，
Figure DEST_PATH_IMAGE013
表示候选激活向量，
Figure DEST_PATH_IMAGE014
为之前的输出，
Figure DEST_PATH_IMAGE015
和
Figure DEST_PATH_IMAGE016
是更新门单元的权重，
Figure DEST_PATH_IMAGE017
和
Figure DEST_PATH_IMAGE018
是重置门单元的权重，
Figure DEST_PATH_IMAGE019
和
Figure DEST_PATH_IMAGE020
是输出候选值，
Figure DEST_PATH_IMAGE021
、
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE023
分别是更新门单元、重置门 单元和输出候选值的偏置向量。
可选地,所述根据所述位移形变的数据，建立预测模型，还包括：
更新所述位移形变数据为所述转化数据集,根据所述转化数据集，建立第二模型； 通过所述第二模型，求解自回归过程（AR），计算公式如下：
Figure DEST_PATH_IMAGE024
；
式中，
Figure DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE028
表示AR的系数，
Figure DEST_PATH_IMAGE029
为当前输出，
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，
Figure 25383DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE032
为之 前的输入，
Figure DEST_PATH_IMAGE033
为第t个时间序列的白噪声;
根据所述自回归过程（AR）获取到移动平均过程（MA），计算如下：
Figure DEST_PATH_IMAGE034
式中，式中，
Figure DEST_PATH_IMAGE035
、
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
表示对应输入的误差，
Figure DEST_PATH_IMAGE038
为随机干扰项序列，
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE040
，
Figure 21764DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE041
表示对应的权重系数,
Figure DEST_PATH_IMAGE042
为白噪声；
根据所述自回归过程（AR）和所述移动平均过程（MA），求解得到自回归移动平均（ARMA），计算公式如下：
Figure DEST_PATH_IMAGE043
Figure DEST_PATH_IMAGE044
表示误差，式中，
Figure DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE046
，
Figure 603924DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE047
表示AR的系数，
Figure 778816DEST_PATH_IMAGE029
为当前输出，
Figure 194754DEST_PATH_IMAGE030
，
Figure 196208DEST_PATH_IMAGE031
，
Figure 988583DEST_PATH_IMAGE027
，
Figure 126303DEST_PATH_IMAGE032
为之前的输入，
Figure 854088DEST_PATH_IMAGE035
、
Figure 700428DEST_PATH_IMAGE036
，表示对应输入的误差，
Figure 906281DEST_PATH_IMAGE039
，
Figure 23142DEST_PATH_IMAGE040
，
Figure 187407DEST_PATH_IMAGE027
，
Figure 22508DEST_PATH_IMAGE041
表示 对应的权重系数。
可选地,所述根据所述位移形变的数据，建立预测模型,并通过所述预测模型计算出第三时刻最终位移预测结果，包括：
更新所述位移形变数据为所述转化数据集,根据所述转化数据集，建立第三模型； 通过第三模型,求解回归系数
Figure DEST_PATH_IMAGE048
，计算公式如下：
Figure DEST_PATH_IMAGE049
式中，
Figure DEST_PATH_IMAGE050
为样本点x变量的自变量矩阵，kI为角矩阵。
可选地,所述根据所述位移形变的数据，建立预测模型,并通过所述预测模型计算出第三时刻最终位移预测结果，还包括：
根据所述位移形变的数据作为预测模型的输入信息,得到每个预测模型的位移数据预测结果,将所述预测结果和真实情况作差,得到每个基本模型的拟合误差;根据每个基本模型的拟合误差,计算得到每个基本模型对应的平均平方误差,其计算公式为:
Figure DEST_PATH_IMAGE051
式中，
Figure DEST_PATH_IMAGE052
表示每个基本模型的拟合误差；
根据每个基本模型的平均平方误差,计算出每个基本模型的权值
Figure DEST_PATH_IMAGE053
，其计算公式 为：
Figure DEST_PATH_IMAGE054
式中，
Figure DEST_PATH_IMAGE055
表示每个基本模型的平均平方误差；
根据每个基本模型的权值
Figure 189309DEST_PATH_IMAGE053
和所有基本模型,建立最佳权重线性组合模型，其最 佳权重线性组合模型公式为：
Figure DEST_PATH_IMAGE056
式中，
Figure DEST_PATH_IMAGE057
表示每个基本模型的预测数据，每个模型的权重表示为
Figure DEST_PATH_IMAGE058
，
Figure DEST_PATH_IMAGE059
的和为1；
求解所述最佳权重线性组合模型，得到最终位移预测结果。
所述最佳权重预测模块，包括数据预处理阶段、构建四种基本模型和权值计算三个流程，可预测三维空间位移数据中的指定方向的值，其中数据预处理阶段包括异常数据处理、缺失数据处理和卡尔曼滤波降噪；构建基本模型包括岭回归、SVM、GRU和ARIMA四种，并分别对近n期数据进行预测。
第二方面，本申请还提供了一种基于北斗的微形变预测装置，包括：获取模块、提取模块和计算模块，其中：
获取模块:用于获取位移数据集，所述位移数据集包括至少两组位移数据，所述位移数据是通过卫星测量得到的所述目标的三维位移量，所述三维位 移量为第二时刻相对于第一时刻的位移量；
