本发明涉及地质灾害预测预警技术，特别涉及一种基于大数据驱动的边坡位移预测及滑动判别方法。
背景技术：
滑坡是山区常见的一种地质灾害，由于滑坡方量巨大，往往对滑坡影响范围内的人民生命财产和工程建筑设施造成极大的威胁，但是，绝大部分滑坡的发生都是有先兆的，因此针对边坡的监测数据进行分析，预测滑坡的发展与发生，对于滑坡的识别与防治意义十分重大。
现有边坡位移预测方法主要有多元统计分析、神经网络(ANN)以及支持向量机(SVM)算法等方法。多元统计分析在边坡位移预测中可以起到部分参考作用，但无法依据大数据对滑坡进行精确建模与有效预测；人工神经网络可以通过调整内部大量节点之间相互连接的关系，对边坡监测大数据进行处理来定性预测边坡滑移趋势，但是学习和记忆具有不稳定性，算法收敛速度慢，且不能精确提供预测边坡位移以及滑动判别的显性表达式；支持向量机是建立在统计学习理论的VC(Vapnik-Chervonenkis Dimension)维理论和结构风险最小原理基础上的一种监督式学习方法，泛化能力优于人工神经网络，算法具有全局最优性，可以根据小样本数据精确拟合边坡位移及滑动判别显性表达式，但其模型不易提供显性解释，且对于大规模训练样本，该算法难以实施。
技术实现要素：
本发明的目的是提供一种基于大数据驱动的边坡位移预测及滑动判别方法，以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种基于大数据驱动的边坡位移预测及滑动判别方法，包括以下步骤：
1)采集边坡在指定时间内的多场多变量数据作为因变量并进行汇总。其中，所述多场多变量数据包括地质地貌数据、岩土物理与力学性能数据、地应力数据、气象水文数据、位移监测数据，以及边坡附近的施工作业数据。
2)通过方差分析剔除步骤1)汇总各类数据中的异常数据。其中，处理后的数据作为选定的用于分析计算的多场数据。
3)随机选取步骤2)选定数据的3/4数据作为训练数据，其余1/4数据作为校验数据，并分别保存至两个文本。
4)准备多元自适应回归样条工具箱。调用步骤3)中文本进行多元自适应回归样条分析。改变基函数数量，得出不同基函数数量对应的因变量模型。
5)选出最优模型，并通过输入解释命令查看对计算结果的解释，得到每个基函数的表达式。
6)得出本次分析的边坡位移预测显式函数Yj。
7)利用方差分解分析确定输入的多场多变量数据的参数相对重要性。
8)利用逻辑回归模型确定边坡滑动判别显性表达式f(Yj)。
进一步，在步骤8)之后，还具有每隔一段时间，对边坡位移预测函数与滑动判别表达式进行更新的相关步骤。
进一步，步骤8)中逻辑回归模型采用sigmoid函数，得到的边坡滑动判别表达式如式(1)。
其中，当f(Yj)＜0.5时，边坡处于稳定状态。f(Yj)≥0.5时，边坡处于不稳定状态。
本发明的技术效果是毋庸置疑的：
A.对传统边坡滑移理论和经验的依赖性较小，计算过程中基函数根据数据自动完成，无需人工设定，可准确得出边坡位移与多场多变量数据之间的内部关系；
B.计算快速，可以处理数据量较大的样本，预测精度高，且最后得到的显式函数具有可解释性；
C.可以快速建立基于大数据的大量边坡滑移趋势动态数据库，依据边坡多场监测数据，通过分析输入变量的参数相对重要性与边坡滑动判别表达式，实现对边坡滑移的预测预警，起到防灾减灾的目的。
附图说明
图1为方法流程图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
本实施例基于大数据思维，以获取的多场多变量监测数据库为依据，通过多元自适应回归样条这一数据驱动方法来精确确定和建立隐含在各实测数据间的边坡位移预测显式函数以及滑动判别显性表达式。本实施例公开一种基于大数据驱动的边坡位移预测及滑动判别方法，参见图1，包括以下步骤：
1)数据采集：采集边坡A在指定时间段(如数月或数年)内的边坡数字高程DEM、钻探测得的地质地貌数据X1i、边坡岩土物理以及力学性能数据X2i、GPS位移监测数据X3i、钻孔倾斜X4i、降雨量X5i、地应力X6i以及附近的施工作业数据Xni作为因变量。收集的数据越丰富，后续分析结果越好。在本实施例中，采用GPS位移数据中主滑动方向上的分量代替GPS位移数据，采用钻孔倾斜主滑动方向上的分量代替测斜数据。取每类数据每天的平均值汇总到表格中，参与后续的分析计算。
2)数据预处理：将步骤1)汇总表格中的多场数据统一坐标系，并通过方差分析剔除每类数据中的异常数据组。剔除后的数据作为选定的用于分析计算的多场数据。
3)选步骤2)中取选定的多场数据的前3/4数据作为训练数据并保存至文本文档并命名为“Training”，后1/4数据作为校验数据并保存至文本文档命名为“Testing”。
4)Matlab工具箱准备：从网络上下载多元自适应回归样条工具箱ARESLab文件并拷贝至Matlab软件的安装目录下的toolbox文件夹，并在Matlab程序里添加该文件夹路径。
5)进行多元自适应回归样条分析：编写或在网络下载调用步骤3)中文本文档的计算代码，输入Matlab后进行多元自适应回归样条分析，改变基函数(函数空间一组特殊的基的元素,可以组合构造出不同的函数)数量j，得出与训练数据及校验数据拟合程度不同的因变量模型。其中，基函数数量j的数值变化区间为因变量的个数n到n2。基函数数量j从首项n，公差为10递增，到达n2时停止循环计算，得到不同基函数数量对应的因变量模型Yj。
6)模型选择与解释：以基函数数量j为横轴，计算的训练数据拟合优度r2为纵轴，绘制r2随j的变化曲线，选出r2最大的模型，即得到最优模型。通过输入解释命令，可以查看软件对计算结果的解释。
7)针对最优模型，在Matlab命令行中输入areseq(model,5)命令，查看软件对模型结果的解释，可以得到每个基函数的表达式与最终边坡位移的显性表达式。其中，5代表小数点位数保留到小数点后5位。
8)根据模型解释中GCV(广义交叉验证)的变化，利用方差分解分析，确定输入的多场多变量数据的参数相对重要性。
9)利用逻辑回归模型确定边坡滑动判别显性表达式。逻辑回归模型采用sigmoid函数，得到的边坡滑动判别表达式如式(1)。
边坡滑动判别方法为当f(Yj)＜0.5时，边坡处于稳定状态。f(Yj)≥0.5时，边坡处于不稳定状态。本次分析结束。
10)每隔一段时间，对边坡A位移预测函数与滑动判别表达式进行更新，以保持其动态性。
值得说明的是，本实施例将泛化能力很强的专门针对高维数据的多元自适应回归样条算法引入到边坡滑坡预测中，不仅计算快速，可以处理数据量较大的样本，预测精度高，且最后得到的显式函数具有可解释性。该技术可以快速建立基于大数据的大量边坡滑移趋势动态数据库，依据边坡多场监测数据，通过分析输入变量的参数相对重要性与边坡滑动判别显性表达式，实现对边坡滑移的预测预警，起到防灾减灾的目的。其应用前景广阔，是一种准确快捷的灾害预测预警技术。解决了现有技术中存在的无法依据大数据进行精确建模预测以及即便能进行精确拟合却不能提供模型显式解释(如神经网络以及支持向量机方法)的问题。