CN115526108A - 一种基于多源监测数据的滑坡稳定性智能动态预测方法 - Google Patents
一种基于多源监测数据的滑坡稳定性智能动态预测方法 Download PDFInfo
- Publication number
- CN115526108A CN115526108A CN202211241465.7A CN202211241465A CN115526108A CN 115526108 A CN115526108 A CN 115526108A CN 202211241465 A CN202211241465 A CN 202211241465A CN 115526108 A CN115526108 A CN 115526108A
- Authority
- CN
- China
- Prior art keywords
- landslide
- machine learning
- model
- monitoring data
- stability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000411 inducer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及地质灾害防治方法领域，具体涉及一种基于多源监测数据的滑坡稳定性智能动态预测方法，获取地质背景条件、物理学参数和历史监测数据，基于获取的数据通过数值模拟手段建立数值模型；设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点历史的渗流场和应力场的变化，并结合滑坡稳定性计算方法计算获得目标滑坡隐患点不同时间阶段的稳定系数；形成供输入机器学习模型进行训练和验证的数据集，对基础机器学习模型进行训练、验证和测试，生成训练集和测试集；选取得到集成学习的基学习器，并得到性能最优的学习堆叠模型，进行稳定系数获取。本发明实现了滑坡稳定性实时、高效、准确的预测，为滑坡灾害防治提供支撑。
Description
技术领域
本发明涉及地质灾害防治方法领域，具体涉及一种基于多源监测数据的滑坡稳定性智能动态预测方法。
背景技术
滑坡是斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动的自然灾害。滑坡是我国最严重的自然灾害之一，滑坡自然灾害每年造成人员伤亡超过400人，经济损失超过10亿元。因此，对滑坡进行有效防控具有重要意义。
滑坡防控的一个重要内容，是准确判定滑坡的稳定状态。针对滑坡的稳定状态判定是通过已有的边坡稳定性计算方法进行，边坡稳定性计算方法主要包括极限平衡法、极限分析法、强度折减法和数值模拟方法等，这些方法所采用的参数主要为岩土体的静态物理力学参数例如坡高、坡脚、弹性模量、粘聚力、内摩擦角等，无法反映滑坡体稳定性的动态发展过程。现有的对于滑坡稳定性进行预测的方法主要借助数个单一的机器学习模型，而未进一步融合不同机器学习模型的预测性能。而现有以极限平衡法等传统稳定性计算方法为基础提出的滑坡稳定性预测方法，也未考虑滑坡稳定性的动态变化，导致预测结果不够准确。
发明内容
本发明意在提供一种基于多源监测数据的滑坡稳定性智能动态预测方法，以解决现有方法未考虑滑坡稳定性的动态变化及没有融合滑坡现场实时的多源监测数据，导致预测结果不够准确的问题。
本方案中的基于多源监测数据的滑坡稳定性智能动态预测方法，包括以下步骤：
步骤1，获取目标滑坡隐患点地质背景条件和岩土体相关的物理学参数；
步骤2，获取目标滑坡隐患点传感器的历史监测数据，对历史监测数据进行预处理操作，形成目标滑坡隐患点多源监测数据集合，所述预处理操作包括去除数据噪声、删除异常数据和空缺值填补；
步骤3，基于步骤1获取的目标滑坡隐患点地质背景条件和岩土体相关的物理学参数，通过数值模拟手段建立数值模型；
步骤4，获取目标滑坡隐患点的历史工况信息，基于步骤3建立的数值模型，根据工况信息设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点历史的渗流场和应力场的变化，基于计算得到的目标滑坡隐患点不同时间阶段的渗流场和应力场，结合滑坡稳定性计算方法计算获得目标滑坡隐患点不同时间阶段的稳定系数；
步骤5，将步骤2中目标滑坡隐患点的多源监测数据集合与步骤4中的目标滑坡隐患点在不同时间阶段的稳定系数根据时间一一对应，形成供输入机器学习模型进行训练和验证的数据集，其中，步骤2中目标滑坡隐患点的多源监测数据集合作为机器学习模型输入的特征变量，与之对应的步骤4中目标滑坡隐患点稳定系数作为机器学习模型的标签；
步骤6，选取机器学习任务中广泛采用的基础机器学习模型作为集成学习框架个体学习器的备选，利用步骤5中机器学习模型训练和验证的数据集，对N个基础机器学习模型进行训练、验证和测试，同时生成供后续集成学习堆叠模型训练和测试的训练集和测试集；
步骤7，从步骤6中N个基础机器学习模型中选取对稳定系数预测精度最高的M个基础机器学习模型作为集成学习的基学习器，用于后续集成学习元学习器的融合；
步骤8，基于集成学习堆叠策略的思想，通过元学习器对步骤7中选取的M个基学习器进行融合，形成集成学习堆叠模型，并利用步骤6中生成的训练集和测试集对集成学习堆叠模型进行训练和测试，得到性能最优的集成学习堆叠模型；
