预测边坡稳定性的建模及分析方法、设备和存储介质与流程

本公开一般涉及边坡稳定性分析技术领域，尤其涉及一种预测边坡稳定性的建模及分析方法、设备和存储介质。

背景技术：

山体滑坡是可能造成严重生命财产损失的重大地质灾害之一，成为重大关切。评估和预测边坡的稳定性是识别潜在滑坡段和减轻山体滑坡造成的损害的首要考虑因素。准确预测边坡的稳定性是一项具有挑战性的任务，因为它取决于各种岩土和物理因素。此外，这些因素之间的相互作用是复杂的，并且“通常难以用数学来描述”。

现有技术中，已经提出了许多方法来分析或预测边坡的稳定性，其中极限平衡法和数值方法(如有限元法(fem))是最常用的方法。其他一些方法包括经验方程以及基于下限和上限定理的限制分析方法。上述所有方法都有一定的局限性。例如，lenchman和griffiths提出极限平衡方法不能反映滑动面的实际应力状态，而且由于简化假设，它们的精度受到了影响。数值方法通常非常耗时，而且其准确性很大程度上取决于对岩土和物理参数的精确估计。

此外，人工神经网络和支持向量机等人工智能预测方法也在计算边坡稳定性方面得到了一定的应用。然而，由于这些方法要求所采集的数据必须完整，但是在实际工程中，尤其是在坡度设计的初级阶段，往往很难获得完整的边坡数据，比如孔压比(ru)的获取就非常困难。而对于无法获得完整的边坡数据的这种情况，则无法使用人工神经网络和支持向量机的预测方法，这也导致了此类计算方法在预测边坡稳定性方面不能得到广泛的应用。

技术实现要素：

鉴于现有技术中的上述缺陷或不足，期望提供一种预测边坡稳定性的建模及分析方案。

第一方面，本申请实施例提供了一种预测边坡稳定性的建模方法，包括以下步骤：

建立边坡稳定性历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的多个特征，所述历史数据集包括丢失数据；

对特征因素中的连续因子进行离散化；

采用最大期望算法确定所述丢失数据的最大似然估计值，以形成新的完整的边坡稳定性数据集；

以边坡实际的稳定状况作为分类标准，利用朴素贝叶斯分类器对所述边坡稳定性数据集的至少部分数据进行训练，确定各所述特征因素分别在边坡各种稳定状况下的条件概率，得到朴素贝叶斯分类模型。

本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。

所述特征因素包括：边坡高度，坡角(α)，内聚力(c)，摩擦角度(φ)，单位重量(γ)和孔隙压力比率(ru)，其中孔隙压力比率简称孔压比(ru)，定义为孔隙压力与上覆压力之比。采用上述因素作为特征因素，能全面反映影响边坡稳定的主要因素；此外，通过相关性分析发现，上述各因素之间各自独立，符合朴素贝叶斯分类器的条件独立假设，非常适合采用此方法。

所述对特征因素中的连续因子进行离散化包括采用等宽合并算法和/或等频合并算法。前一种算法用于将整个范围划分为具有相同“宽度”的多个区间，而后一个用于将整个范围划分成几个区间，每个区间包含大致相同数量的历史案例。

所述采用最大期望算法包括采用期望最大化em算法，相比于常用的梯度下降(gradientdescent)算法，em算法不仅具有更快的运算速度，而且能够有效的处理历史案例中的不完整数据。。

利用所述边坡稳定性历史数据集中未参与训练的部分数据评估所述朴素贝叶斯分类器的性能，可以进一步提高模型的准确性。

根据评估性能的结果对各所述特征因素分别在边坡各种稳定状况下的条件概率进行调整。

第二方面，本申请实施例提供了一种预测边坡稳定性的分析方法，包括：下载待预测边坡数据集，所述待预测边坡数据集包括描述所述数据的至少部分特征；利用如上所述的建模方法形成的朴素贝叶斯分类模型对所述待预测边坡数据按照边坡的稳定状态进行分类。

一种预测边坡稳定性的分析方法，包括：下载待预测边坡数据集，所述待预测边坡数据集包括描述所述数据的至少部分特征；利用经过朴素贝叶斯训练建模方法形成的朴素贝叶斯分类模型对所述待预测边坡数据按照边坡的稳定状态进行分类。

第三方面，本申请实施例提供了一种设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述预测边坡稳定性的建模和/或分析的方法。

