CN120296571A - 道路边坡稳定性预测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本发明提供的道路边坡稳定性预测方法、装置、存储介质及电子设备，包括：实时采集道路边坡多维度的环境参数，形成原始参数集；基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出关键参数；通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。在本发明中，克服了当前道路边坡稳定性预测方法预测不准确以及数据冗余的缺陷。

Description

道路边坡稳定性预测方法、装置、存储介质及电子设备

技术领域

本发明涉及数据处理的技术领域，特别涉及一种道路边坡稳定性预测方法、装置、存储介质及电子设备。

背景技术

道路边坡稳定性直接关系到道路交通安全与周边区域人员财产安全，及时准确地预测边坡稳定性对于预防滑坡、坍塌等地质灾害具有重要意义。

现有的道路边坡稳定性预测方法主要存在以下不足：在数据处理方面，多简单采用原始监测数据或仅进行常规的滤波、归一化处理，未能充分挖掘多维度环境参数间的潜在关系，难以精准反映参数对边坡稳定性的实际影响。同时，无法有效识别真正影响边坡稳定性的关键因素，造成数据冗余与计算资源浪费。

此外，现有预测模型的阈值设定通常采用固定值或基于经验的简单调整方式，无法适应不同地质条件、气候环境下边坡稳定性的动态变化，容易出现误报或漏报情况。

因此，当前的道路边坡稳定性预测方法具有预测不准确以及数据冗余的缺陷。

发明内容

本发明的主要目的为提供一种道路边坡稳定性预测方法、装置、存储介质及电子设备，旨在克服当前道路边坡稳定性预测方法预测不准确以及数据冗余的缺陷。

为实现上述目的，本发明提供了一种道路边坡稳定性预测方法，包括以下步骤：

实时采集道路边坡多维度的环境参数，形成原始参数集；

基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；

通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；

基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；

将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；

动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。

进一步地，所述环境参数包括地质参数、力学参数、环境参数以及位移参数。

进一步地，对所述关键参数进行加权融合时，基于在时空关联矩阵上的关联程度赋予权重，并通过矩阵点乘运算生成融合参数。

进一步地，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，包括：

计算原始参数集中各参数与边坡稳定性历史数据的灰色关联度，按照灰色关联度大小对各参数进行初步排序，优先对关联度高的参数对进行格兰杰因果检验；

在进行格兰杰因果检验时，基于变点检测算法，识别参数在时间序列中的结构突变点，针对不同的突变区间分别设置格兰杰因果检验的滞后阶数；

基于因果关系强度评估模型，计算各参数对之间的因果关系强度得分；保留因果关系强度得分高于阈值的参数对，构建参数因果网络；

采用Louvain算法对所述参数因果网络进行社区划分，计算每个社区的内聚系数和对边坡稳定性的贡献度；选取贡献度高于设定值的社区中的核心参数，以及跨社区连接的枢纽参数，作为影响边坡稳定性的关键参数。

进一步地，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，包括：

通过三维卷积核对所述原始参数集进行三维卷积，得到特征增强的时空参数集；

采用动态时间窗划分方法，依据参数波动频率自适应调整时间窗长度，对所述时空参数集进行分段，得到多个参数子序列；

对每个所述参数子序列分别执行格兰杰因果检验，并利用注意力机制计算各参数子序列检验结果的权重，加权融合得到综合因果关系矩阵；

基于递归神经网络学习所述综合因果关系矩阵随时间的演变规律，预测未来时段各参数因果影响关系的变化趋势；

基于所述综合因果关系矩阵和变化趋势，构建带时间维度的参数因果网络，计算所述参数因果网络中各节点的时序重要度，选取时序重要度高于预设值的参数，作为影响边坡稳定性的关键参数。

进一步地，通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，包括：

采用卷积神经网络提取所述关键参数在空间维度上的局部特征，并拼接为空间序列特征；

采用长短期记忆网络捕捉所述关键参数在时间维度上的长期依赖特征，并拼接为时间序列特征；

将所述时间序列特征映射为量子态，通过动态时间规整算法，结合量子并行计算多个时间规整路径，评估各时间规整路径的相似性，并筛选出最优匹配路径，得到时间维度相似性矩阵；

基于预先构建的空间相似性评估模型，对所述空间序列特征进行分析，生成空间维度相似性矩阵；

通过张量积运算，将所述时间维度相似性矩阵与空间维度相似性矩阵进行融合，得到所述时空关联矩阵。

进一步地，动态更新所述边坡稳定性预测模型的预警阈值，包括：

基于历史预测数据，利用滑动窗口算法动态更新所述边坡稳定性预测模型的预警阈值。

本发明还提供了一种道路边坡稳定性预测装置，包括：

采集单元，用于实时采集道路边坡多维度的环境参数，形成原始参数集；

筛选单元，用于基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；

关联单元，用于通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；

融合单元，用于基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；

预测单元，用于将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；

预警单元，用于动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本发明还提供一种计算机可读存储介质，其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任一项所述的方法的步骤。

本发明提供的道路边坡稳定性预测方法、装置、存储介质及电子设备，包括：实时采集道路边坡多维度的环境参数，形成原始参数集；基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。在本发明中，通过对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，同时动态更新所述边坡稳定性预测模型的预警阈值；充分挖掘多维度环境参数间的潜在关系，克服了当前道路边坡稳定性预测方法预测不准确以及数据冗余的缺陷。

附图说明

图1是本发明一实施例中道路边坡稳定性预测方法步骤示意图；

图2是本发明一实施例中道路边坡稳定性预测装置结构框图；

图3是本发明一实施例的电子设备的结构示意框图。

本发明的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，本发明一实施例中提供了一种道路边坡稳定性预测方法，包括以下步骤：

