本發(fā)明屬于地質(zhì)災(zāi)害預(yù)測(cè)，具體為一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法。

背景技術(shù)：

1、地質(zhì)災(zāi)害預(yù)測(cè)是指通過科學(xué)方法和技術(shù)手段，對(duì)可能發(fā)生的地質(zhì)災(zāi)害(如地震、泥石流、滑坡、崩塌等)進(jìn)行識(shí)別、評(píng)估和預(yù)判，以降低災(zāi)害發(fā)生對(duì)人類和環(huán)境的影響。有效的地質(zhì)災(zāi)害預(yù)測(cè)通常包括以下幾個(gè)方面：收集歷史災(zāi)害記錄、氣象數(shù)據(jù)、土壤和地質(zhì)特征等信息，通過分析這些數(shù)據(jù)識(shí)別潛在風(fēng)險(xiǎn)區(qū)域。利用地質(zhì)雷達(dá)、遙感技術(shù)、gps、地震監(jiān)測(cè)站等手段，對(duì)地質(zhì)環(huán)境進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以獲取最新的地質(zhì)變化信息。建立地質(zhì)災(zāi)害發(fā)生的數(shù)學(xué)模型，比如通過統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)等方法，預(yù)測(cè)災(zāi)害發(fā)生的概率和影響。建設(shè)地質(zhì)災(zāi)害預(yù)警系統(tǒng)，以便在災(zāi)害發(fā)生前及時(shí)向公眾發(fā)布警報(bào)。

2、預(yù)測(cè)地質(zhì)災(zāi)害是改善公共安全和制定有效防災(zāi)措施的關(guān)鍵問題。由于地質(zhì)災(zāi)害在空間和時(shí)間上的稀疏性以及環(huán)境的空間異質(zhì)性(例如，山區(qū)與平原)，這個(gè)問題具有挑戰(zhàn)性。

3、現(xiàn)有技術(shù)中，例如公開號(hào)為：cn113393037的專利中記載的技術(shù)方案：一種區(qū)域地質(zhì)災(zāi)害趨勢(shì)預(yù)測(cè)方法及系統(tǒng)，可以通過獲取當(dāng)前區(qū)域地質(zhì)參數(shù)信息，在預(yù)置的參考地形庫(kù)中進(jìn)行篩選，得到參考區(qū)域信息，然后根據(jù)當(dāng)前區(qū)域地質(zhì)參數(shù)信息中的歷史地質(zhì)災(zāi)害信息和參考區(qū)域信息中的歷史地質(zhì)災(zāi)害信息進(jìn)行訓(xùn)練，得到預(yù)測(cè)地質(zhì)災(zāi)害趨勢(shì)模型。最終將當(dāng)前區(qū)域地質(zhì)參數(shù)信息輸入到預(yù)測(cè)地質(zhì)災(zāi)害趨勢(shì)模型中，得到當(dāng)前區(qū)域的地質(zhì)災(zāi)害趨勢(shì)信息，并與預(yù)置的閥值信息進(jìn)行對(duì)比，生成質(zhì)地災(zāi)害預(yù)警信息。

4、現(xiàn)有技術(shù)中，大多是先由領(lǐng)域研究人員進(jìn)行的地質(zhì)災(zāi)害預(yù)測(cè)研究只是在有限數(shù)據(jù)上應(yīng)用經(jīng)典預(yù)測(cè)模型，而沒有恰當(dāng)?shù)亟鉀Q上述挑戰(zhàn)，從而導(dǎo)致性能并不令人滿意?，F(xiàn)有技術(shù)要么忽略時(shí)間信息，要么僅使用來自小而均勻的研究區(qū)域(特定地質(zhì)環(huán)境)的數(shù)據(jù)，沒有同時(shí)正確處理空間異質(zhì)性和時(shí)間自相關(guān)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，以解決背景技術(shù)中提出的現(xiàn)有的技術(shù)方案通過要么忽略時(shí)間信息，要么沒有同時(shí)正確處理空間異質(zhì)性和時(shí)間自相關(guān)的關(guān)系，導(dǎo)致算法預(yù)測(cè)準(zhǔn)確性較低的問題。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：

3、一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，包括以下步驟：

4、步驟s1，白噪聲檢測(cè)；對(duì)采集的數(shù)據(jù)進(jìn)行白噪聲檢測(cè)，如果數(shù)據(jù)的噪聲過大則丟棄數(shù)據(jù)；如果采集的數(shù)據(jù)通過白噪聲檢測(cè)，則對(duì)通過白噪聲檢測(cè)的數(shù)據(jù)進(jìn)行平穩(wěn)性檢測(cè)；

5、步驟s2，平穩(wěn)性檢測(cè)；如果數(shù)據(jù)不符合平穩(wěn)性檢測(cè)則對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)化處理，直到通過平穩(wěn)性檢測(cè)；通過平穩(wěn)性檢測(cè)的數(shù)據(jù)進(jìn)行arma模型擬合；

