CN116739184B - 一种滑坡预测方法及系统 - Google Patents
一种滑坡预测方法及系统 Download PDFInfo
- Publication number
- CN116739184B CN116739184B CN202310989395.1A CN202310989395A CN116739184B CN 116739184 B CN116739184 B CN 116739184B CN 202310989395 A CN202310989395 A CN 202310989395A CN 116739184 B CN116739184 B CN 116739184B
- Authority
- CN
- China
- Prior art keywords
- description
- coefficient
- relative displacement
- displacement
- displacement information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000006073 displacement reaction Methods 0.000 claims abstract description 360
- 239000013598 vector Substances 0.000 claims abstract description 102
- 238000013507 mapping Methods 0.000 claims abstract description 85
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000000368 destabilizing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 38
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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
- 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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供的一种滑坡预测方法及系统,根据坡段失稳系数将AI空间向量映射回该对象相对位移信息,得到对应的映射描述重点。由于映射描述重点和范例动态位移描述要素都携带有标记目标对象部位的描述重点要素,需要携带有一致描述重点要素的映射描述重点和范例动态位移描述要素间的差异应该越小越好,故根据该差异的大小可体现出用于重建AI空间向量的位移速率系数和位移方向系数、以及用于映射的坡段失稳系数的准确性,通过该差异搭建出的重映射代价指标算法指导原始滑坡预测线程的配置,得到的滑坡预测线程能够输出准确的位移速率系数、位移方向系数和坡段失稳系数,这样一来,能够提高滑坡预测的准确性和可靠性,尽可能的保障居民的安全。
Description
技术领域
本申请涉及滑坡预测技术领域,具体而言,涉及一种滑坡预测方法及系统。
背景技术
滑坡预报是指在滑坡预测基础上,对可能产生滑坡的地段和时间作出超前警示。滑坡预报方法有三类:①根据前兆的宏观预报;②根据变形曲线的变形预报;③根据各类信息的综合预报。预报的最佳效果是定时、定位和定量。
现目前,当滑坡隐患点的位置比较复杂时,相关技术人员无法到达这个隐患点进行勘察时,这样就不能通过传统技术对该隐患点进行判断,这样难以保障居民的生命安全和财产安全,因此,亟需一种滑坡预测的技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种滑坡预测方法及系统。
第一方面,提供一种滑坡预测方法,所述方法包括:获得包括目标对象的对象相对位移信息,以及用于在所述对象相对位移信息中标记所述目标对象的范例动态位移描述要素;通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数;结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量,并基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点;基于携带有一致描述重点要素的所述映射描述重点和所述范例动态位移描述要素间的差异,搭建重映射代价指标算法,所述描述重点要素用于标记目标对象的局部信息定位;通过所述重映射代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程。
在一种独立实施的实施例中,所述方法还包括:获得包括待处理对象的待处理对象相对位移信息;结合所述待处理对象相对位移信息,确定用于在所述待处理对象相对位移信息中标记所述待处理对象的动态位移描述要素;通过将所述动态位移描述要素输入所述滑坡预测线程,得到所述待处理对象对应的位移速率系数、位移方向系数和坡段失稳系数;结合所述待处理对象对应的位移速率系数和位移方向系数重建所述待处理对象对应的AI空间向量;基于调试系数在所述AI空间向量对应的定位加载调试主题;结合所述待处理对象对应的坡段失稳系数,在所述待处理对象相对位移信息中映射加载了所述调试主题的所述AI空间向量。
在一种独立实施的实施例中,所述获得包括目标对象的对象相对位移信息,以及用于标记所述目标对象在所述对象相对位移信息中的范例动态位移描述要素,包括:获得对象滑坡特征描述集合和滑坡特征描述方式的第一对象相对位移信息,所述对象滑坡特征描述集合包括滑坡特征描述内容形式的多个第二对象相对位移信息;结合所述第一对象相对位移信息中的所述目标对象,确定对应的第一范例动态位移描述要素,以及结合所述多个第二对象相对位移信息中的所述目标对象,确定分别对应的第二范例动态位移描述要素。
