一种基于大数据分析的地质灾害智能预警系统

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于大数据分析的地质灾害智能预警系统。

背景技术

地质灾害智能预警系统是一种基于现代信息技术和先进预测算法的综合性应用系统，能够在一定程度上实现对地质灾害的自动监测和实时预警。它通常是首先通过传感器采集得到地质数据，然后利用智能算法模型对地质数据进行处理，之后根据数据模型判断地质灾害的发生可能性，并提供预警和预测服务。

智能预警系统的实现需要依赖于多种现代信息技术和算法，例如物联网技术、大数据分析、机器学习、人工智能等，同时还需要结合现场的实际情况进行实时调整和优化。传统的地质灾害预警方法有基于传感器的预警方法和基于数学模型的预警方法，其中，基于传感器的预警方法是通过在地质灾害地区安装传感器、监测相关地质数据来进行地质灾害预警，具有实时性强、精度高的特点，但需要部署大量传感器，成本较高；基于数学模型的预警方法是通过对地质灾害数据建立模型进行分析，可以解决传感器覆盖范围有限的问题，但需要对模型进行不断的调试，且对数据的完整性和准确性要求较高。

因此，亟需一种地质灾害预警系统，实现对地质灾害的全面准确的预警。

发明内容

本申请提供了一种基于大数据分析的地质灾害智能预警系统，用以解决以上技术问题。

提供了一种基于大数据分析的地质灾害智能预警系统，所述系统包括：数据采集和存储模块、数据处理模块、预测模块和预警模块；其中：

所述数据采集和存储模块，用以获取并存储P波数据和历史崩塌数据，所述历史崩塌数据包括时间数据和崩塌规模级别数据；

所述数据处理模块，配置有地质灾害预警分析模型，用以访问并处理所述P波数据和所述历史崩塌数据，包括数据预处理子模块、崩塌周期密度计算子模块、崩塌规模级别密度计算子模块、崩塌可预测系数计算子模块和平滑因子计算子模块；

所述预测模块，用以根据平滑因子，使用指数移动平均法对所述P波数据进行短期预测，得到P波短期预测数据，然后根据所述P波短期预测数据，根据崩塌规模级别计算公式计算获得预测崩塌规模级别，并将所述预测崩塌规模级别发送到崩塌灾害预警模块；

所述预警模块，用以根据所述预测崩塌规模级别进行分级预警。

在本发明的一些实施例中，所述P波数据和所述历史崩塌数据存储在大规模分布式存储系统中，所述大规模分布式存储系统包括Hadoop，NoSQL或数据仓库。

在本发明的一些实施例中，所述数据预处理子模块，用以对所述P波数据和所述历史崩塌数据进行缺失值补充和对不同的时间序列数据进行序列对齐，所述序列对齐的方法为DTW算法，所述缺失值补充的方法包括均值填充、众数填充、最近邻插补。

在本发明的一些实施例中，所述崩塌周期密度计算子模块，配置崩塌周期密度计算模型，用以根据所述时间数据得到崩塌时间序列，对所述崩塌时间序列进行一阶差分并排序得到崩塌周期序列，根据所述崩塌周期序列计算获得崩塌周期密度，所述崩塌周期密度的计算方法为：

其中，

在本发明的一些实施例中，所述崩塌规模级别密度计算子模块，配置有崩塌规模级别密度计算模型，用以根据所述崩塌规模级别数据得到崩塌规模级别序列，根据所述崩塌规模级别序列计算获得崩塌规模级别密度，所述崩塌规模级别密度的计算方法为：

其中，

在本发明的一些实施例中，所述崩塌可预测系数计算子模块，配置有崩塌可预测系数计算模型，用以根据所述崩塌周期密度和所述崩塌规模级别密度计算获得崩塌可预测系数，所述崩塌可预测系数的计算方法为：

其中，

在本发明的一些实施例中，所述平滑因子计算子模块，配置有平滑因子计算模型，用以根据所述崩塌规模级别数据和所述崩塌可预测系数，计算获得平滑因子，所述平滑因子的计算方法为：

