石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质与流程

1.本发明涉及石窟寺岩体裂隙领域，尤其涉及一种石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质，通过对过去一段时间内采集到的石窟寺窟内气象数据和历史石窟寺岩体裂隙学习，来预测未来一段时间的石窟寺岩体裂隙大小，进而实现对石窟寺岩体失稳的有效预防和控制。


背景技术：

2.在中国石窟寺分布广泛、规模宏大、体系完整，集建筑、雕塑、壁画、书法等艺术于一体，充分体现了中华民族的审美追求、价值理念、文化精神。石窟寺同时兼具历史价值、艺术价值、文化价值、科学价值、社会价值，这些绵亘千余年的雕刻艺术，凝结着劳动人民的智慧，是古代艺术匠师们辛勤劳动的结晶，也是前人为我们留下的宝贵的精神财富。对于石窟寺的保护与利用，我国仍处于起步阶段，仍然面临一些突出问题：石窟寺文物安全风险高，容易受地质灾害、生物病害影响；应对岩体风化、渗水、结构失稳等病害的关键保护技术尚未突破等问题。因此加强石窟寺保护利用，对石窟寺岩体裂隙发育的预测成为亟待解决的问题。
3.对于石窟寺岩体裂隙的预测任务，大多数研究是利用统计学的方法、力学计算方法、可靠性分析方法，近年来也有研究将深度学习用于边坡岩体裂隙预测中。
4.传统的统计模型有：自回归(ar)，移动平均值(ma)和自回归平均移动(autoregressiveand moving average，arma)、自回归综合平均移动(autoregressive integrated movingaverage，arima)，其中自回归综合移动平均值是一个线性模型族，包含上述模型。这些统计方法假定变量间存在线性相关性，因此将变量间的关系抽象成线性模型。
5.目前时序数据预测领域，常见的机器学习模型有：支持向量回归(support vectorregression，svr)，深度置信网络(deep belief network，dbn)，随机森林回归(randomforest regression，rfr)和循环神经网络(recurrent neural networks，rnns)。循环神经网络rnn在网络中添加了“循环”(loops)，让信息可以更持久，每一次神经网络的判断过程之后，都会把信息传给下一次判断过程，将前一时刻学习的结果应用到当前学习过程中，解决了记忆可以持续性。在rnn的基础上衍生出长短时记忆网络 (long
‑
short
‑
term
‑
memory，lstm)，它解决了“长距离依赖”时，rnn的效果开始变差的问题。门控循环单元(gated recurrent unit,gru)是rnn的另一种变体，它的结构比 lstm简单，但是效果和lstm相当，二者均被广泛地应用于时间序列预测任务中。
6.上述这些模型在单变量时间序列预测中都取得了很不错的效果，但是这些模型很少侧重于关注多变量时间序列的预测。
7.近年来多变量时序预测的方法有自适应共享内存的张量lstm(tlasm)、长短期时间序列网络(long
‑
and short
‑
term time
‑
series network,lstnet)。tlasm利用多任务1dcnn 来学习本地时间序列特征，借助自适应共享内存，自适应地了解任务之间的相关性，
并据此动态改变任务之间参数共享的程度。lstnet使用一维卷积神经网络将短期本地信息编码为低维向量，并通过递归神经网络对向量进行解码。它利用了卷积层的优势来发现局部多维输入变量和循环层之间的依赖关系模式，以捕获复杂的长期依赖关系。双重自注意网络 (dsanet)用于在没有外来信息的情况下进行高效的多元时间序列预测。这说明注意力机制的使用有助于时间序列预测。mtgnn模型使用图神经网络捕获时间序列内的空间和时间依赖性，将图神经网络应用于时间序列预测。但是上述方法都只适合于数据集规模较大的情况，当数据集规模较小时，上述方法很难学习到序列的长期趋势。
8.历经千年，石窟寺一直遭受着来自自然和人为的各种病害。为了加强对石窟寺的数字化保护，有效应对石窟寺岩体裂隙发育导致的结构失稳问题，发明人提出对石窟寺岩体裂隙发育进行预测。然而，由于石窟寺本身具有文物这一特殊性，出于保护目的，我国尚未开展系统性、大规模的数据采集工作，对石窟寺数据采集、加工、存储、管理等方面的标准规范也尚未制定，因此很难共享监测数据，网络上并没有出现关于这方面的公开数据集。没有数据意味着预测工作要从搜集数据自建数据集开始，这对发明人来说是个很大的挑战。其次，现有的时间序列预测方法使用时需要大量的历史数据，石窟寺岩体裂隙的监测开展较晚，数据集较小，并且岩体裂隙变化较为缓慢，只针对裂隙预测几个小时或者几天后的变化进行研究，对石窟寺安全性预测预警意义并不大，发明人需要对石窟寺岩体裂隙进行几个月或者几年后的变化进行预测。与此同时岩体裂隙变化还受多种气象因素的影响，这也就意味着实现对岩体裂隙预测面临着数据集小、多时间序列预测长期预测、多时间序列预测长期多步预测的挑战。