步骤S1，实时采集道路边坡多维度的环境参数，形成原始参数集；

步骤S2，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；

步骤S3，通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；

步骤S4，基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；

步骤S5，将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；

步骤S6，动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。

在本实施例中，如上述步骤S1所述的，通过在道路边坡部署各类传感器，如位移传感器、湿度传感器、压力传感器、气象传感器等，实时采集多维度的环境参数。上述环境参数涵盖地质力学参数（如岩土体密度、抗剪强度）、水文参数（地下水位、降雨量）、气象参数（风速、气温）、边坡形态参数（裂缝宽度、坡面倾角）等。多维度数据采集能够全面反映边坡所处的环境状态和自身物理特性，为后续分析提供丰富且准确的数据来源。采集到的数据直接构成原始参数集，该原始参数集包含了大量原始、未经处理的信息，保留了数据的真实性和完整性，但也存在数据冗余、参数间关系复杂等问题，需要后续步骤进一步处理。

如上述步骤S2所述的，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数。此步骤的核心在于挖掘参数间的因果关系，筛选关键参数。格兰杰因果检验算法是一种基于时间序列的统计方法，其原理是通过检验一个变量的历史信息是否能提高对另一个变量的预测精度，来判断两者之间是否存在因果关系。对原始参数集中的每一个参数组合进行格兰杰因果检验，计算出参数间的因果影响程度。根据检验结果，将存在因果关系的参数用边连接起来，构建成参数因果网络。在这个网络中，节点代表各个环境参数，边代表参数间的因果关系，边的权重可反映因果影响的强弱。通过分析网络结构和参数的连接情况，筛选出那些在网络中处于关键位置、对边坡稳定性影响显著的参数，这些关键参数对边坡稳定性的变化起主要作用，后续重点基于这些参数进行分析，能有效减少数据处理量，提高分析效率和预测准确性。

如上述步骤S3所述的，通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，该步骤旨在挖掘关键参数在时空维度上的内在联系。动态时间规整算法原本常用于时间序列数据的相似性度量，通过弯曲时间轴来对齐两个不同长度或速度的时间序列，以计算它们之间的相似性。本方案对其进行拓展应用，同时考虑时间和空间两个维度。在时间维度上，按照时间顺序排列关键参数的监测数据序列，利用动态时间规整算法计算不同参数时间序列的相似程度；在空间维度上，基于边坡监测点的空间位置关系，将参数的空间分布特征纳入计算，比如通过空间距离、拓扑结构等因素调整相似性度量。将时间维度和空间维度的相似性计算结果进行整合，生成一个矩阵，即时空关联矩阵。矩阵中的每个元素代表两个关键参数在时空维度上的相似性，该矩阵全面反映了关键参数在时空上的关联特性，为后续参数融合提供依据。

如上述步骤S4所述的，基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数。此步骤依据时空关联矩阵实现关键参数的融合。时空关联矩阵体现了各关键参数在时空维度上的相互关系，根据矩阵中参数间的相似性程度，为每个关键参数分配相应的权重。相似性高、关联紧密的参数赋予较高权重，表明它们在反映边坡稳定性方面具有重要作用；反之，权重较低。通过加权求和等方式，将各关键参数进行融合，得到融合参数。融合参数整合了关键参数的时空信息，相比原始参数，能更综合、全面地反映边坡的状态，减少信息冗余，增强数据的代表性和有效性，为后续预测模型提供更优质的输入数据。

如上述步骤S5所述的，将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值。本步骤利用已训练好的预测模型对融合参数进行处理以获取预测结果。预先训练好的边坡稳定性预测模型可以是机器学习模型（如神经网络、支持向量机等）或深度学习模型，在模型训练阶段，使用大量包含历史环境参数和对应边坡稳定性状态的样本数据，通过优化算法不断调整模型参数，使模型能够学习到环境参数与边坡稳定性之间的映射关系。将融合参数输入到训练好的模型中，模型根据其学习到的规律对输入数据进行分析和计算，输出一个量化的数值，即边坡稳定性的预测值。该预测值反映了基于当前环境参数下边坡的稳定程度，为边坡稳定性评估提供重要参考。

如上述步骤S6所述的，动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。此步骤实现预测模型的动态优化和预警功能。边坡所处的环境条件复杂多变，固定的预警阈值难以适应不同工况下的边坡稳定性评估需求。因此，根据实时监测数据、历史边坡失稳情况以及地质环境变化等因素，采用动态算法对预测模型的预警阈值进行更新。例如，可利用时间序列分析方法预测未来环境变化趋势，结合历史数据中不同环境条件下边坡失稳的临界值，动态调整预警阈值。当预测值超过动态更新后的预警阈值时，表明边坡处于失稳风险较高的状态，系统立即输出边坡失稳预警信息，提醒相关人员采取相应的防范和处理措施，从而实现对道路边坡稳定性的实时有效监测和预警，保障道路交通安全和周边区域安全。

在本实施例中，通过对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，同时动态更新所述边坡稳定性预测模型的预警阈值；充分挖掘多维度环境参数间的潜在关系，克服了当前道路边坡稳定性预测方法预测不准确以及数据冗余的缺陷。

在一实施例中，所述环境参数包括地质参数、力学参数、环境参数以及位移参数。

在本实施例中，地质参数是反映道路边坡地质结构和组成特性的关键数据。它涵盖岩土类型、岩层厚度、地质构造（如断层、褶皱的位置与特征）等信息。岩土类型决定了边坡的基本物理性质，例如黏土、砂土、岩石等不同岩土的抗剪强度、渗透性存在显著差异，直接影响边坡的稳定性 。岩层厚度和地质构造则揭示了边坡的地质历史和潜在薄弱环节，断层附近岩体完整性差，易成为滑动面，褶皱的形态和走向也会改变应力分布。准确获取这些地质参数，能为后续分析边坡的稳定性提供基础地质背景，帮助判断边坡的先天稳定性条件。

