[發明專利]基于LSTM長短期記憶網絡的智能滑坡監測裝置與方法

在審

• 申請號: 201811330634.8
• 申請日: 2018-11-09
• 公開（公告）號: CN109558971A
• 公開（公告）日: 2019-04-02
• 發明（設計）人: 王如賓;祁健;徐衛亞;王環玲;孟慶祥
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于LSTM長短期記憶網絡的智能滑坡監測裝置與方法，涉及滑坡監測預警及人工智能領域，通過對滑坡歷史監測數據的獲得不同的輸入特征值，如表面變形、深部位移、地下水位、孔隙水壓力、滲透流速，以及滑坡是否失穩添加數據標簽，并將監測數據按照一定的比例劃分為訓練集、驗證集、測試集；訓練集在LSTM網絡下進行梯度下降訓練，獲得訓練模型；驗證集、測試集在訓練模型中運行獲得準確率結果，通過對結果分析確定模型及數據集調整方向，經過不斷調試獲得準確率較高的監測模型。本發明結合人工智能優化算法，提高了對于滑坡災害預測的準確性，降低了滑坡災害監測裝置的成本，結合遷移學習后大范圍推廣到其他類滑坡的監測。

技術領域

本發明涉及地質災害滑坡預測預警中人工智能深度學習領域，尤其涉及一種基于LSTM長短期記憶網絡的智能滑坡監測裝置與方法。

背景技術

由于滑坡災害會給人們帶來嚴重的生命、經濟損失，因此滑坡的災害監測一直是重點研發項目，其中對滑坡破壞情況的預測是降低滑坡災害的有效損失。

大數據支持下的智能預測預警技術隨著人工智能時代的到來，正在迅速興起，但是對于滑坡的預警技術普遍沒有考慮到滑坡監測數據的時序性，所以效果并不理想。

目前基于機器學習的滑坡預警技術普遍不夠深入，包括方法的選擇、參數的調整、優化以及預警產品落地十分困難。

發明內容

發明目的：本發明的目的在于提供一種基于LSTM長短期記憶網絡的智能滑坡監測裝置與監測方法，重點考慮降雨、庫水位升降及其引起的地下水位變化等因素，以提高其便利性與準確性。

技術方案：針對以上技術問題，本發明的技術方案如下：

一種基于LSTM長短期記憶網絡的智能滑坡監測裝置，包括：數據輸入模塊、模型訓練模塊、模型優化模塊、模型可視化模塊、用戶操作模塊；數據模塊與模型訓練模塊相連；模型優化模塊與模型優化模塊相連；模型優化模塊與模型可視化模塊相連；模型可視化模塊與用戶操作模塊相連。

其中，數據模塊負責對滑坡歷史監測數據的提取、預測結果的標定、數據集的劃分；訓練模塊負責數據在LSTM網絡上的訓練并生成訓練模型；模型優化模塊負責對訓練模型的優化以及對數據集劃分的調整；模型可視化模塊負責對模型結果的直觀展示；用戶操作模塊負責用戶自主使用此監測裝置。

一種基于LSTM長短期記憶網絡的智能滑坡監測裝置的監測方法，包括以下步驟：

步驟1，數據處理過程；

步驟2，模型訓練過程；

步驟3，模型優化過程；

步驟4，模型可視化過程。

其中，步驟1中，數據處理過程包括以下步驟：

步驟1.1：提取滑坡歷史監測數據，添加滑坡穩定狀態的標簽(1：穩定、0：滑動)；

步驟1.2：進行數據集的劃分：訓練集、驗證集、測試集；如果監測數據為5年以內，訓練集(90％)、驗證集(5％)、測試集(5％)；如果監測數據為5年以上，訓練集(98％)、驗證集(1％)、測試集(1％)；

步驟2中的模型訓練過程包括以下步驟：

步驟2.1：構建LSTM單元的遺忘門：利用sigmoid函數決定哪些特征信息需要被遺忘，f_t＝σ(W_f·[h_t-1，x_t]+b_f)，表示當開始接收新的對預測結果影響大的特征信息時，忘記對預測結果影響小的特征信息；