1.一种滑坡地表变形影响因素权重的计算方法,其特征在于,该计算方法包括以下步骤:
S1、按相同采样时间和采样间距收集当前滑坡位移和影响滑坡变形的外部因素的历史数据;采样间距即为时间步,设定时间分割步长,按设定的时间分割步长分割历史数据生成滑坡位移预测的样本数据集,样本数据集中的样本用X表示标签为对应的滑坡位移,一个样本中包含S个小样本,对应S个时刻,每个小样本的数据为外部因素,对样本数据集进行标准化处理,并划分数据集为训练集和验证集;
S2、构建基于注意力的LSTM模型
所述基于注意力的LSTM模型包括第一LSTM模型、第二LSTM模型、全连接层,具体的模型架构为:
所述第一LSTM模型具有S个LSTM单元,相邻两个LSTM单元之间连接一个因子注意力模块,最后一个LSTM单元的输出即为第一LSTM模型的输出,第一LSTM模型的输出作为第二LSTM模型的输入,第二LSTM模型的隐藏层连接时间注意力模块,经过时间注意力模块处理后对第二LSTM模型的隐藏层的状态进行更新,进而获得第二LSTM模型的输出,第二LSTM模型的输出连接一个全连接层,该全连接层的输出为滑坡位移数据,同时将第一LSTM模型中每个因子注意力模块计算的s时刻因子的权重αs作为输出;
所述因子注意力模块包括三个全连接层和两个激活函数,即第一全连接层、第二全连接层、第三全连接层、tanh激活函数、Softmax激活函数,第一LSTM模型中任意s时刻的因子注意力模块的计算方式是:上一时刻(s‑1)LSTM单元输出的隐藏层状态hs‑1和细胞状态cs‑1输入到因子注意力模块中的第二全连接层,第s时刻的M个外部因子数据输入到第一全连接层,最终将第一、第二全连接层的输出通过tanh激活函数处理后作为第三全连接层的输入,第三全连接层的输出经softmax激活函处理后为第s时刻因子注意力模块的因子权重,并与xs相乘之后作为第一LSTM模型中第s时刻LSTM单元的输入;
S3、利用训练集中的数据对步骤S2中基于注意力的LSTM模型的参数进行训练,获得滑坡位移预测模型;
S4、将待计算滑坡区域的影响滑坡变形的外部因素经步骤S1的方式处理后,获得按设定时间分割步长分割的若干样本,将若干样本输入到步骤S3获得的滑坡位移预测模型中,则输出滑坡的位移预测结果,同时能够输出该区域的不同外部因素对滑坡变形影响的权重。
2.根据权利要求1所述的滑坡地表变形影响因素权重的计算方法,其特征在于,所述外部因素包括降雨、水库水位、库水位波动。
3.根据权利要求1所述的滑坡地表变形影响因素权重的计算方法,其特征在于,所述时间注意力模块包括一个全连接层和一个softmax激活函数,第二LSTM模型中包含K个LSTM单元,每个LSTM单元均有自己的隐藏状态hk,共有K个隐藏状态,第二LSTM模型中所有LSTM单元的隐藏状态组合之后作为时间注意力模块的输入H,经一个全连接层,一个softmax激活函数处理后与时间注意力模块的输入H相乘之后获得第二LSTM模型的新的隐藏状态,用新的隐藏状态更新第二LSTM模型,获得第二LSTM模型的输出。
4.根据权利要求1所述的滑坡地表变形影响因素权重的计算方法,其特征在于,第一LSTM模型中第s时刻LSTM单元的加权输入数据 隐藏状态hs和单元状态cs的更新是:其中σs是softmax函数激活函数;f是一个LSTM单元,可以根据公式(8)‑(13)计算;M为特征数,是指外部因素的种类数,即因子数量;αs为第s时刻因子的权重,xs为第s时刻的M个外部因子数据。
5.根据权利要求1所述的滑坡地表变形影响因素权重的计算方法,其特征在于,所述步骤S3中滑坡位移预测模型的训练损失函数RMSE的计算公式为:其中sn和 分别是训练集中的监测值和模型预测值,sl和 分别是测试集中的监测值和模型预测值;N和L分别为训练集和测试集中样本的个数。
6.根据权利要求1所述的滑坡地表变形影响因素权重的计算方法,其特征在于,因子注意力模块通过给不同的外部因素分配不同的权重来聚焦于影响滑坡地表变形的关键因素;
因子权重分配值越大,该因素对滑坡位移预测的影响程度越大;因子权重分配值越小,该因素对滑坡位移预测的影响程度越小。