背景技术：
1、地质灾害是指由于自然或人为因素引起的地质环境变化，导致的地质现象和地质体的破坏性活动，包括山体滑坡、泥石流、地震、崩塌，这些灾害对人类的生命财产安全和社会经济发展构成严重威胁，全球每年因地质灾害造成的人员伤亡和经济损失十分巨大，因此，及时有效地预测和预警地质灾害显得尤为重要。
2、传统的地质灾害预测预警方法主要依赖于现场勘察、历史数据分析和经验判断，这些方法虽然在一定程度上可以提供灾害预警，但存在较多局限性，首先，地质灾害的发生往往受到多种因素的综合影响，传统方法难以全面考虑所有相关因素，其次，传统方法对数据的处理能力有限，无法有效应对海量数据的分析需求，再者，这些方法的预测精度和及时性有待提高，无法满足快速响应的需求。
3、地质灾害数据具有高度非线性和复杂的关系，同时地质灾害的发生具有突发性和不确定性，导致相关数据存在不稳定性，且由于地质灾害的复杂性和突发性，长期预测的误差容易积累，而误差的积累会显著影响预测结果，使得预测变得困难，因此机器学习在地质灾害预测中的应用逐渐成为研究热点，机器学习通过构建复杂的数学模型，能够从大量数据中自动学习和提取灾害发生的规律和模式，提高预测的准确性和效率，基于机器学习的地质灾害预测预警方法不仅能够处理多源异构数据，还可以实现准确预测，为地质灾害的预警和应急响应提供有力支持。
技术实现思路
1、本发明提供一种区域地质灾害预测预警方法，针对地质灾害预测任务，提出预测模型tmpnet，由时序特征捕捉模块（tfcm）、多变量特征捕捉模块（mfcm）、多层感知器堆栈组成。
2、本发明为实现上述目的所采用的技术方法，具体包括以下步骤：
3、s1、收集地质灾害相关历史数据，包括特征和目标变量，对收集的数据进行预处理；
4、s2、采用方法对地质灾害数据进行标准化，并将地质灾害数据划分训练集和测试集；
5、s3、构建tfcm模块，用于处理输入地质灾害数据中的时间特征，具体包括以下步骤：
6、s31、输入地质灾害数据，通过多层感知器堆栈增强特征得到地质灾害数据的时序表示；
7、s32、使用卷积核为的一维卷积网络结合多层感知器堆栈输出，获取查询、键和值，并对和进行短时傅里叶变换，得到、，计算相关性分数；
8、s33、进行时间延迟聚合，引入权重系数与加权系数增强时间延迟聚合效果，并获得时序特征输出，最终通过线性变换得到tfcm模块输出的第一预测值、第二预测值以及下一个tfcm子模块输入；
9、s4、构建mfcm模块，处理地质灾害多变量数据中的隐式关联，具体包括以下步骤：
10、s41、输入第二预测值，通过多层感知器堆栈增强特征得到地质灾害的变量间特征表示；
11、s42、通过卷积核为的一维卷积网络结合多层感知器堆栈的输出，计算查询、键和值，并使用多头自注意力机制计算地质灾害数据的全局变量间关系;
12、s43、使用扩张卷积计算地质灾害数据的局部变量间关系，并将全局变量关系和局部变量间关系的输出相加获得输出，并经过线性变换得到第三预测值和第四预测值以及下一个mfcm子模块输入；
13、s5、将tfcm模块预测值与mfcm模块预测值相加得到地质灾害预测结果。
14、优选地，所述步骤s1中，地质灾害相关历史数据包括地质灾害发生时间、地质灾害发生地点、地质灾害类型、地质灾害规模、气象数据、地质数据、地形数据、水文数据，使用法处理数据中异常值，具体公式如下：
15、;
16、式中，为异常值，为特征的均值，为特征的标准差。
17、优选地，所述步骤s2中，使用方法对地质灾害数据进行标准化，并按比例划分训练集和测试集，具体公式如下：
18、；
19、式中，为数据中均值，为标准差，为数据值。
20、优选地，所述步骤s3，s31中定义多变量地质灾害数据为，其中为第个地质灾害的时间序列值，为历史地质灾害时间序列数据长度，通过多层感知器堆栈处理输入，增强特征得到地质灾害数据的时序表示，具体公式如下：
21、；
22、式中，为输入的地质灾害相关数据，为多层感知器堆栈，为感知器数量，为多层感知器堆栈的索引，为多层感知器堆栈输出的时序表示。
