CN114511150B - 一种基于深度学习的滑坡位移时空预测方法 - Google Patents

一种基于深度学习的滑坡位移时空预测方法 Download PDF

Info

Publication number
CN114511150B
CN114511150B CN202210143086.8A CN202210143086A CN114511150B CN 114511150 B CN114511150 B CN 114511150B CN 202210143086 A CN202210143086 A CN 202210143086A CN 114511150 B CN114511150 B CN 114511150B
Authority
CN
China
Prior art keywords
time
matrix
landslide
space
landslide displacement
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
CN202210143086.8A
Other languages
English (en)
Other versions
CN114511150A (zh
Inventor
蒋亚楠
罗袆沅
周全
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 Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202210143086.8A priority Critical patent/CN114511150B/zh
Publication of CN114511150A publication Critical patent/CN114511150A/zh
Application granted granted Critical
Publication of CN114511150B publication Critical patent/CN114511150B/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
    • 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
    • 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明公开了一种基于深度学习的滑坡位移时空预测方法，属于滑坡灾害预警技术领域，包括如下步骤：获取包括空间相关数据、时间相关数据和外界影响因素数据的滑坡监测数据；基于滑坡监测数据，定义空间监测点的加权无向全连接图，并得到加权邻接矩阵和属性增强矩阵；基于图卷积网络和门控循环单元，构建时态卷积网络；得到滑坡位移时空预测结果；对滑坡位移时空预测结果进行评价，得到滑坡位移时空预测评价结果，完成基于深度学习的滑坡位移时空预测；本发明提出方法将滑坡监测网看作非欧氏图结构数据，并考虑到监测点间的时空相关性，采用时态图卷积网络模型，实现了滑坡位移的时空预测，解决了现有预测方法的均方根误差仍旧偏高的问题。

