本发明涉及地质灾害防治，具体为一种基于时空融合的滑坡位移预测方法。
背景技术：
1、中国作为世界上地质灾害最为严重的国家之一，每年因地质灾害导致的人员伤亡和财产损失不容忽视。根据近十年的统计数据显示，滑坡灾害多占据主导地位，其数量占地质灾害总量的69.34％。滑坡灾害的频发、广泛分布以及其带来的深远影响和严重危害，对我国的地质灾害防治构成了重大挑战。因此，针对滑坡灾害的研究与防治工作显得尤为重要。鉴于滑坡具有复杂性、随机性和不确定性等多重属性，滑坡预测一直是地质灾害研究领域中的一项重要且富有挑战性的课题。自日本学者saito提出滑坡预测经验公式后，该领域吸引了众多研究者的关注，并已取得显著研究进展。根据目前的研究，滑坡预测模型可以归纳为四大类，包括确定性预测模型、统计预测模型、非线性预测模型和综合预测模型。确定性预测模型通过对滑坡的内外影响因素进行数值化处理，运用数学和物理方法推导出精确的预测判据。统计预测模型依托现代数学理论和统计方法构建，其中包括verhulst模型、灰色gm(1，1)模型、植物生长模型、指数平滑法以及时间序列预测模型等代表性模型。非线性预测模型在处理滑坡变形破坏演化问题时，此类模型引入了处理复杂系统的非线性理论、系统科学理论、协同理论、突变理论、分形理论、混沌理论以及神经网络理论等先进理论。综合预测模型采用多模型融合的方法进行滑坡预测。在滑坡位移预测的研究领域中，库岸滑坡体因其独特且复杂多变的地质条件而备受关注。值得注意的是，即便面对相同的诱发因子，不同的滑坡体也会展现出各异的演化过程和破坏机制。这一现象导致了单一的滑坡预测方法在实际应用中往往效果不佳，难以准确预测不同滑坡的位移情况。需要深入提取滑坡的运动演化机理，并结合现有的机器学习位移预测方法，才能够开发出更为精准、全面的滑坡位移预测模型，从而更好地为滑坡灾害的防灾减灾工作提供参考建议。
2、目前，传统滑坡位移预测方法采用的预测模型只针对单一监测点进行滑坡位移预测，无法考虑滑坡变形复杂的时空依赖关系，预测模型泛化能力差预测精度低，后续决策建议的滑坡灾害的防灾减灾工作不具有代表性。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于时空融合的滑坡位移预测方法，具备时空融合分析预测精度高、预测模型泛化能力强等优点，解决了传统滑坡位移预测模型无法考虑滑坡变形复杂的时空依赖关系，预测模型泛化能力差预测精度低的问题。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：一种基于时空融合的滑坡位移预测方法，包括以下步骤：
5、s1、数据采集模块按照预测范围划分d个监测区域，并采集每个监测区域的滑坡位移数据组成监测数据集，滑坡位移数据包括位移数据、库水位数据和降雨数据；
6、s2、数据采集模块再根据滑坡位移数据集计算生成长期降雨强度cq、短期降雨强度dq、库水位标准差bzc和库水位周期同比差tbc，并组成特征数据集后通过网络将监测数据集和特征数据集传输至预测分析模块；
7、s3、预测分析模块使用gcn深度学习模型分析不同滑坡位移监测区域之间的拓扑关系，针对路网拓扑结构、监测数据集和特征数据集进行特征提取和编码，捕捉滑坡空间依赖，并进行存储；
8、s4、预测分析模块使用lstm深度学习模型分析不同滑坡位移监测区域的时间变化趋势，针对监测数据集捕捉动态的时间变化特征，预测分析模块通过网络将gcn深度学习模型、gcn深度学习模型提取的滑坡空间依赖特征数据、lstm深度学习模型和lstm深度学习模型捕捉的动态时间变化特征数据传输至融合输出模块；
9、s5、融合输出模块按照不同权重融合gcn深度学习模型和lstm深度学习模型得到融合模型rhmx，再将监测数据集和特征数据集代入融合模型rhmx训练输出预测结果ycjg；