23、优选地，通过多层感知器堆栈增强地质灾害数据的时序特征，地质灾害往往具有时间上的持续性和突发性，而多层感知器堆栈作为深度神经网络，其能够通过多层神经元连接，逐层提取数据的高阶特征，具体地，输入的地质灾害数据经过多层感知器堆栈处理后，增强捕捉地质灾害数据中时间依赖关系的时序特征能力，更有效地反映地质灾害数据的动态变化，同时为后续的卷积操作和注意力机制提供了更为丰富的特征表示，并提升tfcm模块对地质灾害时间序列数据的理解能力。
24、优选地，所述步骤s3，s32中使用卷积核为的卷积网络结合多层感知器堆栈输出，获取查询、键和值，具体公式如下：
25、；
26、；
27、；
28、式中，、、为卷积层可学习参数，为卷积层索引，为多层感知器堆栈输出的时序表示；
29、对和进行短时傅里叶变换，具体公式如下：
30、；
31、；
32、式中，、为查询、键在时间点的值，为窗函数，为时间窗口，为频率，为虚数单位；
33、计算相关性分数获取时间延迟，具体公式如下：
34、；
35、式中，为时间延迟，为地质灾害时间序列数据的长度，为、在时间延迟下的相关性分数，、为、在时间、频率下的短时傅里叶变换频域表示。
36、优选地，通过结合一维卷积网络和多层感知器堆栈，进一步对增强后的时序特征进行处理，具体地，一维卷积网络的卷积操作能够高效地提取地质灾害时序数据中的局部特征，而短时傅里叶变换则能够捕捉地质灾害数据中的周期性和频率特征，通过获取查询、键和值，将时序特征转换为适合注意力机制处理的形式，这种多尺度特征提取方式提高了模型对时序数据的解析能力，为后续的时间延迟聚合和相关性分数计算提供基础。
37、优选地，所述步骤s3，s33中通过引入权重系数与加权系数使模型更加准确地综合和利用不同时间延迟特征信息，进而提升整体预测性能，增强时间延迟聚合效果，并得到tfcm模块输出，具体计算过程如下：
38、；
39、；
40、；
41、式中，为每个时间延迟的权重系数，为、在时间延迟下对应相关性分数，为给定的时间延迟范围中选择个具有最高相关性的时间延迟，为经过relu加权后的第个时间延迟特征，为每个时延特征的加权系数，为对进行时间延迟滚动操作，为时序特征输出；
42、之后将通过线性变换得到第一预测值、第二预测值以及下一个tfcm子模块输入，具体计算步骤如下：
43、；
44、；
45、；
46、式中，为tfcm模块中的块索引，、为第一预测值和第二预测值，、为第一预测值和第二预测值的线性变换函数，为时序特征输出，为下一个tfcm子模块输入。
47、优选地，引入时间延迟聚合机制，通过权重系数和加权系数，增强了不同时间延迟特征的综合利用效果，具体地，短时傅里叶变换后的地质灾害时序特征通过时间延迟聚合，可以有效地综合地质灾害数据在多个时间点的特征，提升tfcm模块对时间序列中的动态变化的理解，而权重系数和加权系数的引入，使得不同时间延迟的特征在聚合过程中能够根据其重要性进行加权处理，提高聚合特征的质量，使tfcm模块能够更准确地捕捉到时序数据中的关键特征，此机制能够有效减少长期预测中的误差累积，增强预测模型的稳定性和可靠性。
48、优选地，所述步骤s4，s41中输入第二预测值，通过多层感知器堆栈增强特征得到地质灾害的变量间特征表示具体计算步骤如下：
49、；
50、式中，为输入的第二预测值，为多层感知器堆栈，为感知器数量，为多层感知器堆栈的索引，为多层感知器堆栈输出的多变量间表示。
51、优选地，通过多层感知器堆栈对输入的第二预测值进行特征增强，提取地质灾害数据中的多变量特征表示，具体地，多变量数据中的隐式关联对地质灾害的预测至关重要，而多层感知器堆栈的使用，使得mfcm模块能够捕捉和表示复杂的地质灾害中的多变量特征，提高对地质灾害数据中隐式关联的理解和预测能力，可以更好地理解和利用多变量数据中的复杂关系，显著提升了预测模型的预测准确性和对多变量数据的适应性。
52、优选地，所述步骤s4，s42中通过卷积核为的一维卷积网络结合多层感知器堆栈的输出，计算查询、键和值，具体计算步骤如下：
53、;
54、;
55、;