在一种独立实施的实施例中,所述通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数,包括:通过所述原始滑坡预测线程,得到分别对应不少于两个第二对象相对位移信息的位移速率系数、位移方向系数和坡段失稳系数,所述不少于两个第二对象相对位移信息为从同一个所述对象滑坡特征描述集合中抽取的连续滑坡特征描述内容;在所述结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量之前,所述方法还包括:结合所述不少于两个第二对象相对位移信息分别对应的位移速率系数生成目标位移速率系数,所述目标位移速率系数用于确定为重建所述不少于两个第二对象相对位移信息分别对应的AI空间向量时所依据的位移速率系数。
在一种独立实施的实施例中,所述结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量,包括:根据不少于两个第二对象相对位移信息分别对应的位移速率系数和位移方向系数,重建所述不少于两个第二对象相对位移信息中目标对象分别对应的AI空间向量,所述不少于两个第二对象相对位移信息为从同一个所述对象滑坡特征描述集合中抽取的连续滑坡特征描述内容;基于所述不少于两个第二对象相对位移信息中目标对象分别对应的AI空间向量间的定位区别,搭建等级代价指标算法;所述通过所述重映射代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程,包括:通过所述重映射代价指标算法和所述等级代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程。
在一种独立实施的实施例中,在所述基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点之后,所述方法还包括:获得包括映射描述重点的不少于两个第二对象相对位移信息,所述不少于两个第二对象相对位移信息为从同一个所述对象滑坡特征描述集合中抽取的连续滑坡特征描述内容;确定所述不少于两个第二对象相对位移信息中确定为周围滑坡特征描述内容的周围特征的比较结果,所述比较结果用于标记所述周围特征中携带有一致描述重点要素的映射描述重点的特征值之差;结合所述比较结果搭建显著性代价指标算法;所述通过所述重映射代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程,包括:通过所述重映射代价指标算法和所述显著性代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程。
在一种独立实施的实施例中,所述不少于两个第二对象相对位移信息中的映射描述重点中包括与所述范例动态位移描述要素携带有一致描述重点要素的映射描述重点,以及与所述范例动态位移描述要素携带有不同描述重点要素的映射描述重点。
在一种独立实施的实施例中,所述对象滑坡特征描述集合中所述目标对象做出了不少于两个状态。
在一种独立实施的实施例中,所述基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点,包括:确定范例动态位移描述要素中的约束条件描述重点,所述约束条件描述重点处于所述对象相对位移信息中所述目标对象的可见对象约束条件;从所述AI空间向量中确定与所述约束条件描述重点携带有一致描述重点要素的约束条件定位重点;基于所述坡段失稳系数向所述对象相对位移信息映射所述约束条件定位重点,得到对应的映射描述重点。
在一种独立实施的实施例中,在所述通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数之前,所述方法还包括:将所述对象相对位移信息和所述范例动态位移描述要素统计到统一数据量的特征空间中。
在一种独立实施的实施例中,所述方法还包括:通过特征提取线程确定所述对象相对位移信息对应的特征描述集合;所述基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点,包括:基于所述坡段失稳系数向所述对象相对位移信息的所述特征描述集合映射所述AI空间向量,得到对应的映射描述重点。
第二方面,提供一种滑坡预测系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
本申请实施例所提供的一种滑坡预测方法及系统,获得包括目标对象的对象相对位移信息,该对象相对位移信息中的目标对象已被标注了范例动态位移描述要素,基于范例动态位移描述要素确定为原始滑坡预测线程的输入,得到对应的位移速率系数、位移方向系数和坡段失稳系数,在基于位移速率系数、位移方向系数重建了目标对象的AI空间向量后,根据坡段失稳系数将AI空间向量映射回该对象相对位移信息,得到对应的映射描述重点。由于映射描述重点和范例动态位移描述要素都携带有标记目标对象部位的描述重点要素,需要携带有一致描述重点要素的映射描述重点和范例动态位移描述要素间的差异应该越小越好,故根据该差异的大小可体现出用于重建AI空间向量的位移速率系数和位移方向系数、以及用于映射的坡段失稳系数的准确性,通过该差异搭建出的重映射代价指标算法指导原始滑坡预测线程的配置,得到的滑坡预测线程能够输出准确的位移速率系数、位移方向系数和坡段失稳系数,这样一来,能够提高滑坡预测的准确性和可靠性,尽可能的保障居民的安全。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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为本申请实施例所提供的一种滑坡预测方法的流程图。
图2为本申请实施例所提供的一种滑坡预测装置的框图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种滑坡预测方法,该方法可以包括以下步骤S201-S205所描述的技术方案。
