本發(fā)明涉及滑坡監(jiān)測與預(yù)警領(lǐng)域，尤其涉及一種滑坡監(jiān)測大數(shù)據(jù)實時分析預(yù)警系統(tǒng)及方法。

背景技術(shù)：

1、滑坡災(zāi)害是由多種因素引發(fā)的自然災(zāi)害，通常發(fā)生在坡度較大的山地或丘陵地區(qū)，具有突發(fā)性、破壞性強(qiáng)等特點，嚴(yán)重威脅著人民生命財產(chǎn)安全及基礎(chǔ)設(shè)施。隨著氣候變化和人類活動的影響，滑坡災(zāi)害的發(fā)生頻率逐漸上升，如何有效預(yù)警并減小其災(zāi)害影響已成為一個迫切的研究問題。

2、現(xiàn)有的滑坡監(jiān)測技術(shù)主要依賴于傳統(tǒng)的觀測手段和地面監(jiān)測設(shè)備，如地質(zhì)雷達(dá)、傾斜儀、應(yīng)變計，雖然可以對滑坡過程中的某些特征進(jìn)行實時監(jiān)測，如坡體位移、應(yīng)變變化，但也存在諸多不足，如數(shù)據(jù)采集范圍有限、數(shù)據(jù)處理滯后、分析方法單一、智能化程度低、資源消耗大。

3、因此，基于大數(shù)據(jù)和人工智能技術(shù)的滑坡監(jiān)測與預(yù)警系統(tǒng)應(yīng)運(yùn)而生，不僅能夠擴(kuò)大監(jiān)測范圍，還能夠大幅提升預(yù)警的準(zhǔn)確性和及時性，從而有效降低滑坡災(zāi)害的發(fā)生概率及滑坡災(zāi)害帶來的損失。

4、但現(xiàn)有的滑坡監(jiān)測大數(shù)據(jù)實時分析預(yù)警方法存在如下技術(shù)問題：滑坡監(jiān)測依賴于定期的現(xiàn)場檢查或離線數(shù)據(jù)處理，缺乏實時性和全面性，無法及時預(yù)警滑坡發(fā)生的風(fēng)險；在多監(jiān)測點數(shù)據(jù)處理時，只依賴簡單的線性回歸或距離相關(guān)模型，忽略了數(shù)據(jù)間的非線性關(guān)系，導(dǎo)致無法精確反映監(jiān)測點之間的實際空間相關(guān)性；局限于靜態(tài)分析，難以處理滑坡監(jiān)測數(shù)據(jù)隨時間動態(tài)變化的特點；在時序數(shù)據(jù)分析中，使用線性或簡單的差分方法來進(jìn)行特征提取，難以充分挖掘數(shù)據(jù)中隱含的復(fù)雜非線性變化規(guī)律。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種滑坡監(jiān)測大數(shù)據(jù)實時分析預(yù)警系統(tǒng)及方法，以解決滑坡監(jiān)測依賴于定期的現(xiàn)場檢查或離線數(shù)據(jù)處理，缺乏實時性和全面性，無法及時預(yù)警滑坡發(fā)生的風(fēng)險；在多監(jiān)測點數(shù)據(jù)處理時，只依賴簡單的線性回歸或距離相關(guān)模型，忽略了數(shù)據(jù)間的非線性關(guān)系，導(dǎo)致無法精確反映監(jiān)測點之間的實際空間相關(guān)性；局限于靜態(tài)分析，難以處理滑坡監(jiān)測數(shù)據(jù)隨時間動態(tài)變化的特點；在時序數(shù)據(jù)分析中，使用線性或簡單的差分方法來進(jìn)行特征提取，難以充分挖掘數(shù)據(jù)中隱含的復(fù)雜非線性變化規(guī)律的技術(shù)問題。

2、本發(fā)明的一種滑坡監(jiān)測大數(shù)據(jù)實時分析預(yù)警系統(tǒng)及方法，具體包括以下技術(shù)方案：

3、一種滑坡監(jiān)測大數(shù)據(jù)實時分析預(yù)警方法，包括以下步驟：

4、s1：獲取監(jiān)測點之間的物理量數(shù)據(jù)，使用動態(tài)空間相關(guān)性計算算法計算出各監(jiān)測點之間每個物理量數(shù)據(jù)的動態(tài)空間相關(guān)性，基于每個物理量數(shù)據(jù)的動態(tài)空間相關(guān)性，構(gòu)造空間相關(guān)矩陣；

5、s2：利用特征值分解的方法對空間相關(guān)矩陣進(jìn)行分解，分解為特征值矩陣和特征向量矩陣；基于特征值矩陣中的特征值和特征向量矩陣中的特征向量，使用非線性時序特征提取與分析算法分別計算得到特征值和特征向量的非線性差分；