步骤9，将目标滑坡隐患点各个传感器的实时多源监测数据输入步骤8中训练好的集成学习堆叠模型，得到多源监测数据融合下目标滑坡隐患点实时的稳定系数。
本方案的有益效果是：
融合滑坡现场实时的多源监测数据与数值模拟技术，并基于集成学习理论，实现了基于滑坡现场实时的多源监测数据对滑坡稳定性状态的动态预测，充分考虑了滑坡体的动态演化过程，其利用集成学习的堆叠策略对基础机器学习模型的预测性能进行融合增强，耦合了不同机器学习模型的非线性表征能力，有效提升了滑坡稳定预测的准确度，从而实现了滑坡稳定性实时、高效、准确的预测，为滑坡灾害防治提供支撑。
进一步，所述步骤3中，所述数值模拟手段为有限元、离散元、物质点法中的一种。
有益效果是：通过数值模拟手段中的一种，适用范围更大。
进一步，所述步骤4中，所述滑坡稳定性计算方法为极限平衡法、极限分析法、强度折减法、数值分析法中的一种。
有益效果是：通过滑坡稳定性计算方法得到滑坡的不同时间段的稳定系数，多种滑坡稳定性计算方法，适用范围更大。
进一步，所述步骤6中，所述广泛采用的基础机器学习模型包括经典的回归模型和基于决策树的回归模型，所述经典的回归模型包括最小二乘回归、岭回归、核岭回归、支持向量回归、最近邻回归，所述基于决策树的回归模型包括决策树、随机森林、梯度提升回归树、极限梯度提升、轻度梯度提升机。
有益效果是：广泛考虑了各种的常见的机器学习模型的回归性能，为集成学习框架的搭建奠定基础。
进一步，所述步骤6中，对N个基础机器学习模型进行训练、验证和测试，其中模型超参数的优化采用k折交叉验证和连续减半搜索方法，包括以下子步骤：
子步骤6.1，将步骤5中机器学习模型训练和验证的数据集按照预设比例划分为训练集和测试集；
子步骤6.2，将子步骤6.1中的训练集打乱并平均分为数量相同的k组，对于一个基础机器学习模型，每轮利用其中一组数据作为验证，其余k-1组作为训练，并将机器学习模型在测试集上预测一次，记录每轮的预设参数，不断调整基础机器学习模型的超参数组合，所述机器学习模型的超参数组合调整的调优方法为连续减半搜索；
子步骤6.3，针对一个基础机器学习模型，将子步骤6.2重复k次，得到k组验证数据和k组测试数据，将k组验证数据纵向排列，将k组测试数据取平均值，在k个不同超参数的基础机器学习模型中选择预设参数达到指定条件的模型作为该模型的最优；
子步骤6.4，重复子步骤6.2和6.3直到N个基础机器学习模型全部调优完毕，将子步骤6.3中每个基础机器学习模型纵向排列的k组验证数据和取平均的测试数据分别横向排列，作为元学习器新的训练集和测试集。
有益效果是：通过k折交叉验证能够综合比较同一基础机器学习模型在不同超参数组合情况下的预测性能，再利用连续减半搜索方法进行较少次数的计算，并为最优的基础机器学习模型提供较多的计算资源分配。
进一步，所述子步骤6.1中，所述预设比例按照数据量大小进行确定，所述预设比例包括7:3和8:2。
有益效果是：通过预设比例的设置，能够对数据集进行合理的划分，提高数据处理的速度，同时提高预测结果的准确性。
进一步，所述子步骤6.2中，所述预设参数包括验证集误差、准确率或决定系数R2，所述验证集误差最小即为预设参数达到指定条件，或者所述准确率最高即为预设参数达到指定条件，或者所述决定系数R2最高即为预设参数达到指定条件。
有益效果是：通过多个预设参数和对应的指定条件设置，能够准确获取到机器学习模型超参数的最优组合，让预测的稳定系数更加准确。
进一步，所述步骤8中，所述元学习器包括线性回归和多层感知回归。
有益效果是：通过元学习器的设置，能够增强集成学习堆叠模型的泛化性能并减少过拟合的风险。
附图说明
图1为本发明基于多源监测数据的滑坡稳定性智能动态预测方法实施例的流程框图。
具体实施方式
下面通过具体实施方式进一步详细说明。
实施例一
基于多源监测数据的滑坡稳定性智能动态预测方法，如图1所示，包括以下步骤：
步骤1，获取目标滑坡隐患点地质背景条件和岩土体相关的物理学参数，基于勘察和试验手段获取物理学参数，物理学参数包括弹性模量、内摩擦角、粘聚力、饱和/残余含水量、渗透系数。
步骤2，获取目标滑坡隐患点现有传感器的历史监测数据，包括降雨量、库水位高程、地表位移、深部位移、裂缝宽度、孔隙水压力、地下水位、应力。对历史监测数据进行预处理操作，形成目标滑坡隐患点多源监测数据集合，预处理操作包括去除数据噪声、删除异常数据和空缺值填补。
步骤3，基于步骤1获取的目标滑坡隐患点地质背景条件和岩土体相关的物理学参数，通过数值模拟手段建立1:1的数值模型，数值模拟手段为有限元、离散元、物质点法中的一种，地质背景条件包括环境诱发因素和关键因素，环境诱发因素如降雨和库水位等，环境诱发因素用Ei表示，i表示第i个独立监测参数，Ei可以为环境诱发因素的实时数据，如实时的降雨量、降雨强度、温度、库水位高程等，用来作为数值模拟过程中的输入和边界条件，该类数据为对目标滑坡隐患点环境条件的直接观测，关键因素是一组用于表征目标滑坡隐患点稳定状态的关键参数，用Fj表示，j表示模型的第j个关键参数，如位移、孔隙水压力、地下水位等，关键因素如地表位移、深部位移、裂缝宽度、孔隙水压力、地下水位、应力等，将该类数据将作为表征目标滑坡隐患点实时稳定状态的关键参数，为后续机器学习模型的训练做准备。