力学参数用于描述边坡岩土体的力学行为和承载能力。主要包括岩土体的密度、弹性模量、泊松比、黏聚力、内摩擦角等。岩土体密度影响自身重力，进而影响下滑力大小；弹性模量和泊松比反映材料在受力时的变形特性；黏聚力和内摩擦角是衡量岩土抗剪强度的关键指标，决定了边坡抵抗剪切破坏的能力。通过监测和分析这些力学参数，可以建立边坡的力学模型，模拟其在不同荷载和环境条件下的受力状态，预测边坡是否会发生变形或失稳，是进行稳定性定量分析的重要依据。

环境参数侧重于外部环境因素，主要包含气象条件（如降雨量、降雨强度、气温、风速、日照时长等）和水文条件（地下水位、地表径流、孔隙水压力等）。降雨量和降雨强度直接影响岩土体的含水量，使岩土体饱和软化，降低抗剪强度，增加下滑力，是引发边坡失稳的常见诱因 。气温变化会导致岩土体热胀冷缩，长期作用下可能产生裂缝，破坏边坡结构。地下水位上升会增加孔隙水压力，减小有效应力，降低边坡稳定性；地表径流的冲刷作用会侵蚀边坡坡面，改变边坡形态。这些环境参数的实时变化会不断改变边坡的受力和物理状态，因此持续监测并纳入分析，能更准确地反映边坡在实际环境中的稳定性动态。

位移参数是边坡稳定性变化最直观的体现，通过位移传感器实时监测边坡表面或内部的位移情况，包括水平位移、垂直位移、位移速率等数据。微小的位移变化可能是边坡失稳的前兆，持续的位移增长趋势更是直接表明边坡稳定性在下降。通过对位移参数的监测和分析，可以及时捕捉边坡的变形迹象，结合其他参数判断变形的原因和发展趋势。例如，当位移速率突然增大，同时伴随着地下水位上升和降雨量增加时，可快速评估边坡处于高风险状态，为及时发出预警提供关键信息 。位移参数的动态变化是判断边坡稳定性的重要依据，在整个预测过程中起到直观且关键的指示作用。

在一实施例中，对所述关键参数进行加权融合时，基于在时空关联矩阵上的关联程度赋予权重，并通过矩阵点乘运算生成融合参数。

在本实施例中，时空关联矩阵中每个元素的值代表了对应两个关键参数在时间和空间维度上的相似程度或关联紧密性。关联程度越高，意味着这两个参数在反映边坡稳定性状态时的协同作用越强，对边坡稳定性变化的影响越显著，因此应赋予更高的权重；反之，关联程度低的参数对边坡稳定性的协同影响较小，权重相应降低。这种基于关联程度的权重分配方式，能够充分挖掘参数间的潜在联系，使权重设置更符合边坡实际的物理机制和数据特征。

在本实施例中，首先，将时空关联矩阵按行或列进行处理（通常按列处理，每一列对应一个关键参数），对每列元素进行归一化操作，确保权重之和为1，从而得到每个关键参数对应的权重向量。该权重向量体现了其他参数与该关键参数在时空维度上的关联程度对其重要性的影响。然后，将各个关键参数组成的矩阵（每个关键参数作为矩阵的一列，按时间序列或空间位置排列）与上述权重向量进行矩阵点乘运算。矩阵点乘运算时，权重向量的每个元素与对应关键参数矩阵列的元素一一相乘，实现对每个关键参数在不同时刻或空间位置上的数据进行加权。最后，将加权后的各列数据相加，得到最终的融合参数。这一过程通过数学运算将各关键参数在时空维度上的信息，按照其关联紧密程度进行了有机整合。

上述基于时空关联矩阵的加权融合方式，能够有效突出对边坡稳定性影响较大且相互关联紧密的参数的作用，同时降低关联度低、影响较小的参数干扰。生成的融合参数不仅包含了各关键参数的原始信息，还融入了参数间的时空关联特性，相比简单的参数叠加或平均处理，更能全面、准确地反映边坡的实际状态。融合参数作为后续边坡稳定性预测模型的输入，能够显著提升模型对边坡稳定性变化的敏感度和预测精度，使预测结果更贴合实际情况，为边坡失稳预警提供更可靠的依据。

在一实施例中，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，包括：

计算原始参数集中各参数与边坡稳定性历史数据的灰色关联度，按照灰色关联度大小对各参数进行初步排序，优先对关联度高的参数对进行格兰杰因果检验；

在进行格兰杰因果检验时，基于变点检测算法，识别参数在时间序列中的结构突变点，针对不同的突变区间分别设置格兰杰因果检验的滞后阶数；

基于因果关系强度评估模型，计算各参数对之间的因果关系强度得分；保留因果关系强度得分高于阈值的参数对，构建参数因果网络；

采用Louvain算法对所述参数因果网络进行社区划分，计算每个社区的内聚系数和对边坡稳定性的贡献度；选取贡献度高于设定值的社区中的核心参数，以及跨社区连接的枢纽参数，作为影响边坡稳定性的关键参数。

在本实施例中，首先通过灰色关联度分析，对原始参数集中的参数进行初步筛选，缩小格兰杰因果检验的范围，提高分析效率。灰色关联度分析是一种多因素统计分析方法，它通过计算数据序列曲线几何形状的相似程度，来判断因素之间关联程度的大小。在本实施例中，将原始参数集中的每个参数视为一个因素，边坡稳定性历史数据作为参考序列，计算各参数序列与参考序列之间的灰色关联度。关联度数值越大，表明该参数与边坡稳定性的变化趋势越相似，其对边坡稳定性的潜在影响也就越大。按照灰色关联度从大到小对各参数进行排序后，优先选取关联度高的参数对进行格兰杰因果检验。这是因为关联度高的参数更有可能与边坡稳定性存在因果关系，优先对其检验能够聚焦关键因素，减少不必要的计算量，在保证分析准确性的同时，显著提升分析效率。