Description

一种基于深度学习的滑坡位移时空预测方法
技术领域
本发明属于应变测量技术领域，尤其涉及一种基于深度学习的滑坡位移时空预测方法。
背景技术
滑坡是陆地环境中普遍存在的一种地质灾害，对人类生命财产乃至整个社会经济系统构成严重威胁。为减少人员伤亡和财产损失，当前，许多国家已建立了针对典型重大滑坡的监测预警系统。而监测系统获取的时序位移数据集通常能够直接反映滑坡的变形或稳定特征。因此，监测数据集对于构建高效的预测预报模型，实现滑坡灾害动态预测预警具有重要应用价值。
滑坡位移预测模型除了复杂的物理模型，还包括基于监测数据集的数理模型。与物理模型相比，数理模型的建立过程更简单、精确。然而，滑坡变形演化是一个非线性动力作用过程，受地形地貌、岩土结构、水文地质、气候和人类活动等因素的影响，存在时空相关性。因此，数理模型中的机器学习方法因能处理非线性时序的复杂性、动态性和非线性特征，被广泛应用于滑坡位移时序预测。近年来，人工神经网络(artificial neuralnetwork,ANN)、支持向量机(support vector machine,SVM)、极限学习机(extremelearning machine,ELM)和循环神经网络(recurrent neural network,RNN)等机器学习方法广泛应用于滑坡位移预测。但是，这些预测模型只考虑了位移监测数据的时间相关性，可实现单个典型监测点的位移预测，忽略了监测点之间的空间相关性。一定程度上限制了预测精度的提高，且无法准确的判断滑坡整体变形趋势，从而导致潜在的威胁被忽视。
图神经网络(graph neural network,GNN)因能把实际问题看作图或网络节点之间的连接和消息传播问题，并捕获图结构数据中节点间的空间关系，而被广泛应用于交通、海表温度等领域的时空预测。而卷积神经网络(convolutional neural network,CNN)的引入，使得非欧氏数据也能得到有效的处理。因此，通过图卷积网络(graph convolutionalnetwork,GCN)捕获滑坡GNSS监测网中各监测点间的空间相关性，理论上是可行的。同时，门控循环单元(gate recurrent unit,GRU)是一种缓解梯度爆炸与弥散问题的循环神经网络，它能有效的捕获时序数据的时间相关性，并在训练时间、参数更新和泛化能力方面优于其他循环神经网络，已在经济学、防洪减灾、能源等应用中显现出明显的优势。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于深度学习的滑坡位移时空预测方法，将滑坡GNSS监测网看作非欧氏图结构数据，并考虑到监测点间的时空相关性，采用GCN与GRU结合的时态图卷积网络(temporal graph convolutional network,T-GCN)模型，解决了滑坡位移的时空预测的问题。
为了达到上述发明目的，本发明采用的技术方案为：
本发明提供一种基于深度学习的滑坡位移时空预测方法，包括如下步骤：
S1、获取包括空间相关数据、时间相关数据和外界影响因素数据的滑坡监测数据；
S2、基于滑坡监测数据，定义空间监测点的加权无向全连接图G，并根据加权无向全连接图G，计算得到加权邻接矩阵Aw，以及根据滑坡检测数据，计算得到属性增强矩阵S；
S3、基于图卷积网络GCN和门控循环单元GRU，构建时态卷积网络T-GCN；
S4、将加权邻接矩阵Aw和属性增强矩阵S输入时态卷积网络T-GCN，得到滑坡位移时空预测结果
Figure BDA0003507285590000031
S5、分别利用平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE对滑坡位移时空预测结果
Figure BDA0003507285590000032
进行评价，得到滑坡位移时空预测评价结果，完成基于深度学习的滑坡位移时空预测。
本发明的有益效果为：本发明提出的一种基于深度学习的滑坡位移时空预测方法，本方法利用可捕获监测点间空间相关性的图卷积网络GCN和获取监测点上位移数据时间相关性的门控循环单元GRU构建了时态卷积网络T-GCN，获取滑坡位移的时间相关数据和空间相关数据，并将外界影响因素作为滑坡监测点属性信息，结合滑坡位移时序特征得到增广特征向量，得到加权邻接矩阵Aw和属性增强矩阵S，采用T-GCN模型对加权邻接矩阵Aw和属性增强矩阵S分析实现滑坡位移的预测，且通过平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE对滑坡位移时空预测结果
Figure BDA0003507285590000033
进行评价。
进一步地，所述步骤S2包括如下步骤：
S21、基于空间相关数据，定义空间监测点的加权无向全连接图G；
所述步骤S21中全连接图G的表达式如下：
G＝(V,E,W)
V＝{v1,v2,...,vN}
W∈RN×N
其中，V表示全连接图G的节点集合，N表示监测点个数，E表示全连接图G的连接边的集合，W表示检测点间相关性的邻接矩阵，R表示N×N的实数矩阵；
S22、基于加权无向全连接图G和空间接近度的高斯相似度函数，计算得到加权邻接矩阵Aw；
所述步骤S22中空间接近度的高斯相似度函数的表达式如下：
w(i,j)＝exp(-||vi-vj||2/2σ2)
其中，w(i,j)表示两监测点vi和vj间的连接边eij的权值，||vi-vj||表示两监测点vi和vj间的空间距离，σ表示空间距离集合的标准差；
所述步骤S22中加权邻接矩阵Aw的表达式如下：
Figure BDA0003507285590000041
i＝1,2,…,N
j＝1,2,…,N
其中，i表示高斯相似度函数计算的第一个监测点的下标，j表示高斯相似度函数计算的第二个监测点的下标；
S23、基于空间相关数据和时间相关数据，构建包括特征矩阵X和所有监测点t时刻的相对位移矩阵Xt；
所述步骤S23中特征矩阵X和相对位移矩阵Xt的表达式分别如下：
X∈RN×P
Xt∈RN×t
其中，P表示时序长度，t表示t时刻；
S24、基于外界影响因素数据，构建包括不同外界影响因素的集合D；
所述步骤S24中的集合D的表达式如下：
D∈RN×(k*t)
其中，k表示外界影响因素的个数；
S24、基于集合D，得到属性矩阵Dk；
所述步骤S24中属性矩阵Dk的表达式如下：
Figure BDA0003507285590000051
Figure BDA0003507285590000052
其中，m表示时间窗口，
Figure BDA0003507285590000053
表示从t-m时刻到t时刻的时间窗口m内包含1个不同外界影响因素的子属性矩阵，
Figure BDA0003507285590000054
表示从t-m时刻到t时刻的时间窗口m内包含k个不同外界影响因素的子属性矩阵，
Figure BDA0003507285590000055
表示t-m时刻包含k个不同外界影响因素的子属性矩阵单元，
Figure BDA0003507285590000056
表示t时刻包含k个不同外界影响因素的子属性矩阵单元；
S25、基于特征矩阵X和属性矩阵Dk，构建包括若干个时刻的属性增强子矩阵的属性增强矩阵S；
其中，属性增强矩阵S的表达式如下：
Figure BDA0003507285590000057
