一种边缘解算的诱灾因子自适应滑坡预警方法

本发明涉及滑坡预警领域，具体是一种边缘解算的诱灾因子自适应滑坡预警方法。

背景技术：

1、我国疆域幅员辽阔，地形地貌复杂多变，地质灾害种类繁多，分布广泛。随着全球变暖，极端降雨、极端高温干旱天气的反复出现，古老稳定的滑坡体逐步变得活跃起来。为了避免因滑坡导致的人员、财产损失，对这些因极端条件而逐渐变得活跃的滑坡进行实时监测、预警是十分必要的。

2、由于降雨、干旱、地下水位升降这些诱发因素，在一个水文年内呈现出明显的周期性变化，因此滑坡监测位移曲线呈现出周期性、阶梯状的增长形态；另外，受极端天气的影响，短临强降雨、地下水位骤升/降势必会导致滑坡位移曲线呈现出跳跃式增长。

3、考虑到滑坡受周期性诱发因素的影响，传统的预警手段是将实时监测数据推送到云平台，通过云平台中内嵌的“位移预测+切线角预警判据”相结合的预警算法对实时监测数据进行分析，并将计算结果推送至滑坡现场进行声光预警。其中位移预测是采用分解算法将位移数据分解成周期项和趋势项，针对分解后数据的不同形态采用不同的人工智能算法对未来趋势进行预测，最后将不同形态的预测数据叠加至一起得到滑坡位移的预测值；另外，在得到滑坡位移预测值后，通过计算位移曲线的切线大小并对比经验阈值，得到滑坡当前预警级别的结果。

4、上述传统位移预测手段中的分解算法未考虑因短临强降雨、地下水位骤升/降而导致的滑坡位移曲线跳跃式增长；同时数据解算及预警判断都是依赖云服务器，当传输数据时发生了网络延迟、数据丢包等问题，必然会影响监测数据的解算或预警信息的发布。

技术实现思路

1、本发明的目的是提供一种边缘解算的诱灾因子自适应滑坡预警方法，包括以下步骤：

2、1)获取待监测滑坡对象的历史位移监测数据样本，并存储于服务器端；

3、2)构建存储有若干滑坡先验特征信息函数的待选函数库；所述滑坡先验特征信息函数的输出为滑坡位移预测值；将滑坡先验特征信息函数的待选函数库传输至边缘解算电脑

4、3)当滑坡位移预测算法初始化时，从待选函数库中随机选择若干滑坡先验特征信息函数组成算法的栈模块；

5、4)所述边缘解算电脑通过gprs网络调取服务器端的历史位移监测数据样本，并对算法的栈模块进行训练，得到滑坡位移预测模型，并存储边缘解算电脑中；

6、5)所述边缘解算电脑通过zigbee节点实时获取监测现场的位移监测数据作为模型预测的输入数据，并输入至滑坡位移预测模型中，得到滑坡位移预测结果。

7、进一步，所述边缘解算电脑内嵌有滑坡预警判据；所述边缘解算电脑根据滑坡预警判据对滑坡位移预测结果进行判断，得到滑坡未来走势和预警级别；

8、进一步，所述边缘解算电脑通过gprs传输模块将预警级别和滑坡未来走势同步至服务器端；

9、所述边缘解算电脑根据预警级别，通过zigbee向声光告警设备发出预警信号；

10、所述服务器端将预警级别和滑坡未来走势发送给工作人员。

11、进一步，每个滑坡先验特征信息函数均包括线性层、非线性层、功能函数层。

12、其中，输入数据为非线性层的输入，非线性层的输出为线性层的输入；线性层的输出为功能函数层的输入，功能函数层的输出为滑坡位移预测值。

13、进一步，所述非线性层包括n层全连接层；n≥4；

14、其中，第1层全连接层的输出如下所示：

15、hl,1＝fcl,1(xl) (1)

16、式中，l代表第l个滑坡先验特征信息函数，xl为第l个滑坡先验特征信息函数的输入数据；fcl,1表示第l个滑坡先验特征信息函数的第1层全连接层的非线性激活函数；hl,1表示第l个滑坡先验特征信息函数的第1层全连接层的输出；

17、第i层全连接层的输出如下所示：

18、hl,i＝fcl,i(hl,i-1) (2)

19、式中，hl,i-1为第i-1层全连接层的输出；hl,i为第i层全连接层的输出；fcl,i表示第i-1层全连接层的非线性激活函数；i＝2，3,…n。

20、进一步，所述非线性激活函数包括但不仅限于：sigmoid、tanh、relu。

21、当非线性激活函数选用sigmoid时，第l个滑坡先验特征信息函数的第1层全连接层和第i层全连接层的输出分别如下所示：

22、hl,1＝sigmoid(wl,1xl+bl,1)                  (3)

