[发明专利]一种滑坡的预测方法、装置、设备和存储介质

权利要求书

1.一种滑坡的预测方法，其特征在于，包括：

获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子；

基于滑坡预测模型，根据所述滑坡影响因子确定当前天的各栅格滑坡的发生概率，其中，所述滑坡预测模型为自步分类学习模型，所述滑坡预测模型基于历史滑坡数据、历史非滑坡数据迭代调整自步因子和下采样比例确定，所述自步因子根据所述历史非滑坡数据的分箱个数和迭代次数确定，所述下采样比例根据每个分箱的自步因子和所有分箱的自步因子确定。

2.根据权利要求1所述的预测方法，其特征在于，所述滑坡预测模型的训练方法，包括：

获取初始预测模型，并分别提取所述历史滑坡数据和历史非滑坡数据的特征，以及分别确定所述历史滑坡数据和历史非滑坡数据对应的标签；

基于历史滑坡特征、历史非滑坡特征、历史滑坡标签和历史非滑坡标签确定所述初始预测模型的初始分类硬度，根据所述初始分类硬度确定所述历史非滑坡数据的分箱个数，基于所述分箱个数确定所述初始预测模型的各分箱的自步因子；

基于所述自步因子确定每个分箱的下采样比例，并基于所述下采样比例确定各分箱内的下采样的历史非滑坡数据；

将所述下采样的历史非滑坡数据和所述历史滑坡数据输入至所述初始预测模型，基于所述初始预测模型输出的滑坡概率和历史滑坡概率确定所述初始预测模型的损失函数，基于所述损失函数在单个样本上的训练分类硬度，迭代调整自步因子和每个分箱的下采样比例；

根据迭代调整的所述自步因子和所述每个分箱的下采样比例调整所述初始预测模型，直至损失函数达到设定阈值，得到所述滑坡预测模型。

3.根据权利要求1所述的预测方法，其特征在于，每个分箱的下采样比例为每个分箱的自步因子与所有分箱的自步因子的比值，所述自步因子通过将分箱个数、分箱标签数的相反数以及迭代次数之和加1得到。

4.根据权利要求1所述的预测方法，其特征在于，还包括：

对每天的所述滑坡影响因子进行特征提取，得到滑坡特征数据；

将所述滑坡特征数据输入至所述滑坡预测模型，确定各栅格滑坡的当前天之后的特定时间点的发生概率。

5.根据权利要求1所述的预测方法，其特征在于，所述基于滑坡预测模型，根据所述滑坡影响因子确定当前天的各栅格滑坡的发生概率，包括：

基于第一预设模型，根据所述滑坡影响因子确定每天滑坡的发生概率；

如果当前天滑坡的发生概率大于预设概率阈值，则基于第二预设模型，根据各个栅格的滑坡影响因子，确定当前天的各栅格滑坡的发生概率。

6.根据权利要求5所述的预测方法，其特征在于，所述基于第一预设模型，根据所述滑坡影响因子确定每天滑坡的发生概率，包括：

计算每天的各个栅格的动态因子的构造特征，其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差、四分位数和雨量时间，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵；

将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。

7.根据权利要求5所述的预测方法，其特征在于，所述基于第二预设模型，根据各个栅格的滑坡影响因子，确定当前天的各栅格滑坡的发生概率，包括：

对所述当前天对应的各个栅格的滑坡影响因子进行特征提取，以生成所述第二预设模型的第二特征矩阵；

对所述第二特征矩阵进行归一化处理；

将归一化处理后的所述第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。