权利要求
1.一种矿山地表沉降形变预测方法，其特征在于，所述矿山地表沉降形变预测方法包括：
根据所述历史时间段的监测数据计算历史时间段的相对位移数据;相对位移数据为南北向、东西向或垂直向的相对位移;
利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法;
将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;所述最佳预测模型为基于粒子群优化的BP神经网络预测模型。
2.根据权利要求1所述的矿山地表沉降形变预测方法，其特征在于，所述历史时间段的监测数据由北斗导航卫星系统监测得到。
3.根据权利要求1所述的矿山地表沉降形变预测方法，其特征在于，所述矿山地表沉降形变预测方法还包括：
将相对位移数据分别输入基于粒子群优化的BP神经网络预测模型、长短期记忆算法和差分整合移动平均自回归模型，得到第一预测数据、第二预测数据和第三预测数据;
将相对位移数据的标签数据分别与第一预测数据、第二预测数据和第三预测数据进行均方根误差和平均绝对误差计算，得到第一误差计算结果、第二误差计算结果和第三误差计算结果;
根据第一误差计算结果、第二误差计算结果和第三误差计算结果确定最佳预测模型;
根据所述最佳预测模型确定最佳训练集和最佳预测集;历史时间段的时间与最佳训练集中相对位移数据的时间相同;未来时间段的时间与最佳预测集中地表沉降形变预测数据的时间相同。
4.根据权利要求3所述的矿山地表沉降形变预测方法，其特征在于，根据第一误差计算结果、第二误差计算结果和第三误差计算结果确定最佳预测模型，具体包括：
将值最小的误差计算结果对应的预测模型作为最佳预测模型。
5.根据权利要求3所述的矿山地表沉降形变预测方法，其特征在于，所述矿山地表沉降形变预测方法还包括：
分别利用L2正则化方法、小波算法和奇异谱分析方法，对相对位移数据进行处理，得到第一降噪数据、第二降噪数据和第三降噪数据;
将目标降噪数据分别输入基于粒子群优化的BP神经网络预测模型、长短期记忆算法和差分整合移动平均自回归模型，得到所述目标降噪数据对应的第四预测数据、第五预测数据和第六预测数据;所述目标降噪数据为第一降噪数据、第二降噪数据或第三降噪数据;
将目标降噪数据的标签数据分别与所述目标降噪数据对应的第四预测数据、第五预测数据和第六预测数据进行均方根误差和平均绝对误差计算，得到所述目标降噪数据对应的第四误差计算结果、第五误差计算结果和第六误差计算结果;
根据所有所述目标降噪数据对应的第四误差计算结果、第五误差计算结果和第六误差计算结果确定最终组合预测模型;最终组合预测模型由最佳降噪算法和最佳预测模型组合得到;降噪算法包括L2正则化方法、小波算法和奇异谱分析方法;预测模型包括基于粒子群优化的BP神经网络预测模型、长短期记忆算法和差分整合移动平均自回归模型。
6.根据权利要求1所述的矿山地表沉降形变预测方法，其特征在于，采矿区划分为由地表开采的矿区、浅部开采矿区、金属矿山与非金属矿山。
7.一种矿山地表沉降形变预测装置，其特征在于，所述矿山地表沉降形变预测装置包括：
监测数据获取模块，用于：获取采矿区历史时间段的监测数据;
相对位移数据计算模块，用于：根据所述历史时间段的监测数据计算历史时间段的相对位移数据;相对位移数据为南北向、东西向或垂直向的相对位移;
降噪处理模块，用于：利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法;
地表沉降形变预测模块，用于：将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;所述最佳预测模型为基于粒子群优化的BP神经网络预测模型。
8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的矿山地表沉降形变预测方法。
9.一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，该计算机程序被处理器执行时实现权利要求1-6中任一项所述的矿山地表沉降形变预测方法。
说明书
技术领域
[0001]本申请涉及矿山地表沉降形变预测领域，特别是涉及一种矿山地表沉降形变预测方法、装置、设备及介质。
背景技术
[0002]矿产资源的合理开发与应用是推动社会经济和科技进步的关键。随着科技的不断进步，可开采的矿产资源种类也日益增多。然而，随着资源开采的深入，矿区内的采空区面积逐渐扩大，这导致了地表沉降形变问题的日益严重。这些沉降形变主要源于采空区顶板岩土体受力结构的改变，使得上覆岩体的静压力向四周集中，从而引发岩体的弯曲、破裂甚至坍塌，最终在地表形成不同程度的沉降。深入研究矿山地表沉降形变的演化规律，对于预防塌陷事故、减少资源浪费具有重要意义。因此，如何高效、准确地监测矿山地表沉降形变的发展特征和演化规律，成为当前亟待解决的重要问题。
发明内容
[0003]本申请的目的是提供一种矿山地表沉降形变预测方法、装置、设备及介质，可提高矿山地表沉降形变预测的准确性和效率。
[0004]为实现上述目的，本申请提供了如下方案：
第一方面，本申请提供了一种矿山地表沉降形变预测方法，包括：
获取采矿区历史时间段的监测数据;
根据所述历史时间段的监测数据计算历史时间段的相对位移数据;
利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法;
将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;所述最佳预测模型为基于粒子群优化的BP神经网络预测模型。
