基于深度神经网络的泥石流灾害易发性预测方法

技术领域

本发明涉及人工智能测试领域，特别涉及基于深度神经网络的泥石流灾害易发性预测方法。

背景技术

泥石流灾害严重威胁到国民经济和社会的可持续发展，因此泥石流灾害预测在泥石流防灾减灾实践中具有重要的意义，可直接服务于国民经济建设，但是其影响因素众多且关系复杂，随着经济的发展，泥石流所造成的经济损失随势而增。

传统的泥石流灾害易发性预测方法存在变量多难以准确统计数据，从而导致预测不准确的问题，且现有的通过位移-时间序列建模进行泥石流易发性预测具有随机性，需要人为地确定各分量的含义进行拆分预测，加大了工作量。

发明内容

为克服上述现有技术的不足，本发明提供基于深度神经网络的泥石流灾害易发性预测方法，包括：

获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集；

基于所述训练集，通过Stacking 集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型；

将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果。

优选的，所述获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集，包括：

获取预设地区的泥石流编录数据，根据所述泥石流编录数据，通过共线性筛选确定泥石流评价因子；

将所述泥石流评价因子图层重采样至相同空间分辨率，生成同频图层；

按照泥石流历史经验值对所述同频图层进行分类，获取图层子类别；

对所述图层子类别进行赋值，确定泥石流评价因子比重；

根据所述泥石流评价因子比重、泥石流评价因子和泥石流编录数据构建泥石流易发性数据库；

基于所述泥石流易发性数据库，获取泥石流和非泥石流的样本数据，并对所述样本数据进行划分，获取训练集和测试集。

优选的，所述基于所述训练集，通过Stacking 集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型，包括：

基于所述训练集，通过基分类器将所述训练集划分为预设数目大小相同的集合；

其中，所述集合包括：第一初始测试集、第二初始训练集、…和第n初始训练集；

将所述集合分别输入预先构建的卷积神经网络和循环神经网络中，以所述第二初始训练集、…和所述第n初始训练集进行初级分类器训练；

并通过所述初级分类器对所述第一初始测试集进行测试，获取卷积神经网络中的卷积第一测试结果和循环神经网络中的循环第一测试结果；

在所述卷积神经网络中将所述卷积第一测试结果设置为元学习器的训练集中的第一子集，并分别以所述第二初始训练集、…和所述第n初始训练集为初始测试集，以当前初始测试集外的所有集合进行n-1次初级分类器训练，获取卷积第二测试结果、…和卷积第n测试结果；

将所述卷积第二测试结果、…和卷积第n测试结果设置为元学习器的训练集中的第二子集、…和第n子集；

根据所述第一子集、第二子集、…和第n子集，确定第一目标训练集，根据所述第一目标训练集选取第一预测特征数据；

在所述循环神经网络中将所述循环第一测试结果设置为元学习器的训练集中的第一子集，并分别以所述第二初始训练集、…和所述第n初始训练集为初始测试集，以当前初始测试集外的所有集合进行n-1次初级分类器训练，获取循环第二测试结果、…和循环第n测试结果；