在进行格兰杰因果检验时，针对时间序列数据的动态变化特性，对格兰杰因果检验进行优化。变点检测算法能够识别时间序列中数据特征发生显著变化的点，即结构突变点。在边坡稳定性研究中，由于地质活动、气象条件等因素的影响，参数的时间序列可能存在多个突变点，不同区间内数据的变化规律和相互关系可能不同。基于变点检测算法确定这些突变点后，将时间序列划分为多个突变区间。对于每个区间，根据数据的波动特性和变化规律，分别设置合适的格兰杰因果检验滞后阶数。滞后阶数反映了一个变量的历史信息对另一个变量当前值的影响时长，不同突变区间的数据需要不同的滞后阶数才能准确捕捉因果关系。通过这种方式，使格兰杰因果检验能够更好地适应数据的动态变化，提高因果关系判断的准确性，避免因固定滞后阶数导致的误判或漏判。

进而，通过构建因果关系强度评估模型，量化各参数对之间的因果关系强度，进而筛选出显著的因果关系来构建参数因果网络。因果关系强度评估模型综合考虑格兰杰因果检验得到的统计量（如F统计量、P值）、参数自身的波动幅度、样本数量等因素，通过特定的计算公式对每个参数对的因果关系强度进行打分。F统计量和P值反映了因果关系的显著性水平，波动幅度体现了参数变化对其他参数的影响程度，样本数量则影响结果的可靠性。得分越高，表明参数对之间的因果关系越强。设定一个合理的阈值，将得分高于阈值的参数对保留下来，这些参数对构成了参数因果网络的边。以各参数为节点，保留的参数对为边，构建起参数因果网络。该网络直观地展示了参数之间的因果关联，通过去除强度较弱的因果关系，使网络更加简洁清晰，突出了关键的因果联系。

最后，利用Louvain算法对参数因果网络进行深度分析，筛选出真正影响边坡稳定性的关键参数。Louvain算法是一种高效的图社区划分算法，能够将参数因果网络划分为多个紧密相连的社区，每个社区内的参数具有较强的内部关联性。计算每个社区的内聚系数，该系数衡量了社区内部节点之间连接的紧密程度；同时，结合边坡稳定性历史数据和网络结构，评估每个社区对边坡稳定性的贡献度，贡献度越高，说明该社区内的参数对边坡稳定性的影响越大。从贡献度高于设定值的社区中选取核心参数，这些核心参数在社区内起到关键作用，与其他参数的因果关联紧密；此外，选取跨社区连接的枢纽参数，这些参数是不同社区之间信息传递的关键节点，对整个网络的连通性和边坡稳定性的影响至关重要。通过这种方式，全面考虑了参数在网络中的局部作用和全局影响，筛选出的关键参数能够更准确地反映影响边坡稳定性的核心因素。

在一实施例中，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，包括：

通过三维卷积核对所述原始参数集进行三维卷积，得到特征增强的时空参数集；

采用动态时间窗划分方法，依据参数波动频率自适应调整时间窗长度，对所述时空参数集进行分段，得到多个参数子序列；

对每个所述参数子序列分别执行格兰杰因果检验，并利用注意力机制计算各参数子序列检验结果的权重，加权融合得到综合因果关系矩阵；

基于递归神经网络学习所述综合因果关系矩阵随时间的演变规律，预测未来时段各参数因果影响关系的变化趋势；

基于所述综合因果关系矩阵和变化趋势，构建带时间维度的参数因果网络，计算所述参数因果网络中各节点的时序重要度，选取时序重要度高于预设值的参数，作为影响边坡稳定性的关键参数。

在本实施例中，首先，利用三维卷积操作对原始参数集进行特征提取与增强。三维卷积核能够同时在时间、空间两个维度以及参数通道维度上对数据进行处理，相较于传统的二维卷积，其可以更好地捕捉参数在时空维度上的局部特征以及不同参数之间的关联特征。在处理原始参数集时，将参数按照时间序列、空间位置以及参数类型进行三维排列，三维卷积核在该数据体上滑动，通过卷积运算提取出参数在时空局部区域内的特征信息。例如，在边坡监测场景中，能够有效提取出某一时间段内、某一局部空间区域中不同类型参数（如位移、湿度、压力参数）之间的协同变化特征。经过三维卷积后，得到的特征增强的时空参数集不仅保留了原始参数的基本信息，还强化了参数的时空特征表达，为后续的因果关系分析提供更具代表性的数据基础，有助于更准确地挖掘参数间的因果联系。

进而，针对参数时间序列的动态变化特性，采用动态时间窗划分策略。不同参数在不同时间段内的波动频率存在差异，例如降雨等气象参数在雨季波动频率高，而地质结构相关参数在正常情况下波动频率较低。传统固定时间窗划分方式难以适应这种变化，会导致数据特征提取不充分或信息冗余。动态时间窗划分方法通过分析参数的波动频率，实时自适应地调整时间窗长度。具体实现时，可利用滑动窗口计算参数在一定时间范围内的波动统计量（如标准差、方差），当波动统计量超过设定阈值时，缩短时间窗长度以捕捉快速变化的特征；当波动平稳时，适当延长时间窗长度以获取更全面的趋势信息。通过这种方式，将特征增强的时空参数集划分为多个参数子序列，每个子序列内的参数数据具有相似的波动特性，使得后续对每个子序列进行格兰杰因果检验时，能够更精准地分析在特定波动状态下参数间的因果关系，提高因果关系判断的准确性。

