CN117851919B - 一种基于集成学习的滑坡误报识别方法 - Google Patents
一种基于集成学习的滑坡误报识别方法 Download PDFInfo
- Publication number
- CN117851919B CN117851919B CN202410254434.8A CN202410254434A CN117851919B CN 117851919 B CN117851919 B CN 117851919B CN 202410254434 A CN202410254434 A CN 202410254434A CN 117851919 B CN117851919 B CN 117851919B
- Authority
- CN
- China
- Prior art keywords
- landslide
- class
- alarm
- classification
- learners
- 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 27
- 230000001788 irregular Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000010361 irregular oscillation Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000037435 normal mutation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009466 transformation 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种基于集成学习的滑坡误报识别方法,包括滑坡告警及滑坡的类别预设;构建滑坡误报识别单元,包括一类学习器和二类学习器;一类学习器包括经过预训练的n个二分类基学习器和m个多分类基学习器;二类学习器包括二分类计票器和多分类计票器;若有滑坡告警,获取触发该滑坡告警的滑坡数据,用二分类基学习器进行二分类识别、二分类计票器计票判断,当判断结果为误报时,再由多分类基学习器识别、多分类计票器计票判断。本发明采用混合集成学习和分段式判断,避免了基学习器共同线性运行需要消耗大量时间的缺陷,能减少基学习器的数量,提高计算速度和效率、降低运行成本。并正在优先保障召回率的前提下,也保证了一定的精准性。
Description
技术领域
本发明涉及滑坡误报识别技术领域,尤其涉及一种基于集成学习的滑坡误报识别方法。
背景技术
及时且准确的滑坡报警对灾害防止及灾后重建至关重要。为了对滑坡情况进行快速响应,监管单位对多个容易滑坡的隐患点安装了多种类型的监测设备。
目前监测设备将各时段的监测数据通过联网上传至告警中心,告警中心通过告警模型对数据进行演算处理,从而识别当前隐患点的状态,当告警模型识别为滑坡时,则对外发出告警,从而启动滑坡预案。但由于存在隐患点现场环境复杂,有各种人员、动物、车辆等来往,造成震动或其他影响,会导致监测数据可能存在较大误差,使告警中心识别错误,导致误报。由于监测设备的设置,在隐患点发生较大范围的数据波动时,监测设备会增加采样频率,例如:从预设的每隔30分钟采集一次数据变为每隔30秒采集一次,从而导致短时间内出现大量告警。另,当出现暴雨等因素导致同一片地区出现多处警情时,会引起告警中心警情阻塞,延误对其他不同警情的察觉和处理。
所以对于告警中心分析识别出来的滑坡告警,需要对其是否为误报进行再次分类识别,若为误报则忽略本次滑坡告警,若非误报,才进行警情处理。对于误报识别,目前通过深度学习的二分类或多分类模型训练出单个泛化能力很强的模型,即可以将滑坡相关的各种类型都识别出来,精准率也较高。例如对于时序数据,常用RNN、GRU、LSTM等模型,对于非时序模型,常用DNN及一系列变种。
滑坡告警具有特殊性,对召回率要求极高。召回率是模型正确识别为正类的实例(真正类)占所有实际正类实例的比例。对滑坡误报分类来说,如果有误报被识别为正常告警,则浪费一些告警和出警资源,情况可控,但如果将正常告警识别为误报,则可能造成重大事故,因此即便牺牲误报识别的准确率,也需要尽力保障任一个正常告警不会被识别错。但实验发现,单个模型精准率高,召回率却很难保障。比如二分类模型,所有误报种类的误报样本数量远远大于正常告警样本数量,造成不同标签样本明显不均衡,同时两者分类相对模糊,不存在互斥或明显的差别,比如同样为突变型,正常突变的前期和突刺、归位震荡的前期几乎一致,从而造成分界线模糊,分类较难。再比如,对于单个深度学习模型进行多分类,通常在最后会采用softmax激活函数进行非线性变换,根据softmax激活函数的公式及原理,当种类边界比较明确的时候,即某个种类的概率较高,而其他都低的时候,分类效果很好,但如果存在多个种类概率相差不大,当只进行一次分类时可能会分类出错,从而降低召回率。对单一的多分类模型,因为每个多分类模型仍然用的softmax函数也无法达到很好的效果。
发明内容
本发明的目的就在于提供一种解决上述问题,保证召回率的前提下,达到较高的精准率,同时控制计算成本和时间花销,从而一定程度上保证了告警整个流程的实时性的,一种基于集成学习的滑坡误报识别方法。
