一种基于机器学习的烈度监测方法及系统与流程

摘要: 本发明涉及防震减灾信息,尤其涉及一种基于机器学习的烈度监测方法及系统。背景技术:1、地震烈度是表征地震在一定地点对地表及工程建筑物影响的强弱程度的物理量,是震灾...
一种基于机器学习的烈度监测方法及系统与流程

本发明涉及防震减灾信息,尤其涉及一种基于机器学习的烈度监测方法及系统。

背景技术:

1、地震烈度是表征地震在一定地点对地表及工程建筑物影响的强弱程度的物理量,是震灾快速评估、应急响应部署与灾后恢复决策的核心依据。现有烈度评定与成果表达工作主要存在以下问题:

2、其一,烈度判别依赖人工经验。现场调查点烈度判定依赖专家依据破坏现象、场地环境等要素人工研判,判别标准因人而异,且判别结果缺乏量化置信度度量,无法对可疑判别结果进行自动筛查。

3、其二,烈度分区面积统计口径不闭合。烈度图分区面积在图斑量算与逐级汇总过程中受上游数据源量算舍入与登记口径差异影响,分区面积之和与全域总面积常出现偏差;异常调查点对应的异常区面积与常规分区面积之间存在登记口径不一致风险,现有技术缺乏系统性的配平校验机制。

4、其三,成果文档编制效率低。烈度说明文档需按烈度等级、省、市、县、乡镇多级粒度组织分区数据,人工编制耗时易错,且数据引用不可溯源,多次编制结果不一致。

5、因此,亟需一种判别可量化、面积可配平、成果可溯源的自动化烈度监测方法。

技术实现思路

1、本发明提供了一种基于机器学习的烈度监测方法及系统,通过置信度量化判别、异常样本自动分离、累计偏差占比分摊与二次校验、多粒度文档自动生成与数值一致性核对,实现烈度监测成果的全流程自动化生产与数值确定性保障。

2、第一方面,本发明实施例提供了一种基于机器学习的烈度监测方法,方法包括:

3、获取地震事件的基础参数集、分区记录集、调查点记录集、仪器烈度记录集及全域总面积,输出原始数据集;

4、对所述原始数据集执行数据预处理,输出规范化数据集,并对所述规范化数据集中的调查点数据执行特征编码,构建特征向量集;

5、将所述特征向量集输入烈度判别模型,输出每一调查点在各烈度等级上的判别置信度分布,并取最大置信度作为该调查点的置信度评分;其中,所述烈度判别模型为基于机器学习算法构建且超参数经改进金豺优化算法迭代寻优后训练得到的模型;

6、基于所述置信度评分与预设置信度阈值,将所述特征向量集对应的全部调查点分离为有效样本集与异常样本集;

7、基于所述有效样本集,对所述分区记录集执行面积分组汇总与五级稳定排序,输出有序分区面积集合;

8、将所述有序分区面积集合中烈度值高于预设下限等级的各分区面积求和,与所述全域总面积比对,识别累计偏差并按分区面积占比分摊消除;将对所述异常样本集执行空间聚合得到的异常区按分区归属拆分为落入各跨接分区的异常子面积后,将分区侧扣除异常子面积的常规分区净面积,与全域侧扣除异常区登记面积的全域净面积基准比对执行二次校验,输出配平校验后的分区面积集合及异常区面积;

9、将所述配平校验后的分区面积集合、所述异常区面积、所述置信度评分的统计结果及所述基础参数集输入多粒度文档生成模块,根据所述基础参数集中的震级与涉及的县级政区数量自适应确定乡镇级列举数量上限,生成规范化烈度说明文档,导出并自动打开呈现。

10、本技术实施例提供的技术方案至少带来以下有益效果:

11、烈度判别由人工经验转变为量化置信度输出,且置信度阈值按各烈度等级实际判别准确率差异化设定,异常样本自动分离并独立建队,避免场地效应导致的局部烈度畸变污染分区统计;通过高精度十进制累加、累计偏差占比分摊与基于异常子面积拆分的二次校验构成“源头抑制—末端校平—口径验证”三级面积保障机制,保证分区面积体系与全域总面积严格闭合;五级稳定排序、推理结果缓存与文档数值一致性核对共同保证同一数据集多次运行输出结果一致,文档中每一数值均有数据源标签可溯源;改进金豺优化算法通过混沌初始化、动态折射反向学习、三层协作位置更新与黄金正弦扰动,提高超参数寻优的全局搜索能力与收敛精度。

12、在一种可选的实现方式中,获取地震事件的基础参数集、分区记录集、调查点记录集、仪器烈度记录集及全域总面积,输出原始数据集,包括:

13、从震中数据表中读取震中记录并提取发震时间、震中位置、震中经纬度、震级、等震线长轴方向、长短轴长度及地表破裂带长度字段,对缺失字段填充标准占位符,输出基础参数集;

14、从烈度图统计数据表中读取烈度分区记录,每条烈度分区记录至少包含烈度等级、分区面积、所属省、市、县、乡镇名称及乡镇面积字段,输出分区记录集;

15、从调查点统计数据表中读取调查点记录,每条调查点记录至少包含调查点编号、经纬度、四级行政区名称、现场判定烈度、破坏现象描述及场地环境类别字段,输出调查点记录集;

16、从仪器烈度统计数据表中读取仪器烈度记录并按预设标准烈度区间分组计数,输出仪器烈度记录集;

17、从全域基础地理数据表中读取震区的全域总面积,所述全域总面积为本次地震烈度评定范围内全部陆域面积之和,输出全域总面积;

18、对所述基础参数集、所述分区记录集、所述调查点记录集、所述仪器烈度记录集及所述全域总面积执行跨表一致性校验,并以调查点编号为主键、四级行政区名称为外键构建区划归属关联索引,以调查点经纬度与震中经纬度构建空间关联索引,输出带关联索引的原始数据集。

19、在一种可选的实现方式中,对所述原始数据集执行数据预处理,输出规范化数据集,并对所述规范化数据集中的调查点数据执行特征编码,构建特征向量集,包括:

20、对所述原始数据集逐字段执行格式校验,对数值型字段校验数值类型及有效范围,超出范围的记录标记为无效记录,并对缺失字段填充标准占位符,输出格式校验后的中间数据集、无效记录清单及占位符填充记录;

21、对所述格式校验后的中间数据集执行空白字符剥离、不可见字符剔除及乱码字符替换,输出清洗后的中间数据集;

22、对所述清洗后的中间数据集执行行政区名称归一化处理,对直辖市辖区去除重复的省市政区名,对省直辖县级区划按省与直辖县级市的层级关系挂载,对乡镇层级的镇、乡、街道分别生成标准化标签,输出归一化后的中间数据集;

23、对所述归一化后的中间数据集,以调查点编号与经纬度的组合为键对调查点记录执行重复检测,以烈度等级与四级行政区名称及乡镇名称的组合键对分区记录执行同名区划去重,消除同一乡镇在相邻烈度分区间的重复登记,输出规范化数据集、有效样本量及重复记录清单;

24、对所述规范化数据集中的每一调查点记录执行特征编码,构建至少包含震中距特征、震级特征、场地剪切波速特征、仪器烈度特征、破坏现象编码、场地环境类别编码及行政区划编码的特征向量,形成特征向量集及对应的烈度标签向量;其中,对无匹配仪器烈度记录且确需估计填充的调查点,采用经验衰减公式折算的估计烈度填充并附加估计标记;

25、汇总所述无效记录清单、所述占位符填充记录、所述重复记录清单及所述估计标记,生成包含原始样本量、剔除样本量、有效样本量及各环节剔除原因分布的数据质量报告。

26、在一种可选的实现方式中,所述烈度判别模型的训练方法,包括:

27、将所述特征向量集及对应的所述烈度标签向量按预设比例划分为训练集、验证集与测试集;

28、统计训练集中各烈度等级的样本量,对样本量低于预设下限的烈度等级,以震中距与烈度的衰减关系为先验,对该样本量低于预设下限的烈度等级的样本执行插值过采样生成合成样本并附加合成标记,输出增强训练集;

29、以机器学习模型的超参数为决策变量,以在所述增强训练集上训练的候选模型在所述验证集上的烈度预测偏差与分区归属交叉熵的加权组合为适应度函数,执行改进金豺优化算法迭代寻优,输出最优超参数向量;

30、以所述最优超参数向量实例化模型结构,在所述增强训练集上拟合得到烈度判别模型,并在所述测试集上评估烈度判别准确率与分区归属准确率,输出模型评估报告。

31、在一种可选的实现方式中,所述改进金豺优化算法的迭代寻优,包括:

32、将决策变量编码为改进金豺优化算法的位置向量,以logistic映射生成混沌序列并映射至超参数搜索空间,生成候选初始种群;

33、对所述候选初始种群中每一候选个体,以随迭代衰减的动态尺度因子生成折射反向个体,将折射反向个体与原候选个体中适应度值较优者保留,形成初始种群;

34、基于所述适应度函数,计算初始种群或上一次迭代更新的种群中全部个体的适应度值并排序,选取排名前三的个体分别作为第一领导个体、第二领导个体及第三领导个体;

35、在每次迭代中,由所述第一领导个体、所述第二领导个体及所述第三领导个体估计猎物位置,结合猎物逃逸机制与灰狼协作机制进入勘探阶段或开发阶段,以所述猎物位置为收敛导向执行三层协作位置更新,得到临时个体位置;

36、以黄金分割常数对所述临时个体位置执行正弦与余弦组合的位置扰动,得到扰动后位置;

37、以当前迭代动态尺度因子对所述扰动后位置生成折射反向解,将折射反向解与所述扰动后位置中适应度值较优者保留为该临时个体新一代位置,得到更新的种群;

38、重新计算所述更新的种群中全部个体的适应度值并更新所述第一领导个体、所述第二领导个体及所述第三领导个体,并回传至所述猎物位置估计环节,形成迭代闭环;

39、当达到最大迭代次数或最优适应度值连续预设代数的变化小于收敛阈值时终止迭代,输出所述第一领导个体作为全局最优个体,并对所述全局最优个体进行解码,得到所述最优超参数向量。

40、在一种可选的实现方式中,将所述特征向量集输入烈度判别模型,输出每一调查点在各烈度等级上的判别置信度分布,并取最大置信度作为该调查点的置信度评分,包括:

41、校验所述烈度判别模型处于已加载且版本标记与当前配置一致的状态,校验所述特征向量集的样本量与数据预处理环节输出的有效样本量一致,并且每一特征向量的维数与预设特征定义一致;任一校验不通过则终止推理并输出对应错误提示;

42、校验通过后,将全部调查点的所述特征向量集构造为推理输入矩阵一次性批量输入所述烈度判别模型,对模型原始输出执行归一化,得到每一调查点在各烈度等级上归一化后和为1的判别置信度分布;

43、对每一调查点,提取所述判别置信度分布中的最大值作为该调查点的置信度评分,记录所述最大值对应的烈度等级作为判别烈度,并提取次高置信度计算置信度评分与次高置信度之差作为判别分歧度。

44、在一种可选的实现方式中,基于所述置信度评分与预设置信度阈值,将所述特征向量集对应的全部调查点分离为有效样本集与异常样本集,包括:

45、依据所述模型评估报告中各烈度等级的判别准确率为每一烈度等级配置置信度阈值,判别准确率不低于各烈度等级判别准确率均值的烈度等级对应不低于预设基准阈值的置信度阈值,判别准确率低于所述均值的烈度等级对应低于所述预设基准阈值的置信度阈值,形成差异化阈值配置表;