采用上述进一步方案的有益效果为：提供空间监测点的加权无向全连接图G、加权邻接矩阵Aw和属性增强矩阵S的计算方法，为通过时态卷积网络T-GCN实现对未来T个时刻的滑坡位移时空预测提供基础。
进一步地，所述属性增强矩阵S包括若干个时刻的属性增强子矩阵。
采用上述进一步方案的有益效果为：提供滑坡位移各时刻的属性增强子矩阵，用于通过时态卷积网络T-GCN对未来各时刻进行滑坡位移时空预测。
进一步地，所述时态卷积网络T-GCN包括若干个依次连接的T-GCN模块；
各所述T-GCN模块包括图卷积网络GCN子模块和门控循环单元GRU子模块；
所述图卷积网络GCN子模块包括依次连接的一个GCN输入层、若干个隐藏层和激励单元以及一个GCN输出层；所述GCN输出层与门控循环单元GRU模块连接；
各所述隐藏层和激励单元均包括一个隐藏层以及与隐藏层连接的一个Relu激励子单元，且第一个隐藏层与GCN输入层连接，最后一个Relu激励子单元与GCN输出层连接。
采用上述进一步方案的有益效果为：提供本方案提出的时态卷积网络T-GCN的具体结构。
进一步地，所述步骤S4包括如下步骤：
S41、令t-n时刻为初始时刻，并将加权邻接矩阵Aw和初始时刻的属性增强子矩阵St-n输入时态卷积网络T-GCN中的图卷积网络GCN子模块传播，得到初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)，其中，gc(·)表示图卷积；
S42、将初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)输入门控循环单元GRU子模块推导，得到初始时刻滑坡位移隐藏状态ht-n和未来初始时刻滑坡位移预测结果
Figure BDA0003507285590000061
并令当前t′时刻为初始时刻加1；
S43、将t′-1时刻滑坡位移隐藏状态ht′-1、加权邻接矩阵Aw和t′时刻的属性增强子矩阵St′输入图卷积网络GCN子模块传播，得到t′时刻的滑坡空间相关的时序变化特征gc(St′,Aw)；
S44、将t′时刻的滑坡空间相关的时序变化特征gc(St′,Aw)输入门控循环单元GRU子模块推导，得到t′时刻滑坡位移隐藏状态ht′和t′时刻滑坡位移预测结果
Figure BDA0003507285590000071
并将t′+1时刻作为当前t′时刻；
S45、重复步骤S43和步骤S44T-1次，得到初始时刻后的未来T-1个时刻的滑坡位移时空预测结果；
S46、根据未来初始时刻滑坡位移预测结果
Figure BDA0003507285590000072
和初始时刻后的未来T-1个时刻的滑坡位移时空预测结果，得到未来T个时刻的滑坡位移时空预测结果
Figure BDA0003507285590000073
采用上述进一步方案的有益效果为：通过时态卷积网络T-GCN利用加权邻接矩阵Aw传播和属性增强矩阵S推导，得到未来时刻的滑坡位移预测结果。
进一步地，所述图卷积网络GCN子模块的传播过程表达式如下：
Figure BDA0003507285590000074
Figure BDA0003507285590000075
Figure BDA0003507285590000076
y0＝X
其中，yl+1表示第l卷积层的输出，σ表示非线性激活函数，
Figure BDA0003507285590000077
表示自连邻接矩阵
Figure BDA0003507285590000078
的度矩阵，yl表示第l卷积层的输入，Wl为第l卷积层的权矩阵，Aw表示加权邻接矩阵，I表示单位矩阵，j表示自连邻接矩阵的列数，y0表示GCN输入层的输入，X表示特征矩阵。
采用上述进一步方案的有益效果为：提供图卷积网络GCN模块的传播的计算方法，GNSS监测网为典型的非欧式图结构，GCN可有效捕获非欧几里得结构中的空间相关性，在考虑到相邻节点影响的同时，能够获取图结构中每个节点的特征。
进一步地，所述门控循环单元GRU子模块的推导表达式如下：
ut＝σ(Wu·[gc(St,Aw),ht-1]+bu)
rt＝σ(Wr·[gc(St,Aw),ht-1]+br)
ct＝tanh(Wc·[gc(St,Aw),(rt*ht-1)]+bc)
ht＝ut*ht-1+(1-ut)*ct
其中，ut表示t时刻的更新门，rt表示t时刻的重置门，ct表示t时刻的候选滑坡位移隐藏状态，ht表示t时刻的滑坡位移隐藏状态，σ表示非线性激活函数，tanh表示激活函数tanh，Wu表示更新门权值，Wr表示重置门权值，Wc表示候选滑坡位移隐藏状态权值，·表示向量连接，gc(St,Aw)表示t时刻滑坡空间相关的时序变化特征，St表示t时刻的属性增强子矩阵，Aw表示加权邻接矩阵，ht-1表示t-1时刻的滑坡位移隐藏状态，bu表示更新门偏差，br表示重置门偏差，bc表示候选滑坡位移隐藏状态偏差。
采用上述进一步方案的有益效果为：提供门控循环单元GRU模块的推导的计算方法，GRU是循环神经网络的一种变体，通常用于分析时序数据，其优势在于可以自适应地捕捉不同时间尺度的依赖关系，GRU通过门控单元来调节单元内部的信息流，不单独设置存储单元，结构更加简单，并在训练时间和更新优化上相比长短期记忆模型更高效。
进一步地，所述步骤S46中滑坡位移时空预测结果
Figure BDA0003507285590000081
的表达式如下：
Figure BDA0003507285590000082
其中，f表示滑坡位移时空预测映射模型，Aw表示加权邻接矩阵，S表示属性增强矩阵，
Figure BDA0003507285590000083
表示未来初始时刻滑坡位移预测结果，
Figure BDA0003507285590000084
表示未来第T个时刻滑坡位移预测结果。
采用上述进一步方案的有益效果为：提供滑坡位移时空预测结果的计算表达式，包括了对未来T个时刻的滑坡位移时空预测结果。
进一步地，所述平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE的表达式分别如下：
Figure BDA0003507285590000091
Figure BDA0003507285590000092
Figure BDA0003507285590000093
其中，T表示未来T个时刻，t表示t时刻，yt表示t时刻滑坡位移检测结果，
Figure BDA0003507285590000094
表示t时刻滑坡位移预测结果，mean表示均值运算。
采用上述进一步方案的有益效果为：本方案采用三个指标来评估模型的性能，MAE为绝对误差的平均值，其值越小意味着预测模型的性能越好，MASE是对时间序列预测准确性的一种度量，RMSE值越小，预测误差越小，模型的性能也越好。
附图说明
图1为本发明实施例中基于深度学习的滑坡位移时空预测方法的步骤流程图。
图2为本发明实施例中白水河滑坡监测点布置图。
图3为本发明实施例中滑坡相对位移-降雨量-库水位关系图。
图4为本发明实施例中预警区内监测点相对位移图。
图5为本发明实施例中预警区内外监测点相对位移图。
图6为本发明实施例中滑坡相对位移与影响因素关系图。
图7为本发明实施例中样本划分方式图。
图8为本发明实施例中不同训练次数的选择对预测性能的影响图。
图9为本发明实施例中不同隐藏神经元个数的选择对预测性能的影响图。
