本发明涉及地质灾害滑坡预测预警中人工智能深度学习领域,尤其涉及一种基于lstm长短期记忆网络的智能滑坡监测装置与方法。
背景技术:
由于滑坡灾害会给人们带来严重的生命、经济损失,因此滑坡的灾害监测一直是重点研发项目,其中对滑坡破坏情况的预测是降低滑坡灾害的有效损失。
大数据支持下的智能预测预警技术随着人工智能时代的到来,正在迅速兴起,但是对于滑坡的预警技术普遍没有考虑到滑坡监测数据的时序性,所以效果并不理想。
目前基于机器学习的滑坡预警技术普遍不够深入,包括方法的选择、参数的调整、优化以及预警产品落地十分困难。
技术实现要素:
发明目的:本发明的目的在于提供一种基于lstm长短期记忆网络的智能滑坡监测装置与监测方法,重点考虑降雨、库水位升降及其引起的地下水位变化等因素,以提高其便利性与准确性。
技术方案:针对以上技术问题,本发明的技术方案如下:
一种基于lstm长短期记忆网络的智能滑坡监测装置,包括:数据输入模块、模型训练模块、模型优化模块、模型可视化模块、用户操作模块;数据模块与模型训练模块相连;模型优化模块与模型优化模块相连;模型优化模块与模型可视化模块相连;模型可视化模块与用户操作模块相连。
其中,数据模块负责对滑坡历史监测数据的提取、预测结果的标定、数据集的划分;训练模块负责数据在lstm网络上的训练并生成训练模型;模型优化模块负责对训练模型的优化以及对数据集划分的调整;模型可视化模块负责对模型结果的直观展示;用户操作模块负责用户自主使用此监测装置。
一种基于lstm长短期记忆网络的智能滑坡监测装置的监测方法,包括以下步骤:
步骤1,数据处理过程;
步骤2,模型训练过程;
步骤3,模型优化过程;
步骤4,模型可视化过程。
其中,步骤1中,数据处理过程包括以下步骤:
步骤1.1:提取滑坡历史监测数据,添加滑坡稳定状态的标签(1:稳定、0:滑动);
步骤1.2:进行数据集的划分:训练集、验证集、测试集;如果监测数据为5年以内,训练集(90%)、验证集(5%)、测试集(5%);如果监测数据为5年以上,训练集(98%)、验证集(1%)、测试集(1%);
步骤2中的模型训练过程包括以下步骤:
步骤2.1:构建lstm单元的遗忘门:利用sigmoid函数决定哪些特征信息需要被遗忘,ft=σ(wf·[ht-1,xt]+bf),表示当开始接收新的对预测结果影响大的特征信息时,忘记对预测结果影响小的特征信息;
其中,ft代表遗忘门信息,σ代表sigmoid函数,wf、bf代表遗忘门权重,ht-1代表上一个单元的输出信息,xt当前单元的输入信息;
步骤2.2:构建lstm单元的输入门:首先利用sigmoid函数决定哪些特征信息需要更新:it=σ(wi·[ht-1,xt]+bi);其次用tanh层生成备选的需要更新的向量:
其中,it代表更新的信息,
步骤2.3:构建lstm单元的输出门:首先通过sigmoid函数确定特征信息的哪个部分将输出出去:ot=σ(wo[ht-1,xt]+bo);其次用tanh层处理ct确定最终输出的部分:ht=ot*tanh(ct);
其中,ot代表输出的特征信息部分,ht代表最终输出的信息;
步骤2.4:通过lstm单元构建神经网络层,一般神经网络层数为2~4;
步骤2.5:将序列化输入特征信息分为不同batch在步骤5.4构建的神经网络中进行训练,得到序列输出。
步骤2.6:定义损失函数用以评估预测值和真实值的差距;
步骤2.7:使用随机梯度下降法计算神经网络的反向传播过程,使得损失函数获得最小值,获得训练模型。
步骤3中,模型优化过程包括以下步骤:
步骤3.1:使用验证集和测试集分别在训练模型中测试,获得测试结果;
步骤3.2:根据训练集和验证集的测试准确率确定模型存在高偏差或高方差问题,然后进行调整网络大小或数据集大小及是否采用正则化等;
步骤3.3:提升神经网络的训练速度:选择adam或者rmsprop等优化算法,及学习率衰减等;
步骤3.4:每隔一段时间进行一次超参数调试,以保证数据都可以在模型中获得良好的表现。
其中的模型可视化过程根据所选的深度学习框架自带的可视化模块进行显示,或者可以自行编辑。
