CN115796015A - 一种基于互信息多源数据融合的水闸安全状态评估方法 - Google Patents

Abstract

本发明公开了一种基于互信息多源数据融合的水闸安全状态评估方法，包括：1：获取水闸监测区域的多种安全监测时间序列数据并标准化处理；2：根据互信息量、最大相关性原则与最小冗余度原则筛选影响因素；3：构建Stacking集成学习模型，一层训练网络以RF、LSTM和SVM算法为基础，二层训练网络以GBDT模型对一层输出结果进行整合以获取最优模型。4：通过构建的Stacking集成学习模型，预测下一时刻的水闸形变结果；5：结合闸体形变历史形变数据以及预测的预测的水闸形变数据，对水闸安全状态进行评估。本发明将影响水闸形变的多种因素融合并预测未来形变情况，并根据闸体形变数据对水闸安全状态进行评估。

Description

一种基于互信息多源数据融合的水闸安全状态评估方法

技术领域

本发明涉及一种基于互信息多源数据融合的水闸安全状态评估方法。

背景技术

水闸形变监测反映了水闸整体变形和受力性态是水闸安全状态的重要体现。虽然，水闸安全监测数据分析理论和方法的研究应用已经取得了一定进展，为保证水闸安全运行发挥了巨大的作用。但是，在分析模型和预测方法方面依然存在许多问题和不足。传统的基于物理模型的方法在处理复杂的情况时很难达到理想的预测效果。而基于数据驱动的方法，也无法对多个要素进行整合，预测结果与实际形变有较大误差。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于互信息多源数据融合的水闸安全状态评估方法，以期能利用不同类型的监测数据去预测水闸的形变情况，从而实现水闸的形变实时监测预警，并保证预警准确性和时效性，进而对水闸安全状态做出正确的评估。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于互信息多源数据融合的水闸安全状态评估方法的特点是按如下步骤进行：

步骤1：获取水闸监测区域的P种水闸形变因素的时间序列集合x，其中，第j种水闸形变因素的时间序列，记为x_j＝[x_1j,x_2j,…,x_ij,…,x_nj]^T；x_ij表示第j种水闸形变因素的第i个时刻数据，i＝1,2,…,n，j＝1，2，…，P，n表示时序长度；

对x_ij进行标准化处理，得到标准化后的第j种水闸形变因素的第i个时刻数据X_ij，从而得到标准化后的第j种水闸形变因素的时间序列X_j＝[X_1j,X_2j,…,X_ij,…,X_nj]^T；进而得到标准化后的P种水闸形变因素集合X；

获取第i个时刻的闸体形变数据Y_i，从而得到闸体形变序列Y＝[Y₁,Y₂,…,Y_i,…,Y_n]^T；

步骤2：根据互信息量、最大相关性原则与最小冗余度原则筛选影响因素：

步骤2.1：利用式(1)计算第j种水闸形变因素的时间序列X_j与闸体形变序列Y的互信息量I(X_j,Y)：

式(1)中，p为概率密度函数；Y_k为第k个时刻的闸体形变数据；k＝1,2,…,n；

步骤2.2：按照式(1)依次计算P种水闸形变因素与闸体形变序列Y的互信息量，选出互信息量最大的影响因素的时间序列记为X′₁；

定义影响因素集合为S，并初始化S＝X′₁；

步骤2.3：将X-X′′赋值给X后，按照式(2)所示的判断条件Θ，从X中选出与闸体形变序列Y相关性最大且与S冗余性最小的影响因素X′₂；

式(2)中，num(X)为水闸形变因素集合X内影响因素的个数，X_h表示S中第h种水闸形变因素的时间序列，I(X_u,X_h)为X中第u种水闸形变因素的时间间序列X_u与S中第h种水闸形变因素的时间序列X_h的互信息量；