S201:获得包括目标对象的对象相对位移信息,以及用于在对象相对位移信息中标记目标对象的范例动态位移描述要素。
其中,相关对象相对位移信息可以理解为实现设定一个点位是指定的位置,根据指定的位置与对象的位置关系,确定出对象相对位移信息。
其中,范例动态位移描述要素为该对象相对位移信息中的目标对象上携带有描述重点要素的点,该描述重点要素用于标记目标对象的局部信息定位。
基于此,在本申请实施例中,可以获得包括目标对象的对象相对位移信息,该对象相对位移信息可以为任意一张对象相对位移信息,该目标对象为该对象相对位移信息中显示的对象。处理设备可以获得该对象相对位移信息对应的范例动态位移描述要素确定为后续线程配置中的线程输入,从而能够基于该范例动态位移描述要素确定出合理、准确的三维对象系数。
S202:通过将范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数。
在进行线程配置时,处理设备可以先确定原始滑坡预测线程,该原始滑坡预测线程可以基于输入数据生成三维对象重建的相关系数。处理设备可以将该范例动态位移描述要素输入到原始滑坡预测线程中,得到对应的位移速率系数、位移方向系数和坡段失稳系数,该位移速率系数用于标记目标对象与一组基础对象形状间的相关性,该位移方向系数用于标记目标对象与一组基础对象状态间的相关性,坡段失稳系数用于标记目标对象在所述对象相对位移信息中的位姿。
S203:根据位移速率系数和位移方向系数重建对象相对位移信息中目标对象对应的AI空间向量,并基于坡段失稳系数向对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点。
通过上述方式,处理设备可以根据位移速率系数和位移方向系数对一组基础对象形状和一组基础对象状态进行拼接,确定出该目标对象对应的AI空间向量,该AI空间向量为该目标对象在三维空间中对应的网格线程,如图1中所示的AI空间向量。由于该坡段失稳系数可以标记出目标对象在对象相对位移信息中的位姿,因此,在重建出的AI空间向量与目标对象匹配度较高、且坡段失稳系数较为准确的前提下,当处理设备基于该坡段失稳系数,模拟拍摄该对象相对位移信息的镜头对该AI空间向量向同一张对象相对位移信息上进行映射时,应该得到与该对象相对位移信息中的目标对象定位一致或相近的映射结果,即该对象相对位移信息中目标对象上的某一特定定位在该AI空间向量上所对应定位的映射点应该与该特定定位一致。而无论是由于位移速率系数和\或位移方向系数不准确导致生成的AI空间向量与目标对象匹配度不高,或是坡段失稳系数不准确导致对AI空间向量的映射不贴合该对象相对位移信息中的目标对象,都会导致AI空间向量与目标对象的同一定位在映射到对象相对位移信息上后无法匹配。
由此可见,该AI空间向量在对象相对位移信息上的重映射结果能够反应出该原始滑坡预测线程生成系数的准确度。基于此,处理设备可以基于该坡段失稳系数向对象相对位移信息映射该AI空间向量,得到该AI空间向量上的定位重点在对象相对位移信息上对应的映射描述重点,并可以基于该映射描述重点来分析该原始滑坡预测线程是否生成了准确的位移速率系数、位移方向系数和坡段失稳系数。
S204:基于携带有一致描述重点要素的映射描述重点和范例动态位移描述要素间的差异,搭建重映射代价指标算法。
其中,该映射描述重点中包括与范例动态位移描述要素携带有一致描述重点要素的点,描述重点要素一致是指映射描述重点所对应的定位重点在该AI空间向量上的定位与范例动态位移描述要素在目标对象上的定位一致。
上已述及,三个系数的准确度都会影响到AI空间向量的重映射匹配度,而携带有一致描述重点要素的映射描述重点与范例动态位移描述要素之间的差异能够体现出该重映射匹配度。因此,处理设备可以基于携带有一致描述重点要素的映射描述重点和范例动态位移描述要素之间的差异,搭建重映射代价指标算法,该重映射代价指标算法用于对该原始滑坡预测线程进行调参。
S205:通过重映射代价指标算法配置原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程。
在通过该重映射代价指标算法配置该原始滑坡预测线程的过程中,可以通过对原始滑坡预测线程中的线程系数的不断调节,使携带有一致描述重点要素的映射描述重点和范例动态位移描述要素之间的差异缩小到一定程度,即得到较为准确的重映射结果。上已述及,重映射结果是由位移速率系数、位移方向系数和坡段失稳系数三者共同决定的,因此,该配置方式可以使该原始滑坡预测线程学习到如何确定出这三个系数。从而,通过上述配置方式得到的滑坡预测线程可以在输入维度较少的动态位移描述要素时,得到准确的用于三维对象重建的相关系数。
由上述技术方案可以看出,由于映射描述重点和范例动态位移描述要素都携带有标记目标对象部位的描述重点要素,需要携带有一致描述重点要素的映射描述重点和范例动态位移描述要素间的差异应该越小越好;故根据该差异的大小可体现出用于重建AI空间向量的位移速率系数和位移方向系数、以及用于映射的坡段失稳系数的准确性,通过该差异搭建出的重映射代价指标算法指导原始滑坡预测线程的配置,得到的滑坡预测线程能够输出准确的位移速率系数、位移方向系数和坡段失稳系数,能够准确的进行滑坡预测。
在实际线程使用过程中,处理设备可以先获得包括待处理对象的待处理对象相对位移信息,该待处理对象为需要进行三维对象重建的对象。处理设备可以先根据该待处理对象相对位移信息,确定用于在待处理对象相对位移信息中标记待处理对象的动态位移描述要素。需要说明的是,为了保障滑坡预测线程生成系数的准确性,处理设备可以设定该动态位移描述要素与范例动态位移描述要素为携带有一致描述重点要素的描述重点,从而使该滑坡预测线程能基于与线程配置时所用数据维度一致的数据来进行系数确定。
