CN115081706B - 基于双向lstm网络的黄土塌陷预测方法及装置 - Google Patents
基于双向lstm网络的黄土塌陷预测方法及装置 Download PDFInfo
- Publication number
- CN115081706B CN115081706B CN202210684143.3A CN202210684143A CN115081706B CN 115081706 B CN115081706 B CN 115081706B CN 202210684143 A CN202210684143 A CN 202210684143A CN 115081706 B CN115081706 B CN 115081706B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- classification network
- short
- long
- term memory
- 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
Links
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000006073 displacement reaction Methods 0.000 claims abstract description 80
- 230000015654 memory Effects 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000013075 data extraction Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 238000001556 precipitation Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000004580 weight loss Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 5
- 229940029329 intrinsic factor Drugs 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于双向LSTM网络的黄土塌陷预测方法，获取任一监测仪器采集的纵横向位移时间序列，并进行数据提取分析；数据提取分析包括：计算自相关系数和偏自相关系数；将累计降雨量时间序列与纵横向位移时间序列进行皮尔逊系数的相关度分析；搭建训练数据集；搭建长短期记忆时序组合分类网络；所述长短期记忆时序组合分类网络由第一双向长短期记忆时序分类网络模型和第二双向长短期记忆时序分类网络模型组成；将标记后的训练集输入至长短期记忆时序合租分类网络中进行训练，得到训练后的长短期记忆时序组合分类网络；利用验证集进行训练后的长短期记忆时序组合分类网络的预测分类。本发明还公开了一种基于双向LSTM网络的黄土塌陷预测的装置。
Description
技术领域
本发明涉及黄土塌陷预测技术领域，尤其是基于双向LSTM网络的黄土塌陷预测方法及装置。
背景技术
由于黄土内部物理性质为细沙颗粒含量较大，细沙颗粒较小，土质堆积松散，裂隙较发育。发生塌陷的因素众多常由地质构造活动、地形条件、降水因素。以降水影响为例，降水量的累计导致黄土自重增大，破坏自身应力，从而发生塌陷。
目前，现有技术针对湿陷性黄土塌陷的研究，多半是研究因降雨导致塌陷黄土内部构造的机理和形成塌陷的内在原因，且研究方式多通过实验分析和观测取得数据进行分析验证。另外，大多数监测也是从雨量计采集降雨量，进行后期塌陷成因分析过程使用雨量作为一个参考。
例如专利公开号为“CN114444319A”、名称为“一种黄土地下病害体危险性评价方法”的中国发明专利，其通过：构建内因特性系统与外因特性系统的发展水平指数；建立内因特性与外因特性各子系统初值评价体系；基于熵值赋权法确定内因特性与外因特性各子系统初值评价体系中各指标权重，并利用专家经验分析及层次分析法对权重进行修正后确定子系统各指标权重；构建内因特性与外因特性发展协调水平预测模型，确定待评价区不同地区内因特性与外因特性发展协调关系；建立内因特性与外因特性耦合协调水平评价标准体系，对待评价区进行病害体危险性评价。
但是，上述技术存在以下问题：
第一，利用专家经验进行权重分析，存在偶然性。
第二，未明确内因与外因的对应关系。
再如专利公开号为“CN114154680A”、名称为“一种城市地面塌陷预测方法、装置及电子设备”的中国发明专利，其包括：获取指定区域中多个塌陷子区域的塌陷要素数据，所述塌陷要素数据包括地质地形数据和人类活动数据，根据所述塌陷要素数据确定用于模型训练的数据集；构建全卷积神经网络，采用所述数据集训练所述全卷积神经网络，获得地面塌陷预测模型；获取所述指定区域中待预测子区域的所述塌陷要素数据，根据所述塌陷要素数据和所述地面塌陷预测模型进行塌陷预测，输出所述待预测子区域发生塌陷的概率。该技术的缺陷在于：数据集的数量特别关键，当数据集较少时无法提高概率。
