CN115146714A - 一种地下空间塌陷相关的大数据治理方法 - Google Patents
一种地下空间塌陷相关的大数据治理方法 Download PDFInfo
- Publication number
- CN115146714A CN115146714A CN202210700821.0A CN202210700821A CN115146714A CN 115146714 A CN115146714 A CN 115146714A CN 202210700821 A CN202210700821 A CN 202210700821A CN 115146714 A CN115146714 A CN 115146714A
- Authority
- CN
- China
- Prior art keywords
- data
- collapse
- model
- underground space
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013523 data management Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000007726 management method Methods 0.000 claims abstract description 23
- 239000013307 optical fiber Substances 0.000 claims abstract description 23
- 230000002265 prevention Effects 0.000 claims abstract description 19
- 238000002790 cross-validation Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000009286 beneficial effect Effects 0.000 claims abstract description 5
- 230000008447 perception Effects 0.000 claims abstract description 4
- 230000002787 reinforcement Effects 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/08—Construction
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地下空间塌陷相关的大数据治理方法。它具体包括如下步骤：通过光纤设备采集到的数据，匹配拟合信号波段模型，判定地下空间附近发生的事件，并与政府开放数据进行特征工程融合，输出地下空间塌陷预警模型的输入训练集；将训练集做五折交叉验证，验证LSTM模型和贝叶斯概率模型的精确度，作为模型融合方式的参照经验；通过融合后的模型进行结果输出，判断该区域地下空间塌陷风险系数，反馈给有关单位进行事前预防巡检，有针对性的进行巡检和专项加固。本发明的有益效果是：基于地下分布式光纤物联感知网络，通过多部门数据共享，将告警信息推送至相关管理单位以及进行市民消息互通，形成地下空间塌陷预防管理上的闭环。
Description
技术领域
本发明涉及大数据处理相关技术领域，尤其是指一种地下空间塌陷相关的大数据治理方法。
背景技术
随着城市建设迅猛发展，城市地下空间被广泛开发利用，地下空间塌陷也随之产生。路面塌陷的主要原因如下：道路坍塌跟地质有很大关系，道路建在松软的土地上就可能坍塌，另外地下渗水也会引起坍塌，泥石流，地震也会引起坍塌；地下水过量开采地下水过量开采引发的地面沉降是一个缓慢、区域性的过程，通常都是由于过度抽排地下水，破坏地层原有结构，造成土层不稳定，埋下隐患，当遇到地下施工或雨水长期浸泡时，造成路面突然塌陷；土体流失主要是由于夏季雨水频发，加剧对路基土体的冲刷，使地面雨水明渠变形，且地下管道破裂，渗透水将周边土壤稀释，导致周围土体流失，造成路面突然塌陷；路基不均匀沉降；施工部署不当等。
因此，为确保城市道路质量满足要求，尽力避免塌陷事故发生，有关部门要未雨绸缪，尽早发现塌陷隐患并加固处理。现有的城市塌陷管理并不能通过多部门的数据共享加强地面塌陷预警防控功能；同时告警信息不能及时进行市民消息互通，导致无法形成地下空间塌陷预防管理上的闭环。
发明内容
本发明是为了克服现有技术中存在上述的不足，提供了一种能够有效加强预警防控功能的地下空间塌陷相关的大数据治理方法。
为了实现上述目的，本发明采用以下技术方案：
一种地下空间塌陷相关的大数据治理方法，具体包括如下步骤：
(1)通过光纤设备采集到的数据，匹配拟合信号波段模型，判定地下空间附近发生的事件，并与政府开放数据进行特征工程融合，输出地下空间塌陷预警模型的输入训练集；