提取模块:用于将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据，所述位移形变数据为在所述位移数据集中通过预测算法模块提取出的数据;
计算模块:用于根据所述位移形变数据，建立预测模型,并通过所述预测模型计算出所述目标在第三时刻相对于第二时刻的位移量预测结果。
第三方面，本申请还提供了一种基于北斗的微形变预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述基于北斗的微形变预测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于北斗的微形变预测方法的步骤。
本发明的有益效果为：由于微形变组合模型基于最小方差准则利用了最大价值的信息，该组合模型集成了所有单个模型的有用信息，平衡了各模型间的优缺点，因此误差比任何单个模型都低，避免了单个模型偶尔出现误差较大的情况，大大提高了单个模型的预测精度，拥有更强的泛化能力；并且通用性高、成本低、准确度高；解决了传统单一位移形变预测模型无法准确描述变形和演化规律的局限性。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的北斗的微形变预测方法流程示意图;
图2为本发明实施例中所述的北斗的微形变预测装置结构示意图；
图3为本发明实施例中所述的北斗的微形变预测设备结构示意图。
1、获取模块；11、第一计算单元；2、提取模块；3、计算模块；33、第一预测单元；34、第二预测单元；35、第三预测单元；36、第四预测单元；37、第五预测单元；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(I/O)接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
现有技术中仅针对某一个对象或某一类场景，系统的通用性不强，应对突发性变化能力较弱，一些新的监测方案虽然精度较高，但相应成本较高。
由于各应用环境下位移形变的复杂性，很难仅通过单个模型准确预测监测体的位移和演变过程，并且在实际的数据采集过程中，往往收集得到的数据会受到系统中噪声和干扰的影响，数据也可能受特殊情况的影响而导致出现缺失的情况。
此发明可应用于地质灾害、人工构筑物等领域的监测及预警，主要包括数据预处理阶段和组合模型最佳权重计算两大流程：在数据预处理阶段的流程包括异常数据处理、缺失数据插值、使用卡尔曼滤波方法降噪。该最佳权重预测方法基本模型由岭回归、支持向量机、门控循环单元以及自回归移动平均构成，根据各基本模型与实际测量值的残差计算得到各模型的最佳权重而建立多个模型的组合模型，提高了预测准确度，解决了传统单一位移形变预测模型无法准确描述变形和演化规律的局限性。
本发明中主要包括北斗GNSS监测网与最佳权重预测两大模块，卫星测量实则为北斗GNSS监测网，包括1个GNSS基准站和至少1个GNSS监测站，其中GNSS监测站包括GNSS接收机、GNSS接收天线、数据处理与控制系统、GPRS模块等；数据通讯系统使用北斗通讯方式；供电系统使用太阳能供电，监测设备配置单晶硅太阳能板和铅酸蓄电池，可保证监测设备连续工作时间不少于20自然日。
所谓北斗的微形变为:在相邻两个间隔时间相等的时刻下,某一时刻相对于所述某一时刻的相邻时刻在三维空间中的位移数据的差叫做微形变,微形变就是细微的位移变化,可应用于地质灾害、建筑、桥梁等领域，表示为自然灾害或人工构筑物在两个不同时间点所相对应的两个位移之差,而北斗GNSS高精度监测站终端主机与控制中心通信采用有线或无线通信的方式，支持4G或5G网络，最终将采集的数据发送至数据中心的数据库中。
本实施例提供了一种基于北斗的微形变预测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300。
S100、获取位移数据集，位移数据集包括至少两组位移数据，位移数据是通过卫星测量得到的所述目标的三维位移量，三维位移量为第二时刻相对于第一时刻的位移量；
可以理解的是，在本步骤中，目标可以是人工构筑物或者是自然灾害场景下的边坡，卫星测量为基于北斗GNSS监测网而获得的高精度三维空间的位移数据，通过监测获取到人工构筑物或者是自然灾害发生的位移数据，将位移数据存入数据库中，而位移数据就是第二时刻相对于第一时刻的位移量。
第一时刻和第二时刻的间隔时间相等，相邻的两个时刻的间隔时间相等。
S200、将位移数据集中的每个位移数据分别进行计算，分别得到每个位移数据的位移形变数据，位移形变数据为在位移数据集中通过预测算法模块提取出的数据;
可以理解的是，在本步骤中，将位移数据存入数据库中，通过预测算法模块从数据库中读取多组位移数据，并且对位移数据进行预处理，处理步骤依次为：异常数据处理、缺失数据处理和卡尔曼滤波降噪，具体方法如下，共三个步骤：
S201、通过箱型图分析方法对每个位移数据进行异常值判断；
获取每个位移数据的异常值判断结果，若判断结果正常，则记做第一信息，若判断结果不正常，则剔除；
将将数据序列
Figure DEST_PATH_IMAGE060
按照从小到大的顺序排列得到新的数据序 列
Figure DEST_PATH_IMAGE061
，其中位数记为M，异常值判定标准表示为：
Figure DEST_PATH_IMAGE062
式中，U为上四分位数，是区间
Figure DEST_PATH_IMAGE063
的中位数；L为下四分位数，是区间
Figure DEST_PATH_IMAGE064
的中位数；
Figure DEST_PATH_IMAGE065
为四分位距，其值通过U - L计算得到；K为步长系数，通常取K 为1.5；
异常值的判断标准即为超过上界
Figure DEST_PATH_IMAGE066
和下界
Figure DEST_PATH_IMAGE067
的数据，将 这些异常数据进行剔除。
S202、对判断结果正常的第一信息的空缺部分进行填补：
根据缺失数据量大小选择合适的方法对缺失数据进行填补，当某段连续的缺失数据量超过10个时，采用所有n期数据的平均值进行填补；当某段连续的缺失数据量小于等于10个时，利用插值方法进行填补，其计算公式为：
Figure DEST_PATH_IMAGE068
式中，
Figure DEST_PATH_IMAGE069
和
Figure DEST_PATH_IMAGE070
分别代表缺失数据端前后两点的数据，求区间
Figure DEST_PATH_IMAGE071
内某一点x对应的y值；
S203、使用卡尔曼滤波方法对数据进行滤波降噪，其具体步骤如下：
步骤S2031、指定初始条件，并初始化系统状态和误差协方差矩阵；
步骤S2032、时间更新过程：计算先验状态估计