步骤2.4：将X-X′₂赋值给X，将X′₁+X′₂赋值给S后，按照式(2)不断更新，并筛选出与水闸形变影响较大的L组影响因素的时间序列，记为X′₁,X′₂,…,X′_l,…,X′_L，其中，X′_l表示筛选后的第l种水闸形变因素的时间序列，且X′_l＝[X′_1l,X′_2l,…,X′_kl,…,X′_nl]^T，X′_kl表示经过筛选后的第j种水闸形变因素的第k个时刻数据；

步骤3：构建Stacking集成学习模型，包括：第一层的RF网络、LSTM网络和SVM分类网络以及第二层的GBDT模型；

步骤3.1：由L组影响因素在第k个时刻数据X′_k1,X′_k2,…,X′_kL与第k个时刻的闸体形变数据Y_k构成第k组关系数据，从而利用式(3)得到维度为(n-1)×(L+1)的关系矩阵Z，并拆分为维度为M×(L+1)的训练集Z_tran、维度为N×(L+1)的测试集Z_test，其中，M+N＝n-1；

利用式(4)选取所述关系矩阵Z中下一时刻的闸体形变数据作为预测集O，并对应划分为维度为M×1的训练预测集O_tran、维度为N×1的测试预测集O_test；

O＝[Y₂,…,Y_k,…,Y_n]^T (4)

步骤3.2：将训练集Z_tran以及训练预测集O_tran分别划分为A个等份，得到A等份的训练子集以及A等份的训练预测子集；

步骤3.3、将A-1个等份的训练子集分别作为第一层的RF网络、LSTM网络和SVM分类的输入，将对应的A-1个等份的训练预测子集分别作为第一层的RF网络、LSTM网络和SVM分类网络的输出；从而对第一层的RF网络、LSTM网络和SVM分类分别进行训练，得到训练后的RF模型、LSTM网络和SVM分类网络；

将另一个等份的训练子集作为验证集并分别输入训练后的RF模型、LSTM网络和SVM分类网络，从而相应得到一个RF模型验证集的预测结果、一个LSTM网络验证集的预测结果、一个SVM分类网络验证集的预测结果；

步骤3.4、将测试集Z_test分别输入训练后的RF模型、LSTM网络和SVM分类网络，从而相应得到一个RF模型测试集的预测结果、一个LSTM网络测试集的预测结果、一个SVM分类网络测试集的预测结果；

步骤3.5、按照步骤3.3-步骤3.4的过程，采用交叉验证的方法分别得到A个RF模型验证集的预测结果、A个LSTM网络验证集的预测结果、A个SVM分类网络验证集的预测结果以及A个RF模型测试集的预测结果、A个LSTM网络测试集的预测结果、A个SVM分类网络测试集的预测结果；

步骤3.6、将A个RF模型验证集的预测结果合并，得到新的RF模型训练集；

将A个LSTM网络验证集的预测结果合并，得到新的LSTM网络训练集；

将A个SVM分类网络验证集的预测结果合并，得到新的SVM分类网络训练集；

将新的RF模型训练集、新的LSTM网络训练集、新的LSTM网络训练集合并为新的训练集Z′_tran；

将A个RF模型测试集的预测结果并取平均后得到新的RF模型测试集；

将A个LSTM网络测试集的预测结果并取平均后得到新的LSTM网络测试集；

将A个SVM分类网络测试集的预测结果并取平均后得到新的SVM分类网络测试集；

将新的RF模型测试集、新的LSTM网络测试集、新的LSTM网络测试集合并为新的测试集集Z′_test；

步骤3.7：将新的训练集Z′_tran以及新的测试集集Z′_test作为第二层的GBDT模型的输入，将训练预测集O_tran、测试预测集O_test作为GBDT模型的输出，从而对GBDT模型进行训练，得出最优GBDT模型；

由训练后的RF模型、LSTM网络和SVM分类网络和最优GBDT模型构成训练好的Stacking集成学习模型；

步骤4：将当前第n个时刻数据X′_n1,X′_n2,…,X′_nL与第n个时刻的闸体形变数据Y_n输入所述训练好的Stacking集成学习模型，并输出预测的第n+1个时刻的水闸形变数据Y_n+1；