然后，在参数子序列基础上进行格兰杰因果检验，并引入注意力机制优化结果融合。对每个参数子序列独立执行格兰杰因果检验，能够分析在特定波动状态下参数间的因果影响关系，相较于对整个时间序列进行检验，更能捕捉参数间因果关系的动态变化。然而，不同参数子序列由于数据特性、波动情况等不同，其检验结果对整体因果关系判断的重要程度也不同。注意力机制通过学习不同参数子序列的特征，为每个子序列的检验结果分配相应的权重。例如，对于包含边坡失稳前兆数据的子序列，其检验结果对判断边坡稳定性的因果关系更为关键，会被赋予较高权重；而包含正常波动数据的子序列，权重相对较低。根据计算得到的权重，对各参数子序列的格兰杰因果检验结果进行加权融合，将其整合为一个综合因果关系矩阵。该矩阵综合考虑了不同波动状态下参数间的因果关系，更全面地反映了参数间的因果关联特性，为后续分析提供了更丰富准确的信息。

进而，利用递归神经网络（RNN）对综合因果关系矩阵的时间动态特性进行建模与预测。RNN具有记忆功能，能够处理具有时间序列特性的数据，通过隐藏层的循环连接，可以学习到数据在时间维度上的依赖关系。将综合因果关系矩阵按时间顺序输入RNN，网络通过不断更新隐藏层状态，学习到各参数因果影响关系随时间的演变规律。例如，在学习过程中，RNN可以捕捉到随着降雨持续，降雨量参数与边坡位移参数之间因果关系逐渐增强的变化趋势。基于学习到的演变规律，RNN可以对未来时段各参数因果影响关系的变化趋势进行预测，得到未来不同时间点的因果关系预测矩阵。这种预测能力使得系统不仅能够分析当前参数间的因果关系，还能提前预判未来因果关系的变化，为边坡稳定性的前瞻性分析和预警提供有力支持 。

最后，通过构建参数因果网络并分析节点重要度，筛选出关键参数。结合综合因果关系矩阵和预测得到的因果关系变化趋势，以参数为节点、因果关系为边，构建带时间维度的参数因果网络。该网络不仅展示了参数间当前的因果关系，还体现了因果关系随时间的变化情况，能够更真实地反映边坡系统中参数间的动态关联。在参数因果网络中，计算各节点（即参数）的时序重要度，时序重要度综合考虑了参数在不同时间点的因果关系强度、对其他参数的影响程度以及在因果关系演变过程中的关键程度等因素。例如，在边坡失稳过程中，那些因果关系强度持续增强且对其他关键参数产生重要影响的参数，其时序重要度会较高。设定一个预设值，选取时序重要度高于该预设值的参数作为影响边坡稳定性的关键参数。这些关键参数在边坡稳定性变化过程中起到主导作用，通过聚焦这些参数，能够更精准地分析和预测边坡稳定性，为边坡监测与预警提供核心依据。

在一实施例中，通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，包括：

采用卷积神经网络提取所述关键参数在空间维度上的局部特征，并拼接为空间序列特征；

采用长短期记忆网络捕捉所述关键参数在时间维度上的长期依赖特征，并拼接为时间序列特征；

将所述时间序列特征映射为量子态，通过动态时间规整算法，结合量子并行计算多个时间规整路径，评估各时间规整路径的相似性，并筛选出最优匹配路径，得到时间维度相似性矩阵；

基于预先构建的空间相似性评估模型，对所述空间序列特征进行分析，生成空间维度相似性矩阵；

通过张量积运算，将所述时间维度相似性矩阵与空间维度相似性矩阵进行融合，得到所述时空关联矩阵。

在本实施例中，首先，在道路边坡稳定性预测中，关键参数采集自不同的传感器，其原始数据在量纲、数值范围和采样频率等方面存在差异。例如，位移参数的单位可能是毫米，而压力参数的单位是帕斯卡，两者数值量级相差巨大；同时，不同传感器的采样频率也可能不一致。时空维度标准化处理，在时间维度上，通过线性变换或插值等方法，将各关键参数的时间序列统一为相同的采样频率和时间基准，保证时间尺度的一致性；在空间维度上，依据地理坐标系统，将不同位置监测点的参数数据转换到统一的空间坐标系下，并对空间坐标值进行归一化处理，消除空间尺度差异。经过标准化后，形成标准化时空参数集，使得各关键参数在时空维度上具有可比性，避免因量纲和尺度问题对相似性计算结果产生干扰。

进而，借助卷积神经网络（CNN）强大的局部特征提取能力，挖掘关键参数在空间维度上的特征信息。CNN的卷积层通过卷积核在数据上滑动进行卷积运算，能够自动提取数据的局部特征。在处理关键参数的空间数据时，将标准化时空参数集中的空间维度数据（如不同监测点的参数值）组织成二维或三维数据结构，作为CNN的输入。卷积核在该数据结构上滑动，提取出相邻监测点参数间的局部关联特征，例如边坡某一区域内位移、湿度等参数的协同变化特征。经过多层卷积、池化等操作后，进一步压缩数据维度并强化特征表达，最终将提取到的局部特征按照空间位置顺序进行拼接，形成空间序列特征。这种空间序列特征不仅保留了各监测点参数的原始信息，还突出了参数在空间上的局部关联特性，为后续计算空间维度相似性提供了更具代表性的特征数据。

进一步地，利用长短期记忆网络（LSTM）解决时间序列数据中的长期依赖问题，获取关键参数在时间维度上的动态变化特征。LSTM是一种特殊的递归神经网络，通过门控机制（输入门、遗忘门和输出门）能够有效处理和记忆长时间序列中的信息，避免梯度消失或爆炸问题。将标准化时空参数集中的时间序列数据输入LSTM，LSTM在处理每个时间步的数据时，根据门控机制选择性地保留或遗忘历史信息，从而捕捉到参数在时间维度上的长期依赖关系。例如，在分析边坡位移随时间的变化时，LSTM可以记住前期位移的变化趋势，并结合当前数据，判断位移变化是否存在加速或减速等长期趋势。随着时间步的推进，LSTM输出每个时间步对应的隐藏状态，将这些隐藏状态按照时间顺序进行拼接，形成时间序列特征。该时间序列特征蕴含了关键参数在时间维度上的长期演变规律和动态变化信息，为后续时间维度相似性计算提供了关键的特征表示。

