(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210700821.0 (22)申请日 2022.08.25 (71)申请人 杭州水务数智科技股份有限公司 地址 311100 浙江省杭州市余杭区仓前街 道良睦路139 9号19幢101-16室 (72)发明人 王蕾　俞婷婷　陈辉　 (74)专利代理 机构 杭州凯知专利代理事务所 (普通合伙) 33267 专利代理师 郑新军 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 50/08(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种地下空间塌陷相关的大 数据治理方法 (57)摘要 本发明公开了一种地下空间塌陷相关的大 数据治理方法。 它具体包括如下步骤： 通过光纤 设备采集到的数据， 匹配拟合信号波段模型， 判 定地下空间附近发生的事件， 并与政府开放数据 进行特征工程融合， 输出地下空间塌陷预警模型 的输入训练集； 将训练集做五折交叉验证， 验证 LSTM模型和贝叶斯概率模型的精确度， 作为模型 融合方式的参照经验； 通过融合后的模型进行结 果输出， 判断该区域地下空间塌陷风险系数， 反 馈给有关单位进行事前预防巡检， 有针对性的进 行巡检和专项加固。 本发明的有益效果是： 基于 地下分布式光纤物联感知网络， 通过多部门数据 共享， 将告警信息推送至相关管 理单位以及进行 市民消息互通， 形成地下空间塌陷预防管理上的 闭环。 权利要求书3页 说明书7页 附图5页 CN 115146714 A 2022.10.04 CN 115146714 A 1.一种地下空间塌陷相关的大 数据治理方法， 其特 征是， 具体包括如下步骤： (1)通过光纤设备采集到的数据， 匹配拟合信号波段模型， 判定地下空间附近发生的事 件， 并与政 府开放数据进行 特征工程融合， 输出地下空间塌陷预警模型的输入训练集； (2)将训练集做五折交叉验证， 验证LSTM模型和贝叶斯概率模型的精确度， 作 为模型融 合方式的参照经验； (3)通过融合后的模型进行结果输出， 判断该区域地下空间塌陷风险系数， 反馈给有关 单位进行事前 预防巡检， 有针对性的进行巡检和专项加固； (4)当发生塌陷事件时能及时进行告警， 及时提醒市民绕行和有关单位迅速响应抢修， 并将事件有关经验作为完 善样本训练集， 对 模型进行优化。 2.根据权利要求1所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在步骤 (1)中， 光纤设备采集到的数据方法如下： 结合地下管道及管廊的现场实际， 架设分布式光 纤传感系统， 监测现场布设光缆， 光传感端机采集多参量信号、 解析事件， 服务器端综合判 断做出评估， 综管平台输出信息； 其中， 地下分布式光纤物联感知网络监测获取应变、 温度、 振动和电流数据； 政府开放数据具体如下： 公众投诉反馈数据、 气象数据、 工程基建项目数 据、 城市地理信息数据、 地下地质情况 数据、 车辆道路运动轨 迹数据。 3.根据权利要求1或2所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在 步骤(1)中， 特 征工程融合的方法如下： (11)通过异常值处理、 查漏补缺、 经纬度转换数据预处理方法使得道路和管网位置相 匹配； (12)通过KEY型特征、 Value型特征、 排序特征和类别特征提取特征群， 在此基础上用 XGB构造新特 征； (13)通过基于嵌入式的特 征排序方法进行 特征选择； (14)通过上述流程使所有相关数据合理记录在时空坐标上， 作为输出地下空间塌陷预 警模型的输入训练集。 4.根据权利要求所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在步骤 (2)中， 具体操作方法如下： (21)将选取城市地下空间塌陷风险系数高的区域作为关键点， 将每次模型输出的结果 和实际情况进行对比验证， 并做前项反馈 机制完善优化模型参数和输入变量； (22)根据信访信息、 土壤性质、 含水量、 车载信息以及光纤监测的事件类型判定和产生 的位移对等影响对区域进行塌陷风险等级系统划分， 作为LSTM模型的训练集目标； 采用 LSTM模型对区域风险等级进 行识别， 从政府开放数据中， 提取地下 空间相关信息的数据， 并 通过地图地名服务获取该地名对应的经纬度坐标， 