本發明屬于地質災害預測領域，具體涉及一種滑坡預測技術。
背景技術：
滑坡是指斜坡體上的土巖體由于多種因素的影響，在重力的作用下，沿著一定的軟弱面或軟弱帶，整體或部分地順坡向下滑動的現象。滑坡事件一般會造成嚴重的經濟損失，甚至生命損失。對滑坡的預測是降低滑坡危害的可行方法。滑坡預測方法有很多，有一些采用單獨的位移因素監測和預測方法，但是由于滑坡還會受到許多其他因素的影響，所以影響預測準確性；有一些采用GM模型，適用于短期預測，但是在建立長期預測模型時，由于數據列過長，導致不穩定因素增加，使得模型預測準確性降低；有一些采用傳統的貝葉斯模型，不能得到穩定的模型，每次數據改變之后需要重新建模；有一些采用Logistic回歸，需要將自變量進行離散化近似操作，造成誤差，影響預測準確性。現行的滑坡預測方法可以實現預測功能，但是預測準確性普遍不高。
技術實現要素：
本發明的目的在于提供一種局部區域滑坡預測裝置及方法，以提高預測準確性。
為了解決上述技術問題，本發明采用現有的機器學習相關技術，包括卷積神經網絡技術，監督式策略模型，隨機梯度下降法，隨機梯度上升法，遷移模型，通過訓練方法和評估方法的步驟設計，通過訓練輸入的歷史滑坡數據，建立并優化滑坡模型，然后利用滑坡模型評估當前滑坡情況，顯示局部區域滑坡趨勢和概率，實現對局部區域滑坡預測的功能，具體技術方案如下：
一種局部區域滑坡預測裝置，包括：監測點管理模塊、局部區域管理模塊、機器學習模塊、模型管理模塊、評估模塊、顯示模塊；
所述的監測點管理模塊與局部區域管理模塊連接；
所述的局部區域管理模塊與機器學習模塊連接；
所述的機器學習模塊與模型管理模塊連接；
所述的模型管理模塊與評估模塊連接
所述的評估模塊與顯示模塊連接；
所述的監測點管理模塊用于管理滑坡區域的傳感器監測點及監測點的監測數據；
所述的機器學習模塊學習輸入的滑坡數據，提取滑坡特征，發現數據之間的規律聯系，建立并優化滑坡模型；
所述的局部區域管理模塊用于建立局部區域滑坡類別及管理滑坡區域概率數據；
所述的模型管理模塊用于不同區域滑坡優化的模型的管理；
所述的評估模塊用于評估每個階段建立的滑坡模型；
所述的顯示模塊用于顯示傳感器監測點，不同區域滑坡趨勢和概率等直觀信息；
一種局部區域滑坡預測方法其特征在于包括訓練過程和評估過程
一種局部區域滑坡預測方法的訓練過程如下：
步驟S1：局部區域編號Rem，1≤m≤M，M為局部區域總數，監測點編號Dsn，1≤n≤N，1≤m≤N,N為局部區域的監測點總數，滑坡區域數據集為神經網絡總層數為Layer；
步驟S2：初始化神經網絡當前層layer＝Layer,m＝1；
步驟S3：k＝m，局部區域Rem的矩陣圖訓練集Sm代表監測點的傳感器數據集映射為k×k的矩陣圖訓練集，局部區域Rem監測點傳感器數據集在訓練過程中各個時間節點為tπ,1≤tπ≤T，T為該局部區域訓練總時間。局部區域滑坡Rem的滑坡概率為Pm；
步驟S4：初始化i＝I,j＝J；I為選取特征圖數量上限，J為選取數據維數上限；
步驟S5：在k×k的矩陣圖訓練集中提取出i個j×j的局部矩陣圖訓練集{map1,map2,...,mapi},layer層每個神經元需要的權重參數個數為i×j，將所有權值初始化為一個隨機數wij＝Random(i,j)；
步驟S6：判斷當前層是否為卷積層，如果是，轉到步驟S7，如果否，轉到步驟S8；
步驟S7：通過激活函數計算f(x)為激活函數，在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前層layer神經元對應的權值，Blayer為當前層layer的唯一偏移，當前層layer的神經元與其對應的局部區域矩陣圖連接，轉到步驟S9。
