【技术实现步骤摘要】
本公开属于基于特定模型的计算机系统和数据处理领域，具体涉及灾害预测、深度学习算法、机器学习、模型训练、模型训练和微调、模型本地化等，尤其涉及一种基于滑坡识别预测基座模型的滑坡预测方法及装置、系统，以及对应的系统、电子设备、计算机可读存储介质及计算机程序产品。
技术介绍
1、本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、目前还没有可以根据用户自定义环境条件重新实时输出预测结果的灾害预测方案，难以将用户的判断考虑到预测模型之中。
3、现有的人工智能模型主要采用集中式架构，训练数据位于服务器端，模型训练也在服务器端进行，存在数据隐私泄露和服务器性能瓶颈问题，无法满足滑坡监测数据安全和持续不断地采集滑坡监测数据的需求。
4、对于地址灾害识别，由于可能涉及到高精度地图和地址数据的使用，采集的原始数据涉及国家安全，不同部门都不愿意共享自身拥有的数据，另外，由于法律合规的完善，原始数据的自由流动变得越来越困难，如何在保证数据安全以及原始数据缺失的情况下获得灾害预测结果变得尤为迫切。
5、现有的滑坡模型训练必须要求训练数据在服务器端进行，需要传送大量的原始数据，存在数据泄露和服务器性能瓶颈问题，无法满足滑坡监测数据安全和持续不断地采集滑坡监测数据的需求。
6、当集中式架构的服务器需要于多个交互对象交互时，需要等待所有交互对象的数据，不同交互对象处理数据需要的时间不同，难以实现异步处理，造成集中式架构的服务器效率低下
7、现有技术中有对区域发生滑坡的概率进行预测的，比如针对某些区域或者栅格进行预测，并获得所述区域或者栅格发生滑坡的概率，但是无法精确预测滑坡的位置坐标（经度和维度），增大了地址检测专业人员检测和搜索的范围。
8、为了获得同一地同一对象的更多特征，常常需要对同一对象的多源异构数据进行预处理，获得对齐的数据或者一致性的数据，预处理过程需要编写特定的算法处理数据，耗费计算资源且损失准确性，有人不能对不同对象不同来源的异构数据进行处理，使得灾害预测不能实现或者不准确。
9、因此，滑坡灾害的精确识别是一个亟待解决的问题。
技术实现思路
1、针对上述现有技术中存在的问题，提出了一种单模态滑坡识别预测模型的训练方法、滑坡识别预测基座模型的训练方法、滑坡识别预测模型的本地化方法、滑坡识别预测方法，以及配套滑坡识别预测系统、电子设备、计算机可读存储介质及计算机程序产品，利用这种方法、电子设备及计算机可读存储介质，能够解决上述全部或部分问题。
2、第一方面，本公开实施例提出了一种基于滑坡识别预测基座模型的滑坡预测方法，应用于第二设备端，响应于用户的自定义操作，基于实际滑坡数据生成修正数据；所述滑坡识别预测基座模型根据修正数据输出修正的滑坡结果数据；其中，所述滑坡识别预测基座模型至少能够用于预测滑坡的发生概率，所述修正的滑坡结果数据包括：滑坡是否发生、滑坡类型。
3、在一实施例中，在响应于用户的自定义操作之前，还包括：获取多个第一设备端分别发来的目标单模态滑坡识别预测模型的模型参数；基于具有通道注意力机制和空间注意力机制的多项式神经网络，对与多个所述模型参数对应的多个目标单模态滑坡识别预测模型进行多模态数据融合，得到目标滑坡识别预测基座模型。
4、在另一实施例中，在响应于用户的自定义操作之前，所述滑坡识别预测基座模型根据所述实际滑坡数据输出滑坡结果数据。
5、在另一实施例中，所述滑坡结果数据中还包含有：不低于所述预设精度的地理位置信息，所述地理位置信息包括：经度信息、纬度信息和高程信息。
6、在另一实施例中，所述获取多个第一设备端分别发来的目标单模态滑坡识别预测模型的模型参数，包括：
7、获取多个所述第一设备端分别发来的目标单模态滑坡识别预测模型的特征图。
8、在另一实施例中，还包括：仅在预设时长内接收各所述第一设备端分别发来的新目标单模态滑坡识别预测模型的模型参数；其中，接收起始时刻为所述目标滑坡识别预测基座模型的训练完成时刻，所述预设时长为基于各所述第一设备端的设备性能和各所述第一设备端与所述第二设备端之间的数据传输性能确定得到；基于各所述新目标单模态滑坡识别预测模型的模型参数，更新所述目标滑坡识别预测基座模型。
9、在另一实施例中，还包括：不再接收在超出所述预设时长外各所述第一设备端分别发来的新目标单模态滑坡识别预测模型的模型参数；或
10、丢弃在超出所述预设时长外各所述第一设备端分别发来的新目标单模态滑坡识别预测模型的模型参数。
