一种面向泥石流灾害的分布式智能预测方法及系统与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及地质灾害预测技术领域，具体涉及一种面向泥石流灾害的分布式智能预测方法及系统。背景技术：2.目前的泥石流灾害预测，通常是依靠物联网(包括传感器网络)、遥感或者人工方式获取区域地质信息，在此基础上有两种处理思路：(1)将相关参数与预先计算好的阈值进行比对，一旦某个参数超出阈值，就发出灾害预警；(2)由专家团队针对地质数据进行深入分析。3.这两种方式都存在着一定的问题。方式(1)中，不同区域的参数、阈值要单独设定，给灾害预警系统在大范围、复杂区域的实际部署带来了极大的困难。方式(2)中，在特定的研究区域，专家通常可以根据他们的专业知识给出准确的预测。然而，这种以专家为主导的预测仍存在效率较低，覆盖范围小等问题，且专家经验不具备良好的可移植性。4.基于人工智能的预测技术具有更好的客观性、灵活性和通用性。所以将人工智能的优势与灾害预测相结合可以弥补当前专家主导的预测技术的不足，并帮助人类避免泥石流灾害造成的损失。5.但是，目前的面向自然灾害的人工智能预测系统通常是集中式系统，该集中式系统处理的区域较小且没有很好解决区域的差异性问题。此外，现有技术中的预测系统通常缺乏一些反馈学习机制以适应不断变化的自然环境。技术实现要素：6.本发明的目的是提供一种面向泥石流灾害的分布式智能预测方法及系统，为解决上述技术问题，本发明采用了以下方案：7.一种面向泥石流灾害的分布式智能预测方法，所述预测方法具体包括：8.s1：区域中心平台向全局中心平台发送加入的请求，若全局中心平台同意，则预测模型的基本参数下发至该区域中心平台，并标记该区域中心平台为已加入的区域中心平台；9.s2：接收到全局中心平台下发的预测模型的基本参数，根据预测模型的基本参数和本地历史数据生成预测模型，所述预测模型包括特征参数；10.s3：反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息；11.s4：实时接收到地理信息汇聚层上传的地理信息，将地理信息生成预测信息，并调用该预测模型对预测信息进行预测，得到预测结果，所述预测信息包括预测期限，当预测期限已过，对预测结果进行标签标记；12.s5：调用共享模型的更新信息或带标签的预测结果对预测模型进行更新，得到更新后的预测模型的特征参数，并转到s3。13.本发明主要采用了全局中心平台加区域中心平台的双层分布式系统，其中，引入了全局中心平台的共享模型和区域中心平台的预测模型协同工作，所述预测模型以共享模型为模板，并通过不断的反馈学习机制进行更新，已适应不断变化的自然环境，使本发明可以解决上述技术问题，并具备高自动化、覆盖范围广、组网更灵活、预测效果更好的优点。14.进一步的，所述全局中心平台有一个，所述区域中心平台至少有一个，所述区域中心平台包括至少一个监测点，所述监测点用于收集地理信息，15.所述反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息过程为：16.假设已加入的区域中心平台的数量总共有r个，已加入的区域中心平台中监测点的数量总共有n个，[0017][0018][0019][0020]所述t表示时间段，wt表示在时间段t内共享模型的特征参数，表示在时间段t内已加入的区域中心平台k的预测模型的特征参数，nk表示已加入的区域中心平台k的监测点数量，和表示在时间段t内全局中心平台向已加入的区域中心平台k下发的其对应的共享模型的更新信息。[0021]进一步的，所述s5中调用共享模型的更新信息对预测模型进行更新，得到更新后的预测模型的特征参数的过程为：[0022][0023]所述t+1表示t的下一个时间段，表示在时间段t+1内已加入的区域中心平台k得到的更新后的预测模型的特征参数，α表示已加入的区域中心平台k的学习率，所述α的值为0～1。[0024]进一步的，所述反馈更新后的预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息的过程为：[0025][0026]所述wt+1表示在时间段t+1内共享模型的特征参数。[0027]进一步的，所述标签为真实或虚假。[0028]进一步的，所述预测模型的基本参数包括隐藏层节点数、输入节点数、输出节点数、激活函数种类、学习率、初始权重。[0029]进一步的，还包括：[0030]s4：已加入的区域中心平台向全局中心平台发送撤出的请求，若全局中心平台同意，全局中心平台则将删除该已加入的区域中心平台的标记并对共享模型进行更新，再对已加入的区域中心平台下发其对应的共享模型的更新信息。