步驟S8：通過激活函數計算當前層layer輸出f(x)為激活函數，在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前layer層神經元對應的權值，Blayer為當前層layer的唯一偏移β為當前層layer的訓練參數；
步驟S9：將當前層下移一層，特征圖和數據維數各減一，layer＝layer-1，i＝i-1，j＝j-1；
步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉到步驟S5，如果否，轉到步驟S11。
步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個向量；得到局部區域Rem對應的監督策略模型ModelCm(x)；
步驟S12：使用隨機梯度下降法，更新監督策略模型ModelCm(f(σ))，σ為更新參數，f(σ)為最大似然函數，選取隨機梯度下降法的最大似然函數為：
步驟S13：訓練當前層layer的遷移模型ModelQm(x)，完全復制監督策略模型ModelCm(f(σ))的數據結構，作為遷移模型ModelQm(g(ρ))的初始化數據結構，初始化參數ρ＝σ。
步驟S14：使用隨機梯度上升法更新參數ρ,更新遷移模型ModelQm(g(ρ))，選取隨機梯度上升法的最大似然函數為：
步驟S15：判斷是否1≤m≤M，如果是，轉到步驟S3，如果否，轉到步驟S16。
步驟S16：訓練結束。
一種局部區域滑坡預測方法的評估過程如下：
步驟S1：初始化m＝1；
步驟S2：計算局部區域Rem的滑坡趨勢值ModelQm(g(ρ))為矩陣圖訓練集對應的遷移模型，t為當前時刻，反映當前時刻Rem區域的滑坡概率分布情況；
步驟S3：計算局部區域滑坡發展趨勢值
步驟S4：采用公式更新矩陣圖訓練集對應的遷移模型ModelQm(g(ρ))，m＝m+1；
步驟S5：判斷是否1≤m≤M，如果是，轉到步驟S2，如果否，轉到步驟S6
步驟S6：顯示局部區域滑坡發展趨勢；
步驟S7：評估結束。
本發明具有有益效果。
本發明提供的局部區域滑坡預測裝置和方法，通過機器學習相關技術，采用訓練過程，輸入傳感器數據集，通過不斷的梯度下降和梯度上升過程，得到局部區域的遷移模型，隨著更多數據的輸入，遷移模型準確率會不斷地提高。采用評估過程，通過遷移模型，計算局部區域滑坡發展趨勢，提高預測準確率，采用顯示模塊展示所有局部區域滑坡發展趨勢，便于工作人員及時安排相關工作。
附圖說明
圖1是本發明裝置的總體結構示意圖。
圖中：1-監測點管理模塊，2-局部區域管理模塊，3-機器學習模塊，4-模型管理模塊，5-評估模塊，6-顯示模塊。
圖2是本發明方法的訓練方法流程圖。
圖3是本發明方法的檢測方法流程圖。
圖4是實施例一局部區域界面圖。
圖5是實施例一局部區域滑坡預測界面圖。
圖6是實施例二局部區域界面圖。
圖7是實施例二局部區域滑坡預測界面圖。
圖8是實施例三局部區域界面圖。
圖9是實施例三局部區域滑坡預測界面圖。
具體實施例
下面結合附圖和具體實施方式對本發明作進一步詳細地說明。
由圖1所示的一種局部區域滑坡預測裝置的總體結構示意圖可知，它包括1-監測點管理模塊，2-局部區域管理模塊，3-機器學習模塊，4-模型管理模塊，5-評估模塊，6-顯示模塊；
所述的監測點管理模塊1與局部區域管理模塊2連接；
所述的局部區域管理模塊2與機器學習模塊3連接；
所述的機器學習模塊3與模型管理模塊4連接；
所述的模型管理模塊4與評估模塊5連接
所述的評估模塊5與顯示模塊6連接。本發明在使用時，各部件的功能描述如下：
所述的監測點管理模塊1用于管理滑坡區域的傳感器監測點及監測點的監測數據；
所述的機器學習模塊2學習輸入的滑坡數據和圖片，提取滑坡特征，為建立滑坡模型做準備；
