CN114201923A - 一种滑坡位移预测模型的处理方法和装置 - Google Patents

一种滑坡位移预测模型的处理方法和装置 Download PDF

Info

Publication number
CN114201923A
CN114201923A CN202210139690.3A CN202210139690A CN114201923A CN 114201923 A CN114201923 A CN 114201923A CN 202210139690 A CN202210139690 A CN 202210139690A CN 114201923 A CN114201923 A CN 114201923A
Authority
CN
China
Prior art keywords
displacement
item
data set
data
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210139690.3A
Other languages
English (en)
Inventor
王晨辉
孟庆佳
王茜
郭伟
杨凯
吴悦
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.)
Center for Hydrogeology and Environmental Geology CGS
Original Assignee
Center for Hydrogeology and Environmental Geology CGS
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 Center for Hydrogeology and Environmental Geology CGS filed Critical Center for Hydrogeology and Environmental Geology CGS
Priority to CN202210139690.3A priority Critical patent/CN114201923A/zh
Publication of CN114201923A publication Critical patent/CN114201923A/zh
Pending legal-status Critical Current

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种滑坡位移预测模型的处理方法和装置，通过基于变分模态分解算法对采集的滑坡位移数据和影响因素数据进行分解，避免了由于分量数目不确定造成的对分量分解过度或分解不完全的现象；并且，本发明实施例可以针对分解的每个子序列赋予实际的物理意义，将位移子序列与相关的影响因素子序进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，基于整合后的数据集对GA‑Elman模型进行训练与预测，并根据预设的评价指标和预测结果，对各个数据集对应的预测结果进行累计处理，得到累计位移预测模型，并对累计位移预测模型的滑坡位移预测效果进行了验证，可以有效提高滑坡位移的预测精度和预测效率。