步骤4，获取目标滑坡隐患点的历史工况信息，基于步骤3建立的数值模型，根据工况信息设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点历史的渗流场和应力场的变化，基于计算得到的目标滑坡隐患点不同时间阶段的渗流场和应力场，结合滑坡稳定性计算方法计算获得目标滑坡隐患点不同时间阶段的稳定系数，滑坡稳定性计算方法为极限平衡法、极限分析法、强度折减法、数值分析法中的一种。
步骤5，将步骤2中目标滑坡隐患点的多源监测数据集合与步骤4中的目标滑坡隐患点在不同时间阶段的稳定系数根据时间一一对应，形成供输入机器学习模型进行训练和验证的数据集，其中，步骤2中目标滑坡隐患点的多源监测数据集合作为机器学习模型输入的特征变量，与之对应的步骤4中目标滑坡隐患点稳定系数作为机器学习模型的标签。
步骤6，选取机器学习任务中广泛采用的基础机器学习模型作为集成学习框架个体学习器的备选，利用步骤5中机器学习模型训练和验证的数据集，对N个基础机器学习模型进行训练、验证和测试，同时生成供后续集成学习堆叠模型训练和测试的训练集和测试集，广泛采用的基础机器学习模型包括经典的回归模型和基于决策树的回归模型，所述经典的回归模型包括最小二乘回归、岭回归、核岭回归、支持向量回归、最近邻回归，所述基于决策树的回归模型包括决策树、随机森林、梯度提升回归树、极限梯度提升、轻度梯度提升机。
对N个基础机器学习模型进行训练、验证和测试，其中模型超参数的优化采用k折交叉验证和连续减半搜索方法，包括以下子步骤：
子步骤6.1，将步骤5中机器学习模型训练和验证的数据集按照预设比例划分为训练集和测试集，所述预设比例包括7:3和8:2。
子步骤6.2，将子步骤6.1中的训练集打乱并平均分为数量相同的k组，对于一个基础机器学习模型，每轮利用其中一组数据作为验证，其余k-1组作为训练，并将机器学习模型在测试集上预测一次，记录每轮的预设参数，不断调整基础机器学习模型的超参数组合，所述机器学习模型的超参数组合调整的调优方法为连续减半搜索。
子步骤6.3，针对一个基础机器学习模型，将子步骤6.2重复k次，得到k组验证数据和k组测试数据，将k组验证数据纵向排列，将k组测试数据取平均值，在k个不同超参数的基础机器学习模型中选择预设参数达到指定条件的模型作为该模型的最优。
子步骤6.4，重复子步骤6.2和6.3直到N个基础机器学习模型全部调优完毕，将子步骤6.3中每个基础机器学习模型纵向排列的k组验证数据和取平均的测试数据分别横向排列，作为元学习器新的训练集和测试集。
步骤7，从步骤6中N个基础机器学习模型中选取对稳定系数预测精度最高的M个基础机器学习模型作为集成学习的基学习器，用于后续集成学习元学习器的融合。元学习器包括线性回归和多层感知回归。
步骤8，基于集成学习堆叠策略的思想，通过元学习器对步骤7中选取的M个基学习器进行融合，形成集成学习堆叠模型，并利用步骤6中生成的训练集和测试集对集成学习堆叠模型进行训练和测试，得到性能最优的集成学习堆叠模型。
骤9，将目标滑坡隐患点各个传感器的实时多源监测数据输入步骤8中训练好的集成学习堆叠模型，得到多源监测数据融合下目标滑坡隐患点实时的稳定系数。
本实施例对于滑坡稳定性的动态预测方法相较于现有的预测方法来说，融合滑坡现场实时的多源监测数据与数值模拟技术，并基于集成学习理论，实现了基于滑坡现场实时的多源监测数据对滑坡稳定性状态的动态预测，充分考虑了滑坡体的动态演化过程，其利用集成学习的堆叠策略对基础的机器学习模型的预测性能进行融合，耦合了不同机器学习模型的非线性表征能力，能够及时、连续地预测到滑坡产生的动态变化，有效提升了滑坡稳定预测的准确度，从而实现了滑坡稳定性实时、高效、准确的预测，能够根据滑坡动态演化的估计对滑坡实际产生后的影响范围进行预测，为滑坡灾害防治提供支撑。
针对现有对滑坡的预测方法，对预测结果稳定性问题的改进设计过程中，因考虑到各项参数的普通处理器的处理能力、处理速度和处理计算量，通常是对单一的机器学习模型进行相应改进，或者是稳定性计算方法对滑坡是否稳定的最终结果进行预测，而不会将多方面的监测数据并结合集成学习理论，进行动态预测滑坡稳定性状态，本实施例在此基础上，通过设置预设比例进行机器学习训练，能够在多个参数以及结合集成学习理论后降低处理所需处理器的需求，减小计算量，提高预测结果的速度和及时性。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于，包括以下步骤：
步骤1，获取目标滑坡隐患点地质背景条件和岩土体相关的物理学参数；
步骤2，获取目标滑坡隐患点传感器的历史监测数据，对历史监测数据进行预处理操作，形成目标滑坡隐患点多源监测数据集合，所述预处理操作包括去除数据噪声、删除异常数据和空缺值填补；
步骤3，基于步骤1获取的目标滑坡隐患点地质背景条件和岩土体相关的物理学参数，通过数值模拟手段建立数值模型；
步骤4，获取目标滑坡隐患点的历史工况信息，基于步骤3建立的数值模型，根据工况信息设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点历史的渗流场和应力场的变化，基于计算得到的目标滑坡隐患点不同时间阶段的渗流场和应力场，结合滑坡稳定性计算方法计算获得目标滑坡隐患点不同时间阶段的稳定系数；
