基于模糊回声状态网络和SHAP的边坡形变预测及解释方法与流程

本说明书实施例涉及地质灾害工程，特别涉及一种基于模糊回声状态网络和shap的边坡形变预测及解释方法。

背景技术：

1、边坡形变监测是地质灾害防治与建设工程安全的重要环节。随着计算机技术与边坡雷达监测技术的发展，实现了对边坡微小位移的高精度实时监测。雷达监测是一种无接触、连续动态监测手段，其利用雷达波探测地表及内部结构的微小形变，实现对边坡稳定性实时、高效、精准的监控。随着计算机技术、信号处理算法以及物联网技术的深度融合，边坡雷达监测步入智能化阶段。

2、但是现有技术中的预测模型只能够预测出边坡的形变预测值，不具备可解释性，因此，亟需一种既能预测边坡形变预测值又能明确解释产生形变的原因的基于模糊回声状态网络和shap的边坡形变预测及解释方法。

技术实现思路

1、有鉴于此，本说明书实施例提供了一种基于模糊回声状态网络和shap的边坡形变预测及解释方法。本说明书一个或者多个实施例同时涉及一种基于模糊回声状态网络和shap的边坡形变预测及解释装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

2、根据本说明书实施例的第一方面，提供了一种基于模糊回声状态网络和shap的边坡形变预测及解释方法，包括：

3、确定待检测边坡区域在目标时刻之前的关键点云数据，对所述关键点云数据进行特征提取获得特征序列集，其中，所述特征序列集用于表征至少一种形变影响因子在时序上的特征值变化；

4、根据所述特征序列集和模糊回声状态网络，确定目标时刻的边坡形变预测值；

5、根据所述特征序列集和所述边坡形变预测值以及利用shap公式，确定所述至少一种形变影响因子对应的形变分量，其中，所述形变分量表征各个形变影响因子对边坡的影响程度。

6、在本公开的一个实施例中，所述确定待检测边坡区域在目标时刻之前的关键点云数据，包括：

7、采集所述待检测边坡区域在所述目标时刻之前的原始点云数据；

8、对所述原始点云数据进行半径滤波处理，获得所述目标时刻的预处理点云数据集；

9、对所述预处理点云数据集进行关键点提取，获得所述关键点云数据。

10、在本公开的一个实施例中，所述对所述预处理点云数据集进行关键点提取，获得所述关键点云数据，包括：

11、确定目标数据点，其中，所述目标数据点为预处理点云数据集中的任意一点；

12、基于预设的额度滤波半径确定目标数据点对应的邻域点集合；

13、计算所述邻域点集合的平均位置信息；

14、基于所述平均位置信息计算目标数据点对应的协方差矩阵；

15、根据所述协方差矩阵计算目标数据点对应的响应值；

16、若所述响应值大于等于预设阈值，则确定所述第一点云数据为关键点。

17、在本公开的一个实施例中，所述对所述关键点云数据进行特征提取获得特征序列集，包括：

18、在所述关键点云数据的位置维度中提取提取至少一种地形特征信息；

19、在所述关键点云数据的特征维度中提取至少一种环境特征信息；

20、根据所述地形特征信息和环境特征信息确定特征序列集。

21、在本公开的一个实施例中，所述特征序列集包括目标时刻之前各时刻的多源特征序列，所述模糊回声状态网络包括输入层、模糊层、储备池和输出层；

22、所述根据所述特征序列集和模糊回声状态网络，确定目标时刻的边坡形变预测值，包括：

23、通过所述输入层接收所述特征序列集，并将其输入所述模糊层；

24、通过所述模糊层中的至少一条模糊规则，对所述特征序列集中各多源特征序列进行处理，获得各时刻对应的聚类中心向量和影响半径向量；根据所述聚类中心向量和影响半径向量，确定各模糊规则对应的权重因子；

25、通过所述储备池，基于所述模糊规则对所述特征序列集进行处理输出权重向量；

26、通过所述输出层，基于所述权重向量和所述权重因子预测目标时刻的边坡形变预测值。

27、在本公开的一个实施例中，所述模糊回声状态网络通过下述方式训练得到：

28、获取训练样本并构建训练样本对，该训练样本对包括样本标签，其中，样本标签包括边坡形变量；

29、将该训练样本输入初始模型，得到边坡形变预测值；

30、基于边坡形变预测值和边坡形变量确定损失值，基于损失值对初始模型进行训练，直至达到训练停止条件，得到模糊回声状态网络。

31、在本公开的一个实施例中，所述根据所述特征序列集和所述边坡形变预测值，利用shap公式确定所述至少一种形变影响因子对应的形变分量，包括：

32、其中，每个形变影响因子对应的形变分量具体通过以下方式获得：

33、根据特征序列集以及所述形变影响因子确定第一特征序列子集集合、第二特征序列子集集合，其中，第一特征序列子集集合为特征序列集中除对应形变影响因子之外的形变特征因子的各个形变影响因子子集的集合，第二特征序列子集集合为各个形变影响因子组合得到的特征子集得到的集合；

34、根据第二特征序列子集集合确定第三特征序列子集集合，其中，第三特征序列子集集合为包含对应形变影响因子的特征子集组成的集合；

35、根据所述第一特征序列子集集合、第二特征序列子集集合、第三特征序列子集集合确定所述形变影响因子对应的形变分量。

36、在本公开的一个实施例中，根据所述边坡形变预测值和所述形变分量，生成形变影响因子分析概要图。

37、根据本说明书实施例的第二方面，提供了一种基于模糊回声状态网络和shap的边坡形变预测及解释装置，包括：

38、数据确定模块，被配置为确定待检测边坡区域在目标时刻之前的关键点云数据，对所述关键点云数据进行特征提取获得特征序列集，其中，所述特征序列集用于表征至少一种形变影响因子在时序上的特征值变化；

39、边坡形变预测值确定模块，被配置为根据所述特征序列集和模糊回声状态网络，确定目标时刻的边坡形变预测值；

40、形变分量确定模块，被配置为根据所述特征序列集和所述边坡形变预测值，利用shap公式确定所述至少一种形变影响因子对应的形变分量，其中，所述形变分量用于解释各个形变影响因子对边坡的影响程度。

41、根据本说明书实施例的第三方面，提供了一种计算设备，包括：

42、存储器和处理器；

43、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现上述基于模糊回声状态网络和shap的边坡形变预测及解释方法的步骤。

44、根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述基于模糊回声状态网络和shap的边坡形变预测及解释方法的步骤。

45、根据本说明书实施例的第五方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述基于模糊回声状态网络和shap的边坡形变预测及解释方法的步骤。

46、本说明书一个实施例实现了通过确定待检测边坡区域在目标时刻之前的关键点云数据，对所述关键点云数据进行特征提取获得表征至少一种形变影响因子在时序上的特征值变化的特征序列集；根据该特征序列集和模糊回声状态网络，确定目标时刻的边坡形变预测值；根据所述特征序列集和所述边坡形变预测值，利用shap公式确定所述至少一种形变影响因子对应的形变分量，量化各特征对边坡形变预测值的形变分量，从而确定各个特征对于边坡形变的影响，明确边坡发生形变的主要因素。