(2)将训练集做五折交叉验证，验证LSTM模型和贝叶斯概率模型的精确度，作为模型融合方式的参照经验；
(3)通过融合后的模型进行结果输出，判断该区域地下空间塌陷风险系数，反馈给有关单位进行事前预防巡检，有针对性的进行巡检和专项加固；
(4)当发生塌陷事件时能及时进行告警，及时提醒市民绕行和有关单位迅速响应抢修，并将事件有关经验作为完善样本训练集，对模型进行优化。
基于地下空间塌陷相关的大数据治理工作，城市塌陷的预警管理体系构建将基于广泛布设的地下分布式光纤物联感知网络，再通过多部门的数据共享加强地面塌陷预警防控功能；同时将告警信息推送至相关管理单位，以及城市服务app进行市民消息互通，形成地下空间塌陷预防管理上的闭环。
作为优选，在步骤(1)中，光纤设备采集到的数据方法如下：结合地下管道及管廊的现场实际，架设分布式光纤传感系统，监测现场布设光缆，光传感端机采集多参量信号、解析事件，服务器端综合判断做出评估，综管平台输出信息；其中，地下分布式光纤物联感知网络监测获取应变、温度、振动和电流数据；政府开放数据具体如下：公众投诉反馈数据、气象数据、工程基建项目数据、城市地理信息数据、地下地质情况数据、车辆道路运动轨迹数据。
作为优选，在步骤(1)中，特征工程融合的方法如下：
(11)通过异常值处理、查漏补缺、经纬度转换数据预处理方法使得道路和管网位置相匹配；
(12)通过KEY型特征、Value型特征、排序特征和类别特征提取特征群，在此基础上用XGB构造新特征；
(13)通过基于嵌入式的特征排序方法进行特征选择；
(14)通过上述流程使所有相关数据合理记录在时空坐标上，作为输出地下空间塌陷预警模型的输入训练集。
作为优选，在步骤(2)中，具体操作方法如下：
(21)将选取城市地下空间塌陷风险系数高的区域作为关键点，将每次模型输出的结果和实际情况进行对比验证，并做前项反馈机制完善优化模型参数和输入变量；
(22)根据信访信息、土壤性质、含水量、车载信息以及光纤监测的事件类型判定和产生的位移对等影响对区域进行塌陷风险等级系统划分，作为LSTM模型的训练集目标；采用LSTM模型对区域风险等级进行识别，从政府开放数据中，提取地下空间相关信息的数据，并通过地图地名服务获取该地名对应的经纬度坐标，和水务集团自有数据结合，通过坐标连线，生成风险区，之后通过LSTM模型的自行训练学习，并应用于对后续对具体区域进行预判；
(23)采用贝叶斯概率模型对区域风概率进行预测，从光纤能够采集到的数据和政府开放数据中，提取重型车辆碾压道路信息，结合道路、地质、气象、地下工程其它因子数据，并通过地图地名服务获取该道路名对应的经纬度坐标，结合水务集团自有数据，通过坐标连线，生成风险区；通过贝叶斯概率模型计算出该区域塌陷的风险值；
(24)通过五折交叉验证扩展样本数量并验证上述两个模型以及模型融合后的精度；
(25)采用LSTM模型和贝叶斯概率模型的融合算法获得地下空间安全风险概率值；
(26)根据地下空间安全风险概率值划分塌陷风险等级区域，有针对性的采取措施进行地下空间塌陷治理，风险高区域进行多频次巡检并及时发现隐患加固稳定。
作为优选，在步骤(22)中，LSTM模型是一种循环神经网络RNN的变型，在RNN结构以外添加了各层的阀门节点，阀门包括遗忘阀门、输入阀门和输出阀门，这些阀门用于将判断模型网络的记忆态在该层输出的结果是否达到阈值从而加入到当前该层的计算中，阀门节点利用sigmoid函数将网络的记忆态作为输入计算；如果输出结果达到阈值则将该阀门输出与当前层的计算结果相乘作为下一层的输入；如果没有达到阈值则将该输出结果遗忘掉；每一层包括阀门节点的权重都会在每一次模型反向传播训练过程中更新；其中遗忘阀门：yt＝σ(Wt·ht),ht＝[ht-1,xt]，该步骤的cell会读取上一个cell的输出ht-1和当前cell的数xt，σ(Wt·ht)表示该节点输出结果，Wt表示该节点权重值，ht表示该节点输入值和上一个Cell的结果的计算值，xt表示该节点输入值；
输入阀门：ct＝zf⊙ct-1+zi⊙z，⊙为multiplication运算，zf表示上一个Cell的输出值，用于判断阀门开关，zi表示上一个Cell需要输入到这个节点的值，z表示该节点的输入值；
输出阀门：ht＝zo⊙tanh(ct)，zo＝σ(WO[ht-1，xt]+bo)，zo为输出节点的中间计算结果，wo为计算权重，bo为计算过程中的随机数，σ(WO[ht-1，xt]+bo)为zo的计算公式；
考虑塌陷事件的特殊性，使用分类模型的精度来评价模型的性能。
作为优选，在步骤(23)中，通过贝叶斯概率模型计算出该区域塌陷的风险值公式如下：
p(x)＝∏i∈Ip(xi|xpa(i))，xi表示当前事件、xpa(i)表示该事件的前项事件发生的概率值。
