一种地面沉降预测方法、计算设备及计算机存储介质

1.本发明涉及地面沉降预测技术领域，具体而言，涉及地面沉降预测方法、计算设备及计算机存储介质。


背景技术：

2.地面沉降是一种由于各种因素导致地面高程缓慢下降的环境地质现象，严重时会引起地裂缝和建筑物倒塌，进而对人们的生产、生活和交通产生很大的影响，甚至将威胁人民生命财产安全。
3.对地面沉降进行监测和有效预警，可以避免不必要的人员伤亡和巨大的经济损失，具有重要意义。例如，中国深圳填海面积大，中心城区特别是近海地区沉降速度快，地裂缝时有发生，近几年发生过几次地面沉降引起的房屋倒塌事故，因此，对地表沉降位移量的预测具有重要意义。基于预测的位移，能有效地预警灾害，减少人员伤亡，减少经济损失。
4.城市地面沉降的诱发因素多种多样，相互影响，这些影响因素不仅与地质作用有关，而且与人类活动密切相关。但是，目前大多数研究使用单一类型的数据进行预测，不考虑影响因素之间的相关性因素，预测的精度低。另外，市区面积大采样点多，insar(干涉雷达)数据量大，在预测城市整体沉降位移时，模型效率会降低。


技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，第一方面，本发明提供了一种地面沉降预测方法，包括：
6.获取用于表示地表情况的多源数据，所述多源数据包括预处理的地面沉降数据以及地面相关数据，所述地面相关数据包括土壤质量数据、数字高程数据、建筑高度数据和不透水表面数据中的至少一项；
7.将所述地面相关数据和所述预处理的地面沉降数据进行归一化处理；
8.根据所述地面相关数据和所述预处理的地面沉降数据的归一化处理的结果生成模型输入数据；
9.将所述模型输入数据输入tcn模型，得到地面沉降预测数据。
10.进一步地，所述根据所述地面相关数据和所述预处理的地面沉降数据的归一化处理的结果生成模型输入数据包括：
11.将所述地面相关数据的归一化处理的结果与所述预处理的地面沉降数据的归一化处理的结果进行拼接，以生成数据向量；
12.根据所述数据向量生成所述模型输入数据。
13.进一步地，所述数据向量的生成方法包括：
14.以预设时间间隔，按照时间序列的顺序采样所述地面相关数据的归一化处理的结果，和，采样所述预处理的地面沉降数据的归一化处理的结果；
15.将所述地面相关数据的采样结果与所述预处理的地面沉降数据的采样结果拼接
形成所述数据向量。
16.进一步地，所述地面沉降预测方法还包括：
17.获取土地利用分类数据和地面多个采集点的地面沉降数据；
18.根据所述土地利用分类数据将多个所述地面沉降数据进行分类，以得到所述预处理的地面沉降数据，其中，所述预处理的地面沉降数据包括多个土地类型相同的地面沉降数据；
19.所述数据向量的生成方法还包括：
20.将所述预处理的地面沉降数据的各个采样结果分别与所述地面相关数据的采样结果拼接形成多个所述数据向量；
21.所述模型输入数据包括由各个所述数据向量构成的数据矩阵。
22.进一步地，所述将所述地面相关数据和所述预处理的地面沉降数据进行归一化处理包括：
23.将所述地面相关数据和所述预处理的地面沉降数据均取最大值和最小值；
24.通过max-min算法对所述最大值和所述最小值进行线性变换，其中，所述地面相关数据和所述预处理的地面沉降数据的线性变换的结果均处于0-1的区间。
25.进一步地，将所述模型输入数据输入tcn模型，得到地面沉降预测数据包括：
26.通过所述tcn模型将所述模型输入数据进行两次残差处理得到第一部分输出，以及将所述模型输入数据进行一维卷积操作得到第二部分输出；
27.将所述第一部分输出与所述第二部分输出相加，得到所述地面沉降预测数据。
28.进一步地，所述残差处理的处理过程包括：
29.将所述模型输入数据依次进行基于一维膨胀卷积层的卷积处理、权值归一化处理、基于激活函数的非线性化处理和基于dropout层的正则化处理。
30.进一步地，所述tcn模型的训练方法包括：
31.获取训练数据；
32.根据所述训练数据对初始tcn模型进行训练，获得训练结果；
33.计算所述训练结果与实际沉降位移之间的均方根误差；
34.根据所述均方根误差更新初始tcn模型的参数，直至所述tcn模型收敛。