Description

一种滑坡位移预测模型的处理方法和装置
技术领域
本发明涉及地质灾害监测技术领域，具体地涉及一种滑坡位移预测模型的处理方法和装置。
背景技术
滑坡是世界上最为严重的地质灾害类型之一。随着经济社会的飞速发 展，极端气候与人类工程活动的加剧，滑坡灾害日益增多，尤其是为了减轻煤电站对大气污染和碳排放，全球各地建立了众多大型水电站与大型水库，这也往往会带来水库周边的山体滑坡，此类山体滑坡危害极大，不仅会影响水库安全与水电站安全，还会波及周边居民、河道中行驶的船只及周边公路。因此，水库型大型滑坡是地质灾害防灾减灾工作的难点问题，对大型水库山体滑坡位移进行合理准确的预测具有重大意义。
大型水库区的山体滑坡演化过程是多种因素相互作用的结果，呈现复杂且非线性的特点。这些因素可以归结为内部因素与外部因素两大类，内部因素包括滑坡应力与几何形状的改变等，外在的因素包括当地降雨、库区水位变化以及融雪等。由于滑坡形成的地质变化过程与条件复杂，对滑坡位移进行准确预测仍然是一项有挑战性的任务，也是当今地质领域研究的热点。目前，滑坡位移预测模型大致可分为以下四种类型。
（1）经验预测模型。该类模型采用数学、物理等严格的推导方法，对大量的滑坡监测数据以及室内实验数据进行分析，结合相关公式的转化，预测滑坡位移发生情况。关注滑坡位移发生的内在原因，将滑坡中的各类参数用数值表示出来，并用相关的数学公式进行表达。具有代表性的模型有斋藤模型（1965），HOCK法（1977）、Crosta和Agliardi模型（2012），但经验预测模型的适用范围有较大限制，受限于对山体滑坡本质的认识不足，模型的预测精度不高。
（2）统计预测模型。该类模型利用现代数理学科理论知识设计滑坡预测模型。相较于经验预测时期侧重关注滑坡自身机理的数学表达，该类方法把滑坡周边地质环境因素以及外界作用因素也纳入了调查与统计，同时，这一阶段模型预测精度以及适用范围也得到了显著的提高。统计预测模型的飞速发展归因于数理统计、灰色系统理论、概率论等现代数理理论的出现与广泛应用，这一时期形成了许多新的理论与方法，比如Verhulst模型、基于Pearl生长模型法的滑坡位移预测模型、信息模型、基于灰色系统理论中的GM（1,1）模型的滑坡位移模型、灰色矢量角模型、基于滑坡斜率变化的模型等。此类模型多为线性模型，在预测滑坡受单个因素影响时的位移效果较好，但对于成因复杂，影响因素多的滑坡预测效果较差。
（3）非线性预测模型。随着系统科学与非线性科学的发展与广泛应用，学者们认识到滑坡是一个开放性的复杂系统，对滑坡进行预测必须把定性判别与定量预测结合起来，研究导致滑坡发生的基本问题。所谓定性判别，是指将滑坡演化前表现出的前兆特征等与周边地质环境情况结合起来综合判断；所谓定量预测是指将观测到的滑坡位移资料数据进行定量分析，这一时期，BP和Elman等神经网络模型被广泛应用，基于GIS的滑坡预测系统，基于GIS的危险性预测方法，利用BP神经网络对水库滑坡位移进行预测，极限学习机模型，决策树模型等也逐渐被应用于滑坡预测领域。
（4）综合预测模型。使用单一非线性模型对滑坡预测时，模型使用范围与预测精度有时会受到一定限制。近年来，多种模型综合使用成为滑坡预测模型发展的新趋势。这种方式虽然对监测数据分解彻底，能够有效提高预测精度，但是由于获取的分量较多(一般超过5个)，无法明确各分量的物理意义，因此不能有效体现各位移分量与影响因素之间的联系。
总之，现有的滑坡位移预测模型在预测精度、预测效率、数据分解等方面均存在一定缺陷。如何提高滑坡位移预测模型的预测精度和预测效率，克服现有模型的缺陷，成了目前滑坡位移预测模型的研究难点。
发明内容
本发明提供一种滑坡位移预测模型的处理方法和装置，以解决现有技术中滑坡位移预测模型的预测精度差、预测效率低的问题。
根据本发明的第一方面，提供了一种滑坡位移预测模型的处理方法，所述方法包括：
采集监测点的滑坡位移数据，并确定相应的影响因素数据；
基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列；
对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集；
将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果；
基于预设的评价指标和所述预测结果，确定累计位移预测模型；
根据每个数据集中的验证集，对所述累计位移预测模型进行验证；
若所述累计位移预测模型满足验证条件，则确定所述累计位移预测模型为目标位移预测模型。
可选地，所述基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列，包括：
基于变分模态分解算法和预先设定的第一模态数，将所述滑坡位移数据分解为趋势项位移子序列、周期项位移子序列和随机项位移子序列；以及
基于变分模态分解算法和预先设定的第二模态数，将所述影响因素数据分解为周期项影响因素子序列和随机项影响因素子序列。
可选地，所述对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，包括：
确定所述滑坡位移数据对应的监测时间；
将所述趋势项位移子序列和所述监测时间整合为趋势项位移数据集；
将所述周期项位移子序列和所述周期项影响因素子序列整合为周期项位移数据集；
将所述随机项位移子序列和所述随机项影响因素子序列整合为随机项位移数据集。
可选地，所述采集监测点的滑坡位移数据，并确定相应的影响因素数据，包括：
采集监测点的滑坡位移数据；
基于灰色关联度分析法从备选影响因素中确定所述滑坡位移数据对应的影响因素数据。
可选地，所述将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果，包括：