步骤5：结合闸体形变历史形变数据Y₁,Y₂,…,Y_i,…,Y_n以及预测数据Y_n+1，计算闸体形变加速率α，当α＝0时，表示闸体处于匀速变形阶段，当前水闸基本正常；当α＜1时，表示闸体处于加速变形一阶段，当前水闸存在安全隐患；当α≈1时，表示闸体处于加速变形二阶段，当前水闸处于异常状态；当α＞1时，表示闸体处于加速变形三阶段，当前水闸处于险情。

本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述水闸安全状态评估方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于，所述计算机程序被处理器运行时执行所述水闸安全状态评估方法的步骤。

与现有技术相比，本发明的有益效果在于：

1、本发明根据水闸形变与各个影响因素之间的互信息量，选取相关性较大的几个主要影响因素进行融合，然后去预测未来的数据情况，解决了以往检测设备只能实时监测，不能预测数据的局限，不仅可以实时监测，精度高，而且时效性强。

2、本发明引入Stacking集成模型，通过选择相异模型作为基学习器，引入了多样性，同时，采用元学习器作为集成方法，可以更好地学习多个基学习器的预测结果与水闸形变之间的关系。

3、本发明使用范围广：不需要增加额外的辅助信息，该方法可广泛水闸、水坝的形变监测，具有广阔的应用前景。

附图说明

图1为本发明提出的Stacking集成学习模型架构图；

图2为本发明提出的Stacking集成学习模型第一层网络架构图；

图3为本发明提出的水闸安全监测预警模型流程。

具体实施方式

本实施例中，一种基于互信息多源数据融合的水闸安全状态评估方法，包括以下步骤：

步骤1：获取水闸监测区域的P种水闸形变因素的时间序列，其中，第j种水闸形变因素的时间序列，记为x_j＝[x_1j,x_2j,…,x_ij,…,x_nj]^T；x_ij表示第j种水闸形变因素的第i个时刻数据，i＝1，2，…，n，j＝1，2，…，P，n表示时序长度；

对x_ij进行标准化处理，得到标准化后的第j种水闸形变因素的第i个时刻数据X_ij，从而得到标准化后的第j种水闸形变因素的时间序列X_j＝[X_1j,X_2j,…,X_ij,…,X_nj]^T；进而得到标准化后的P种水闸形变因素集合X；

获取第k个时刻的闸体形变数据Y_k，从而得到闸体形变序列Y＝[Y₁,Y₂,…,Y_k,…,Y_n]^T，k＝1，2，…，n；

步骤2：根据互信息量、最大相关性原则与最小冗余度原则筛选影响因素：

步骤2.1：利用式(1)计算第j种水闸形变因素的时间序列X_j与闸体形变序列Y的互信息量I(X_j,Y)：

式(1)中，p为概率密度函数；Y_k为第k个时刻的闸体形变数据；k＝1,2,…,n；

步骤2.2：按照式(1)依次计算P种水闸形变因素与闸体形变序列Y的互信息量，选出互信息量最大的影响因素的时间序列记为X′₁；

定义影响因素集合为S，并初始化S＝X′₁；

步骤2.3：将X-X′₁赋值给X后，按照式(2)所示的判断条件Θ，从X中选出与闸体形变序列Y相关性最大且与S冗余性最小的影响因素X′₂；

式(2)中，num(X)为水闸形变因素集合X内影响因素的个数，X_h表示S中第h种水闸形变因素的时间序列，I(X_u,X_h)为X中第u种水闸形变因素的时间间序列X_u与S中第h种水闸形变因素的时间序列X_h的互信息量；