46、对每一调查点,以该调查点的判别烈度等级为索引键,从所述差异化阈值配置表中调取对应阈值,将该调查点的置信度评分与所述对应阈值比对,将特征向量集的全部调查点分离为有效样本集与异常样本集;

47、将所述有效样本集与所述异常样本集的样本量之和,与数据预处理环节输出的有效样本量核对,核对通过后启动分区面积汇总,核对未通过则终止流程并输出未覆盖调查点的定位提示;

48、汇总所述差异化阈值配置表、各异常分离标记及数量核对结果,生成异常分离档案;对所述异常样本集执行空间聚合,依据所述区划归属关联索引与所述空间关联索引,将空间距离小于预设聚合半径且属于同一县级政区的异常调查点聚合为同一异常区,统计区内异常点数量,计算异常区登记面积并记录背景烈度等级,输出异常区列表及异常区面积;所述异常样本集为空时输出空异常区标记,所述异常区面积取零。

49、在一种可选的实现方式中,基于所述有效样本集,对所述分区记录集执行面积分组汇总与五级稳定排序,输出有序分区面积集合,包括:

50、校验所述有效样本集与所述异常样本集的样本量之和的核对已通过,并依据所述区划归属关联索引校验所述有效样本集中每一调查点能匹配到所述分区记录集中至少一条烈度分区记录,对无法匹配的调查点附加孤立点标记;

51、对每一烈度分区统计所述有效样本集中落入该分区的有效调查点数量,得到分区覆盖计数表,并识别覆盖计数为零的零覆盖分区;

52、以烈度等级为一级分组键、以省、市、县、乡镇四级行政区名称为层级分组键,对所述分区记录集执行分组汇总,将同一烈度等级且同一乡镇的多条分区记录合并累加,并采用高精度十进制算术执行面积累加,得到每一烈度等级与乡镇组合的汇总面积及逐级向上的县、市、省汇总面积;

53、采用稳定排序算法对分组汇总结果执行五级稳定排序,输出有序分区面积集合及排序过程档案;所述分区覆盖计数表随所述有序分区面积集合输出至配平校验环节与文档生成环节,所述零覆盖分区清单输出至配平校验环节用于对零覆盖分区的面积微调执行占比上限约束,并输出至文档生成环节用于零覆盖提示。

54、在一种可选的实现方式中,将所述有序分区面积集合中烈度值高于预设下限等级的各分区面积求和,与所述全域总面积比对,识别累计偏差并按分区面积占比分摊消除;将对所述异常样本集执行空间聚合得到的异常区按分区归属拆分为落入各跨接分区的异常子面积后,将分区侧扣除异常子面积的常规分区净面积,与全域侧扣除异常区登记面积的全域净面积基准比对执行二次校验,输出配平校验后的分区面积集合及异常区面积,包括:

55、确认参与求和的分区范围,仅纳入烈度值高于所述预设下限等级的分区,烈度值不高于所述预设下限等级的分区面积单独记为未纳入区面积,建立核算恒等式,作为一次校验的核算依据;

56、对参与求和的各分区面积求和,计算所述全域总面积扣除所述未纳入区面积后与分区面积总和的一次校验差值,所述一次校验差值的绝对值不大于第一误差容限时判定无需微调,大于第一误差容限时判定存在分区面积体系相对全域基准的累计偏差;

57、对判定存在累计偏差的情形,按各分区面积占分区面积总和的比例将所述一次校验差值分摊至各分区,得到微调后分区面积;

