CN113886917A - 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 - Google Patents
基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 Download PDFInfo
- Publication number
- CN113886917A CN113886917A CN202111162139.2A CN202111162139A CN113886917A CN 113886917 A CN113886917 A CN 113886917A CN 202111162139 A CN202111162139 A CN 202111162139A CN 113886917 A CN113886917 A CN 113886917A
- Authority
- CN
- China
- Prior art keywords
- settlement
- data
- railway
- value
- ground settlement
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N3/045—Combinations of 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CNN‑LSTM模型的铁路沿线区域地面沉降预测预警方法,该方法提出的CNN‑LSTM组合模型提升了多维特征提取能力,增强了模型预测准确率;同时提出了一种基于网格单元划分铁路沿线区域地面沉降值预测方法,对监测区域的各个网格单元进行单独的沉降值预测;另外,对铁路沿线区域地面沉降提出了基于平均累计沉降值、平均沉降速度、沉降面积、最大沉降累计值、沉降不均匀系数等多种沉降预测指标数据进行沉降风险预警计算处理;并且提出了三种常用场所隧道、桥梁、路基的铁路地面沉降预警模型。针对隧道、桥梁、路基三种场所,选择不同的沉降预测指标数据进行风险预警计算处理,得到更为精确的预警结果。
Description
技术领域
本发明涉及基于机器学习的地质灾害预测预警领域,具体涉及一种基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法。
背景技术
地面沉降又称地面下沉或地陷,它是指地表受到自然因素以及人为因素的影响形成的区域性连续缓慢的下降运动。地面沉降一直以来是值得关注的地质灾害之一。
随着高铁列车运行速度的不断提升,为了确保列车行驶的安全性和舒适性,对铁路沿线区域的地面平整性提出了更高要求。对于速度超过250千米/小时的高速列车行驶过程中,如果存在轨道不均匀而产生的振动作用会远远大于普通的铁路,导致旅客的舒适感难以保障。为此,对铁路沿线的地面沉降进行实时预测预警,及时掌握铁路沿线是否会发生地面沉降现象,采取措施确保铁路运行的安全稳定是十分必要的。
为了实现铁路地面沉降风险监测预警,需要对铁路沿线区域的地面沉降形变值进行实时监测,并通过监测形成的时间序列数据预测未来一段时间内铁路沿线区域地面沉降值变化,并评价沉降风险等级,从而实现沉降风险预警。由于地面沉降受内外多因素影响导致地表形态变化,即便对地面沉降预测可以基于实时监测所形成时间序列形变值进行预测,但该类时间序列每一个观测值是受内外因素共同影响,再加上铁路沿线区域不同场所的地面结构差异,其地表面沉降值预测是一类复杂的工程问题。现阶段对于时间序列值的预测主要有两大类方法:时序模型方法、深度时序模型方法。时序模型方法较为简单,它是通过曲线拟合和参数估计来建立数学模型预测未来时间的值。常用的时序模型有如下四种:自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)、自回归差分移动平均模型(ARIMA)。其中以ARIMA模型最为常见。深度时序模型方法指通过深度学习算法结合多变量数据集进行训练,得到根据多因素数据进行预测的模型方法。其中最经典模型为循环神经网络(RNN)和长短期记忆人工神经网络(LSTM)。
以ARIMA为主的时间序列模型适用较小的数据集,但是不具备长时间序列的预测。RNN神经网络相对ARIMA更为复杂,且能满足大数据预测分析的需求,但是其梯度爆炸或者梯度消失的问题会导致预测精准度降低,也不满足长时间序列的预测。LSTM可对RNN梯度爆炸以及梯度消失的问题进行解决。在LSTM中,通过三个门部件控制信息的流入和流出,即采用σ(x)(sigmoid函数)进行控制,避免了梯度爆炸或者梯度消失的问题。因此LSTM是长时间序列预测问题解决的首选模型。
沉降预测是一类长时间序列预测。在铁路沿线区域不仅需要考虑监测点位置的沉降,还需考虑监测点区域面积范围的沉降。同时铁路沿线区域的地面沉降受众多因素影响,如气温、土壤温度、土壤湿度、土压力、地形地貌、地层岩性、地质构造等。此外,在铁路沿线区域实现全面的沉降值预测,还需解决监测区域范围的合理划分,以及如何实现在线沉降值预测等问题。
目前地面沉降风险等级预警普遍根据监测的地面沉降速度以及沉降值来进行风险判断。若沉降速度或者累计沉降值到达某个阈值,则进行风险预警。但是对于铁路沿线区域的地面沉降等级风险预警,不局限于地面沉降实时监测值预警,更注重地面沉降预测预警,即更关注铁路沿线区域地面未来沉降风险的防范。此外,铁路沿线区域地面沉降预测预警还需考虑路轨、桥梁、隧道等不同场所地面沉降风险的诱因差异。因此,设计出一种适用于铁路区域地面沉降的预测预警方法是十分必要的。
本发明将针对地面沉降值预测以及地面沉降风险等级预警两个方面,给出适用于铁路区域沿线的地面沉降预测预警方法。
发明内容
针对现有沉降地质灾害风险预测方法在铁路沿线区域进行地面沉降监测预警存在适应性不够、准确性不高等局限问题,本发明提出一种基于卷积神经网络(CNN)和长短期记忆人工神经网络(LSTM)模型的铁路沿线区域地面沉降值预测方法,并选取各铁路场所(如隧道、桥梁、路基)相关的沉降风险监测指标对铁路地面沉降风险进行等级评价处理,达到具有更好适应性和准确性的预警结果。
目前针对地面沉降值的预测,LSTM模型是一个可以使用的预测模型。然而LSTM模型仍然存在拟合能力不足的问题,部分时刻的预测值误差仍然较大。虽然LSTM模型对于时间特征的提取能力较好,但是对于其他特征的提取存在不足,因此需要在LSTM模型基础上提升多维特征提取能力。对于铁路沿线的地面沉降预测,需要考虑多种内外因素(地面沉降值、气温、土壤温度、土壤湿度、土压力、地形地貌、地层岩性、地质构造等)对区域地面沉降的影响,解决基于多因素的时间序列沉降值预测问题。