步骤5，将步骤2中目标滑坡隐患点的多源监测数据集合与步骤4中的目标滑坡隐患点在不同时间阶段的稳定系数根据时间一一对应，形成供输入机器学习模型进行训练和验证的数据集，其中，步骤2中目标滑坡隐患点的多源监测数据集合作为机器学习模型输入的特征变量，与之对应的步骤4中目标滑坡隐患点稳定系数作为机器学习模型的标签；
步骤6，选取机器学习任务中广泛采用的基础机器学习模型作为集成学习框架个体学习器的备选，利用步骤5中机器学习模型训练和验证的数据集，对N个基础机器学习模型进行训练、验证和测试，同时生成供后续集成学习堆叠模型训练和测试的训练集和测试集；
步骤7，从步骤6中N个基础机器学习模型中选取对稳定系数预测精度最高的M个基础机器学习模型作为集成学习的基学习器，用于后续集成学习元学习器的融合；
步骤8，基于集成学习堆叠策略的思想，通过元学习器对步骤7中选取的M个基学习器进行融合，形成集成学习堆叠模型，并利用步骤6中生成的训练集和测试集对集成学习堆叠模型进行训练和测试，得到性能最优的集成学习堆叠模型；
步骤9，将目标滑坡隐患点各个传感器的实时多源监测数据输入步骤8中训练好的集成学习堆叠模型，得到多源监测数据融合下目标滑坡隐患点实时的稳定系数。
2.根据权利要求1所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述步骤3中，所述数值模拟手段为有限元、离散元、物质点法中的一种。
3.根据权利要求2所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述步骤4中，所述滑坡稳定性计算方法为极限平衡法、极限分析法、强度折减法、数值分析法中的一种。
4.根据权利要求3所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述步骤6中，所述广泛采用的基础机器学习模型包括经典的回归模型和基于决策树的回归模型，所述经典的回归模型包括最小二乘回归、岭回归、核岭回归、支持向量回归、最近邻回归，所述基于决策树的回归模型包括决策树、随机森林、梯度提升回归树、极限梯度提升、轻度梯度提升机。
5.根据权利要求4所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述步骤6中，对N个基础机器学习模型进行训练、验证和测试，其中模型超参数的优化采用k折交叉验证和连续减半搜索方法，包括以下子步骤：
子步骤6.1，将步骤5中机器学习模型训练和验证的数据集按照预设比例划分为训练集和测试集；
子步骤6.2，将子步骤6.1中的训练集打乱并平均分为数量相同的k组，对于一个基础机器学习模型，每轮利用其中一组数据作为验证，其余k-1组作为训练，并将机器学习模型在测试集上预测一次，记录每轮的预设参数，不断调整基础机器学习模型的超参数组合，所述机器学习模型的超参数组合调整的调优方法为连续减半搜索；
子步骤6.3，针对一个基础机器学习模型，将子步骤6.2重复k次，得到k组验证数据和k组测试数据，将k组验证数据纵向排列，将k组测试数据取平均值，在k个不同超参数的基础机器学习模型中选择预设参数达到指定条件的模型作为该模型的最优；
子步骤6.4，重复子步骤6.2和6.3直到N个基础机器学习模型全部调优完毕，将子步骤6.3中每个基础机器学习模型纵向排列的k组验证数据和取平均的测试数据分别横向排列，作为元学习器新的训练集和测试集。
6.根据权利要求5所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述子步骤6.1中，所述预设比例按照数据量大小进行确定，所述预设比例包括7:3和8:2。
7.根据权利要求5所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述子步骤6.2中，所述预设参数包括验证集误差、准确率或决定系数R2，所述验证集误差最小即为预设参数达到指定条件，或者所述准确率最高即为预设参数达到指定条件，或者所述决定系数R2最高即为预设参数达到指定条件。
8.根据权利要求5所述的基于多源监测数据的滑坡稳定性智能动态预测方法，其特征在于：所述步骤8中，所述元学习器包括线性回归和多层感知回归。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211241465.7A CN115526108B (zh) | 2022-10-11 | 2022-10-11 | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211241465.7A CN115526108B (zh) | 2022-10-11 | 2022-10-11 | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115526108A true CN115526108A (zh) | 2022-12-27 |
| CN115526108B CN115526108B (zh) | 2024-01-16 |
Family
ID=84702387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211241465.7A Active CN115526108B (zh) | 2022-10-11 | 2022-10-11 | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526108B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