技术实现要素：

9.本发明提供了一种石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质，本发明基于数据增强将时间序列分解成多项，间接地扩大数据量，将多项式回归与深度学习融合提出了mtlfnet网络，该网络将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势，实现了对裂隙发育长期多步控制，详见下文描述：
10.第一方面，一种石窟寺岩体裂隙发育长期多步控制方法，所述方法包括以下步骤：
11.基于多项式回归与深度学习融合提出mtlfnet网络，所述网络将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势；
12.所述网络由一数据增强模块、n个周期性时间序列预测模块、和一不确定性时间序列预测模块组成；
13.周期性时间序列预测模块学习分解后的单时间序列；不确定性时间序列预测模块提取多时间序列间的空间依赖关系，将多项式回归预测出的不确定性时间序列时间特征和空间依赖关系融合得出对石窟寺岩体裂隙发育的预测结果。
14.进一步地，所述周期性时间序列预测模块由第一多项式回归模块、两个多层感知神经网络三部分组成；
15.所述不确定性时间序列预测模块包含第二多项式回归模块、空间卷积模块、拼接函数和mlp层；
16.所述周期性时间序列预测模块学习分解后的单时间序列；空间卷积模块提取多时间序列间的空间依赖关系，mlp层将多项式回归预测出的不确定性时间序列时间特征和空
间依赖关系融合得出预测结果。
17.在一种实施方式中，所述不确定性时间序列y使用l1趋势过滤将序列y分解成趋势项y
tr
和随机项y
r
；
18.将序列y所有时刻的趋势估计值合并为一趋势序列y
tr
，将y
tr
输入到第二多项式回归模块中，对不确定性时间序列的时间特征进行预测。
19.在一种实施方式中，所述第一多项式回归模块用于捕捉时间序列随时间的变化，刻画时间索引index与时间序列的趋势项之间的函数关系，将未来的时间索引index输入到多项式中，一次生成单个序列的多步趋势
20.第一mlp和第二个mlp分别模拟时间序列的周期随机项变化规律最后一层的mlp将趋势周期和随机项融合成一个时间序列对n个周期性时间序列都做融合处理得到将输入到空间卷积模块中，学习空间变化
21.在一种实施方式中，将不确定性时间序列的趋势预测结果与周期性时间序列预测到的空间变化相融合得到对石窟寺岩体裂隙发育的预测结果，根据的大小预判该位置的岩体的危险等级，是否处于失稳状态，若失稳可提前进行修补和抢险加固。
22.在一种实施方式中，所述方法还包括：构建石窟寺岩体裂隙数据集，
23.所述数据集包括：时间、岩体裂隙宽度、石窟内温度、石窟内湿度、石窟霜/露点。
24.第二方面，一种石窟寺岩体裂隙发育长期多步控制装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
25.第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
26.本发明提供的技术方案的有益效果是：
27.1、石窟寺管理人员通过获取到长期稳定的石窟寺岩体裂隙发育的预测结果，可以判断出石窟寺岩体所处的状态是否稳定，当石窟寺岩体存在失稳可能时，提前做出预警，提早做出防范措施；
28.2、本发明可以防止失稳情况恶化，这种预防性保护结合抢救性保护能全面提升石窟寺保护能力。
附图说明
29.图1为一种石窟寺岩体裂隙发育长期多步控制方法的流程图；
30.图2为周期性时间序列分解示意图；
31.图3为周期性时间序列预测示意图；
32.图4为rmse可视化图；
33.图5为基于回归融合深度学习的石窟寺裂隙发育控制装置的结构示意图。
具体实施方式
34.为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
35.为了解决上述问题，本发明实施例首先在2020年10月份在甘肃省庆阳市北石窟和四川省安岳县圆觉洞开展了石窟寺岩体裂隙数据的监测活动，建立了北石窟岩体裂隙数据集，同时这也是国内首个石窟寺岩体裂隙监测数据集。该数据集能用于研究气象因素对石窟寺岩体裂隙发育的影响。
