(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 202211058023.9 (22)申请日 2022.08.30 (71)申请人 重庆地质矿产研究院 地址 401120 重庆市渝北区空港新城 兰馨 大道111号 申请人 重庆大学 (72)发明人 康燕飞　徐洪　仉文岗　陈立川　 李柏佚　梁丹　任世聪　廖蔚茗　 (74)专利代理 机构 重庆强大凯创专利代理事务 所(普通合伙) 50217 专利代理师 刘嘉 (51)Int.Cl. G08B 21/10(2006.01) G06N 20/00(2019.01) G06F 17/18(2006.01)G06F 16/215(2019.01) (54)发明名称 基于关键参数预测值降低地质 灾害预警系 统故障率的方法 (57)摘要 本发明涉及地质灾害预测技术领域， 具体涉 及一种基于关键参数预测值降低地质灾害预警 系统故障率的方法， 包括： SS1、 在对目标地质灾 害隐患点稳定状态进行分析预测前， 判断地质灾 害预警系统中回传的预警模型关键参数是否缺 失或存在逻辑错误： 若不缺失或不存在逻辑错误 进行SS2， 若缺失或存在逻辑错误进行SS3； SS2、 采用地质灾害预警系统中实时回传的预警模型 关键参数， 分析预测目标地质灾害隐患点稳定状 态； SS3、 采用预警模型关键参数预测值， 分析预 测目标地质灾害隐患点稳定状态； SS4、 根据SS2 或者SS3得到的分析预测结果， 进行地质灾害预 警系统其他流程。 本发明当回传的预警模型关键 参数数据缺失或错误时， 能够解决地质灾害预警 系统可能失效的技 术问题。 权利要求书2页 说明书6页 附图1页 CN 115331394 A 2022.11.11 CN 115331394 A 1.基于关键参数 预测值降低地质灾害预警系统故障率的方法， 其特 征在于， 包括： SS1、 在对目标地质灾害隐患点稳定状态进行分析预测前， 判断地质灾害预警系统中回 传的预警模型关键参数是否缺失或存在逻辑错误： 若不缺失或不存在逻辑错误， 进行SS2； 若缺失或存在逻辑 错误， 进行S S3； SS2、 采用地质灾害预警系统中实时回传的预警模型关键参数分析预测目标地质灾害 隐患点稳定状态； SS3、 采用预警模型关键参数 预测值分析 预测目标地质灾害隐患点稳定状态； SS4、 根据S S2或者SS3得到的分析 预测结果， 进行地质灾害预警系统其 他流程。 2.如权利要求1所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， S S3中， 所述关键参数 预测值的获取步骤， 包括： S1、 梳理地质灾害预警系统中目标地质灾害隐患点的监测参数； S2、 获取目标地质灾害隐患点 监测参数的历史数据； S3、 把所有监测参数分成第一类监测参数与第二类监测参数， 所述第一类监测参数为 地质灾害发生的诱发因素， 所述第二类监测参数为表征目标地质灾害隐患点稳定状态的关 键因素； S4、 基于目标地质灾害隐患点监测参数的历史数据创建用于机器学习的数据集， 将第 一类监测 参数的历史数据或实时数据作为输入， 将第二类监测参数 的实时数据作为输出， 通过机器学习算法进行训练和预测， 得到地质灾害预警关键参数 预测值。 3.如权利要求2所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， S4中， 所述第一类监测参数用Ei表 示， Ei表示第i个独立监测参数， 所述第二类监 测参数用Oj表 示， Oj表示第j个关键参数， 通过机器学习算法对Ei和Oj的相关性进 行分析和 校验， 并选择与Oj具有较强相关性的Ei作为机器学习算法中的输入数据。 4.如权利要求3所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， S4中， 所述通过机器学习算法对Ei和Oj的相关性进 行分析和校验， 并选择与Oj有 较强相关性的Ei作为机器学习算法中的输入数据， 具体包括： A1、 对于某一个第 二类监测参数O， 根据地质学基础理论与工程经验判断可能对第二类 监测参数O有影响的第一类监测参数Ei； A2、 根据地质学基础理论与工程经验， 选取一个或多个第一类监测参数Ei与第二类监 测参数O构建k个数据组合， 表示 为Gk{Ei， O}， k表示第k个数据组合； A3、 对于任意一个数据组合Gk{Ei， O}， 将Ei作为自变量， O作为因变量， 建立线性或非线 性回归模型， 并计算回归 模型的相关系数和残差平方和； A4、 对比k个数据组合Gk{Ei， O}回归模型的相关系数和残差平方和， 选取相关系数最大 且残差平方和最小的数据组合Go{Ei， O}作为最优 数据组合， 最优 数据组合中的Ei即为与第 二类监测参数O相关性最强的一个或多个独立监测参数， 将Ei作为机器学习算法中第二类 监测参数O的作为输出 数据时的输入数据； A5、 对于第j个第二类监测参数Oj， 重复A1～A4， 得到第二类监测参数Oj的最优数据组 合Goj{Ei， O}。 5.如权利要求4所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， S4中， 所述 通过机器学习算法进行训练， 包括：权　利　要　求　书 1/2 页 2 CN 115331394 A 2B1、 对于某一个特定的第二类监测参数O， 以最优数据组合Go{Ei， O}中的第一类监测参 数Ei作为机器学习算法输入 数据， 第二类监测参数O作为输出数据， 构建机器学习模型Mo对 数据进行训练； B2、 优化机器学习模型Mo中的参数； B3、 得到训练好的机器学习模型Mo； B4、 对于第j个第二类监测参数Oj， 重复B1～B3， 得到第二类监测参数Oj的机器学习模 型Moj。 6.如权利要求5所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， 所述S4中， 所述通过机器学习算法进行预测， 具体为， 利用已经训练好的机器学 习模型对第二类监测参数Oj的实时数据Ojr t进行预测， 包括： C1、 对某一特定的第二类监测参数O， 基于获得的最优数据组合Go{Ei， O}创建用于预测 第二类关键参数O实时数据的输入 数据集合{Eirt}， Eirt表 示第i个用于预测第二监测参数 O实时数据的独立 监测参数； C2、 将数据集 合{Eirt}输入训练好的机器学习模型Mo； C3、 返回第二 监测参数O的实时预测结果Or t； C4、 对于第j个第二监测参数Oj， 重复C1～C3， 得到第二关键参数Oj的实时预测结果 Ojrt。 7.如权利要求6所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， S4中， 所述机器学习算法是决策树、 支持向量机、 神经网络中的一种。 8.如权利要求7所述的基于关键参数预测值降低地质灾害预警系统故障率的方法， 其 特征在于， S2中， 获取目标地质灾害隐患点的监测参数的历史数据之后， 对监测参数的历史 数据进行 预处理。权　利　要　求　书 2/2 页 3 CN 115331394 A 3