为了实现上述目的,本发明采用的技术方案是这样的:一种基于集成学习的滑坡误报识别方法,包括以下步骤;
(1)滑坡告警及滑坡的类别预设;
预设对滑坡告警进行二分类的类别,包括误报和正常告警;
预设触发滑坡告警的滑坡类别,预设一投票阈值;
(2)构建一滑坡误报识别单元,包括一类学习器和二类学习器;
所述一类学习器包括经过预训练的n个二分类基学习器和m个多分类基学习器,n为奇数;所述二分类基学习器用于输入滑坡数据,输出滑坡告警类别,所述多分类基学习器用于输入滑坡数据,输出滑坡类别;
所述二类学习器包括二分类计票器和多分类计票器;
(3)若有滑坡告警,获取触发该滑坡告警的滑坡数据,送入n个二分类基学习器中,每个二分类基学习器输出一滑坡告警类别;
(4)将n个滑坡告警类别送入二分类计票器,对正常告警和误报进行计票;
若正常告警的票数大于误报,则该滑坡告警为正常告警;
若误报的票数大于正常告警,则将滑坡数据送入m个多分类基学习器,每个多分类基学习器输出一滑坡类别;
(5)将m个滑坡类别送入多分类计票器,对出现的滑坡类别进行计票;
若至少一种滑坡类别的票数大于投票阈值,则滑坡告警为误报,否则为正常告警。
作为优选:所述滑坡类别包括但不限于渐变型滑坡、直接突变型、突刺型、归位震荡型、不规则震荡型和变化绝对值过小型。
作为优选:所述投票阈值自适应设置,其值为Y,。
作为优选:多分类基学习器的数量m为滑坡类别的一半到一倍。
作为优选:所述一类学习器为序列模型,包括但不限于RNN、GRU、和LSTM。
作为优选:所述一类学习器均为决策树模型,包括但不限于C4.5、CART和随机森林。
作为优选:所述滑坡数据为一时间窗口内的采集值构成的时序数据,所述时间窗口长度为预设,结束点为触发滑坡告警的时刻,所述采集值为GNSS数据或裂缝数据。
本发明思路为:
本发明通过一类学习器和二类学习器的有机协同来构建滑坡误报识别单元。一类学习器由奇数个二分类基学习器和数个多分类基学习器构成。二分类基学习器由二分类投票器和多分类器单元构成。
先用一类学习器中的二分类基学习器进行滑坡告警的二分类,由二分类投票器进行投票,根据投票结果来决定本次滑坡告警是否需要进一步判断,若需进一步判断,则再次用一类学习器的多分类基学习器进行滑坡类别的多类别识别,并根据多分类投票器的投票结果再次判定。
与现有技术相比,本发明的优点在于:
1、本发明提出了一种新的基于集成学习的滑坡误报识别方法,不采用单一模型对滑坡误报进行识别,而是提出了一种将二分类、多分类结合在一起的的混合模型及和混合判定方法,以克服单一模型召回率难以保证的缺陷。
2、本发明判定速度快、效率高:本发明将二分类、多分类进行了有机协同,其中二分类判断速度快、多分类的准确率和召回率高,故先用二分类识别和二分类投票对滑坡告警进行初步判断,能被二分类直接判断为正常告警(非误报)的,就仅采用二分类处理,只有被二分类判断为误报的,才由多分类识别和多分类投票进一步分析。这样能有效减少被多分类处理的样本数量,并减少多分类基学习器的数量,从而避免基学习器共同线性运行需要消耗大量时间的缺陷,提高计算速度和效率、降低运行成本。
3、能保证告警的时效性。本发明能快速对每个滑坡告警进行识别,从而能及时将识别结果反馈给告警中心,从而能有效保证出警的时效性,为人们的生命财产安全提供更大的保障。
4、通过对比实验可知,本发明在优先保障召回率的前提下,也保证了一定的精准性。
附图说明
图1为渐变型滑坡数据示意图;
图2为直接突变型滑坡数据示意图;
图3为突刺型滑坡数据示意图;
图4为归位震荡型滑坡数据示意图;
图5为不规则震荡滑坡数据示意图;
图6为变化绝对值过小型滑坡数据示意图;
图7为本发明滑坡误报识别单元的结构示意图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1:参见图1到图6,告警中心通过告警模型对数据进行演算处理时,除了要看当前瞬时裂缝或者GNSS的采集值是否超过阈值,还要看当前时间往前倒推一段时间周期内的所有采集值,这样才能更准确地对对正常告警和误报进行分类。目前传统的滑坡数据图像可以大致分为渐变型滑坡和突变型滑坡,其中渐变型滑坡通常到某个阈值后开始报警,相对不容易出现误报情况,如图1所示。突变型滑坡的情况比较复杂,最典型的正常告警包括直接突变型,如图2所示,一个平缓后突然陡增/降。而误报种类则相对较多,典型的有突刺型如图3,归位震荡型如图4,不规则震荡如图5、变化绝对值过小型如图6所示。
其中图3所示突刺是本身即突然产生一次较大变化,随后又回到原位的一种数据类型,本身比较单一,在图像上也容易认出,但很多正常告警和误报的前期趋势几乎一致,这种趋势有时甚至到了最后几个时间点,对分类精准性和召回率都带来了不小的挑战。图4所示的归位震荡则为连续多次波动的幅度一样,每次波峰波谷的位置都差不多,这种一般为其他非地质干扰,比如车辆经过导致振动等。图5所示的不规则震荡则为多个起伏以不规则形状拼接而成,并且没有明显的上升或下降趋势和波动规律,除了上述典型误报外,还有其他比较样本较少的误报类型,比如变化绝对值过小型如图6所示。