将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集，分别划分为训练集、测试集与验证集；
将每个数据集中的训练集和测试集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到每个数据集对应的预测结果。
可选地，所述基于预设的评价指标和所述预测结果，确定累计位移预测模型，包括：
基于预设的评价指标和每个数据集对应的预测结果，确定每个数据集对应的目标预测结果；
获取各个目标预测结果对应的模型参数；
将各个目标预测结果对应的模型参数进行累积，得到GA-Elman模型的目标参数；
基于所述目标参数对GA-Elman模型的模型参数进行调整，得到累计位移预测模型。
根据本发明的第二方面，提供了一种滑坡位移预测模型的处理装置，所述装置包括：
数据采集模块，用于采集监测点的滑坡位移数据，并确定相应的影响因素数据；
数据分解模块，用于基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列；
数据整合模块，用于对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集；
模型训练模块，用于将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果；
累计处理模块，用于基于预设的评价指标和所述预测结果，确定累计位移预测模型；
模型验证模块，用于根据每个数据集中的验证集，对所述累计位移预测模型进行验证；
模型确定模块，用于若所述累计位移预测模型满足验证条件，则确定所述累计位移预测模型为目标位移预测模型。
可选地，所述数据分解模块，包括：
位移数据分解子模块，用于基于变分模态分解算法和预先设定的第一模态数，将所述滑坡位移数据分解为趋势项位移子序列、周期项位移子序列和随机项位移子序列；以及
影响因素分解子模块，用于基于变分模态分解算法和预先设定的第二模态数，将所述影响因素数据分解为周期项影响因素子序列和随机项影响因素子序列。
可选地，所述数据整合模块，包括：
监测时间确定子模块，用于确定所述滑坡位移数据对应的监测时间；
第一数据整合子模块，用于将所述趋势项位移子序列和所述监测时间整合为趋势项位移数据集；
第二数据整合子模块，用于将所述周期项位移子序列和所述周期项影响因素子序列整合为周期项位移数据集；
第三数据整合子模块，用于将所述随机项位移子序列和所述随机项影响因素子序列整合为随机项位移数据集。
根据本发明的第三方面，提供了一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行前述的滑坡位移预测模型的处理方法。
本发明实施例提供的滑坡位移预测模型的处理方法，基于变分模态分解算法对采集的滑坡位移数据和影响因素数据进行分解，避免了采用传统方法进行数据分解时，由于分量数目不确定造成的对分量分解过度或分解不完全的现象；并且，本发明实施例可以针对分解的每个子序列赋予实际的物理意义，将位移子序列与相关的影响因素子序进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，基于整合后的数据集对GA-Elman模型进行训练与预测，并根据预设的评价指标和预测结果，对各个数据集对应的预测结果进行累计处理，得到累计位移预测模型，并对累计位移预测模型的滑坡位移预测效果进行了验证，可以有效提高滑坡位移的预测精度和预测效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种滑坡位移预测模型的处理方法的具体步骤流程图；
图2是本发明实施例提供的一种滑坡位移数据的分解效果示意图；
图3是本发明实施例提供的另一种滑坡位移数据的分解效果示意图；
图4是本发明实施例提供的一种滑坡位移预测模型的处理装置的结构图。
具体实施方式
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
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。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。
实施例一
参照图1，其示出了本发明实施例提供的一种滑坡位移预测模型的处理方法的具体步骤流程图，具体步骤如下：
步骤101、采集监测点的滑坡位移数据，并确定相应的影响因素数据。
步骤102、基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列。
步骤103、对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集。
步骤104、将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果。
步骤105、基于预设的评价指标和所述预测结果，确定累计位移预测模型。
步骤106、根据每个数据集中的验证集，对所述累计位移预测模型进行验证。
步骤107、若所述累计位移预测模型满足验证条件，则确定所述累计位移预测模型为目标位移预测模型。
需要说明的是，本发明实施例提供的滑坡位移预测模型的处理方法，通过对GA-Elman模型进行一系列的训练、预测、验证等处理，得到符合验证条件的目标位移预测模型。Elman神经网络具备了良好的动态特性和全局稳定性，已经被广泛应用到分析处理非线性和动态复杂数据。遗传算法（GA）可以对Elman神经网络的连接权重和阈值进行优化，有效Elman提高神经网络的训练速度和准确率。因此，本发明实施例以GA-Elman模型作为初始滑坡位移预测模型。