所述的局部區域管理模塊3用于建立局部區域滑坡類別的及數據等的管理；
所述的模型管理模塊4用于模型的管理；
所述的評估模塊5用于評估滑坡趨勢；
所述的顯示模塊6用于標示不同區域滑坡程度。
本發明的訓練流程由圖2所示。本發明的檢測流程由圖3所示。
實施例1：丘陵地區易滑坡區域
整個區域的檢測節點布局界面圖由圖4所示。
訓練過程如下：
步驟S1：局部區域編號Rem，1≤m≤M，M＝12為局部區域總數，監測點編號Dsn，1≤n≤N，1≤m≤N,N＝50為局部區域的監測點總數，滑坡區域數據集為神經網絡總層數為Layer＝15；
步驟S2：初始化神經網絡當前層為layer＝Layer,m＝1；
步驟S3：k＝m，局部區域Rem的矩陣圖訓練集Sm代表監測點的傳感器數據集映射為k×k的矩陣圖訓練集，局部區域Rem監測點傳感器數據集在訓練過程中各個時間節點為tπ,1≤tπ≤T，T為該局部區域訓練總時間。局部區域滑坡Rem的滑坡概率為Pm；
步驟S4：初始化i＝I,j＝J,I＝5,J＝4；I為選取特征圖數量上限，J為選取數據維數上限；
步驟S5：在k×k的矩陣圖訓練集中提取出i個j×j的局部矩陣圖訓練集{map1,map2,...,mapi},layer層每個神經元需要的權重參數個數為i×j，將所有權值初始化為一個隨機數wij＝Random(i,j)；
步驟S6：判斷當前層是否為卷積層，如果是，轉到步驟S7，如果否，轉到步驟S8；
步驟S7：通過激活函數計算f(x)為激活函數，采用sigmoid函數在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前層layer神經元對應的權值，Blayer為當前層layer的唯一偏移，當前層layer的神經元與其對應的局部區域矩陣圖連接，轉到步驟S9。
步驟S8：通過激活函數計算當前層layer輸出f(x)為激活函數，采用sigmoid函數在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前層layer神經元對應的權值，Blayer為當前層layer的唯一偏移β為當前層layer的訓練參數；
步驟S9：將當前層下移一層，特征圖和數據維數各減一，layer＝layer-1，i＝i-1，j＝j-1；
步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉到步驟S5，如果否，轉到步驟S11。
步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個向量；得到局部區域Rem對應的監督策略模型ModelCm(x)；
步驟S12：使用隨機梯度下降法，更新監督策略模型ModelCm(f(σ))，σ為更新參數，f(σ)為最大似然函數，選取隨機梯度下降法的最大似然函數為：
步驟S13：訓練layer層的遷移模型ModelQm(x)，完全復制監督策略模型ModelCm(f(σ))的數據結構，作為遷移模型ModelQm(g(ρ))的初始化數據結構，初始化參數ρ＝σ。
步驟S14：使用隨機梯度上升法更新參數ρ,更新遷移模型ModelQm(g(ρ))，選取隨機梯度上升法的最大似然函數為：
步驟S15：判斷是否1≤m≤M，如果是，轉到步驟S3，如果否，轉到步驟S16。
步驟S16：訓練結束
評估過程如下：
步驟一，：初始化m＝1；
步驟二，：計算局部區域Rem的滑坡趨勢值ModelQm(g(ρ))為矩陣圖訓練集對應的遷移模型，t為當前時刻，反映當前時刻Rem區域的滑坡概率分布情況；
步驟三：計算局部區域滑坡發展趨勢值
步驟四：采用公式更新矩陣圖訓練集對應的遷移模型ModelQm(g(ρ))，m＝m+1；