10、s6、融合输出模块设置指标阈值作为模型精度评估标准，再结合监测数据集和预测结果ycjg计算生成mape和rmse，评估模型的预测精度，若mape和rmse均低于指标阈值，判断模型预测精度高，并通过网络输出预测结果ycjg、滑坡空间依赖特征数据和动态时间变化特征数据，若mape和rmse中任意一项数值高于指标阈值，判断模型预测精度低，重新假设权重指数后更新融合模型rhmx，直至模型预测精度高。
11、优选的，所述s1中，监测数据集的表达式为t表示监测区域采集滑坡数据的时间点，至依次对应每个监测区域的位移数据、库水位数据和降雨数据，下标1至d依次对应第1个至第d个监测区域。
12、优选的，所述s2中，长期降雨强度cq和短期降雨强度dq的计算流程如下：
13、假设长期时长为x天，短期时长为y小时，
14、
15、公式中，表示d个监测区域中第i个监测区域第t个时间点的降雨数据，表示d个监测区域中第i个监测区域第t+x个时间点的降雨数据，表示x天时间内，第i个监测区域的总降雨量，表示总降雨量除以长期时长x天，计算得到的长期降雨强度；
16、
17、公式中，表示d个监测区域中第i个监测区域第t+y个时间点的降雨数据，表示y小时内，第i个监测区域的总降雨量，表示总降雨量除以短期时长y小时，计算得到的短期降雨强度。
18、优选的，所述s2中，库水位标准差bzc和库水位周期同比差tbc的计算流程如下：
19、
20、公式中，表示d个监测区域库水位数据的平均值，表示d个监测区域库水位数据的总和，d表示预测范围内监测区域的数量；
21、
22、公式中，bzc表示库水位标准差，表示d个监测区域中第k个监测区域第t个时间点的库水位数据，表示第k个监测区域第t个时间点的库水位数据与平均值的差值，表示根据d个监测区域库水位数据与平均值的差值，计算得到d个监测区域的库水位标准差；
23、
24、公式中，tbc表示库水位周期同比差，zq表示单个监测周期的时长，表示d个监测区域中第k个监测区域第t-zq个时间点的库水位数据，表示将第k个监测区域第t个时间点的库水位数据与上一监测周期的库水位数据进行同比，得到d个监测区域的库水位周期同比差。
25、优选的，所述s3中，路网的拓扑结构信息为每个监测区域之间的空间布局关系，预测分析模块将路网拓扑结构和监测数据集代入gcn深度学习模型进行特征提取和编码，gcn深度学习模型提取的滑坡空间依赖特征数据包含每个监测区域与其相邻监测区域的拓扑关系。
26、优选的，所述s4中，lstm深度学习模型根据监测数据集按照时间序列进行连续的时间步长学习，分析滑坡位移的时间演变规律并捕捉到动态的时间变化特征，动态时间变化特征数据包括短期滑坡波动和长期滑坡趋势。
27、优选的，所述s5中，融合模型rhmx计算流程如下：
28、假设gcn深度学习模型的权重指数为α，lstm深度学习模型的权重指数为β，
29、
30、公式中，rhmx表示融合模型，α+β表示两种深度学习模型权重指数之和，表示根据按照α权重和β权重，融合gcn深度学习模型和lstm深度学习模型得到融合模型。
31、优选的，所述s5中，预测结果ycjg计算公式如下：
32、
33、公式中，ycjg表示预测结果，表示d个监测区域中第n个监测区域的位移数据、库水位数据和降雨数据，表示第n个监测区域的滑坡位移数据、长期降雨强度cq、短期降雨强度dq、库水位标准差bzc和库水位周期同比差tbc，表示将第n个监测区域的滑坡位移数据、长期降雨强度cq、短期降雨强度dq、库水位标准差bzc和库水位周期同比差tbc代入融合模型rhmx，计算得到的预测结果。
34、优选的，所述s6中，mape精度分析指标表达式如下：
35、
36、公式中，n表示预测结果ycjg的数量，表示d个监测区域中第m个监测区域的位移数据，表示第m个预测结果，表示实际监测的位移数据与预测结果的差值，表示预测结果与实际位移数据差值绝对值的平均百分比，即为平均绝对百分比误差。
37、优选的，所述s6中，rmse精度分析指标表达式如下：
38、
