买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国地质科学院探矿工艺研究所

摘要：本申请公开基于大数据的地质灾害异常监测与防控方法及系统，涉及地质灾害监测技术领域，包括：获取历史数据进行处理并传输至云端服务器，构建基于混合长短期记忆网络的预测模型，使用历史数据训练预测模型；数据采集设备采集实时山体数据并进行预处理，并发送至所述云端服务器；对实时山体数据进行数据处理并传输至预测模型；预测模型对所述实时山体数据进行预测，得到预测结果，将预测结果进行加权处理，输入至预测模型进行优化模型；在云端服务器中部署预警系统，预警系统根据历史数据设置相应阈值，将预测结果和阈值进行比较，云端服务器中的预警系统根据比较的结果向预警设备发送不同的防控指令。本申请有效地预防和减轻山体滑坡影响。

主权项：1.基于大数据的地质灾害异常监测与防控方法，其特征在于，包括如下步骤：获取易发生山体滑坡的历史数据进行处理并传输至云端服务器，在云端服务器中构建基于混合长短期记忆网络的预测模型，使用所述历史数据训练预测模型；对所述易发生山体滑坡区域上安装数据采集设备，采集实时山体数据并进行预处理，并通过无线通信装置发送至所述云端服务器；所述云端服务器对所述实时山体数据进行数据处理，并将处理好的实时山体数据传输至预测模型；预测模型对所述实时山体数据进行预测，得到预测结果，将预测结果进行加权处理，输入至预测模型进行优化模型；在云端服务器中部署预警系统，预警系统根据历史数据设置相应阈值，将预测结果和阈值进行比较，云端服务器中的预警系统根据比较的结果向预警设备发送不同的防控指令；所述获取易发生山体滑坡的历史数据进行处理并传输至云端服务器的步骤，包括：所述获取易发生山体滑坡的历史数据包括第一历史数据、第二历史数据和第三历史数据，其中，所述第一历史数据、第二历史数据和第三历史数据分别为山体滑坡前48小时内数据、山体滑坡前24小时内数据和山体滑坡前1小时内数据；对所述第一历史数据、第二历史数据和第三历史数据进行识别处理缺失数据和整合数据，其中，所述历史数据为山体地形的变化和植被覆盖的变化，山体土壤含水量、山体土壤稳定性和山体土壤压力；所述历史数据通过无线通信装置传输至云端服务器；所述在云端服务器中构建基于混合长短期记忆网络的预测模型是指基于卷积神经网络CNN、长短期记忆网络LSTM和TransFormer设计的混合预测模型；预测模型包括输入层、卷积层、卷积神经网络CNN和TransFormer混合层、LSTM层和输出层；所述输入层接收实时山体数据Xi，其中，Xi表示第i时的山体数据，并将实时山体数据转换为混合神经模型能理解和处理的格式；所述卷积层提取输入实时山体数据Xi的特征为： 其中，sigmoid为激活函数，W为卷积层的权重向量，b为卷积层的偏移向量，Fi为第i时山体数据的特征；将Fi输入至所述卷积神经网络CNN和TransFormer混合层；所述卷积神经网络CNN和TransFormer混合层由全连接层、轻量级深度卷积层、全连接层、激活函数、全连接层、激活函数和深度卷积前馈神经网络组成，公式为：Qi,Ki,Vi＝FCFi；Ai＝TanhFCSwishFCLDWconvQi⊙LDWconvKi；Ft＝DWconvFFNA⊙LDWconvVi；其中，Qi为第i时的查询，Ki为第i时的键，Vi为第i时的值，LDWconv为轻量级深度卷积，FC为全连接层，Swish为非线性激活函数，⊙为Hadamard乘积，Ai为Qi和Ki进行线性变换，Tanh为双曲正切激活函数，DWconvFFN为深度卷积前馈神经网络，Ft为卷积神经网络CNN和TransFormer混合层的第i时的输出；所述LSTM层从Ft中提取粗粒度特征，精细化处理各维度特征，LSTM输出ht；所述输出层输出预测山体滑坡的预测概率，公式为：Pt＝sigmoidFCht；其中，sigmoid为激活函数，FC为全连接层，Pt为第t时山体滑坡的概率，ht为t时LSTM输出；所述LSTM层从Ft中提取粗粒度特征，精细化处理各维度特征，公式为：it＝sigmoidWxiFt+Whiht-1+bi；ft＝sigmoidWxfFt+Whfht-1+bf；ot＝sigmoidWxoFt+Whoht-1+bo；ct＝ft⊙ct-1+it⊙TanhWxcFt+Whcht-1+bc；ht＝ot⊙Tanhct；其中，Wxi、Wxf、Wxo、Wxc分别为LSTM的输入层到输入门、遗忘门、输出门与记忆单元的权重向量；Whi、Whf、Who、Whc分别为隐藏层到输入门、遗忘门、输出门与记忆单元的权重向量；bi、bf、bo、bc分别为输入门、遗忘门、输出门与记忆单元的偏移量；ht-1为t-1时的隐层状态；it为输入门；ft为遗忘门；ot为t时输出门；ct为t时记忆单元，ct-1为t-1时记忆单元；ht为t时LSTM输出；将LSTM输出ht输入至输出层；所述云端服务器对所述实时山体数据进行数据处理的步骤，包括：在云端服务器上部署ApacheFlink框架；ApacheFlink接收实时山体数据，并进行储存在消息队列；在Flink中进行预处理操作，包括去除异常值和填充缺失值；使用Flink提供的流式处理功能对实时数据进行处理和分析，包括格式转换和聚合，提取实时山体数据中有价值的信息和特征；将处理好的实时山体数据输入至预测模型进行预测；所述预警系统根据历史数据设置相应阈值，包括：所述阈值为概率阈值，根据第一历史数据计算概率阈值H1，根据第二历史数据计算概率阈值H2，根据第三历史数据计算概率阈值H3；所述概率阈值H1、H2和H3根据实时山体数据，动态调整；所述将预测结果和阈值进行比较，云端服务器中的预警系统根据比较的结果向预警设备发送不同的防控指令，包括：当预测概率值PtH1时，预测下一时间序列山体滑坡的概率；当预测概率值H1≦PtH2时，云端服务器中的预警系统向预警设备发送实施防控1指令；当预测概率值H2≦PtH3时，云端服务器中的预警系统向预警设备发送实施防控2指令；当预测概率值Pt≥H3时，云端服务器中的预警系统向预警设备发送实施防控3指令。

全文数据：

权利要求：

百度查询： 中国地质科学院探矿工艺研究所 基于大数据的地质灾害异常监测与防控方法及系统