6、步驟s3，arma模型擬合；

7、步驟s4，arma模型預(yù)測(cè)；將上一步擬合好的arma模型預(yù)測(cè)的下一個(gè)月地質(zhì)災(zāi)害情況輸入到參數(shù)訓(xùn)練好的rnn預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)；

8、步驟s5，rnn模型預(yù)測(cè)；將通過檢測(cè)的數(shù)據(jù)輸入rnn模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的rnn模型；

9、步驟s6，結(jié)束。

10、根據(jù)上述技術(shù)方案，白噪聲是指在時(shí)間序列中，如果各個(gè)數(shù)據(jù)點(diǎn)之間不存在任何相關(guān)性，且均值和方差保持不變，則該序列被稱為白噪聲序列。時(shí)間序列白噪聲檢驗(yàn)是一種判斷給定序列是否為白噪聲的方法，它通過對(duì)序列進(jìn)行統(tǒng)計(jì)檢驗(yàn)來確定序列中是否存在相關(guān)性。本方案使用box-pierce統(tǒng)計(jì)檢驗(yàn)方法來檢測(cè)白噪聲該檢驗(yàn)通過計(jì)算自相關(guān)系數(shù)的統(tǒng)計(jì)量來確定序列是否為白噪聲。

11、步驟s1中，使用box-pierce統(tǒng)計(jì)檢驗(yàn)方法來檢測(cè)白噪聲，如下式所示：

12、

13、其中，n為序列觀察期數(shù)，m為指定的最大延遲階數(shù)，p是延遲k階自相關(guān)系數(shù)的估計(jì)值。

14、根據(jù)上述技術(shù)方案，自相關(guān)系數(shù)的計(jì)算如下：首先計(jì)算時(shí)間序列數(shù)據(jù)的平均值μ，接著計(jì)算時(shí)間序列的總方差α，最后計(jì)算自相關(guān)系數(shù)的公式如下：

15、

16、式中，n代表時(shí)間序列長(zhǎng)度，k代表k階自相關(guān)系數(shù)，xi代表第i個(gè)時(shí)間序列數(shù)據(jù)，μ代表時(shí)間序列平均值，α代表時(shí)間序列的總方差。

17、根據(jù)上述技術(shù)方案，步驟s1中，平穩(wěn)性檢測(cè)采用adf統(tǒng)計(jì)檢驗(yàn)方法來檢測(cè)平穩(wěn)性；具體為：判斷序列是否存在單位根：當(dāng)一個(gè)自回歸過程中，如下式所示：

18、yt＝byt-1+a+εt

19、如果滯后項(xiàng)系數(shù)b為1，稱為單位根，則序列不平穩(wěn)；如果序列平穩(wěn)，則b不為1，就不存在單位根。

20、根據(jù)上述技術(shù)方案，步驟s3中，arma模型擬合具體為：

21、

22、式中，yt是時(shí)間序列數(shù)據(jù)，到是ar模型的參數(shù)，用來描述當(dāng)前值與過去p個(gè)時(shí)間點(diǎn)值之間的關(guān)系；θ1到θq是ma模型的參數(shù)，用來描述當(dāng)前值與過去q個(gè)時(shí)間點(diǎn)的誤差之間的關(guān)系；∈t是在t時(shí)間點(diǎn)的誤差項(xiàng)；c是一個(gè)常數(shù)項(xiàng)。

23、根據(jù)上述技術(shù)方案，步驟s4中，rnn模型預(yù)測(cè)具體為：

24、輸入?yún)?shù)：在rnn中，每個(gè)時(shí)間步t的輸出ht不僅依賴于當(dāng)前的輸入xt，還依賴于前一時(shí)間步的隱藏狀態(tài)ht-1；這種依賴關(guān)系通過以下式表示：

25、ht＝f(w·ht-1+u·xt+b)

26、其中，f是激活函數(shù)，通常使用tanh或relu函數(shù)；w是權(quán)重矩陣，用于前一隱藏狀態(tài)的變換；u是另一個(gè)權(quán)重矩陣，用于當(dāng)前輸入的變換；b是偏置項(xiàng)；式中的xt為arma模型預(yù)測(cè)的下一個(gè)月地質(zhì)災(zāi)害情況，式中的ht-1為上一個(gè)月實(shí)際發(fā)生的地質(zhì)災(zāi)害情況。

27、根據(jù)上述技術(shù)方案，最終的輸出yt通過下式得到：

28、yt＝g(v·ht+c)

29、式中，g根據(jù)任務(wù)的性質(zhì)表示為softmax或線性函數(shù)，分類任務(wù)用softmax，回歸任務(wù)用線性函數(shù)；v是輸出層的權(quán)重矩陣；c是輸出層的偏置項(xiàng)。