作为优选，在步骤(24)中，五折交叉验证如下：把数据M平均分成5等份，分别为M1、M2、M3、M4、M5，每次实验拿一份做测试，其余用做训练，实验5次求平均值；每次抽取Mi(i＝1，2，3，4，5)作为训练样本，而M5-i个样本作为验证集，为了得到可靠稳定的模型，用crossvalidation校验每个主成分下的PRESS值，选择PRESS值小的主成分或PRESS值不再变小时的主成分Mj，
作为优选，在步骤(25)中，LSTM模型和贝叶斯概率模型的boosting融合算法如下：
(251)根据每个模型在五折交叉验证得到的PRESS值，进行对样本Mj加权
的训练数据代替随机选取的训练样本，这样将训练的焦点集中在比较难分的训练数据样本上；
(252)将弱分类器联合起来，使用加权的投票机制，让分类效果好的弱分类器具有大的权重，而分类效果差的分类器具有小的权重，权重设置由预测结果和真实值的残差R计算可得i个LSTM模型的权重比例
j个贝叶斯概率模型的权重比例
(253)地下空间安全风险概率值为
其中
为第i个LSTM预测结果，
为第j个Bayes预测结果。
作为优选，在步骤(3)中，具体操作方法如下：
(31)多部门信息共享对塌陷进行主动预警防控：针对城市地面塌陷的各类信息融合的系统性不足，采集各类有利于判断塌陷的社会化数据，基于城市道路塌陷的防控需求对数据的一张GIS图进行融合，构建地面塌陷防控相关数据交换和共享机制，统一的数据发布口径，保证数据共融共享；
(32)多用户使用形成地下空间塌陷管理闭环：将地下空间塌陷告警信息推送至相关道路和地下空间安全管理部门和道路开挖建设比较相关的企事业单位；通过对预警算法的不断完善，结合公众反馈，提高模型准确性，提前发现可能发生塌陷的位置，预警告警利用城市大脑微应用或者城市服务app平台进行信息推送到市民以及货车司机，限制规划行驶道路，提前绕行，形成“数字信息围栏”，相关单位人员进行现场巡检，形成对道路塌陷的全流程预警和闭环管理；
(33)系统运营：综合数据耦合模型，坑洞和管线位移提前预测预警；针对道路地形地貌和地址情况、重型车辆的车辆定位和频率、地铁和重大工程深基坑信息，定制城市数据耦合模型；基于GIS的管网模型结合降雨监测、地质情况监测、物联网感知层采集的数据，形成物联感知层调度方案。
本发明的有益效果是：基于地下空间塌陷相关的大数据治理工作，城市塌陷的预警管理体系构建将基于广泛布设的地下分布式光纤物联感知网络，再通过多部门的数据共享加强地面塌陷预警防控功能；同时将告警信息推送至相关管理单位，以及城市服务app进行市民消息互通，形成地下空间塌陷预防管理上的闭环。
附图说明
图1是本发明的方法流程图；
图2是本发明的预警管理体系示意图；
图3是本发明的系统架构图；
图4是本发明中光纤架设示意图；
图5是本发明中管线传感数据收集上传示意图；
图6是本发明中政府开放数据维度图；
图7是本发明中LSTM模型的示意图；
图8是本发明中预警塌陷全周期管理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1、图2、图3所述的实施例中，一种地下空间塌陷相关的大数据治理方法，具体包括如下步骤：
(1)通过光纤设备采集到的数据，匹配拟合信号波段模型，判定地下空间附近发生的事件，并与政府开放数据进行特征工程融合，输出地下空间塌陷预警模型的输入训练集；
如图4所示，光纤设备采集到的数据方法如下：结合地下管道及管廊的现场实际，架设分布式光纤传感系统，监测现场布设光缆，光传感端机采集多参量信号、解析事件，服务器端综合判断做出评估，综管平台输出信息。通过多参量多机理感测机制，实现在地下管道及管廊泄露、沉降；工程建筑健康；城市地下空间塌陷的大数据感知等诸多应用。其中，地下分布式光纤物联感知网络监测获取应变、温度、振动和电流数据，如图5所示。
地下空间塌陷相关的大数据治理需要大量多维度数据支撑，政府开发数据可以很好的提供帮助。如图6所示，政府开放数据具体如下：公众投诉反馈数据、气象数据、工程基建项目数据、城市地理信息数据、地下地质情况数据、车辆道路运动轨迹数据。
地下地质情况数据：包括土壤易流失等级系数、土壤性质区域分布情况等，用于支撑不同土壤性质的流失(松动)影响因素。
气象数据：天气预报数据，用于支撑预测土壤在降雨量下的含水量。
城市工程基建项目数据：包括地铁轨道施工、深基坑施工、管线工程、重点工程相关深基坑信息及GIS定位数据，用于支撑隐患相关的工程数据。
城市地理信息数据：标准样式矢量地图，用于支撑各类数据信息在地理维度上的汇聚。
车辆道路运行轨迹：重点营运车辆联网联控信息、重型车辆的实时运行轨迹数据，用于支撑道路隐患信息判断(荷载过大)。
特征工程融合的方法如下：
(11)通过异常值处理、查漏补缺、经纬度转换等数据预处理方法使得道路和管网位置相匹配；
(12)通过KEY型特征、Value型特征、排序特征和类别特征提取特征群，在此基础上用XGB构造新特征；