6、s3：基于特征值和特征向量的非線性差分，使用非線性遞歸映射算法預(yù)測得到未來時刻的綜合滑坡風(fēng)險預(yù)測值。

7、優(yōu)選的，所述s1，具體包括：

8、所述動態(tài)空間相關(guān)性計算算法，通過采用余弦相似度對不同監(jiān)測點在同一物理量數(shù)據(jù)上的相似度進(jìn)行度量，并引入l2范數(shù)對物理量數(shù)據(jù)進(jìn)行歸一化處理。

9、優(yōu)選的，所述s1，具體包括：

10、所述動態(tài)空間相關(guān)性計算算法，通過引入動態(tài)空間相關(guān)因子，并結(jié)合指數(shù)衰減函數(shù)，得出動態(tài)空間相關(guān)性，具體公式為：

11、

12、其中，rij,k(t)表示在時刻t下第i個監(jiān)測點和第j個監(jiān)測點的傳感器所記錄的第k種物理量數(shù)據(jù)的動態(tài)空間相關(guān)性；xi,k(t)表示在時刻t下第i個監(jiān)測點的傳感器所記錄的第k種物理量數(shù)據(jù)；xj,k(t)表示在時刻t下第j個監(jiān)測點的傳感器所記錄的第k種物理量數(shù)據(jù)；||xi,k(t)||2和||xj，k(t)||2分別表示在時刻t下第i個監(jiān)測點和第j個監(jiān)測點的傳感器所記錄的第k種物理量數(shù)據(jù)的l2范數(shù)；γk(t)表示第k種物理量數(shù)據(jù)的動態(tài)空間相關(guān)因子。

13、優(yōu)選的，所述s2，具體包括：

14、所述非線性時序特征提取與分析算法，計算相鄰時刻的特征值和特征向量的差異，利用對數(shù)函數(shù)對相鄰時刻的特征值的差異進(jìn)行對數(shù)處理，利用雙曲正切函數(shù)對相鄰時刻的特征向量的差異進(jìn)行非線性處理，得到特征值和特征向量的非線性差分。

15、優(yōu)選的，所述s2，具體包括：

16、特征值的非線性差分的計算公式為：

17、

18、其中，表示在時刻t下第k種物理量數(shù)據(jù)的第m個特征值與在時刻t-1下第k種物理量數(shù)據(jù)的第m個特征值之間的變化，即特征值的非線性差分；log2表示對數(shù)函數(shù)；λk,m(t)表示在時刻t下第k種物理量數(shù)據(jù)的第m個特征值；λk，m(t-1)表示在時刻t-1下第k種物理量數(shù)據(jù)的第m個特征值；

19、特征向量的非線性差分的計算公式為：

20、

21、其中，表示在時刻t下第k種物理量數(shù)據(jù)的第m個特征向量與在時刻t-1下第k種物理量數(shù)據(jù)的第m個特征向量之間的變化，即特征向量的非線性差分；tanh表示雙曲正切函數(shù)；vk,m(t)表示在時刻t下第k種物理量數(shù)據(jù)的第m個特征向量；vk,m(t-1)表示在時刻t-1下第k種物理量數(shù)據(jù)的第m個特征向量。

22、優(yōu)選的，所述s3，具體包括：

23、在非線性遞歸映射算法的實現(xiàn)過程中，通過引入動態(tài)學(xué)習(xí)因子，控制特征值和特征向量的變化對滑坡風(fēng)險預(yù)測的影響程度；并結(jié)合relu函數(shù)，得到未來時刻的滑坡風(fēng)險預(yù)測值。

24、優(yōu)選的，所述s3，具體包括：

25、在非線性遞歸映射算法的實現(xiàn)過程中，利用非線性融合策略對未來時刻的滑坡風(fēng)險預(yù)測值進(jìn)行合成，得到未來時刻的綜合滑坡風(fēng)險預(yù)測值，具體公式為：

26、

27、其中，p(t+1)表示在時刻t+1下的綜合滑坡風(fēng)險預(yù)測值；表示求和符號，對k種物理量數(shù)據(jù)進(jìn)行求和操作；sigmoid表示激活函數(shù)；pk(t+1)表示在時刻t+1下第k種物理量數(shù)據(jù)的滑坡風(fēng)險預(yù)測值。

28、優(yōu)選的，所述s3，具體包括：

29、設(shè)置滑坡低風(fēng)險閾值和滑坡高風(fēng)險閾值，與未來時刻的綜合滑坡風(fēng)險預(yù)測值進(jìn)行比較，將滑坡風(fēng)險劃分為不同的風(fēng)險等級，并根據(jù)不同的風(fēng)險等級制定不同的風(fēng)險預(yù)警。

30、一種滑坡監(jiān)測大數(shù)據(jù)實時分析預(yù)警系統(tǒng)，包括以下部分：

31、數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、特征提取與分析模塊、滑坡風(fēng)險預(yù)測模塊、風(fēng)險評估與預(yù)警模塊；