35.本发明所述的地面沉降预测方法，获得地面相关数据和预处理的地面沉降数据，对其进行归一化处理，以归纳统一样本的统计分布性，进而根据地面相关数据和预处理的地面沉降数据的归一化处理的结果生成模型输入数据，以及结合tcn模型，对地面沉降进行预测。模型输入数据基于获得的用于表示地表情况的多源数据生成，能够针对地面沉降诱发的复杂特点，综合考虑地质效应和人类活动影响因素，通过考虑不同数据之间的潜在影响，可以更准确地预测沉降位移。并且模型输入数据基于归一化处理后的地面相关数据和预处理的地面沉降数据生成，在进行预测时，能够加快梯度下降求最优解的速度，以及提高精度，并且采用tcn模型能够具有不同的反向传播路径，tcn模型的反向传播路径和序列的时间方向不同，能够避免了采用其它模型，如lstm模型中经常出现的梯度爆炸或梯度消失问题，大大提高了模型精度，以此更进一步地提高了地面沉降预测的精度。
36.为达上述目的，第二方面，本发明提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述程序时，实现如
上的地面沉降预测方法。
37.本发明所述的计算设备的有益效果与上述的地面沉降预测方法的有益效果相近似，在此不再进行赘述。
38.为达上述目的，第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的地面沉降预测方法。
39.本发明所述的计算机可读存储介质的有益效果与上述地面沉降预测方法的有益效果相近似，在此不再进行赘述。
附图说明
40.图1为本发明实施例的地面沉降预测方法的流程示意图一；
41.图2为本发明实施例的tcn模型的残差模块示意图；
42.图3为本发明实施例的地面沉降预测方法的流程示意图二。
具体实施方式
43.下面将参照附图详细描述根据本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。
44.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
45.在本说明书的描述中，参考术语“实施例”、“一个实施例”和“一个实施方式”等的描述意指结合该实施例或实施方式描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示实施方式中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实施方式。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或实施方式以合适的方式结合。
46.参照图1所示，本发明提出了一种地面沉降预测方法，该方法包括如下步骤：
47.s1、获取用于表示地表情况的多源数据，所述多源数据包括预处理的地面沉降数据以及地面相关数据，所述地面相关数据包括土壤质量数据、数字高程数据、建筑高度数据和不透水表面数据中的至少一项；
48.s2、将所述地面相关数据和所述预处理的地面沉降数据进行归一化处理；
49.s3、根据所述地面相关数据和所述预处理的地面沉降数据的归一化处理的结果生成模型输入数据；
50.s4、将所述模型输入数据输入tcn模型，得到地面沉降预测数据。
51.相关技术中，城市地面沉降的诱发因素多种多样，相互影响，这些影响因素不仅与地质作用有关，而且与人类活动密切相关。但是，目前大多数研究使用单一类型的数据进行预测，导致预测容易受到影响，预测的精度不高。
52.参照图1所示，本发明实施例中的地面沉降预测方法，通过获取预处理的地面沉降数据以及获取用于表示地表情况的地面相关数据用于地面沉降的预测，地面沉降数据可为雷达获取的雷达数据，地面相关数据包括土壤质量数据、数字高程数据、建筑高度数据和不透水表面数据。基于获得的地面相关数据和预处理的地面沉降数据，对其进行归一化处理，以归纳统一样本的统计分布性，进而根据地面相关数据和预处理的地面沉降数据的归一化处理的结果生成模型输入数据，以及结合tcn(时间卷积网络)模型，对地面沉降进行预测，即将所述模型输入数据输入tcn模型，得到地面沉降预测数据。