(13)通过基于嵌入式的特征排序方法进行特征选择；
(14)通过上述流程使所有相关数据合理记录在时空坐标上，作为输出地下空间塌陷预警模型的输入训练集。
(2)将训练集做五折交叉验证，验证LSTM模型和贝叶斯概率模型的精确度，作为模型融合方式的参照经验；具体操作方法如下：
(21)将选取城市地下空间塌陷风险系数高的区域作为关键点，将每次模型输出的结果和实际情况进行对比验证，并做前项反馈机制完善优化模型参数和输入变量；
(22)根据信访信息、土壤性质、含水量、车载信息以及光纤监测的事件类型判定(施工、地铁施工)和产生的位移对等影响对区域进行塌陷风险等级系统划分，作为LSTM模型的训练集目标；
LSTM(Long Short-Term Memory)模型是一种循环神经网络RNN的变型，其特点就是在RNN结构以外添加了各层的阀门节点，阀门包括遗忘阀门(forget gate)、输入阀门(input gate)和输出阀门(output gate)，这些阀门可以打开或关闭，用于将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中。如图7所示，阀门节点利用sigmoid函数将网络的记忆态作为输入计算；如果输出结果达到阈值则将该阀门输出与当前层的计算结果相乘作为下一层的输入；如果没有达到阈值则将该输出结果遗忘掉。每一层包括阀门节点的权重都会在每一次模型反向传播训练过程中更新。
采用LSTM(长短期记忆人工神经网络)模型对区域风险等级进行识别，从政府开放数据中，提取地下空间相关信息的数据；并通过地图地名服务获取该地名对应的经纬度坐标，和水务集团自有数据结合，通过坐标连线，生成风险区。之后通过LSTM模型的自行训练学习，并应用于对后续对具体区域进行预判。
如图7所示，其中遗忘阀门(forget gate)：yt＝σ(Wt·ht)，ht＝[ht-1，xt]，该步骤的cell会读取上一个cell的输出ht-1和当前cell的数xt，σ(Wt·ht)表示该节点输出结果，Wt表示该节点权重值，ht表示该节点输入值和上一个Cell的结果的计算值，xt表示该节点输入值；
输入阀门(input gate)：ct＝zf⊙ct-1+zi⊙z，⊙为multiplication运算，zf表示上一个Cell的输出值，用于判断阀门开关，zi表示上一个Cell需要输入到这个节点的值，z表示该节点的输入值；
输出阀门(output gate)：ht＝zo⊙tanh(ct)，zo＝σ(WO[ht-1，xt]+bo)，zo为输出节点的中间计算结果，wo为计算权重，bo为计算过程中的随机数，σ(WO[ht-1，xt]+bo)为zo的计算公式；
考虑塌陷事件的特殊性，使用分类模型的精度(precision)来评价模型的性能。
(23)采用贝叶斯概率模型对区域风概率进行预测，从光纤能够采集到的数据和政府开放数据中，提取重型车辆碾压道路信息，结合道路、地质、气象、地下工程(管网类)等其它因子数据。并通过地图地名服务获取该道路名对应的经纬度坐标，结合水务集团自有数据，通过坐标连线，生成风险区；通过贝叶斯概率模型计算出该区域塌陷的风险值；公式如下：
p(x)＝Пi∈Ip(xi|xpa(i))
其中，xi表示当前事件、xpa(i)表示该事件的前项事件发生的概率值。
贝叶斯概率模型是基于概率推理的数学模型，所谓概率推理就是通过一些变量来获取其他概率信息的过程，不仅利用模型信息和数据信息，而且充分利用先验信息。通过实证分析的方法，将贝叶斯概率模型与普通回归模型的预测结果进行比较，结果表明贝叶斯模型具有明显的优越性。
(24)通过五折交叉验证扩展样本数量并验证上述两个模型以及模型融合后的精度；
不同的模型有各自的长处，具有差异性，而模型融合可以使得发挥出各个模型的优势，让这些相对较弱的模型(学习器)通过某种策略结合起来，达到比较强的模型(学习器)。LSTM模型是一个可以存储时间点事件状态，定向反馈预测给后续时间节点发生安全时间概率，并通过结果反向传播训练过程中每个节点的权重。但由于地下空间安全事故是少频事件，在样本数量不大的情况下，采用贝叶斯概率模型能够较快的得出塌陷的风险概率值，再通过五折交叉验证能够扩展样本数量并验证各个模型以及模型融合后的精度。
五折交叉验证如下：把数据M平均分成5等份，分别为M1、M2、M3、M4、M5，每次实验拿一份做测试，其余用做训练，实验5次求平均值；每次抽取Mi(i＝1,2,3,4,5)作为训练样本，而M5-i个样本作为验证集，为了得到可靠稳定的模型，用cross validation校验每个主成分下的PRESS值，选择PRESS值小的主成分或PRESS值不再变小时的主成分Mj，
(25)采用LSTM模型和贝叶斯概率模型的融合算法获得地下空间安全风险概率值；
LSTM(长短期记忆人工神经网络)模型和贝叶斯概率模型(Bayes)的boosting融合算法如下：