因此，急需要提出一种逻辑简单、准确可靠的基于双向LSTM网络的黄土塌陷预测方法。
发明内容
针对上述问题，本发明的目的在于提供基于双向LSTM网络的黄土塌陷预测方法及装置，本发明采用的技术方案如下：
第一部分，本技术提供了基于双向LSTM网络的黄土塌陷预测方法，其包括以下步骤：
获取任一监测仪器采集的纵横向位移时间序列，并进行数据提取分析；所述数据提取分析包括：利用纵横向位移时间序列求得位移数据的自相关系数和偏自相关系数；
获取该区域的降雨量数据，将降雨量数据对应的累计降雨量时间序列与纵横向位移时间序列进行皮尔逊系数的相关度分析；所述累计降雨量时间序列的总和为总降水量时间序列；
利用总降水量时间序列和纵横向位移时间序列对应的数据搭建训练数据集；所述训练数据集包括训练集和验证集；
搭建长短期记忆时序组合分类网络；所述长短期记忆时序组合分类网络由预测监测位移量与降水量之间的关联度的第一双向长短期记忆时序分类网络模型和预测监测位移量与塌陷发生之间的可能性的第二双向长短期记忆时序分类网络模型组成；
将标记后的训练集输入至长短期记忆时序合租分类网络中进行训练，得到训练后的长短期记忆时序组合分类网络；利用验证集进行训练后的长短期记忆时序组合分类网络的预测分类；所述训练集标记的关联度标签为皮尔逊系数对应的相关度。
第二部分，本技术提供了一种基于双向LSTM网络的黄土塌陷预测的装置，其包括：
数据提取分析模块，用于获取任一监测仪器采集的纵横向位移时间序列，并进行数据提取分析；所述数据提取分析包括：利用纵横向位移时间序列求得位移数据的自相关系数和偏自相关系数，获取该区域的降雨量数据，将降雨量数据对应的累计降雨量时间序列与纵横向位移时间序列进行皮尔逊系数的相关度分析；
数据集模块：与数据提取分析模块连接，利用纵横向位移时间序列对应的数据搭建训练数据集；所述训练数据集包括训练集和验证集；
长短期记忆时序组合分类网络模块，与数据提取分析模块和数据集模块连接，利用相关度作为关联度标签；所述长短期记忆时序组合分类网络由预测监测位移量与降水量之间的关联度的第一双向长短期记忆时序分类网络模型和预测监测位移量与塌陷发生之间的可能性的第二双向长短期记忆时序分类网络模型组成；
训练模块，与长短期记忆时序组合分类网络模块连接，将标记后的训练集输入至长短期记忆时序合租分类网络中进行训练，得到训练后的长短期记忆时序组合分类网络。
第三部分，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于双向LSTM网络的黄土塌陷预测方法。
与现有技术相比，本发明具有以下有益效果：
(1)本发明巧妙地采用纵横向位移时间序列求得位移数据的自相关系数，以分析纵横向位移时间序列自身在不同时刻内是否存在较大关联性，其好处在于，分析该位移时间序列是否存在相邻时间的较大关联性，可分析获得该数据造成塌陷的原因，是否与长时间的人为、地质活动或短时间发生的地质灾害有关，以提高数据的可靠性；
(2)本发明采用纵横向位移时间序列求得位移数据的偏自相关系数，以分析纵横向位移时间序列自身在排除中间随机变量影响下在两个时刻中间是否存在较大关联性，其好处在于，与自相关系数联合分析，可分析更准确从时序角度上分析造成塌陷的原因，是否与长时间的人为活动或短时间发生的地质灾害有关，以提高数据的可靠性。
(3)本发明利用利用皮尔逊系数进行相关度分析，以分析降水量与纵横向位移的关系，降水量数据利用单日降水量观测数据与总降水量观测数据进行相关度分析。
(4)本发明将自相关系数、偏自相关系数、相关度纳入网络训练输出指标判断，用于判断黄土塌陷发生事件是否发生塌陷，塌陷是否与降水量有关，提高网络结构预测分类结果的可靠性；
(5)本发明通过搭建长短期记忆时序组合分类网络，其由预测监测位移量与降水量之间的关联度的第一双向长短期记忆时序分类网络模型和预测监测位移量与塌陷发生之间的可能性的第二双向长短期记忆时序分类网络模型组成。第一双向长短期记忆时序分类网络模型通过前后两个方向同时利用长短期记忆结构进行时序数据的分析处理，时序模型结构为输入纵横位移两个序列，输出为对应的关联度标签；第二双向长短期记忆时序分类网络模型利用纵横位移两个序列作为输入，并输出对应的塌陷标签。
综上所述，本发明具有逻辑简单、准确可靠等优点，在黄土塌陷预测技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明中长短期记忆时序组合分类网络的结构示意图。
图2为本发明中垂直位移时间序列曲线图。
图3为本发明中垂直方向相关系数-位移量的关系分布图。
图4为本发明中垂直位移统计直方图。
图5为本发明中垂直方向延迟时期数-偏自相关系数的关系分布图。
图6为本发明中垂直方向延迟时期数-自相关系数的关系分布图。