通过将该动态位移描述要素输入该滑坡预测线程,处理设备可以得到该待处理对象对应的位移速率系数、位移方向系数和坡段失稳系数,然后根据该待处理对象对应的位移速率系数和位移方向系数,可以对一组基础对象形状和基础对象状态进行拼接,重建该待处理对象对应的AI空间向量。
为了使该特效能够匹配待处理对象相对位移信息中的待处理对象,处理设备可以根据待处理对象对应的坡段失稳系数,在待处理对象相对位移信息中映射加载了该调试主题的AI空间向量。由于该滑坡预测线程能够得到精确的位移速率系数和位移方向系数,因此基于该滑坡预测线程重建出的AI空间向量与待处理对象有较高的相似度,从而使调试主题能够加载在该待处理对象的准确定位上;由于该滑坡预测线程确定出的坡段失稳系数较为准确,因此在将加载了调试主题的AI空间向量进行映射时,可以使该AI空间向量准确贴合待处理对象在待处理对象相对位移信息中的定位,从而确定滑坡的具体定位。
在三维对象重建技术的应用场景中,有很多应用场景需要对滑坡特征描述集合中的对象进行三维对象重建。在这些应用场景下,通常同一滑坡特征描述集合中的对象都为同一用户的对象,且由于滑坡特征描述集合中的滑坡特征描述内容携带有连续性,因此同一滑坡特征描述集合的滑坡特征描述内容中的对象携带有一定的稳定性,不会产生突变。
接下来,将详细介绍利用滑坡特征描述集合的稳定特性对滑坡预测线程进行配置的多种方式。
基于此,这个在一种可能的实现方式中,当采用同一人的对象滑坡特征描述集合进行线程配置时,处理设备可以对确定出的多个位移速率系数进行一致化处理,使线程能够学习到针对同一对象的系数确定特点。处理设备可以通过该原始滑坡预测线程,得到分别对应不少于两个第二对象相对位移信息的位移速率系数、位移方向系数和坡段失稳系数,该不少于两个第二对象相对位移信息为从同一个对象滑坡特征描述集合中抽取的连续滑坡特征描述内容,因此不少于两个对象相对位移信息中的目标对象有着一致的状态。
处理设备可以在根据位移速率系数和位移方向系数重建对象相对位移信息中目标对象对应的AI空间向量之前,可以先根据不少于两个第二对象相对位移信息分别对应的位移速率系数生成目标位移速率系数,该目标位移速率系数用于确定为重建不少于两个第二对象相对位移信息分别对应的AI空间向量时所依据的位移速率系数。从而,处理设备在重建AI空间向量时,针对同一滑坡特征描述集合中的连续滑坡特征描述内容,可以采用统一的位移速率系数来重建AI空间向量。在基于AI空间向量的映射结果进行线程配置时,可以使滑坡预测线程重点针对目标对象的位移方向系数和坡段失稳系数进行学习,贴合实际场景中同一滑坡特征描述集合的目标对象携带有一致的对象形状的特点,从而能够增强对于这两个系数的确定准确度,使通过配置得到的滑坡预测线程确定出的位移方向系数和坡段失稳系数更加的精确可靠,进而提高三维对象重建精度。
在该实施例中,处理设备可以根据不少于两个第二对象相对位移信息分别对应的位移速率系数和位移方向系数,重建不少于两个第二对象相对位移信息中目标对象分别对应的AI空间向量,该不少于两个第二对象相对位移信息为从同一个对象滑坡特征描述集合中抽取的连续滑坡特征描述内容,因此,这些对象相对位移信息中的目标对象携带有一致性,进而在正常情况下,基于这些对象相对位移信息对应的范例动态位移描述要素确定出的AI空间向量也应当携带有一致性。基于此,处理设备可以基于该不少于两个第二对象相对位移信息中目标对象分别对应的AI空间向量间的定位区别,搭建等级代价指标算法,该等级代价指标算法能够从对象一致性的维度对原始滑坡预测线程进行配置。
处理设备在配置线程时,可以通过重映射代价指标算法和等级代价指标算法配置该原始滑坡预测线程,基于重映射代价指标算法,可以使原始滑坡预测线程学习到如何针对单一特征进行精确的对象重建;基于该等级代价指标算法,能够使原始滑坡预测线程学习到如何针对携带有一致性的对象确定出相似的AI空间向量,从而能够学习到如何确定出更加准确的位移速率系数和位移方向系数。
处理设备可以获得包括映射描述重点的不少于两个第二对象相对位移信息,该不少于两个第二对象相对位移信息为从同一个对象滑坡特征描述集合中抽取的连续帧滑坡特征描述集合。处理设备可以确定不少于两个第二对象相对位移信息中确定为周围滑坡特征描述内容的周围特征的比较结果,该比较结果用于标记周围特征中携带有一致描述重点要素的映射描述重点的特征值之差,即对应目标对象上一致对象定位的映射描述重点之间的特征值之差。特征值之差越小,则说明周围特征中携带有一致描述重点要素的映射描述重点之间差异越接近,进而说明基于周围滑坡特征描述内容的范例动态位移描述要素所确定出的位移速率系数、位移方向系数和坡段失稳系数越接近。处理设备可以根据该比较结果搭建显著性代价指标算法,该显著性代价指标算法用于在比较结果维度上对原始滑坡预测线程进行配置。
处理设备可以通过该重映射代价指标算法和显著性代价指标算法配置该原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程。通过该显著性代价指标算法,处理设备可以基于比较结果对该原始滑坡预测线程进行调参,使该原始滑坡预测线程针对周围特征确定出的相关系数之间不会有较大差异,从而使该滑坡预测线程能够针对连续帧特征确定出更加稳定、准确的相关系数。
基于此,为了能够基于滑坡预测线程重建出的三维对象能够更加贴合特征中的实际对象,在一种可能的实现方式中,在基于显著性代价指标算法配置原始滑坡预测线程时,处理设备可以进一步结合这些不在范例动态位移描述要素中的特征点来进行线程配置。
因此,处理设备可以设定该不少于两个第二对象相对位移信息中的映射描述重点中包括与范例动态位移描述要素携带有一致描述重点要素的映射描述重点,以及与该范例动态位移描述要素携带有不同描述重点要素的映射描述重点。其中,与范例动态位移描述要素的描述重点要素不同可以包括两种情况,一种为携带有描述重点要素的映射描述重点,只是与该范例动态位移描述要素对应的描述重点要素不同。