39、公式中，表示预测结果与实际位移数据之间差值的平方和，表示预测结果与实际位移数据之间差值的平方和的均值平方根，即为均方根误差。
40、与现有技术相比，本发明提供了一种基于时空融合的滑坡位移预测方法，具备以下有益效果：
41、1、本发明通过数据采集模块按照预测范围划分d个监测区域，并采集每个监测区域的滑坡位移数据组成监测数据集，滑坡位移数据包括位移数据、库水位数据和降雨数据，再计算生成长期降雨强度cq、短期降雨强度dq、库水位标准差bzc和库水位周期同比差tbc后组成特征数据集，预测分析模块分别使用lstm深度学习模型和gcn深度学习模型捕捉滑坡空间依赖特征和动态时间变化特征，融合输出模块按照不同权重融合gcn深度学习模型和lstm深度学习模型得到融合模型rhmx，再将监测数据集和特征数据集代入融合模型rhmx训练输出预测结果ycjg，时空融合分析预测精度高。
42、2、本发明通过融合输出模块进行多次滑坡位移预测后得出多个预测结果ycjg，再计算出每个预测结果ycjg的mape和rmse值，全面评估模型预测性能的准确性、稳定性和可靠性，融合输出模块根据mape和rmse评估模型的预测精度，若mape和rmse均低于指标阈值，判断模型预测精度高，并通过网络输出预测结果ycjg、滑坡空间依赖特征数据和动态时间变化特征数据，若mape和rmse中任意一项数值高于指标阈值，判断模型预测精度低，重新假设权重指数后更新融合模型rhmx，直至模型预测精度高，预测模型泛化能力强，适用于地质条件独特且复杂多变的库岸滑坡体，能够为滑坡灾害的防灾减灾工作提供及时有效的参考建议。
1.一种基于时空融合的滑坡位移预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s1中，监测数据集的表达式为t表示监测区域采集滑坡数据的时间点，至依次对应每个监测区域的位移数据、库水位数据和降雨数据，下标1至d依次对应第1个至第d个监测区域。
3.根据权利要求2所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s2中，长期降雨强度cq和短期降雨强度dq的计算流程如下：
4.根据权利要求3所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s2中，库水位标准差bzc和库水位周期同比差tbc的计算流程如下：
5.根据权利要求4所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s3中，路网的拓扑结构信息为每个监测区域之间的空间布局关系，预测分析模块将路网拓扑结构和监测数据集代入gcn深度学习模型进行特征提取和编码，gcn深度学习模型提取的滑坡空间依赖特征数据包含每个监测区域与其相邻监测区域的拓扑关系。
6.根据权利要求5所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s4中，lstm深度学习模型根据监测数据集按照时间序列进行连续的时间步长学习，分析滑坡位移的时间演变规律并捕捉到动态的时间变化特征，动态时间变化特征数据包括短期滑坡波动和长期滑坡趋势。
7.根据权利要求6所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s5中，融合模型rhmx计算流程如下：
8.根据权利要求7所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s5中，预测结果ycjg计算公式如下：
9.根据权利要求8所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s6中，mape表达式如下：
10.根据权利要求9所述的一种基于时空融合的滑坡位移预测方法，其特征在于：所述s6中，rmse表达式如下：