53.本实施例中的地面沉降预测方法，模型输入数据基于获得的用于表示地表情况的多源数据生成，即上述地面相关数据和地面沉降数据，以用于地面沉降的预测，针对地面沉降诱发的复杂特点，综合考虑地质效应和人类活动影响因素，通过考虑不同数据之间的潜在影响，可以更准确地预测沉降位移。并且模型输入数据基于归一化处理后的地面相关数据和预处理的地面沉降数据生成，在进行预测时，能够加快了梯度下降求最优解的速度，以及提高精度，并且采用tcn模型能够具有不同的反向传播路径，tcn模型的反向传播路径和序列的时间方向不同，能够避免了采用其它模型，如lstm(长短期记忆网络)模型中经常出现的梯度爆炸或梯度消失问题，大大提高了模型精度，以此更进一步地提高了地面沉降预测的精度。
54.可以理解tcn模型可以基于获取多源数据的历史数据，即对地面沉降数据的历史数据处理后，以及获取土壤质量数据、数字高程数据、建筑高度数据和不透水表面数据等的历史数据，以用于初始的tcn模型的训练，对于训练后的tcn模型，即可用于地面沉降的预测。
55.相关实施例中，地面相关数据还包括交通流量数据，以进一步考虑人类活动影响，以提高预测的准确性。
56.在本发明的一个可选的实施例中，tcn模型包括如图2所示的残差模块，由此，在将所述模型输入数据输入tcn模型时，模型输入数据通过两次残差处理，即依次进行一维膨胀卷积(dilated causal conv，也称空洞因果卷积层)、权值归一化处理(weightnorm)、基于激活函数(relu)的非线性化处理和基于dropout层的正则化处理，以此得到第一部分输出，以残差函数表示为f(x)，同时模型输入数据经过一维卷积操作(1
×
1conv)，进行滤波处理，而得到一个短接的第二部分输出x，由此得到的地面沉降预测数据即第一部分输出与所述第二部分输出相加，也即f(x) x。本实施例中，tcn模型具有残差处理和一维卷积操作，通过特有的连接方式，使得网络可以跨层的方式传递信息，以此有利于对tcn模型进行训练，以及能够更加精确地得到地面沉降预测数据。
57.本发明的一个可选的实施例中，所述根据所述地面相关数据和所述预处理的地面沉降数据的归一化处理的结果生成模型输入数据包括：
58.将所述地面相关数据的归一化处理的结果与所述预处理的地面沉降数据的归一化处理的结果进行拼接，以生成数据向量；
59.根据所述数据向量生成所述模型输入数据。
60.在本实施例中，对于获取的地面相关数据和所述预处理的地面沉降数据的归一化处理的结果，以向量的形式进行拼接，而得到拼接后的数据向量，从而根据数据向量生成模型输入数据，如图3中，ωα、ωβ、ωγ、ωη和λ分别表示土壤质量数据、建筑高度数据、数字
高程数据、不透水表面数据和预处理的地面沉降数据，由此拼接后的数据向量即高程数据、不透水表面数据和预处理的地面沉降数据，由此拼接后的数据向量即
61.本发明的一个可选的实施例中，所述数据向量的生成方法包括：
62.以预设时间间隔，按照时间序列的顺序采样所述地面相关数据的归一化处理的结果，和，采样所述预处理的地面沉降数据的归一化处理的结果；
63.将所述地面相关数据的采样结果与所述预处理的地面沉降数据的采样结果拼接形成所述数据向量。
64.本实施例中，对于地面相关数据和地面沉降数据的归一化处理结果，分别按照预设时间间隔tn，按照时间序列的顺序进行采样，从而将采样的结果进行拼接，以便于准确地对地面沉降进行预测。
65.本发明的一个可选的实施例中，地面沉降预测方法还包括：
66.获取土地利用分类数据和地面多个采集点的地面沉降数据；
67.根据所述土地利用分类数据将多个所述地面沉降数据进行分类，以得到所述预处理的地面沉降数据，其中，所述预处理的地面沉降数据包括多个土地类型相同的地面沉降数据；
68.所述数据向量的生成方法还包括：
69.将所述预处理的地面沉降数据的各个采样结果分别与所述地面相关数据的采样结果拼接形成多个所述数据向量；
70.所述模型输入数据包括由各个所述数据向量构成的数据矩阵。