图7为本发明中水平方向延迟时期数-偏自相关系数的关系分布图。
图8为本发明中水平位移时间序列曲线图。
图9为本发明中水平位移统计直方图。
图10为本发明中水平方向延迟时期数-自相关系数的关系分布图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1至图10所示，本实施例提供了一种基于双向LSTM网络的黄土塌陷预测方法及装置，该装置包括数据提取分析模块、数据集模块、短期记忆时序组合分类网络模块和训练模块。
在本实施例通过采集任一监测仪器采集的纵横向位移时间序列，并进行黄土塌陷预测，具体步骤如下：
第一步，以实际生产为指导，将构造活动、地形条件两个变量作为固定量不予考虑，因为强地质构造活动具有较强偶然性，自身地形条件通常较为稳定。所以，在预测时将降水量作为黄土塌陷发生的主控因素进行考虑。若分析黄土塌陷是否由于降水因素产生，获取单个监测仪器里的纵横向位移时间序列进行数据提取分析。其中，自相关系数与偏自相关系数可合理分析该塌陷数据是否存在较强时间前后相关性，可通过该系数分析获得该区域发生塌陷可能存在原因与结果，获得初步判断，以便于对后期数据进行准确可靠标记。
(I)计算位移数据的自相关系数，该系数主要为分析纵横向位移时间序列自身在不同时刻内是否存在较大关联性。其中，自相关系数的表达式为：
其中，ACF(k)为自相关系数，k为时滞阶数，Z为纵横向位移随观测时间变化的时间序列，
为完整时间序列均值，n为序列长度，t表示时间，Zt-k表示第t-k时滞阶数的时间序列，Zt表示第t时滞阶数的时间序列。
(II)计算位移数据的偏自相关系数，该系数主要为分析纵横向位移时间序列自身在排除中间随机变量影响下在两个时刻中间是否存在较大关联性，其表达式为:
其中，PACF(k)为偏自相关系数，k为时滞阶数，Z为纵横向位移随观测时间变化的时间序列，cov为协方差计算，var为方差计算，
为完整时间序列均值，n为序列长度。
(III)为分析降水量与纵横向位移的关系，降水量数据利用单日降水量观测数据与总降水量观测数据进行相关度分析。本实施例利用皮尔逊系数进行相关度分析，其表达式为：
其中，Rij表示相关系数矩阵，Cij表示第i行第j列的系数矩阵对应的值，Cii表示第i行第i列的系数矩阵对应的值，Cjj表示第j行第j列的系数矩阵对应的值。
第二步，搭建长短期记忆时序分类网络，将皮尔逊相关系数指标纳入网络训练输出指标判断，用于判断黄土塌陷发生事件是否发生塌陷，塌陷是否与降水量有关，提高网络结构预测分类结果的可靠性。
(I)搭建样本训练数据集，输入端对应数据监测仪器中的纵向位移数据、横向位移数据为一组严格不能，塌陷标签为该序列中是否发生塌陷，使用独热编码，若发生塌陷标签标记为1，不发生塌陷标签标记为0。关联度标签为步骤一所获得总降水量与纵横向位移的皮尔逊相关系数，纵、横向位移分别对应的皮尔逊相关系数作为关联度标签。其中，样本集按照7：3比例划分为训练集和验证集。
(II)为增强网络训练效果及正负样本的类别平衡性，在负样本中添加随机的生成任意长度、数值的时间序列样本，真实数据集由于较难收集与分析，需对样本集做数据增强，即对序列数据进行任意裁剪、缩放、倒序或添加5％-10％高斯噪声完成。其中，对部分正样本进行异常标签扩展，利用塌陷发生的短时间可持续性，对发生塌陷的时间段的位移数据进行复制，延长塌陷发生时段。
(III)搭建深度学习时序分类组合网络，网络结构第一部分为预测监测位移量与降水量之间的关联度，网络使用第一双向长短期记忆时序分类网络模型，第一双向长短期记忆时序网络即通过前后两个方向同时利用长短期记忆结构进行时序数据的分析处理，时序模型结构为输入纵横位移两个序列，输出为对应的关联度标签，长短期记忆时序分类网络层神经元数为100，神经元层数为2，网络结构用线性层进行输出即为双向神经网络中的解码层。数据输入前进行标准化，训练过程划分小批次分批进行训练用于提高训练效率，打乱批次之间的顺序用于增强模型的预测结果的鲁棒性，采用多进程来读取数据。在第一双向长短期记忆时序分类网络模型添加有交叉熵损失函数，其表达式为：
其中，L表示损失值，N表示样本个数，yi表示第i个样本的标签，正类为1，负类为0，pi表示第i个样本预测为正类的概率。
(IV)网络结构的第二部分为预测监测位移量与塌陷发生之间的可能性，网络使用第二双向长短期记忆时序分类网络模型，时序模型结构为输入纵横位移两个序列，输出为对应的塌陷标签，第二双向长短期记忆时序分类网络层神经元数为100，神经元层数为2，网络结构用线性层进行输出即为双向神经网络中的解码层。在数据输入前进行标准化，训练过程划分小批次分批进行训练用于提高训练效率，打乱批次之间的顺序用于增强模型的预测结果的鲁棒性。其中，在第二双向长短期记忆时序分类网络模型中添加损权重损失函数，其表达式为：
loss2＝-pos_weight×ytrue log(ypred)-(1-ytrue)log(1-ypred)