58、对每一异常区按分区归属拆分为落入其跨接的各烈度分区的异常子面积,使每一异常区的各异常子面积之和不大于该异常区的登记面积,并且任一异常子面积不大于所在分区的微调后面积;将微调后各分区面积中与异常区跨接的分区扣除落入该分区的异常子面积后求和,得到常规分区净面积;将所述全域总面积扣除异常区登记面积,得到全域净面积基准;计算所述全域净面积基准扣除所述未纳入区面积后与所述常规分区净面积的二次校验差值;所述二次校验差值由一次校验残差项与口径项构成,所述口径项为每一异常区的各异常子面积之和与该异常区登记面积之差;

59、所述口径项的绝对值不大于第二误差容限时判定二次校验通过,将由各所述微调后分区面积构成的分区面积集合确认为配平校验后的分区面积集合;大于所述第二误差容限时判定异常区面积与分区面积体系存在登记口径不一致,输出疑似冲突的异常区编号及其跨接的分区清单;将所述疑似冲突的异常区编号及其跨接的分区清单反馈至异常样本集空间聚合环节,由所述异常样本集空间聚合环节对所述疑似冲突的异常区的面积重新按分区归属执行拆分后,返回执行所述二次校验;同一异常区的重新拆分校验最多执行预设轮数,超过预设轮数仍不通过则终止流程并输出配平失败提示及人工核查清单;

60、所述异常样本集为空时,所述异常区面积取零,所述常规分区净面积等于微调后分区面积之和,所述二次校验退化为对所述一次校验结果的复验;

61、汇总所述一次校验差值及其相对量级、微调明细表、微调轮数及所述二次校验差值,生成配平校验档案,按配置附加于所述规范化烈度说明文档的附录;所述微调明细表中任一分区面积的微调量导致其排序键越过同层级相邻分区时,触发顺序复核提示;

62、当连续预设数量震例的一次校验差值相对量级超过预设误差上限时,输出上游分区面积数据源存在系统性精度问题的数据源治理提示。

63、第二方面,本发明实施例提供了一种基于机器学习的烈度监测系统,用于实现基于机器学习的烈度监测方法,所述系统包括:

64、数据采集单元,用于获取地震事件的基础参数集、分区记录集、调查点记录集、仪器烈度记录集及全域总面积,输出原始数据集;

65、数据预处理单元,用于对所述原始数据集执行数据预处理,输出规范化数据集,并对所述规范化数据集中的调查点数据执行特征编码,构建特征向量集;

66、机器学习烈度判别单元,用于将所述特征向量集输入烈度判别模型,输出每一调查点在各烈度等级上的判别置信度分布,并取最大置信度作为该调查点的置信度评分;其中,所述烈度判别模型为基于机器学习算法构建且超参数经改进金豺优化算法迭代寻优后训练得到的模型;

67、样本分离单元,用于基于所述置信度评分与预设置信度阈值,将所述特征向量集对应的全部调查点分离为有效样本集与异常样本集;

68、分区面积汇总与排序单元,用于基于所述有效样本集,对所述分区记录集执行面积分组汇总与五级稳定排序,输出有序分区面积集合;

69、面积配平校验单元,用于将所述有序分区面积集合中烈度值高于预设下限等级的各分区面积求和,与所述全域总面积比对,识别累计偏差并按分区面积占比分摊消除;将对所述异常样本集执行空间聚合得到的异常区按分区归属拆分为落入各跨接分区的异常子面积后,将分区侧扣除异常子面积的常规分区净面积,与全域侧扣除异常区登记面积的全域净面积基准比对执行二次校验,输出配平校验后的分区面积集合及异常区面积;

70、文档生成单元,用于将所述配平校验后的分区面积集合、所述异常区面积、所述置信度评分的统计结果及所述基础参数集输入多粒度文档生成模块,根据所述基础参数集中的震级与涉及的县级政区数量自适应确定乡镇级列举数量上限,生成规范化烈度说明文档,导出并自动打开呈现。

71、本发明实施例第三方面提出一种电子设备,电子设备包括:

72、至少一个处理器;以及,与至少一个处理器通信连接的存储器;

73、其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明实施例第一方面提出方法。

74、本发明实施例第四方面提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面提出方法。