现有沉降风险预警模型大都只根据监测点的沉降速度以及累计沉降值进行风险预警。由于铁路沿线区域沉降监测预警不仅关注监测点沉降,也关注监测面沉降,现有沉降风险监测预警的适应性不够、预警准确性有限。此外,这些监测预警模型也没有考虑不同铁路场所沉降风险监测预警的针对性。本发明针对以上问题,提出基于平均累计沉降值、平均沉降速度、沉降面积、最大沉降累计值、沉降不均匀系数等多种沉降预测指标数据进行沉降风险等级评价计算处理,同时针对隧道、桥梁、路基三种场所,选择不同的沉降预测指标数据进行风险等级评价计算处理,得到准确性更高的预警结果。
本发明提出了一种基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法,该方法分为预测和预警两个方面:一方面,基于卷积神经网络(CNN)和长短期记忆人工神经网络(LSTM)模型实现铁路沿线区域地面沉降值预测,另一方面,同时选取各铁路场所(如隧道、桥梁、路基)相关的沉降风险监测指标对铁路地面沉降风险进行预警处理。预测主要通过卷积神经网络(CNN)与长短期记忆人工神经网络(LSTM)模型对时间序列地面沉降值进行预测。预警则将多种地面沉降风险指标预测值输入模型进行风险评价处理,输出沉降风险等级预警。下面分别对这两方面进行介绍。
1.铁路沿线区域地面沉降预测
为了实现铁路沿线区域地面沉降预测,需要将监测地面沉降所形成的沉降时间序列值,以及沉降区域内外影响因素数据(如气温、土壤温度、土壤湿度、土压力、地形地貌、地层岩性、地质构造)输入沉降值预测模型处理,输出未来时间的沉降预测值。本发明提出一种卷积神经网络(CNN)与长短期记忆人工神经网络(LSTM)组合模型(CNN-LSTM)实现铁路沿线区域地面沉降值预测。
针对LSTM模型在处理时间序列预测中存在拟合能力不足的问题,本发明在LSTM模型预测沉降值基础上进行优化改进,提高模型的多维特征提取能力。通过利用CNN模型强大的特征提取能力,构建CNN-LSTM组合模型(即CNN-LSTM铁路地面沉降预测模型),来对地面沉降监测的时间序列值进行预测。所述CNN-LSTM组合模型包括依次连接的输入层、CNN卷积层、CNN池化层、LSTM层和输出层,其中输入层输入监测区域每个网格采集的地面沉降值、气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造等内外因素数据,输出层输出监测区域每个网格的地面沉降预测值。CNN-LSTM组合模型的前半部分为CNN卷积层和CNN池化层,用于铁路沉降数据的多维特征提取。所述CNN卷积层用于提取特征,参数共享的特征降低了网络的稀疏性。在CNN卷积层之后添加CNN池化层,用于降维,减少卷积核的尺寸,防止出现过拟合,同时提升计算处理的效率。组合模型的后半部分为LSTM预测模型(LSTM层),用于提取地面沉降的时间变化特征,并对时间序列的地面沉降值进行预测。最后通过全连接层来输出最后的预测结果。
此外,为了实现铁路沿线区域地面沉降的全面预测,本发明对铁路沿线监测区域进行网格化处理,将监测区域按照等比例划分为多个大小相同的网格单元。对监测区域每个网格均采集地面沉降值、气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造等内外因素数据。将这些因素的监测数据进行预处理后,输入到CNN-LSTM组合模型中,实现各网格单元沉降值时间序列预测,得到每个网格单元未来7天的预测沉降值(下文简称地面沉降预测值)。通过统计监测区域所有网格单元的地面沉降预测值,可以获得该铁路沿线监测区域的沉降分布情况。
2.铁路沿线区域地面沉降预警
本发明根据铁路区域的类型不同,将沉降风险预警模型分为铁路隧道地面沉降预警模型、铁路桥梁沉降预警模型和铁路路基地面沉降预警模型三种。在获得铁路沿线监测区域的沉降分布情况后,便可根据当前监测区域的类型,将当前监测区域中各个网格单元的地面沉降预测值输入到对应的沉降风险预警模型中进行沉降风险等级预警处理。单一指标的区域平均沉降值往往无法反映铁路地面沉降灾害的风险程度,需要根据多种指标进行综合评判分析。此外,不同铁路场所(如隧道、桥梁、路基)关注的沉降风险监测指标是不同的。
本发明根据铁路沿线地面沉降监测应用的需求,采用区域平均累计沉降值、区域沉降面积、区域最大沉降值、区域沉降不均匀系数、区域平均沉降速度等5个指标用于沉降风险预警模型的评判处理。区域平均累计沉降值表现为铁路沿线附近区域的整体累计沉降情况。区域沉降面积表现为铁路沿线沉降的面积分布大小,以上两个因素能较好评价铁路区域沉降的整体情况。区域最大沉降值反映铁路区域内风险程度最大点情况,若最大沉降值较大,需要对该点进行着重关注。区域平均沉降速度反映了铁路区域沉降的整体趋势,对风险预警中有较强的指导作用。区域沉降不均匀系数反映了铁路区域沉降的不均匀程度。
本发明采用区域平均累计沉降值、区域沉降面积、区域最大沉降值、区域沉降不均匀系数、区域平均沉降速度等5个指标对监测区域的沉降风险进行评价,并根据铁路场所类型不同分别给出铁路隧道地面沉降预警模型、铁路桥梁沉降预警模型,铁路路基地面沉降预警模型。
本发明采用Spark Streaming流数据计算框架实现沉降风险预警模型计算处理。Streaming启动并监听数据收集工具Flume的数据推送端口。Flume将预测数据从OpenTSDB数据库推送给Spark Streaming计算框架程序处理。Spark程序接受各个网格单元的实时预测数据(即步骤1得到的各个网格单元的地面沉降预测值),并根据监测区域类型选择不同的指标进行计算,将沉降风险等级评价结果进行输出。
本发明针对LSTM模型在铁路沉降值预测处理中存在多维特征提取能力不足导致拟合能力较差的问题,通过利用CNN模型强大的多维特征提取能力,构建CNN-LSTM的组合模型,提升了预测模型的多维特征提取能力。组合模型的前半部分为CNN网络层,用于铁路沉降数据的多维特征提取,后半部分为LSTM预测模型,用于提取地面沉降的时间特征,并对时间序列的地面沉降值进行预测。实验结果表明,CNN-LSTM预测模型与单一LSTM预测模型相比,拟合效果更好,在隧道、桥梁、路基三种场所下的平均误差率分别为0.84%、5.7%、0.55%,符合铁路地面沉降值预测的精度要求。