因为存在上述情况,实际告警中心发出的滑坡告警,可能是对的,也可能是错的,所以我们将告警中心发出的滑坡告警作为本发明待识别的对象,获取触发该滑坡告警的相关数据来分析和识别。具体为:一种基于集成学习的滑坡误报识别方法,包括以下步骤;
(1)滑坡告警及滑坡的类别预设;
预设对滑坡告警进行二分类的类别,包括误报和正常告警;
预设触发滑坡告警的滑坡类别,预设一投票阈值;
(2)构建一滑坡误报识别单元,包括一类学习器和二类学习器;
所述一类学习器包括经过预训练的n个二分类基学习器和m个多分类基学习器,n为奇数;所述二分类基学习器用于输入滑坡数据,输出滑坡告警类别,所述多分类基学习器用于输入滑坡数据,输出滑坡类别;
所述二类学习器包括二分类计票器和多分类计票器;
(3)若有滑坡告警,获取触发该滑坡告警的滑坡数据,送入n个二分类基学习器中,每个二分类基学习器输出一滑坡告警类别;
(4)将n个滑坡告警类别送入二分类计票器,对正常告警和误报进行计票;
若正常告警的票数大于误报,则该滑坡告警为正常告警;
若误报的票数大于正常告警,则将滑坡数据送入m个多分类基学习器,每个多分类基学习器输出一滑坡类别;
(5)将m个滑坡类别送入多分类计票器,对出现的滑坡类别进行计票;
若至少一种滑坡类别的票数大于投票阈值,则滑坡告警为误报,否则为正常告警。
所述滑坡类别包括但不限于渐变型滑坡、直接突变型、突刺型、归位震荡型、不规则震荡型和变化绝对值过小型。
所述投票阈值自适应设置,其值为Y,。
多分类基学习器的数量m为滑坡类别的一半到一倍。
本实施例中,所述一类学习器能选用序列模型,包括但不限于RNN、GRU、和LSTM。也能选用决策树模型,包括但不限于C4.5、CART和随机森林。
所述滑坡数据为一时间窗口内的采集值构成的时序数据,所述时间窗口长度为预设,结束点为触发滑坡告警的时刻,所述采集值为GNSS数据或裂缝数据。
实施例2:参见图7,在实施例1的基础上,我们选用四川部分地区的真实数据集,以及部分模拟数据集,其中四川地区8000个样本,其中85%为训练集,15%为测试集。
采用5种模型进行对比,并选取客观对比指标精准率precision和召回率recall进行试验。各模型的实验结果客观对比指标如表1。
模型1为单个二分类模型直接进行误报判别,最终结果加入预设的阈值,比如当误报概率高于80%时才判定为误报。
模型2为单个多分类模型直接进行误报分类判别。
模型3为采用多个二分类模型集成后,进行判别后计票,计票结果直接作为最终结果。
模型4为采用多个多分类模型集成后,进行分类后计票,存在至少一个作为误报大类中的各小类的计票结果超过预设阈值的情况时,判定为误报。
模型5:本发明。
表1.多模型实验结果对比表
,
从表1可以看出,关于召回率,本发明>模型4>模型3>模型3>模型1,可知本发明结合了模型数量需求、训练、更新成本、测试所需时间和硬件后的多方面节省后,和其他几种模型相比,能够保障最高的召回率,同时仍然几乎能够达到一致的精准率。而其他几种方法较难提升召回率,或者在保证召回率的同时,会牺牲更多的精准率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于集成学习的滑坡误报识别方法,其特征在于:包括以下步骤;
(1)滑坡告警及滑坡的类别预设;
预设对滑坡告警进行二分类的类别,包括误报和正常告警;
预设触发滑坡告警的滑坡类别,预设一投票阈值;
(2)构建一滑坡误报识别单元,包括一类学习器和二类学习器;
所述一类学习器包括经过预训练的n个二分类基学习器和m个多分类基学习器,n为奇数;所述二分类基学习器用于输入滑坡数据,输出滑坡告警类别,所述多分类基学习器用于输入滑坡数据,输出滑坡类别;
所述二类学习器包括二分类计票器和多分类计票器;
(3)若有滑坡告警,获取触发该滑坡告警的滑坡数据,送入n个二分类基学习器中,每个二分类基学习器输出一滑坡告警类别;
(4)将n个滑坡告警类别送入二分类计票器,对正常告警和误报进行计票;
若正常告警的票数大于误报,则该滑坡告警为正常告警;
若误报的票数大于正常告警,则将滑坡数据送入m个多分类基学习器,每个多分类基学习器输出一滑坡类别;
(5)将m个滑坡类别送入多分类计票器,对出现的滑坡类别进行计票;
若至少一种滑坡类别的票数大于投票阈值,则滑坡告警为误报,否则为正常告警。
2.根据权利要求1所述的一种基于集成学习的滑坡误报识别方法,其特征在于:所述滑坡类别包括但不限于渐变型滑坡、直接突变型、突刺型、归位震荡型、不规则震荡型和变化绝对值过小型。
3.根据权利要求1所述的一种基于集成学习的滑坡误报识别方法,其特征在于:所述投票阈值自适应设置,其值为Y,。
4.根据权利要求1所述的一种基于集成学习的滑坡误报识别方法,其特征在于:多分类基学习器的数量m为滑坡类别的一半到一倍。
5.根据权利要求1所述的一种基于集成学习的滑坡误报识别方法,其特征在于:所述一类学习器为序列模型,包括但不限于RNN、GRU、和LSTM。
6.根据权利要求1所述的一种基于集成学习的滑坡误报识别方法,其特征在于:所述一类学习器均为决策树模型,包括但不限于C4.5、CART和随机森林。
