【技术实现步骤摘要】
本专利技术涉及工程地质学，具体而言，涉及一种滑坡位移时空预测方法、装置、系统及存储介质。
技术介绍
1、滑坡作为一种常见的地质灾害，其内部地质环境与外界环境因素都极为复杂。在多种外界扰动因子的作用下，滑坡易发生失稳破坏，给周边居民的生命安全和财产造成重大威胁。随着技术的进步，许多特大型滑坡区域已构建起立体监测预警系统，通过这些系统获取的海量滑坡位移时序监测数据，成为研究滑坡行为的重要基础。滑坡变形是滑坡安全监测的关键指标，实时监控滑坡的变形过程能够记录失稳破坏前的全过程信息，并提取滑坡发生前的前兆特征，从而为滑坡灾变预警提供可靠依据。因此，建立高效的滑坡预测预报模型，利用海量数据集对滑坡变形趋势进行精准预测不仅具有重要的理论意义，还有显著的实际应用价值。
2、近年来，随着机器学习理论、非线性科学和系统科学的迅猛发展，滑坡位移时间序列的非线性特征得到了广泛认可。基于非线性理论建立的机器学习模型因其良好的适用性和泛化能力，逐渐成为滑坡位移预测研究的热点。尤其是人工神经网络(ann)、卷积神经网络(cnn)、循环神经网络(rnn)、长短期记忆神经网络(lstm)等人工智能模型的应用广泛。然而，这些传统的预测方法主要侧重于监测数据的时间关系，且针对单个监测点数据进行分析，难以充分考虑多个滑坡监测点之间复杂的时空关系，进而导致最后的预测结果精度较差。即这些方法在针对滑坡整体变形趋势的判断上存在局限性，且在滑坡多点监测时序数据的预测效率和时间成本方面也面临挑战。
技术实现思路
1、
2、为解决上述问题，本专利技术提供一种滑坡位移时空预测方及装置。
3、第一方面，本专利技术提供了一种滑坡位移时空预测方法，包括：
4、获取待测区域的各监测点的历史滑坡多场时序监测数据，所述历史滑坡多场时序监测数据包括历史空间相关数据、历史位移时间序列和历史滑坡外界扰动因子时间序列；
5、基于所述历史空间相关数据构建监测点位图，并根据所述历史位移时间序列、所述历史滑坡外界扰动因子时间序列和所述监测点位图构建时序特征矩阵；
6、将所述时序特征矩阵和所述监测点位图输入训练好的滑坡位移时空预测模型中，得到滑坡位移时空预测结果；所述滑坡位移时空预测模型基于改进gcn网络和改进bilstm网络构建得到。
7、可选地，所述将所述时序特征矩阵和所述监测点位图输入训练好的滑坡位移时空预测模型中，得到滑坡位移时空预测结果，包括：
8、通过所述改进gcn网络对所述时序特征矩阵和所述监测点位图进行处理，得到空间时序特征矩阵；
9、通过所述改进bilstm网络对所述空间时序特征矩阵进行预测，得到所述滑坡位移时空预测结果。
10、可选地，所述改进gcn网络包括原始gcn网络和多头注意力机制；所述通过所述改进gcn网络对所述时序特征矩阵和所述监测点位图进行处理，得到空间时序特征矩阵，包括：
11、通过所述多头注意力机制对所述时序特征矩阵进行融合处理，得到多头注意力融合输出数据；
12、通过所述原始gcn网络对所述多头注意力融合输出数据和所述监测点位图进行重构处理，得到所述空间时序特征矩阵。
13、可选地，所述通过所述原始gcn网络对所述多头注意力融合输出数据和所述监测点位图进行重构处理，得到所述空间时序特征矩阵，包括：
14、基于所述监测点位图计算空间监测点位的加权邻接矩阵；
15、基于所述加权邻接矩阵，对所述多头注意力融合输出数据进行重构，得到所述空间时序特征矩阵。
16、可选地，所述改进bilstm网络包括时间注意力机制；所述改进bilstm网络构建过程包括：
17、获取原始bilstm网络，所述原始bilstm网络包括前向lstm单元和与其对应的后向lstm单元；
18、将所述前向lstm单元和所述后向lstm单元均增加所述时间注意力机制，得到所述改进bilstm网络，所述时间注意力机制基于全连接层和softmax函数构建得到。
19、可选地，所述通过所述改进bilstm网络对所述空间时序特征矩阵进行预测，得到所述滑坡位移时空预测结果，包括：
20、通过所述原始bilstm网络对所述空间时序特征矩阵进行特征提取，得到隐藏状态矩阵；
21、通过所述时间注意力机制对所述隐藏状态矩阵进行处理，得到临时隐藏状态矩阵；
22、根据所述临时隐藏状态矩阵得到所述滑坡位移时空预测结果。
23、可选地，所述通过所述时间注意力机制对所述隐藏状态矩阵进行处理，得到临时隐藏状态矩阵，包括：
24、对所述全连接层对所述隐藏状态矩阵进行处理得到时间注意力权重，并根据所述softmax函数将所述时间注意力权重进行归一化，得到注意力权重向量；