现有沉降风险预警模型大都只根据沉降速度以及累计沉降值进行风险等级评价预警,其预警准确性效果有限。此外,这些预警模型也没有考虑不同沉降场所的针对性。本发明的预警部分则提出基于平均累计沉降值、平均沉降速度、沉降面积、最大沉降累计值、沉降不均匀系数等多种沉降预测指标数据进行沉降风险等级评价处理,同时针对隧道、桥梁、路基三种场所,选择不同的沉降预测指标数据进行风险等级评价处理,得到更为精确的预警结果。实验结果表明本发明提出的隧道、桥梁、路基沉降灾害风险预警模型准确率分别为76%,86%,84%,满足铁路地面沉降预警的精度要求。
附图说明
图1为本发明的CNN-LSTM铁路地面沉降预测模型结构图
图2为本发明沉降风险预警模型结构图
图3为数据预处理流程图
图4为铁路沿线区域地面沉降预测的CNN-LSTM网络模型训练流程图
图5为沉降区域网格单元的沉降值预测示意图
图6为铁路地面沉降风险预警实现流程图
具体实施方式
下面根据附图和实施例详细阐述此发明,并对本发明的技术方案进行具体描述。此处所选的实施例仅用于解释该发明,并不能够限定此发明。
本发明提出的一种基于CNN和LSTM模型的铁路沿线区域地面沉降预测预警方法,该方法依次包括如下步骤S1)-S4):
S1)沉降监测大数据预处理
通过铁路沿线的监测传感器获取地面沉降值和土压数据,并将获取的地面沉降值和土压数据连同预先获取的气象数据和地质条件数据一起被传输到数据库中,其中,所述气象数据包括气温、土壤温度、土壤湿度;所述地质条件数据包括地形地貌、地层岩性、地质构造;从所述数据库中获取原始数据,获取到的原始数据往往难以直接使用,需要进行预处理操作,得到预处理后的数据,其中,所述原始数据包括地面沉降值、气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造;所述预处理操作依次包括:数据清洗、数据填充、数据特征扩充、数据重采样、数据归一化和数据集成。数据预处理流程如图3所示。
步骤一:数据清洗。由于环境干扰、铁路沿线沉降监测设备电源不稳定等原因,各类监测传感器采集到的数据可能存在异常孤立数据点或噪声数据。这些异常孤立数据点和噪声数据在数据分析与挖掘中会影响地质灾害预警预测的准确性、实时性,因此需要对异常孤立数据和噪声数据进行数据清洗。为了对铁路沿线监测传感器采集到的数据进行数据清洗,选择使用3σ标准去噪方法对异常数据和噪声数据进行清洗。
步骤二:数据填充。由于获取到的原始数据会存在一些缺失或者数据清洗导致部分异常数据被去除,需要进行数据填充,保证数据的连续性。对于地面沉降数据和气象数据,其连续性较强,通过采用向前填充的方式来完成填充。往往在较短的时间间隔内其值的变化相对不大,因此该方法能较为方便得完成数据填充,同时不会出现较大的误差。
步骤三:数据特征扩充。针对现有的数据特征,可以进行扩充。由于特征因素较多,此处列举其中一个数据特征(地面沉降值)。在获取当前时刻的累计地面沉降值,可以计算出当前时刻与上一时刻累计地面沉降值的差值,即形变量。
步骤四:数据重采样。由于地面沉降值、土压数据的采集频率为2小时一次,与气象数据采集频率不一致,因此需要对数据进行重采样和频率转换。将地面沉降值、土压数据和气象数据按照2小时一次的频率进行地面沉降预测值计算,并计算当日累计地面沉降值以及昨日累计地面沉降值。对于气象数据,通过将当日所有记录的同一类型数据取平均值的方法,得到该类型数据的当日的平均值。如将当日每小时的温度值求平均值,得到当日的温度平均值。
步骤五:数据归一化。本发明考虑后期需要使用梯度下降算法来训练CNN-LSTM组合模型,各种连续数据(如地面沉降值、土壤温度、土壤湿度、土压)的取值范围差异较大,需要对连续的特征数据进行归一化处理来加快模型的收敛速度。
步骤六:数据集成。对采集的地面沉降值、气象数据、土压数据进行上述预处理后,需要对数据进行集成整合。以时间为基准,将地面沉降值、气象数据(气温、土壤温度、土壤湿度)、土压数据、地质条件数据(地形地貌、地层岩性、地质构造)进行集成。集成后的数据结果如表1所示,包括时间(Time)、当日累计地面沉降值(Settlement)、昨日累计地面沉降值(Settlement_Diff)、气温(Temp)、10厘米土壤湿度(10cm_soilhumidity)、100厘米土壤湿度(100cm_soilhumidity)、10厘米土壤温度(10cm_soilTemp)、100厘米土壤温度(100cm_soilTemp)、地形地貌(TerrainType)、地层岩性(LithologicType)、地质构造(TectonicStructure)数据项。原始数据中的地面沉降值数据来源于监测区域的传感器数据。10厘米土壤湿度(10cm_soilhumidity)、100厘米土壤湿度(100cm_soilhumidity)、10厘米土壤温度(10cm_soilTemp)、100厘米土壤温度(100cm_soilTemp)来源于美国国家环境信息中心网站发布的气象数据。地形地貌、地层岩性、地质构造数据来源于地质云平台系统对外提供的数据。
表1集成后的数据示例
Time | 2021-04-20 | 2021-04-21 | 2021-04-22 |
Settlement(mm) | 3.435 | 4.332 | 4.622 |
Settlement_Diff(mm) | 0.344 | 0.897 | 0.290 |
Temp | 0.683352 | 0.692344 | 0.684246 |
10cm_soilhumidity | 0.623415 | 0.625256 | 0.627334 |
100cm_soilhumidity | 0.646752 | 0.658151 | 0.653742 |
10cm_soilTemp | 0.548524 | 0.578123 | 0.578191 |
100cm_soilTemp | 0.563130 | 0.592381 | 0.583434 |
TerrainType | 1 | 1 | 1 |
LithologicType | 2 | 2 | 2 |
TectonicStructure | 3 | 3 | 3 |
