CN114021633A - 基于变形状态综合多属性熵分析的滑坡稳定性预测方法 - Google Patents
基于变形状态综合多属性熵分析的滑坡稳定性预测方法 Download PDFInfo
- Publication number
- CN114021633A CN114021633A CN202111271945.3A CN202111271945A CN114021633A CN 114021633 A CN114021633 A CN 114021633A CN 202111271945 A CN202111271945 A CN 202111271945A CN 114021633 A CN114021633 A CN 114021633A
- Authority
- CN
- China
- Prior art keywords
- landslide
- deformation
- state
- entropy
- analysis
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 230000007704 transition Effects 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000000194 supercritical-fluid extraction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002459 sustained effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明属于滑坡稳定性预测领域,具体涉及一种基于变形状态综合多属性熵分析的滑坡稳定性预测方法,步骤如下:基于K均值法聚类法和云模型研究滑坡位移数据,定义变形程度和变形趋势及变形状态;通过状态发生熵和状态转移熵及隶属度,进行变形状态序列的融合熵分析;通过状态融合熵的结果解释分析滑坡的稳定性规律。本发明与传统的安全系数相比,能够反映滑坡失稳程度及其变化规律;与滑坡稳定性分析的模拟方法相比,本方法以位移监测数据作为滑坡稳定性分析的基础,易于进行连续的稳定性分析;与位移监测数据直接判断相比,本方法通过数据驱动模型分析滑坡变形状态,避免了单个工程地质经验的不统一,确保其适用于不同滑坡的地质条件。
Description
技术领域
本发明属于滑坡稳定性预测领域,具体涉及一种基于变形状态综合多属性熵分析的滑坡稳定性预测方法。
背景技术
滑坡是一种常见的自然灾害,每年造成大量财产损失。对滑坡稳定性及其变化规律的分析在特定场地滑坡的风险评估中起着重要作用,为此提出了许多稳定性分析方法,如Saito法、极限平衡法(LEM)和有限元法(FEM)。这些方法为分析滑坡稳定性提供了理论基础,并在工程地质学中得到了广泛应用。
尽管这些稳定性分析方法做出了巨大贡献,但仍有一些问题不容忽视。首先,安全系数是最常用的指示滑坡稳定性的指标但它主要表示安全(大于1)或不安全(小于1),无法显示稳定或不稳定的程度;其次,降雨和水位波动等外部因素也会改变滑坡稳定性;第三,LEM和FEM等方法涉及的物理参数太多,其不确定性使得这些方法难以与滑坡的实时条件相匹配,因此寻找一种只需少量的参数的滑坡稳定性评价方法具有重要的意义。
发明内容
针对上述技术的不足,本发明的目的在于提供一种基于变形状态综合多属性熵分析的滑坡稳定性预测方法,以方便地与滑坡的实时条件相匹配,并指示滑坡稳定性的程度和变化规律。
为达到上述目的,本发明采用如下的技术方案:
一种基于变形状态综合多属性熵分析的滑坡稳定性预测方法,包括以下步骤:
S1:基于K均值法聚类法和云模型研究滑坡位移数据,定义变形程度DE和变形趋势DT及变形状态;
S2:通过状态发生熵SOE和状态转移熵STE及隶属度,进行变形状态序列的融合熵分析;
S3:通过状态融合熵CFSE的结果解释分析滑坡的稳定性规律。
进一步地,步骤S1提出了一种K均值聚类法和云模型共同作用的联合聚类方法:
K均值聚类法可以从数据自动派生标签(概念),但不能区分具有相同标签的项目。云模型可以利用数据的分布特征,并将每个数据项的成员关系表示为相应的概念,但如果不定义概念,则无法工作。因此本发明提出了一种k均值聚类法和云模型的联合聚类方法,根据位移监测数据确定滑坡变形状态,定义了滑坡位移数据的两种功能数据类型。DE表示变形程度,DT表示变形趋势(DT)。正DT表示变形增加,定义变形状态的过程如下所示。
S101:将DE和DT同时合并为一项,(DE,DT)。