基于此,在一种可能的实现方式中,为了能够确定出更加精确的描述重点差异,例如上述映射描述重点与范例动态位移描述要素之间的差异,在通过将范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数之前,处理设备可以将对象相对位移信息和范例动态位移描述要素统计到统一数据量的特征空间中,从而,在基于向该对象相对位移信息映射得到映射描述重点后,可以使映射描述重点和范例动态位移描述要素处于同一数据量维度中,从而有利于确定出更加精确的描述重点差异,进而得到更加准确的重映射代价指标算法对该原始滑坡预测线程进行配置。
基于此,在一种可能的实现方式中,处理设备可以通过特征提取线程确定对象相对位移信息对应的特征描述集合,特征提取线程用于对对象相对位移信息进行去噪处理,使该对象相对位移信息中数据节点的特征值能够更加突出目标对象在特征中的特点。
在确定原始滑坡预测线程基于范例动态位移描述要素确定出的AI空间向量系数(包括位移速率系数和位移方向系数)以及坡段失稳系数后,处理设备可以基于公式1重建AI空间向量,然后进一步利用坡段失稳系数将该AI空间向量重映射到对象相对位移信息中,基于映射描述重点与范例动态位移描述要素之间的差异确定重映射代价指标算法;针对同一滑坡特征描述集合中连续滑坡特征描述内容的对象相对位移信息,处理设备可以基于重建出的AI空间向量之间的差异,确定等级代价指标算法,该等级代价指标算法有助于原始滑坡预测线程对滑坡特征描述集合的稳定性进行学习。此外,针对同一滑坡特征描述集合的连续滑坡特征描述内容对象相对位移信息,处理设备可以在确定出位移速率系数后,对位移速率系数进行统一,从而强化原始滑坡预测线程对于位移方向系数的学习。
在相关技术中,在针对约束条件描述重点进行重映射时,通常是直接基于坡段失稳系数,确定AI空间向量中相对于对象相对位移信息的平面来说处于对象约束条件定位的AI空间向量顶点中,与约束条件描述重点在目标对象上的定位最接近的AI空间向量顶点,将该AI空间向量顶点向对象相对位移信息中进行映射得到该约束条件描述重点对应的映射描述重点。但是,由于重建的AI空间向量不够准确或确定出的定位系数不够准确等原因,该映射描述重点可能并不是与该约束条件描述重点携带有一致描述重点要素的描述重点,这就会导致在基于重映射代价指标算法进行线程配置时,会使原始滑坡预测线程学习到错误的线程系数。
基于此,在一种可能的实现方式中,为了进一步提高线程配置的准确度,处理设备可以基于描述重点要素确定约束条件描述重点对应的映射描述重点。处理设备可以确定范例动态位移描述要素中的约束条件描述重点,然后从AI空间向量中确定与该约束条件描述重点携带有一致描述重点要素的约束条件定位重点。上已述及,当线程确定出的系数准确时,携带有一致描述重点要素的映射描述重点和范例动态位移描述要素在对象相对位移信息中对应的定位应当保持一致。从而,处理设备可以基于该坡段失稳系数向对象相对位移信息映射该约束条件定位重点,得到对应的映射描述重点,从而可以基于该映射描述重点和约束条件描述重点之间的差异搭建较为准确的重映射代价指标算法。
处理设备可以基于描述重点要素信息,从AI空间向量中确定出约束条件定位重点,向对象相对位移信息中进行映射确定出该约束条件描述重点对应的映射描述重点。
本申请实施例提供的一种实际应用场景中滑坡预测方法,该方法包括。
S701:获得对象滑坡特征描述集合和滑坡特征描述方式的第一对象相对位移信息。
其中,对象滑坡特征描述集合中包括滑坡特征描述内容形式的多个第二对象相对位移信息。
S702:将对象相对位移信息和范例动态位移描述要素统计到统一数据量的特征空间中。
S703:通过特征提取线程确定对象相对位移信息对应的特征描述集合。
S704:根据第一对象相对位移信息中的目标对象,确定对应的第一范例动态位移描述要素,以及根据多个第二对象相对位移信息中的目标对象,确定分别对应的第二范例动态位移描述要素。
S705:通过将范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数。
S706:根据不少于两个第二对象相对位移信息分别对应的位移速率系数生成目标位移速率系数。
S707:根据位移速率系数和位移方向系数重建对象相对位移信息中目标对象对应的AI空间向量,并基于坡段失稳系数向对象相对位移信息映射AI空间向量,得到对应的映射描述重点。
S708:搭建重映射代价指标算法、等级代价指标算法和显著性代价指标算法。
S709:基于代价指标算法配置得到滑坡预测线程。
在配置得到滑坡预测线程后,对该滑坡预测线程进行应用。处理设备可以向滑坡预测线程输入动态位移描述要素,确定出位移速率系数、位移方向系数和坡段失稳系数,基于位移速率系数和位移方向系数可以重建AI空间向量,进而确定出AI空间向量对应的切向量和法向量,通过切向量和法向量可以对AI空间向量上的各个定位进行分析,从而可以进行在该AI空间向量进行调试等一系列操作;基于坡段失稳系数可以确定出线程队列,该线程队列用于将AI空间向量覆盖在实时实对象上。
在上述基础上,请参阅图2,提供了一种滑坡预测装置200,所述装置包括:
信息获得模块210,用于获得包括目标对象的对象相对位移信息,以及用于在所述对象相对位移信息中标记所述目标对象的范例动态位移描述要素;
系数得到模块220,用于通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数;
重点描述模块230,用于结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量,并基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点;
信息定位模块240,用于基于携带有一致描述重点要素的所述映射描述重点和所述范例动态位移描述要素间的差异,搭建重映射代价指标算法,所述描述重点要素用于标记目标对象的局部信息定位;
线程重建模块250,用于通过所述重映射代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程。