其中，

在本发明的一些实施例中，所述分级预警包括一级预警、二级预警和三级预警，其中，当所述预测崩塌规模级别为中小型时进行三级预警，当所述预测崩塌规模级别为大型时进行二级预警，当所述预测崩塌规模级别为特大型及以上时进行一级预警。

由以上实施例可见，本申请实施例提供的一种基于大数据分析的地质灾害智能预警系统，具有的有益效果如下：

本发明通过对崩塌周期性进行分析，分别构建崩塌周期密度与崩塌规模级别密度，反映崩塌周期性与崩塌规模级别的规律性强弱，并基于此构建崩塌可预测系数，整体反映崩塌发生的规律性，崩塌发生规律性的强弱决定了在使用指数移动平均法对崩塌波数据进行预测时对历史数据和最新观测数据的依赖程度，则基于此结合平均崩塌规模级别计算出平滑因子更符合崩塌特征，在进行崩塌预警时的预测效果更准确。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于大数据分析的地质灾害智能预警系统基本组成示意图。

序号说明：10-数据采集和存储模块、20-数据处理模块、30-预测模块、40-预警模块、21-数据预处理子模块、22-崩塌周期密度计算子模块、23-崩塌规模级别密度计算子模块、24-崩塌可预测系数计算子模块、25-平滑因子计算子模块。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面将结合附图，对本实施例提供的一种基于大数据分析的地质灾害智能预警系统进行详细介绍。

图1为本申请实施例提供的一种基于大数据分析的地质灾害智能预警系统基本组成示意图，如图1所示，该系统主要包括：数据采集和存储模块10、数据处理模块20、预测模块30和预警模块40。

具体的，数据采集和存储模块10，用以获取并存储P波数据和历史崩塌数据。

通过崩塌监测仪获取P波数据，从国家崩塌科学数据中心网站获取历史崩塌数据，历史崩塌数据包括历史崩塌发生的时间数据与崩塌规模级别数据。然后将采集获取的数据保存在大规模分布式存储系统中，如Hadoop，NoSQL或数据仓库等，以便智能算法和模型进行访问和处理。进一步的，本发明可以选择将所采集相关数据保存在Hadoop分布式存储系统中。

数据处理模块20，配置有地质灾害预警分析模型，用以访问并处理P波数据和历史崩塌数据，包括数据预处理子模块21、崩塌周期密度计算子模块22、崩塌规模级别密度计算子模块23、崩塌可预测系数计算子模块24和平滑因子计算子模块25。

进一步的，数据预处理子模块21用以对P波数据和历史崩塌数据进行缺失值补充和对不同的时间序列数据进行序列对齐。

对P波数据和历史崩塌数据进行缺失值补充，是由于获取到的P波数据和历史崩塌数据可能存在缺失值等异常情况，故需要对数据进行缺失值填充，常用的缺失值填充方法有均值填充、众数填充、最近邻插补等，为保证数据之间的连贯性，本发明实施例中使用最近邻插补法对缺失值进行填充，便于后续分析和挖掘。其中最近邻插补法为公知技术，本发明不再赘述。

对不同的时间序列数据进行序列对齐，是由于所采集P波数据和历史崩塌数据来源于多个数据源，各数据对应的采集时间可能不同，为方便数据的相互比较，需要消除时间上的差异，从而降低模型误差，提高模型的准确性，需要对不同时间序列数据进行序列对齐。本发明实施例中使用DTW算法对不同数据源的时间序列数据进行序列对齐，得到对齐后的时间序列数据，其中DTW算法为公知技术，其具体过程本发明不再赘述。

