[發(fā)明專利]一種基于多目標優(yōu)化的泥石流智能預(yù)警方法

有效

• 申請?zhí)枺?/td>: 202010610972.8
• 申請日: 2020-06-30
• 公開（公告）號: CN111860973B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計）人: 胡旺;章語;王仁超
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G08B21/10
• 分類號: G08B21/10;G08B21/18;G06N3/086;G06N3/006;G06N3/126
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 謝建

本發(fā)明公開了一種基于多目標優(yōu)化的泥石流智能預(yù)警方法，屬于地質(zhì)災(zāi)害監(jiān)測預(yù)警領(lǐng)域，具體涉及泥石流預(yù)警領(lǐng)域，以解決現(xiàn)有的泥石流預(yù)測方法誤差較大，不準確且可靠性不強的缺陷，包括如下步驟，收集已發(fā)生泥石流的數(shù)據(jù)樣本；構(gòu)建評估激發(fā)泥石流的代理模型；求解泥石流代理模型的帕累托閾值前沿；將需要預(yù)測的泥石流樣本點與泥石流代理模型的泥石流帕累托閾值前沿輸入泥石流預(yù)警判別器進行占優(yōu)判別比較，輸出占優(yōu)判別結(jié)果，占優(yōu)即不預(yù)警，互不占優(yōu)即黃色預(yù)警，被占優(yōu)即紅色預(yù)警；評估紅色預(yù)警的支持度；根據(jù)占優(yōu)判別結(jié)果和支持度來實行泥石流預(yù)警。構(gòu)建了更準確的代理模型，大大提高泥石流監(jiān)測預(yù)警的可靠性和可操作性。

技術(shù)領(lǐng)域

一種基于多目標優(yōu)化的泥石流智能預(yù)警方法，本發(fā)明屬于地質(zhì)災(zāi)害監(jiān)測預(yù)警領(lǐng)域，具體涉及泥石流預(yù)警技術(shù)領(lǐng)域。

背景技術(shù)

泥石流是暴雨、洪水將含有沙石且松軟的土質(zhì)山體經(jīng)飽和稀釋后形成的洪流，它的面積、體積和流量較大，而滑坡是經(jīng)稀釋土質(zhì)山體小面積的區(qū)域，典型的泥石流由懸浮著粗大固體碎屑物并富含粉砂及粘土的粘稠泥漿組成。在適當?shù)牡匦螚l件下，大量的水體浸透流水山坡或溝床中的固體堆積物質(zhì)，使其穩(wěn)定性降低，飽含水分的固體堆積物質(zhì)在自身重力作用下發(fā)生運動，就形成了泥石流。泥石流是一種災(zāi)害性的地質(zhì)現(xiàn)象。通常泥石流爆發(fā)突然、來勢兇猛，可攜帶巨大的石塊。因其高速前進，具有強大的能量，因而破壞性極大。

隨著計算機技術(shù)的不斷發(fā)展，智能化的手段越來越多地應(yīng)用于泥石流的預(yù)警中。

常規(guī)的預(yù)警技術(shù)是通過回歸分析歷史數(shù)據(jù)，得到一條近似的泥石流預(yù)警曲線。該方法一般采用較為通用的線性函數(shù)或邏輯斯蒂函數(shù)的擬合模型，不能根據(jù)每個地區(qū)不同的特征使用不同的模型進行分析。其他的基于機器學習的泥石流預(yù)警方法是將泥石流的發(fā)生與否視作一個二分類問題去訓練一個最佳的分類器，如神經(jīng)網(wǎng)絡(luò)或支持向量機等。

以上利用回歸分析、神經(jīng)網(wǎng)絡(luò)和支持向量機等方法需要使用已經(jīng)發(fā)生和未發(fā)生泥石流樣本數(shù)據(jù)訓練分類器。由于未發(fā)生泥石流的樣本數(shù)據(jù)無法推斷其激發(fā)泥石流的偏差，因而導致分類器的誤差較大，并且只能對監(jiān)測數(shù)據(jù)進行二分類，即預(yù)測是否發(fā)生泥石流。

發(fā)明內(nèi)容

本發(fā)明的目的在于：提供一種基于多目標優(yōu)化的泥石流智能預(yù)警方法，以解決上述現(xiàn)有的泥石流預(yù)警方法因為采用了未發(fā)生泥石流的樣本數(shù)據(jù)，無法推斷其激發(fā)泥石流的偏差，導致分類器的誤差較大，此外只能對監(jiān)測數(shù)據(jù)進行二分類，即預(yù)測是否發(fā)生泥石流，不準確，可靠性不強的缺陷。

本發(fā)明采用的技術(shù)方案如下：

一種基于多目標優(yōu)化的泥石流智能預(yù)警方法，包括如下步驟

步驟1、收集已發(fā)生泥石流的數(shù)據(jù)樣本；

步驟2、構(gòu)建評估激發(fā)泥石流的代理模型；

步驟3、求解泥石流代理模型的帕累托閾值前沿；

步驟4、將需要預(yù)測的泥石流樣本點與泥石流代理模型的泥石流帕累托閾值前沿輸入泥石流預(yù)警判別器進行占優(yōu)判別比較，輸出占優(yōu)判別結(jié)果，被占優(yōu)即紅色預(yù)警；

步驟5、評估紅色預(yù)警的支持度；

步驟6、根據(jù)占優(yōu)判別結(jié)果和支持度來實行泥石流預(yù)警。

優(yōu)選的，收集監(jiān)測預(yù)警區(qū)域內(nèi)已經(jīng)發(fā)生了泥石流的歷史樣本數(shù)據(jù)。

優(yōu)選的，需要預(yù)測的泥石流樣本點也在監(jiān)測預(yù)警區(qū)域內(nèi)。

優(yōu)選的，步驟2中泥石流代理模型為多目標代理模型，多目標代理模型具有多個輸入變量即多個泥石流影響因素和多個輸出變量即激發(fā)泥石流的評價指標。

優(yōu)選的，多目標代理模型是通過對已發(fā)生泥石流數(shù)據(jù)樣本進行學習訓練而得到的一個或一組顯示函數(shù)(回歸方程、核函數(shù)等)或隱式模型(如通過連接權(quán)重和閾值表達的神經(jīng)網(wǎng)絡(luò))，多目標代理模型的學習訓練方法可以是機器學習方法中的一種或多種集成。