[发明专利]基于深度学习的变形预测方法及系统

权利要求书

1.一种基于深度学习的变形预测方法，其特征在于，包括：

对滑坡监测点的监测数据进行采集，并根据所述监测数据获取多个特征；

通过对所述特征以及所述特征与预测目标之间的关系进行分析，确定第一输入特征；

根据问题类别选择对应的机器学习算法，并在所述机器学习算法中采用所述第一输入特征进行模型训练，以及采用十折交叉验证法进行模型验证，得到多组模拟模型；

通过对所述模拟模型的预测效果分别进行评价，在所述机器学习算法中确定最优算法和与所述最优算法对应的超参数；

调整不同组合的第二输入特征，并根据所述最优算法对所述第二输入特征的预测效果进行评价，确定最优输入特征；

根据所述最优算法和所述最优输入特征对每个预测方案进行模型训练，生成模型集；

在所述模型集中选择对应条件下的预测模型，并对所述预测模型输入与所述最优输入特征相对应的新数据，输出预测值。

2.根据权利要求1所述的方法，其特征在于，所述特征包括原始特征和衍生特征，所述对滑坡监测点的监测数据进行采集，并根据所述监测数据获取原始特征和衍生特征，包括：

选择所述滑坡监测点并对所述滑坡监测点进行持续监测，采集原始数据；

对所述原始数据进行异常值剔除，得到所述监测数据；

对所述监测数据进行处理，得到衍生数据；

根据所述监测数据得到所述原始特征，以及根据所述衍生数据得到所述衍生特征。

3.根据权利要求1所述的方法，其特征在于，所述通过对所述特征以及所述特征与预测目标之间的关系进行分析，确定第一输入特征，包括：

通过单变量可视化方式对所述特征进行分析，获取所述特征的分布及变化规律；

通过单变量与目标变量归一可视化对所述特征与所述预测目标之间的关系进行分析，得到第一关系；

通过通过采用皮尔逊积矩相关系数法对所述特征与所述预测目标之间的线性相关性进行分析，得到第二关系；

根据所述分布及变化规律、所述第一关系和所述第二关系对所述特征进行初选，确定所述第一输入特征。

4.根据权利要求1所述的方法，其特征在于，所述通过对所述模拟模型的预测效果分别进行评价，在所述机器学习算法中确定最优算法和与所述最优算法对应的超参数，包括：

根据所述模拟模型获取所述第一输入特征中的监测值以及与所述监测值对应的模拟预测值；

根据所述监测值和所述模拟预测值对所述模拟模型的预测效果进行评价，得到纳什效率系数；

根据所述纳什效率系数在所述机器学习算法中确定所述最优算法和所述超参数。

5.根据权利要求4所述的方法，其特征在于，所述根据所述监测值和所述模拟预测值对所述模拟模型的预测效果进行评价，得到纳什效率系数，包括：

根据下式得到所述纳什效率系数：

其中，Q_o为所述监测值，Q_m为所述模拟预测值，t为时间点，为所述第一输入特征的总平均值。

6.一种基于深度学习的变形预测系统，其特征在于，包括：

现场监测单元，用于对滑坡监测点的监测数据进行采集，并根据所述监测数据获取多个特征；

第一输入单元，用于通过对所述特征以及所述特征与预测目标之间的关系进行分析，确定第一输入特征；

第一模型训练单元，用于根据问题类别选择对应的机器学习算法，并在所述机器学习算法中采用所述第一输入特征进行模型训练，以及采用十折交叉验证法进行模型验证，得到多组模拟模型；

评价单元，用于通过对所述模拟模型的预测效果分别进行评价，在所述机器学习算法中确定最优算法和与所述最优算法对应的超参数；

第二输入单元，用于调整不同组合的第二输入特征，并根据所述最优算法对所述第二输入特征的预测效果进行评价，确定最优输入特征；

第二模型训练单元，用于根据所述最优算法和所述最优输入特征对每个预测方案进行模型训练，生成模型集；

预测单元，用于在所述模型集中选择对应条件下的预测模型，并对所述预测模型输入与所述最优输入特征相对应的新数据，输出预测值。