在指数移动平均法中，平滑因子的大小是影响平均值计算结果的关键参数之一。平滑因子越大，在计算平均值时，最新观测值对应的权重较大，则对最新观测值的反应越迅速；平滑因子越小，在计算平均值时，历史数据对应的权重相对较大，历史数据的影响力相对较大，则相应对最新观测值的反应就越慢，导致平均值的滞后性较大。传统的指数移动平均法中，平滑因子通常是根据所选时间窗的大小确定的，而由于崩塌数据的特殊性以及崩塌带来的危害性，平滑因子需要反映出崩塌发生的特点，进而更准确的对崩塌数据进行预测，据此本发明实施例基于崩塌的周期性构建崩塌可预测系数，进而得到更具有崩塌发生特征的平滑因子。为方便描述，本发明实施例以A地的崩塌灾害智能预警系统为例进行分析。

通过计算A地的崩塌周期密度与崩塌规模级别密度，并基于此计算崩塌可预测系数。基于A地的历史崩塌数据(包括崩塌发生时间及地崩塌规模级别数)，可以分析崩塌发生的规律性，其规律性越强可预测性越强，规律性越弱则可预测性越弱，据此可以构建崩塌可预测系数。

首先，通过崩塌周期密度计算子模块22计算崩塌周期密度。

崩塌周期密度计算子模块22，配置崩塌周期密度计算模型，用以根据时间数据得到崩塌时间序列，对崩塌时间序列进行一阶差分并排序得到崩塌周期序列，根据崩塌周期序列计算获得崩塌周期密度。

崩塌周期密度计算子模块22，配置崩塌周期密度计算模型，通过读取数据采集和存储模块10中的存储的A地历史崩塌发生的时间数据，然后根据时间数据得到崩塌时间序列得到崩塌时间序列，再对崩塌时间序列进行一阶差分，并将一阶差分结果按照从小到大的顺序进行排序得到崩塌周期序列

其中，

崩塌周期序列中，序列各元素与最大值的差越小，表明崩塌周期波动性越弱，崩塌周期密度越大；序列各元素与最大值的差越大，表明崩塌周期波动性越强，崩塌周期密度越小。崩塌周期序列标准差越大，表明崩塌周期波动程度越大，崩塌周期密度越小；崩塌周期序列标准差越小，表明其波动程度越小，崩塌周期密度越大。

然后，通过崩塌规模级别密度计算子模块23计算崩塌规模级别密度。

崩塌规模级别密度计算子模块23，配置有崩塌规模级别密度计算模型，用以根据崩塌规模级别数据得到崩塌规模级别序列，根据崩塌规模级别序列计算获得崩塌规模级别密度。

崩塌规模级别密度计算子模块23，配置有崩塌规模级别密度计算模型，通过读取数据采集和存储模块10中的存储的A地历史崩塌发生的崩塌规模级别数据，然后将崩塌规模级别数据按照从小到大的顺序进行排列，得到崩塌规模级别序列，则可以计算崩塌规模级别密度，其计算公式如下：

其中，

崩塌规模级别序列中，序列中各元素之间的差异越大，标准差越大，表明崩塌规模级别大小越分散，Hurst指数越接近0，表明崩塌序列的随机波动性越强，对应的崩塌规模级别密度越小；序列中各元素之间的差异越小，标准差越小，表明崩塌规模级别大小越分散，Hurst指数越接近1，表明崩塌序列的长期趋势性越强，对应的崩塌规模级别密度越大。

之后，通过崩塌可预测系数计算子模块24计算崩塌可预测系数。

崩塌可预测系数计算子模块24，配置有崩塌可预测系数计算模型，用以根据崩塌周期密度和崩塌规模级别密度计算获得崩塌可预测系数。

通过前述子模块已经获取了崩塌周期密度和崩塌规模级别密度，根据崩塌周期密度和崩塌规模级别密度，通过崩塌可预测系数计算模型可以构建崩塌可预测系数。崩塌可预测系数的计算方法为：