Figure DEST_PATH_IMAGE072
和先验误差协方差
Figure DEST_PATH_IMAGE073
；
步骤S2033、状态更新过程：计算卡尔曼增益矩阵
Figure DEST_PATH_IMAGE074
，并使用当前观测值更新系统 状态
Figure DEST_PATH_IMAGE075
并调整误差协方差
Figure DEST_PATH_IMAGE076
；
步骤S2034、如果算法没有结束，则返回步骤3.2，直到过滤算法结束，即到达最后一个观测值；
执行完三个步骤后，获取填补后的第一信息,将第一信息记做位移形变数据。
S300、根据位移形变数据，建立预测模型,并通过预测模型计算出人工构筑物或者是自然灾害场景下的边坡在第三时刻相对于第二时刻的位移量预测结果；
可以理解的是，在本步骤中，紧固预处理过后的多组位移形变数据进行均值方差归一化处理后，分别建立四种预测模型，包括机器学习模型与时间序列方法，具体四种预测模型分别为岭回归、SVM、GRU和ARIMA；
并且利用建立好的基本模型对近期多组数据进行预测，也就是通过预测模型计算出人工构筑物或者是自然灾害场景下的边坡在第三时刻相对于第二时刻的位移量预测结果。
将位移形变数据经过预设公式进行转化得到转化数据集，转化公式如下：
Figure 276124DEST_PATH_IMAGE001
其中，式中
Figure 345711DEST_PATH_IMAGE002
为所有位移原始数据的均值，
Figure 543474DEST_PATH_IMAGE003
为所有位移数据的标准差,
Figure 714299DEST_PATH_IMAGE004
为均值 方差归一化的结果，
Figure 681118DEST_PATH_IMAGE005
为需要处理的数据。
更新位移形变数据为转化数据集,四种预测模型分别为：
1.建立基本岭回归模型，根据转化数据集，建立模型；
求解回归系数
Figure 46241DEST_PATH_IMAGE048
，计算公式如下：
Figure DEST_PATH_IMAGE077
式中，
Figure 324775DEST_PATH_IMAGE050
为样本点x变量的自变量矩阵，kI为角矩阵。
2.建立基本SVM模型，其公式表示为：
Figure DEST_PATH_IMAGE078
式中，
Figure DEST_PATH_IMAGE079
为拉格朗日乘子，
Figure DEST_PATH_IMAGE080
为处理后的拉格朗日乘子，
Figure DEST_PATH_IMAGE081
为偏执，核函数
Figure DEST_PATH_IMAGE082
选择为高斯核函数，其公式为：
Figure DEST_PATH_IMAGE083
式中，
Figure DEST_PATH_IMAGE084
代表内核宽度参数gamma，一定程度上决定了数据在特征空间的分布范 围，SVM还有一个重要的参数为正则项的惩罚系数C，用于平衡模型拟合的风险程度。
3.根据转化数据集，建立模型包括更新门单元（rt）和重置门单元（zt），计算公式如下：
Figure 630117DEST_PATH_IMAGE006
Figure 451442DEST_PATH_IMAGE007
Figure 253045DEST_PATH_IMAGE008
Figure 159821DEST_PATH_IMAGE009
式中，
Figure 173914DEST_PATH_IMAGE003
为sigmoid激活函数，
Figure 380904DEST_PATH_IMAGE010
为双曲正切激活函数，
Figure 963195DEST_PATH_IMAGE011
为当前的输入，
Figure 980436DEST_PATH_IMAGE012
为当 前输出，
Figure 939165DEST_PATH_IMAGE013
表示候选激活向量，
Figure 594137DEST_PATH_IMAGE014
为之前的输出，
Figure 347330DEST_PATH_IMAGE015
和
Figure 353332DEST_PATH_IMAGE016
是更新门单元的权重，
Figure 115752DEST_PATH_IMAGE017
和
Figure 766176DEST_PATH_IMAGE018
是重置门单元的权重，
Figure 549324DEST_PATH_IMAGE019
和
Figure 183568DEST_PATH_IMAGE020
是输出候选值，
Figure 844618DEST_PATH_IMAGE021
、
Figure 615128DEST_PATH_IMAGE022
和
Figure 710123DEST_PATH_IMAGE023
分别是更新门单元、重置门 单元和输出候选值的偏置向量。
4.根据转化数据集，建立模型，求解自回归过程（AR），计算公式如下：
Figure 690718DEST_PATH_IMAGE024
；
式中，
Figure 529361DEST_PATH_IMAGE025
，
Figure 279011DEST_PATH_IMAGE026
，
Figure 544907DEST_PATH_IMAGE027
，
Figure 747218DEST_PATH_IMAGE028
表示AR的系数，
Figure 655131DEST_PATH_IMAGE029
为当前输出，
Figure 134654DEST_PATH_IMAGE030
，
Figure 194621DEST_PATH_IMAGE031
，
Figure 759594DEST_PATH_IMAGE027
，
Figure 64674DEST_PATH_IMAGE032
为之 前的输入，
Figure 664282DEST_PATH_IMAGE033
为第t个时间序列的白噪声;
根据自回归过程（AR）获取到移动平均过程（MA），计算如下：
Figure 396615DEST_PATH_IMAGE034
式中，式中，
Figure 714464DEST_PATH_IMAGE035
、
Figure 433021DEST_PATH_IMAGE036
，
Figure 11770DEST_PATH_IMAGE037
表示对应输入的误差，
Figure 55949DEST_PATH_IMAGE038
为随机干扰项序列，
Figure 221614DEST_PATH_IMAGE039
，
Figure 743862DEST_PATH_IMAGE040
，
Figure 177117DEST_PATH_IMAGE027
，
Figure 126619DEST_PATH_IMAGE041
表示对应的权重系数,
Figure 153481DEST_PATH_IMAGE042
为白噪声；