图10为本发明实施例中滑坡位移整体预测对比图。
图11为本发明实施例中本方案与传统预测方法对比结果图。
图12为本发明实施例中本方案与传统机器学习方法对比结果图。
图13为本发明实施例中消融试验结果图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示，在本实施例中，本发明提供一种基于深度学习的滑坡位移时空预测方法，包括如下步骤：
S1、获取包括空间相关数据、时间相关数据和外界影响因素数据的滑坡监测数据；
S2、基于滑坡监测数据，定义空间监测点的加权无向全连接图G，并根据加权无向全连接图G，计算得到加权邻接矩阵Aw，以及根据滑坡检测数据，计算得到属性增强矩阵S；
所述步骤S2包括如下步骤：
S21、基于空间相关数据，定义空间监测点的加权无向全连接图G；
所述步骤S21中全连接图G的表达式如下：
G＝(V,E,W)
V＝{v1,v2,...,vN}
W∈RN×N
其中，V表示全连接图G的节点集合，N表示监测点个数，E表示全连接图G的连接边的集合，W表示检测点间相关性的邻接矩阵，R表示N×N的实数矩阵；
S22、基于加权无向全连接图G和空间接近度的高斯相似度函数，计算得到加权邻接矩阵Aw；
所述步骤S22中空间接近度的高斯相似度函数的表达式如下：
w(i,j)＝exp(-||vi-vj||2/2σ2)
其中，w(i,j)表示两监测点vi和vj间的连接边eij的权值，||vi-vj||表示两监测点vi和vj间的空间距离，σ表示空间距离集合的标准差；
所述步骤S22中加权邻接矩阵Aw的表达式如下：
Figure BDA0003507285590000111
i＝1,2,…,N
j＝1,2,…,N
其中，i表示高斯相似度函数计算的第一个监测点的下标，j表示高斯相似度函数计算的第二个监测点的下标；
S23、基于空间相关数据和时间相关数据，构建包括特征矩阵X和所有监测点t时刻的相对位移矩阵Xt；
所述特征矩阵X包括所有监测点时序形变信息；
所述步骤S23中特征矩阵X和相对位移矩阵Xt的表达式分别如下：
X∈RN×P
Xt∈RN×t
其中，P表示时序长度，t表示t时刻；
S24、基于外界影响因素数据，构建包括不同外界影响因素的集合D；
所述步骤S24中的集合D的表达式如下：
D∈RN×(k*t)
其中，k表示外界影响因素的个数；
S24、基于集合D，得到属性矩阵Dk；
所述步骤S24中属性矩阵Dk的表达式如下：
Figure BDA0003507285590000121
Figure BDA0003507285590000122
其中，m表示时间窗口，
Figure BDA0003507285590000123
表示从t-m时刻到t时刻的时间窗口m内包含1个不同外界影响因素的子属性矩阵，
Figure BDA0003507285590000124
表示从t-m时刻到t时刻的时间窗口m内包含k个不同外界影响因素的子属性矩阵，
Figure BDA0003507285590000125
表示t-m时刻包含k个不同外界影响因素的子属性矩阵单元，
Figure BDA0003507285590000126
表示t时刻包含k个不同外界影响因素的子属性矩阵单元；
S25、基于特征矩阵X和属性矩阵Dk，构建包括若干个时刻的属性增强子矩阵的属性增强矩阵S；
其中，属性增强矩阵S的表达式如下：
Figure BDA0003507285590000127
S3、基于图卷积网络GCN和门控循环单元GRU，构建时态卷积网络T-GCN；
所述时态卷积网络T-GCN包括若干个依次连接的T-GCN模块；
各所述T-GCN模块包括图卷积网络GCN子模块和门控循环单元GRU子模块；
所述图卷积网络GCN子模块包括依次连接的一个GCN输入层、若干个隐藏层和激励单元以及一个GCN输出层；所述GCN输出层与门控循环单元GRU模块连接；
各所述隐藏层和激励单元均包括一个隐藏层以及与隐藏层连接的一个Relu激励子单元，且第一个隐藏层与GCN输入层连接，最后一个Relu激励子单元与GCN输出层连接；
S4、将加权邻接矩阵Aw和属性增强矩阵S输入时态卷积网络T-GCN，得到滑坡位移时空预测结果
Figure BDA0003507285590000131
所述步骤S4包括如下步骤：
S41、令t-n时刻为初始时刻，并将加权邻接矩阵Aw和初始时刻的属性增强子矩阵St-n输入时态卷积网络T-GCN中的图卷积网络GCN子模块传播，得到初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)，其中，gc(·)表示图卷积；
S42、将初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)输入门控循环单元GRU子模块推导，得到初始时刻滑坡位移隐藏状态ht-n和未来初始时刻滑坡位移预测结果
Figure BDA0003507285590000132
并令当前t′时刻为初始时刻加1；
S43、将t′-1时刻滑坡位移隐藏状态ht′-1、加权邻接矩阵Aw和t′时刻的属性增强子矩阵St′输入图卷积网络GCN子模块传播，得到t′时刻的滑坡空间相关的时序变化特征gc(St′,Aw)；
S44、将t′时刻的滑坡空间相关的时序变化特征gc(St′,Aw)输入门控循环单元GRU子模块推导，得到t′时刻滑坡位移隐藏状态ht′和t′时刻滑坡位移预测结果
Figure BDA0003507285590000133
并将t′+1作为当前t′时刻；
S45、重复步骤S43和步骤S44T-1次，得到初始时刻后的未来T-1个时刻的滑坡位移时空预测结果；
S46、根据未来初始时刻滑坡位移预测结果
Figure BDA0003507285590000141
和初始时刻后的未来T-1个时刻的滑坡位移时空预测结果，得到未来T个时刻的滑坡位移时空预测结果
Figure BDA0003507285590000142
所述初始时刻滑坡位移预测结果由加权邻接矩阵Aw和初始时刻的属性增强子矩阵St-n输入时态卷积网络T-GCN中的图卷积网络GCN子模块传播，再利用门控循环单元GRU子模块对传播得到的初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)进行推导得到；各时刻对应的滑坡位移隐藏状态与各时刻对应的滑坡位移预测结果均由门控循环单元GRU子模块推导该时刻相关的时序变化特征得到；所述初始时刻后的未来T-1个时刻的滑坡位移时空预测结果中包括的各时刻的滑坡位移预测结果，由加权邻接矩阵Aw、该时刻的属性增强子矩阵和该时刻的上一时刻滑坡位移隐藏状态输入时态卷积网络T-GCN中的图卷积网络GCN子模块传播，再利用门控循环单元GRU子模块推导通过图卷积网络GCN子模块传播得到的该时刻相关的时序变化特征得到；
所述步骤S46中滑坡位移时空预测结果
Figure BDA0003507285590000143
的表达式如下：
Figure BDA0003507285590000144
其中，f表示滑坡位移时空预测映射模型，Aw表示加权邻接矩阵，S表示属性增强矩阵，
Figure BDA0003507285590000145
表示未来初始时刻滑坡位移预测结果，
Figure BDA0003507285590000146
表示未来第T个时刻滑坡位移预测结果；
所述图卷积网络GCN子模块的传播过程表达式如下：