其中,其中气温(Temp)、10厘米土壤湿度(10cm_soilhumidity)、100厘米土壤湿度(100cm_soilhumidity)、10厘米土壤温度(10cm_soilTemp)、100厘米土壤温度(100cm_soilTemp)等数据进行了归一化,因此单位没有任何意义,表格中不做标注。地形地貌(TerrainType)、地层岩性(LithologicType)、地质构造(TectonicStructure)为离散数据。对于地形地貌,1表示平原、2表示高原和台地、3表示丘陵、4表示山地。对于地层岩性,1表示坚硬岩组、2表示较坚硬岩组、3表示软岩组、4表示松散岩组。对于地质构造,1表示断裂构造、2表示褶皱构造、3表示水平构造、4表示倾斜构造。
S2)铁路沿线区域地面沉降预测模型的构建和训练
构建CNN-LSTM组合模型(即CNN-LSTM铁路地面沉降预测模型),如图1所示,为CNN-LSTM组合模型的结构图。所述CNN-LSTM组合模型包括依次连接的输入层、CNN卷积层、CNN池化层、LSTM层和输出层,其中输入层的输入为如Xm={x1 m,x2 m,x3 m,…xn m,xn+1 m}的数据,一个Xm表示一组基于时间序列的样本数据,上标m表示样本数据的序号,n表示时间序列的序号。其中xn+1 m表示真实的沉降值,用于与预测的沉降值进行比较计算损失。输出层输出根据{x1 m,x2 m,x3 m,…xn m}的数据计算出地面沉降预测值。CNN-LSTM组合模型的前半部分为CNN卷积层和CNN池化层,用于铁路沉降数据的多维特征提取。所述CNN卷积层用于提取特征,参数共享的特征降低了网络的稀疏性。在CNN卷积层之后添加CNN池化层,用于降维,减少卷积核的尺寸,防止出现过拟合,同时提升计算处理的效率。CNN-LSTM组合模型的后半部分为LSTM层,用于提取地面沉降的时间变化特征,并对时间序列的地面沉降值进行预测。最后通过全连接层来输出最后的预测结果。
如图4所示,铁路沿线区域地面沉降预测的CNN-LSTM组合模型训练流程步骤如下:
步骤一:构建CNN-LSTM组合模型的训练集和测试集。训练集与测试集来源于步骤S1)中预处理后的数据,训练集与测试集的比例为5:1。输入训练集中的训练样本,训练集中的任意第j个训练样本为输入序列Xj={x1 j,x2 j,x3 j,…xn j,xn+1 j}。其中输入序列Xj的前n项x1 j,x2 j,x3 j,…,xn j作为输入向量第n+1项xn+1 j作为真实值,用于和预测结果进行对比。
步骤二:确定CNN卷积层的卷积核大小和CNN池化层的池化方式。对于CNN卷积神经网络,卷积层是最重要的部分,特征的提取主要由卷积层的计算来实现。在卷积层中的特征提取器称为卷积核,通常卷积核表示为一个n*n的矩阵,在本发明中为了更容易提取数据内部特征并减少计算量,采用3*3的卷积核尺寸。池化层在卷积层之后进行下采样操作,对CNN卷积层提取的特征进行降维,压缩数据的大小和参数数量,在减小数据处理量的同时保持原始数据的特征不变性,防止模型过拟合的可能。通常池化方式有两种,最大池化和平均池化。在本模型中,为了提取特征差异最大的值,选择最大池化作为池化方式。
步骤三:初始化CNN-LSTM组合模型中所有网络模型参数。
步骤四:前向传播计算CNN-LSTM组合模型各网络层神经元的输出数据。将上一层的输出作为下一层的输入,并计算下一层的输出,一直到运算到输出层为止。
步骤五:选择均方误差(MSE)作为CNN-LSTM组合模型的损失函数,反向传播分别计算各网络层神经元的误差值。
步骤六:根据各网络层神经元的误差值计算出CNN-LSTM组合模型中每个网络模型参数的梯度,并通过优化算法完成权重参数的更新,优化算法选择Adam算法。
步骤七:不断进行迭代,直到CNN-LSTM组合模型中所有网络模型参数不再发生变化或者训练次数达到预设值(即epoch)。其中为了充分达到训练的效率,增加各网络模型参数收敛的稳定性,采用分批训练的方式,通过对CNN-LSTM组合模型进行调参,设置参数batchsize为256,epoch为40。在一轮训练中(表示全部样本数据被训练一次),将样本数据进行分批训练,判断梯度不再发生变化或者所有批次的数据都训练结束,那么进行下一轮训练。当CNN-LSTM组合模型训练次数达到预设值,CNN-LSTM组合模型的训练结束。其中为了防止过拟合的问题,采用Dropout的方式,使部分神经元随机失活,设置Dropout参数为0.2。
步骤八:保存模型并结束模型的训练。得到训练结果,即CNN-LSTM组合模型中各个神经元节点的权重参数,由此得到训练好的CNN-LSTM组合模型。
S3)铁路沿线区域网格地面沉降预测值计算
为获得铁路沿线区域地面沉降监测区域的地面沉降预测值,将铁路地面沉降监测区域等比例划分为N个大小相同的网格单元。对每个网格单元均采集地面沉降值,同时也采集该网格单元所在位置的气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造数据,对这些采集的数据按照步骤S1)进行预处理后输入到所述训练好的CNN-LSTM组合模型中进行计算处理,得到该铁路地面沉降监测区域中各网格单元的沉降时间序列预测值。本发明设定将监测区域划分为10*10共100个大小相同的网格单元,分别对每一个网格单元进行地面沉降值预测,如图5所示。
铁路地面沉降预测值的计算主要依据CNN-LSTM组合模型,通过将实时采集并预处理后的数据作为输入,输入到训练好的CNN-LSTM组合模型中,训练好的CNN-LSTM组合模型自动计算出下一时刻的各网格单元的地面沉降预测值。
S4)铁路地面沉降风险等级预警实现
构建沉降风险预警模型,根据铁路区域的类型不同,将沉降风险预警模型分为铁路隧道地面沉降预警模型、铁路桥梁沉降预警模型和铁路路基地面沉降预警模型三种。在获得铁路地面沉降监测区域的沉降分布情况后,便可根据当前监测区域的类型,将当前监测区域中各个网格单元的地面沉降预测值输入到对应的沉降风险预警模型中进行沉降风险等级预警处理。
本发明根据铁路沿线地面沉降监测应用的需求,采用区域平均累计沉降值、区域沉降面积、区域最大累计沉降值、区域沉降不均匀系数、区域平均沉降速度5个指标用于沉降风险预警模型的评判处理,并根据铁路场所类型不同分别给出铁路隧道地面沉降预警模型、铁路桥梁沉降预警模型,铁路路基地面沉降预警模型。本发明方法提出的沉降风险预警模型如图2所示。区域平均累计沉降值表现为铁路沿线附近区域的整体累计沉降情况。区域沉降面积表现为铁路沿线沉降的面积分布大小,以上两个因素能较好评价铁路区域沉降的整体情况。区域最大累计沉降值反映铁路区域内风险程度最大点情况,若最大累计沉降值较大,需要对该点进行着重关注。区域平均沉降速度反映了铁路区域沉降的整体趋势,对风险预警中有较强的指导作用。区域沉降不均匀系数反映了铁路区域沉降的不均匀程度。