将所述循环第二测试结果、…和循环第n测试结果设置为元学习器的训练集中的第二子集、…和第n子集；

根据所述第一子集、第二子集、…和第n子集，确定第二目标训练集，根据所述第二目标训练集选取第二预测特征数据；

通过Stacking集成方法对所述第一预测特征数据和第二预测特征数据进行集成，得到泥石流预测数据；

根据所述泥石流预测数据构建深度神经网络预测模型。

优选的，预先构建的卷积神经网络的训练步骤如下：

S1：将预先获取的泥石流训练样本数据输入卷积神经网络的输入层，并通过所述输入层对所述泥石流训练样本数据进行多维排列，得到预设维度数组；

S2：将所述预设维度数组通过卷积窗口输入卷积层的卷积核中按照从左往右且从上往下的顺序进行内积运算，获取卷积特征图；

S3：通过池化层对所述卷积特征图进行池化操作，得到池化数据；

S4：根据所述池化数据，通过全连接层进行特征提取，获取高维特征，并将所述高维特征映射至低维特征空间，获取预设维度特征数据；

S5：当所述卷积神经网络中损失函数小于或等于预设收敛值时，将所述预设维度特征数据通过输出层进行输出，得到泥石流输出数据，否则返回步骤S2继续进行训练。

优选的，所述内积运算计算式如下：

，

式中，

优选的，预先构建的循环神经网络的训练步骤如下：

R1：对预先获取的泥石流训练样本数据按照时间顺序进行序列排序，获取样本序列数据；

R2：通过因子选择方法对所述样本序列数据中的泥石流评价因子进行重要性赋值，获取输入序列数据；

R3：将所述输入序列数据输入循环神经网络中，并通过所述循环神经网络的循环层对所述输入序列数据进行激活处理，获取输出数据；

R4：当所述循环神经网络中损失函数小于或等于预设收敛值时，将所述输出数据通过输出层进行输出，否则返回步骤R2继续进行训练。

优选的，所述循环神经网络计算模型如下：

；

其中，

式中，

优选的，所述将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果，包括：

将所述测试集和所述深度神经网络预测模型的状态参数发至记忆模块进行计算，得到一维列向量的计算结果；

基于所述一维列向量的计算结果，保留所述测试集中需保留的输出信息，并输出当前时刻记忆模块的状态参数、当前时刻所述深度神经网络预测模型中隐含层的状态参数；

通过线性函数的激活公式对所述一维列向量的计算结果进行计算，得到预设地区泥石流灾害易发性预测结果。

优选的，所述线性函数的激活公式如下：

；

式中，

优选的，在将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果之后，还包括：

根据所述预设地区泥石流灾害易发性预测结果，进行仿真实验，获取实验结果；

根据所述实验结果进行泥石流灾害易发性预测准确度评价。

与最接近的现有技术相比，本发明具有的有益效果如下：

一种基于深度神经网络的泥石流灾害易发性预测方法，包括：获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集；基于所述训练集，通过Stacking集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型；将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果，本发明通过Stacking集成方法卷积神经网络和循环神经网络组合在一起可以获得更准确的深度神经网络预测模型，所述深度神经网络预测模型拥有较好泛化能力和较高的预测精度，Stacking集成方法在使用极其有限的样本进行建模时，能获得更为可靠的泥石流灾害易发性预测结果，且在耗时与精确度上都表现出更优的性能。

附图说明

图1为本发明提供的基于深度神经网络的泥石流灾害易发性预测方法流程示意图；

图2为本发明提供的基于深度神经网络的泥石流灾害易发性预测方法中卷积神经网络训练流程图；

图3为本发明提供的基于深度神经网络的泥石流灾害易发性预测方法中循环神经网络训练流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

实施例1

本发明提供的基于深度神经网络的泥石流灾害易发性预测方法流程示意图如图1所示，包括：

步骤1：获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集；

步骤2：基于所述训练集，通过Stacking集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型；

步骤3：将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果。

具体的，所述步骤1包括：

获取预设地区的泥石流编录数据，根据所述泥石流编录数据，通过共线性筛选确定泥石流评价因子；

将所述泥石流评价因子图层重采样至相同空间分辨率，生成同频图层；

按照泥石流历史经验值对所述同频图层进行分类，获取图层子类别；

对所述图层子类别进行赋值，确定泥石流评价因子比重；

根据所述泥石流评价因子比重、泥石流评价因子和泥石流编录数据构建泥石流易发性数据库；

基于所述泥石流易发性数据库，获取泥石流和非泥石流的样本数据，并对所述样本数据进行划分，获取训练集和测试集。

其中，泥石流评价因子的选取对于泥石流易发性评价至关重要；

根据目前的野外调查研究及已有相关研究，以及综合考虑研究区的地形地貌、基础地质、水文条件等因素，通过预设地区的泥石流编录数据最终选取20个泥石流影响因子；

其中，其中所述20个泥石流影响因子至少包括下述中的一种或多种：数字高程模型数据、坡向、坡度、流域面积、流域坡度、曲率、斜坡形态因子、地理位置指数、地形粗糙指数、地形表面曲率、地形表面纹理、地形湿度指数因子、岩性因子、断层距离因子、降雨量因子、震级因子、水系距离因子、土地利用因子、植被归一化指数和归一化水指数；

为了保证这些因子的空间一致性，将这些因子图层重采样至相同空间分辨率；

在此基础上，根据历史文献及专家经验对连续型图层进行重分类，再对所有图层子类别进行赋值就可以保证数据的准确性，且能节省数据分析的时间。

具体的，所述步骤2包括：

基于所述训练集，通过基分类器将所述训练集划分为预设数目大小相同的集合；

其中，所述集合包括：第一初始测试集、第二初始训练集、…和第n初始训练集；

将所述集合分别输入预先构建的卷积神经网络和循环神经网络中，以所述第二初始训练集、…和所述第n初始训练集进行初级分类器训练；

并通过所述初级分类器对所述第一初始测试集进行测试，获取卷积神经网络中的卷积第一测试结果和循环神经网络中的循环第一测试结果；

在所述卷积神经网络中将所述卷积第一测试结果设置为元学习器的训练集中的第一子集，并分别以所述第二初始训练集、…和所述第n初始训练集为初始测试集，以当前初始测试集外的所有集合进行n-1次初级分类器训练，获取卷积第二测试结果、…和卷积第n测试结果；