然后，将量子计算与动态时间规整算法相结合，提升时间维度相似性计算的效率和准确性。首先，将LSTM输出的时间序列特征映射为量子态，利用量子态的叠加和纠缠特性，实现对多个时间规整路径的并行计算。传统动态时间规整算法在计算两个时间序列相似性时，需要遍历所有可能的时间对齐路径，计算复杂度较高。而基于量子并行计算，能够同时评估多个时间规整路径，大大提高计算效率。在计算过程中，通过设计合适的量子门操作和测量方法，对每个时间规整路径对应的量子态进行计算，得到各路径下两个时间序列的相似性度量值。然后，根据这些相似性度量值筛选出相似性最高的最优匹配路径，该路径对应的相似性值作为两个时间序列在时间维度上的相似性得分。对所有关键参数的时间序列两两进行上述计算，得到时间维度相似性矩阵，矩阵中的每个元素表示对应两个关键参数时间序列的相似程度，为全面分析参数在时间维度上的关联关系提供量化依据。

进而，依赖预先构建的空间相似性评估模型，对关键参数的空间序列特征进行深入分析。空间相似性评估模型可以基于机器学习算法（如支持向量机、随机森林等）或深度学习算法（如图神经网络）构建，其训练数据来源于边坡历史监测数据以及相关地质、地理信息。模型的输入为通过CNN提取并拼接得到的空间序列特征，输出为各关键参数在空间维度上的相似性得分。模型在训练过程中，学习不同空间位置下各参数特征与相似性之间的映射关系，例如考虑监测点的地理距离、地质条件相似性以及参数值差异等因素，建立空间相似性评估的规则或模型参数。当输入新的空间序列特征时，模型根据已学习到的知识，计算出各关键参数之间的空间相似性得分，将这些得分按照参数对应关系组织成矩阵形式，生成空间维度相似性矩阵。该矩阵反映了关键参数在空间维度上的关联程度，为分析边坡不同位置参数间的相互关系提供了重要参考。

最后，通过张量积运算实现时间和空间维度相似性信息的有机融合。张量积是一种数学运算，能够将两个矩阵的信息进行组合，生成一个新的张量（在二维矩阵情况下，融合结果仍为矩阵）。时间维度相似性矩阵描述了关键参数在时间序列上的相似关系，空间维度相似性矩阵描述了参数在空间位置上的相似关系，而时空关联矩阵需要同时反映参数在时空两个维度的综合关联特性。将时间维度相似性矩阵和空间维度相似性矩阵作为张量积运算的操作数，进行张量积运算。运算过程中，根据矩阵元素的对应关系进行计算，使得融合后的矩阵元素既包含了时间维度相似性信息，又包含了空间维度相似性信息。最终得到的时空关联矩阵全面刻画了各关键参数在时间和空间维度上的相互关联关系，为后续基于时空关联信息的参数加权融合、边坡稳定性预测等提供了核心数据支持，有助于更准确地把握边坡稳定性变化的时空规律。

在一实施例中，动态更新所述边坡稳定性预测模型的预警阈值，包括：

基于历史预测数据，利用滑动窗口算法动态更新所述边坡稳定性预测模型的预警阈值。

在本实施例中，通过引入滑动窗口算法，基于历史预测数据实现边坡稳定性预测模型预警阈值的动态调整，以适应边坡环境的复杂变化。滑动窗口算法的核心在于将历史预测数据按照一定时间顺序进行划分，形成连续且有重叠的窗口数据集合。在本方案中，窗口大小可根据实际需求设定，例如选取包含最近N个预测数据的窗口。随着时间推移，窗口以固定步长向后滑动，每滑动一次，就基于当前窗口内的数据对预警阈值进行更新，使得模型能够不断适应新的数据特征和边坡状态变化。

具体操作时，首先收集并整理历史预测数据，上述数据包含了过往对边坡稳定性的预测值以及对应的实际边坡状态信息（如是否发生失稳、失稳程度等）。以滑动窗口为单位，对窗口内的数据进行分析，提取关键统计特征，如预测值的均值、标准差、最大值、最小值等。这些统计特征反映了该时间段内边坡稳定性预测值的分布和波动情况。例如，若窗口内预测值标准差较大，说明边坡稳定性在该时段内波动剧烈，原有的预警阈值可能不再适用。

基于窗口数据的统计特征，结合边坡实际工况和历史失稳案例，采用合适的计算方法更新预警阈值。一种可行的方式是，根据预测值的均值和标准差，设定预警阈值为均值加上k倍标准差（k为根据风险偏好和历史经验确定的系数）。当窗口滑动到新的时间段，随着数据的更新，窗口内数据的统计特征也会发生变化，进而使得计算出的预警阈值相应调整。例如，在雨季时，边坡稳定性受降雨影响波动增大，通过滑动窗口算法，利用该时段内包含更多降雨影响下的预测数据，计算得到的预警阈值会根据实际波动情况降低，以更灵敏地捕捉边坡失稳风险。利用滑动窗口算法动态更新预警阈值具有显著优势。一方面，相较于固定阈值，该方法能够实时反映边坡稳定性预测值的动态变化趋势，避免因环境变化导致的误报或漏报问题。例如，在地质条件复杂或气候变化频繁的区域，固定阈值难以适应多变的情况，而动态更新的阈值能根据实际数据灵活调整。另一方面，通过对历史预测数据的分段分析，有效过滤了短期数据波动带来的干扰，使得预警阈值的调整更具科学性和可靠性，从而为边坡稳定性的准确评估和及时预警提供有力保障，更好地服务于道路安全维护和灾害预防工作。