步驟五：判斷是否1≤m≤M，如果是，轉到步驟二，如果否，轉到步驟六
步驟六：顯示局部區域滑坡發展趨勢，如圖5所示為滑坡區域檢測界面圖；
步驟七：評估結束。
實施例2：居民小區易滑坡區域
整個區域的檢測節點布局界面圖由圖6所示。
訓練過程如下：
步驟S1：局部區域編號Rem，1≤m≤M，M＝10為局部區域總數，監測點編號Dsn，1≤n≤N，1≤m≤N,N＝40為局部區域的監測點總數，滑坡區域數據集為神經網絡總層數為Layer＝13；
步驟S2：初始化神經網絡當前層為layer＝Layer,m＝1；
步驟S3：k＝m，局部區域Rem的矩陣圖訓練集Sm代表監測點的傳感器數據集映射為k×k的矩陣圖訓練集，局部區域Rem監測點傳感器數據集在訓練過程中各個時間節點為tπ,1≤tπ≤T，T為該局部區域訓練總時間。局部區域滑坡Rem的滑坡概率為Pm；
步驟S4：初始化i＝I,j＝J,I＝4,J＝4；I為選取特征圖數量上限，J為選取數據維數上限；
步驟S5：在k×k的矩陣圖訓練集中提取出i個j×j的局部矩陣圖訓練集{map1,map2,...,mapi},layer層每個神經元需要的權重參數個數為i×j，將所有權值初始化為一個隨機數wij＝Random(i,j)；
步驟S6：判斷當前層是否為卷積層，如果是，轉到步驟S7，如果否，轉到步驟S8；
步驟S7：通過激活函數計算f(x)為激活函數，采用ArcTan函數f(x)＝tan-1(x)，在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前層layer神經元對應的權值，Blayer為當前層layer的唯一偏移，當前層layer的神經元與其對應的局部區域矩陣圖連接，轉到步驟S9。
步驟S8：通過激活函數計算layer層輸出f(x)為激活函數，采用ArcTan函數f(x)＝tan-1(x)，在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前層layer神經元對應的權值，Blayer為當前層layer的唯一偏移β為當前層layer的訓練參數；
步驟S9：將當前層下移一層，特征圖和數據維數各減一，layer＝layer-1，i＝i-1，j＝j-1；
步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉到步驟S5，如果否，轉到步驟S11。
步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個向量；得到局部區域Rem對應的監督策略模型ModelCm(x)；
步驟S12：使用隨機梯度下降法，更新監督策略模型ModelCm(f(σ))，σ為更新參數，f(σ)為最大似然函數，選取隨機梯度下降法的最大似然函數為：
步驟S13：訓練layer層的遷移模型ModelQm(x)，完全復制監督策略模型ModelCm(f(σ))的數據結構，作為遷移模型ModelQm(g(ρ))的初始化數據結構，初始化參數ρ＝σ。
步驟S14：使用隨機梯度上升法更新參數ρ,更新遷移模型ModelQm(g(ρ))，選取隨機梯度上升法的最大似然函數為：
步驟S15：判斷是否1≤m≤M，如果是，轉到步驟S3，如果否，轉到步驟S16。
步驟S16：訓練結束
評估過程如下：
步驟一：初始化m＝1；
步驟二：計算局部區域Rem的滑坡趨勢值ModelQm(g(ρ))為矩陣圖訓練集對應的遷移模型，t為當前時刻，反映當前時刻Rem區域的滑坡概率分布情況；
步驟三：計算局部區域滑坡發展趨勢值
步驟四：采用公式更新矩陣圖訓練集對應的遷移模型ModelQm(g(ρ))，m＝m+1；
步驟五：判斷是否1≤m≤M，如果是，轉到步驟二，如果否，轉到步驟六
