一种基于多元时间序列数据的滑坡易发性评价方法

本发明涉及一种基于多元时间序列数据的滑坡易发性评价方法。

背景技术：

1、山体滑坡灾害是当下一种常见的地质作用或地质现象，其具体是指在自然或者人为的因素下形成的一种不仅对环境造成破坏，并对其影响范围内的人类造成一定生命财产损失的地质灾害。滑坡灾害具有较大的破坏性，是由于区域性地质环境被严重破坏造成的灾害现象。其在时间和空间上的分布规律，既受制于自然环境，同时也同人类活动息息相关，其发生往往是人类同自然环境协同作用下的结果。我国是世界上受滑坡灾害影响最严重的国家之一。其中，夏季是滑坡地质灾害发生的集中高发时期，秋冬季节低发。我们主要应当注意防范山区人类的工程活动以及西南地区由于降雨等原因引发的山体滑坡。随着人类活动的加剧，滑坡也对人类的生产和生活造成极其严重的影响。长期以来，由于山体滑坡造成的危害和影响受到专家和学者的关注，如何预测山体滑坡的发生，使其造成的损害最小化成为了研究的热门难题。滑坡易发性指的是滑坡的易发性程度，其是一种可能性表述，通过概率的大小去表述地质灾害发生的可能性。对滑坡地质灾害易发性的评价方法研究对现实生活滑坡的防灾及减灾就显得极其重要，具有重要的现实及理论意义。另外，地质灾害的发生，往往是在时间序列中长期积累，最后引发的灾害，因此，地质灾害的预测也应是基于时间序列的预测研究。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种利用lstm模型对山体滑坡时间序列数据进行学习，并增添attention注意力机制，能够从大规模数据中筛选出价值较高的信息，提高了任务处理的效率以及速度的基于多元时间序列数据的滑坡易发性评价方法。

2、本发明的目的是通过以下技术方案来实现的：一种基于多元时间序列数据的滑坡易发性评价方法，包括以下步骤：

3、步骤1、进行数据采集与存储：通过雨量计、地表裂缝传感器、孔隙水压力计、深部位移计采集水文气候数据，并获取坡度、高程、地层岩性、植被覆盖率、地震强度和坡体距离道路距离；

4、数据存储：采集到的数据通过串口传输，传输到智能终端rtu；智能终端rtu将采集到的数据传输到云数据库中；

5、步骤2、数据预处理：对数据缺失值、数据异常值进行处理，并进行卡尔曼滤波；

6、步骤3、进行归一化处理；

7、步骤4、采用基于注意力的长短期记忆人工神经网络模型来进行地质灾害易发性评价；基于注意力的长短期记忆人工神经网络模型简称att-lstm模型；

8、att-lstm模型包括lstm隐藏层、attention层、fc全连接层；lstm隐藏层用于将输入时间序列的数据进行高维特征的学习训练；attention层作用是对不同时间序列信息特征分别加权；全连接层作用则是进行局部特征整合，映射数据输出在非线性区间内，转换为需要的输出预测等级值。

9、所述步骤s2中，选择使用拉格朗日插值法进行数据缺失值处理；利用二维平面上有数个已知点，拟合一个最小次数的多项式的光滑曲线刚好穿过这些已知点，从而求得缺失点的对应值；

10、利用平面中的n个已知点构造一个n-1次多项式：

11、y＝a0+a1x+a2x2+…+an-1xn-1

12、将已知的n个点的坐标(x1,y1),(x2,y2),…,(xn,yn)代入上式，得到：

13、y1＝a0+a1x1+a2x12+…+an-1x1n-1

14、y2＝a0+a1x2+a2x22+…+an-1x2n-1

15、…

16、yn＝a0+a1xn+a2xn2+…+an-1xnn-1

17、解得拉格朗日表达式为：

18、

19、式中，f(x)是拉格朗日表达式，xi和xj为互异的两个节点，yi为xi处对应的函数值；当需要求出k时刻对应的近似监测值f(k)时，将x＝k带入拉格朗日表达式中，得到f(k)；