Figure BDA0003507285590000147
Figure BDA0003507285590000151
Figure BDA0003507285590000152
y0＝X
其中，yl+1表示第l卷积层的输出，σ表示非线性激活函数，
Figure BDA0003507285590000153
表示自连邻接矩阵
Figure BDA0003507285590000154
的度矩阵，yl表示第l卷积层的输入，Wl为第l卷积层的权矩阵，Aw表示加权邻接矩阵，I表示单位矩阵，j表示自连邻接矩阵的列数，y0表示GCN输入层的输入，X表示特征矩阵；
所述门控循环单元GRU子模块的推导表达式如下：
ut＝σ(Wu·[gc(St,Aw),ht-1]+bu)
rt＝σ(Wr·[gc(St,Aw),ht-1]+br)
ct＝tanh(Wc·[gc(St,Aw),(rt*ht-1)]+bc)
ht＝ut*ht-1+(1-ut)*ct
其中，ut表示t时刻的更新门，rt表示t时刻的重置门，ct表示t时刻的候选滑坡位移隐藏状态，ht表示t时刻的滑坡位移隐藏状态，σ表示非线性激活函数，tanh表示激活函数tanh，Wu表示更新门权值，Wr表示重置门权值，Wc表示候选滑坡位移隐藏状态权值，·表示向量连接，gc(St,Aw)表示t时刻滑坡空间相关的时序变化特征，St表示t时刻的属性增强子矩阵，Aw表示加权邻接矩阵，ht-1表示t-1时刻的滑坡位移隐藏状态，bu表示更新门偏差，br表示重置门偏差，bc表示候选滑坡位移隐藏状态偏差；
S5、分别利用平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE对滑坡位移时空预测结果
Figure BDA0003507285590000155
进行评价，得到滑坡位移时空预测评价结果，完成基于深度学习的滑坡位移时空预测；
所述平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE的表达式分别如下：
Figure BDA0003507285590000161
Figure BDA0003507285590000162
Figure BDA0003507285590000163
其中，T表示未来T个时刻，t表示t时刻，yt表示t时刻滑坡位移检测结果，
Figure BDA0003507285590000164
表示t时刻滑坡位移预测结果，mean表示均值运算。
本方案采用三个指标来评估模型的性能，MAE为绝对误差的平均值，其值越小意味着预测模型的性能越好，MASE是对时间序列预测准确性的一种度量，RMSE值越小，预测误差越小，模型的性能也越好。
本发明的有益效果为：本发明提出的一种基于深度学习的滑坡位移时空预测方法，本方法利用可捕获监测点间空间相关性的图卷积网络GCN和获取监测点上位移数据时间相关性的门控循环单元GRU构建了时态卷积网络T-GCN，获取滑坡位移的时间相关数据和空间相关数据，并将外界影响因素作为滑坡监测点属性信息，结合滑坡位移时序特征得到增广特征向量，得到加权邻接矩阵Aw和属性增强矩阵S，采用T-GCN模型对加权邻接矩阵Aw和属性增强矩阵S分析实现滑坡位移的预测，且通过平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE对滑坡位移时空预测结果
Figure BDA0003507285590000165
进行评价。
实施例2
在本实施例中，本方案采用白水河滑坡进行验证，白水河滑坡隶属湖北省宜昌市秭归县，距三峡大坝56km，为三峡库区中典型的松散堆积层滑坡。滑坡总体坡度约为30°，平均厚度约为30m，体积约为1260×104m3；滑面为残坡积层与基岩接触带，厚约0.9～3.1m，基岩岩性为中厚层砂岩夹薄层泥岩，产状15°∠36°，岩层中节理裂隙发育；滑体物质主要由第四系残坡积碎石土组成，碎石含量20％～40％。根据白水河滑坡的变形特征、观测通视情况，确定监测内容以地表位移监测为主。白水河滑坡点监测点布置图如图2所示，监测初期在3个纵向剖面上共布置7个GNSS监测点(ZG91、ZG92、ZG93、ZG94、ZG118、ZG119和ZG120)。2005年5月之后，在预警区内增设了4个GNSS监测点(XD-01、XD-02、XD-03和XD-04)。顾及监测数据的长时序特征，本方案仅采用初期布设的7个GNSS监测点的位移监测数据，构建高斯相似度函数表征空间相关性。所用时序数据包括：2003年7月至2013年3月间，滑坡GNSS月相对位移监测数据，三峡库区的同步库水位及当地降雨量数据如图3所示；
本方案数据的空间相关性，通过高斯相似度函数连接7个监测点，并构建7×7的加权邻接矩阵Aw。矩阵中的值表示两监测点之间的相似性。对于时间相关数据，通过GNSS监测的时序形变数据构建7×117的特征矩阵X。每一行表示一个监测点，对应列为该点的时序形变值。对于外界影响因素数据，结合特征矩阵、降雨量和库水位数据构建7×117×3的属性增强矩阵S。此外，采用x＝(x-min)/(max-min)将数据归一化到[0,1]之间，并将2003年7月至2011年8月的数据用于模型训练，2011年9月至2013年3月的数据用于模型测试；
所述模型指本方案提出的属性增强了的时态卷积网络T-GCN模型，本方案相较于时态卷积网络T-GCN模型进行了属性增强；
本方案引入灰色关联度评估监测点之间的空间关联性，若灰色关联度>0.6，可认为两者密切相关。以预警区内相邻的两点ZG 93和ZG 118为例，其灰色相关度计算结果为0.74，如图4所示，两者位移变化趋势基本一致，表明两者之间具有很强的空间相关性。而由图3和表1可知，预警区外的监测点位移变化趋势较小，大都在20mm内上下波动，且变化趋势也基本一致。同时，预警区外监测点之间灰色关联度均在0.6以上，且距离越近，灰色关联度越大。因此，预警区外的监测点之间同样具有强空间相关性。如图5所示，由于受距离的影响，ZG 92和ZG 93在局部变化趋势上具有相似性，且灰色关联度为0.54，故预警区内外的监测点同样具有相关性。综上所述，整个监测网中监测点间具有不同强度的空间相关性，并证实了滑坡位移预测需要考虑到监测点间的空间关系，这是不可忽略的重要因素；
表1
监测点 ZG 91 ZG 92 ZG 93 ZG 94 ZG 118 ZG 119 ZG 120
ZG91 1.00 0.69 0.51 0.76 0.52 0.79 0.77
ZG 92 0.69 1.00 0.54 0.70 0.57 0.65 0.65
ZG 93 0.51 0.54 1.00 0.59 0.74 0.54 0.59
ZG 94 0.76 0.70 0.59 1.00 0.59 0.72 0.71
ZG 118 0.52 0.57 0.74 0.59 1.00 0.55 0.54
ZG 119 0.79 0.65 0.54 0.72 0.55 1.00 0.68
ZG 120 0.77 0.65 0.59 0.71 0.54 0.68 1.00
