[发明专利]一种大区域滑坡危险性评价的并行支持向量机分类方法

说明书

本发明提出了一种大区域滑坡危险性评价的并行支持向量机分类方法，括以下步骤：首先，该算法提出KF策略来删减冗余数据，利用删减冗余数据后的数据集训练SVM，降低SVM对冗余数据的敏感性；其次，提出了基于非线性收敛因子和自适应惯性权重的鲸鱼智能优化算法，利用“IW‑BNAW”算法获取SVM的最优参数，提高支持向量机的参数寻优能力；最后，在利用MapReduce构造并行SVM过程中，提出时间反馈策略TFB用于reduce节点的负载调度，提高了集群的并行效率，实现了高并行的SVM。本发明原理简单且易于实现，本发明提出的算法无论是在并行效率上还是预测精确度上都有显著的性能表现，因此可应用于大区域滑坡危险性评价，提高其评价预测精确度。

技术领域

本发明涉及大数据挖掘和GIS领域，尤其涉及一种大区域滑坡危险性评价的并行支持向量机分类方法。

背景技术

滑坡是世界上最具破坏性的常见地质灾害之一，它常常摧毁建筑，堵塞交通，造成人员伤亡，对人类生命安全、环境、资源和财产构成很大的威胁。滑坡的发生是由地质、地貌及各种诱发因素造成的，其中降雨和人类工程活动是滑坡的两大诱发因素。随着人类工程活动规模和范围日益扩大，当雨季来临，降雨和人类工程活动诱发了滑坡在许多点上同时或相续发生，其危害足以严重影响当地社会与经济发展，便称为区域滑坡地质灾害。而区域滑坡危险性评价是在一定时期内，给定区域在一定条件下发生滑坡灾害的可能性，它是滑坡风险评价的重要基础，也是防治工程评价的核心。

随着GIS技术及人工智能的发展，许多研究者采用这些技术开展了大区域滑坡预测研究。2006和2007年，Nadim等人和Hong等人采用加权线性组合的方法进行全球危险性评价；2010年，Cepeda等人也使用加权线性组合的方法对印度尼西亚地区进行危险性评价；2013年，Liu等采用9个滑坡影响因子(坡度、坡向、曲率等)输入到神经网络算法中，进行中国地区滑坡危险性评价；2014年，Gunther等人考虑坡度、地形、地质和土地覆盖为滑坡影响因子，采用层次分析法进行欧洲地区的危险性评价；Kirschbaum和Stanley等人分别于2016和2017年使用了不同的滑坡影响因子预测了中美洲和加勒比地区滑坡发生的可能性并描绘其危险性评价图。

综上所述，大区域滑坡危险性评价技术已经取得了许多成果，但是这些方法的主要问题是：提取地质、地貌斜坡单元时，采用1×1km²的分辨率提取数据，这显然不符合斜坡单元的地质、地貌特征，评价精确度会不高；如果采用高分辨率提取数据会导致产生数千万甚至更多的栅格单元数据，单一服务器的计算性能无法满足需求的响应速度，因此如何设计有效的方法既能提高大区域滑坡危险性评价的预测精度，同时其计算性能满足实际应用需求具有重大意义。

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论和风险最小化理论的分类算法，具有良好的泛化能力，能够很好地克服维数灾难、非线性以及过拟合等问题，被广泛应用于面部识别、故障分类、文本分类、情感分析、医学诊断等各个领域。但是它的计算复杂度会随着数据量的增长呈指数级增加，且训练速度以及各种算法性能也会严重降低。因此，设计适用于处理大数据的SVM方法才能适用于大区域滑坡危险性评价需求。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种大区域滑坡危险性评价的并行支持向量机分类方法。

为了实现本发明的上述目的，本发明提供了一种大区域滑坡危险性评价的并行支持向量机分类方法，包括以下步骤：

S1，根据样本的分布情况，建立分割平面，迅速筛选无用的数据，获取删减冗余数据后的样本集；

S2，利用IW-BNAW算法对SVM进行参数寻优，获取局部最优参数对和支持向量子集；

S3，参数寻优结束后，通过基于时间反馈TFB的任务调度策略，均衡reduce节点负载，利用reduce合并各个节点上的局部最优参数，求出全局最优参数对，获得全局并行SVM模型；