| CN116822403A (zh) * | 2023-06-05 | 2023-09-29 | 贵州中昂科技有限公司 | 一种基于超像素卷积网络的稳定状态分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837669A (zh) * | 2019-10-25 | 2020-02-25 | 中国地质大学（武汉） | 基于多源异构数据融合的滑坡不确定模型动态构建方法 |
| US20200242400A1 (en) * | 2019-01-25 | 2020-07-30 | Oath Inc. | Systems and methods for hyper parameter optimization for improved machine learning ensembles |
| CN111967544A (zh) * | 2020-10-23 | 2020-11-20 | 成都信息工程大学 | 土质滑坡灾害时空智能预警报方法与系统 |
| IT202000012223A1 (it) * | 2020-05-25 | 2021-11-25 | Peak Fiber Innovations S R L | Sistema di monitoraggio anti-valanghe e smottamenti con sensori fbg |
| KR20220001380A (ko) * | 2020-06-29 | 2022-01-05 | 대한민국(산림청 국립산림과학원장) | 산림물지도를 활용한 산사태위험지도 개선을 위한 산림토양 수분포화 취약지역 탐색방법 및 시스템 |
| CN113947009A (zh) * | 2021-08-31 | 2022-01-18 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
-
2022
- 2022-10-11 CN CN202211241465.7A patent/CN115526108B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200242400A1 (en) * | 2019-01-25 | 2020-07-30 | Oath Inc. | Systems and methods for hyper parameter optimization for improved machine learning ensembles |
| CN110837669A (zh) * | 2019-10-25 | 2020-02-25 | 中国地质大学（武汉） | 基于多源异构数据融合的滑坡不确定模型动态构建方法 |
| IT202000012223A1 (it) * | 2020-05-25 | 2021-11-25 | Peak Fiber Innovations S R L | Sistema di monitoraggio anti-valanghe e smottamenti con sensori fbg |
| KR20220001380A (ko) * | 2020-06-29 | 2022-01-05 | 대한민국(산림청 국립산림과학원장) | 산림물지도를 활용한 산사태위험지도 개선을 위한 산림토양 수분포화 취약지역 탐색방법 및 시스템 |
| CN111967544A (zh) * | 2020-10-23 | 2020-11-20 | 成都信息工程大学 | 土质滑坡灾害时空智能预警报方法与系统 |
| CN113947009A (zh) * | 2021-08-31 | 2022-01-18 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| ZTE, LENOVO, MOTOLORA MOBILITY, CHINA UNICOM: "R3-206721 "Machine Learning assisted Load Prediction"", 3GPP TSG_RAN\\WG3_IU, no. 3 * |
| 张波;唐萌萌;刘润泽;: "动态数据驱动多模型耦合的滑坡稳定性分析方法", 测绘与空间地理信息, no. 06 * |
| 朱庆;丁雨淋;苗双喜;曹振宇;: "动态观测数据驱动的滑坡灾害精准模拟分析方法", 西南交通大学学报, no. 02 * |
| 董辉;傅鹤林;冷伍明;龙万学;: "Boosting集成支持向量回归机的滑坡位移预测", 湖南大学学报(自然科学版), no. 09 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
| CN116822403A (zh) * | 2023-06-05 | 2023-09-29 | 贵州中昂科技有限公司 | 一种基于超像素卷积网络的稳定状态分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115526108B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115526108A (zh) | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 | |