一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现上述预测边坡稳定性的建模和/或分析的方法。

本申请实施例提供的预测边坡稳定性的方案，采用朴素贝叶斯分类器nbc对于处理不完整的数据特别有用，甚至在数据量很小的情况下也能产生良好的预测结果，使得它们非常适合用有限的(或不完整的)岩土数据进行分析，可以在预测边坡稳定性方面得到广泛应用。此外，采用朴素贝叶斯分类器nbc可以非常有效地进行训练，并且可以用来获得非常好的预测准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1：本申请实施例一中69个朴素贝叶斯训练边坡案例；

图2示出了本申请实施例中一种朴素贝叶斯分类器的边坡稳定性检测结构示意图；

图3示出了使用期望最大化em算法的朴素贝叶斯分类器和参数学习后的条件概率表(cpt)。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

实施例一

如背景技术中所说，目前基于人工神经网络或支持向量机方法开发的预测模型有时可以产生比传统的边坡稳定性分析方法更准确的预测，但是当数据不完整时，尤其是在边坡设计的初始阶段，对于数据库中的一些孔压比(ru)值缺失的案例，用人工神经网络或支持向量机方法预测坡度稳定性是不可行的。为了克服这个问题，我们提出了朴素贝叶斯分类器(nbc)来预测边坡的稳定性。

本申请实施例提供一种能够有效预测边坡稳定性的方案，具体包括预测边坡稳定性的建模方法、预测边坡稳定性的分析方法和用以预测边坡稳定性的设备和存储介质。

边坡稳定性建模方法，具体包括以下过程：

1)数据库处理及相关分析

1.1)选取影响边坡稳定性因素的六个指标，包括：斜坡高度(h)，坡角(α)，内聚力(c)，摩擦角度(φ)，单位重量(γ)和水力条件(即孔隙压力比率ru，简称孔压比(ru)，定义为孔隙压力与上覆压力之比)。

1.2)对边坡稳定性的案例研究进行汇总，并编制了一个包括69个斜坡案例的数据库。在其中10个边坡案例的孔压比(ru)值为缺失值，即输入数据是“不完整的”。

1.3)统计数据的边坡稳定性的实际情况；见说明书附图中的图1，将其包含在数据库中。

2)建立不完全边坡数据集,采用包含六个参数的69组不完全数据集作为数据库。

3)参数优化，包括以下过程：

3.1)连续因子的离散化，选取在实数范围内的6个连续变量参数。处理连续变量的两种方法包括连续数据的离散化或指定密度函数。如果数据有限，指定一个精确的密度函数是非常困难的，因此本发明使用离散化方法来处理这六个参数。等宽合并算法和等频合并算法是用于确定状态分割点的两种常用的离散化算法。前一种算法用于将整个范围划分为具有相同“宽度”的多个区间，而后一个用于将整个范围划分成几个区间，每个区间包含大致相同数量的历史案例，本申请实施例采用等频合并算法，因为试验表明它可以产生更高的预测精度。

表2列出了参数各个状态的区间集和相应的定义。

表2.间隔概述和相应的状态名称

3.2)采用期望最大化(em)算法预估丢失的数据，69个案例中，其中10个没有孔压比ru值。假设数据是随机丢失的，即丢失数据与观测数据无关，则期望最大化算法(em算法)可以用来估计朴素贝叶斯分类器nbc中的条件概率。em算法可以分为两个步骤：期望步骤(e步骤)和最大化步骤(m步骤)。em迭代在执行e步骤和m步骤之间交替进行，其中通过基于参数的当前估计来计算对缺失值的期望来完成数据补全，其中，基于前一个e步骤中的“补全的”数据来确定参数新的最大似然估计。这些估计值可用于下一个e步骤中。

对于朴素贝叶斯分类器(naivebayesclassifier/nbc)参数学习，朴素贝叶斯分类器nbc对少量训练数据(上述包含六个参数的不完整数据集)，用来估计必要的分类参数。选取x＝(x1，x2，...，xn)(本发明中n＝6)表示影响边坡稳定性的六个独立因素(即γ，c，φ，α，h和ru)和(c1，c2，...，ck)(本实施例中k＝2)的输入向量表示边坡稳定的两个结果(稳定或失稳)。当x1，x2，...，xn离散时，使用贝叶斯定理，第k个可能结果的条件概率可以表示如下：