(251)根据每个模型在五折交叉验证得到的PRESS值，进行对样本Mj加权
的训练数据代替随机选取的训练样本，这样将训练的焦点集中在比较难分的训练数据样本上；
(252)将弱分类器联合起来，使用加权的投票机制，让分类效果好的弱分类器具有大的权重，而分类效果差的分类器具有小的权重，权重设置由预测结果和真实值的残差R计算可得i个LSTM模型的权重比例
j个贝叶斯概率模型的权重比例
(253)地下空间安全风险概率值为
其中
为第i个LSTM预测结果，
为第j个Bayes预测结果。
(26)根据地下空间安全风险概率值划分塌陷风险等级区域，有针对性的采取措施进行地下空间塌陷治理，风险高区域进行多频次巡检并及时发现隐患加固稳定。
(3)通过融合后的模型进行结果输出，判断该区域地下空间塌陷风险系数，反馈给有关单位进行事前预防巡检，有针对性的进行巡检和专项加固；具体操作方法如下：
(31)多部门信息共享对塌陷进行主动预警防控：针对城市地面塌陷的各类信息融合的系统性不足，采集各类有利于判断塌陷的社会化数据，基于城市道路塌陷的防控需求对数据的一张GIS图进行融合，构建地面塌陷防控相关数据交换和共享机制，统一的数据发布口径，保证数据共融共享；
(32)多用户使用形成地下空间塌陷管理闭环：将地下空间塌陷告警信息推送至相关道路和地下空间安全管理部门和道路开挖建设比较相关的企事业单位；通过对预警算法的不断完善，结合公众反馈，提高模型准确性，提前发现可能发生塌陷的位置，预警告警利用城市大脑微应用或者城市服务app平台进行信息推送到市民以及货车司机，限制规划行驶道路，提前绕行，形成“数字信息围栏”，相关单位人员进行现场巡检，形成对道路塌陷的全流程预警和闭环管理，如图8所示；
(33)系统运营：综合数据耦合模型，坑洞和管线位移提前预测预警；针对道路地形地貌和地址情况、重型车辆的车辆定位和频率、地铁和重大工程深基坑信息，定制城市数据耦合模型；基于GIS的管网模型结合降雨监测、地质情况监测、物联网感知层采集的数据，形成物联感知层调度方案。
(4)当发生塌陷事件时能及时进行告警，及时提醒市民绕行和有关单位迅速响应抢修，并将事件有关经验作为完善样本训练集，对模型进行优化。
基于地下空间塌陷相关的大数据治理工作，城市塌陷的预警管理体系构建将基于广泛布设的地下分布式光纤物联感知网络，再通过多部门的数据共享加强地面塌陷预警防控功能；同时将告警信息推送至相关管理单位，以及城市服务app进行市民消息互通，形成地下空间塌陷预防管理上的闭环。
Claims (9)
1.一种地下空间塌陷相关的大数据治理方法，其特征是，具体包括如下步骤：
(1)通过光纤设备采集到的数据，匹配拟合信号波段模型，判定地下空间附近发生的事件，并与政府开放数据进行特征工程融合，输出地下空间塌陷预警模型的输入训练集；
(2)将训练集做五折交叉验证，验证LSTM模型和贝叶斯概率模型的精确度，作为模型融合方式的参照经验；
(3)通过融合后的模型进行结果输出，判断该区域地下空间塌陷风险系数，反馈给有关单位进行事前预防巡检，有针对性的进行巡检和专项加固；
(4)当发生塌陷事件时能及时进行告警，及时提醒市民绕行和有关单位迅速响应抢修，并将事件有关经验作为完善样本训练集，对模型进行优化。
2.根据权利要求1所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(1)中，光纤设备采集到的数据方法如下：结合地下管道及管廊的现场实际，架设分布式光纤传感系统，监测现场布设光缆，光传感端机采集多参量信号、解析事件，服务器端综合判断做出评估，综管平台输出信息；其中，地下分布式光纤物联感知网络监测获取应变、温度、振动和电流数据；政府开放数据具体如下：公众投诉反馈数据、气象数据、工程基建项目数据、城市地理信息数据、地下地质情况数据、车辆道路运动轨迹数据。
3.根据权利要求1或2所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(1)中，特征工程融合的方法如下：
(11)通过异常值处理、查漏补缺、经纬度转换数据预处理方法使得道路和管网位置相匹配；
(12)通过KEY型特征、Value型特征、排序特征和类别特征提取特征群，在此基础上用XGB构造新特征；
(13)通过基于嵌入式的特征排序方法进行特征选择；
(14)通过上述流程使所有相关数据合理记录在时空坐标上，作为输出地下空间塌陷预警模型的输入训练集。
4.根据权利要求所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(2)中，具体操作方法如下：
(21)将选取城市地下空间塌陷风险系数高的区域作为关键点，将每次模型输出的结果和实际情况进行对比验证，并做前项反馈机制完善优化模型参数和输入变量；