和水务集 团自有数据结合， 通过坐标连 线， 生成风险区， 之后通过LSTM模型的自行训练学习， 并应用于对后续对具体区域进行预 判； (23)采用贝叶斯概率模型对区域风概率进行预测， 从光纤能够采集到的数据和政府开 放数据中， 提取重型车辆碾压道路信息， 结合道路、 地质 、 气象、 地下工程其它因子数据， 并 通过地图地名服务获取该道路名对应的经纬度坐标， 结合水务集 团自有数据， 通过坐标连 线， 生成风险区； 通过贝叶斯 概率模型计算出 该区域塌陷的风险值； (24)通过五折交叉验证扩展样本数量并验证上述两个模型以及模型融合后的精度；权　利　要　求　书 1/3 页 2 CN 115146714 A 2(25)采用LSTM模型和贝叶斯 概率模型的融合 算法获得地下空间安全风险概 率值； (26)根据地下空间安全风险概率值划分塌陷风险等级区域， 有针对性的采取措施进行 地下空间塌陷治理， 风险高区域进行多频次巡检并及时发现隐患加固稳定 。 5.根据权利要求4所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在步骤 (22)中， LSTM模 型是一种循环神经网络RNN的变型， 在RNN结构以外添加了各层的阀门节 点， 阀门包括遗忘阀门、 输入阀门和输出阀门， 这些阀门用于将判断模型网络的记忆态在该层 输出的结果是否达到阈值从而加入到当前该层的计算中， 阀门节点利用sigmoid函数将 网 络的记忆态作为输入计算； 如果输出结果达到阈值则将该阀门输出与当前层的计算结果相 乘作为下一层的输入； 如果没有达到阈值则将该输出结果遗忘掉； 每一层包括阀门节点的 权重都会在每一次模型反向传播训练过程中更新； 其中遗忘阀门： yt＝σ(Wt·ht),ht＝[ht‑1,xt]， 该步骤的cell会读取上一个cell的输出 ht‑1和当前cell的数xt， σ(Wt·ht)表示该节点输出结果， Wt表示该节点权重 值， ht表示该节点 输入值和上一个Cel l的结果的计算 值， xt表示该节点输入值； 输入阀门： ct＝zf⊙ct‑1+zi⊙z，⊙为multiplication运算， zf表示上一个Cell的输出值， 用于判断阀门开关， zi表示上一个Cel l需要输入到这个节点的值， z表示该节点的输入值； 输出阀门： ht＝zo⊙tanh(ct)， zo＝σ(WO[ht‑1， xt]+bo)， zo为输出节点的中间计算结果， wo 为计算权 重， bo为计算过程中的随机数， σ(WO[ht‑1， xt]+bo)为zo的计算公式； 考虑塌陷事件的特殊 性， 使用分类模型的精度来评价模型的性能。 6.根据权利要求4所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在步骤 (23)中， 通过贝叶斯概率模型计算出该区域塌陷的风险值公式如下： p(x)＝Πi∈Ip(xi| xpa(i))， xi表示当前事 件、 xpa(i)表示该事 件的前项事 件发生的概 率值。 7.根据权利要求4所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在步骤 (24)中， 五折交叉验证如 下： 把数据M平均分成5等份， 分别为M1、 M2、 M3、 M4、 M5， 每次实验拿一 份做测试， 其余用做训练， 实验5次求平均值； 每次抽取Mi(i＝1,2,3,4,5)作为训练样本， 而 M5‑i个样本作为验证集， 为了得到可靠稳定的模型， 用cross  validation校验每个主成分下 的PRESS值， 选择PRESS值小的主成分或PRESS值不再变小时的主成分Mj， 其中 为模型预测值， yi为实际值。 8.根据权利要求7所述的一种地下空间塌陷相关的大数据治理方法， 其特征是， 在步骤 (25)中， LSTM模型和贝叶斯 概率模型的bo osting融合算法如下： (251)根据每个模型在五折交叉验证得到的PRESS值， 进行对样本Mj加权 的训练数据代替随机选取的训练样本， 这样将训练的焦点集中在比较难 分的训练数据样本上； (252)将弱分类器联合起来， 使用加权的投票机制， 让分类效果好的弱分类器具有大的 权重， 而分类效果差的分类器具有小的权重， 权重 设置由预测结果和真实值的残差R计算可 得i个LSTM模型的权 重比例 j个贝叶斯 概率模型的权 重比例 (253)地下空间安全风险概率值为 其中 为第i个LSTM权　利　要　求　书 2/3 页 3 CN 115146714 A 3