一种高陡边坡位移点预测方法与流程

1.本发明涉及人工智能预测算法技术领域，具体而言，涉及一种高陡边坡位移点预测方法。


背景技术：

2.随着我国经济的快速发展，交通运输也随之发展迅猛，在修建铁路、公路等交通运输要道时，不可避免的通过山区的高陡边坡地段，这些地区，地质地形条件复杂、环境恶劣，受到地震、洪水、暴雨及各种外界极端天气、气候的影响，易导致高陡边坡发生滑坡、溜坍、崩塌等重大灾害，对交通运行安全造成极大隐患，对人类生存环境、资源和生命财产等造成了极大的破坏和损失。因此，只有对地质灾害的提前识别和趋势预测，才是避免高陡边坡地质灾害造成损失和伤亡的重要手段之一。随着人工智能算法的发展，越来越多的智能预测算法在边坡位移预测中应用，例如支持向量机回归算法、随机森林算法、梯度提升机算法、循环神经网络算法等，其中gru门控循环网络因其结构简单、模型收敛速度快、泛化能力好、在处理长时间序列方面具有较大优势等优点，尤其受到广大研究者的欢迎。
3.然而，包括gru算法在内，上述算法均为单一预测算法，其内部均存在很多预设参数需要人为调整，耗时耗力、效率低下，且可能寻找不到最佳的模型参数配置，导致利用其算法的方法都具有预测能力差、系统稳定性差和运算速度慢的缺点。
4.基于此，提出一种高陡边坡位移点预测方法来解决上述问题。