作为三峡库区内典型的库岸滑坡，影响白水河滑坡稳定性的主要外在因素为降雨和库水位。如图6所示，强降雨的出现和库水位的快速下降往往伴随着滑坡位移的突变。然而，滑坡位移的突变总是滞后于两者变化。其中，降雨入渗促使坡体基质吸力趋于零、斜坡容重增加，导致坡体抗剪强度下降、下滑力增大，从而影响滑坡稳定性。而库水位的变动改变了坡体内的渗流场分布和岩土体的应力状态。且库水下降越快，在坡体内外形成的水力梯度越大，沿坡体向外的渗流力极大地影响了滑坡体的稳定性。综上分析可得，滑坡位移的变化受降雨和库水位的影响，且具有强相关性。
本方案的预测模型的超参数主要包含学习率、训练次数、隐藏神经元个数、批处理大小。其中，样本划分方式如图7所示，训练样本从左至右滑动抽取。在本试验中，每次抽取6个样本，前5个作为样本输入，第6个作为标签，测试集采用同样方式处理。试验中，学习率、批处理大小分别设置为0.001和32，而影响模型精度的训练次数和隐藏神经元个数则通过多组试验确定。试验中采用ReLU作为图卷积的激活函数，适应性动量估计(adaptivemoment estimation,ADAM)算法作为优化器，训练过程中的损失函数的表达式如下：
Figure BDA0003507285590000191
其中，T表示未来T个时刻，t表示t时刻，yt表示t时刻滑坡位移检测结果，
Figure BDA0003507285590000192
表示t时刻滑坡位移预测结果；
首先，设定隐藏神经元个数设置为64，分析训练次数对模型性能的影响，设置训练次数为[100,250,500,1000,1500,2000]并进行了测试。如图8所示，随着训练次数的增加，评价指标趋于稳定，转折点为1000次，同时模型预测性能达到最优。然后，设定训练次数为1000次，测试隐藏神经元个数对模型性能的影响，从[8,16,32,64,100,128]中选择最优的隐藏神经元个数。如图9所示，随着神经元个数的增加，模型变得稳定，且在个数为64时最优。因此，本方案试验的训练次数设定为1000次，隐藏神经元个数设定为64个。
试验设计时考虑了以下两个方面：与其他时间序列预测模型的精度比较，以及引入不同类型外界影响因素时对模型性能的影响。计算机配置：Intel Core i5-9400F CPU和32G RAM的台式电脑；程序语言：TensorFlow2.1、Python3.6、Matlab2020a。
为验证本方案的方法相较于时间序列预测方法的优势，采用自回归移动模型(auto regressive integrated moving average,ARIMA)、多元线性回归(multiplelinear regression,MLR)等传统时间序列预测方法，以及支持向量回归机(supportvector regression,SVR)、长短期记忆模型LSTM等主流机器学习方法进行对比分析，结合建模时间与评价指标判断模型性能优势。不同于本方案的预测模型，上述方法只能对单个滑坡监测点进行建模预测。因此，使用GNSS监测的时序形变数据构建的7×117的特征矩阵X，分7次建模预测，得到最终7个监测点的位移预测值。此外，增加了无属性增强的时态图卷积网络T-GCN的深度学习方法进行对比分析，以验证属性增强可提高模型预测的性能。
白水河滑坡的7个监测点结果，如图10所示，图中横坐标为日期，纵坐标为滑坡相对位移，单位为：mm，每个监测点的预测值与实际值变化趋势一致，非预警区内监测点的误差均控制在10mm之内，而预警区内监测点主要在突变处出现较大的误差，最大误差为16.66mm。
不同预测模型的试验结果对比如表2所示：
表2
Figure BDA0003507285590000201
根据表2得到，本方案的MAE在4mm以内，MASE为0.477，RMSE为4.429mm，三项指标上均为最优表现。并且由图11和图12可知，本方案与实际值具有很高的吻合度，特别是在转折点和峰值处都优于其他方法。对比分析如下：
1)与基于数理统计的传统预测模型(MLR、ARIMA)相比，本方案RMSE明显低于两者，分别减少了约64％和55.9％。传统预测方法与实际值波动趋势基本一致，但相对误差较大。说明传统预测方法可以捕捉滑坡位移的时序变化趋势，但无法顾及变化的量值大小；
2)与传统的机器学习SVR模型相比，本方案RMSE降低了约57.9％。而相对于只关注时间相关性的LSTM模型，本方案因顾及到时空相关性在各项指标上均有更好的表现，RMSE减少了约47.3％。SVR在转折点处的预测误差相对减小，而LSTM在整体上表现较好。但是本方案无论是在整体趋势上，还是在转折点和峰值处，都具有最好的表现；
3)从引入外界影响因素的角度来看，相比未属性增强的T-GCN模型，本方案RMSE降低了约28.4％，各项指标均更优，并更能顾及转折点处量值大小；
4)由于MLR、ARIMA、SVR和LSTM均需对单个监测点进行独立建模预测，因此这些预测模型在建模时间上均远远超过本方案方法。其中，ARIMA需要对每个监测点求取最优参数，所需时间成本大大增加。而T-GCN由于未考虑属性增强模型，处理数据量小，因此在建模时间上小于本方案。
综上所述，基于深度学习的滑坡位移时空预测模型精度较高，时间成本较低，是一种更满足生产需求的高效预测方法。
为证实滑坡主要的外界影响因素(降雨和库水位)具有提高属性增强模型预测性能的能力，在上述基础设置的前提下进行消融试验：分别为只添加降雨属性增强、只添加库水位属性增强、两者均添加的属性增强。
不同设置的消融试验如表3所示：
表3
Figure BDA0003507285590000211
Figure BDA0003507285590000221
由表3可知，无论是添加降雨属性增强还是库水位属性增强，两者均相较于未属性增强的T-GCN模型在各项指标上显著提升。而同时添加降雨和库水位属性增强时，本方案模型各项指标表现最好。
如图13所示，库水位因素的添加提高了模型对峰值和转折点的感知能力，其预测结果在峰值和转折点比降雨属性增强更接近实际值。而降雨因素的添加提高了模型对变化趋势的预测能力，其预测结果比库水位属性增强在趋势上更接近实际情况。然而，同时兼具库水位和降雨属性的预测结果与真实值之间的误差更小，趋势更接近。
由以上分析结果可知，无论单独添加降雨因素或则库水位因素，两者的位移预测能力基本相当，说明降雨和库水位对滑坡位移的影响几乎一致，均方根误差分别降低了0.29％和0.11％。同时添加两种因素比添加单一类型因素的模型表现更好，从而也证实了降雨和库水位联合作用于滑坡变形。因此，采用外界影响因素有助于增强滑坡位移预测模型能力。
本实施例的试验结果表明：
(1)相比传统的回归预测方法和经典的机器学习方法，本方案所提时空预测方法结果的均方根误差为4.429mm，至少降低了47.3％，并在预测精度与时效方面更具优势。
(2)与针对单个监测点的滑坡位移预测模型相比，基于全局的滑坡位移预测方法兼顾了时间和空间上的相关性，在缩短了预测时间的基础上提高了整体预测精度，进而更好地揭示整个监测系统的位移变化情况，为滑坡预警预报提供更准确的数据支持。
(3)考虑到外界影响因素的对滑坡变形趋势的影响，相比直接采用位移特征属性的预测方法，时空预测方法通过属性增强提高了模型的预测性能，均方根误差减少了28.4％。
但是滑坡区域内的监测点受剖面和所在滑坡体位置的限制，所有监测点之间不只有空间度量关系，可能含有空间拓扑关系，需要更进一步试验和论证。再者，本方案采用降雨和库水位两个因素，未考虑到两者的周期性的此消彼长变化特征对滑坡变形的影响，如何提取有效的周期特征，以实现更具解释力的滑坡预测结果也将是后续的研究重点。