在本发明实施例中，首先采集监测点的滑坡位移数据，并确定相应的影响因素数据。其中，监测点位于滑坡监测区域，采集的滑坡监测位移数据可以包括监测点的地表位移、降水量、库水位变化、宏观巡视监测数据等。引起滑坡位移的影响因素包括外部因素，如人工活动、地震等；还包括内部因素，如滑坡区域的岩土体组成、内部应力改变、几何形状改变等因素。在本发明实施例中，可以根据采集的滑坡位移数据与影响因素之间的关联度，确定滑坡位移数据对应的影响因素数据。
然后，基于变分模态分解算法将滑坡位移数据分解为多个位移子序列，将影响因素数据分解为多个影响因素子序列。需要说明的是，变分模态分解算法是一种自适应、完全非递归的模态变分问题与信号处理的方法，核心思想是先构造一个变分问题，然后对变分问题求解，将一个确定的实际值信号Y分解为离散个数量的模态Yk（t），k=1,2,3，…K，K为自然数，在这一过程中假设每一个分解后的模态都围绕中心脉动波动。变分模态分解算法可用于处理规律性差且复杂度高的非线性序列，将非线性序列分解为相对平稳的子序列。在本发明实施例中，可以预先设定模态数K，然后，根据设定的模态数，对滑坡位移数据和影响因素数据进行分解。
考虑到滑坡位移变形受多重因素影响，为了取得良好的滑坡位移预测结果，需要将获取到的滑坡位移分解为几个子序列，分别对应不同因素的不同影响。在本发明实施例中，可以将滑坡自身发生形变的位移分量定义为趋势项位移分量。研究表明，季节性的降雨和库区水位变化会间接影响滑坡的位移变形，因此可以将具有周期项变化影响因素导致的位移变形定义为周期项位移分量。另外，受到其他外界因素诸如人工活动、地震等外部因素导致滑坡位移发生变形，可以将此类位移变形定义为随机项位移分量。
作为一种示例，在本发明实施中，可以根据各种位移分量，确定相应的影响因素分量。具体的，滑坡趋势项位移与滑坡内部因素有关，滑坡的岩土体组成、内部应力改变、几何形状改变等因素都会影响滑坡的趋势项位移，这些因为往往都伴随着时间的变化而变化。因此，影响滑坡趋势项位移主要因素是监测时间。影响滑坡周期项位移的因素除自身位移变化外，还有外界环境如降雨量、库区水位变化情况等有关，因此，可以将外部因素作为影响周期项位移的因素，例如：历史位移增量、当前位移增量、库水位平均高程、库区水位变化幅度等因素。
在本发明实施例中，为了降低模型训练、预测、验证等过程的处理复杂度，对分解后得到的位移子序列和影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集。基于整合后的数据集对模型进行训练、预测、验证等处理，只需要基于三个数据集对模型进行处理即可，无需根据每个子序列对模型进行单独处理，同时还能在考虑滑坡位移数据和影响因素数据对模型的共同影响。
需要说明的是，为了验证影响因素选择的合理性，可以对各个数据集中位移子序列和影响因素子序列之间的关联性进行分析。例如，基于灰色关联度理论对位移子序列和影响因素子序列之间的关联性进行分析。灰色关联度理论认为，当分辨系数ρ取0.5时，关联度r值越接近1，两个变量之间的关联性越好。作为一种示例，可以按照监测时间，对数据集中的位移子序列与影响因素子序列做灰色关联度分析，例如，分别对数据集中20周、40周、60周与80周时的位移子序列与影响因素子序列做灰色关联度分析。参照表1，示出了周期项位移数据集与随机项位移数据集中，位移子序列与影响因素子序列之间的关联度分析数据。
Figure DEST_PATH_IMAGE001
其中，P1至P4为影响因素，具体可以根据实际需求或实际确定的影响因素数据确定。例如，P1可以为历史位移增量，P2为当前位移增量，P3为库水位平均高程，P4为库区水位变化幅度。模型①对应的数据集的采集时间为20周，模型②对应的数据集的采集时间为40周，模型③对应的数据集的采集时间为60周，模型④对应的数据集的采集时间为80周。
从表1中可以看出，当数据集的采集时间为40周时，周期项位移数据集和随机项位移数据集中的位移子序列与影响因素子序列的关联性较强。并且，位移子序列与影响因素子序列之间的关联程度与影响因素类型关系不大，主要与数据集对应的周数有关，说明表1得到的分析数据，所采用的数据集中，选取的影响因素数据与滑坡位移数据之间的关联度较强。
在本发明实施例中，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集之后，基于各个数据集分别对GA-Elman模型进行训练与预测，得到预测结果。其中，可以将各个数据集划分为训练集、测试集和验证集，并且，针对不同的数据采集时间，可以对应不同的训练集、测试集与验证集，从而在模型训练与预测过程中，针对每一个训练集，均对应一个预测结果。
然后，基于预设的评价指标和各个数据集对应的预测结果，确定累计位移预测模型。具体的，在对GA-Elman模型进行训练与预测时，需要确定模型中涉及的相关参数的数值。根据预设的评价指标确定训练与预测过程中，确定出来的最优参数，然后，对最优参数进行累计，得到模型的最优累计参数，并基于最优累计参数对GA-Elman模型的模型参数进行调整，就可以得到累计位移预测模型。其中，评价指标可以包括RMSE、MAPE、R2等。
最后，为了进一步验证累计位移预测模型的预测效果，可以将数据集中的验证集代入累计位移预测模型中，对模型进行预测。如果累计位移预测模型满足验证条件，就可以确定该累计位移预测模型为目标位移预测模型，其预测效果最优。反之，如果累计位移预测模型不满足验证条件，则可以继续按照前述步骤101至步骤107，重新确定目标位移预测模型。
本发明实施例提供的滑坡位移预测模型的处理方法，基于变分模态分解算法对采集的滑坡位移数据和影响因素数据进行分解，避免了采样传统方法进行数据分解时，由于分量数目不确定造成的对分量分解过度或分解不完全的现象；并且，本发明实施例可以针对分解的每个子序列赋予实际的物理意义，将位移子序列与相关的影响因素子序进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，基于整合后的数据集对GA-Elman模型进行训练与预测，并根据预设的评价指标和预测结果，对各个数据集对应的预测结果进行累计处理，得到累计位移预测模型，并对累计位移预测模型的滑坡位移预测效果进行了验证，可以有效提高滑坡位移的预测精度和预测效率。