(22)根据信访信息、土壤性质、含水量、车载信息以及光纤监测的事件类型判定和产生的位移对等影响对区域进行塌陷风险等级系统划分，作为LSTM模型的训练集目标；采用LSTM模型对区域风险等级进行识别，从政府开放数据中，提取地下空间相关信息的数据，并通过地图地名服务获取该地名对应的经纬度坐标，和水务集团自有数据结合，通过坐标连线，生成风险区，之后通过LSTM模型的自行训练学习，并应用于对后续对具体区域进行预判；
(23)采用贝叶斯概率模型对区域风概率进行预测，从光纤能够采集到的数据和政府开放数据中，提取重型车辆碾压道路信息，结合道路、地质、气象、地下工程其它因子数据，并通过地图地名服务获取该道路名对应的经纬度坐标，结合水务集团自有数据，通过坐标连线，生成风险区；通过贝叶斯概率模型计算出该区域塌陷的风险值；
(24)通过五折交叉验证扩展样本数量并验证上述两个模型以及模型融合后的精度；
(25)采用LSTM模型和贝叶斯概率模型的融合算法获得地下空间安全风险概率值；
(26)根据地下空间安全风险概率值划分塌陷风险等级区域，有针对性的采取措施进行地下空间塌陷治理，风险高区域进行多频次巡检并及时发现隐患加固稳定。
5.根据权利要求4所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(22)中，LSTM模型是一种循环神经网络RNN的变型，在RNN结构以外添加了各层的阀门节点，阀门包括遗忘阀门、输入阀门和输出阀门，这些阀门用于将判断模型网络的记忆态在该层输出的结果是否达到阈值从而加入到当前该层的计算中，阀门节点利用sigmoid函数将网络的记忆态作为输入计算；如果输出结果达到阈值则将该阀门输出与当前层的计算结果相乘作为下一层的输入；如果没有达到阈值则将该输出结果遗忘掉；每一层包括阀门节点的权重都会在每一次模型反向传播训练过程中更新；
其中遗忘阀门：yt＝σ(Wt·ht),ht＝[ht-1,xt]，该步骤的cell会读取上一个cell的输出ht-1和当前cell的数xt，σ(Wt·ht)表示该节点输出结果，Wt表示该节点权重值，ht表示该节点输入值和上一个Cell的结果的计算值，xt表示该节点输入值；
输入阀门：ct＝zf⊙ct-1+zi⊙z，⊙为multiplication运算，zf表示上一个Cell的输出值，用于判断阀门开关，zi表示上一个Cell需要输入到这个节点的值，z表示该节点的输入值；
输出阀门：ht＝zo⊙tanh(ct)，zo＝σ(WO[ht-1，xt]+bo)，zo为输出节点的中间计算结果，wo为计算权重，bo为计算过程中的随机数，σ(WO[ht-1，xt]+bo)为zo的计算公式；
考虑塌陷事件的特殊性，使用分类模型的精度来评价模型的性能。
6.根据权利要求4所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(23)中，通过贝叶斯概率模型计算出该区域塌陷的风险值公式如下：p(x)＝Πi∈Ip(xi|xpa(i))，xi表示当前事件、xpa(i)表示该事件的前项事件发生的概率值。
7.根据权利要求4所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(24)中，五折交叉验证如下：把数据M平均分成5等份，分别为M1、M2、M3、M4、M5，每次实验拿一份做测试，其余用做训练，实验5次求平均值；每次抽取Mi(i＝1,2,3,4,5)作为训练样本，而M5-i个样本作为验证集，为了得到可靠稳定的模型，用cross validation校验每个主成分下的PRESS值，选择PRESS值小的主成分或PRESS值不再变小时的主成分Mj，
其中
为模型预测值，yi为实际值。
8.根据权利要求7所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(25)中，LSTM模型和贝叶斯概率模型的boosting融合算法如下：
(251)根据每个模型在五折交叉验证得到的PRESS值，进行对样本Mj加权
的训练数据代替随机选取的训练样本，这样将训练的焦点集中在比较难分的训练数据样本上；
(252)将弱分类器联合起来，使用加权的投票机制，让分类效果好的弱分类器具有大的权重，而分类效果差的分类器具有小的权重，权重设置由预测结果和真实值的残差R计算可得i个LSTM模型的权重比例
j个贝叶斯概率模型的权重比例
(253)地下空间安全风险概率值为
其中
为第i个LSTM预测结果，
为第j个Bayes预测结果。
9.根据权利要求1所述的一种地下空间塌陷相关的大数据治理方法，其特征是，在步骤(3)中，具体操作方法如下：
(31)多部门信息共享对塌陷进行主动预警防控：针对城市地面塌陷的各类信息融合的系统性不足，采集各类有利于判断塌陷的社会化数据，基于城市道路塌陷的防控需求对数据的一张GIS图进行融合，构建地面塌陷防控相关数据交换和共享机制，统一的数据发布口径，保证数据共融共享；