铁路地面沉降风险预警的实现流程图如图6所示。
步骤一:输入步骤S3)得到的铁路地面沉降监测区域中各网格单元的沉降时间序列预测值,该数据为沉降监测区域中每个网格单元的地面沉降预测值。
步骤二:判断所述铁路地面沉降监测区域的场所类型,本发明中将监测区域分为了桥梁、隧道、路基三种场所类型。
步骤三:根据所述铁路地面沉降监测区域的场所类型及该铁路地面沉降监测区域中各网格单元的沉降时间序列预测值,计算地面沉降指标值。不同场所类型对应的地面沉降指标不同,其中桥梁场所包括沉降不均匀系数、平均沉降速度、最大累计沉降值3个地面沉降指标;隧道场所包括平均累计沉降值、平均沉降速度、沉降不均匀系数;路基场所包括平均累计沉降值、平均沉降速度、沉降面积。平均累计沉降值、平均沉降速度、最大累计沉降值、沉降不均匀系数、沉降面积这5个地面沉降指标计算公式分别如公式1、公式2、公式3、公式4、公式5所示。
Smax=Max(Si),i=1,2,…,N (公式3)
A=N*a (公式5)
其中,公式1中S表示平均累计沉降值,N表示该铁路地面沉降监测区域中网格单元的数量,Si表示该铁路地面沉降监测区域中第i个网格单元的累计沉降值。公式2中V表示平均沉降速度,Vi表示该铁路地面沉降监测区域中第i个网格单元的沉降速度。公式3中Smax表示最大累计沉降值,N表示网格单元的数量,Max()函数用来求最大值。公式4中σ表示沉降不均匀系数,S表示网格平均累计沉降值。公式5中A表示沉降面积,N表示发生沉降区域的网格数量,a表示单个网格单元的面积大小。
步骤四:根据预先设置的桥梁、隧道、路基三张地面沉降预警等级评估表,分别计算出的各地面沉降指标值的风险等级,在这三张地面沉降预警等级评估表中,每一个地面沉降指标根据其值的大小分别对应5个风险等级,这5个风险等级从高到低分别为红色预警、橙色预警、黄色预警、蓝色预警和不发布预警。表2、表3、表4分别给出桥梁、隧道、路基地面沉降预警等级评估表。根据评估表中的数值计算出的各地面沉降指标值对应的风险等级。
表2桥梁地面沉降预警等级评估表
表3隧道地面沉降预警等级评估表
表4路基地面沉降预警等级评估表
步骤五:通过middle()函数取所述铁路地面沉降监测区域对应的三个地面沉降指标值的风险等级的中间等级。桥梁、隧道、路基三个场所的风险等级计算公式见公式6、公式7、公式8所示。
Risk_Level_Bridge=Middle(Risk(σ),Risk(Smax),Risk(V)) (公式6)
Risk_Level_Tunnel=Middle(Risk(σ),Risk(S),Risk(V)) (公式7)
Risk_Level_Road=Middle(Risk(A),Risk(S),Risk(V)) (公式8)
其中Risk()函数主要作用为计算单一地面沉降指标的风险等级,如公式6中的Risk(σ)表示桥梁地面沉降预警模型中沉降不均匀系数的风险等级。在根据场所类型选定的评价模型输入各自对应的三个地面沉降指标值的风险等级后,通过Middle()函数对三个地面沉降指标值的风险等级取中间等级作为铁路地面沉降风险预警模型的输出。比如,对于铁路桥梁沉降预警模型,输入的Risk(σ)的风险等级为红色预警,Risk(Smax)的风险等级为黄色预警,Risk(V)的风险等级为蓝色预警,该铁路桥梁沉降预警模型的输出为黄色预警。如果三个风险等级中有两个相同,如为红色预警、蓝色预警和蓝色预警,则输出为蓝色。如果三个风险等级全部相同,则输出就是该风险等级。
实验结果表明本发明提出的隧道、桥梁、路基沉降风险预警模型准确率分别为76%,86%,84%,满足预警的要求。
本发明针对LSTM预测模型在处理铁路沿线地面沉降值预测中存在多维特征提取不足导致预测值精度不高问题,提出了基于卷积神经网络(CNN)与长短期记忆人工神经网络(LSTM)的组合模型提升多维特征提取能力,改进了传统网络模型LSTM的网络结构,将其与卷积神经网络CNN进行了结合,优化了网络模型的特征提取能力,使得模型的预测准确率大大增加。同时针对现有沉降监测预警方法难以做到全面的区域沉降预测问题,提出了一种基于网格单元划分铁路沿线区域地面沉降值预测方法,该方法可以对监测区域的各个网格单元区域进行单独的沉降值预测,将监测区域进行网格化划分,通过CNN-LSTM预测模型对监测区域的每个网格进行沉降预测,得到每个网格的沉降预测值,用以进行沉降区域的风险等级预警。另外,针对沉降速度、累计沉降值等少量指标难以全面评估铁路沿线区域的地面沉降风险等级的问题,本发明对铁路沿线区域地面沉降提出了多种风险监测指标,与现有单一指标的沉降预警方法不同,本发明提出了基于平均累计沉降值、平均沉降速度、沉降面积、最大沉降累计值、沉降不均匀系数等多种沉降预测指标数据进行沉降风险预警计算处理。针对现有铁路沿线区域地面沉降预警未考虑场所因素,导致预警准确度难以在所有场合下得到保证的问题,本发明提出了三种常用场所(隧道、桥梁、路基)的铁路地面沉降预警模型,针对隧道、桥梁、路基三种场所,选择不同的沉降预测指标数据进行风险预警计算处理,得到更为精确的预警结果。
以上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。
Claims (5)
1.一种基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法,其特征在于,该方法包括如下步骤:
步骤S1):沉降监测大数据预处理
通过铁路沿线的监测传感器获取地面沉降值和土压数据,并将获取的地面沉降值和土压数据连同预先获取的气象数据和地质条件数据一起被传输到数据库中,其中,所述气象数据包括气温、土壤温度、土壤湿度;所述地质条件数据包括地形地貌、地层岩性、地质构造;从所述数据库中获取原始数据,获取到的原始数据需要进行预处理操作,得到预处理后的数据,其中,所述原始数据包括地面沉降值、气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造;所述预处理操作依次包括:数据清洗、数据填充、数据特征扩充、数据重采样、数据归一化和数据集成;
步骤S2):铁路沿线区域地面沉降预测模型的构建和训练