其中，num_neg表示负样本数量，num_pos表示正样本数量，ytrue表示真实结果，ypred表示预测结果。
(V)本实施例的长短期记忆时序分类网络由第一双向长短期记忆时序分类网络模型和第二双向长短期记忆时序分类网络模型部分连接，整体网络训练损失函数值为：
sumloss＝αloss1(x,class)+(1-α)loss2
其中，α为调整两部分网络参与整体网络训练结果权重，初始α为0.5，即让网络同时考虑预测关联度准确性和塌陷发生概率。训练次数依照验证集、训练集损失曲线调整，初始次数设置200次，根据损失函数变化情况进行训练次数的调整和确定，优化器采用ADAM优化器，初始学习率设置为0.1，采用自适应调整学习率参数，训练次数每过20次，学习率衰减5％，学习率阈值为0.001。
第三步，完成训练，保存模型参数，用于不同地区纵横向数据位移数据是否发生黄土塌陷预测；利用深度学习时序分类组合网络进行新地区的纵横向位移数据的分析及塌陷预测。预测方式为网络结构与步骤二一致，使用步骤二保存的网络权重参数，预测中不进行梯度返回，直接输入预测数据获取神经网络塌陷预测结果。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。
Claims (6)
1.基于双向LSTM网络的黄土塌陷预测方法，其特征在于，包括以下步骤：
获取任一监测仪器采集的纵横向位移时间序列，并进行数据提取分析；所述数据提取分析包括：利用纵横向位移时间序列求得位移数据的自相关系数和偏自相关系数；
获取监测仪器所在区域的降雨量数据，将降雨量数据对应的累计降雨量时间序列与纵横向位移时间序列进行皮尔逊系数的相关度分析；所述累计降雨量时间序列的总和为总降水量时间序列；
利用总降水量时间序列和纵横向位移时间序列对应的数据搭建训练数据集；所述训练数据集包括训练集和验证集；
搭建长短期记忆时序组合分类网络；所述长短期记忆时序组合分类网络由预测监测位移量与降水量之间的关联度的第一双向长短期记忆时序分类网络模型和预测监测位移量与塌陷发生之间的可能性的第二双向长短期记忆时序分类网络模型组成；
所述第一双向长短期记忆时序分类网络模型利用总降水量时间序列和纵横向位移时间序列作为输入，并在第一双向长短期记忆时序分类网络模型内添加交叉熵损失函数，以获得对应的关联度标签；所述交叉熵损失函数的表达式为：
其中，L表示损失值，N表示样本个数，yi表示第i个样本的标签，pi表示第i个样本预测为正类的概率；
所述第二双向长短期记忆时序分类网络模型将纵横向位移时间序列作为输入，并输出对应的塌陷标签；在所述第二双向长短期记忆时序分类网络模型内添加权重损失函数，其表达式为：
loss2＝-pos_weight×ytrue log(ypred)-(1-ytrue)log(1-ypred)
其中，num_neg表示负样本数量，num_pos表示正样本数量，ytrue表示真实结果，ypred表示预测结果；pos_weight表示正负样本的比值；loss2表示第二双向长短期记忆时序分类网络模型内添加权重损失函数；
所述长短期记忆时序组合分类网络的损失函数的表达式为：
sumloss＝αloss1(x,class)+(1-α)loss2
其中，α表示第一双向长短期记忆时序分类网络模型、第二双向长短期记忆时序分类网络模型与长短期记忆时序组合分类网络的权重；sumloss表示长短期记忆时序组合分类网络的损失函数；loss1表示第一双向长短期记忆时序分类网络模型内添加权重损失函数；
所述第一双向长短期记忆时序分类网络模型和第二双向长短期记忆时序分类网络模型的神经元数为100，且神经元层数为2；
将标记后的训练集输入至长短期记忆时序合租分类网络中进行训练，得到训练后的长短期记忆时序组合分类网络；利用验证集进行训练后的长短期记忆时序组合分类网络的预测分类；所述训练集标记的关联度标签为皮尔逊系数对应的相关度。
2.根据权利要求1所述的基于双向LSTM网络的黄土塌陷预测方法，其特征在于，利用纵横向位移时间序列求得位移数据的自相关系数，其表达为：
其中，ACF(k)为自相关系数，k为时滞阶数，Z为纵横向位移随观测时间变化的时间序列，
为完整时间序列均值，n为序列长度，t表示时间，Zt-k表示第t-k时滞阶数的时间序列，Zt表示第t时滞阶数的时间序列。
3.根据权利要求2所述的基于双向LSTM网络的黄土塌陷预测方法，其特征在于，利用纵横向位移时间序列求得位移数据的偏自相关系数，其表达式为：
其中，PACF(k)为偏自相关系数，k为时滞阶数，Z为纵横向位移随观测时间变化的时间序列，cov为协方差计算，var为方差计算，
为完整时间序列均值，n为序列长度。
4.根据权利要求3所述的基于双向LSTM网络的黄土塌陷预测方法，其特征在于，根据纵横向位移时间序列获取单日降水量观测数据与总降水量观测数据，并结合利用皮尔逊系数进行相关度分析，其表达式为：
其中，Rij表示相关系数矩阵，Cij表示第i行第j列的系数矩阵对应的值，Cii表示第i行第i列的系数矩阵对应的值，Cjj表示第j行第j列的系数矩阵对应的值。
