一种基于区域环境数据的空间点位监测模型的训练方法与流程

1.本发明涉及环境监测技术领域，具体为一种基于区域环境数据的空间点位监测模型的训练方法。


背景技术：

2.地质灾害的发生往往跟气象数据有关，如：某片区域的降水量突然增加，则容易导致发生泥石流等灾害。因此，分析出空间区域内的监测参数与其周围环境数据之间的定量关系，寻找灾害发生的规律性，对灾害预警起着重要作用。
3.现有技术中，主要通过在空间内不同的监测点位及其周围布设大量的传感器设备，实时采集监测点的数据及其周围的环境数据，采用某种回归分析方法，逐点地对监测点的数据和环境数据进行分析，得出定量关系。
4.然而，现有的分析方法存在监测成本高、点位数据收集困难、逐点计算量大等问题。


技术实现要素：

5.本发明的目的在于提供一种基于区域环境数据的空间点位监测模型的训练方法，通过多变量相空间重构法和深度极限学习机对模型进行训练，可基于监测参数与环境要素之间的定量关系更加精准地对监测参数趋势变化的原因进行分析，且可对未来某时间段内监测参数的趋势变化进行预测。
6.为达到上述目的，本技术实施例提供了一种基于区域环境数据的空间点位监测模型的训练方法，包括：建立包含多个训练样本的训练样本数据集；对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据；将重构后的所述矩阵数据输入至深度极限学习机，提取多变量相空间重构中的特征空间；根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系；基于rbf激活函数计算空间点位处每个环境数据的空间权重矩阵；根据所述空间点位处每个环境数据的空间权重矩阵，利用moran激活函数计算所述定量关系的空间权重矩阵；基于所述样本训练数据集中各点位监测参数与环境数据间的定量关系z和所述定量关系z对应的空间权重矩阵，利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系。
7.可选地，所述对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据，包括：
对所述训练样本进行预处理，得到包含多个变量的训练样本数据集：，其中，和分别为变量个数和第个变量的序列长度；将训练样本数据集转为训练样本数据矩阵，其中的每一行代表一个样本，每一列代表一个变量。
8.根据c-c算法求解出嵌入维数和最佳延迟时间；基于所述嵌入维数和所述最佳延迟时间，对预处理后的训练样本进行多变量相空间重构，得到的矩阵数据为：其中，表示相空间重构后的维空间，为变量个数。
9.可选地，所述提取多变量相空间重构中的特征空间，使用sigmoid激活函数完成重构后的维空间到特征空间的映射：其中，表示映射后空间点位i和空间点位j处的特征信息；和分别表示空间中点位i和点位j处重构后的数据；表示行转置；、均为大于0的数。
10.所述提取多变量相空间重构中的特征空间后，还包括：根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系：其中，表示特征空间中点位监测参数与环境数据间的定量关系；是输入特征，；是输入特征对应的加权系数，；为多项式的阶数。
11.可选地，所述基于rbf激活函数计算空间点位处每个环境数据的空间权重矩阵，计算方法为：其中，表示空间点位i和空间点位j处某环境数据的空间自相关程度， 表示训练样本数据矩阵中任意的环境数据列；为空间点位i处的某环境数据，为空间点位j处的某环境数据；‖
•
‖为欧式范数，表示空间中输入向量的模；为大于0的数。
12.可选地，根据所述空间点位处每个环境数据的空间权重矩阵，利用moran激活函数计算所述定量关系的空间权重矩阵，包括：计算空间内某一环境数据的莫兰指数，计算方法为：其中，表示某环境数据的空间自相关程度；和分别为区域中空间点位i和空间点位j处的某环境数据，为该环境数据在整个区域中的期望值；表示空间点位i和空间点位j处该环境数据的自相关程度的空间权重；s0为区域中所
有空间点位该环境数据的空间权重之和，；n为训练样本集中空间点位个数；计算整个区域中所有环境数据的莫兰期望矩阵：其中，为训练样本数据集中环境数据的个数；空间内所述定量关系的空间自相关程度可表示为：其中，和分别为区域中空间点位i和空间点位j处的定量关系，为空间内所有点位处定量关系的集合；表示空间点位i和空间点位j处定量关系的自相关程度的空间权重；s0为区域中所有空间点位定量关系的空间权重之和，；n为训练样本集中空间点位个数；由，计算得到所述空间点位定量关系的空间权重矩阵。
13.可选地，所述利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系，计算方法为：其中，表示空间内任一点位的监测参数与环境数据间的定量关系；表示空间坐标为处监测参数与环境数据间的定量关系；为定量关系对应的空间权重。