32、數(shù)據(jù)采集模塊：在每個監(jiān)測點上都配備不同的傳感器，每個傳感器記錄不同的物理量數(shù)據(jù)，將不同的物理量數(shù)據(jù)輸出至數(shù)據(jù)處理模塊；

33、數(shù)據(jù)處理模塊：基于數(shù)據(jù)采集模塊的不同的物理量數(shù)據(jù)，使用動態(tài)空間相關(guān)性計算算法計算出各監(jiān)測點之間每個物理量數(shù)據(jù)的空間相關(guān)性，基于每個物理量數(shù)據(jù)的空間相關(guān)性，構(gòu)造空間相關(guān)矩陣，將空間相關(guān)矩陣輸出至特征提取與分析模塊；

34、特征提取與分析模塊：基于數(shù)據(jù)處理模塊的空間相關(guān)矩陣，通過特征值分解的方法將空間相關(guān)矩陣進(jìn)行分解，分解為特征值矩陣和特征向量矩陣；基于特征值矩陣中的特征值和特征向量矩陣中的特征向量，使用非線性時序特征提取與分析算法分別計算得到特征值和特征向量的非線性差分，將特征值和特征向量的非線性差分輸出至滑坡風(fēng)險預(yù)測模塊；

35、滑坡風(fēng)險預(yù)測模塊：基于特征提取與分析模塊的特征值和特征向量的非線性差分，使用非線性遞歸映射算法預(yù)測得到未來時刻的綜合滑坡風(fēng)險預(yù)測值，將未來時刻的綜合滑坡風(fēng)險預(yù)測值輸出至風(fēng)險評估與預(yù)警模塊；

36、風(fēng)險評估與預(yù)警模塊：設(shè)置滑坡低風(fēng)險閾值和滑坡高風(fēng)險閾值，與來自滑坡風(fēng)險預(yù)測模塊的未來時刻的綜合滑坡風(fēng)險預(yù)測值進(jìn)行比較，將滑坡風(fēng)險劃分為不同的風(fēng)險等級，并根據(jù)不同的風(fēng)險等級制定不同的風(fēng)險預(yù)警。

37、本發(fā)明的技術(shù)方案的有益效果是：

38、1、通過動態(tài)空間相關(guān)性計算算法，能夠有效評估監(jiān)測點之間的物理量數(shù)據(jù)的動態(tài)空間相關(guān)性，利用余弦相似度和l2范數(shù)對物理量數(shù)據(jù)進(jìn)行歸一化處理，消除不同監(jiān)測點的物理量數(shù)據(jù)的單位和量級的差異，從而提高了動態(tài)空間相關(guān)性計算的穩(wěn)定性與一致性，能夠捕捉監(jiān)測點之間的協(xié)同變化模式，有效識別空間上不同監(jiān)測點的動態(tài)關(guān)系，為后續(xù)的滑坡風(fēng)險評估提供了精準(zhǔn)的空間數(shù)據(jù)支持。

39、2、動態(tài)空間相關(guān)因子采用基于空間距離的指數(shù)衰減函數(shù)，能夠隨著監(jiān)測點之間的空間距離的變化自動調(diào)節(jié)動態(tài)空間相關(guān)性的強(qiáng)度，能夠在監(jiān)測點相距較遠(yuǎn)時，降低動態(tài)空間相關(guān)性，從而符合實際物理環(huán)境的變化，為滑坡風(fēng)險評估提供了精確的空間數(shù)據(jù)映射，避免了傳統(tǒng)方法的靜態(tài)限制。

40、3、通過空間相關(guān)矩陣的特征值分解，提取出各物理量數(shù)據(jù)的空間特征，進(jìn)一步通過非線性時序特征提取與分析算法得到特征值和特征向量的非線性差分，不僅能有效去除噪聲干擾，還能增強(qiáng)對細(xì)微變化的靈敏度，確保滑坡風(fēng)險評估的準(zhǔn)確性和前瞻性，通過對特征值和特征向量的處理，能夠準(zhǔn)確捕捉滑坡演化過程中的微小波動，提升預(yù)測的精確度。

41、4、非線性遞歸映射算法結(jié)合動態(tài)學(xué)習(xí)因子，所述動態(tài)學(xué)習(xí)因子能夠根據(jù)特征值和特征向量的變化進(jìn)行靈活調(diào)整，從而提高滑坡風(fēng)險預(yù)測的動態(tài)響應(yīng)能力，通過引入sigmoid激活函數(shù)和relu激活函數(shù)，能夠在滑坡風(fēng)險預(yù)測過程中對極端變化做出敏感反應(yīng)，同時避免負(fù)向變化對綜合滑坡風(fēng)險預(yù)測值的干擾，顯著提高了風(fēng)險評估的準(zhǔn)確性和實時性。