在一实施例中，输出边坡失稳预警信息之后，包括：

将所述边坡失稳预警信息编译为字符流信息；

按照预设规则对所述字符流信息进行分组，得到多个字符组合；每个字符组合中包括1个或2个字符；

获取预设的图结构模板，并将各个字符组合依序添加在图结构模板的各个节点上，生成字符组合图结构；其中，各个节点具有对应的序号；

依序检测所述字符组合图结构中各个节点中的字符组合是否与其之前的节点产生重复，若重复，则进行去重，并将去重的节点作为目标节点；

依序连接各个目标节点，生成曲线；基于所述曲线与各个节点的位置关系，对各个节点上的字符组合进行重新排序，得到字符组合序列；

获取编码表；所述编码表中包括一一映射的原数据列以及编码数据列；

将所述字符组合序列中的字符组合依序替换至编码表的编码数据列中，直至字符组合全部替换至编码表中，或者编码数据列被全部替换，得到替换编码表；

基于所述替换编码表对原始参数集进行编码，得到编码数据，并发送至管理终端。

在本实施例中，边坡失稳预警信息包含多种类型的数据，如边坡位移数值、地质参数变化情况、气象条件等，将这些不同格式的数据统一转换为字符流形式，便于后续的处理和分析。采用特定的编码方式（如UTF-8 编码）将预警信息中的各种数据元素转化为字符序列，形成连续的字符流信息。例如，将位移数值“10.5”转换为字符“1”“0”“5”，将地质参数“砂岩”转换为对应的字符组合，整合所有数据的字符表示，得到完整的字符流信息。

进而，对字符流信息进行分组，将其划分为较小的字符组合，有助于更细致地处理和分析数据，同时限制每个组合的字符数量（1个或2个字符），可以使分组更加规范和有序。根据预设的分组规则，从字符流的起始位置开始，依次选取1个或2个字符作为一个字符组合。例如，字符流为“ABCD”，按照规则可以得到字符组合“A”“BC”“D”。将字符流信息进行合理划分，为后续生成图结构和进一步处理提供基本的数据单元，使数据结构更加清晰，便于进行各种分析和操作。

进而，利用预设的图结构模板，将字符组合与图的节点进行关联，构建字符组合图结构，通过节点序号来明确字符组合的位置和顺序，有助于从图的角度对字符组合进行分析和处理。首先获取预先设定的图结构模板，该模板定义了节点的数量、连接关系等信息。然后，按照字符组合的顺序，将每个字符组合添加到图结构模板的相应节点上。若节点数量多于字符组合数量，剩余节点保持为空或根据特定规则填充。每个节点被赋予唯一的序号，用于标识其在图结构中的位置。将字符组合以图结构的形式呈现，便于分析字符组合之间的关联和顺序，为后续的去重和重新排序操作提供直观的结构框架，同时节点序号为数据处理提供了明确的索引。

在字符组合图结构中，检测并去除重复的字符组合，能够减少数据冗余，使字符组合序列更加简洁和准确，突出数据的独特性和有效性。从图结构的第一个节点开始，依序比较当前节点的字符组合与之前所有节点（根据节点序号排列确定在前的节点）的字符组合。若发现重复（即字符组合的内容完全相同），则删除当前节点，保留不重复的节点，被去重的节点则作为目标节点。例如，图结构中前三个节点的字符组合分别为“A”“BC”“A”，检测到第三个节点的字符组合“A”与第一个节点重复，将第三个节点进行去重，并作为目标节点。

在本实施例这，去除重复的字符组合，优化字符组合图结构，使后续的处理基于更精炼的数据，提高数据处理的效率和结果的准确性，避免因重复数据导致的错误或冗余分析。

进而，通过连接目标节点生成曲线，利用曲线与节点的位置关系对字符组合进行重新排序，能够挖掘字符组合之间潜在的顺序关系，使字符组合序列更符合某种逻辑或规律，为后续的数据编码提供更合理的顺序。具体地，将去重的目标节点按照其在图结构中的位置依序连接，形成一条曲线。根据曲线的走向和各个节点在曲线上的位置，重新确定字符组合的顺序。例如，曲线从左到右依次经过目标节点，根据节点在曲线上的先后顺序，对节点上的字符组合进行调整，得到新的字符组合序列。可以通过计算节点在曲线上的坐标或距离等方式来确定其位置关系，进而进行排序。重新排列字符组合，使字符组合序列更具独特性与唯一性，为基于编码表的编码操作提供更合适的数据顺序。

编码表作为数据编码的依据，通过原数据列和编码数据列的一一映射关系，将字符组合转换为特定的编码形式，实现数据的加密或规范化表示，便于数据的传输和存储。获取预先制定的编码表，该编码表包含两列，一列是原数据列，用于存储原始的字符组合或其他相关数据；另一列是编码数据列，存储与原数据列对应的编码值。例如，编码表中规定原数据“12”对应编码数据“AB”，明确了原数据与编码数据之间的映射关系。为数据编码提供具体的规则和依据，使字符组合能够按照特定的映射关系进行转换，实现数据的有效编码，保障数据在传输过程中的安全性和规范性，同时便于管理终端对数据进行解码和分析。

最后，将字符组合序列中的字符组合与编码表中的编码数据列进行匹配，用字符组合替换编码数据列中的对应内容，生成独特的替换编码表，为后续的数据发送做准备。从字符组合序列的第一个字符组合开始，将字符组合替换编码数据列中的第一个编码数据。重复此过程，依次处理字符组合序列中的每个字符组合，直到字符组合全部替换至编码表中，或者编码数据列被全部替换，得到替换编码表。

进而，利用替换编码表对原始参数集进行编码，将原始参数转换为与替换编码表对应的编码数据，实现数据的规范化和加密处理，确保数据在传输过程中的安全性和有效性，便于管理终端进行接收和分析。