14.基于同一发明构思，本技术实施例还提供了一种基于区域环境数据的空间点位监测方法，包括：获取空间内不同时间段的环境数据；根据上述所述的基于区域环境数据的空间点位监测模型对监测数据进行计算，得到空间内任一点位监测环境参数与周围环境数据间的定量关系；基于所述定量关系对任一空间点位的监测参数进行趋势变化的原因分析和趋势预测。
15.另一方面，本技术实施例还提供了一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述方法。
16.另一方面，本技术实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
17.本发明的有益效果在于：本技术基于多变量相空间重构和深度极限学习机训练基于区域环境数据的空间点位监测模型，融合多个环境数据使得重构后的多维相空间中的相点包含空间点位处监测参数更为多样的信息，而后使用深度极限学习机训练基于区域环境数据的空间点位监测模型，通过分析训练样本数据集中已知空间点位的监测参数与其周围环境数据的定量关系，估计出整个空间区域任一点的定量关系。这可以降低逐点监测成本，减轻不同空间点位处环境数据收集的难度，减少不同空间点位处逐点计算某监测参数与周
围环境数据间定量关系的计算量，且可以从环境要素角度，较为精准地预测任一空间点位处监测参数变化趋势及分析其趋势变化原因。
18.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
19.图1为本发明实施例提供的一种基于区域环境数据的空间点位监测模型的训练方法的流程示意图；图2为本发明实施例提供的深度极限学习机的网络结构示意图；图3为本发明实施例提供的一种基于区域环境数据的空间点位监测方法的流程示意图；图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
20.下面结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
21.本技术的核心是提供一种基于区域环境数据的空间点位监测模型的训练方法，能够对空间内任一点位的监测参数进行趋势变化的原因分析和趋势预测，可以解决现有技术中逐点监测成本高、点位数据收集难且逐点计算工程量大的问题。
22.为了使本领域的技术人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。
23.图1为本技术实施例所提供的一种基于区域环境数据的空间点位监测模型的训练方法的流程示意图，如图1所述，该方法包括：步骤s101：建立包含多个训练样本的训练样本数据集；步骤s102：对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含训练样本数据集的矩阵数据；步骤s103：将重构后的矩阵数据输入至极限深度学习机，提取多变量相空间重构中的特征空间；步骤s104：根据提取的特征空间，确定样本训练数据集中各空间点位的监测参数和周围环境数据间的定量关系；步骤s105：基于rbf激活函数计算空间内每个环境数据的空间权重矩阵；步骤s106：根据空间内每个环境数据的空间权重矩阵，利用moran激活函数计算定量关系的空间权重矩阵；步骤s107：基于样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系和定量关系对应的空间权重矩阵，利用克里金插值激活函数计算空间内任一点监测参数与周围环境数据间的定量关系。
24.上述步骤s101中，建立包含多个训练样本的训练样本数据集，该数据集包括空间区域内多个监测点位、监测点位处的监测参数以及预处理后得到的监测点位周围的环境数据。
25.本实施例中，确定空间区域的经纬度范围，选取多个监测点位，点位处的监测参数由相关设备采集，区域环境数据可以通过从不同气象网站上收集，也可以是通过其他方式
获得，本实施例不对环境数据的获取方式做进一步限定。
26.具体地，区域环境数据包括区域降水量栅格图、区域温度栅格图、预取遥感影像、区域地表径流分布图、区域地层断裂带分布图、区域高程数据（dem）等数据。
27.上述步骤s102中，将训练样本进行预处理，空间内监测点位、监测点位处监测参数和点位周围的环境数据共同组成多变量时空序列，得到包含个变量的训练样本数据集，其中，为第个变量的序列长度。将训练样本数据集转为训练样本数据矩阵，其中的每一行代表一个样本，每一列代表一个变量。
28.本实施例中，对多个训练样本进行预处理，采用arcgis平台将区域环境数据进行多值提取至点操作，也可以使用其他方法对训练样本进行处理，本实施例不作具体限定。
29.空间点位的监测参数及变量序列是一个非线性混沌系统，但在实际应用场景中，监测参数的单变量相空间重构不能全面地描述其混沌特性，进而使得预测及分析误差较大。为进一步还原空间点位的监测参数的非线性动力变化系统，将其周围的环境数据融入。