步骤2.4：将X-X′₂赋值给X，将X′₁+X′₂赋值给S后，按照式(2)不断更新，并筛选出与水闸形变影响较大的L组影响因素的时间序列，记为X′₁,X′₂,…,X′_l,…,X′_L，其中，X′_l表示筛选后的第l种水闸形变因素的时间序列，且X′_l＝[X′_1l,X′_2l,…,X′_kl,…,X′_nl]^T，X′_kl表示经过筛选后的第j种水闸形变因素的第k个时刻数据；具体到本次实验，参见表1，本实施例中，选取时效、水压和裂缝这三个影响因素。

表1

步骤3：构建Stacking集成学习模型，如图1所示，包括：第一层的RF网络、LSTM网络和SVM分类网络以及第二层的GBDT模型；

步骤3.1：由L组影响因素在第k个时刻数据X′_k1,X′_k2,…,X′_kL与第k个时刻的闸体形变数据Y_k构成第k组关系数据，从而利用式(3)得到维度为(n-1)×(L+1)的关系矩阵Z，并拆分为维度为M×(L+1)的训练集Z_tran、维度为N×(L+1)的测试集Z_test，其中，M+N＝n-1；

利用式(4)选取关系矩阵Z中下一时刻的闸体形变数据作为预测集O，并对应划分为维度为M×1的训练预测集O_tran、维度为N×1的测试预测集O_test；

O＝[Y₂,…,Y_k,…,Y_n]^T (4)

步骤3.2：将训练集Z_tran以及训练预测集O_tran分别划分为A个等份，得到A等份的训练子集以及A等份的训练预测子集；如图2所示，取A＝5；

步骤3.3、将A-1个等份的训练子集分别作为第一层的RF网络、LSTM网络和SVM分类的输入，将对应的A-1个等份的训练预测子集分别作为第一层的RF网络、LSTM网络和SVM分类网络的输出；从而对第一层的RF网络、LSTM网络和SVM分类分别进行训练，得到训练后的RF模型、LSTM网络和SVM分类网络；

将另一个等份的训练子集作为验证集并分别输入训练后的RF模型、LSTM网络和SVM分类网络，从而相应得到一个RF模型验证集的预测结果、一个LSTM网络验证集的预测结果、一个SVM分类网络验证集的预测结果；

步骤3.4、将测试集Z_test分别输入训练后的RF模型、LSTM网络和SVM分类网络，从而相应得到一个RF模型测试集的预测结果、一个LSTM网络测试集的预测结果、一个SVM分类网络测试集的预测结果；

步骤3.5、按照步骤3.3-步骤3.4的过程，采用交叉验证的方法分别得到A个RF模型验证集的预测结果、A个LSTM网络验证集的预测结果、A个SVM分类网络验证集的预测结果以及A个RF模型测试集的预测结果、A个LSTM网络测试集的预测结果、A个SVM分类网络测试集的预测结果；

步骤3.6、将A个RF模型验证集的预测结果合并，得到新的RF模型训练集；

将A个LSTM网络验证集的预测结果合并，得到新的LSTM网络训练集；

将A个SVM分类网络验证集的预测结果合并，得到新的SVM分类网络训练集；

将新的RF模型训练集、新的LSTM网络训练集、新的LSTM网络训练集合并为新的训练集Z′_tran；

将A个RF模型测试集的预测结果并取平均后得到新的RF模型测试集；

将A个LSTM网络测试集的预测结果并取平均后得到新的LSTM网络测试集；

将A个SVM分类网络测试集的预测结果并取平均后得到新的SVM分类网络测试集；

将新的RF模型测试集、新的LSTM网络测试集、新的LSTM网络测试集合并为新的测试集集Z′_test；

步骤3.7：将新的训练集Z′_tran以及新的测试集集Z′_test作为第二层的GBDT模型的输入，将训练预测集O_tran、测试预测集O_test作为GBDT模型的输出，从而对GBDT模型进行训练，得出最优GBDT模型；

由训练后的RF模型、LSTM网络和SVM分类网络和最优GBDT模型构成训练好的Stacking集成学习模型；

步骤4：将当前第n个时刻数据X′_n1,X′_n2,…,X′_nL与第n个时刻的闸体形变数据Y_n输入训练好的Stacking集成学习模型，并输出预测的第n+1个时刻的水闸形变数据Y_n+1；