36.针对数据集小的问题，本发明实施例提出了一种数据增强方法，将时间序列分解成多项，间接地扩大数据量。受气象因素和时间因素影响较大的时序数据会表现出明显的周期性，分解出时序数据的趋势发展模式、周期模式、随机模式，对不同模式按不同的方法进行建模预测，会更加符合该类时序数据的发展规律。
37.针对多变量时序数据长期多步预测，本发明实施例提出将多项式回归与深度学习方法融合提出mtlfnet网络，该网络将时间序列的趋势刻画成一个自变量为时间索引的函数，只要输入时间索引，便可一次获得多步时间趋势。使用mtlfnet在本发明实施例所构建的石窟寺岩体裂隙数据集上对三个月后的二十天内岩体裂隙变化值进行预测。对比已有时序预测方法，综合实验结果表明，mftltnet在真实的石窟寺岩体裂隙数据集上取得了较好的效果。
38.下面，本发明实施例将更详细地介绍用于石窟寺岩体裂隙预测的长期多步预测网络结构(mtlfnet)。本发明实施例所提的模型mtlfnet如图1所示。mtlf网络由一个数据增强模块、n个周期性时间序列预测模块(ptf)、和一个不确定性时间序列预测模块组成。周期性时间序列预测模块(ptf)由多项式回归、两个多层感知神经网络(mlp)三部分组成。不确定性时间序列预测模块包含图1中的多项式回归模块(polynomial regression)、空间卷积模块(conv)、cat()和mlp层。周期性时间序列预测模块学习分解后的单时间序列；空间卷积模块提取多时间序列间的空间依赖关系，mlp层将多项式回归预测出的不确定性时间序列时间特征和空间依赖关系融合得出预测结果。
39.多元时间序列中每个时间序列呈现不同形态的变化趋势，本发明实施例将时间序列数据分成两个类别来进行学习，这两个类别分别是周期性时间序列和不确定性时间序列。周期性时间序列是指时间序列以日、月、年等时段为周期呈现出有规律地变化。而不确定性时间序列可以理解为当序列长度较短时无法判定序列是否具有周期，因此称之为不确定性时间序列。
40.mtlfnet对每个序列分开学习，单个序列采用多项式回归来模拟序列的趋势变化曲线，通过mlp来学习序列的周期规律和随机变化。使用1dcnn将各个单时间序列融合，提取序列间的相互关系作为目标序列的空间特征，再混合多项式回归学习到的目标序列的长期趋势特征，最终得到目标序列的预测结果。
41.一、数据增强模块
42.为了实现数据增强，周期性时间序列使用statsmodels模块中的seasonal_decompose函数将时间序列中的每个时间节点分解成trend(趋势项)，seasonal(季节性项)和residual (残余项，或称随机项)。decompose数据分解模型主要有两类：相加模型(additive)和相乘模型(multiplicative)，本模型中用到的是相加模型。
43.不确定性时间序列y使用l1趋势过滤将序列分解成趋势项y
tr
和随机项y
r
， y＝y
tr
y
r
。l1趋势过滤的目标函数如公式(1)所示：
[0044][0045]
其中，λ可以控制分解后的趋势精度，λ越小，趋势越接近原始序列。表示时间序列在t时刻的趋势估计值，y
t
表示时间序列t时刻的原始值。
[0046]
将序列y所有时刻的趋势估计值合并为一个序列，这个序列就是趋势序列y
tr
，将y
tr
输入到图1中的多项式回归模块(polynomial regression模块)，可对不确定性时间序列的时间特征进行预测。
[0047]
二、周期性时间序列预测模块
[0048]
周期性时间序列预测模块也即是图2中的ptf模块，有n个周期性时间序列就有n个 ptf模块。该模块由第一多项式回归、两个多层感知神经网络(mlp)三部分组成。该模块用于预测单个周期性时间序列，模块构成如图3所示。
[0049]
图3中的第一多项式回归模块捕捉到时间序列随时间的变化，刻画出时间索引index 与时间序列的趋势项之间的函数关系。将未来的时间索引index输入到多项式中，可以一次生成单个序列的多步趋势且没有错误累积。图3中左侧自上而下有两个mlp层，这两个mlp多层感知神经网络捕捉时间序列的非线性变化。第一个mlp和第二个mlp 分别模拟时间序列的周期随机项变化规律图3最后一层的mlp将趋势周期和随机项融合成一个时间序列融合成一个时间序列就是对第i个周期性时间序列的预测结果，这一过程可由等式(2)表示：
[0050][0051]
对n个周期性时间序列都做等式(2)的处理，可得到将输入到不确定性时间序列预测模块中的空间卷积模块conv中，可学习到空间变化。
[0052]
三、不确定性时间序列预测模块
[0053]
不确定性时间序列预测模块由两部分组成，分别是不确定性时间序列的时间特征描述模块、及时空融合模块。
[0054]