在上述基础上,示出了一种滑坡预测系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,获得包括目标对象的对象相对位移信息,该对象相对位移信息中的目标对象已被标注了范例动态位移描述要素,基于范例动态位移描述要素确定为原始滑坡预测线程的输入,得到对应的位移速率系数、位移方向系数和坡段失稳系数,在基于位移速率系数、位移方向系数重建了目标对象的AI空间向量后,根据坡段失稳系数将AI空间向量映射回该对象相对位移信息,得到对应的映射描述重点。由于映射描述重点和范例动态位移描述要素都携带有标记目标对象部位的描述重点要素,需要携带有一致描述重点要素的映射描述重点和范例动态位移描述要素间的差异应该越小越好,故根据该差异的大小可体现出用于重建AI空间向量的位移速率系数和位移方向系数、以及用于映射的坡段失稳系数的准确性,通过该差异搭建出的重映射代价指标算法指导原始滑坡预测线程的配置,得到的滑坡预测线程能够输出准确的位移速率系数、位移方向系数和坡段失稳系数,这样一来,能够提高滑坡预测的准确性和可靠性,尽可能的保障居民的安全。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种滑坡预测方法,其特征在于,所述方法包括:
获得包括目标对象的对象相对位移信息,以及用于在所述对象相对位移信息中标记所述目标对象的范例动态位移描述要素;
通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数;
结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量,并基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点;
基于携带有一致描述重点要素的所述映射描述重点和所述范例动态位移描述要素间的差异,搭建重映射代价指标算法,所述描述重点要素用于标记目标对象的局部信息定位;
通过所述重映射代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程;
其中,所述获得包括目标对象的对象相对位移信息,以及用于标记所述目标对象在所述对象相对位移信息中的范例动态位移描述要素,包括:
获得对象滑坡特征描述集合和滑坡特征描述方式的第一对象相对位移信息,所述对象滑坡特征描述集合包括滑坡特征描述内容形式的多个第二对象相对位移信息;
结合所述第一对象相对位移信息中的所述目标对象,确定对应的第一范例动态位移描述要素,以及结合所述多个第二对象相对位移信息中的所述目标对象,确定分别对应的第二范例动态位移描述要素;
其中,所述通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数,包括:通过所述原始滑坡预测线程,得到分别对应不少于两个第二对象相对位移信息的位移速率系数、位移方向系数和坡段失稳系数,所述不少于两个第二对象相对位移信息为从同一个所述对象滑坡特征描述集合中抽取的连续滑坡特征描述内容;在所述结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量之前,所述方法还包括:结合所述不少于两个第二对象相对位移信息分别对应的位移速率系数生成目标位移速率系数,所述目标位移速率系数用于确定为重建所述不少于两个第二对象相对位移信息分别对应的AI空间向量时所依据的位移速率系数;
其中,所述结合所述位移速率系数和所述位移方向系数重建所述对象相对位移信息中目标对象对应的AI空间向量,包括:
根据不少于两个第二对象相对位移信息分别对应的位移速率系数和位移方向系数,重建所述不少于两个第二对象相对位移信息中目标对象分别对应的AI空间向量,所述不少于两个第二对象相对位移信息为从同一个所述对象滑坡特征描述集合中抽取的连续滑坡特征描述内容;
基于所述不少于两个第二对象相对位移信息中目标对象分别对应的AI空间向量间的定位区别,搭建等级代价指标算法;
所述通过所述重映射代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程,包括:通过所述重映射代价指标算法和所述等级代价指标算法配置所述原始滑坡预测线程,得到用于重建对象AI空间向量的滑坡预测线程;
其中,范例动态位移描述要素为该对象相对位移信息中的目标对象上携带有描述重点要素的点,该描述重点要素用于标记目标对象的局部信息定位。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获得包括待处理对象的待处理对象相对位移信息;
结合所述待处理对象相对位移信息,确定用于在所述待处理对象相对位移信息中标记所述待处理对象的动态位移描述要素;
通过将所述动态位移描述要素输入所述滑坡预测线程,得到所述待处理对象对应的位移速率系数、位移方向系数和坡段失稳系数;
结合所述待处理对象对应的位移速率系数和位移方向系数重建所述待处理对象对应的AI空间向量;
基于调试系数在所述AI空间向量对应的定位加载调试主题;
结合所述待处理对象对应的坡段失稳系数,在所述待处理对象相对位移信息中映射加载了所述调试主题的所述AI空间向量。
3.根据权利要求1所述的方法,其特征在于,所述对象滑坡特征描述集合中所述目标对象做出了不少于两个状态。
4.根据权利要求3所述的方法,其特征在于,所述基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点,包括:
确定范例动态位移描述要素中的约束条件描述重点,所述约束条件描述重点处于所述对象相对位移信息中所述目标对象的可见对象约束条件;
从所述AI空间向量中确定与所述约束条件描述重点携带有一致描述重点要素的约束条件定位重点;
基于所述坡段失稳系数向所述对象相对位移信息映射所述约束条件定位重点,得到对应的映射描述重点;
