(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111200897.9 (22)申请日 2021.10.15 (65)同一申请的已公布的文献号 申请公布号 CN 113642812 A (43)申请公布日 2021.11.12 (73)专利权人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 111号 专利权人 成都交大大数据科技有限公司 (72)发明人 杨柳　肖皇屿　马征　唐优华　 刘恒　 (74)专利代理 机构 北京集智东方知识产权代理 有限公司 1 1578 代理人 刘林　陈攀 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/215(2019.01) G06F 16/29(2019.01)G06N 20/00(2019.01) G06N 20/10(2019.01) G06N 3/04(2006.01) (56)对比文件 CN 107292410 A,2017.10.24 CN 10949 2793 A,2019.0 3.19 CN 103745073 A,2014.04.23 CN 112861207 A,2021.0 5.28 CN 110986747 A,2020.04.10 CN 111275255 A,2020.0 6.12 谢博等.边坡位移的E EMD-PSO-ELM模型预测 方法. 《中国安全科 学学报》 .2020,(第0 3期), 王永明等.基 于加权组合模型的基坑 位移变 形分析与预测. 《地下空间与工程学报》 .2013, 杨永波等.基于灰色理论和 神经网络的边坡 位移预测. 《自然灾害学报》 .20 08,(第02期), 金海元等.加权函数组合预测边坡变形模型 的研究. 《工程 地质学报》 .20 08,(第04期), 审查员 殷飞 (54)发明名称 基于北斗的微形变预测方法、 装置、 设备及 可读存储介质 (57)摘要 本发明提供了一种基于北斗的微形变预测 方法、 装置、 设备及可读 存储介质， 涉及卫星 监测 技术领域， 包括获取位移数据集， 所述位移数据 集包括至少两组位移数据， 所述位移数据是通过 卫星测量得到的目标的三维位移量， 将所述位移 数据集中的每个所述位移数据分别进行计算， 分 别得到每个所述位移数据的位移形变数据;根据 所述位移形变数据， 建立预测模型,并通过所述 预测模型计算出所述目标在第三时刻相对于第 二时刻的位移量预测结果;预测监测对象未来形 变趋势， 可应用于地质灾害、 建筑、 桥梁等领域的 监测及预警;提高了预测准确度， 解决了传统单 一位移形变预测模型无法准确描述变形和演化规律的局限性。 权利要求书5页 说明书14页 附图3页 CN 113642812 B 2022.02.08 CN 113642812 B 1.基于北斗的微形变预测方法， 其特 征在于， 包括： 获取位移数据集， 所述位移数据集包括至少两组位移数据， 所述位移数据是通过卫星 测量得到的目标的三维位移量， 所述 三维位移量 为第二时刻相对于第一时刻的位移量； 将所述位移数据集中的每个所述位移数据分别进行计算， 分别得到每个所述位移数据 的位移形变数据， 所述位移形变数据为在所述位移数据集中通过预测算法模块提取出的数 据； 根据所述位移形变数据， 建立预测模型， 并通过所述预测模型计算出所述目标在第三 时刻相对于第二时刻的位移量预测结果； 其中， 将所述位移数据集中的每个所述位移数据分别进行计算， 分别得到每个所述位 移数据的位移形变数据， 包括： 将位移数据存入数据库中， 通过预测算法模块从数据库中读取多组位移数据， 并且对 位移数据进行 预处理， 处理步骤依次为： 异常数据处 理、 缺失数据处 理和卡尔曼 滤波降噪； 根据所述 位移形变的数据， 建立预测模型， 包括： 更新所述位移形变数据为转化数据集， 根据 所述转化数据集， 建立第 一模型， 所述第一 