技术实现要素：

5.本发明的目的在于提供一种高陡边坡位移点预测方法，其能够解决传统传统预测方法预测能力差、精度低、系统稳定性差和运算速度慢的问题。
6.本发明的技术方案为：
7.第一方面，本技术提供一种高陡边坡位移点预测方法，其包括以下步骤：
8.s1、基于gru深度学习算法和ddapso元启发式优化算法，建立ddapso-gru点预测模型；
9.s2、从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入ddapso-gru点预测模型进行训练，同时保存训练后的预测模型；
10.s3、从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果。
11.进一步地，步骤s1中，上述gru深度学习算法的公式包括：
12.z
t
＝σ(wz·
[h
t-1
，x
t
])
[0013][0014][0015]
其中，z
t
表示更新门，σ表示sigmoid激活函数，wz表示更新门的待训练权重矩阵，ht-1
表示上一时刻的隐状态，x
t
表示当前时刻的输入特征，h
t
表示当前时刻的隐状态，表示当前时刻的候选隐状态，表示边坡位移序列，wo表示输出层的待训练权重矩阵，bo表示偏置项。
[0016]
进一步地，步骤s1中，上述ddapso元启发式优化算法为pso算法的改进算法，其改进公式如下：
[0017][0018][0019][0020]
ω＝ω
max
，f＞f
avg
，
[0021]
其中，c1、c2均为学习因子，c
1b
、c
1e
分别表示c1的初始值和最终值，c
2b
、c
2e
分别表示c2的初始值和最终值，m
cur
表示当前迭代次数，m
max
表示最大迭代次数，ω表示惯性因子，ω
max
表示ω的最大值，ω
min
表示ω的最小值，f表示当前目标函数值，f
avg
表示当前平均目标函数值，f
min
表示目标函数极小值。
[0022]
进一步地，步骤s1中，上述建立ddapso-gru点预测模型的方法包括：
[0023]
构建高陡边坡位移数据集；
[0024]
基于高陡边坡位移数据集搭建ddapso-gru的网络架构；
[0025]
基于ddapso-gru的网络架构建立ddapso-gru点预测模型。
[0026]
进一步地，上述构建高陡边坡位移数据集的方法包括：
[0027]
获取历史多个时刻的位移数据和未来一个时刻的位移数据以构成数据集；
[0028]
将数据集按照时间顺序划分为训练集、验证集和测试集；
[0029]
将划分后的训练集、验证集和测试集进行归一化处理，基于处理结果以构建高陡边坡位移数据集。
[0030]
进一步地，上述归一化处理采用的公式为：
[0031][0032]
其中，x表示待归一化的位移值，x
min
、x
max
分别为位移数据中的最小值和最大值，x
scaled
表示归一化后的位移值。
[0033]
进一步地，上述搭建ddapso-gru的网络架构的方法包括：
[0034]
以gru神经网络为基础搭建gru网络模型；
[0035]
基于gru网络模型和ddapso算法设置gru网络模型的优化参数；
[0036]
利用ddapso算法对gru网络模型的优化参数进行优化以得到ddapso-gru的网络架
构的最优配置；
[0037]
基于ddapso-gru的网络架构的最优配置搭建ddapso-gru的网络架构。
[0038]
第二方面，本技术提供一种电子设备，其特征在于，包括：
[0039]
存储器，用于存储一个或多个程序；
[0040]
处理器；
[0041]
当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项的一种高陡边坡位移点预测方法。
[0042]
第三方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的一种高陡边坡位移点预测方法。
[0043]
相对于现有技术，本发明至少具有如下优点或有益效果：
[0044]
(1)本技术提供一种高陡边坡位移点预测方法，结合ddapso-gru算法与mysql技术，解决了既往预测算法均为单一预测算法，人为调整模型参数耗时耗力、效率低下，且无法寻找最佳的模型参数配置、制约了预测精度的提升、预测算法交互难、预测功能落地难的问题；
[0045]
(2)本技术结合元启发式优化算法和单一位移预测模型，在建立边坡位移模型之前，采用优化算法对其进行模型的超参数整定，得到最佳预测模型参数，建立可以自适应调整模型参数的组合预测模型，实现了对高陡边坡位移的精准预测，大大的提高了预测精度和泛化能力。
附图说明
[0046]
为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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。
[0047]
图1为本发明提供的一种高陡边坡位移点预测方法的步骤图；
[0048]
图2为本发明提供的一种电子设备的示意性结构框图。
[0049]
图标：101、存储器；102、处理器；103、通信接口。
具体实施方式
[0050]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0051]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0052]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0053]
需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0054]
在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
[0055]
下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
[0056]
实施例1
[0057]
请参阅图1，图1所示为本技术实施例1提供的一种高陡边坡位移点预测方法的步骤图。
[0058]
第一方面，本技术提供一种高陡边坡位移点预测方法，其包括以下步骤：
[0059]
s1、基于gru深度学习算法和ddapso元启发式优化算法，建立ddapso-gru点预测模型；