S102:根据K值法对所有项目进行聚类,并获得聚类标签(K标签)和每个项目到相应聚类中心的距离dic。
S103:对于每个簇(云)
S10301:根据dic选择一定比例的项目作为典型项目;
S10302:通过向后云生成器GG-1获取该云的数字特征的典型项目;
S10303:通过向前云发生器CG,根据数字特征生成云滴,进行视觉分析。
S104:计算每个项目对所有云的子集并将其归一化,并将子集中最大的云标签定义为相应项目的变形状态。
进一步地,步骤S2针对变形状态序列的时效性和马尔可夫性,定义了状态发生熵SOE和状态转移熵。其中,SOE、STE和隶属度的乘积被定义为SFE,用于描述滑坡失稳的综合信息。
SOE的主要目的是测量由一种变形状态的单一事件提供的滑坡稳定性信息。考虑到严重变形对滑坡预警的重要意义,对信息熵基本方程进行了修正,强调了严重变形与轻微变形的概率差异。为了显示变形趋势,将SOE的符号定义为与DT相同,这也反映了变形状态的及时性。状态发生熵SOE通过以下公式计算:
式中,pi为变形状态i的概率;Ni是变形状态i的频率;K是变形状态的数量,即K值法中的聚类数;DTt是的变形趋势指数DT在t时刻的值;SOEi,t是t时刻状态i发生的状态发生熵。
STE侧重于当一种变形状态传递到另一种变形状态时,滑坡稳定性信息的测量。马尔可夫性质描述了离散状态序列的这种性质,即每个状态仅受前一个状态的影响,独立于其他状态。由于外部因素对滑坡的影响具有连续性和滞后性,变形状态序列满足马尔可夫性。本发明利用马尔可夫链的状态转移矩阵,定量地分析了离散状态的转移规律,状态转变熵STE可通过以下公式计算:
式中,pij是从前状态到当前状态的转移概率;K是变形状态的数量;STEij是从前状态到当前状态转变的状态转变熵。至于滑坡变形状态,严重变形很少发生,导致从其他变形状态过渡到严重变形的概率很小。相反,严重变形表明滑坡高度不稳定,因此具有可持续性差的特征。显然,严重变形持续时间越长,滑坡的不稳定性越高,STE越大。
SFE定义为状态发生熵、状态转移熵和隶属度的乘积,SFE是临时变形状态对滑坡整体失稳的单独贡献。通过按时间累加SFE,可以得到累积状态融合熵CSFE,计算公式如下所示:
SFEj,t=SOEj,t·STEij·MBSj
进一步地,步骤S3通过状态融合熵CFSE的结果解释分析滑坡的稳定性规律:
SFE是变形状态的时效性、马尔可夫性和模糊性属性的综合表示。在数学形式上,SFE可视为加权信息量,表示各变形状态对整体滑坡失稳的个性化。对于该值,一方面,SFE的峰值由DT决定,指示滑坡的变形趋势。正DT表示不稳定性增加,负DT表示不稳定性减少。另一方面,不稳定程度用SFE的绝对值表示。
CSFE是SFE之和,根据信息论,熵表示源的整体不确定性和不稳定性。同样,CSFE反映了整个监测期间滑坡的整体不稳定性。换句话说,CSFE代表了滑坡失稳的累积效应。随着时间的推移,CSFE还将指示滑坡失稳的变化规律。若滑坡处于轻微变形期,则CSFE将保持在相对较低的水平。如果滑坡发展到严重变形期,CSFE将相应地显示出持续增长。此外,还引入了历史最大指数来识别稳定性变化的关键时间节点。它被定义为从一开始到CSFE相关时间的最大值。历史最大值的每次更新都表明滑坡的危险性更大。一旦新的历史最大值频繁出现,CSFE曲线将不可避免地显著增加,表明滑坡高度不稳定。在这种情况下,有必要进行现场调查,以进行滑坡预警和灾害预防。
本发明基于位移监测数据、变形状态和滑坡稳定性之间的关系实现了滑坡稳定性预测,相对现有的方法,本发明具有以下优点:1,与传统的安全系数相比,状态融合熵评价滑坡失稳程度,能够反映滑坡失稳程度及其变化规律;2,与滑坡稳定性分析的模拟方法相比,本发明方法以位移监测数据作为滑坡稳定性分析的基础,易于进行连续的稳定性分析;3,与位移监测数据直接判断相比,本发明方法通过数据驱动模型分析滑坡变形状态,避免了单个工程地质经验的不统一,确保其适用于不同滑坡的地质条件。
附图说明
图1为本发明具体实施方式的流程简图。
具体实施方式
此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。下面将结合具体实施方式对上述技术方案进行详细的说明。
实施例:
某滑坡发生地位于三峡大坝上游26.6公里和秭归县下游15.5公里,位于长江北岸的新滩市。考虑到GPS监测误差与滑坡月实际变形相比可以忽略,选择月变形速度(v)作为DE指标,月变形加速度(a)作为DT指标。首先,以月变形速度和加速度为输入,基于k均值聚类法和云模型的联合聚类方法定义月变形状态。
S101:将DE和DT同时合并为一项,(DE,DT)。
S102:根据K值法对所有项目进行聚类,并获得聚类标签(即K标签)和每个项目到相应聚类中心的距离dic。