在本发明的一种可选实施例中，步骤102所述基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列，包括：
步骤S11、基于变分模态分解算法和预先设定的第一模态数，将所述滑坡位移数据分解为趋势项位移子序列、周期项位移子序列和随机项位移子序列；
步骤S12、基于变分模态分解算法和预先设定的第二模态数，将所述影响因素数据分解为周期项影响因素子序列和随机项影响因素子序列。
基于变分模态分解算法对滑坡位移数据进行分解时，需要先设置分解出的第一模态数，其取值可以根据实际需求和实验结果确定。由于VMD可自行设置数据集分解出的分量个数，为了避免分解数目设置不当出现分解不足或过度分解的现象，考虑到在本发明实施例中，位移分量至少包括趋势项、周期项和随机项，因此可以将第一模态数分别设置为3、4、5，观察每个模态数对应的分解效果。经过测试，K1=3时分解出的第二个子序列周期项不明显，分解效果较差；K1=5时，第三个子序列与第四个子序列均可看为位移序列的周期项分量，推测出现了过度分解，产生了虚假分量。结合上述情况，同时为了最大程度利用原始信息，本发明实施例将滑坡位移数据分解为4个子序列，也即第一模态数K1=4时，分解效果如图2所示。将其中占位移数据比重较大的第一、第二个子序列，即IMF1与IMF2合并为趋势项；将周期项好、频率较低的第三个子序列，即IM3作为周期项；而频率较高的第四个子序列，即IMF4作为随机项，处理后的滑坡位移数据的分解结果如图3所示。因此，基于分解效果，在本发明实施例中，可以将滑坡位移数据对应的第一模态数设置为4。
对影响因素数据进行VMD分解时，同样需先设置第二模态数，考虑到影响因素并无趋势项存在的可能，分解时设置K2=2。将分解出的占数据比重较大、频率较低的子序列作为影响因素的周期项子序列；将分解出的占比较小、频率较高的子序列作为影响因素的随机项子序列。
在本发明的一种可选实施例中，步骤103所述对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，包括：
步骤S21、确定所述滑坡位移数据对应的监测时间；
步骤S22、将所述趋势项位移子序列和所述监测时间整合为趋势项位移数据集；
步骤S23、将所述周期项位移子序列和所述周期项影响因素子序列整合为周期项位移数据集；
步骤S24、将所述随机项位移子序列和所述随机项影响因素子序列整合为随机项位移数据集。
由于滑坡趋势项位移与滑坡内部因素有关，滑坡的岩土体组成、内部应力改变、几何形状改变等因素都会影响滑坡的趋势项位移，这些因为往往都伴随着时间的变化而变化。可见，影响滑坡趋势项位移主要因素是监测时间。因此，在本发明实施例中，可以将趋势项位移子序列和滑坡位移数据的监测时间进行整合，得到趋势项位移数据集。
在本发明实施例中，滑坡位移数据和影响因素数据均包含周期项子序列和随机项子序列，因此，直接将两者的周期项子序列进行整合、随机项子序列进行整合。具体的，将周期项位移子序列和周期项影响因素子序列整合为周期项位移数据集；将随机项位移子序列和随机项影响因素子序列整合为随机项位移数据集。
在本发明的一种可选实施例中，步骤101所述采集监测点的滑坡位移数据，并确定相应的影响因素数据，包括：
步骤S31、采集监测点的滑坡位移数据；
步骤S32、基于灰色关联度分析法从备选影响因素中确定所述滑坡位移数据对应的影响因素数据。
为了验证影响因素选择的合理性，可以对各个数据集中位移子序列和影响因素子序列之间的关联性进行分析。例如，基于灰色关联度理论对位移子序列和影响因素子序列之间的关联性进行分析。灰色关联度理论认为，当分辨系数ρ取0.5时，关联度r值越接近1，两个变量之间的关联性越好。作为一种示例，可以按照监测时间，对数据集中的位移子序列与影响因素子序列做灰色关联度分析。根据分析得到的位移子序列与影响因素子序列之间的关联度，就可以确定数据集中选取的影响因素是否合理；如果不合理，就从备选影响因素中重新确定影响因素数据。
在本发明的一种可选实施例中，步骤104所述将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果，包括：
步骤S41、将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集，分别划分为训练集、测试集与验证集；
步骤S42、将每个数据集中的训练集和测试集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到每个数据集对应的预测结果。
在本发明实施例中，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集之后，基于各个数据集分别对GA-Elman模型进行训练与预测，得到预测结果。其中，可以将各个数据集划分为训练集、测试集和验证集，并且，针对不同的数据采集时间，可以对应不同的训练集、测试集与验证集，从而在模型训练与预测过程中，针对每一个训练集，均对应一个预测结果。
在本发明的一种可选实施例中，步骤105所述基于预设的评价指标和所述预测结果，确定累计位移预测模型，包括：
步骤S51、基于预设的评价指标和每个数据集对应的预测结果，确定每个数据集对应的目标预测结果；
步骤S52、获取各个目标预测结果对应的模型参数；
步骤S53、将各个目标预测结果对应的模型参数进行累积，得到GA-Elman模型的目标参数；