30、根據(jù)上述技術(shù)方案，在進(jìn)行地質(zhì)災(zāi)害預(yù)測(cè)前，還需要對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)的處理和特征的加入。

31、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

32、在本發(fā)明中，arma模型能夠捕捉時(shí)間序列數(shù)據(jù)中的趨勢(shì)和周期性，而rnn神經(jīng)網(wǎng)絡(luò)則能夠處理數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，從而更好地理解地質(zhì)災(zāi)害發(fā)生的動(dòng)態(tài)變化。通過將這兩種方法結(jié)合起來，能夠更全面地利用數(shù)據(jù)的時(shí)間和空間信息，提高對(duì)地質(zhì)災(zāi)害發(fā)生的準(zhǔn)確性和可靠性。通過對(duì)歷史地質(zhì)災(zāi)害數(shù)據(jù)中存在的關(guān)于地質(zhì)結(jié)構(gòu)的內(nèi)在動(dòng)態(tài)信息以及災(zāi)害發(fā)生的動(dòng)態(tài)時(shí)間依賴性進(jìn)行挖掘，該方法能夠更有效地預(yù)測(cè)地質(zhì)災(zāi)害的發(fā)生情況，為災(zāi)害管理和公共安全提供更準(zhǔn)確的預(yù)測(cè)和決策支持。

技術(shù)特征：

1.一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：白噪聲是指在時(shí)間序列中，如果各個(gè)數(shù)據(jù)點(diǎn)之間不存在任何相關(guān)性，且均值和方差保持不變，則該序列被稱為白噪聲序列。時(shí)間序列白噪聲檢驗(yàn)是一種判斷給定序列是否為白噪聲的方法，它通過對(duì)序列進(jìn)行統(tǒng)計(jì)檢驗(yàn)來確定序列中是否存在相關(guān)性。本方案使用box-pierce統(tǒng)計(jì)檢驗(yàn)方法來檢測(cè)白噪聲該檢驗(yàn)通過計(jì)算自相關(guān)系數(shù)的統(tǒng)計(jì)量來確定序列是否為白噪聲。

3.根據(jù)權(quán)利要求2所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：自相關(guān)系數(shù)的計(jì)算如下：首先計(jì)算時(shí)間序列數(shù)據(jù)的平均值μ，接著計(jì)算時(shí)間序列的總方差α，最后計(jì)算自相關(guān)系數(shù)的公式如下：

4.根據(jù)權(quán)利要求3所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：步驟s1中，平穩(wěn)性檢測(cè)采用adf統(tǒng)計(jì)檢驗(yàn)方法來檢測(cè)平穩(wěn)性；具體為：判斷序列是否存在單位根：當(dāng)一個(gè)自回歸過程中，如下式所示：

5.根據(jù)權(quán)利要求1所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：步驟s3中，arma模型擬合具體為：

6.根據(jù)權(quán)利要求1所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：步驟s4中，rnn模型預(yù)測(cè)具體為：

7.根據(jù)權(quán)利要求1所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：最終的輸出yt通過下式得到：

8.根據(jù)權(quán)利要求1所述的一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，其特征在于：在進(jìn)行地質(zhì)災(zāi)害預(yù)測(cè)前，還需要對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)的處理和特征的加入。

技術(shù)總結(jié)
本發(fā)明公開了一種利用自回歸與循環(huán)神經(jīng)網(wǎng)絡(luò)模型的地質(zhì)災(zāi)害預(yù)測(cè)方法，包括以下步驟：步驟S1，白噪聲檢測(cè)；對(duì)采集的數(shù)據(jù)進(jìn)行白噪聲檢測(cè)，步驟S2，平穩(wěn)性檢測(cè)；步驟S3，ARMA模型擬合；步驟S4，ARMA模型預(yù)測(cè)；步驟S5，RNN模型預(yù)測(cè)；將通過檢測(cè)的數(shù)據(jù)輸入RNN模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的RNN模型；步驟S6，結(jié)束。在本發(fā)明中，ARMA模型能夠捕捉時(shí)間序列數(shù)據(jù)中的趨勢(shì)和周期性，而RNN神經(jīng)網(wǎng)絡(luò)則能夠處理數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，從而更好地理解地質(zhì)災(zāi)害發(fā)生的動(dòng)態(tài)變化。通過將這兩種方法結(jié)合起來，能夠更全面地利用數(shù)據(jù)的時(shí)間和空間信息，提高對(duì)地質(zhì)災(zāi)害發(fā)生的準(zhǔn)確性和可靠性。該方法能夠更有效地預(yù)測(cè)地質(zhì)災(zāi)害的發(fā)生情況。

技術(shù)研發(fā)人員：肖育豪,劉維維,封欽柱,李航航,梁帥
受保護(hù)的技術(shù)使用者：四川天府新區(qū)北理工創(chuàng)新裝備研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9