买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东安澜工程建设有限公司

摘要：本发明公开了一种基于机器学习的洪水灾害预警方法及系统，方法包括：数据采集、数据预处理、洪水灾害数据平衡、构建洪水灾害风险评估模型和洪水灾害实时预警。本发明属于灾害预警技术领域，具体是指一种基于机器学习的洪水灾害预警方法及系统，本方案引入局部密度计算加权欧几里得距离，识别噪声数据并去除，基于均值和标准差筛选边界数据，基于聚类抽取参考样本，合成参考数据；提出门控时间卷积单元提取洪水灾害时间特征，设计自适应图卷积单元和自适应图注意单元，以及门控融合单元提取洪水灾害空间特征，基于调控因子得到洪水灾害时空特征，提高了对复杂洪水灾害现象的刻画能力，实现了高效的洪水灾害风险评估和预警。

主权项：1.一种基于机器学习的洪水灾害预警方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理；步骤S3：洪水灾害数据平衡，引入局部密度计算加权欧几里得距离，得到四分位数间距的上界和下界，识别噪声数据并去除，基于均值和标准差筛选边界数据，基于聚类抽取参考样本，合成参考数据，构建洪水灾害平衡数据集；步骤S4：构建洪水灾害风险评估模型，提出门控时间卷积单元提取洪水灾害时间特征，设计自适应图卷积单元和自适应图注意单元，以及门控融合单元提取洪水灾害空间特征，基于调控因子得到洪水灾害时空特征，输出洪水灾害风险评估等级，完成洪水灾害风险评估模型的构建；步骤S5：洪水灾害实时预警；在步骤S3中，所述洪水灾害数据平衡具体包括以下步骤：步骤S31：去除噪声数据；步骤S32：计算边界数据集，首先计算降噪后少数类数据集中所有少数类数据在每个维度的均值和标准差，基于均值和标准差筛选边界数据，构建边界数据集；所用公式如下： ； ； ； ；式中，和σq分别是中所有少数类数据在第q个维度的均值和标准差，是中第j个少数类数据在第q个维度的值，A是中少数类数据的数量，是在第q个维度上筛选的边界数据集，Z是Q个维度总共筛选出来的边界数据集，是并集运算符，是中第j个少数类数据，w是调节因子；步骤S33：合成新数据，包括以下步骤：步骤S331：聚类，采用K-means聚类算法对降噪后的少数类数据集进行聚类处理，得到F个聚类；步骤S332：抽取参考样本，在合成每个新数据前，从边界数据集Z中随机抽取合成该新数据的第一个参考样本，c是新数据索引，f是聚类索引，再从第f个聚类中随机选择第二个参考样本，且第二个参考样本满足，是第f个聚类的聚类中心，和分别是合成第c个新数据时属于第f个聚类的第一个参考样本和第二个参考样本；步骤S333：合成，基于第一个参考样本和第二个参考样本合成C个新数据；所用公式如下： ； ；式中，oc和分别是第c个临时数据和新数据，rand（·）是随机数生成函数，C是多数类数据集和少数类数据集之间数据数量的差值；步骤S34：构建洪水灾害平衡数据集，将合成的C个新数据、少数类数据集和多数类数据集汇总，得到洪水灾害平衡数据集；在步骤S31中，所述去除噪声数据具体包括以下步骤：步骤S311：计算加权欧几里得距离，计算少数类数据集P中所有少数类数据在每个维度的均值，得到平均数据，再引入局部密度计算每个少数类数据与平均数据之间的加权欧几里得距离，并将少数类数据按加权欧几里得距离的大小升序排序；所用公式如下： ； ； ；式中，xi和xj分别是P中第i个和第j个少数类数据，i和j是少数类数据索引，ρi是P中第i个少数类数据的局部密度，Di是P中第i个少数类数据与平均数据之间的加权欧几里得距离，N是P中少数类数据的数量，σ是高斯核函数的带宽参数，是欧几里得距离，×是乘法运算符，、和分别是P中所有少数类数据在第1个、第q个和第L个维度的均值，L是数据维数，q是维度索引，是P中第j个少数类数据在第q个维度的值；步骤S312：计算上界和下界，根据第一个四分位数Q1和第三个四分位数Q3的差值，得到四分位数间距IQR，再计算四分位数间距IQR的上界ub和下界lb；所用公式如下： ； ； ； ； ；式中，xm和xn分别是升序排序后的第m个和第n个少数类数据，m和n是少数类数据索引，r1和r2是常数，round（·）是取整函数；步骤S313：噪声数据检测，若少数类数据与平均数据之间的加权欧几里得距离大于上界ub，则将该少数类数据定义为噪声数据，将其从少数类数据集P中去除，得到降噪后的少数类数据集。

全文数据：

权利要求：

百度查询： 山东安澜工程建设有限公司 一种基于机器学习的洪水灾害预警方法及系统