| US20230214557A1 (en) | Method for dynamically assessing slope safety | |
| CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
| CN110070144A (zh) | 一种湖泊水质预测方法及系统 | |
| Sadrossadat et al. | Towards application of linear genetic programming for indirect estimation of the resilient modulus of pavements subgrade soils | |
| CA2992274C (en) | Ensemble based decision making | |
| Kalogirou et al. | Artificial neural networks for the generation of geothermal maps of ground temperature at various depths by considering land configuration | |
| CN109034641A (zh) | 管道缺陷预测方法及装置 | |
| Liu et al. | Zoned elasticity modulus inversion analysis method of a high arch dam based on unconstrained Lagrange support vector regression (support vector regression arch dam) | |
| KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
| CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
| US5757665A (en) | Riverine community habitat assessment and restoration methodlogy | |
| CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
| Wang et al. | Temperature prediction of flat steel box girders of long-span bridges utilizing in situ environmental parameters and machine learning | |
| CN102360453A (zh) | 一种防护林水平配置方法 | |
| CN107316103A (zh) | 基于回声状态网络的景点动态质量预测方法 | |
| CN103898890A (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
| CN117035151A (zh) | 基于lightGBM算法实现的不稳定注水工作制度优化方法及系统 | |
| KR102408827B1 (ko) | 컴퓨터 프로그램을 이용한 산림물지도 제작방법 | |
| Xu et al. | River functional evaluation and regionalization of the Songhua River in Harbin, China | |
| Javadi et al. | Evaluation and Simulation of Groundwater Flow in Aquifers Enclosed With Desert Saline Areas (Case Study: Isfahan Province-Ardestan Aquifer) | |
| Maschio et al. | A methodology to quantify the impact of uncertainties in the history matching process and in the production forecast | |
| Al-Aboodi et al. | Prediction of groundwater level in Safwan-Zubair area using artificial neural networks | |
| KR20220001380A (ko) | 산림물지도를 활용한 산사태위험지도 개선을 위한 산림토양 수분포화 취약지역 탐색방법 및 시스템 | |
| Harper | Real-time control of soil moisture for efficient irrigation |
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 |