同时，基于相同样本集选取不同的影响因素，融合之后带入Stacking模型预测，通过表2实验结果对比分析能够看水压+时效+裂缝的融合数据具有更好的预测效果，由此可见本专利提出的融合方法相比于普通的数据融合具有优越性。

表2

步骤5：图3为水闸安全监测预警模型流程图，结合闸体形变历史形变数据Y₁,Y₂,…,Y_i,…,Y_n以及预测数据Y_n+1，计算闸体形变加速率α，当α＝0时，表示闸体处于匀速变形阶段，当前水闸基本正常；当α＜1时，表示闸体处于加速变形一阶段，当前水闸存在安全隐患；当α≈1时，表示闸体处于加速变形二阶段，当前水闸处于异常状态；当α＞1时，表示闸体处于加速变形三阶段，当前水闸处于险情。

本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述水闸安全状态评估方法的程序，该处理器被配置为用于执行该存储器中存储的程序。

本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述水闸安全状态评估方法的步骤。

Claims (3)

1.一种基于互信息多源数据融合的水闸安全状态评估方法，其特征是按如下步骤进行：

步骤1：获取水闸监测区域的P种水闸形变因素的时间序列集合x，其中，第j种水闸形变因素的时间序列，记为x_j＝[x_1j,x_2j,…,x_ij,…,x_nj]^T；x_ij表示第j种水闸形变因素的第i个时刻数据，i＝1,2,…,n，j＝1，2，…，P，n表示时序长度；

对x_ij进行标准化处理，得到标准化后的第j种水闸形变因素的第i个时刻数据X_ij，从而得到标准化后的第j种水闸形变因素的时间序列X_j＝[X_1j,X_2j,…,X_ij,…,X_nj]^T；进而得到标准化后的P种水闸形变因素集合X；

获取第i个时刻的闸体形变数据Y_i，从而得到闸体形变序列Y＝[Y₁,Y₂,…,Y_i,…,Y_n]^T；

步骤2：根据互信息量、最大相关性原则与最小冗余度原则筛选影响因素：

步骤2.1：利用式(1)计算第j种水闸形变因素的时间序列X_j与闸体形变序列Y的互信息量I(X_j,Y)：

式(1)中，p为概率密度函数；Y_k为第k个时刻的闸体形变数据；k＝1,2,…,n；

步骤2.2：按照式(1)依次计算P种水闸形变因素与闸体形变序列Y的互信息量，选出互信息量最大的影响因素的时间序列记为X′₁；

定义影响因素集合为S，并初始化S＝X′₁；

步骤2.3：将X-X′₁赋值给X后，按照式(2)所示的判断条件Θ，从X中选出与闸体形变序列Y相关性最大且与S冗余性最小的影响因素X′₂；

式(2)中，num(X)为水闸形变因素集合X内影响因素的个数，X_h表示S中第h种水闸形变因素的时间序列，I(X_u,X_h)为X中第u种水闸形变因素的时间间序列X_u与S中第h种水闸形变因素的时间序列X_h的互信息量；

步骤2.4：将X-X′₂赋值给X，将X′₁+X′₂赋值给S后，按照式(2)不断更新，并筛选出与水闸形变影响较大的L组影响因素的时间序列，记为X′₁,X′₂,…,X′_l,…,X′_L，其中，X′_l表示筛选后的第l种水闸形变因素的时间序列，且X′_l＝[X′_1l,X′_2l,…,X′_kl,…,X′_nl]^T，X′_kl表示经过筛选后的第j种水闸形变因素的第k个时刻数据；

步骤3：构建Stacking集成学习模型，包括：第一层的RF网络、LSTM网络和SVM分类网络以及第二层的GBDT模型；

步骤3.1：由L组影响因素在第k个时刻数据X′_k1,X′_k2,…,X′_kL与第k个时刻的闸体形变数据Y_k构成第k组关系数据，从而利用式(3)得到维度为(n-1)×(L+1)的关系矩阵Z，并拆分为维度为M×(L+1)的训练集Z_tran、维度为N×(L+1)的测试集Z_test，其中，M+N＝n-1；