将所述卷积第二测试结果、…和卷积第n测试结果设置为元学习器的训练集中的第二子集、…和第n子集；

根据所述第一子集、第二子集、…和第n子集，确定第一目标训练集，根据所述第一目标训练集选取第一预测特征数据；

在所述循环神经网络中将所述循环第一测试结果设置为元学习器的训练集中的第一子集，并分别以所述第二初始训练集、…和所述第n初始训练集为初始测试集，以当前初始测试集外的所有集合进行n-1次初级分类器训练，获取循环第二测试结果、…和循环第n测试结果；

将所述循环第二测试结果、…和循环第n测试结果设置为元学习器的训练集中的第二子集、…和第n子集；

根据所述第一子集、第二子集、…和第n子集，确定第二目标训练集，根据所述第二目标训练集选取第二预测特征数据；

通过Stacking集成方法对所述第一预测特征数据和第二预测特征数据进行集成，得到泥石流预测数据；

根据所述泥石流预测数据构建深度神经网络预测模型。

其中，如图2所示，预先构建的卷积神经网络的训练步骤如下：

S1：将预先获取的泥石流训练样本数据输入卷积神经网络的输入层，并通过所述输入层对所述泥石流训练样本数据进行多维排列，得到预设维度数组；

S2：将所述预设维度数组通过卷积窗口输入卷积层的卷积核中按照从左往右且从上往下的顺序进行内积运算，获取卷积特征图；

S3：通过池化层对所述卷积特征图进行池化操作，得到池化数据；

S4：根据所述池化数据，通过全连接层进行特征提取，获取高维特征，并将所述高维特征映射至低维特征空间，获取预设维度特征数据；

S5：当所述卷积神经网络中损失函数小于或等于预设收敛值时，将所述预设维度特征数据通过输出层进行输出，得到泥石流输出数据，否则返回步骤S2继续进行训练。

所述内积运算计算式如下：

；

式中，

其中，所述卷积神经网络（CNN）除了拥有与普通神经网络共有的输入层和输出层之外，其结构还包含卷积层、池化层和全连接层；

其中，在池化层中池化操作不仅能够通过降低卷积层输出的卷积特征图的维度来提高计算效率，还能使提取的特征保持平移不变性；

最常见的池化操作为最大池化，其计算公式如下：

；

式中，

其中，所述全连接层也是卷积神经网络（CNN）隐藏层中的一种， 其神经单元都与上一层的神经元相连；

所述全连接层可看作为特殊的分类器，其目的是将卷积、池化操作提取出来的高维特征映射到低维特征空间；

上述步骤既优化计算步骤，且保证了输出数据的准确性。

其中，如图3所示，预先构建的循环神经网络的训练步骤如下：

R1：对预先获取的泥石流训练样本数据按照时间顺序进行序列排序，获取样本序列数据；

R2：通过因子选择方法对所述样本序列数据中的泥石流评价因子进行重要性赋值，获取输入序列数据；

R3：将所述输入序列数据输入循环神经网络中，并通过所述循环神经网络的循环层对所述输入序列数据进行激活处理，获取输出数据；

R4：当所述循环神经网络中损失函数小于或等于预设收敛值时，将所述输出数据通过输出层进行输出，否则返回步骤R2继续进行训练。

所述循环神经网络计算模型如下：

；

其中，

式中，

其中，卷积神经网络（CNN）和循环神经网络（RNN）模型基于梯度下降算法迭代训练直到损失函数收敛，随着训练次数的增加，损失值减小直到达到一个低水平，这表明训练过程是令人满意的，此时可以结束训练。

具体的，所述步骤3包括：

将所述测试集和所述深度神经网络预测模型的状态参数发至记忆模块进行计算，得到一维列向量的计算结果；

基于所述一维列向量的计算结果，保留所述测试集中需保留的输出信息，并输出当前时刻记忆模块的状态参数、当前时刻所述深度神经网络预测模型中隐含层的状态参数；

通过线性函数的激活公式对所述一维列向量的计算结果进行计算，得到预设地区泥石流灾害易发性预测结果。

所述线性函数的激活公式如下：

；

式中，

具体的，在所述步骤3之后还包括：

根据所述预设地区泥石流灾害易发性预测结果，进行仿真实验，获取实验结果；

根据所述实验结果进行泥石流灾害易发性预测准确度评价。

其中，在泥石流易发性数据库中获取的泥石流和非泥石流的样本数据中筛选出10个仿真实验数据；

将所述10个仿真实验数据输入深度神经网络预测模型中进行仿真实验，得到实验结果；

将获取的预设地区泥石流灾害易发性预测结果和实验结果进行做差，获取误差值

其中，

式中，

其中，

因为

因此可说明本发明通过Stacking集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建的深度神经网络预测模型对泥石流易发性灾害预测的更准确；

且本发明的深度神经网络预测模型在运行耗时与精确度方面的性能都有所提高，有效减少实际操作中的工作量，并且提高了预测结果的可靠性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是，以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解，本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。