根据自回归过程（AR）和移动平均过程（MA），求解得到自回归移动平均（ARMA），计算公式如下：
Figure DEST_PATH_IMAGE085
Figure 72895DEST_PATH_IMAGE044
表示误差，式中，
Figure 626236DEST_PATH_IMAGE045
，
Figure 746639DEST_PATH_IMAGE046
，
Figure 526376DEST_PATH_IMAGE027
，
Figure 13596DEST_PATH_IMAGE047
表示AR的系数，
Figure 31230DEST_PATH_IMAGE029
为当前输出，
Figure 712747DEST_PATH_IMAGE030
，
Figure 714202DEST_PATH_IMAGE031
，
Figure 506577DEST_PATH_IMAGE027
，
Figure 378718DEST_PATH_IMAGE032
为之前的输入，
Figure 231136DEST_PATH_IMAGE035
、
Figure 719887DEST_PATH_IMAGE036
，表示对应输入的误差，
Figure 925740DEST_PATH_IMAGE039
，
Figure 544065DEST_PATH_IMAGE040
，
Figure 708331DEST_PATH_IMAGE027
，
Figure 277852DEST_PATH_IMAGE041
表示 对应的权重系数。
进而，根据位移形变的数据作为预测模型的输入信息,得到每个预测模型的位移数据预测结果,将预测结果和真实情况作差,得到每个基本模型的拟合误差;
根据每个基本模型的拟合误差,计算得到每个基本模型对应的平均平方误差,其计算公式为:
Figure DEST_PATH_IMAGE086
式中，
Figure 880872DEST_PATH_IMAGE052
表示每个基本模型的拟合误差；
根据每个基本模型的平均平方误差,计算出每个基本模型的权值
Figure 258763DEST_PATH_IMAGE053
，其计算公式 为：
Figure 62771DEST_PATH_IMAGE054
式中，
Figure 385168DEST_PATH_IMAGE055
表示每个基本模型的平均平方误差；
每个基本模型的拟合误差
Figure 198404DEST_PATH_IMAGE052
表示为：
Figure DEST_PATH_IMAGE087
式中，
Figure DEST_PATH_IMAGE088
表示时序位移数据，
Figure DEST_PATH_IMAGE089
表示每个基本模型的预测数据。
每个基本模型的平均平方误差
Figure 585129DEST_PATH_IMAGE055
可表示为：
Figure DEST_PATH_IMAGE090
其中，m表示基本模型的个数，
Figure 419093DEST_PATH_IMAGE052
表示每个基本模型的拟合误差。
对于每个基本模型的权值
Figure 104152DEST_PATH_IMAGE053
，其计算公式为：
Figure DEST_PATH_IMAGE091
式中，
Figure 314554DEST_PATH_IMAGE055
表示每个基本模型的平均平方误差。
根据每个基本模型的权值
Figure 135879DEST_PATH_IMAGE053
和所有基本模型,建立最佳权重线性组合模型，其最 佳权重线性组合模型公式为：
Figure DEST_PATH_IMAGE092
式中，
Figure 907788DEST_PATH_IMAGE057
表示每个基本模型的预测数据，每个模型的权重表示为
Figure 939198DEST_PATH_IMAGE058
，
Figure 828657DEST_PATH_IMAGE059
的和为1；
求解最佳权重线性组合模型，得到最终位移预测结果；当需要对新的位移数据进行预测时，则需要重新执行以上所有步骤。
实施例2：
如图2所示，本实施例提供了一种基于北斗的微形变预测装置，参见图2装置包括：获取模块1、提取模块2和计算模块3，其中：
获取模块1:用于获取位移数据集，位移数据集包括至少两组位移数据，位移数据是通过卫星测量得到的人工构筑物或者是自然灾害场景下的边坡的三维位移量，三维位移量为第二时刻相对于第一时刻的位移量；
第一计算单元11：将位移数据集中的每个位移数据分别进行计算，分别得到位移形变数据,包括:通过箱型图分析方法对每个位移数据进行异常值判断；获取每个位移数据的异常值判断结果，若判断结果正常，则记做第一信息，若判断结果不正常，则剔除；对判断结果正常的第一信息的空缺部分进行填补;获取填补后的第一信息,将第一信息记做位移形变数据。
提取模块2:用于将位移数据集中的每个位移数据分别进行计算，分别得到每个位移数据的位移形变数据，位移形变数据为在位移数据集中通过预测算法模块提取出的数据;
计算模块3:用于根据位移形变数据，建立预测模型,并通过预测模型计算出人工构筑物或者是自然灾害场景下的边坡在第三时刻相对于第二时刻的位移量预测结果；
将更新位移形变数据为转化数据集，其中第一预测单元33：转化公式如下：
Figure 35647DEST_PATH_IMAGE001
其中，式中
Figure 476993DEST_PATH_IMAGE002
为所有位移原始数据的均值，
Figure 871065DEST_PATH_IMAGE003
为所有位移数据的标准差,
Figure 954428DEST_PATH_IMAGE004
为均值 方差归一化的结果，
Figure 750345DEST_PATH_IMAGE005
为需要处理的数据；
将更新位移形变数据为转化数据集，其中第二预测单元34：更新位移形变数据为转化数据集,根据转化数据集，建立第一模型，第一模型包括更新门单元（rt）和重置门单元（zt），第一模型的每个门单元和隐藏层的计算公式如下：
Figure 769117DEST_PATH_IMAGE006
Figure 273654DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE093
Figure DEST_PATH_IMAGE094
式中，
Figure 832812DEST_PATH_IMAGE003
为sigmoid激活函数，
Figure 607870DEST_PATH_IMAGE010
为双曲正切激活函数，
Figure 531963DEST_PATH_IMAGE011
为当前的输入，
Figure 25261DEST_PATH_IMAGE012
为当 前输出，
Figure 325793DEST_PATH_IMAGE013
表示候选激活向量，