步骤S54、基于所述目标参数对GA-Elman模型的模型参数进行调整，得到累计位移预测模型。
在本发明实施例中，在对GA-Elman模型进行训练与预测时，需要确定模型中涉及的相关参数的数值。根据预设的评价指标确定训练与预测过程中，的目标预测结果，也即最优预测结果。然后，确定各个目标预测结果对应的模型参数，也即局部最优参数。然后，对各个目标预测结果对应的模型参数进行累积，得到模型的目标参数，也即最优累计参数。基于目标参数对GA-Elman模型的模型参数进行调整，就可以得到累计位移预测模型。其中，评价指标可以包括RMSE、MAPE、R2等。
综上所述，本发明实施例提供的滑坡位移预测模型的处理方法，基于变分模态分解算法对采集的滑坡位移数据和影响因素数据进行分解，避免了采样传统方法进行数据分解时，由于分量数目不确定造成的对分量分解过度或分解不完全的现象；并且，本发明实施例可以针对分解的每个子序列赋予实际的物理意义，将位移子序列与相关的影响因素子序进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，基于整合后的数据集对GA-Elman模型进行训练与预测，并根据预设的评价指标和预测结果，对各个数据集对应的预测结果进行累计处理，得到累计位移预测模型，并对累计位移预测模型的滑坡位移预测效果进行了验证，可以有效提高滑坡位移的预测精度和预测效率。
实施例二
参照图4，其示出了本发明实施例提供的一种滑坡位移预测模型的处理装置的结构图，具体包括：
数据采集模块401，用于采集监测点的滑坡位移数据，并确定相应的影响因素数据；
数据分解模块402，用于基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列；
数据整合模块403，用于对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集；
模型训练模块404，用于将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果；
累计处理模块405，用于基于预设的评价指标和所述预测结果，确定累计位移预测模型；
模型验证模块406，用于根据每个数据集中的验证集，对所述累计位移预测模型进行验证；
模型确定模块407，用于若所述累计位移预测模型满足验证条件，则确定所述累计位移预测模型为目标位移预测模型。
可选地，所述数据分解模块，包括：
位移数据分解子模块，用于基于变分模态分解算法和预先设定的第一模态数，将所述滑坡位移数据分解为趋势项位移子序列、周期项位移子序列和随机项位移子序列；以及
影响因素分解子模块，用于基于变分模态分解算法和预先设定的第二模态数，将所述影响因素数据分解为周期项影响因素子序列和随机项影响因素子序列。
可选地，所述数据整合模块，包括：
监测时间确定子模块，用于确定所述滑坡位移数据对应的监测时间；
第一数据整合子模块，用于将所述趋势项位移子序列和所述监测时间整合为趋势项位移数据集；
第二数据整合子模块，用于将所述周期项位移子序列和所述周期项影响因素子序列整合为周期项位移数据集；
第三数据整合子模块，用于将所述随机项位移子序列和所述随机项影响因素子序列整合为随机项位移数据集。
可选地，所述数据采集模块，包括：
数据采集子模块，用于采集监测点的滑坡位移数据；
影响因素确定子模块，用于基于灰色关联度分析法从备选影响因素中确定所述滑坡位移数据对应的影响因素数据。
可选地，所述模型训练模块，包括：
数据集划分子模块，用于将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集，分别划分为训练集、测试集与验证集；
模型训练子模块，用于将每个数据集中的训练集和测试集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到每个数据集对应的预测结果。
可选地，所述累计处理模块，包括：
预测结果确定子模块用于基于预设的评价指标和每个数据集对应的预测结果，确定每个数据集对应的目标预测结果；
模型参数获取子模块，用于获取各个目标预测结果对应的模型参数；
模型参数累积子模块，用于将各个目标预测结果对应的模型参数进行累积，得到GA-Elman模型的目标参数；
参数调整子模块，用于基于所述目标参数对GA-Elman模型的模型参数进行调整，得到累计位移预测模型。
需要说明的是，本发明实施例中对模块和单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本发明各个实施例中的各功能模块和各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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以存储程序代码的介质。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本发明实施例还提供了一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行前述的滑坡位移预测模型的处理方法。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器（例如软盘、硬盘、磁带、磁光盘（MO）等）、光学存储器（例如CD、DVD、BD、HVD等）、以及半导体存储器（例如ROM、EPROM、EEPROM、非易失性存储器（NANDFLASH）、固态硬盘（SSD））等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机可执行指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (10)