构建用于铁路沿线区域地面沉降预测的CNN-LSTM组合模型,所述CNN-LSTM组合模型包括依次连接的输入层、CNN卷积层、CNN池化层、LSTM层和输出层,其中输入层输入包括地面沉降值、气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造在内的内外因素数据,所述CNN-LSTM组合模型的前半部分为CNN卷积层和CNN池化层,用于铁路沉降数据的多维特征提取,其中,所述CNN卷积层用于提取特征,参数共享的特征降低了网络的稀疏性,在CNN卷积层之后添加CNN池化层,用于降维,减少卷积核的尺寸,防止出现过拟合,同时提升计算处理的效率;所述CNN-LSTM组合模型的后半部分为LSTM层,用于提取地面沉降的时间变化特征,并对时间序列的地面沉降值进行预测;最后输出层通过全连接层来输出最后的预测结果,即地面沉降预测值;
根据所述预处理后的数据构建训练集用于训练所述CNN-LSTM组合模型,得到训练好的CNN-LSTM组合模型;
步骤S3):铁路沿线区域网格地面沉降预测值计算
为获得铁路沿线区域地面沉降监测区域的地面沉降预测值,将铁路地面沉降监测区域等比例划分为N个大小相同的网格单元,对每个网格单元均采集地面沉降值,同时也采集该网格单元所在位置的气温、土壤温度、土壤湿度、土压、地形地貌、地层岩性、地质构造数据,对这些采集的数据按照步骤S1)中的预处理操作进行处理后输入到所述训练好的CNN-LSTM组合模型中进行计算处理,得到该铁路地面沉降监测区域中各网格单元的沉降时间序列预测值;
步骤S4):铁路地面沉降风险等级预警实现
构建沉降风险预警模型,根据铁路地面沉降监测区域的场所类型不同,将沉降风险预警模型分为铁路隧道地面沉降预警模型、铁路桥梁沉降预警模型和铁路路基地面沉降预警模型三种;在获得铁路地面沉降监测区域中各网格单元的沉降时间序列预测值后,根据当前铁路地面沉降监测区域的场所类型,将当前铁路地面沉降监测区域中各个网格单元的沉降时间序列预测值输入到对应的沉降风险预警模型中进行沉降风险等级预警处理;
根据铁路沿线地面沉降监测应用的需求,采用区域平均累计沉降值、区域沉降面积、区域最大累计沉降值、区域沉降不均匀系数、区域平均沉降速度5个指标用于沉降风险预警模型的评判处理,其中,区域平均累计沉降值表现为铁路沿线附近区域的整体累计沉降情况;区域沉降面积表现为铁路沿线沉降的面积分布大小;区域最大累计沉降值反映铁路区域内风险程度最大点情况;区域沉降不均匀系数反映了铁路区域沉降的不均匀程度;区域平均沉降速度反映了铁路区域沉降的整体趋势。
2.根据权利要求1所述的基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法,其特征在于,所述步骤S1)中的预处理操作具体包括:
步骤S11):数据清洗
由于环境干扰、铁路沿线沉降监测设备电源不稳定的原因,各类监测传感器采集到的数据存在异常孤立数据点或噪声数据,这些异常孤立数据点和噪声数据在数据分析与挖掘中会影响地质灾害预测预警的准确性、实时性,因此使用3σ标准去噪方法对异常孤立数据点和噪声数据进行了数据清洗;
步骤S12):数据填充
由于获取到的原始数据会存在一些缺失或者数据清洗导致部分异常数据被去除,需要进行数据填充,保证数据的连续性,由于地面沉降值和气象数据的连续性强,通过采用向前填充的方式来完成填充;
步骤S13):数据特征扩充
针对现有的数据特征进行扩充,对于地面沉降值这一数据特征,在获取了当前时刻的累计地面沉降值后,计算出当前时刻与上一时刻的累计地面沉降值差值,即形变量;
步骤S14):数据重采样
由于地面沉降值和土压数据的采集频率为2小时一次,与气象数据采集频率不一致,因此需要对数据进行重采样和频率转换;将地面沉降值、土压以及气象数据按照2小时一次的频率进行地面沉降预测值计算,并计算当日累计地面沉降值和昨日累计地面沉降值;对于气象数据,通过将当日所有记录的同一类型数据取平均值的方法,得到该类型数据的当日平均值;
步骤S15):数据归一化
地面沉降值、气温、土壤温度、土壤湿度、土压的物理量取值范围差异大,需要对这些连续值的物理量数据进行归一化处理;
步骤S16):数据集成
在对地面沉降值、土压、气象数据依次进行步骤S11)-步骤S15)的操作后,需要对数据进行集成整合:以时间为基准,将地面沉降值、土压、气象数据和地质条件数据进行集成,得到集成后的数据集,所述集成后的数据集包括时间、当日累计地面沉降值、昨日累计地面沉降值、气温、10厘米土壤温度、100厘米土壤温度、10厘米土壤湿度、100厘米土壤湿度、地形地貌、地层岩性、地质构造这些数据项。
3.根据权利要求2所述的基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法,其特征在于,所述步骤S2)中的训练所述CNN-LSTM组合模型具体包括:
步骤S21):构建CNN-LSTM组合模型的训练集,所述训练集来源于步骤S1)中预处理后的数据,输入训练集中的训练样本到输入层,所述训练集中任意第j个训练样本为输入序列Xj={x1 j,x2 j,x3 j,…xn j,xn+1 j},其中输入序列Xj的前n项x1 j,x2 j,x3 j,…,xn j作为输入向量第n+1项xn+1 j作为真实值,用于和预测结果进行对比;
步骤S22):确定CNN卷积层的卷积核大小和CNN池化层的池化方式:为了更容易提取数据内部特征并减少计算量,采用3*3的卷积核大小;为了提取特征差异最大的值,选择最大池化作为池化方式;
步骤S23):初始化CNN-LSTM组合模型中所有网络模型参数;
步骤S24):前向传播计算CNN-LSTM组合模型各网络层神经元的输出数据,将上一层的输出作为下一层的输入,并计算下一层的输出,一直运算到输出层为止;
步骤S25):选择均方误差作为CNN-LSTM组合模型的损失函数,反向传播分别计算各网络层神经元的误差值;
步骤S26):根据各网络层神经元的误差值计算出CNN-LSTM组合模型中每个网络模型参数的梯度,并通过Adam优化算法完成权重参数的更新;
步骤S27):不断进行迭代,直到CNN-LSTM组合模型的训练次数达到预设值,CNN-LSTM组合模型的训练结束;为了充分达到训练的效率,增加各网络模型参数收敛的稳定性,采用分批训练的方式,通过对CNN-LSTM组合模型进行调参,设置参数batch size为256,epoch为40,并且为了防止过拟合的问题,采用Dropout的方式,使部分神经元随机失活,设置Dropout参数为0.2;