不确定性时间序列的时间特征描述模块的设置是为了学习不确定时间序列的趋势特征，该模块依旧是依赖多项式回归也即是图1中的polynomial regression模块实现该过程可表示为等式(3)：
[0055][0056]
该等式的输入为s数据增强模块中求得的趋势序列y
tr
，等式求得的结果是对不确定性时间序列的趋势预测结果。
[0057]
时空融合模块包含：空间卷积模块(conv)、拼接函数cat()和mlp层。将周期性时间序列预测模块中等式(2)求得的结果输入到空间卷积模块中，得到周期性时间序列预测到的空间变化该过程可表示为等式(4)：
[0058][0059]
时空融合模块是将不确定性时间序列的趋势预测结果与周期性时间序列预测到的空间变化相融合得到预测结果其过程可表示为等式(5)：
[0060][0061]
等式(5)中求得的结果即是对石窟寺岩体裂隙发育的预测结果，根据的大小可以预判该位置的岩体的危险等级，是否处于失稳状态，若失稳可提前进行修补和抢险加固。
[0062]
四、实验设置
[0063]
在本发明实施例的实验中，模型使用adam优化器进行训练，学习率设置为0.0001，多项式回归最高次项为12次，l1趋势过滤的精度设置为0.2，batch_size大小为32，数据窗口宽度为12*7、12*10、12*15。时间间隔设置为12*30*3，表示模型预测3个月之后的数据。模型中有3个周期性时间序列预测模块、一个不确定序列预测模块。每个周期时间序列预测模块包含一个1dcnn和两个mlp，1dcnn有两个带有最大池化的卷积层。
[0064]
五、数据集及评价指标
[0065]
2020年10月份在甘肃省庆阳市北石窟和四川省安岳县圆觉洞开展了石窟寺岩体裂隙数据的监测活动，建立了北石窟岩体裂隙数据集，同时这也是国内首个石窟寺岩体裂隙监测数据集。该数据集记录了2020年10月22至2021年4月8日近六个月内的北石窟内一个裂隙的变化数据，并同时监测了该洞窟内的温度、湿度、霜/露点。该数据集能用于研究气象因素对石窟寺岩体裂隙发育的影响。
[0066]
自建数据集：石窟寺岩体裂隙数据集中有五列数据，分别是时间、岩体裂隙宽度、石窟内温度、石窟内湿度、石窟霜/露点。裂隙宽度的采样频率较低，每两小时采集一次。与此同时，影响裂隙宽度变化的气象因素改变比较频繁，采样频率为每20分钟一次。为了对裂隙宽度变化进行预测，需要将裂隙宽度数据与石窟内气象数据对齐后，再进行去噪处理。将数据集按照比例6:2:2将数据集分为训练集、验证集和测试集。
[0067]
实验中，使用两个常用的评估指标均方根误差rmse(root mean squared error)、平均绝对误差mae(mean absolute error)。二者分别定义为：
[0068][0069][0070]
其中，y
i
，分别表示真实值和预测值，m表示数据点个数。rmse和mae这两个指标数值越低，表明预测效果越好。
[0071]
六、实验性能比较
[0072]
在本节中，对本发明实施例提出的模型进行了评估，并与目前主流的时间序列预测算法进行了比较，其中包括基于深度学习的方法如cnn、lstm、cnnlstm以及lstnet。实验是在本发明实施例建立的中国画数据集上进行的。表1为5种方法对未来2个月后20 天内的石窟寺岩体裂隙预测的对比实验结果。可以看出，本发明的mtlfnet模型显著优于之前的所有方法，预测损失rmse为0.3076，低于所有的对比方法。
[0073]
表1 5种方法的对比实验结果
[0074]
namesrmsemaecnn1.56871.2663lstm2.09421.6712cnnlstm4.71260.9057lstnet2.07341.9677mtlfnet0.33340.3076
[0075]
为了体现mtlfnet长期多步预测的优越性，本方法对3个月后未来20天内的石窟寺岩体裂隙进行预测实验，表2为5种方法的对比实验结果。观察表2中各个实验经rmse、 mae两个评估指标评价后的结果，可以看出，本发明所提出的mtlfnet在预测间隔变长后，表现十分稳定，预测性能不变，依旧优于其他方法。
[0076]
表2 5种方法的对比实验结果
[0077]
namesrmsemaecnn1.89991.4859lstm2.49851.2140cnnlstm14.07783.1149lstnet0.52360.4787mtlfnet0.33990.3039
[0078]
五个模型的rmse可视化的结果如图5所示，经过60个epoch，每间隔5个epoch输出一次，横坐标为输出次数，纵坐标为对应的rmse值。图5中*型折线为本发明提出的方法mfltnet，可以看出相比于其他方法，mtlfnet模型不仅收敛速度快，而且误差最小。
[0079]