[0031]进一步的，所述全局中心平台将删除该已加入的区域中心平台的标记并更新共享模型的过程为：[0032][0033]一种面向泥石流灾害的分布式智能预测系统，包括：[0034]区域中心平台申请加入模块：区域中心平台向全局中心平台发送加入的请求，若全局中心平台同意，则预测模型的基本参数下发至该区域中心平台，并标记该区域中心平台为已加入的区域中心平台；[0035]预测模型生成模块：接收到全局中心平台下发的预测模型的基本参数，根据预测模型的基本参数和本地历史数据生成预测模型，所述预测模型包括特征参数；[0036]反馈学习模块：反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息；[0037]预测地理信息模块：实时接收到地理信息汇聚层上传的地理信息，将地理信息生成预测信息，并调用该预测模型对预测信息进行预测，得到预测结果，所述预测信息包括预测期限，当预测期限已过，对预测结果进行标签标记；[0038]预测模型更新模块：调用共享模型的更新信息或带标签的预测结果对预测模型进行更新，得到更新后的预测模型的特征参数，并转到反馈学习模块。[0039]进一步的，还包括：[0040]区域中心平台申请撤出模块：已加入的区域中心平台向全局中心平台发送撤出的请求，若全局中心平台同意，全局中心平台则将删除该已加入的区域中心平台的标记并对共享模型进行更新，再对已加入的区域中心平台下发其对应的共享模型的更新信息。[0041]本发明的有益效果：[0042]本发明提供了一种面向泥石流灾害的分布式智能预测方法及系统，首先，主要采用了全局中心平台加区域中心平台的双层分布式系统，其分布式架构可以很好地分摊了大规模数据的计算压力，并且每个监测区域内有一个区域中心平台，所述区域中心平台就为一个预测节点，使预测节点离监测区域更近，可以节省数据传输带来的时延，能够提高预测系统的实时性，并且覆盖范围较大。[0043]第二，所述区域中心平台的预测模型以全局中心平台的共享模型为模板，并通过不断的反馈学习机制进行更新，已适应不断变化的自然环境，能够提高预测系统的准确性。[0044]第三，本发明还提出了一种基于监测点数量的关于共享模型和预测模型协同工作的参数加权平均算法，全局中心平台会存储已加入的区域中心平台的基本信息，其中包括监测点的数量，并且各个区域中心平台的监测点的数量反应了该区域中心平台对于该反馈学习数据集的数量，进而反应出各个区域中心平台所上传更新的重要程度，所以该监测点的数量被选为该算法的权重，可以权衡高通用、大覆盖与各个区域中心平台之间的差异性。[0045]第四，本发明还支持区域中心平台的动态加入和动态撤出，能够提高系统的灵活性。附图说明[0046]图1为本发明的系统架构示意图。[0047]图2为本发明的预测模型的反馈学习机制示意图。[0048]图3为本发明的交互示意图。[0049]图4为本发明的流程示意图。具体实施方式[0050]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0051]除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。[0052]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。[0053]另外，为了清楚和简洁起见，可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到，在不脱离本公开的精神和范围的情况下，可以对本文描述的示例进行各种改变和修改。[0054]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。[0055]在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。[0056]下面通过参考附图并结合实施例来详细说明本发明：[0057]实施例1[0058]一种面向泥石流灾害的分布式智能预测系统，包括：[0059]区域中心平台申请加入模块：区域中心平台向全局中心平台发送加入的请求，若全局中心平台同意，则预测模型的基本参数下发至该区域中心平台，并标记该区域中心平台为已加入的区域中心平台；[0060]预测模型生成模块：接收到全局中心平台下发的预测模型的基本参数，根据预测模型的基本参数和本地历史数据生成预测模型，所述预测模型包括特征参数；[0061]反馈学习模块：反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息；[0062]预测地理信息模块：实时接收到地理信息汇聚层上传的地理信息，将地理信息生成预测信息，并调用该预测模型对预测信息进行预测，得到预测结果，所述预测信息包括预测期限，当预测期限已过，对预测结果进行标签标记；[0063]预测模型更新模块：调用共享模型的更新信息或带标签的预测结果对预测模型进行更新，得到更新后的预测模型的特征参数，并转到反馈学习模块。