71.参照图3所示，本实施例中，在多个采集点进行地面沉降数据的获取，结合土地利用分类数据进行分类预处理，从而得到预处理的地面沉降数据。可以理解，所述预处理的地面沉降数据包括多个土地类型相同的地面沉降数据，在结合地面沉降数据进行模型输入数据的生成，以用于地面沉降的预测时，能够对不同的土地类型进行预测，以及提高预测的准确性。基于具有多个同样类型采集点的地面沉降进行预测，在进行模型输入数据的生成时，即能够得到各个采集点对应的归一化处理采样结果，以此与地面相关数据的采样结果拼接形成多个所述数据向量，本实施例中，对于多个数据向量，各个所述数据向量构成的数据矩阵即为模型的输入数据，如图3中，数据矩阵其中，m表示具有m数量个采集点时的第m个采集点。由此，数据矩阵作为模型输入数据输入tcn模型的残差模块中，每层的时间t值仅取决t，t-1
…
，体现了因果卷积的特点，每一层都以跳跃的方式提取前一层的信息，扩张率以指数级增加2，直至覆盖整个感受野，从而达到历史的目的记忆，以此提高地面沉降预测的精确性。
72.同时，可以理解，在对初始的tcn模型的训练中，也可将预处理的地面沉降历史数据和地面相关历史数据进行上述处理，而得到数据矩阵作为tcn模型的训练数据，进而进行tcn模型的训练，以此有利于对tcn模型进行训练，便于进行不同的土地类型的地面沉降预测，以及提高同一土地类型的预测的准确度。
73.本发明的一个可选的实施例中，所述将所述地面相关数据和所述预处理的地面沉降数据进行归一化处理包括：
74.将所述地面相关数据和所述预处理的地面沉降数据均取最大值和最小值；
75.通过max-min算法对所述最大值和所述最小值进行线性变换，其中，所述地面相关数据和所述预处理的地面沉降数据的线性变换的结果均处于0-1的区间。
76.在本实施例中，通过最大最小算法对地面相关数据和预处理的地面沉降数据进行归一化处理，以使数据结果落于0-1的区间内，便于进行采样，以此便于在tcn模型预测和训练时，加快梯度下降求最优解的速度，以及提高精度。
77.本发明的一个可选的实施例中，所述tcn模型的训练方法包括：
78.获取训练数据；
79.根据所述训练数据对初始的tcn模型进行训练，获得训练结果；
80.计算所述训练结果与实际沉降位移之间的均方根误差；
81.根据所述均方根误差更新tcn模型的参数，直至所述tcn模型收敛。
82.本实施例中，根据训练数据对初始的tcn模型进行训练，从而利用训练后的tcn模型进行地面沉降预测，训练数据的具体获取过程包括：获取预处理的地面沉降历史数据以及土壤质量数据、数字高程数据、建筑高度数据和不透水表面数据，通过对土壤质量数据、数字高程数据、建筑高度数据和不透水表面数据以及预处理的地面沉降历史数据进行归一化处理，并对归一化处理的结果以时间间隔进行采样，进而拼接形成多个数据向量，多个数据向量构成数据矩阵即为所述训练数据。初始的tcn模型将上述训练数据作为输入，通过输入层、多个隐藏层的因果卷积、膨胀卷积和残差连接，提取并拟合数据之间高度的非线性关系，然后计算通过输出层得到的沉降位移预测的输出值和真实沉降位移值之间的均方根误差，并进行基于梯度下降的反向传播不断更新tcn模型的参数，直到模型的均方根误差收敛于某个值，即直至所述tcn模型收敛，以此完成模型的训练。
83.本发明另一实施例中，一种计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，当所述处理器执行所述程序时，实现如上所述的地面沉降预测方法。
84.本发明所述的计算设备的有益效果与上述地面沉降预测方法的有益效果相近似，在此不再进行赘述。
85.本发明另一实施例中，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的地面沉降预测方法。
86.本发明所述的计算机可读存储介质的有益效果与上述地面沉降预测方法的有益效果相近似，在此不再进行赘述。
87.一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
88.计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
89.可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的python语言和基于tensorflow、pytorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
90.尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。