30.在判断变量序列的混沌特性时，可以用lyapunov指数作为依据，当lyapunov指数小于0时，序列变化稳定，当lyapunov指数等于0时，序列变化处于稳定的边界，当lyapunov指数大于0时，序列变化不稳定。
31.进一步地，将个变量分别重构到新的相空间中，基于c-c算法计算单个变量时间序列的嵌入维数和最佳延迟时间，第个变量的重构相空间可以表示为：式中：；。
32.则将个变量重构得到的维相空间可表示为：其中，表示相空间重构后的维空间，为变量个数。
33.具体地，c-c算法是利用关联积分同时估计出最佳延迟时间和嵌入窗宽，然后由求出嵌入维数。
34.多变量相空间重构后的每个相点不仅保留了，也将周围环境数据融入到系统中，使得重构后多变量相空间的每个相点包含了空间点位处监测参数更为多样的信息，进而能够更好地还原空间点位处监测参数的非线性混沌系统的内在规律。
35.上述步骤s103中，将重构后的矩阵数据输入至深度极限学习机，利用sigmoid激活函数提取多变量相空间重构中的特征空间。
36.深度极限学习机是由多个极限学习机自编码器（extreme learning machine-automatic encoder，elmae）级联而成的深度网络模型。相较于传统的elm，delm更能全面捕获数据之间的映射关系从而提高非线性拟合能力和预测性能，而且delm没有反向微调的过程，使得网络训练时间大大缩短。如图2所示，delm的网络结构包含输入层、多个隐含层、输出层。
37.本实施例中，delm在训练的过程中，将上述重构后的矩阵数据作为深度极限学习机输入层的输入数据，在第一个隐含层使用sigmoid激活函数提取多变量相空间重构中的
特征空间，完成重构后的维空间到特征空间的映射：其中，表示映射后空间点位i和空间点位j处的特征信息；和分别表示空间中点位i和点位j处重构后的数据；表示行转置；、均为大于0的数。
38.该隐含层的每个神经元节点接收输入层输出的重构数据作为本神经元的输入值，使用sigmoid函数给神经元引入了非线性因素，提取重构后的维空间中各空间点位处的特征信息，每个神经元节点对应输出提取的特征信息，共同组成特征空间，使得该隐含层的输出可以任意逼近任何非线性函数。
39.上述步骤s104中，根据特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系：其中，表示特征空间中点位监测参数与环境数据间的定量关系；为输入特征，；是输入特征对应的加权系数，；为多项式的阶数。
40.上述步骤s105中，基于rbf激活函数计算空间点位处每个环境数据的空间权重矩阵：其中，表示空间点位i和空间点位j处该环境数据的空间自相关程度，表示训练样本数据矩阵中任意的环境数据列；为空间点位i处的某环境数据，为空间点位j处的某环境数据；‖
•
‖为欧式范数，表示空间中输入向量模；为大于0的数。
41.具体地，rbf激活函数通过在高维空间中计算两个空间点位之间的径向距离（欧式距离），得出不同空间点位每个环境数据的空间自相关程度。
42.上述步骤s106中，根据空间内每个环境数据的空间权重矩阵，利用moran激活函数计算所述定量关系的空间权重矩阵。
43.本技术实施例中，基于空间内每个环境数据的空间权重矩阵，计算空间内第个环境数据的莫兰指数，得出该环境数据的空间自相关程度，计算方法为：其中，表示某环境数据的空间自相关程度；和分别为区域中空间点位i和空间点位j处的某环境数据，为该环境数据在整个区域中的期望值；表示空间点位i和空间点位j处该环境数据的自相关程度的空间权重；s0为区域中所有空间点位该环境数据的空间权重之和，；n为训练样本集中空间点位个数。
44.进一步地，由于空间区域内所有环境数据的平均自相关程度等于定量关系的空间自相关程度，则基于所有环境数据的莫兰期望矩阵，可计算得出定量关系的空间自相关程度。
45.整个区域中所有环境数据的莫兰期望矩阵为：
其中，为训练样本数据集中环境数据的个数。
46.利用moran激活函数表示空间内定量关系的空间自相关程度：其中，和分别为区域中空间点位i和空间点位j处的定量关系，为空间内所有点位处定量关系的集合；表示空间点位i和空间点位j处定量关系的自相关程度的空间权重；s0为区域中所有空间点位定量关系的空间权重之和，；n为训练样本集中空间点位个数。
47.由，计算得到所述空间点位定量关系的空间权重矩阵。
48.上述步骤107中，利用克里金插值激活函数计算空间内任一点位监测参数与环境数据之间的定量关系，计算方法为：
49.其中，表示空间内任一点位的监测参数与环境数据间的定量关系；表示空间坐标为处监测参数与环境数据间的定量关系；为的空间权重。
50.具体地，克里金插值激活函数通过假设空间中定量关系的空间属性是均一的，利用空间上所有已知点的数据加权求和来估计未知点的值。