(32)多用户使用形成地下空间塌陷管理闭环：将地下空间塌陷告警信息推送至相关道路和地下空间安全管理部门和道路开挖建设比较相关的企事业单位；通过对预警算法的不断完善，结合公众反馈，提高模型准确性，提前发现可能发生塌陷的位置，预警告警利用城市大脑微应用或者城市服务app平台进行信息推送到市民以及货车司机，限制规划行驶道路，提前绕行，形成“数字信息围栏”，相关单位人员进行现场巡检，形成对道路塌陷的全流程预警和闭环管理；
(33)系统运营：综合数据耦合模型，坑洞和管线位移提前预测预警；针对道路地形地貌和地址情况、重型车辆的车辆定位和频率、地铁和重大工程深基坑信息，定制城市数据耦合模型；基于GIS的管网模型结合降雨监测、地质情况监测、物联网感知层采集的数据，形成物联感知层调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210700821.0A CN115146714A (zh) | 2022-08-25 | 2022-08-25 | 一种地下空间塌陷相关的大数据治理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210700821.0A CN115146714A (zh) | 2022-08-25 | 2022-08-25 | 一种地下空间塌陷相关的大数据治理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115146714A true CN115146714A (zh) | 2022-10-04 |
Family
ID=83408305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210700821.0A Pending CN115146714A (zh) | 2022-08-25 | 2022-08-25 | 一种地下空间塌陷相关的大数据治理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115146714A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634870A (zh) * | 2023-10-23 | 2024-03-01 | 北京市勘察设计研究院有限公司 | 一种城市道路致塌风险区划方法、装置及存储介质 |
| CN118211184A (zh) * | 2024-05-21 | 2024-06-18 | 中国电建集团西北勘测设计研究院有限公司 | 道路塌陷监测方法、装置、存储介质及电子设备 |
| CN118569660A (zh) * | 2024-08-05 | 2024-08-30 | 四川千页科技股份有限公司 | 一种储能电站的风险评估方法 |
-
2022
- 2022-08-25 CN CN202210700821.0A patent/CN115146714A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634870A (zh) * | 2023-10-23 | 2024-03-01 | 北京市勘察设计研究院有限公司 | 一种城市道路致塌风险区划方法、装置及存储介质 |
| CN118211184A (zh) * | 2024-05-21 | 2024-06-18 | 中国电建集团西北勘测设计研究院有限公司 | 道路塌陷监测方法、装置、存储介质及电子设备 |
| CN118569660A (zh) * | 2024-08-05 | 2024-08-30 | 四川千页科技股份有限公司 | 一种储能电站的风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Flood susceptibility assessment based on a novel random Naïve Bayes method: A comparison between different factor discretization methods | |
| Anbari et al. | Risk assessment model to prioritize sewer pipes inspection in wastewater collection networks | |
| CN115146714A (zh) | 一种地下空间塌陷相关的大数据治理方法 | |
| Xie et al. | Artificial neural network based hybrid modeling approach for flood inundation modeling | |
| Yan et al. | Risk assessment for construction of urban rail transit projects | |