23、hl,i＝sigmoid(wl,ihl,i-1+bl,i)                  (4)

24、式中，wl,1、wl,i为权重；bl,1、bl,i为偏置。hl,1为l块的第1层全连接层的输出。

25、进一步，所述功能函数包括增长性函数、波动性函数和阶跃性函数。

26、当功能函数为增长性函数时，所述滑坡先验特征信息函数输出的滑坡位移预测值和回测值分别如下所示：

27、

28、

29、式中，向量t＝[tp,tp,tp,…,tp]，t为时间；p＝{0,1,2}，为控制线性单调递增或递减行为速度的参数，当函数初始化时p值将被随机分配一个值；为增长性函数输入的历史数据组成的向量；为线性层输出的结果；为偏置；

30、当功能函数为波动性函数时，所述滑坡先验特征信息函数输出的滑坡位移预测值和回测值分别如下所示：

31、

32、

33、式中，向量h为向前预测的窗口长度；为波动性函数输入的历史数据组成的向量；

34、当功能函数为阶跃性函数时，所述滑坡先验特征信息函数输出的滑坡位移预测值和回测值分别如下所示：

35、

36、

37、式中，向量h为向前预测的窗口长度；为阶跃性函数输入的历史数据组成的向量。

38、进一步，所述滑坡位移预测结果如下所示：

39、

40、式中,n为当前栈中滑坡先验特征信息函数的数量；为滑坡位移预测结果；滑坡位移预测值

41、进一步，在构建滑坡位移预测模型后，还对滑坡位移预测模型进行优化，步骤包括：

42、a)滑坡位移预测模型初始化时，将预先从服务器中抓取来的若干滑坡先验特征信息函数，按随机顺序组成滑坡位移预测算法栈模块；栈中队列的每一个滑坡先验特征信息函数的输入为上一个队列信息函数的输入与回测值的残差；

43、b)利用预测精度判别函数对滑坡位移预测模型的精度进行判断，若滑坡位移预测模型的精度满足预先设置的阈值要求，则滑坡位移预测模型训练成功；

44、若不满足要求，将函数序列中的第一个滑坡先验特征信息函数移除栈的队列，并对该滑坡先验特征信息函数进行训练；

45、d)判断训练后滑坡位移预测模型精度是否大于预设精度阈值；

46、若满足要求，则滑坡位移预测模型训练成功；

47、若不满足要求，则随机抽取一个从服务器中抓取来的滑坡先验特征信息函数重新写入栈中，使该滑坡先验特征信息函数排在函数序列末尾；

48、f)再次对模型进行训练，若满足要求，则滑坡位移预测模型训练成功；

49、若不满足要求，则依次重复步骤c)～步骤f)，直至模型训练成功。

50、其中，所述预测精度判别函数包括但不仅限于均方误差函数、均方根误差函数、平均绝对误差函数；

51、栈中各滑坡先验特征信息函数的预测结果之和为滑坡位移预测值；

52、栈的函数序列中，滑坡先验特征信息函数输入数据是上一个队列的输入值与回测值的残差xl+1，栈顶的输入为滑坡时间序列；即：

53、

54、式中，为回测值，xl为输入值。

55、进一步，计算预警级别的步骤包括：

56、基于滑坡位移预测结果，计算当前时刻位移切线角tanθcur；

57、若当前时刻位移切线角tanθcur≈0°，则预警级别为第四等级；

58、若当前时刻位移切线角0<tanθcur≤tanθmax，则预警级别为第三等级；

59、若当前时刻位移切线角tanθcur＞tanθmax，且预测段位移存在稳定拐点则预警级别为第二等级；

60、若当前时刻位移切线角tanθcur＞tanθmax，且预测段位移不存在稳定拐点且预测段位移存在稳定拐点则预警级别为第一等级；

61、其中，第一等级的危险程度最高，第四等级的危险程度最低。

62、本发明的技术效果是毋庸置疑的，本发明考虑了短临强降雨、地下水位骤升/降对滑坡位移的影响；同时算法模型框架中设置了栈模块，使得算法可以根据外界诱发因素对滑坡位移预测算法进行调整；滑坡位移预测及预警判别机制都部署在监测现场，解决了网络延迟、数据丢包等导致预警信息发布延迟或丢失的问题。