Figure 830723DEST_PATH_IMAGE014
为之前的输出，
Figure 551817DEST_PATH_IMAGE015
和
Figure 673357DEST_PATH_IMAGE016
是更新门单元的权重，
Figure 371054DEST_PATH_IMAGE017
和
Figure 996071DEST_PATH_IMAGE018
是重置门单元的权重，
Figure 386601DEST_PATH_IMAGE019
和
Figure 729858DEST_PATH_IMAGE020
是输出候选值，
Figure 372191DEST_PATH_IMAGE021
、
Figure 976348DEST_PATH_IMAGE022
和
Figure 678725DEST_PATH_IMAGE023
分别是更新门单元、重置门 单元和输出候选值的偏置向量。
将更新位移形变数据为转化数据集，其中第三预测单元35：通过第二模型，求解自 回归过程（AR），计算公式如下：
Figure 866867DEST_PATH_IMAGE024
；式中，
Figure 781734DEST_PATH_IMAGE025
，
Figure 646922DEST_PATH_IMAGE026
，
Figure 379254DEST_PATH_IMAGE027
，
Figure 431524DEST_PATH_IMAGE028
表示AR的系数，
Figure 274715DEST_PATH_IMAGE029
为当前输出，
Figure 994409DEST_PATH_IMAGE030
，
Figure 897643DEST_PATH_IMAGE031
，
Figure 437209DEST_PATH_IMAGE027
，
Figure 585556DEST_PATH_IMAGE032
为之前的输入，
Figure 159757DEST_PATH_IMAGE033
为第t个时间序列 的白噪声;根据自回归过程（AR）获取到移动平均过程（MA），计算如下：
Figure 109258DEST_PATH_IMAGE034
式中，式中，
Figure 995174DEST_PATH_IMAGE035
、
Figure 321114DEST_PATH_IMAGE036
，
Figure 874455DEST_PATH_IMAGE037
表示对应输入的误差，
Figure 994857DEST_PATH_IMAGE038
为随机干扰项序列，
Figure 633649DEST_PATH_IMAGE039
，
Figure 763279DEST_PATH_IMAGE040
，
Figure 780914DEST_PATH_IMAGE027
，
Figure 984403DEST_PATH_IMAGE041
表示对应的权重系数,
Figure 720278DEST_PATH_IMAGE042
为白噪声；根据自回归过程（AR）和移动平均过程 （MA），求解得到自回归移动平均（ARMA），计算公式如下：
Figure DEST_PATH_IMAGE095
Figure 574971DEST_PATH_IMAGE044
表示误差，式中，
Figure 712691DEST_PATH_IMAGE045
，
Figure 565109DEST_PATH_IMAGE046
，
Figure 522701DEST_PATH_IMAGE027
，
Figure 620232DEST_PATH_IMAGE047
表示AR的系数，
Figure 878038DEST_PATH_IMAGE029
为当前输出，
Figure 511145DEST_PATH_IMAGE030
，
Figure 346246DEST_PATH_IMAGE031
，
Figure 355790DEST_PATH_IMAGE027
，
Figure 592736DEST_PATH_IMAGE032
为之前的输入，
Figure 662324DEST_PATH_IMAGE035
、
Figure 719141DEST_PATH_IMAGE036
，表示对应输入的误差，
Figure 797956DEST_PATH_IMAGE039
，
Figure 764775DEST_PATH_IMAGE040
，
Figure 362853DEST_PATH_IMAGE027
，
Figure 313491DEST_PATH_IMAGE041
表示 对应的权重系数。
将更新位移形变数据为转化数据集，其中第四预测单元36：通过第三模型,求解回 归系数
Figure 789472DEST_PATH_IMAGE048
，计算公式如下：
Figure 610798DEST_PATH_IMAGE049
式中，
Figure 22187DEST_PATH_IMAGE050
为样本点x变量的自变量矩阵，kI为角矩阵。
将更新位移形变数据为转化数据集，其中第五预测单元37：根据位移形变的数据作为预测模型的输入信息,得到每个预测模型的位移数据预测结果,将预测结果和真实情况作差,得到每个基本模型的拟合误差;根据每个基本模型的拟合误差,计算得到每个基本模型对应的平均平方误差,其计算公式为:
Figure 53597DEST_PATH_IMAGE086
式中，
Figure 208635DEST_PATH_IMAGE052
表示每个基本模型的拟合误差；根据每个基本模型的平均平方误差,计 算出每个基本模型的权值
Figure 9101DEST_PATH_IMAGE053
，其计算公式为：
Figure 856971DEST_PATH_IMAGE054
式中，
Figure 877142DEST_PATH_IMAGE055
表示每个基本模型的平均平方误差；根据每个基本模型的权值
Figure 570292DEST_PATH_IMAGE053
和所有 基本模型,建立最佳权重线性组合模型，其最佳权重线性组合模型公式为：
Figure DEST_PATH_IMAGE096
式中，
Figure 225264DEST_PATH_IMAGE057
表示每个基本模型的预测数据，每个模型的权重表示为
Figure 978456DEST_PATH_IMAGE058
，
Figure 718879DEST_PATH_IMAGE059
的和为1；
求解最佳权重线性组合模型，得到最终位移预测结果。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
相应于上面的方法实施例，本实施例中还提供了一种基于北斗的微形变预测设备，下文描述的一种基于北斗的微形变预测设备与上文描述的一种基于北斗的微形变预测方法可相互对应参照。