步骤S28):保存模型并结束模型的训练,得到CNN-LSTM组合模型中各个神经元节点的权重参数,由此得到训练好的CNN-LSTM组合模型。
4.根据权利要求3所述的基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法,其特征在于,所述步骤S4)具体包括:
步骤S41):输入步骤S3)得到的铁路地面沉降监测区域中各网格单元的沉降时间序列预测值;
步骤S42):判断所述铁路地面沉降监测区域的场所类型;
步骤S43):根据所述铁路地面沉降监测区域的场所类型及该铁路地面沉降监测区域中各网格单元的沉降时间序列预测值,计算该铁路地面沉降监测区域的地面沉降指标值:不同场所类型对应的地面沉降指标不同,其中桥梁场所包括沉降不均匀系数、平均沉降速度、最大累计沉降值3个地面沉降指标;隧道场所包括平均累计沉降值、平均沉降速度、沉降不均匀系数3个地面沉降指标;路基场所包括平均累计沉降值、平均沉降速度、沉降面积3个地面沉降指标;平均累计沉降值、平均沉降速度、最大累计沉降值、沉降不均匀系数、沉降面积这5个地面沉降指标计算分别如公式1到公式5所示:
Smax=Max(Si),i=1,2,…,N (公式3)
A=N*a (公式5)
其中,公式1中S表示平均累计沉降值,N表示该铁路地面沉降监测区域中网格单元的数量,Si表示该铁路地面沉降监测区域中第i个网格单元的累计沉降值;公式2中V表示平均沉降速度,Vi表示该铁路地面沉降监测区域中第i个网格单元的沉降速度;公式3中Smax表示最大累计沉降值,Max(*)函数用来求最大值;公式4中σ表示沉降不均匀系数;公式5中A表示沉降面积,a表示单个网格单元的面积大小;
步骤S44):根据预先设置的桥梁、隧道、路基三张地面沉降预警等级评估表,分别计算出各地面沉降指标值的风险等级,在这三张地面沉降预警等级评估表中,每一个地面沉降指标根据其值的大小分别对应5个风险等级,这5个风险等级从高到低分别为红色预警、橙色预警、黄色预警、蓝色预警和不发布预警;
步骤S45):通过middle(*)函数取所述铁路地面沉降监测区域对应的3个地面沉降指标值的风险等级的中间等级作为该铁路地面沉降监测区域的风险等级进行预警,桥梁、隧道、路基三个场所的风险等级计算公式分别如公式6到公式8所示:
Risk_Level_Bridge=Middle(Risk(σ),Risk(Smax),Risk(V)) (公式6)
Risk_Level_Tunnel=Middle(Risk(σ),Risk(S),Risk(V)) (公式7)
Risk_Level_Road=Middle(Risk(A),Risk(S),Risk(V)) (公式8)
其中Risk(*)函数主要作用为计算单一地面沉降指标值的风险等级,在根据所述铁路地面沉降监测区域的场所类型选定的沉降风险预警模型中输入对应的3个地面沉降指标值的风险等级后,通过Middle(*)函数对3个地面沉降指标值的风险等级取中间等级作为沉降风险预警模型的输出。
5.根据权利要求4所述的基于CNN-LSTM模型的铁路沿线区域地面沉降预测预警方法,其特征在于,所述N=100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162139.2A CN113886917B (zh) | 2021-09-30 | 2021-09-30 | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162139.2A CN113886917B (zh) | 2021-09-30 | 2021-09-30 | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113886917A true CN113886917A (zh) | 2022-01-04 |
CN113886917B CN113886917B (zh) | 2022-05-03 |
Family
ID=79004938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111162139.2A Active CN113886917B (zh) | 2021-09-30 | 2021-09-30 | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113886917B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357594A (zh) * | 2022-03-08 | 2022-04-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
CN114464206A (zh) * | 2022-04-11 | 2022-05-10 | 中国人民解放军空军预警学院 | 一种单通道盲源分离方法及系统 |
CN114757365A (zh) * | 2022-06-13 | 2022-07-15 | 西南交通大学 | 一种基于深度学习的高速铁路路基沉降预测及预警方法 |
CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
CN117213443A (zh) * | 2023-11-07 | 2023-12-12 | 江苏省地质调查研究院 | 一种天地深一体化地面沉降监测网建设与更新方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197845A (zh) * | 2018-02-28 | 2018-06-22 | 四川新网银行股份有限公司 | 一种基于深度学习模型lstm的交易指标异常的监测方法 |
US20180232879A1 (en) * | 2017-02-15 | 2018-08-16 | Chung Yuan Christian University | Method and apparatus for detecting cell reprogramming |
CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