[0060]
s2、从mysql数据库中读取高陡边坡位移的历史数据，并将该历史数据输入ddapso-gru点预测模型进行训练，同时保存训练后的预测模型；
[0061]
s3、从mysql数据库中读取高陡边坡位移的最新数据，并将该最新数据输入训练后的预测模型进行预测以得到预测结果。
[0062]
作为一种优选的实施方式，步骤s1中，gru深度学习算法的公式包括：
[0063]zt
＝σ(wz·
[h
t-1
，x
t
])
[0064][0065][0066]
其中，z
t
表示更新门，σ表示sigmoid激活函数，wz表示更新门的待训练权重矩阵，h
t-1
表示上一时刻的隐状态，x
t
表示当前时刻的输入特征，h
t
表示当前时刻的隐状态，表示当前时刻的候选隐状态，表示边坡位移序列，wo表示输出层的待训练权重矩阵，bo表示偏置项。
[0067]
作为一种优选的实施方式，步骤s1中，ddapso元启发式优化算法为pso算法的改进算法，其改进公式如下：
[0068]
[0069][0070][0071]
ω＝ω
max
，f＞f
avg
，
[0072]
其中，c1、c2均为学习因子，c
1b
、c
1e
分别表示c1的初始值和最终值，c
2b
、c
2e
分别表示c2的初始值和最终值，m
cur
表示当前迭代次数，m
max
表示最大迭代次数，ω表示惯性因子，ω
max
表示ω的最大值，ω
min
表示ω的最小值，f表示当前目标函数值，f
avg
表示当前平均目标函数值，f
min
表示目标函数极小值。
[0073]
作为一种优选的实施方式，步骤s1中，建立ddapso-gru点预测模型的方法包括：
[0074]
构建高陡边坡位移数据集；
[0075]
基于高陡边坡位移数据集搭建ddapso-gru的网络架构；
[0076]
基于ddapso-gru的网络架构建立ddapso-gru点预测模型。
[0077]
作为一种优选的实施方式，构建高陡边坡位移数据集的方法包括：
[0078]
获取历史多个时刻的位移数据和未来一个时刻的位移数据以构成数据集；
[0079]
将数据集按照时间顺序划分为训练集、验证集和测试集；
[0080]
将划分后的训练集、验证集和测试集进行归一化处理，基于处理结果以构建高陡边坡位移数据集。
[0081]
作为一种优选的实施方式，归一化处理采用的公式为：
[0082][0083]
其中，x表示待归一化的位移值，x
min
、x
max
分别为位移数据中的最小值和最大值，x
scaled
表示归一化后的位移值。
[0084]
由此，数据的归一化处理，消除了数据的量纲差异且使得网络训练的速度和效率得到提升。
[0085]
作为一种优选的实施方式，搭建ddapso-gru的网络架构的方法包括：
[0086]
以gru神经网络为基础搭建gru网络模型；
[0087]
基于gru网络模型和ddapso算法设置gru网络模型的优化参数；
[0088]
利用ddapso算法对gru网络模型的优化参数进行优化以得到ddapso-gru的网络架构的最优配置；
[0089]
基于ddapso-gru的网络架构的最优配置搭建ddapso-gru的网络架构。
[0090]
需要说明的是，gru网络模型的优化参数包括ddapso优化算法中种群数目m、迭代次数n、初始学习因子c、初始惯性因子w等初始参数。
[0091]
其中，利用ddapso算法对gru网络模型的优化参数进行优化以得到ddapso-gru的网络架构的最优配置的步骤包括：
[0092]
随机初始化ddapso算法的粒子种群，并随机化gru网络模型的每一层神经元个数
neuron、学习率α，将划分好的训练集和验证集输入到ddapso-gru网络模型中，执行ddapso算法迭代优化流程并判断适应度函数是否满足要求或达到最大迭代次数，满足后得到ddapso-gru的网络架构的最优配置。
[0093]
实施例2
[0094]
请参阅图2，为本技术实施例2提供的一种电子设备的示意性结构框图。
[0095]
一种电子设备，包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
[0096]
其中，存储器101可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
[0097]
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0098]
可以理解，图中所示的结构仅为示意，一种高陡边坡位移点预测方法还可包括比图中所示更多或者更少的组件，或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
[0099]
在本技术所提供的实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0100]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0101]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个
人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0102]
综上所述，本技术实施例提供的一种高陡边坡位移点预测方法，通过结合ddapso-gru算法与mysql技术，在建立边坡位移点预测模型之前，利用优化算法对其进行模型的超参数整定，得到最佳预测模型参数，，建立可以自适应调整模型参数的组合预测模型，使得位移预测模型在精度和泛化能力上均有一定的优势，能很好地支撑高大边坡的位移预测；基于物联网、云计算、大数据等技术架构，以数据库交互和服务器运行为核心，将本地端的预测模型应用于既有边坡监测系统，搭建高陡边坡点预测子系统，对高陡边坡位移进行精准预测，有效提升了边坡智能化监测水平，解决了既往预测算法均为单一预测算法，人为调整模型参数耗时耗力、效率低下，且可能寻找不到最佳的模型参数配置、制约了预测精度的提升、预测算法交互难、预测功能落地难、监测系统智能化水平低的问题。
[0103]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0104]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。