图3是根据示例性实施例示出的一种基于北斗的微形变预测设备800的框图。如图3所示，该基于北斗的微形变预测设备800可以包括：处理器801，存储器802。该基于北斗的微形变预测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于北斗的微形变预测设备800的整体操作，以完成上述的基于北斗的微形变预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于北斗的微形变预测设备800的操作，这些数据例如可以包括用于在该基于北斗的微形变预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于北斗的微形变预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，基于北斗的微形变预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于北斗的微形变预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于北斗的微形变预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于北斗的微形变预测设备800的处理器801执行以完成上述的基于北斗的微形变预测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于北斗的微形变预测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于北斗的微形变预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.基于北斗的微形变预测方法，其特征在于，包括：
获取位移数据集，所述位移数据集包括至少两组位移数据，所述位移数据是通过卫星测量得到的目标的三维位移量，所述三维位移量为第二时刻相对于第一时刻的位移量；
将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据，所述位移形变数据为在所述位移数据集中通过预测算法模块提取出的数据；
根据所述位移形变数据，建立预测模型，并通过所述预测模型计算出所述目标在第三时刻相对于第二时刻的位移量预测结果；
其中，将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据，包括：
将位移数据存入数据库中，通过预测算法模块从数据库中读取多组位移数据，并且对位移数据进行预处理，处理步骤依次为：异常数据处理、缺失数据处理和卡尔曼滤波降噪；
根据所述位移形变的数据，建立预测模型，包括：
更新所述位移形变数据为转化数据集，根据所述转化数据集，建立第一模型，所述第一模型包括更新门单元和重置门单元，所述第一模型的每个门单元和隐藏层的计算公式如下：
rt＝σ(xtWxr+ht-1Whr+br)
zt＝σ(xtWxz+ht-1Whz+bz)
Figure FDA0003456781460000011
Figure FDA0003456781460000012
式中，σ为sigmoid激活函数，tanh为双曲正切激活函数，xt为当前的输入，ht为当前输出，
Figure FDA0003456781460000013
表示候选激活向量，ht-1为之前的输出，Wxr和Whr是更新门单元的权重，Wxz和Whz是重置门单元的权重，Wxh和Whh是输出候选值，br、bz和bh分别是更新门单元、重置门单元和输出候选值的偏置向量；
根据所述位移形变的数据，建立预测模型，还包括：更新所述位移形变数据为所述转化数据集，根据所述转化数据集，建立第二模型；
通过所述第二模型，求解自回归过程，计算公式如下：xt＝φ1xt-1+φ2xt-2+…+φpxt-p+μt；
式中，φ1，φ2，...，φp表示AR的系数，xt为当前输出，xt-1，xt-2，...，xt-p为之前的输入，μt为第t个时间序列的白噪声；
根据所述自回归过程获取到移动平均过程，计算如下：
μt＝ε0+θ1εt-1+θ2εt-2+…+θqxt-q
式中，εt-1、εt-2...，εt-q表示对应输入的误差，ε0为随机干扰项序列，θ1，θ2，...，θq表示对应的权重系数，μt为白噪声；
根据所述自回归过程和所述移动平均过程，求解得到自回归移动平均，计算公式如下：
Figure FDA0003456781460000021
式中，ε表示误差，式中，
Figure FDA0003456781460000022
表示AR的系数，xt为当前输出，xt-1，xt-2，...，xt-p为之前的输入，εt-1、εt-2...，表示对应输入的误差，θ1，θ2，...，θq表示对应的权重系数；
根据所述位移形变的数据，建立预测模型，并通过所述预测模型计算出第三时刻最终位移预测结果，包括：更新所述位移形变数据为所述转化数据集，根据所述转化数据集，建立第三模型；
通过第三模型，求解回归系数β，计算公式如下：
β＝(XTX+kI)-1XTy
式中，X为样本点x变量的自变量矩阵，kI为角矩阵；
根据所述位移形变的数据，建立预测模型，并通过所述预测模型计算出第三时刻最终位移预测结果，还包括：
根据所述位移形变的数据作为预测模型的输入信息，得到每个预测模型的位移数据预测结果，将所述预测结果和真实情况作差，得到每个基本模型的拟合误差；
根据每个基本模型的拟合误差，计算得到每个基本模型对应的平均平方误差，其计算公式为：
Figure FDA0003456781460000031
式中，utj表示每个基本模型的拟合误差；
根据每个基本模型的平均平方误差，计算出每个基本模型的权值Pj，其计算公式为：
Figure FDA0003456781460000032
式中，Mj表示每个基本模型的平均平方误差；
根据每个基本模型的权值Pj和所有基本模型，建立最佳权重线性组合模型，其最佳权重线性组合模型公式为：
Figure FDA0003456781460000033
式中，
Figure FDA0003456781460000034
表示每个基本模型的预测数据，每个模型的权重表示为Pj＝1，2，...，m，P1，P2，...，Pm的和为1；
求解所述最佳权重线性组合模型，得到最终位移预测结果。
2.根据权利要求1所述的基于北斗的微形变预测方法，其特征在于，将位移数据集中的每个位移数据分别进行计算，分别得到位移形变数据，包括：
通过箱型图分析方法对每个所述位移数据进行异常值判断；
获取每个所述位移数据的异常值判断结果，若判断结果正常，则记做第一信息，若判断结果不正常，则剔除；
对判断结果正常的所述第一信息的空缺部分进行填补；
获取填补后的所述第一信息，将所述第一信息记做位移形变数据。
3.根据权利要求1所述的基于北斗的微形变预测方法，其特征在于，所述根据所述位移形变的数据，建立预测模型，包括：