11、第二方面，本公开实施例提出了一种滑坡识别预测模型的本地化方法，应用于第三设备端，包括：向第二设备端发起包含本地所使用的滑坡数据的目标模态的模型本地化请求；基于所述第二设备端的目标滑坡识别预测基座模型获得裁剪后模型或轻量化模型；其中，所述裁剪后模型为将目标滑坡识别预测基座模型中与所述目标模态关联度低于预设程度的模型参数和模型结构裁剪掉后所得到的模型，所述目标滑坡识别预测基座模型基于第一方面的基于滑坡识别预测基座模型的滑坡预测方法得到，所述轻量化模型为在无法基于所述目标模态完成对所述目标滑坡识别预测基座模型中模型参数和模型结构的裁剪时对所述目标滑坡识别预测基座模型通过预设的轻量化处理后得到的模型；对所述裁剪后模型或所述轻量化模型，采用与所述目标模态的本地化滑坡训练样本进行微调训练，得到本地化滑坡识别预测模型；响应于用户的自定义操作，基于实际滑坡数据生成修正数据；所述本地化滑坡识别预测模型根据修正数据输出修正的滑坡结果数据；其中，所述本地化滑坡识别预测模型至少能够用于预测滑坡的发生概率，所述修正的滑坡结果数据包括：滑坡是否发生、滑坡类型。
12、第三方面，本公开实施例提出了一种滑坡识别预测方法，应用于第三设备端，包括：接收对目标地理位置采集得到的目标模态的实际滑坡数据；调用预设的本地化滑坡识别预测模型处理所述实际滑坡数据，得到输出的滑坡识别结果；其中，所述本地化滑坡识别预测模型为基于第二方面的滑坡识别预测模型的本地化方法得到；根据所述滑坡识别结果确定不同类型的滑坡的发生概率。
13、第四方面，本公开实施例提出了一种目标单模态滑坡识别预测模型的训练方法，应用于第一设备端，用于生成如第三方面所述的目标单模态滑坡识别预测模型，在所述获取多个第一设备端分别发来的目标单模态滑坡识别预测模型的模型参数之前，包括：获取通过预设的单模态滑坡数据采集装置采集得到的单模态滑坡数据；将所述单模态滑坡数据作为样本输入、将与所述单模态滑坡数据对应的滑坡结果数据作为期望样本输出，构建包含所述样本输入和所述期望样本输出的训练样本；利用所述训练样本对待训练的单模态滑坡识别预测模型进行训练，得到目标单模态滑坡识别预测模型。
14、在一实施例中，所述利用所述训练样本对待训练的单模态滑坡识别预测模型进行训练，得到目标单本文档来自技高网...
【技术保护点】
1.一种基于滑坡识别预测基座模型的滑坡预测方法，应用于第二设备端，其特征在于，
2.根据权利要求1所述的方法，其特征在于，所述修正的滑坡结果数据中还包含有：不低于所述预设精度的地理位置信息，所述地理位置信息包括：经度信息、纬度信息和高程信息。
3.根据权利要求1或2所述的方法，其特征在于，所述响应于用户的自定义操作，基于实际滑坡数据生成修正数据，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，在响应于用户的自定义操作之前，还包括：
5.一种滑坡识别预测模型的本地化方法，其特征在于，应用于第三设备端，包括：
6.一种滑坡识别预测方法，其特征在于，应用于第三设备端，包括：
7.一种目标单模态滑坡识别预测模型的训练方法，应用于第一设备端，生成如权利要求4所述的目标单模态滑坡识别预测模型，其特征在于，在所述获取多个第一设备端分别发来的目标单模态滑坡识别预测模型的模型参数之前，包括：
8.一种基于滑坡识别预测基座模型的滑坡预测装置，其特征在于，包括：
9.一种第二设备，其特征在于，包
10.一种第三设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于滑坡识别预测基座模型的滑坡预测方法，应用于第二设备端，其特征在于，
2.根据权利要求1所述的方法，其特征在于，所述修正的滑坡结果数据中还包含有：不低于所述预设精度的地理位置信息，所述地理位置信息包括：经度信息、纬度信息和高程信息。
3.根据权利要求1或2所述的方法，其特征在于，所述响应于用户的自定义操作，基于实际滑坡数据生成修正数据，包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，在响应于用户的自定义操作之前，还包括：
5.一种滑坡识别预测模型的本地...
【专利技术属性】
技术研发人员：范宣梅，唐小川，焦修刚，姚林林，谷虎，王文松，王欣，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。