Claims (6)

1.一种基于深度学习的滑坡位移时空预测方法，其特征在于，包括如下步骤：
S1、获取包括空间相关数据、时间相关数据和外界影响因素数据的滑坡监测数据；
S2、基于滑坡监测数据，定义空间监测点的加权无向全连接图G，并根据加权无向全连接图G，计算得到加权邻接矩阵Aw，以及根据滑坡检测数据，计算得到属性增强矩阵S；
所述步骤S2包括如下步骤：
S21、基于空间相关数据，定义空间监测点的加权无向全连接图G；
所述步骤S21中全连接图G的表达式如下：
G＝(V,E,W)
V＝{v1,v2,...,vN}
W∈RN×N
其中，V表示全连接图G的节点集合，N表示监测点个数，E表示全连接图G的连接边的集合，W表示检测点间相关性的邻接矩阵，R表示N×N的实数矩阵；
S22、基于加权无向全连接图G和空间接近度的高斯相似度函数，计算得到加权邻接矩阵Aw；
所述步骤S22中空间接近度的高斯相似度函数的表达式如下：
w(i,j)＝exp(-||vi-vj||2/2σ2)
其中，w(i,j)表示两监测点vi和vj间的连接边eij的权值，||vi-vj||表示两监测点vi和vj间的空间距离，σ表示空间距离集合的标准差；
所述步骤S22中加权邻接矩阵Aw的表达式如下：
Figure FDA0003787576070000021
i＝1,2,…,N
j＝1,2,…,N
其中，i表示高斯相似度函数计算的第一个监测点的下标，j表示高斯相似度函数计算的第二个监测点的下标；
S23、基于空间相关数据和时间相关数据，构建包括特征矩阵X和所有监测点t时刻的相对位移矩阵Xt；
所述步骤S23中特征矩阵X和相对位移矩阵Xt的表达式分别如下：
X∈RN×P
Xt∈RN×t
其中，P表示时序长度，t表示t时刻；
S24、基于外界影响因素数据，构建包括不同外界影响因素的集合D；
所述步骤S24中的集合D的表达式如下：
D∈RN×(k*t)
其中，k表示外界影响因素的个数；
S24、基于集合D，得到属性矩阵Dk；
所述步骤S24中属性矩阵Dk的表达式如下：
Figure FDA0003787576070000022
Figure FDA0003787576070000023
其中，m表示时间窗口，
Figure FDA0003787576070000024
表示从t-m时刻到t时刻的时间窗口m内包含1个不同外界影响因素的子属性矩阵，
Figure FDA0003787576070000025
表示从t-m时刻到t时刻的时间窗口m内包含k个不同外界影响因素的子属性矩阵，
Figure FDA0003787576070000026
表示t-m时刻包含k个不同外界影响因素的子属性矩阵单元，
Figure FDA0003787576070000031
表示t时刻包含k个不同外界影响因素的子属性矩阵单元；
S25、基于特征矩阵X和属性矩阵Dk，构建包括若干个时刻的属性增强子矩阵的属性增强矩阵S；
其中，属性增强矩阵S的表达式如下：
Figure FDA0003787576070000032
S3、基于图卷积网络GCN和门控循环单元GRU，构建时态卷积网络T-GCN；
S4、将加权邻接矩阵Aw和属性增强矩阵S输入时态卷积网络T-GCN，得到滑坡位移时空预测结果
Figure FDA0003787576070000033
S5、分别利用平均绝对误差MAE、平均绝对比例误差MASE和均方根误差RMSE对滑坡位移时空预测结果
Figure FDA0003787576070000034
进行评价，得到滑坡位移时空预测评价结果，完成基于深度学习的滑坡位移时空预测。
2.根据权利要求1所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述时态卷积网络T-GCN包括若干个依次连接的T-GCN模块；
各所述T-GCN模块包括图卷积网络GCN子模块和门控循环单元GRU子模块；
所述图卷积网络GCN子模块包括依次连接的一个GCN输入层、若干个隐藏层和激励单元以及一个GCN输出层；所述GCN输出层与门控循环单元GRU模块连接；
各所述隐藏层和激励单元均包括一个隐藏层以及与隐藏层连接的一个Relu激励子单元，且第一个隐藏层与GCN输入层连接，最后一个Relu激励子单元与GCN输出层连接。
3.根据权利要求2所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述步骤S4包括如下步骤：
S41、令t-n时刻为初始时刻，并将加权邻接矩阵Aw和初始时刻的属性增强子矩阵St-n输入时态卷积网络T-GCN中的图卷积网络GCN子模块传播，得到初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)，其中，gc(·)表示图卷积；
S42、将初始时刻滑坡空间相关的时序变化特征gc(St-n,Aw)输入门控循环单元GRU子模块推导，得到初始时刻滑坡位移隐藏状态ht-n和未来初始时刻滑坡位移预测结果
Figure FDA0003787576070000041
并令当前t′时刻为初始时刻加1；
S43、将t′-1时刻滑坡位移隐藏状态ht′-1、加权邻接矩阵Aw和t′时刻的属性增强子矩阵St′输入图卷积网络GCN子模块传播，得到t′时刻的滑坡空间相关的时序变化特征gc(St′,Aw)；
S44、将t′时刻的滑坡空间相关的时序变化特征gc(St′,Aw)输入门控循环单元GRU子模块推导，得到t′时刻滑坡位移隐藏状态ht′和t′时刻滑坡位移预测结果
Figure FDA0003787576070000042
并将t′+1作为当前t′时刻；
S45、重复步骤S43和步骤S44T-1次，得到初始时刻后的未来T-1个时刻的滑坡位移时空预测结果；
S46、根据未来初始时刻滑坡位移预测结果
Figure FDA0003787576070000043
和初始时刻后的未来T-1个时刻的滑坡位移时空预测结果，得到未来T个时刻的滑坡位移时空预测结果
Figure FDA0003787576070000044
4.根据权利要求3所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述图卷积网络GCN子模块的传播过程表达式如下：
Figure FDA0003787576070000045
Figure FDA0003787576070000046
Figure FDA0003787576070000047
y0＝X
其中，yl+1表示第l卷积层的输出，σ表示非线性激活函数，
Figure FDA0003787576070000051
表示自连邻接矩阵
Figure FDA0003787576070000052
的度矩阵，yl表示第l卷积层的输入，Wl为第l卷积层的权矩阵，Aw表示加权邻接矩阵，I表示单位矩阵，j表示自连邻接矩阵的列数，y0表示GCN输入层的输入，X表示特征矩阵。
5.根据权利要求3所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述门控循环单元GRU子模块的推导表达式如下：
ut＝σ(Wu·[gc(St,Aw),ht-1]+bu)
rt＝σ(Wr·[gc(St,Aw),ht-1]+br)
ct＝tanh(Wc·[gc(St,Aw),(rt*ht-1)]+bc)
ht＝ut*ht-1+(1-ut)*ct
其中，ut表示t时刻的更新门，rt表示t时刻的重置门，ct表示t时刻的候选滑坡位移隐藏状态，ht表示t时刻的滑坡位移隐藏状态，σ表示非线性激活函数，tanh表示激活函数tanh，Wu表示更新门权值，Wr表示重置门权值，Wc表示候选滑坡位移隐藏状态权值，·表示向量连接，gc(St,Aw)表示t时刻滑坡空间相关的时序变化特征，St表示t时刻的属性增强子矩阵，Aw表示加权邻接矩阵，ht-1表示t-1时刻的滑坡位移隐藏状态，bu表示更新门偏差，br表示重置门偏差，bc表示候选滑坡位移隐藏状态偏差。
6.根据权利要求3所述的基于深度学习的滑坡位移时空预测方法，其特征在于，所述步骤S46中滑坡位移时空预测结果
Figure FDA0003787576070000053
的表达式如下：
Figure FDA0003787576070000054
其中，f表示滑坡位移时空预测映射模型，Aw表示加权邻接矩阵，S表示属性增强矩阵，
Figure FDA0003787576070000055
表示未来初始时刻滑坡位移预测结果，
Figure FDA0003787576070000056
表示未来第T个时刻滑坡位移预测结果。
CN202210143086.8A 2022-02-16 2022-02-16 一种基于深度学习的滑坡位移时空预测方法 Active CN114511150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210143086.8A CN114511150B (zh) 2022-02-16 2022-02-16 一种基于深度学习的滑坡位移时空预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210143086.8A CN114511150B (zh) 2022-02-16 2022-02-16 一种基于深度学习的滑坡位移时空预测方法