将所述位移形变数据经过预设公式进行转化得到转化数据集，转化公式如下：
Figure FDA0003456781460000041
其中，式中μ为所有位移原始数据的均值，σ为所有位移数据的标准差，x*为均值方差归一化的结果，x为需要处理的数据；
更新所述位移形变数据为所述转化数据集。
4.一种北斗的微形变预测装置，其特征在于，包括：
获取模块：用于获取位移数据集，所述位移数据集包括至少两组位移数据，所述位移数据是通过卫星测量得到的目标的三维位移量，所述三维位移量为第二时刻相对于第一时刻的位移量；
提取模块：用于将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据，所述位移形变数据为在所述位移数据集中通过预测算法模块提取出的数据；
计算模块：用于根据所述位移形变数据，建立预测模型，并通过所述预测模型计算出所述目标在第三时刻相对于第二时刻的位移量预测结果；
其中，将所述位移数据集中的每个所述位移数据分别进行计算，分别得到每个所述位移数据的位移形变数据，包括：
将位移数据存入数据库中，通过预测算法模块从数据库中读取多组位移数据，并且对位移数据进行预处理，处理步骤依次为：异常数据处理、缺失数据处理和卡尔曼滤波降噪；
根据所述位移形变的数据，建立预测模型，包括：
更新所述位移形变数据为转化数据集，根据所述转化数据集，建立第一模型，所述第一模型包括更新门单元和重置门单元，所述第一模型的每个门单元和隐藏层的计算公式如下：
rt＝σ(xtWxr+ht-1Whr+br)
zt＝σ(xtWxz+ht-1Whz+bz)
Figure FDA0003456781460000051
Figure FDA0003456781460000052
式中，σ为sigmoid激活函数，tanh为双曲正切激活函数，xt为当前的输入，ht为当前输出，
Figure FDA0003456781460000053
表示候选激活向量，ht-1为之前的输出，Wxr和Whr是更新门单元的权重，Wxz和Whz是重置门单元的权重，Wxh和Whh是输出候选值，br、bz和bh分别是更新门单元、重置门单元和输出候选值的偏置向量；
根据所述位移形变的数据，建立预测模型，还包括：更新所述位移形变数据为所述转化数据集，根据所述转化数据集，建立第二模型；
通过所述第二模型，求解自回归过程，计算公式如下：xt＝φ1xt-1+φ2xt-2+…+φpxt-p+μt；
式中，φ1，φ2，...，φp表示AR的系数，xt为当前输出，xt-1，xt-2，...，xt-p为之前的输入，μt为第t个时间序列的白噪声；
根据所述自回归过程获取到移动平均过程，计算如下：
μt＝ε0+θ1εt-1+θ2εt-2+…+θqxt-q
式中，εt-1、εt-2...，εt-q表示对应输入的误差，ε0为随机干扰项序列，θ1，θ2，...，θq表示对应的权重系数，μt为白噪声；
根据所述自回归过程和所述移动平均过程，求解得到自回归移动平均，计算公式如下：
Figure FDA0003456781460000061
式中，ε表示误差，式中，
Figure FDA0003456781460000062
表示AR的系数，xt为当前输出，xt-1，xt-2，...，xt-p为之前的输入，εt-1、εt-2...，表示对应输入的误差，θ1，θ2，...，θq表示对应的权重系数；
根据所述位移形变的数据，建立预测模型，并通过所述预测模型计算出第三时刻最终位移预测结果，包括：更新所述位移形变数据为所述转化数据集，根据所述转化数据集，建立第三模型；
通过第三模型，求解回归系数β，计算公式如下：
β＝(XTX+kI)-1XTy
式中，X为样本点x变量的自变量矩阵，kI为角矩阵；
根据所述位移形变的数据，建立预测模型，并通过所述预测模型计算出第三时刻最终位移预测结果，还包括：
根据所述位移形变的数据作为预测模型的输入信息，得到每个预测模型的位移数据预测结果，将所述预测结果和真实情况作差，得到每个基本模型的拟合误差；
根据每个基本模型的拟合误差，计算得到每个基本模型对应的平均平方误差，其计算公式为：
Figure FDA0003456781460000071
式中，utj表示每个基本模型的拟合误差；
根据每个基本模型的平均平方误差，计算出每个基本模型的权值Pj，其计算公式为：
Figure FDA0003456781460000072
式中，Mj表示每个基本模型的平均平方误差；
根据每个基本模型的权值Pj和所有基本模型，建立最佳权重线性组合模型，其最佳权重线性组合模型公式为：
Figure FDA0003456781460000073
式中，
Figure FDA0003456781460000074
表示每个基本模型的预测数据，每个模型的权重表示为Pj＝1，2，...，m，P1，P2，...，Pm的和为1；
求解所述最佳权重线性组合模型，得到最终位移预测结果。
5.一种北斗的微形变预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述北斗的微形变预测方法的步骤。
6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述北斗的微形变预测方法的步骤。
CN202111200897.9A 2021-10-15 2021-10-15 基于北斗的微形变预测方法、装置、设备及可读存储介质 Active CN113642812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111200897.9A CN113642812B (zh) 2021-10-15 2021-10-15 基于北斗的微形变预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111200897.9A CN113642812B (zh) 2021-10-15 2021-10-15 基于北斗的微形变预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113642812A CN113642812A (zh) 2021-11-12
CN113642812B true CN113642812B (zh) 2022-02-08

Family

ID=78427034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111200897.9A Active CN113642812B (zh) 2021-10-15 2021-10-15 基于北斗的微形变预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113642812B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741976B (zh) * 2022-06-13 2022-09-23 西南交通大学 一种位移预测方法、装置、设备及可读存储介质