[0064]优选的，还包括：[0065]区域中心平台申请撤出模块：已加入的区域中心平台向全局中心平台发送撤出的请求，若全局中心平台同意，全局中心平台则将删除该已加入的区域中心平台的标记并对共享模型进行更新，再对已加入的区域中心平台下发其对应的共享模型的更新信息。[0066]本系统主要采用分布式架构，其分布式架构如图1所示，包括：全局中心平台、区域中心平台、地理信息汇聚层、地理信息收集层。[0067]其中，地理信息收集层由地理信息采集节点组成，而地理信息采集节点通常是一些iot传感器。地理信息汇聚层由地理信息聚合节点组成，一个监测点至少有一个信息聚合节点。所述地理信息收集层和地理信息汇聚层一般部署在各个监测点上。一个区域中心平台部署在一个监测区域内，一个监测区域内包括多个监测点，并且监测区域可以依据行政或流域来划分。全局中心平台只有一个，通常部署在防灾指挥中心。[0068]地理信息收集层的主要功能是：收集实时地理信息。[0069]地理信息聚合层的主要功能是：接收地理信息采集节点传来的实时地理信息，然后经过处理再上传给区域中心平台。[0070]区域中心平台的主要功能是：依据全局中心平台下发的预测模型的基本参数和本地信息生成该区域中心平台的预测模型；根据全局中心平台下发的共享模型的更新信息对预测模型进行不断的更新；对接收到实时的地理信息后进行存储并生成预测信息，再依据该区域中心平台的预测模型对预测信息进行预测，根据最终预测结果生成带标签的预测信息，所述带标签的预测信息就为一个反馈学习数据集；该区域中心平台反馈带标签的预测信息，使预测模型进行反馈学习并更新预测模型；将更新后的预测模型的特征参数上传至全局中心平台。[0071]优选的，所述地理信息的来源还包括人工实地勘察、遥感数据、地面物联网。[0072]全局中心平台的主要功能是：存储和管理全局中心平台的地理信息以及个各区域中心平台的预测模型的基本参数；依据全局中心平台接收到的更新后的预测模型的特征参数对共享模型进行生成或更新；分别对各个区域中心平台下发对应的共享模型的更新信息；为系统管理员提供各种控制接口；与各个区域中心平台进行沟通。[0073]并且，为了能完成本系统中共享模型与预测模型的协同工作，本发明提出了一种基于监测点数的参数加权平均算法。[0074]由于，现在很多人工智能预测模型都是可以参数化的，即一组参数可以唯一确定一个模型，这些参数分为基本参数和特征参数，其中，基本参数描述的是模型的类型和规模，特征参数描述的是该模型类型经过训练后得到的参数。比如：人工神经网络是一种可参数化的模型，其模型基的本参数有：隐藏层节点数、激活函数种类、输入节点数、输出节点数、学习率等；其模型的特征参数为：各个神经元突触的权重。另外，线性回归模型及其衍生的非线性回归模型，也是可以由参数唯一确定的。本发明选择这些可参数化的模型，用特征参数加权平均的方法实现预测模型和共享模型的相互作用。而各个区域中心平台的监测点的数量反应了该区域中心平台对于该反馈学习数据集的数量，进而反应出各个区域中心平台所上传更新的重要程度，所以该监测点的数量被选为该算法的权重。[0075]更进一步的是，在可参数化的人工智能预测模型中，本发明推荐使用人工神经网络模型。人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。人工神经网络是在现代神经科学研究成果的基础上提出的，其在生物及医学、经济、社会学等领域的预测已成功地解决了许多实际问题且取得了很好的预测精度，表现出了良好的智能特性。更重要的，人工神经网络与分布式思想有天然的契合点：一方面，这表现在其可参数化的特点，即，虽然其训练过程需要大量的计算，但是训练的出的模型可很好地用小规模的特征参数唯一表示，而这分布式计算就能很好弥补其计算量大的特点并利用其结果量小的优势；另一方面，神经网络本身也形成一种分层结构，各个神经元彼此独立运转又彼此联系，这也给分布式的引入创造机会。[0076]并且，本发明还对预测模型设计了反馈学习机制，如图2所示，其中，反馈学习过程也是分布式进行的，其包括预测模型的反馈学习以及共享模型的反馈学习两个过程。[0077]主要过程为：区域中心平台可存储一段时间内本区域中心平台所有监测点传来的地理信息，并将其生成预测信息，再利用本区域中心平台的预测模型对该预测信息进行预测分析，得到预测结果，所述预测结果包括预测预测期限，当预测期限已过，该预测结果被证实或证伪之后，即预测信息得到了对应的标签，该带有标签的预测信息就为一个反馈学习数据集，区域中心平台再利用该反馈学习数据集进行再训练以更新预测模型，至此完成了预测模型依据地理信息的反馈学习过程；[0078]区域中心平台会将其更新后的预测模型的特征参数进行上传，全局中心平台将依据参数加权平均算法对各预测模型的特征参数进行学习以更新共享模型，便完成了共享模型的反馈学习过程。