[发明专利]基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法

权利要求书

1.基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法，其特征在于，包括以下步骤：

步骤1，多因子关联的时序波形分析：利用时序数据处理和信号波形分析方法，在时序上分析降雨诱发滑坡中各个关联因子的监测数据；统一时序，将以天为单位统一不同时间粒度下记录的变化特征量；模拟波形，基于曲线插值方法将离散的时序监测数据模拟为平滑曲线；提取标识，以波形变化为参考获取具有统计特征的定量化曲线标识；

步骤2，波形特征匹配的时序图构建：基于波形标识依次解析数据结构呈现的代表性时序特征并以此划分降雨诱发滑坡形变的位移阶段，包括滑坡平稳型位移、加速型位移；以上述阶段作为特征映射网络层的准则，利用图网络思想构建一种具有动态演进特征的时序图，所述的时序图是一种有向加权图G＝(V，E)，其中包括从上述形变阶段抽取的时序片段v_i，j∈V和有向边e_i，j∈E与其权重W_i，j；其中i、j代表任意两个图节点；根据图网络结构加入对应时间意识作为权重，实现生成能够反映监测数据演变及其转移模式的时序演进图；

步骤3，时序图的自监督表征学习模型：基于图嵌入算法将高维稠密的时序图数据映射为低维稠密向量的建模过程，应用于演化特征的学习以及时间序列表示；所述的时间序列表示学习首先采用现有的图嵌入算法随机游走来获得顶点V的表示向量，将其分配到不同的权重W_i，j，连接或聚合所有这些嵌入向量以获得原始时间序列的表示向量；

所述步骤3中，时序图的自监督表征学习包括以下步骤：

步骤3.1，时序图嵌入，采用现有的图形嵌入算法随机游走来获得图节点的表示向量；所述随机游走为网络上不断重复地随机选择游走路径，最终形成一条贯穿网络的路径，从某个特定的端点开始，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程能够获得拟合性最优的时序图表示向量；

步骤3.2，自监督学习，通过时序图数据本身的结构或者特性，定义以下两个因素作为时间意识来衡量图节点在不同时间位置上的时序影响，在模型训练中目标函数来约束自监督学习，所述的自监督表现为利用数据本身构建的可解释性时序图出发，从大规模的无监督数据中学习自身的深层信息：

步骤3.2.1，在局部范围内，基于步骤2.1中所述的标识特征作为局部因素w_n来捕获时间片段的动态性，下式为衡量图节点向量与真实样本时序数据的距离：

上式中v为图节点向量，S为真实样本的时序数据，a^*指的用DTW距离进行图节点与时序片段的匹配衡量，w为局部因数；

步骤3.2.2，在全局范围内，设定一个全局因素u_m作为时序分段的权重，来测量此类偏差以捕获跨时序片段影响：

上式中e为时序图有向边，为步骤3.2.1中计算的局部距离，u为全局因数；

步骤3.2.3，建立监督学习方法，学习每一个图节点对应的时间因素w_i和u_i，选择损失最小的前K个节点作为最终的具有时间意识的片段：

度量了正样本和负样本之间的不同，S_pos(v，T)表示正向的距离集合，S_neg(v，T)表示负向的距离集合，T为时间，而g用来衡量两个集合间的距离，λ为学习步长，ξ为学习率；

步骤4，降雨型滑坡位移趋势性预测：输入待分析的滑坡点位历史监测数据训练上述时序图的自监督表征学习模型，分析图节点连接的下一个时序片段，实现对未来时间段内滑坡位移量的预测。