7.根据权利要求1所述的一种基于集成学习的滑坡误报识别方法,其特征在于:所述滑坡数据为一时间窗口内的采集值构成的时序数据,所述时间窗口长度为预设,结束点为触发滑坡告警的时刻,所述采集值为GNSS数据或裂缝数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254434.8A CN117851919B (zh) | 2024-03-06 | 2024-03-06 | 一种基于集成学习的滑坡误报识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254434.8A CN117851919B (zh) | 2024-03-06 | 2024-03-06 | 一种基于集成学习的滑坡误报识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117851919A CN117851919A (zh) | 2024-04-09 |
CN117851919B true CN117851919B (zh) | 2024-05-03 |
Family
ID=90548340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410254434.8A Active CN117851919B (zh) | 2024-03-06 | 2024-03-06 | 一种基于集成学习的滑坡误报识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851919B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942562A (zh) * | 2014-03-27 | 2014-07-23 | 河海大学 | 基于多分类器组合的高光谱图像分类方法 |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
CN114463643A (zh) * | 2021-12-23 | 2022-05-10 | 中国科学院空天信息创新研究院 | 多模型决策级融合的滑坡识别方法及装置 |
CN114692772A (zh) * | 2022-04-08 | 2022-07-01 | 长沙理工大学 | 基于深度集成学习的流量分类方法及设备 |
CN116910598A (zh) * | 2023-06-02 | 2023-10-20 | 广州大学 | 一种基于集成学习的工业控制系统入侵检测方法 |
CN116933947A (zh) * | 2023-08-15 | 2023-10-24 | 南京信息工程大学 | 一种基于软投票集成分类器的滑坡易发性预测方法 |
CN117540303A (zh) * | 2023-11-29 | 2024-02-09 | 云南电网有限责任公司昭通供电局 | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230139437A1 (en) * | 2021-11-02 | 2023-05-04 | International Business Machines Corporation | Classifier processing using multiple binary classifier stages |
-
2024
- 2024-03-06 CN CN202410254434.8A patent/CN117851919B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942562A (zh) * | 2014-03-27 | 2014-07-23 | 河海大学 | 基于多分类器组合的高光谱图像分类方法 |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
CN114463643A (zh) * | 2021-12-23 | 2022-05-10 | 中国科学院空天信息创新研究院 | 多模型决策级融合的滑坡识别方法及装置 |
CN114692772A (zh) * | 2022-04-08 | 2022-07-01 | 长沙理工大学 | 基于深度集成学习的流量分类方法及设备 |
CN116910598A (zh) * | 2023-06-02 | 2023-10-20 | 广州大学 | 一种基于集成学习的工业控制系统入侵检测方法 |
CN116933947A (zh) * | 2023-08-15 | 2023-10-24 | 南京信息工程大学 | 一种基于软投票集成分类器的滑坡易发性预测方法 |
CN117540303A (zh) * | 2023-11-29 | 2024-02-09 | 云南电网有限责任公司昭通供电局 | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 |
Non-Patent Citations (6)
Title |
---|