此外共享模型的更新将在一定情况下触发全局中心平台向区域中心平台的共享模型更新下发，区域中心平台便可依据参数加权平均算法对其预测模型进行依据共享模型更新的反馈学习过程。[0079]并且，为了满足管理的需要，本系统支持区域中心平台的动态加入与撤出，这其中包括动态加入与动态撤出两个过程。[0080]动态加入的过程为：当一个区域中心平台向全局中心平台发送加入的请求，若全局中心平台同意，则将共享模型和预测模型的基本参数下发至该区域中心平台，然后该区域中心平台将依据本地数据、共享模型和预测模型的基本参数生成预测模型，并将预测模型的特征参数上传至全局中心平台，进行一个共享模型和预测模型的反馈学习周期就完成了动态加入的过程。[0081]动态撤出的过程为：当已加入的区域中心平台向全局中心平台发送撤出的请求，若全局中心平台同意，则全局中心平台将删除该已加入的区域中心平台的标记，然后更新共享模型并将共享模型的更新信息下发至已加入的区域中心平台，做一个反馈学习的逆过程。[0082]实施例2[0083]如图3所示，一种面向泥石流灾害的分布式智能预测方法应用于本系统，所述预测方法具体包括：[0084]s1：区域中心平台向全局中心平台发送加入的请求，若全局中心平台同意，则预测模型的基本参数下发至该区域中心平台，并标记该区域中心平台为已加入的区域中心平台；[0085]s2：接收到全局中心平台下发的预测模型的基本参数，根据预测模型的基本参数和本地历史数据生成预测模型，所述预测模型包括特征参数；[0086]s3：反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息；[0087]s4：实时接收到地理信息汇聚层上传的地理信息，将地理信息生成预测信息，并调用该预测模型对预测信息进行预测，得到预测结果，所述预测信息包括预测期限，当预测期限已过，对预测结果进行标签标记；[0088]s5：调用共享模型的更新信息或带标签的预测结果对预测模型进行更新，得到更新后的预测模型的特征参数，并转到s3。[0089]优选的，所述全局中心平台有一个，所述区域中心平台至少有一个，所述区域中心平台包括至少一个监测点，所述监测点用于收集地理信息，[0090]所述反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息的过程为：[0091]假设已加入的区域中心平台的数量总共有r个，已加入的区域中心平台中监测点的数量总共有n个，[0092][0093][0094][0095]所述t表示时间段，wt表示在时间段t内共享模型的特征参数，表示在时间段t内已加入的区域中心平台k的预测模型的特征参数，nk表示已加入的区域中心平台k的监测点数量，和表示在时间段t内全局中心平台向已加入的区域中心平台k下发的其对应的共享模型的更新信息。[0096]其中，为特征参数，即神经元突触的权重。nk也作为权重使用。表示系统内除已加入的区域中心平台k的其它已加入的区域中心平台的预测模型的特征参数加权和。表示系统内除已加入的区域中心平台k的其它已加入的区域中心平台的权重和。[0097]优选的，所述s5中调用共享模型的更新信息对预测模型进行更新，得到更新后的预测模型的特征参数的过程为：[0098][0099]所述t+1表示t的下一个时间段，表示在时间段t+1内已加入的区域中心平台k得到的更新后的预测模型的特征参数，α表示已加入的区域中心平台k的学习率，所述α的值为0～1。[0100]其中，若学习率α为1，则表示已加入的区域中心平台k的预测模型依据共享模型进行学习更新后，该预测模型等于共享模型；若学习率α为0，则表示已加入的区域中心平台k屏蔽其它区域中心平台的更新，不会依据共享模型的更新信息进行学习更新。[0101]优选的，所述反馈预测模型的特征参数至全局中心平台，全局中心平台将根据接收到的预测模型的特征参数对共享模型进行更新，并对已加入的区域中心平台下发其对应的共享模型的更新信息的过程为：[0102][0103]所述wt+1表示在时间段t+1内共享模型的特征参数。[0104]优选的，所述标签为真实或虚假。[0105]优选的，所述预测模型的基本参数包括隐藏层节点数、输入节点数、输出节点数、激活函数种类、学习率、初始权重。[0106]优选的，还包括：[0107]s4：已加入的区域中心平台向全局中心平台发送撤出的请求，若全局中心平台同意，全局中心平台则将删除该已加入的区域中心平台的标记并对共享模型进行更新，再对已加入的区域中心平台下发其对应的共享模型的更新信息。[0108]优选的，所述全局中心平台将删除该已加入的区域中心平台的标记并更新共享模型的过程为：[0109][0110]以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!