步驟六：顯示局部區域滑坡發展趨勢，如圖7所示為滑坡區域檢測界面圖；
步驟七：評估結束。
實施例3：沿江地區易滑坡區域
整個區域的檢測節點布局界面圖由圖8所示。
訓練過程如下：
步驟S1：局部區域編號Rem，1≤m≤M，M＝18為局部區域總數，監測點編號Dsn，1≤n≤N，1≤m≤N,N＝45為局部區域的監測點總數，滑坡區域數據集為神經網絡總層數為Layer＝20；
步驟S2：初始化神經網絡當前層為layer＝Layer,m＝1；
步驟S3：k＝m，局部區域Rem的矩陣圖訓練集Sm代表監測點的傳感器數據集映射為k×k的矩陣圖訓練集，局部區域Rem監測點傳感器數據集在訓練過程中各個時間節點為tπ,1≤tπ≤T，T為該局部區域訓練總時間。局部區域滑坡Rem的滑坡概率為Pm；
步驟S4：初始化i＝I,j＝J,I＝6,J＝5；I為選取特征圖數量上限，J為選取數據維數上限；
步驟S5：在k×k的矩陣圖訓練集中提取出i個j×j的局部矩陣圖訓練集{map1,map2,...,mapi},layer層每個神經元需要的權重參數個數為i×j，將所有權值初始化為一個隨機數wij＝Random(i,j)；
步驟S6：判斷當前層是否為卷積層，如果是，轉到步驟S7，如果否，轉到步驟S8；
步驟S7：通過激活函數計算f(x)為激活函數，采用SoftPlus函數f(x)＝loge(1+ex)，在這一步中傳入的參數x為為第layer-1層第i個特征圖mapi對應的第j維數據，為當前layer層神經元對應的權值，Blayer為當前層layer的唯一偏移，當前層layer的神經元與其對應的局部區域矩陣圖連接，轉到步驟S9。
步驟S8：通過激活函數計算當前層layer輸出f(x)為激活函數，采用SoftPlus函數f(x)＝loge(1+ex)，在這一步中傳入的參數x為為當前層layer-1層第i個特征圖mapi對應的第j維數據，為當前層layer神經元對應的權值，Blayer為當前層layer的唯一偏移β為當前層layer的訓練參數；
步驟S9：將當前層下移一層，特征圖和數據維數各減一，layer＝layer-1，i＝i-1，j＝j-1；
步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉到步驟S5，如果否，轉到步驟S11。
步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個向量；得到局部區域Rem對應的監督策略模型ModelCm(x)；
步驟S12：使用隨機梯度下降法，更新監督策略模型ModelCm(f(σ))，σ為更新參數，f(σ)為最大似然函數，選取隨機梯度下降法的最大似然函數為：
步驟S13：訓練layer層的遷移模型ModelQm(x)，完全復制監督策略模型ModelCm(f(σ))的數據結構，作為遷移模型ModelQm(g(ρ))的初始化數據結構，初始化參數ρ＝σ。
步驟S14：使用隨機梯度上升法更新參數ρ,更新遷移模型ModelQm(g(ρ))，選取隨機梯度上升法的最大似然函數為：
步驟S15：判斷是否1≤m≤M，如果是，轉到步驟S3，如果否，轉到步驟S16。
步驟S16：訓練結束
評估過程如下：
步驟一：初始化m＝1；
步驟二：計算局部區域Rem的滑坡趨勢值ModelQm(g(ρ))為矩陣圖訓練集對應的遷移模型，t為當前時刻，反映當前時刻Rem區域的滑坡概率分布情況；
步驟三：計算局部區域滑坡發展趨勢值
步驟四：采用公式更新矩陣圖訓練集對應的遷移模型ModelQm(g(ρ))，m＝m+1；
步驟五：判斷是否1≤m≤M，如果是，轉到步驟二，如果否，轉到步驟六
步驟六：顯示局部區域滑坡發展趨勢，如圖9所示為滑坡區域檢測界面圖；
步驟七：評估結束。