4)使用贝叶斯分类器，对不完全边坡数据集进行训练：

对案例中数据集按照朴素贝叶斯算法进行训练。其中每个节点的条件概率表中的参数，是基于不完整数据的边坡案例运用期望最大化em算法获得的。图3显示了朴素贝叶斯分类器nbc和得到的条件概率表(cpts)。基于得到的朴素贝叶斯分类器和条件概率参数(图3)，可以进行概率推理。具体包括以下步骤：

假定某边坡参数如下，即输入因子为：x＝(γ＝25kn/m3(中),c＝46kpa(高),φ＝35°(大),α＝50°(大),h＝284m(高),ru＝缺失).。因此，可以计算边坡稳定性的概率p(稳定|x)。

即使待预测的输入数据是“不完整的”，朴素贝叶斯分类器nbc仍然可以估计边坡稳定性的概率p(稳定|x)。换句话说，朴素贝叶斯分类器可以用六个输入因子的任何一个子集来预测边坡的稳定性，这使得它比其他软计算技术(如人工神经网络或支持向量机方法)更加灵活。朴素贝叶斯分类器使用数据库中的所有69个边坡数据集进行测试，表3列出了混淆矩阵。

表3.使用相同训练样本的混淆矩阵

tp(truepositive)和tn(truenegative)分别代表正确分类为相应类别的稳定和失稳的边坡数量。fp(falsepositive)表示被错误分类为稳定类别的失稳变坡的数量，fn(falsenegative)表示被错误分类为失稳类别的稳定斜坡的数量。41个稳定边坡(称为灵敏度tp/(tp+fn))的精度为97.6％。28个失稳边坡(称为特异性，即tn/(tn+fp))的精度为96.4％。总体精度(即(tp+tn)/(tp+tn+fp+fn))约为97.1％。

通过对分类器进行训练，完成预测边坡稳定性的建模。

预测边坡稳定性的分析方法，包括：下载待预测边坡数据集，所述待预测边坡数据集包括描述所述数据的至少部分特征；利用经过朴素贝叶斯训练建模方法形成的朴素贝叶斯分类模型对所述待预测边坡数据按照边坡的稳定状态进行分类。

用上述训练好的分类器，对未参与训练的边坡稳定数据进行边坡稳定分类预测，得到分类结果。

新案例的验证，为了验证所提出的朴素贝叶斯分类器，使用从文献中获得的未包括在训练数据集中的13个新案例(参见表5)进行测试。其中八组确认为稳定的边坡，其余五组是失稳的斜坡。表5列出了使用提出的贝叶斯分类器和sah等人提出的经验公式预测的结果。只有2例(3号和11号)被错误分类，表明nbc在新案例中的表现可以接受。11号案例的fos为0.99，近似等于1，预测的p(稳定)＝50.3％，非常接近1/2的阈值。sah等人提出的经验公式错误地预测了3例(编号3,11和12)。然而，它不能应用于输入数据不完整的情况(13号案例)。因此，表4中列出的结果表明，所提出的朴素贝叶斯分类器比sah等人提出的经验公式在预测准确性方面表现更好，而且可应用于更广泛的边坡情况，尤其是那些具有不完整的数据的边坡。

表4.13个新案例的验证结果

注：^a经验方程由sah等人提出，采用最大似然估计方法直接估计斜坡圆形破坏的安全系数，它的安全系数可表示为：fos＝2.27c/[γhsin(α)]+1.54(1-ru)tan(φ)/tan(α)。^bna表示不可用。

同样的，可以用上述训练好的朴素贝叶斯分类器，对在建的边坡数据进行边坡稳定性的分类预测，可以预见，采用该方法对于处理边坡稳定性能产生良好的预测结果。

特别地，根据本公开的实施例，上文描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行预测边坡稳定性的建模方法和/或分析方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。具体的本申请实施例提供一种用以预测边坡稳定性的设备，设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述预测边坡稳定性的建模方法和/或分析方法。可以理解，设备包括但不限于个人电脑、智能手机、平板电脑等。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的上述预测边坡稳定性的建模方法或分析方法。

本发明与现有的经验方法相比，所提出的朴素贝叶斯分类器模型在准确性和适用性方面产生了更好的性能，耗时更短，精度更高。

对于处理不完整的数据特别有用，甚至在数据量很小的情况下也能产生良好的预测结果，使得它们非常适合用有限的(或不完整的)岩土数据进行分析。

此外，与其他技术相比，朴素贝叶斯分类器可以非常有效地进行训练，并且可以获得非常好的预测准确性。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。