56、式中，、、为权重矩阵，为卷积层索引，为多层感知器堆栈输出的变量间表示；
57、通过多头自注意力机制计算地质灾害数据的全局变量间关系，具体公式如下：
58、；
59、；
60、式中，、、为查询j、键和值，为键的维度，为拼接操作，为线性变换矩阵。
61、优选地，通过一维卷积网络结合多层感知器堆栈的输出，计算查询、键和值，并使用多头自注意力机制来捕捉地质灾害数据中的全局变量间关系，具体地，一维卷积网络的卷积操作可以提取多变量地质灾害数据中的部分局部特征，而多头自注意力机制能够同时关注地质灾害数据中的不同特征维度，可以提取地质灾害数据中全局变量间的复杂关系，通过上述机制的结合，能够有效提升预测模型对多变量数据的解析能力，使得预测结果更加精准和可靠。
62、优选地，所述步骤s4，s43中使用扩张卷积计算地质灾害数据的局部变量间关系，具体计算步骤如下：
63、；
64、式中，为扩张卷积核的权重矩阵，为多层感知器堆栈输出的多变量间表示；
65、将全局变量间关系和局部变量间关系的输出相加，具体计算步骤如下：
66、；
67、式中，和为可学习权重参数，为提取的全局变量关系，为提取的局部变量关系；
68、之后将经过线性变换得到第三预测值和第四预测值以及下一个mfcm子模块输入，具体计算步骤如下：
69、；
70、；
71、；
72、式中，为mfcm模块中的块索引，、为第三预测值和第四预测值，、为第三预测值和第四预测值的线性变换函数，为全局变量间关系和局部变量间关系的和，为下一个mfcm子模块的输入。
73、优选地，使用扩张卷积计算地质灾害数据的局部变量间关系，并将全局和局部变量间关系的输出相加，通过线性变换得到预测值，具体地，扩张卷积能够在较少计算量的情况下扩大感受野，提高对局部变量关系的捕捉能力，通过结合全局和局部变量间的关系，预测模型能够更全面地利用多变量数据中的信息，此组合显著增强了预测的准确性和稳定性，使得预测模型能够更好地应对复杂的地质灾害数据。
74、优选地，所述步骤s5中，将tfcm模块预测值与mfcm模块预测值相加得到地质灾害预测结果，具体公式如下：
75、；
76、；
77、；
78、式中，、为tfcm模块和mfcm模块中块的总数，、为tfcm模块和mfcm模块第个块的预测值，、为tfcm模块和mfcm模块的最终预测结果。
79、综上所述，由于采用本技术方案，本发明的有益效果为： 本发明提出tmpnet预测模型，应用于地质灾害预测场景，包括时序特征捕捉模块、多变量特征捕捉模块和多层感知器堆栈，时序特征捕捉模块处理输入的地质灾害相关数据中的时间特征，多变量特征捕捉模块处理地质灾害多变量数据中的隐式关联，多层感知器堆栈用于对地质灾害数据进行特征增强，并为后续的卷积操作和注意力机制提供良好的特征表示，从而提高模型预测的准确性。
1.一种区域地质灾害预测预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种区域地质灾害预测预警方法，其特征在于，所述步骤s3，构建tfcm模块具体步骤s31中，定义多变量地质灾害数据为，其中为第个地质灾害的时间序列值，为历史地质灾害时间序列数据长度，通过多层感知器堆栈处理输入，增强特征得到地质灾害数据的时序表示，具体公式如下：
3.根据权利要求1所述的一种区域地质灾害预测预警方法，其特征在于，所述步骤s3，构建tfcm模块具体步骤s32中，对和进行短时傅里叶变换，具体公式如下：
4.根据权利要求1所述的一种区域地质灾害预测预警方法，其特征在于，所述步骤s4，构建mfcm模块具体步骤s41中，输入第二预测值，通过多层感知器堆栈增强特征得到地质灾害的变量间特征表示具体计算步骤如下：
5.根据权利要求1所述的一种区域地质灾害预测预警方法，其特征在于，所述步骤s4，构建mfcm模块具体步骤s42中，通过多头自注意力机制计算地质灾害数据的全局变量间关系，具体公式如下：
6.根据权利要求1所述的一种区域地质灾害预测预警方法，其特征在于，所述步骤s5中，将tfcm模块预测值与mfcm模块预测值相加得到地质灾害预测结果，具体公式如下：