其中,在所述通过将所述范例动态位移描述要素输入原始滑坡预测线程,得到对应的位移速率系数、位移方向系数和坡段失稳系数之前,所述方法还包括:将所述对象相对位移信息和所述范例动态位移描述要素统计到统一数据量的特征空间中;
其中,所述方法还包括:通过特征提取线程确定所述对象相对位移信息对应的特征描述集合;
所述基于所述坡段失稳系数向所述对象相对位移信息映射所述AI空间向量,得到对应的映射描述重点,包括:基于所述坡段失稳系数向所述对象相对位移信息的所述特征描述集合映射所述AI空间向量,得到对应的映射描述重点。
5.一种滑坡预测系统,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989395.1A CN116739184B (zh) | 2023-08-08 | 2023-08-08 | 一种滑坡预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989395.1A CN116739184B (zh) | 2023-08-08 | 2023-08-08 | 一种滑坡预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739184A CN116739184A (zh) | 2023-09-12 |
CN116739184B true CN116739184B (zh) | 2023-11-07 |
Family
ID=87901517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310989395.1A Active CN116739184B (zh) | 2023-08-08 | 2023-08-08 | 一种滑坡预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739184B (zh) |
Families Citing this family (1)
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 (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440424A (zh) * | 2013-09-04 | 2013-12-11 | 青岛理工大学 | 利用边坡位移监测数据检测和确定滑坡剪出口的方法 |
CN205748469U (zh) * | 2016-05-19 | 2016-11-30 | 中国电建集团华东勘测设计研究院有限公司 | 一种水库滑坡多场信息现场监测系统 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN108538026A (zh) * | 2018-02-23 | 2018-09-14 | 青岛理工大学 | 一种边坡稳定性的多指标综合评价与预警方法 |
CN110632341A (zh) * | 2019-09-04 | 2019-12-31 | 华北水利水电大学 | 一种监测滑坡滑动速度和滑动位移的方法 |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN111027686A (zh) * | 2019-12-26 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种滑坡位移的预测方法、装置及设备 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
CN111931369A (zh) * | 2020-08-05 | 2020-11-13 | 长安大学 | 降雨型滑坡稳定性分析及运动距离测算方法、设备及介质 |
CN113865495A (zh) * | 2021-08-18 | 2021-12-31 | 山东滨莱高速公路有限公司 | 一种边坡变形无线监测系统及方法 |
CN115371534A (zh) * | 2022-08-23 | 2022-11-22 | 中南大学 | 基于机器学习的滑坡失稳时间动态预报方法及介质 |
CN115455791A (zh) * | 2022-10-11 | 2022-12-09 | 重庆地质矿产研究院 | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 |
CN115809710A (zh) * | 2022-12-22 | 2023-03-17 | 石家庄铁道大学 | 一种基于ceemdan-nbeats的滑坡位移预测方法及装置 |
CN116522286A (zh) * | 2023-04-14 | 2023-08-01 | 常州大学 | 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 |
-
2023
- 2023-08-08 CN CN202310989395.1A patent/CN116739184B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440424A (zh) * | 2013-09-04 | 2013-12-11 | 青岛理工大学 | 利用边坡位移监测数据检测和确定滑坡剪出口的方法 |
CN205748469U (zh) * | 2016-05-19 | 2016-11-30 | 中国电建集团华东勘测设计研究院有限公司 | 一种水库滑坡多场信息现场监测系统 |
CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN108538026A (zh) * | 2018-02-23 | 2018-09-14 | 青岛理工大学 | 一种边坡稳定性的多指标综合评价与预警方法 |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN110632341A (zh) * | 2019-09-04 | 2019-12-31 | 华北水利水电大学 | 一种监测滑坡滑动速度和滑动位移的方法 |