An Empirical Study of the Convolution Neural Networks Based Detection on Object With Ambiguous Boundary in Remote Sensing Imagery—A Case of Potential Loess Landslide;Guangle Yao 等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20211229;第15卷;323-338 * |
Assessing landslide susceptibility based on hybrid Best-first decision tree with ensemble learning model;Haoyuan Hong;《Ecological Indicators》;20230206;1-16 * |
Ensemble learning framework for landslide susceptibility mapping: Different basic classifier and ensemble strategy;Taorui Zeng 等;《Geoscience Frontiers》;20230607;1-21 * |
基于堆叠模型的滑坡易发性评价 ———以商洛市丹凤县为例;郭亚雷 等;《自然灾害学报》;20230415;第32卷(第2期);243-252 * |
异质集成学习在滑坡易发性评价中的对比研究;江宝得 等;《土木工程学报》;20230915;第56卷(第10期);170-179 * |
斜坡灾害预警模型及其综合应用研究;龚淑云 等;《广西大学学报( 自然科学版)》;20190825;第44卷(第4期);1062-1069 * |
Also Published As
Publication number | Publication date |
---|---|
CN117851919A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754110B (zh) | 一种牵引变流器故障的预警方法及系统 | |
CN103996287B (zh) | 一种基于决策树模型的车辆强制换道决策方法 | |
Jack et al. | Genetic algorithms for feature selection in machine condition monitoring with vibration signals | |
US20060210141A1 (en) | Inspection method and inspection apparatus | |
CN104463244A (zh) | 基于智能移动终端的异常驾驶行为监测和识别方法及系统 | |
CN103473540A (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN104679860B (zh) | 一种不平衡数据的分类方法 | |
TWI752638B (zh) | 行駛監控方法及系統 | |
CN114422184A (zh) | 基于机器学习的网络安全攻击类型和威胁等级预测方法 | |
CN115809435B (zh) | 基于模拟器的汽车运行故障识别方法 | |
Yi et al. | A novel random forest and its application on classification of air quality | |
CN110837874A (zh) | 基于时间序列分类的业务数据异常检测方法 | |
CN106650113A (zh) | 一种基于模糊聚类的桥梁监测数据异常情况识别方法 | |
CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
CN112132321A (zh) | 一种基于机器学习对森林火灾预测分析的方法 | |
CN110562261A (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN116930759A (zh) | 动力电池电压时间序列异常检测方法、电子设备、存储介质 | |
CN117851919B (zh) | 一种基于集成学习的滑坡误报识别方法 | |
CN111563468A (zh) | 一种基于神经网络注意力的驾驶员异常行为检测方法 | |
Anoop et al. | Classifying machine learning features extracted from vibration signal with logistic model tree to monitor automobile tyre pressure | |
CN114330449A (zh) | 一种基于特征时域匹配的车辆碰撞检测方法及系统 | |
CN113515678A (zh) | 一种异常数据筛选方法 | |
Asaddulloh et al. | Machine Learning Techniques to Predict Rain Tomorrow for Automated Plant Watering System |
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 |