20、数据异常值处理方法为：过滤超出设定阈值范围内的数据；或者对数据曲线进行数据平滑处理，剔除非平滑点；

21、卡尔曼滤波包括两个过程，状态预测以及矫正；状态预测是通过系统当前的状态模型去预测下一个状态模型，其计算公式为：

22、xk＝mxk-1+nsk-1

23、pk＝mpk-1mt+a

24、其中，xk是k时刻的状态预测值，m是系统k-1时刻到k时刻的状态转移矩阵，n是控制向量状态转移矩阵，sk-1是k-1时刻的控制向量，pk为k时刻预测的误差协方差转移矩阵，a是过程噪声协方差矩阵，上标t表示转置；

25、矫正过程是通过利用当前的系统状态预测估计值以及当前实时采集的监测值来对状态预测值和协方差转移矩阵进行矫正，具体计算过程如下式所示：

26、kk＝pkht(hpkht+r)-1

27、x′k＝xk+kk(zk-hxk)

28、p′k＝(1-kkh)pk

29、其中x′k、p′k为矫正后的状态预测值和协方差转移矩阵，r是测量噪声协方差矩阵，h是观测值系统矩阵，zk是采集的数据监测值。

30、本发明的有益效果是：

31、1、本发明对滑坡地质灾害多元数据进行数据预处理，其中包括数据预处理(数据清洗处理)以及数据归一化处理等，对数据误差以及噪声等进行修正，同时利用数据归一化处理将数据无量纲化，使用起来更科学准确。

32、2、本发明利用长短期记忆人工神经网络lstm模型对山体滑坡时间序列数据进行学习，对以往瞬时监测数据预测进行改进，能够更为准确且科学地对滑坡地质灾害进行易发性评价。

33、3、本发明针对lstm模型应用于滑坡地质灾害时，处理大量数据预测中容易丢失重点信息的弊端增添attention注意力机制，减少或过滤掉不重要的信息，从大规模数据中筛选出价值较高的信息，提高了任务处理的效率以及速度。同时解决了信息超载的问题，更好的捕捉数据的动态变化，提高预测模型的精度，对模型进行优化。

34、4、本发明充分考虑山体滑坡地质灾害监测的多元数据，摒弃以往单参数进行预警的弊端，能够更为全面的对山体滑坡进行分析。同时，基于注意力的长短期记忆人工神经网络(att-lstm)模型能够充分挖掘山体滑坡监测数据在时间序列上的特征信息，并将其应用于滑坡易发性评价研究中。为应急管理有关部门提供应急参考，同时为人民群众声明财产安全提供保障。

技术特征：

1.一种基于多元时间序列数据的滑坡易发性评价方法，其特征在于，包括以下步骤：

2.根据权利要求1所述额一种基于多元时间序列数据的滑坡易发性评价方法，其特征在于，所述步骤s2中，选择使用拉格朗日插值法进行数据缺失值处理；利用二维平面上有数个已知点，拟合一个最小次数的多项式的光滑曲线刚好穿过这些已知点，从而求得缺失点的对应值；

技术总结
本发明公开了一种基于多元时间序列数据的滑坡易发性评价方法，包括以下步骤：步骤1、进行数据采集与存储；步骤2、数据预处理：对数据缺失值、数据异常值进行处理，并进行卡尔曼滤波；步骤3、进行归一化处理；步骤4、采用基于注意力的长短期记忆人工神经网络模型来进行地质灾害易发性评价。本发明利用LSTM模型对山体滑坡时间序列数据进行学习，对以往瞬时监测数据预测进行改进，能够更为准确且科学地对滑坡地质灾害进行易发性评价；增添Attention注意力机制，减少或过滤掉不重要的信息，从大规模数据中筛选出价值较高的信息，提高了任务处理的效率以及速度。同时解决了信息超载的问题，更好的捕捉数据的动态变化，提高预测模型的精度。

技术研发人员：汪永超,张栩静,陈珂,周涛,毛凯宁
受保护的技术使用者：四川大学
技术研发日：
技术公布日：2024/1/16