Publications (2)

Publication Number Publication Date
CN114511150A CN114511150A (zh) 2022-05-17
CN114511150B true CN114511150B (zh) 2022-09-13

Family

ID=81550826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210143086.8A Active CN114511150B (zh) 2022-02-16 2022-02-16 一种基于深度学习的滑坡位移时空预测方法

Country Status (1)

Country Link
CN (1) CN114511150B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117592000B (zh) * 2024-01-16 2024-04-05 四川省华地建设工程有限责任公司 一种滑坡深部位移监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378070A (zh) * 2019-08-05 2019-10-25 成都理工大学 基于pso-svr与des联合的滑坡位移预测方法
CN112216108A (zh) * 2020-10-12 2021-01-12 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
WO2021163805A1 (en) * 2020-02-19 2021-08-26 Minerva Intelligence Inc. Methods, systems, and apparatus for probabilistic reasoning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN110378070A (zh) * 2019-08-05 2019-10-25 成都理工大学 基于pso-svr与des联合的滑坡位移预测方法
WO2021163805A1 (en) * 2020-02-19 2021-08-26 Minerva Intelligence Inc. Methods, systems, and apparatus for probabilistic reasoning
CN112216108A (zh) * 2020-10-12 2021-01-12 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
最优分解模态和GRU模型的岸库滑坡位移预测研究;罗祎沅等;《武汉大学学报（信息科学版）》;20211115;第1-21页 *

Also Published As

Publication number Publication date
CN114511150A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
Xu et al. Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation
Pham et al. Can deep learning algorithms outperform benchmark machine learning algorithms in flood susceptibility modeling?
Chen et al. Deformation prediction of landslide based on improved back-propagation neural network
CN111612243B (zh) 交通速度预测方法、系统及存储介质
CN110135502B (zh) 一种基于强化学习策略的图像细粒度识别方法
CN107563567A (zh) 基于稀疏自编码的核极限学习机洪水预报方法
CN110138595A (zh) 动态加权网络的时间链路预测方法、装置、设备及介质
Idrees et al. Comprehensive evaluation of machine learning models for suspended sediment load inflow prediction in a reservoir
Sheikh Khozani et al. Improving Water Quality Index prediction for water resources management plans in Malaysia: application of machine learning techniques
CN112733997A (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN111915058A (zh) 基于长短时记忆网络和迁移学习的洪水预测方法与装置
CN114511150B (zh) 一种基于深度学习的滑坡位移时空预测方法
Wen et al. Lake level dynamics exploration using deep learning, artificial neural network, and multiple linear regression techniques
Samantaray et al. Flood discharge prediction using improved ANFIS model combined with hybrid particle swarm optimisation and slime mould algorithm
Zhao et al. Joint spatial and temporal modeling for hydrological prediction
Feng et al. Spatial and temporal aware graph convolutional network for flood forecasting
Adnan et al. Predictability performance enhancement for suspended sediment in rivers: Inspection of newly developed hybrid adaptive neuro-fuzzy system model
Wang et al. A deep learning-aided seismic fragility analysis method for bridges
Robati et al. Inflation rate modeling: Adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO)
Sriramulu et al. Adaptive dependency learning graph neural networks
Chen et al. Assessing different roles of baseflow and surface runoff for long-term streamflow forecasting in southeastern China
Fan et al. Daily suspended sediment concentration forecast in the upper reach of Yellow River using a comprehensive integrated deep learning model
Liu et al. An application of convolutional neural network for deterioration modeling of highway bridge components in the United States
Li et al. An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法

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