51.本技术基于多变量相空间重构和深度极限学习机训练基于区域环境数据的空间点位监测模型，融合多个环境数据使得重构后的多维相空间中的相点包含空间点位处监测参数更为多样的信息，而后使用深度极限学习机训练基于区域环境数据的空间点位监测模型。通过分析训练样本数据集中已知空间点位的监测参数与其周围环境数据的定量关系，估计出整个空间区域任一点的定量关系。这可以降低逐点监测成本，减轻不同空间点位处环境数据的收集难度，减少不同空间点位处逐点计算的某监测参数与周围环境数据间关系的计算量，且可以从环境要素角度，较为精准地预测任一空间点位处监测参数的变化趋势及分析其趋势变化原因。
52.基于同一发明构思，本技术实施例还提供了一种基于区域环境数据的空间点位监测方法，如图3所示，该方法包括：步骤s201：获取空间内不同时间段的环境数据；步骤s202：根据上述基于区域环境数据的空间点位监测模型的训练方法训练得到空间点位监测模型对监测数据进行分析计算，得到空间内任一点位监测参数与环境数据之间的定量关系；步骤s203：基于定量关系对任一空间点位的监测参数进行趋势变化的原因分析和趋势预测。
53.在本发明实施例中，根据基于区域环境数据的空间点位监测模型对当前监测数据进行计算，得到不同时间段内空间内的任一点位的监测参数和周围环境数据间的定量关系，能够实现对空间点位监测参数的精准分析和预测，提前对风险进行评估预测。
54.本技术另一实施例提供的一种电子设备，如图4所示，电子设备包括：存储器20，用于存储计算机程序；处理器21，用于执行计算机程序时实现如上述实施例所提到的方法的步骤。
55.本实施例提供的电子设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
56.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器（digital signal processor，简称dsp）、现场可编程门阵列（field-programmable gate array，简称fpga）、可编程逻辑阵列（programmable logic array，简称pla）中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，简称cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器(graphics processing unit，简称gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，简称ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
57.存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括windows、unix、linux等。数据可以包括但不限于上述方法中所涉及的相关数据等。
58.本领域技术人员可以理解，图x中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件。
59.本技术实施例提供的电子设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现上述实施例提到的方法。
60.最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
61.可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序代码的介质。
62.以上对本技术进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
63.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，包括：建立包含多个训练样本的训练样本数据集；对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据；将重构后的所述矩阵数据输入至深度极限学习机，提取多变量相空间重构中的特征空间；根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系；基于rbf激活函数计算空间点位处每个环境数据的空间权重矩阵；根据所述空间点位处每个环境数据的空间权重矩阵，利用moran激活函数计算所述定量关系的空间权重矩阵；基于所述样本训练数据集中各点位监测参数与环境数据间的定量关系和所述定量关系对应的空间权重矩阵，利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系。2.