其中，

崩塌周期密度越大，崩塌周期越稳定，崩塌周期的可预测性越强，对应的崩塌可预测系数越大；崩塌周期密度越小，崩塌周期越不稳定，崩塌周期的可预测性越弱，对应的崩塌可预测系数越小。崩塌规模级别密度越大，表明历史崩塌规模级别较为相近，崩塌规模级别的可预测性越强，对应的崩塌可预测系数越大；崩塌规模级别密度越小，表明历史崩塌规模级别差异较大，崩塌规模级别的可预测性越弱，对应的崩塌可预测系数越小。

最后，通过平滑因子计算子模块25计算平滑因子。

平滑因子计算子模块25，配置有平滑因子计算模型，用以根据崩塌规模级别数据和崩塌可预测系数，计算获得平滑因子。

当前时间与上次崩塌的时间差与崩塌周期越接近，当前时间发生崩塌的可能性越大，此时使用指数移动平均法对崩塌数据进行预测时，应当对最新观测数据比较敏感，即对应的平滑因子应当较大；当前时间与上次崩塌的时间差与崩塌周期距离越远，当前时间发生崩塌的可能性越小，此时使用指数移动平均法对崩塌数据进行预测时，对历史数据的依赖程度较高，即对应的平滑因子应当较小。

平滑因子计算子模块25基于崩塌可预测系数计算平滑因子，平滑因子的计算方法为：

其中，

崩塌可预测系数越大，崩塌周期越稳定，崩塌周期的可预测性越强，基于崩塌周期计算出的平滑因子越有效，此时应当关注历史数据，即对历史数据的依赖性更强，对最新观测数据的依赖性相对较弱，故对应的平滑因子越小；崩塌可预测系数越小，崩塌周期越不稳定，崩塌周期的可预测性越弱，基于时间差计算出的平滑因子的有效性相对较低，此时应当关注最新观测数据，即对最新观测数据的依赖性相对较强，对应的平滑因子越大。平均崩塌规模级别越大，崩塌波的变化越明显，此时应该更关注最新观测数据，对应的平滑因子越大；平均崩塌规模级别越小，崩塌波的变化越不明显，此时对历史数据的依赖性更强，对应的平滑因子越小。

预测模块30，用以根据平滑因子，使用指数移动平均法对P波数据进行短期预测，得到P波短期预测数据，然后根据P波短期预测数据，使用崩塌规模级别计算公式计算获得预测崩塌规模级别，并将预测崩塌规模级别发送到崩塌灾害预警模块40。

使用指数移动平均法对崩塌数据进行短期预测。通过上述平滑因子计算子模块25计算得到的平滑因子，使用指数移动平均法对P波进行短期预测，即预测未来10秒内的P波数据，得到P波短期预测数据。由于平滑因子结合了A地的崩塌周期性与崩塌规模级别大小，故使用指数移动平均法预测出的崩塌数据更符合A地的崩塌特征，提高了对崩塌预测的准确性，且P波在地表中传播速度最快，通过对P波的监测与预测能够较大程度的避免崩塌带来的危害。

然后根据P波短期预测数据，使用崩塌规模级别计算公式获得预测崩塌规模级别，并将预测崩塌规模级别发送到崩塌灾害预警模块40，即A地的崩塌灾害预警中心。

预警模块40，用以根据预测崩塌规模级别进行分级预警。

崩塌灾害预警中心根据系统内所传输的不同预测崩塌规模级别进行不同程度的分级预警。分级预警包括一级预警、二级预警和三级预警。其中，当预测崩塌规模级别为中小型时，一般感觉不到或十分微弱，通过手机短信等途径进行通知，进行三级预警；当预测崩塌规模级别为大型时，会出现家具摇晃、窗户响动等迹象，但不会造成明显破坏，通过手机短信、各类社交平台进行通知，进行二级预警；当预测崩塌规模级别特大型及以上时，可能会出现建筑物毁坏、水源中断、停电短路、火灾等多种灾害，具有较大的破坏性，需要通过电话、网络、喇叭、手机短信、各类社交平台等多种平台进行通知，进行一级预警，及时提醒公众采取相应的应急措施，最大程度的降低崩塌所带来的灾害。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

需要说明的是，除非另有规定和限定，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外，本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。