CN111814725A (zh) * | 2020-07-20 | 2020-10-23 | 北京华正明天信息技术股份有限公司 | 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法 |
-
2021
- 2021-09-30 CN CN202111162139.2A patent/CN113886917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232879A1 (en) * | 2017-02-15 | 2018-08-16 | Chung Yuan Christian University | Method and apparatus for detecting cell reprogramming |
CN108197845A (zh) * | 2018-02-28 | 2018-06-22 | 四川新网银行股份有限公司 | 一种基于深度学习模型lstm的交易指标异常的监测方法 |
CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
CN111814725A (zh) * | 2020-07-20 | 2020-10-23 | 北京华正明天信息技术股份有限公司 | 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357594A (zh) * | 2022-03-08 | 2022-04-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
CN114464206A (zh) * | 2022-04-11 | 2022-05-10 | 中国人民解放军空军预警学院 | 一种单通道盲源分离方法及系统 |
CN114757365A (zh) * | 2022-06-13 | 2022-07-15 | 西南交通大学 | 一种基于深度学习的高速铁路路基沉降预测及预警方法 |
CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
CN117213443A (zh) * | 2023-11-07 | 2023-12-12 | 江苏省地质调查研究院 | 一种天地深一体化地面沉降监测网建设与更新方法 |
CN117213443B (zh) * | 2023-11-07 | 2024-03-19 | 江苏省地质调查研究院 | 一种天地深一体化地面沉降监测网建设与更新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113886917B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113886917B (zh) | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 | |
Pradhan et al. | Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling | |
Aaviksoo | Simulating vegetation dynamics and land use in a mire landscape using a Markov model | |
CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN112800634B (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
CN112270400A (zh) | 一种基于多影响因子的滑坡位移动态预测方法 | |
CN115063963B (zh) | 一种基于数字孪生技术的滑坡监测系统及方法 | |
CN109902111B (zh) | 一种土石坝安全信息挖掘方法 | |
CN107516401A (zh) | 一种山体滑坡监测方法和系统 | |
CN114201922A (zh) | 基于InSAR技术的动态滑坡敏感性预测方法及系统 | |
CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
CN112131731B (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN111199298B (zh) | 基于神经网络的洪水预报方法与系统 | |
CN103942325A (zh) | 一种融合气候分区思想的海陆气候事件关联规则挖掘方法 | |
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 | |
CN113834547A (zh) | 一种河流虚拟站水位时序重建方法及系统 | |
CN110390149B (zh) | 一种基于物源聚集量的强震区泥石流活动性预测方法 | |
Gadgay et al. | Novel ensemble neural network models for better prediction using variable input approach | |
CN116699612A (zh) | 融合InSAR形变量与降雨量的滑坡危险性评价方法 | |
CN116862432A (zh) | 一种隧道浅埋段施工方案动态调整方法及系统 | |
CN116029217A (zh) | 结合地质数据的水利工程数字孪生建模预警系统 | |
Matsoukas et al. | Fusion of radar and rain gage measurements for an accurate estimation of rainfall | |
Tang et al. | Displacement prediction of rainfall induced landslide based on AdaBoost BP neural network | |
CN111767649B (zh) | 一种软基地区变电站地质变形安全评估方法 |
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 |