CN117493833B (zh) * 2023-12-29 2024-04-09 江西飞尚科技有限公司 一种滑坡变形阶段识别方法、系统、存储介质及计算机

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745073A (zh) * 2014-01-27 2014-04-23 北方工业大学 一种边坡三维变形预测方法
CN107292410A (zh) * 2016-03-30 2017-10-24 中国石油天然气股份有限公司 隧道形变预测方法和装置
CN109492793A (zh) * 2018-09-29 2019-03-19 桂林电子科技大学 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法
CN110986747A (zh) * 2019-12-20 2020-04-10 桂林电子科技大学 一种滑坡位移组合预测方法及系统
CN111275255A (zh) * 2020-01-17 2020-06-12 南昌大学 一种混凝土坝变形监测预报模型的构建方法
CN112861207A (zh) * 2021-01-05 2021-05-28 东莞理工学院 复合地层的沉降预测的方法、设备及计算机存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108519045A (zh) * 2018-05-14 2018-09-11 桂林电子科技大学 一种北斗精密形变监测与预警系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745073A (zh) * 2014-01-27 2014-04-23 北方工业大学 一种边坡三维变形预测方法
CN107292410A (zh) * 2016-03-30 2017-10-24 中国石油天然气股份有限公司 隧道形变预测方法和装置
CN109492793A (zh) * 2018-09-29 2019-03-19 桂林电子科技大学 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法
CN110986747A (zh) * 2019-12-20 2020-04-10 桂林电子科技大学 一种滑坡位移组合预测方法及系统
CN111275255A (zh) * 2020-01-17 2020-06-12 南昌大学 一种混凝土坝变形监测预报模型的构建方法
CN112861207A (zh) * 2021-01-05 2021-05-28 东莞理工学院 复合地层的沉降预测的方法、设备及计算机存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
加权函数组合预测边坡变形模型的研究;金海元等;《工程地质学报》;20080815(第04期);第518-521页 *
基于加权组合模型的基坑位移变形分析与预测;王永明等;《地下空间与工程学报》;20131015;第1564-1567页 *
基于灰色理论和神经网络的边坡位移预测;杨永波等;《自然灾害学报》;20080415(第02期);第138-143页 *
边坡位移的EEMD-PSO-ELM模型预测方法;谢博等;《中国安全科学学报》;20200315(第03期);第161-166页 *

Also Published As

Publication number Publication date
CN113642812A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113642812B (zh) 基于北斗的微形变预测方法、装置、设备及可读存储介质
CN111199270B (zh) 一种基于深度学习的区域波高预报方法及终端
CN115587666A (zh) 基于季节趋势分解和混合神经网络的负荷预测方法及系统
CN112819256A (zh) 一种基于注意力机制的卷积时序房价预测方法
CN117543544A (zh) 一种负荷预测方法、装置、设备及存储介质
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、系统及设备
CN118152993A (zh) 一种基于物联网的智能水利资源感知系统
CN114239945B (zh) 短期电力负荷预测方法、装置、设备及存储介质
CN115270608A (zh) 基于arima与lstm的海岸带地面沉降预测方法
CN117424227A (zh) 一种地形风电场出力预测方法、装置及存储介质
CN115759483A (zh) 光伏电场太阳辐照度预测方法、电子设备及存储介质
CN116663388A (zh) 粮堆温度预测方法、装置、设备及存储介质
CN113723006B (zh) 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统
JP2020035042A (ja) データ判定装置、方法、及びプログラム
CN115527163A (zh) 目标检测模型优化方法、装置、电子设备及可读存储介质
CN112529315B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN114386332A (zh) 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
CN111931994A (zh) 一种短期负荷及光伏功率预测方法及其系统、设备、介质
CN111402042A (zh) 一种用于股市大盘形态分析的数据分析与显示方法
CN118094959B (zh) 基于有源rc电路模型的地面沉降预测方法、设备及介质
CN115022348B (zh) 一种高端电池智能工厂云级架构数据存储方法
CN116246145B (zh) 一种航天器故障的辨识方法和装置
Siddig et al. Maximum-posterior evaluation for partially observable multistage stochastic programming
CN118838195A (zh) 一种多源数据驱动的混合半实物仿真系统及方法
CN113988363A (zh) 一种预测新能源中长期电量的方法及其设备

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