根据替换编码表中字符组合与原数据的映射关系，对原始参数集中的各个参数进行编码。例如，原始参数集包含参数“12”和“4”，按照替换编码表的映射规则，将“12”编码为对应的编码值，将“4”编码为相应的值，得到编码数据。然后，通过特定的通信协议和通道，将编码数据发送至管理终端，确保数据传输的准确性和可靠性。对原始参数集进行编码并发送，实现数据从发送端到管理终端的安全传输，管理终端可以根据编码表对接收的编码数据进行解码，还原原始参数集，从而进行进一步的分析和决策，通过上述改良的编码表，可以使得原始参数集在发送过程中具有更强的安全性，避免数据泄露。同时，上述替换编码表的生成与边坡失稳预警信息紧密关联，增强了复用性以及可追溯性。

参照图2，本发明另一实施例中还提供了一种道路边坡稳定性预测装置，包括：

采集单元，用于实时采集道路边坡多维度的环境参数，形成原始参数集；

筛选单元，用于基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；

关联单元，用于通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；

融合单元，用于基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；

预测单元，用于将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；

预警单元，用于动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。

在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。

参照图3，本发明实施例中还提供一种电子设备，该电子设备可以是服务器，其内部结构可以如图3所示。该电子设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储本实施例中对应的数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的电子设备的限定。

本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。

综上所述，为本发明实施例中提供的道路边坡稳定性预测方法、装置、存储介质及电子设备，包括：实时采集道路边坡多维度的环境参数，形成原始参数集；基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。在本发明中，通过对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，同时动态更新所述边坡稳定性预测模型的预警阈值；充分挖掘多维度环境参数间的潜在关系，克服了当前道路边坡稳定性预测方法预测不准确以及数据冗余的缺陷。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种道路边坡稳定性预测方法，其特征在于，包括以下步骤：

实时采集道路边坡多维度的环境参数，形成原始参数集；

基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；

通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；

基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；

将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；

动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。

2.根据权利要求1所述的道路边坡稳定性预测方法，其特征在于，所述环境参数包括地质参数、力学参数、环境参数以及位移参数。

3.根据权利要求1所述的道路边坡稳定性预测方法，其特征在于，对所述关键参数进行加权融合时，基于在时空关联矩阵上的关联程度赋予权重，并通过矩阵点乘运算生成融合参数。

4.根据权利要求1所述的道路边坡稳定性预测方法，其特征在于，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，包括：

计算原始参数集中各参数与边坡稳定性历史数据的灰色关联度，按照灰色关联度大小对各参数进行初步排序，优先对关联度高的参数对进行格兰杰因果检验；

在进行格兰杰因果检验时，基于变点检测算法，识别参数在时间序列中的结构突变点，针对不同的突变区间分别设置格兰杰因果检验的滞后阶数；

基于因果关系强度评估模型，计算各参数对之间的因果关系强度得分；保留因果关系强度得分高于阈值的参数对，构建参数因果网络；

采用Louvain算法对所述参数因果网络进行社区划分，计算每个社区的内聚系数和对边坡稳定性的贡献度；选取贡献度高于设定值的社区中的核心参数，以及跨社区连接的枢纽参数，作为影响边坡稳定性的关键参数。

5.根据权利要求1所述的道路边坡稳定性预测方法，其特征在于，基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数，包括：

通过三维卷积核对所述原始参数集进行三维卷积，得到特征增强的时空参数集；

采用动态时间窗划分方法，依据参数波动频率自适应调整时间窗长度，对所述时空参数集进行分段，得到多个参数子序列；

对每个所述参数子序列分别执行格兰杰因果检验，并利用注意力机制计算各参数子序列检验结果的权重，加权融合得到综合因果关系矩阵；

基于递归神经网络学习所述综合因果关系矩阵随时间的演变规律，预测未来时段各参数的因果影响关系的变化趋势；

基于所述综合因果关系矩阵和变化趋势，构建带时间维度的参数因果网络，计算所述参数因果网络中各节点的时序重要度，选取时序重要度高于预设值的参数，作为影响边坡稳定性的关键参数。

6.根据权利要求1所述的道路边坡稳定性预测方法，其特征在于，通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵，包括：

采用卷积神经网络提取所述关键参数在空间维度上的局部特征，并拼接为空间序列特征；

采用长短期记忆网络捕捉所述关键参数在时间维度上的长期依赖特征，并拼接为时间序列特征；

将所述时间序列特征映射为量子态，通过动态时间规整算法，结合量子并行计算多个时间规整路径，评估各时间规整路径的相似性，并筛选出最优匹配路径，得到时间维度相似性矩阵；

基于预先构建的空间相似性评估模型，对所述空间序列特征进行分析，生成空间维度相似性矩阵；

通过张量积运算，将所述时间维度相似性矩阵与空间维度相似性矩阵进行融合，得到所述时空关联矩阵。

7.根据权利要求1所述的道路边坡稳定性预测方法，其特征在于，动态更新所述边坡稳定性预测模型的预警阈值，包括：

基于历史预测数据，利用滑动窗口算法动态更新所述边坡稳定性预测模型的预警阈值。

8.一种道路边坡稳定性预测装置，其特征在于，包括：

采集单元，用于实时采集道路边坡多维度的环境参数，形成原始参数集；

筛选单元，用于基于格兰杰因果检验算法，对所述原始参数集进行分析，确定各参数间的因果影响关系，构建参数因果网络，筛选出影响边坡稳定性的关键参数；

关联单元，用于通过动态时间规整算法，计算各所述关键参数在时间和空间维度上的相似性，生成时空关联矩阵；

融合单元，用于基于所述时空关联矩阵，对所述关键参数进行加权融合，得到融合参数；

预测单元，用于将所述融合参数输入预先训练好的边坡稳定性预测模型中，得到边坡稳定性的预测值；

预警单元，用于动态更新所述边坡稳定性预测模型的预警阈值，当所述预测值超过动态更新后的预警阈值时，输出边坡失稳预警信息。

9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。