模型包括更新门单元和重置门单元， 所述第一模型的每个门单元和隐藏层的计算公式如 下： rt＝σ(xtWxr+ht‑1Whr+br) zt＝σ(xtWxz+ht‑1Whz+bz) 式中， σ 为sigmoid激活函数， tanh为双曲正切激活函数， xt为当前的输入， ht为当前输 出， 表示候选激活向量， ht‑1为之前的输出， Wxr和Whr是更新门单元的权重， Wxz和Whz是重置 门单元的权重， Wxh和Whh是输出候选值， br、 bz和bh分别是更新 门单元、 重置门单元和输出候 选值的偏置向量； 根据所述位移形变的数据， 建立预测模型， 还包括： 更新所述位移形变数据为所述转化 数据集， 根据所述 转化数据集， 建立第二模型； 通过所述第二模型， 求解自回归过程， 计算公式如下： xt＝φ1xt‑1+φ2xt‑2+…+φpxt‑p+ μt； 式中， φ1， φ2， ...， φp表示AR的系数， xt为当前输出， xt‑1， xt‑2， ...， xt‑p为之前的输入， μt为第t个时间序列的白噪声； 根据所述自回归过程获取到移动平均过程， 计算如下： μt＝ ε0+θ1εt‑1+θ2εt‑2+…+θqxt‑q 式中， εt‑1、 εt‑2...， εt‑q表示对应输入的误差， ε0为随机干扰项序列， θ1， θ2， ...， θq表示对 应的权重系数， μt为白噪声； 根据所述自回归过程和所述移动平均过程， 求 解得到自回归移动平均， 计算公式如下： 式中， ε表示误差， 式中， 表示AR的系数， xt为当前输出， xt‑1， xt‑2， ...， xt‑p为之前的输入， εt‑1、 εt‑2...， 表示对应输入的误差， θ1， θ2， ...， θq表示对应的权权　利　要　求　书 1/5 页 2 CN 113642812 B 2重系数； 根据所述位移形变的数据， 建立预测模型， 并通过所述预测模型计算出第三时刻最终 位移预测结果， 包括： 更新所述位移形变数据为所述转化数据集， 根据所述转化数据集， 建 立第三模型； 通过第三模型， 求 解回归系数β， 计算公式如下： β ＝(XTX+kI)‑1XTy 式中， X为样本点x变量的自变量矩阵， k I为角矩阵； 根据所述位移形变的数据， 建立预测模型， 并通过所述预测模型计算出第三时刻最终 位移预测结果， 还 包括： 根据所述位移形变的数据作为预测模型的输入信 息， 得到每个预测模型的位移数据 预 测结果， 将所述预测结果和真实情况作差， 得到每 个基本模型的拟合 误差； 根据每个基本模型的拟合误差， 计算得到每个基本模型对应的平均平方误差， 其计算 公式为： 式中， utj表示每个基本模型的拟合 误差； 根据每个基本模型的平均平方误差， 计算出每 个基本模型的权值Pj， 其计算公式为： 式中， Mj表示每个基本模型的平均平方误差； 根据每个基本模型的权值Pj和所有基本模型， 建立最佳权重线 性组合模型， 其最佳权重 线性组合模型公式为： 式中， 表示每个基本模型的预测数据， 每个模型的权重表示为Pj＝1， 2， ...， m， P1， P2， ...， Pm的和为1； 求解所述最佳权重线性组合模型， 得到最终位移预测结果。 2.根据权利要求1所述的基于北斗的微形变预测方法， 其特征在于， 将位移数据集中的 每个位移数据分别进行计算， 分别得到位移形变数据， 包括： 通过箱型图分析 方法对每 个所述位移数据进行异常值判断； 获取每个所述位移数据的异常值判断结果， 若判断结果正常， 则记做第 一信息， 若判断 结果不正常， 则剔除； 对判断结果 正常的所述第一信息的空缺部分进行填补； 获取填补后的所述第一信息， 将所述第一信息记 做位移形变数据。 3.根据权利要求1所述的基于北斗的微形变预测方法， 其特征在于， 所述根据 所述位移 形变的数据， 建立预测模型， 包括： 将所述位移形变数据经 过预设公式进行转 化得到转 化数据集， 转 化公式如下：权　利　要　求　书 2/5 页 3 CN 113642812 B 3