1.一种滑坡位移预测模型的处理方法，其特征在于，所述方法包括：
采集监测点的滑坡位移数据，并确定相应的影响因素数据；
基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列；
对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集；
将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果；
基于预设的评价指标和所述预测结果，确定累计位移预测模型；
根据每个数据集中的验证集，对所述累计位移预测模型进行验证；
若所述累计位移预测模型满足验证条件，则确定所述累计位移预测模型为目标位移预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列，包括：
基于变分模态分解算法和预先设定的第一模态数，将所述滑坡位移数据分解为趋势项位移子序列、周期项位移子序列和随机项位移子序列；以及
基于变分模态分解算法和预先设定的第二模态数，将所述影响因素数据分解为周期项影响因素子序列和随机项影响因素子序列。
3.根据权利要求2所述的方法，其特征在于，所述对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集，包括：
确定所述滑坡位移数据对应的监测时间；
将所述趋势项位移子序列和所述监测时间整合为趋势项位移数据集；
将所述周期项位移子序列和所述周期项影响因素子序列整合为周期项位移数据集；
将所述随机项位移子序列和所述随机项影响因素子序列整合为随机项位移数据集。
4.根据权利要求1所述的方法，其特征在于，所述采集监测点的滑坡位移数据，并确定相应的影响因素数据，包括：
采集监测点的滑坡位移数据；
基于灰色关联度分析法从备选影响因素中确定所述滑坡位移数据对应的影响因素数据。
5.根据权利要求1所述的方法，其特征在于，所述将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果，包括：
将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集，分别划分为训练集、测试集与验证集；
将每个数据集中的训练集和测试集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到每个数据集对应的预测结果。
6.根据权利要求5所述的方法，其特征在于，所述基于预设的评价指标和所述预测结果，确定累计位移预测模型，包括：
基于预设的评价指标和每个数据集对应的预测结果，确定每个数据集对应的目标预测结果；
获取各个目标预测结果对应的模型参数；
将各个目标预测结果对应的模型参数进行累积，得到GA-Elman模型的目标参数；
基于所述目标参数对GA-Elman模型的模型参数进行调整，得到累计位移预测模型。
7.一种滑坡位移预测模型的处理装置，其特征在于，所述装置包括：
数据采集模块，用于采集监测点的滑坡位移数据，并确定相应的影响因素数据；
数据分解模块，用于基于变分模态分解算法将所述滑坡位移数据分解为至少两个位移子序列，以及，将对所述影响因素数据分解为至少两个影响因素子序列；
数据整合模块，用于对所述位移子序列和所述影响因素子序列进行整合，得到趋势项位移数据集、周期项位移数据集和随机项位移数据集；
模型训练模块，用于将所述趋势项位移数据集、周期项位移数据集和随机项位移数据集分别代入GA-Elman模型中，对GA-Elman模型进行训练与预测，得到预测结果；
累计处理模块，用于基于预设的评价指标和所述预测结果，确定累计位移预测模型；
模型验证模块，用于根据每个数据集中的验证集，对所述累计位移预测模型进行验证；
模型确定模块，用于若所述累计位移预测模型满足验证条件，则确定所述累计位移预测模型为目标位移预测模型。
8.根据权利要求7所述的装置，其特征在于，所述数据分解模块，包括：
位移数据分解子模块，用于基于变分模态分解算法和预先设定的第一模态数，将所述滑坡位移数据分解为趋势项位移子序列、周期项位移子序列和随机项位移子序列；以及
影响因素分解子模块，用于基于变分模态分解算法和预先设定的第二模态数，将所述影响因素数据分解为周期项影响因素子序列和随机项影响因素子序列。
9.根据权利要求8所述的装置，其特征在于，所述数据整合模块，包括：
监测时间确定子模块，用于确定所述滑坡位移数据对应的监测时间；
第一数据整合子模块，用于将所述趋势项位移子序列和所述监测时间整合为趋势项位移数据集；
第二数据整合子模块，用于将所述周期项位移子序列和所述周期项影响因素子序列整合为周期项位移数据集；
第三数据整合子模块，用于将所述随机项位移子序列和所述随机项影响因素子序列整合为随机项位移数据集。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行权利要求1至6任一项所述的滑坡位移预测模型的处理方法。
CN202210139690.3A 2022-02-16 2022-02-16 一种滑坡位移预测模型的处理方法和装置 Pending CN114201923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210139690.3A CN114201923A (zh) 2022-02-16 2022-02-16 一种滑坡位移预测模型的处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210139690.3A CN114201923A (zh) 2022-02-16 2022-02-16 一种滑坡位移预测模型的处理方法和装置

