[发明专利]一种滑坡预测方法及系统

说明书

本发明公开了一种滑坡预测方法及系统，用于滑坡预测，解决了现有技术中滑坡预测数据的准确度不高的问题，其包括：融合预先获取的传感器的时间序列及空间序列，得到传感器的网络时空序列；向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合，得到未来时刻的滑坡预测数据，从而在预测滑坡时，基于时间序列的基础上，增加了空间序列对滑坡进行预测，使得预测涉及的相关因素不再单一，从而提高了预测结果的准确度。

技术领域

本发明涉及滑坡预测技术领域，尤其涉及一种滑坡预测方法及系统。

背景技术

在目前的滑坡预测方法中，一般都是依据某一个监测点的位移数据进行预测。为了掌握滑坡体变形破坏的空间分布特征和总体变形状况，监测时应在滑坡体的不同部位布置多个监测点，形成分布式的多传感器系统，同时获取滑坡体不同部位变形的时间序列数据，得到滑坡体演化过程的信息。

但是，现有的滑坡预测方法，仅仅基于时间序列对滑坡进行预测，预测涉及的相关因素较为单一，故预测结果的准确度仍有待提高。

发明内容

本发明的主要目的在于提供一种滑坡预测方法及系统，旨在解决现有技术中对滑坡的预测涉及的相关因素较为单一，滑坡预测数据的准确度不高。

为实现上述目的，本发明第一方面提供一种滑坡预测方法，包括：融合预先获取的传感器的时间序列及空间序列，得到传感器的网络时空序列；向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合，得到未来时刻的滑坡预测数据。

进一步地，所述向已根据历史数据建立的长短期记忆网络及径向基函数神经网络中输入所述网络时空序列，得到未来时刻的滑坡预测数据包括：向长短期记忆网络输入传感器时间序列的历史数据，长短期记忆网络输出目标传感器在未来时刻的时刻预测数据；向径向基函数神经网络输入传感器网络时空序列的历史数据，径向基函数神经网络输出目标传感器的时空关系的时空预测数据；将所述时刻预测数据与所述时空预测数据进行加权平均融合，得出滑坡预测数据。

进一步地，计算所述滑坡预测数据的准确度，得到第一准确度；对所述滑坡预测数据进行处理，以提高所述第一准确度，得到所述滑坡预测数据的第二准确度。

进一步地，所述计算所述滑坡预测数据的准确度，得到第一准确度包括：设定传感器之间的相对位置关系表达式；设定所述相对位置关系表达式的权值为第一权值；设定所述滑坡预测数据的权值为第二权值；根据所述第一权值及所述第二权值建立服从正态分布的加权平均融合模型；根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型；根据所述准确度模型得到所述滑坡预测数据的第一准确度；对所述滑坡预测数据的第一准确度进行处理包括：引入修正函数；设定长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值，且所述第一权值及所述第二权值相加等于一；根据所述修正函数对所述第一权值及所述第二权值求偏导数，并令各偏导数为零，得出所述第一权值及所述第二权值的权值函数；根据所述第一权值及所述第二权值相加等于一，将所述第一权值及第二权值代入所述权值函数得出权值的最优分配函数；根据所述最优分配函数及所述加权平均融合模型得到数据融合后的第二准确度函数；根据所述第二准确度函数求解滑坡预测数据的第二准确度。

本发明第二方面提供一种滑坡预测系统，包括：网络时空序列模块，用于融合预先获取的传感器的时间序列及空间序列，得到传感器的网络时空序列；滑坡预测模块，用于向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合，得到未来时刻的滑坡预测数据。

进一步地，所述滑坡预测模块包括：时刻预测数据单元，用于向长短期记忆网络输入传感器时间序列的历史数据，得到长短期记忆网络输出的目标传感器在未来时刻的时刻预测数据；时空预测数据单元，用于向径向基函数神经网络输入传感器网络时空序列的历史数据，得到径向基函数神经网络输出的目标传感器的时空关系的时空预测数据；融合单元，用于将所述时刻预测数据与所述时空预测数据进行加权平均融合，得出滑坡预测数据。