S103:对于每个簇(云)
S10301:根据dic选择一定比例的项目作为典型项目;
S10302:通过向后云生成器GG-1获取该云的数字特征的典型项目;
S10303:通过向前云发生器CG,根据数字特征生成云滴,进行视觉分析。
S104:计算每个项目对所有云的子集并将其归一化,并将子集中最大的云标签定义为相应项目的变形状态。
考虑到每月大约有90个项目具有两个维度即(v,a),为简单起见,根据经验将聚类数设置为3。通过对随机10%的数据集子样本执行初步聚类阶段,确定初始聚类质心。聚类过程重复9次,并根据投票策略确定聚类标签K。
根据分析可以看出,集群质心之间存在明显的数值差异,表明不同的变形模式。大多数项目的变形速度和加速度保持在相对较低的水平,说明在滑坡发展过程中,轻微变形的发生概率较大,而严重变形的发生概率较小。
云模型继续评估每个项目在相应集群标签上的子集。考虑到变形速度的非负数值限制,将簇1设置为右半云,簇2设置为对称云,簇3设置为半对称云信息速度维度。在变形加速维度中,所有簇都被设置为对称云。在获得每个云的数字特征后,计算并统一每个项目对所有云的隶属度,并将隶属度最大的云标签CM定义为月变形状态。K标签和CM标签几乎相同。但是,有一些属于簇1的项目表示在云模型中现在属于簇2或簇3,这表明簇1对数值偏差的容忍度较低。
通过k均值和云模型的联合聚类过程,得到月变形状态,然后对变形状态序列进行SFE分析。如说明中技术方案部分所述,根据变形状态的时效性和马尔可夫性定义了状态发生熵和状态转移熵。统计每个变形状态的频率和概率后,根据公式 计算每个变形状态的状态发生熵,得其绝对值为0.1621,0.4980和0.3399。通过分析变形状态序列得到状态转移矩阵,并根据公式
计算得到得到的状态转移熵,如下所示:
变形状态 | S1 | S2 | S3 |
S1 | 0.2679 | 0.4687 | 0.2634 |
S2 | 0.0000 | 0.5516 | 0.4484 |
S3 | 0.3635 | 0.3312 | 0.3253 |
(1)从S2到S1的STE为零。如前所述,S2的变形速度相对较大,而S1的变形速度较小。因此,与S3相对应的减速过程将不可避免地出现在S2和S1之间。
(2)从轻微变形S1到S1的过渡呈现出较小的过渡熵,表明滑坡风险较小。
(3)最大跃迁熵出现在从S2到S2的跃迁过程中,表明不稳定性增加。
最后,根据公式:
SFEj,t=SOEj,t·STEij·MBSj
计算每月SFE,根据计算结果可知,该滑坡在1977年12月至1981年12月期间,每月SFE保持在较低水平,在零左右波动。有两个局部极大值,但它们只持续很短的时间。1982年1月至1982年5月,早期接近局部最大值的数值频繁出现,表明该滑坡的不稳定性增加,风险增大。
为了深入了解滑坡失稳的累积效应和变化规律,根据公式:
计算CSFE,然后选择历史最大值。对于CSFE曲线,有两种典型的变化形式:零附近波动型和波动增加型。第一类发生在1978年1月至1982年2月之间,在此期间,CSFE在零附近波动,略有下降。局部最大值出现在1979年8月。全球最低气温出现在1982年2月。1982年2月以后,CSFE呈现出明显的波动性增长趋势。历史最大值主要集中在两个时期。1978年1月至1979年7月,第一个周期处于监测期的前期,历史最大值相对较小,易于更新。从1982年6月至1985年4月,第二个时期是监测期的后期。在此期间,历史最大值的频繁更新表明该滑坡的不稳定性增加,滑坡灾害风险增加。
滑坡稳定性与演化阶段之间存在密切关系,根据以往研究,该滑坡于1979年8月进入均匀变形阶段,1982年7月进入加速变形阶段,1985年6月失稳。1979年8月对应于CSFE的局部突变,也是历史最大值第一个时期的结束。1982年7月处于CSFE的波动增长期,是第二个历史最大期的开始。在该滑坡破坏之前,CSFE在1985年4月已经达到了很高的水平。也就是说,历史最大值与该滑坡在关键时间节点的演化阶段非常吻合,可以说明该方法的有效性。此外,1982年7月新滩滑坡进入加速变形阶段后,CSFE开始出现明显的波动性增长趋势。在这方面,CSFE的波动增加类型可作为判断滑坡是否进入加速变形阶段的新线索。
以上所述的仅是本发明的实施例,方案中公知的具体结构、方法及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明构思的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种基于变形状态综合多属性熵分析的滑坡稳定性预测方法,其特征在于:包括以下步骤:
S1:基于K均值法聚类法和云模型研究滑坡位移数据,定义变形程度DE和变形趋势DT及变形状态,正DT表示变形增加;
S2:通过状态发生熵SOE和状态转移熵STE及隶属度,进行变形状态序列的融合熵分析;
S3:通过状态融合熵CFSE的结果解释分析滑坡的稳定性规律。
2.如权利要求1所述的基于变形状态综合多属性熵分析的滑坡稳定性预测方法,其特征在于:步骤S1中K均值聚类法和云模型共同作用联合聚类,变形状态的过程如下:
S101:将DE和DT同时合并为一项,即(DE,DT);
S102:根据K值法对所有项目进行聚类,并获得聚类标签和每个项目到相应聚类中心的距离dic;
S103:对于每个簇,
S10301:根据dic选择一定比例的项目作为典型项目;
S10302:通过向后云生成器GG-1获取该云的数字特征的典型项目;
S10303:通过向前云发生器CG,根据数字特征生成云滴,进行视觉分析;
S104:计算每个项目对所有云的子集并将其归一化,并将子集中最大的云标签定义为相应项目的变形状态。
3.如权利要求2所述的基于变形状态综合多属性熵分析的滑坡稳定性预测方法,其特征在于:步骤S2中,将SOE、STE和隶属度的乘积定义为SFE,用于描述滑坡失稳的综合信息;
其中,状态发生熵SOE通过以下公式计算:
式中,pi为变形状态i的概率;Ni是变形状态i的频率;K是变形状态的数量,即K值法中的聚类数;DTt是的变形趋势指数DT在t时刻的值;SOEi,t是t时刻状态i发生的状态发生熵;
状态转变熵STE可通过以下公式计算:
式中,pij是从前状态到当前状态的转移概率;K是变形状态的数量;STEij是从前状态到当前状态转变的状态转变熵,严重变形持续时间越长,滑坡的不稳定性越高,STE越大;
SFE是临时变形状态对滑坡整体失稳的单独贡献,通过按时间累加SFE,得到累积状态融合熵CSFE,计算公式如下所示:
SFEj,t=SOEj,t·STEij·MBSj
4.如权利要求3所述的基于变形状态综合多属性熵分析的滑坡稳定性预测方法,其特征在于:SFE是变形状态的时效性、马尔可夫性和模糊性属性的综合表示,用以表示各变形状态对整体滑坡失稳的个性化,SFE的峰值由DT决定,指示滑坡的变形趋势,正DT表示不稳定性增加,负DT表示不稳定性减少;
不稳定程度用SFE的绝对值表示,CSFE是SFE之和,CSFE反映整个监测期间滑坡的整体不稳定性;若CSFE保持在相对较低的水平,表示滑坡处于轻微变形期;若CSFE显示出持续增长,则表示滑坡发展到严重变形期。
5.如权利要求3所述的基于变形状态综合多属性熵分析的滑坡稳定性预测方法,其特征在于:还包括有用以识别稳定性变化关键时间节点的历史最大指数,其为从一开始到CSFE相关时间的最大值,历史最大值的每次更新都表明滑坡的危险性更大,频繁更新历史最大值,则表明滑坡高度不稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271945.3A CN114021633A (zh) | 2021-10-29 | 2021-10-29 | 基于变形状态综合多属性熵分析的滑坡稳定性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271945.3A CN114021633A (zh) | 2021-10-29 | 2021-10-29 | 基于变形状态综合多属性熵分析的滑坡稳定性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021633A true CN114021633A (zh) | 2022-02-08 |
Family
ID=80058969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111271945.3A Withdrawn CN114021633A (zh) | 2021-10-29 | 2021-10-29 | 基于变形状态综合多属性熵分析的滑坡稳定性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021633A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150131801A (ko) * | 2014-05-16 | 2015-11-25 | 한국지질자원연구원 | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 |