Publications (1)

Publication Number Publication Date
CN114201923A true CN114201923A (zh) 2022-03-18

Family

ID=80659003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210139690.3A Pending CN114201923A (zh) 2022-02-16 2022-02-16 一种滑坡位移预测模型的处理方法和装置

Country Status (1)

Country Link
CN (1) CN114201923A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精确反演方法
CN109726857A (zh) * 2018-12-19 2019-05-07 北京工商大学 基于GA-Elman网络的蓝藻水华预测方法
CN109885977A (zh) * 2019-03-25 2019-06-14 成都理工大学 一种岸坡变形预测方法
CN109934400A (zh) * 2019-03-08 2019-06-25 河北工程大学 基于改进神经网络的集雨调亏作物需水量预测方法
CN111292124A (zh) * 2020-01-18 2020-06-16 河北工程大学 一种基于优化组合神经网络的需水预测方法
CN113627066A (zh) * 2021-08-03 2021-11-09 成都理工大学 一种水库库岸滑坡的位移预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018145229A1 (zh) * 2017-02-10 2018-08-16 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精确反演方法
CN109726857A (zh) * 2018-12-19 2019-05-07 北京工商大学 基于GA-Elman网络的蓝藻水华预测方法
CN109934400A (zh) * 2019-03-08 2019-06-25 河北工程大学 基于改进神经网络的集雨调亏作物需水量预测方法
CN109885977A (zh) * 2019-03-25 2019-06-14 成都理工大学 一种岸坡变形预测方法
CN111292124A (zh) * 2020-01-18 2020-06-16 河北工程大学 一种基于优化组合神经网络的需水预测方法
CN113627066A (zh) * 2021-08-03 2021-11-09 成都理工大学 一种水库库岸滑坡的位移预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张明岳 等: "基于变分模态分解和双向长短时记忆神经网络模型的滑坡位移预测", 《山地学报》 *

Similar Documents

Publication Publication Date Title
US7865389B2 (en) Analyzing time series data that exhibits seasonal effects
Trapero Calculation of solar irradiation prediction intervals combining volatility and kernel density estimates
CN107610021A (zh) 环境变量时空分布的综合分析方法
Guthrie Real options analysis of climate-change adaptation: investment flexibility and extreme weather events
CN112116149B (zh) 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法
CN113298288A (zh) 一种融合时间序列和神经网络的供电所运维成本预测方法
Oo et al. Time series prediction based on Facebook Prophet: a case study, temperature forecasting in Myintkyina
CN114037140A (zh) 预测模型训练、数据预测方法、装置、设备及存储介质
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
Kim et al. A POMDP framework for integrated scheduling of infrastructure maintenance and inspection
McMillan et al. Flow forecasting for leakage burst prediction in water distribution systems using long short-term memory neural networks and Kalman filtering
CN117578440A (zh) 一种基于神经网络的电网负荷预测方法
Wang et al. A Transformer-based multi-entity load forecasting method for integrated energy systems
CN111145535B (zh) 一种复杂场景下的行程时间可靠性分布预测方法
CN117543544A (zh) 一种负荷预测方法、装置、设备及存储介质
CN105426991A (zh) 一种变压器缺陷率预测的方法和系统
CN112700065A (zh) 基于深度学习的业务流程完成时间区间预测方法和系统
Hernandez-Ambato et al. Multistep-ahead streamflow and reservoir level prediction using ANNs for production planning in hydroelectric stations
CN117172549A (zh) 一种施工预算生成方法、系统、终端设备及存储介质
CN114201923A (zh) 一种滑坡位移预测模型的处理方法和装置
CN104462215A (zh) 一种基于时间序列的科技文献被引用数目预测方法
Dharmoju et al. Forecasting electrical demand for the residential sector at the national level using deep learning
Hansen et al. Using the national water model forecasts to plan for and manage ecological flow and low-flow during drought
Campos et al. Short-term hybrid probabilistic forecasting model for electricity market prices
Darvishi Salookolaei et al. Application of grey system theory in rainfall estimation

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220318

RJ01 Rejection of invention patent application after publication