CN111027686A (zh) * | 2019-12-26 | 2020-04-17 | 杭州鲁尔物联科技有限公司 | 一种滑坡位移的预测方法、装置及设备 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
CN111931369A (zh) * | 2020-08-05 | 2020-11-13 | 长安大学 | 降雨型滑坡稳定性分析及运动距离测算方法、设备及介质 |
CN113865495A (zh) * | 2021-08-18 | 2021-12-31 | 山东滨莱高速公路有限公司 | 一种边坡变形无线监测系统及方法 |
CN115371534A (zh) * | 2022-08-23 | 2022-11-22 | 中南大学 | 基于机器学习的滑坡失稳时间动态预报方法及介质 |
CN115455791A (zh) * | 2022-10-11 | 2022-12-09 | 重庆地质矿产研究院 | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 |
CN115809710A (zh) * | 2022-12-22 | 2023-03-17 | 石家庄铁道大学 | 一种基于ceemdan-nbeats的滑坡位移预测方法及装置 |
CN116522286A (zh) * | 2023-04-14 | 2023-08-01 | 常州大学 | 一种逻辑回归优化的svr-lstm滑坡位移预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Failure Mechanism and Long Short-Term Memory Neural Network Model for Landslide Risk Prediction;Xuan Zhang等;《Remote Sensing》;1-27 * |
基于表面变形监测的土质边坡安全态势评估与预测方法;向佳铭;《中国优秀硕士学位论文全文数据库基础科学辑》(第01期);A011-456 * |
Also Published As
Publication number | Publication date |
---|---|
CN116739184A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
CN109255830B (zh) | 三维人脸重建方法和装置 | |
JP7350878B2 (ja) | 画像解析方法、装置、プログラム | |
CN116739184B (zh) | 一种滑坡预测方法及系统 | |
US20190317510A1 (en) | System and method for full-stack verification of autonomous agents | |
US20200409823A1 (en) | Method and apparatus for optimal distribution of test cases among different testing platforms | |
CN112684396B (zh) | 电能表运行误差监测模型的数据预处理方法及系统 | |
CN105765562B (zh) | 用于求取基于数据的函数模型的方法和设备 | |
CN116699318B (zh) | 基于边缘计算的漏电检测方法及系统 | |
US11651276B2 (en) | Artificial intelligence transparency | |
CN113850859A (zh) | 用于增强图像深度置信度图的方法、系统、制品和装置 | |
US10794966B2 (en) | Information processing device, closed magnetic circuit computing method, and closed magnetic circuit computing system | |
CN112257751A (zh) | 神经网络剪枝方法 | |
CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
CN115473822B (zh) | 一种5g智能网关数据传输方法、系统及云平台 | |
CN115481197B (zh) | 一种分布式数据处理方法、系统及云平台 | |
CN110991661A (zh) | 用于生成模型的方法和装置 | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
CA3221657A1 (en) | Systems and methods for mapping seismic data to reservoir properties for reservoir modeling | |
CN115292301B (zh) | 基于人工智能的任务数据异常监测处理方法及系统 | |
CN112560834B (zh) | 一种坐标预测模型生成方法、装置及图形识别方法、装置 | |
CN112346126A (zh) | 低级序断层的识别方法、装置、设备及可读存储介质 | |
CN113609362B (zh) | 基于5g的数据管理方法及系统 | |
CN113609931B (zh) | 基于神经网络的人脸识别方法及系统 | |
CN116910478B (zh) | 一种锂离子电池事故溯源方法及系统 |
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 |