CN106529197A (zh) * | 2016-12-07 | 2017-03-22 | 中国地质大学(武汉) | 一种滑坡稳定性时变规律分析的方法 |
-
2021
- 2021-10-29 CN CN202111271945.3A patent/CN114021633A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150131801A (ko) * | 2014-05-16 | 2015-11-25 | 한국지질자원연구원 | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 |
CN106529197A (zh) * | 2016-12-07 | 2017-03-22 | 中国地质大学(武汉) | 一种滑坡稳定性时变规律分析的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hyde et al. | Fully online clustering of evolving data streams into arbitrarily shaped clusters | |
CN109214948A (zh) | 一种电力系统热负荷预测的方法和装置 | |
CN115759378A (zh) | 一种基于数字孪生的大坝安全分析预警系统及方法 | |
US10949582B2 (en) | Classification optimization method for steel grade family of steel rolling model | |
CN109902111B (zh) | 一种土石坝安全信息挖掘方法 | |
CN106897826A (zh) | 一种交通事故风险评估方法及系统 | |
Li et al. | Research and application of random forest model in mining automobile insurance fraud | |
CN110147902A (zh) | 一种多项运营指标联合异常监测方法 | |
CN104636325A (zh) | 一种基于极大似然估计确定文档相似度的方法 | |
CN101567124A (zh) | 一种海洋灾害预警方法 | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制系统运行绩效评价方法 | |
CN109740044A (zh) | 一种基于时间序列智能预测的企业异动预警方法 | |
CN106354940A (zh) | 基于水质模型不确定性输入的景观水水质模拟与预警方法 | |
CN103106329B (zh) | 一种用于svr短期负荷预测的训练样本分组构造方法 | |
CN114021633A (zh) | 基于变形状态综合多属性熵分析的滑坡稳定性预测方法 | |
CN101957941A (zh) | 基于时间趋势的融合显著性和敏感性来识别凸现问题的方法 | |
Lethanh et al. | A hidden Markov model for modeling pavement deterioration under incomplete monitoring data | |
CN108182178A (zh) | 基于事件文本数据挖掘的地下水水位分析方法与系统 | |
CN116757881A (zh) | 一种基于二维云模型的隧道施工动态风险预警方法及系统 | |
CN113407797B (zh) | 利用分形计算针对偷盗燃气行为的数据挖掘方法 | |
CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
CN106920000B (zh) | 基于es预测技术的煤炭供应链牛鞭效应抑制方法 | |
CN109697630A (zh) | 一种基于稀疏回归的商家客流量多因素分析与预测方法 | |
Liu et al. | State fusion entropy for continuous and site-specific analysis of landslide stability changing regularities | |
Wang et al. | The forecast of gold price based on the GM (1, 1) and Markov chain |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220208 |