5.一种基于双向LSTM网络的黄土塌陷预测的装置，其特征在于，包括：
数据提取分析模块，用于获取任一监测仪器采集的纵横向位移时间序列，并进行数据提取分析；所述数据提取分析包括：利用纵横向位移时间序列求得位移数据的自相关系数和偏自相关系数，获取监测仪器所在区域的降雨量数据，将降雨量数据对应的累计降雨量时间序列与纵横向位移时间序列进行皮尔逊系数的相关度分析；
数据集模块：与数据提取分析模块连接，利用纵横向位移时间序列对应的数据搭建训练数据集；所述训练数据集包括训练集和验证集；
长短期记忆时序组合分类网络模块，与数据提取分析模块和数据集模块连接，利用相关度作为关联度标签；所述长短期记忆时序组合分类网络由预测监测位移量与降水量之间的关联度的第一双向长短期记忆时序分类网络模型和预测监测位移量与塌陷发生之间的可能性的第二双向长短期记忆时序分类网络模型组成；
所述第一双向长短期记忆时序分类网络模型利用总降水量时间序列和纵横向位移时间序列作为输入，并在第一双向长短期记忆时序分类网络模型内添加交叉熵损失函数，以获得对应的关联度标签；所述交叉熵损失函数的表达式为：
其中，L表示损失值，N表示样本个数，yi表示第i个样本的标签，pi表示第i个样本预测为正类的概率；
所述第二双向长短期记忆时序分类网络模型将纵横向位移时间序列作为输入，并输出对应的塌陷标签；在所述第二双向长短期记忆时序分类网络模型内添加权重损失函数，其表达式为：
loss2＝-pos_weight×ytruelog(ypred)-(1-ytrue)log(1-ypred)
其中，num_neg表示负样本数量，num_pos表示正样本数量，ytrue表示真实结果，ypred表示预测结果；pos_weight表示正负样本的比值；loss2表示第二双向长短期记忆时序分类网络模型内添加权重损失函数；
所述长短期记忆时序组合分类网络的损失函数的表达式为：
sumloss＝αloss1(x,class)+(1-α)loss2
其中，α表示第一双向长短期记忆时序分类网络模型、第二双向长短期记忆时序分类网络模型与长短期记忆时序组合分类网络的权重；sumloss表示长短期记忆时序组合分类网络的损失函数；loss1表示第一双向长短期记忆时序分类网络模型内添加权重损失函数；
所述第一双向长短期记忆时序分类网络模型和第二双向长短期记忆时序分类网络模型的神经元数为100，且神经元层数为2；
训练模块，与长短期记忆时序组合分类网络模块连接，将标记后的训练集输入至长短期记忆时序合租分类网络中进行训练，得到训练后的长短期记忆时序组合分类网络。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权要求1至4任一项所述的基于双向LSTM网络的黄土塌陷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210684143.3A CN115081706B (zh) | 2022-06-16 | 2022-06-16 | 基于双向lstm网络的黄土塌陷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210684143.3A CN115081706B (zh) | 2022-06-16 | 2022-06-16 | 基于双向lstm网络的黄土塌陷预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115081706A CN115081706A (zh) | 2022-09-20 |
| CN115081706B true CN115081706B (zh) | 2023-04-28 |
Family
ID=83254400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210684143.3A Active CN115081706B (zh) | 2022-06-16 | 2022-06-16 | 基于双向lstm网络的黄土塌陷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081706B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182259A (zh) * | 2018-01-03 | 2018-06-19 | 华南理工大学 | 一种基于深度长短期记忆神经网络对多变量时间序列分类的方法 |
| CN113919587A (zh) * | 2021-11-03 | 2022-01-11 | 中大检测(湖南)股份有限公司 | 基于神经网络的地质灾害的预测方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11676043B2 (en) * | 2019-03-04 | 2023-06-13 | International Business Machines Corporation | Optimizing hierarchical classification with adaptive node collapses |