利用式(4)选取所述关系矩阵Z中下一时刻的闸体形变数据作为预测集O，并对应划分为维度为M×1的训练预测集O_tran、维度为N×1的测试预测集O_test；

O＝[Y₂,…,Y_k,…,Y_n]^T (4)

步骤3.2：将训练集Z_tran以及训练预测集O_tran分别划分为A个等份，得到A等份的训练子集以及A等份的训练预测子集；

步骤3.3、将A-1个等份的训练子集分别作为第一层的RF网络、LSTM网络和SVM分类的输入，将对应的A-1个等份的训练预测子集分别作为第一层的RF网络、LSTM网络和SVM分类网络的输出；从而对第一层的RF网络、LSTM网络和SVM分类分别进行训练，得到训练后的RF模型、LSTM网络和SVM分类网络；

将另一个等份的训练子集作为验证集并分别输入训练后的RF模型、LSTM网络和SVM分类网络，从而相应得到一个RF模型验证集的预测结果、一个LSTM网络验证集的预测结果、一个SVM分类网络验证集的预测结果；

步骤3.4、将测试集Z_test分别输入训练后的RF模型、LSTM网络和SVM分类网络，从而相应得到一个RF模型测试集的预测结果、一个LSTM网络测试集的预测结果、一个SVM分类网络测试集的预测结果；

步骤3.5、按照步骤3.3-步骤3.4的过程，采用交叉验证的方法分别得到A个RF模型验证集的预测结果、A个LSTM网络验证集的预测结果、A个SVM分类网络验证集的预测结果以及A个RF模型测试集的预测结果、A个LSTM网络测试集的预测结果、A个SVM分类网络测试集的预测结果；

步骤3.6、将A个RF模型验证集的预测结果合并，得到新的RF模型训练集；

将A个LSTM网络验证集的预测结果合并，得到新的LSTM网络训练集；

将A个SVM分类网络验证集的预测结果合并，得到新的SVM分类网络训练集；

将新的RF模型训练集、新的LSTM网络训练集、新的LSTM网络训练集合并为新的训练集Z′_tran；

将A个RF模型测试集的预测结果并取平均后得到新的RF模型测试集；

将A个LSTM网络测试集的预测结果并取平均后得到新的LSTM网络测试集；

将A个SVM分类网络测试集的预测结果并取平均后得到新的SVM分类网络测试集；

将新的RF模型测试集、新的LSTM网络测试集、新的LSTM网络测试集合并为新的测试集集Z′_test；

步骤3.7：将新的训练集Z′_tran以及新的测试集集Z′_test作为第二层的GBDT模型的输入，将训练预测集O_tran、测试预测集O_test作为GBDT模型的输出，从而对GBDT模型进行训练，得出最优GBDT模型；

由训练后的RF模型、LSTM网络和SVM分类网络和最优GBDT模型构成训练好的Stacking集成学习模型；

步骤4：将当前第n个时刻数据X′_n1,X′_n2,…,X′_nL与第n个时刻的闸体形变数据Y_n输入所述训练好的Stacking集成学习模型，并输出预测的第n+1个时刻的水闸形变数据Y_n+1；

步骤5：结合闸体形变历史形变数据Y₁,Y₂,…,Y_i,…,Y_n以及预测数据Y_n+1，计算闸体形变加速率α，当α＝0时，表示闸体处于匀速变形阶段，当前水闸基本正常；当α＜1时，表示闸体处于加速变形一阶段，当前水闸存在安全隐患；当α≈1时，表示闸体处于加速变形二阶段，当前水闸处于异常状态；当α＞1时，表示闸体处于加速变形三阶段，当前水闸处于险情。

2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述水闸安全状态评估方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述水闸安全状态评估方法的步骤。

Images