| Zhang et al. | Towards a fuzzy Bayesian network based approach for safety risk analysis of tunnel‐induced pipeline damage | |
| CN109978235B (zh) | 一种基于样本学习的积涝水位预测方法 | |
| Jeong et al. | Prediction of flexible pavement deterioration in relation to climate change using fuzzy logic | |
| CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
| Doglioni et al. | Evolutionary polynomial regression to alert rainfall-triggered landslide reactivation | |
| Zhang et al. | Collapse risk analysis of deep foundation pits in metro stations using a fuzzy Bayesian network and a fuzzy AHP | |
| CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| Karaşahin et al. | Performance model for asphalt concrete pavement based on the fuzzy logic approach | |
| Oumeraci et al. | XtremRisK—integrated flood risk analysis for extreme storm surges at open coasts and in estuaries: methodology, key results and lessons learned | |
| CN109492756A (zh) | 基于深度学习的多要素导线舞动预警方法及相关装置 | |
| Zhou et al. | A deep-learning-technique-based data-driven model for accurate and rapid flood predictions in temporal and spatial dimensions | |
| He et al. | Flood risk assessment and mitigation for metro stations: An evidential-reasoning-based optimality approach considering uncertainty of subjective parameters | |
| CN117933701B (zh) | 轨道交通工程建设安全风险监控方法及系统 | |
| Dawood et al. | Ensemble intelligent systems for predicting water network condition index | |
| Wang et al. | Environmental risk assessment of subway station construction to achieve sustainability using the intuitionistic fuzzy analytic hierarchy process and set pair analysis | |
| Roh | Developing cold region winter weather traffic models and testing their temporal transferability and model specification | |
| CN117688844B (zh) | 一种基于深度神经网络的城市内涝实时模拟方法及系统 | |
| CN111612336B (zh) | 一种基于大数据的油气管道失效因素修正方法 | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| Shirkhanloo | Evaluation of Decision-Making Prediction Models for Sewer Pipes Asset Management |
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 |