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含所述训练样本数据集的矩阵数据，包括：对所述训练样本进行预处理，得到包含多个变量的训练样本数据集：，其中，和分别为变量个数和第个变量的序列长度；将训练样本数据集转为训练样本数据矩阵，其中的每一行代表一个样本，每一列代表一个变量；根据c-c算法求解出嵌入维数和最佳延迟时间；基于所述嵌入维数和所述最佳延迟时间，对预处理后的训练样本进行多变量相空间重构，得到的矩阵数据为：其中，表示相空间重构后的维空间，为变量个数。3.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述提取多变量相空间重构中的特征空间，使用sigmoid激活函数完成重构后的维空间到特征空间的映射：其中，表示映射后空间点位i和空间点位j处的特征信息；和分别表示空间中点位i和点位j处重构后的数据；表示行转置；、
均为大于0的数。4.根据权利要求2所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述提取多变量相空间重构中的特征空间后，还包括：根据所述特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系：其中，表示特征空间中点位监测参数与环境数据间的定量关系；是输入特征，；是输入特征对应的加权系数，；为多项式的阶数。5.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述基于rbf激活函数计算空间点位处每个环境数据的空间权重矩阵，计算方法为：其中，表示空间点位i和空间点位j处某环境数据的空间自相关程度，表示训练样本数据矩阵中任意的环境数据列；为空间点位i处的某环境数据，为空间点位j处的某环境数据；‖
•
‖为欧式范数，表示空间中输入向量的模；为大于0的数。6.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，根据所述空间点位处每个环境数据的空间权重矩阵，利用moran激活函数计算所述定量关系的空间权重矩阵，包括：计算空间内某一环境数据的莫兰指数，计算方法为：其中，表示某环境数据的空间自相关程度；和分别为区域中空间点位i和空间点位j处的某环境数据，为该环境数据在整个区域中的期望值；表示空间点位i和空间点位j处该环境数据的自相关程度的空间权重；s0为区域中所有空间点位该环境数据的空间权重之和，；n为训练样本集中空间点位个数；计算整个区域中所有环境数据的莫兰期望矩阵：其中，为训练样本数据集中环境数据的个数；空间内所述定量关系的空间自相关程度可表示为：其中，和分别为区域中空间点位i和空间点位j处的定量关系，为空间内所有点位处定量关系的集合；表示空间点位i和空间点位j处定量关系
的自相关程度的空间权重；s0为区域中所有空间点位定量关系的空间权重之和，；n为训练样本集中空间点位个数；由，计算得到所述空间点位定量关系的空间权重矩阵。7.根据权利要求1所述的一种基于区域环境数据的空间点位监测模型的训练方法，其特征在于，所述利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系，计算方法为：其中，表示空间内任一点位的监测参数与环境数据间的定量关系；表示空间坐标为处监测参数与环境数据间的定量关系；为定量关系对应的空间权重。8.一种基于区域环境数据的空间点位监测方法，其特征在于，包括：获取空间内不同时间段的环境数据；根据如权利要求1至7任一项所述的基于区域环境数据的空间点位监测模型对监测数据进行计算，得到空间内任一点位监测参数与周围环境数据间的定量关系；基于所述定量关系对任一空间点位的监测参数进行趋势变化的原因分析和趋势预测。9.一种电子设备，其特征在于，包括：至少一个存储器，用于存储计算机程序；至少一个处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有如权利要求9所述的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。

技术总结
本发明提供一种基于区域环境数据的空间点位监测模型的训练方法，包括：建立包含多个训练样本的训练样本数据集；对训练样本进行预处理，并对预处理后的训练样本进行多变量相空间重构，得到包含训练样本数据集的矩阵数据；将矩阵数据输入至深度极限学习机，提取重构后的特征空间，确定样本训练数据集中各空间点位的监测参数与周围环境数据间的定量关系；基于RBF激活函数计算空间点位处每个环境数据的空间权重矩阵；利用Moran激活函数计算定量关系的空间权重矩阵；利用克里金插值激活函数计算空间内任一点位监测参数与周围环境数据之间的定量关系；本发明实施例可基于区域环境数据分析空间任一点位处监测参数趋势变化原因及对其进行趋势预测。对其进行趋势预测。对其进行趋势预测。


技术研发人员：李芸莹 何雨衡 包元锋 董超群 丁雅静 张守亮
受保护的技术使用者：苏州思萃融合基建技术研究所有限公司
技术研发日：2023.08.07
技术公布日：2023/9/7