| CN110470259A (zh) * | 2019-07-09 | 2019-11-19 | 西安工程大学 | 基于lstm的滑坡位移动态预测方法 |
| CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
| CN112862069B (zh) * | 2021-01-21 | 2023-09-05 | 西北大学 | 基于svr-lstm混合深度学习的滑坡位移预测方法 |
| CN114048790B (zh) * | 2021-08-01 | 2024-05-24 | 北京工业大学 | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 |
| CN114154680A (zh) * | 2021-11-03 | 2022-03-08 | 中国地质大学（武汉） | 一种城市地面塌陷预测方法、装置及电子设备 |
-
2022
- 2022-06-16 CN CN202210684143.3A patent/CN115081706B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182259A (zh) * | 2018-01-03 | 2018-06-19 | 华南理工大学 | 一种基于深度长短期记忆神经网络对多变量时间序列分类的方法 |
| CN113919587A (zh) * | 2021-11-03 | 2022-01-11 | 中大检测(湖南)股份有限公司 | 基于神经网络的地质灾害的预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081706A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
| CN103544392B (zh) | 基于深度学习的医学气体识别方法 | |
| Franz et al. | Evaluating uncertainty estimates in hydrologic models: borrowing measures from the forecast verification community | |
| CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN112149898B (zh) | 故障率预测模型的训练、故障率预测方法及相关装置 | |
| CN111415492A (zh) | 一种基于模糊综合评价算法的边坡滑坡预警方法及系统 | |
| Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN104239722A (zh) | 一种基于因素间相关关系识别的预测方法 | |
| CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
| CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| CN114818817A (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
| Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
| CN113065188B (zh) | 基于机器学习的沉桩过程评估方法、存储介质及电子设备 | |
| CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
| CN114511150A (zh) | 一种基于深度学习的滑坡位移时空预测方法 | |
| CN115081706B (zh) | 基于双向lstm网络的黄土塌陷预测方法及装置 | |
| CN110866672B (zh) | 数据处理方法、装置、终端及介质 | |
| CN117194954A (zh) | 一种基于时频特征提取的混合深度学习水质预测方法 | |
| CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
| CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
| CN116011654A (zh) | 基于电力负荷数据的小区人气指数预测方法 |
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 |