25、根据所述注意力权重向量和所述隐藏状态矩阵计算得到所述临时隐藏状态矩阵。
26、第二方面，本专利技术提供了一种滑坡位移时空预测装置，包括：
27、获取单元，用于获取待测区域的各监测点的历史滑坡多场时序监测数据，所述历史滑坡多场时序监测数据包括历史空间相关数据、历史位移时间序列和历史滑坡外界扰动因子时间序列；
28、处理单元，用于基于所述历史空间相关数据构建监测点位图，并根据所述历史位移时间序列、所述历史滑坡外界扰动因子时间序列和所述监测点位图构建时序特征矩阵；
29、所述获取单元还用于将所述时序特征矩阵和所述监测点位图输入训练好的滑坡位移时空预测模型中，得到滑坡位移时空预测结果；所述滑坡位移时空预测模型基于改进gcn网络和改进bilstm网络构建得到。
30、第三方面，本专利技术提供了一种滑坡位移时空预测系统，包括存储器和处理器；
31、所述存储器，用于存储计算机程序；
32、所述处理器，用于当执行所述计算机程序时，实现如第一方面所述的滑坡位移时空预测方法。
33、第四方面，本专利技术提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面所述的滑坡位移时空预测方法。
34、本专利技术的滑坡位移时空预测方法及装置的有益效果是：
35、首先获取待测滑坡的所有监测点的历史数据，包括历史空间相关数据，也就是历史空间坐标，历史位移时间序列，即针对每个监测点，记录其在不同时间点的位移变化，包括水平和垂直方向的位移。历史滑坡外界扰动因子时间序列，如月位移量以及月均降雨量、月均库水位变化值等时间序列数据；再根据收集的历史空间相关数据，生成滑坡监测点位图。一般来说，监测点位图表示为一个图结构，其中边表示监测点之间的空间关系，节点表示各个监测点。
36、将历史位移时间序列与历史滑坡外界扰动因子时间序列结合，本文档来自技高网...
【技术保护点】
1.一种滑坡位移时空预测方法，其特征在于，包括：
2.根据权利要求1所述的滑坡位移时空预测方法，其特征在于，所述将所述时序特征矩阵和所述监测点位图输入训练好的滑坡位移时空预测模型中，得到滑坡位移时空预测结果，包括：
3.根据权利要求2所述的滑坡位移时空预测方法，其特征在于，所述改进GCN网络包括原始GCN网络和多头注意力机制；所述通过所述改进GCN网络对所述时序特征矩阵和所述监测点位图进行处理，得到空间时序特征矩阵，包括：
4.根据权利要求3所述的滑坡位移时空预测方法，其特征在于，所述通过所述原始GCN网络对所述多头注意力融合输出数据和所述监测点位图进行重构处理，得到所述空间时序特征矩阵，包括：
5.根据权利要求2所述的滑坡位移时空预测方法，其特征在于，所述改进BiLSTM网络包括时间注意力机制；所述改进BiLSTM网络构建过程包括：
6.根据权利要求5所述的滑坡位移时空预测方法，其特征在于，所述通过所述改进BiLSTM网络对所述空间时序特征矩阵进行预测，得到所述滑坡位移时空预测结果，包括：
7.根据权利要求
8.一种滑坡位移时空预测装置，其特征在于，包括：
9.一种滑坡位移时空预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的滑坡位移时空预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的所述的滑坡位移时空预测方法。
...【技术特征摘要】
1.一种滑坡位移时空预测方法，其特征在于，包括：
2.根据权利要求1所述的滑坡位移时空预测方法，其特征在于，所述将所述时序特征矩阵和所述监测点位图输入训练好的滑坡位移时空预测模型中，得到滑坡位移时空预测结果，包括：
3.根据权利要求2所述的滑坡位移时空预测方法，其特征在于，所述改进gcn网络包括原始gcn网络和多头注意力机制；所述通过所述改进gcn网络对所述时序特征矩阵和所述监测点位图进行处理，得到空间时序特征矩阵，包括：
4.根据权利要求3所述的滑坡位移时空预测方法，其特征在于，所述通过所述原始gcn网络对所述多头注意力融合输出数据和所述监测点位图进行重构处理，得到所述空间时序特征矩阵，包括：
5.根据权利要求2所述的滑坡位移时空预测方法，其特征在于，所述改进bilstm网络包括时间注意力机制；所述改进bilstm网络构建过程...
【专利技术属性】
技术研发人员：廖哲贤，陈刚，邹崇尧，范小洁，超能芳，李长冬，钟成，李显巨，李怡哲，
申请(专利权)人：中国地质大学武汉，
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。