总的来说，本发明实施例提出了一个多项式回归融合深度学习的网络架构mtlfnet，用来学习多元时间序列间的相互关系，利用多时间序列实现对单个目标序列的长期多步预测。mtlfnet网络的核心在于对时间序列分类，对周期性时间序列分解后分别学习；对不确定性时间序列趋势过滤后学习序列趋势。多项式回归模拟时间序列的长期变化特征， 1dcnn学习多时间序列之间隐藏的关系，也即是空间变化特征，长期特征和空间特征输入mlp层后一次性生成多步预测结果。
[0080]
基于同一发明构思，本发明实施例还提供了一种基于并行混合网络的石窟寺岩体裂隙发育控制装置，参见图5，该装置包括：处理器1和存储器2，存储器2中存储有程序指令，处理器1调用存储器2中存储的程序指令以使装置执行实施例中的以下方法步骤：
[0081]
基于多项式回归与深度学习融合提出mtlfnet网络，所述网络将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势；
[0082]
网络由一数据增强模块、n个周期性时间序列预测模块、和一不确定性时间序列预测模块组成；
[0083]
周期性时间序列预测模块学习分解后的单时间序列；不确定性时间序列预测模块提取多时间序列间的空间依赖关系，将多项式回归预测出的不确定性时间序列时间特征和空间依赖关系融合得出对石窟寺岩体裂隙发育的预测结果。
[0084]
其中，周期性时间序列预测模块由第一多项式回归模块、两个多层感知神经网络三部分组成；
[0085]
不确定性时间序列预测模块包含第二多项式回归模块、空间卷积模块、拼接函数
和 mlp层；
[0086]
周期性时间序列预测模块学习分解后的单时间序列；空间卷积模块提取多时间序列间的空间依赖关系，mlp层将多项式回归预测出的不确定性时间序列时间特征和空间依赖关系融合得出预测结果。
[0087]
进一步地，不确定性时间序列y使用l1趋势过滤将序列y分解成趋势项y
tr
和随机项y
r
；
[0088]
将序列y所有时刻的趋势估计值合并为一趋势序列y
tr
，将y
tr
输入到第二多项式回归模块中，对不确定性时间序列的时间特征进行预测。
[0089]
其中，所述第一多项式回归模块用于捕捉时间序列随时间的变化，刻画时间索引index 与时间序列的趋势项之间的函数关系，将未来的时间索引index输入到多项式中，一次生成单个序列的多步趋势
[0090]
第一mlp和第二个mlp分别模拟时间序列的周期随机项变化规律最后一层的mlp将趋势周期和随机项融合成一个时间序列对n个周期性时间序列都做融合处理得到将输入到空间卷积模块中，学习空间变化
[0091]
进一步地，将不确定性时间序列的趋势预测结果与周期性时间序列预测到的空间变化相融合得到对石窟寺岩体裂隙发育的预测结果，根据的大小预判该位置的岩体的危险等级，是否处于失稳状态，若失稳可提前进行修补和抢险加固。
[0092]
在一种实施方式中，还包括：构建石窟寺岩体裂隙数据集，
[0093]
所述数据集包括：时间、岩体裂隙宽度、石窟内温度、石窟内湿度、石窟霜/露点。
[0094]
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
[0095]
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
[0096]
存储器2和处理器1之间通过总线3传输数据信号，本发明实施例对此不做赘述。
[0097]
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
[0098]
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
[0099]
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
[0100]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
[0101]
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算
机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
[0102]
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
[0103]
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0104]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。