工作原理:本发明基于lstm大数据支持下深度学习方法,提出了一种适用于滑坡的智能监测装置及方法;通过对滑坡历史监测数据的获得不同的输入特征值,如表面变形、深部位移、地下水位、孔隙水压力、渗透流速,以及滑坡是否失稳添加数据标签,并将监测数据按照一定的比例划分为训练集、验证集、测试集;训练集在lstm网络下进行梯度下降训练,获得训练模型;验证集、测试集在训练模型中运行获得准确率结果,通过对结果分析确定模型及数据集调整方向,经过不断调试获得准确率较高的监测模型,使得工程人员可以直接使用,并且获得很高的准确率以及便利性。
有益效果:与现有技术相比,本发明不同用户在使用时可以使用迁移学习改变输出层,用以训练自己的数据,都可以获得很理想的效果。通过不断的向训练模型输入数据可以不断地改善模型的表现,通过保持不断的调整,使得模型一直保持最佳状态。本发明结合人工智能优化算法,极大的提高了对于滑坡灾害预测的准确性,降低了滑坡灾害监测装置的成本,结合迁移学习后可以大范围推广到其他类型滑坡的监测。
附图说明
图1是本发明监测装置的总体结构图;
图2是本发明方法的流程图。
具体实施方式
如图1所示,本发明监测装置包括:数据输入模块、模型训练模块、模型优化模块、模型可视化模块和用户操作模块;其中数据输入模块与模型训练模块相连;模型训练模块与模型优化模块相连;模型优化模块与模型可视化模块相连;模型可视化模块与用户操作模块相连。
数据输入模块负责对滑坡历史监测数据的提取、预测结果的标定、数据集的划分;模型训练模块负责数据在lstm网络上的训练并生成训练模型;模型优化模块负责对训练模型的优化以及对数据集划分的调整;模型可视化模块负责对模型结果的直观展示;用户操作模块负责用户自主使用此监测装置。
如图2所示,一种基于lstm长短期记忆网络的智能滑坡监测装置的监测方法,包括以下步骤:
步骤1,数据处理过程;
步骤2,模型训练过程,;
步骤3,模型优化过程;
步骤4,模型可视化过程。
步骤1的数据处理过程包括以下步骤:
步骤1.1:提取滑坡历史监测数据,添加滑坡稳定状态的标签;标签1代表稳定,标签0代表滑动;
步骤1.2:进行数据集的划分:训练集、验证集、测试集;如果监测数据为5年以内,训练集(90%)、验证集(5%)、测试集(5%);如果监测数据为5年以上,训练集(98%)、验证集(1%)、测试集(1%);
步骤2的模型训练过程包括以下步骤:
步骤2.1:构建lstm单元的遗忘门:利用sigmoid函数决定哪些特征信息需要被遗忘,ft=σ(wf·[ht-1,xt]+bf),表示当开始接收新的对预测结果影响大的特征信息时,忘记对预测结果影响小的特征信息;
其中,ft代表遗忘门信息,σ代表sigmoid函数,wf、bf代表遗忘门权重,ht-1代表上一个单元的输出信息,xt当前单元的输入信息;
步骤2.2:构建lstm单元的输入门:首先利用sigmoid函数决定哪些特征信息需要更新:it=σ(wi·[ht-1,xt]+bi);其次用tanh层生成备选的需要更新的向量:
其中,it代表更新的信息,
步骤2.3:构建lstm单元的输出门:首先通过sigmoid函数确定特征信息的哪个部分将输出出去:ot=σ(wo[ht-1,xt]+bo);其次用tanh层处理ct确定最终输出的部分:ht=ot*tanh(ct);
其中,ot代表输出的特征信息部分,ht代表最终输出的信息;
步骤2.4:通过lstm单元构建神经网络层,神经网络层数为2~4;
步骤2.5:将序列化输入特征信息分为不同batch在步骤2.4构建的神经网络中进行训练,得到序列输出。
步骤2.6:定义损失函数用以评估预测值和真实值的差距;
其中,在统计学中损失函数是一种衡量损失和错误,这种损失与“错误地”估计有关,如费用或者设备的损失程度的函数,是公知常识。
步骤2.7:使用随机梯度下降法计算神经网络的反向传播过程,使得损失函数获得最小值,获得训练模型。
步骤3中的模型优化过程包括以下步骤:
步骤3.1:使用验证集和测试集分别在训练模型中测试,获得测试结果;
步骤3.2:根据训练集和验证集的测试准确率确定模型存在高偏差或高方差问题,然后进行调整网络大小或数据集大小及是否采用正则化等;
步骤3.3:提升神经网络的训练速度:选择adam或者rmsprop等优化算法,及学习率衰减等;
步骤3.4:每隔一段时间进行一次超参数调试,以保证数据都可以在模型中获得良好的表现。
步骤4中的模型可视化过程根据所选的深度学习框架自带的可视化模块进行显示,或者可以自行编辑。