[0005]第二方面，本申请提供了一种矿山地表沉降形变预测装置，包括：
监测数据获取模块，用于：获取采矿区历史时间段的监测数据;
相对位移数据计算模块，用于：根据所述历史时间段的监测数据计算历史时间段的相对位移数据;
降噪处理模块，用于：利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法;
地表沉降形变预测模块，用于：将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;所述最佳预测模型为基于粒子群优化的BP神经网络预测模型。
[0006]第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述矿山地表沉降形变预测方法。
[0007]第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述矿山地表沉降形变预测方法。
[0008]根据本申请提供的具体实施例，本申请公开了以下技术效果：
本申请提供了一种矿山地表沉降形变预测方法、装置、设备及介质，获取采矿区历史时间段的监测数据;根据历史时间段的监测数据计算历史时间段的相对位移数据;利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法;将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;最佳预测模型为基于粒子群优化的BP神经网络预测模型，本申请通过采用L2正则化方法对相对位移数据进行处理降噪处理，并采用基于粒子群优化的BP神经网络预测模型对降噪数据进行地表沉降形变预测，提高了地表沉降形变预测的效率和精度。
附图说明
[0009]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0010]图1为本申请一实施例中一种矿山地表沉降形变预测方法的应用环境图;
图2为本申请一实施例提供的一种矿山地表沉降形变预测方法的流程示意图;
图3为本申请一实施例提供的针对不同矿区采矿状况北斗监测数据自迭代沉降预测模型的方法流程示意图;
图4为本申请一实施例提供的针对不同矿区采矿状况北斗监测数据自迭代沉降预测模型的方法的具体流程示意图;
图5为本申请一实施例提供的一种矿山地表沉降形变预测装置的功能模块示意图;
图6为本申请一实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0011]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0012]使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0013]本申请实施例提供的矿山地表沉降形变预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以单独设置，也可以集成在服务器104上，也可以放在云上或其他服务器上。终端102可以将采矿区历史时间段的监测数据向服务器104发送，服务器104接收到采矿区历史时间段的监测数据后，对于采矿区历史时间段的监测数据，服务器104根据历史时间段的监测数据计算历史时间段的相对位移数据，利用L2正则化方法对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据，并将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据。服务器104可以将得到的针对采矿区的未来时间段的地表沉降形变预测数据向终端102进行反馈。此外，在一些实施例中，矿山地表沉降形变预测方法也可以单独由服务器104或者终端102实现，如可以由终端102直接针对采矿区历史时间段的监测数据进行地表沉降形变预测，也可以由服务器104从数据存储系统中获取采矿区历史时间段的监测数据，并针对采矿区历史时间段的监测数据进行地表沉降形变预测。
[0014]其中，终端102可以但不限于是各种台式计算机和笔记本电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，还可以是云服务器。
[0015]在一个示例性的实施例中，如图2所示，提供了一种矿山地表沉降形变预测方法，该方法由计算机设备执行，具体可以由终端或服务器等计算机设备单独执行，也可以由终端和服务器共同执行，在本申请实施例中，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤201至步骤204。其中：
步骤201：获取采矿区历史时间段的监测数据。
[0016]步骤202：根据所述历史时间段的监测数据计算历史时间段的相对位移数据。
[0017]步骤203：利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法。
[0018]步骤204：将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;所述最佳预测模型为基于粒子群优化(Particle SwarmOptimization，PSO)的BP神经网络预测模型。
[0019]实施上述的步骤201至步骤204，通过采用L2正则化方法对相对位移数据进行处理降噪处理，并采用基于粒子群优化的BP神经网络预测模型对降噪数据进行地表沉降形变预测，提高了地表沉降形变预测的效率和精度。
[0020]本申请另一个示例性的实施例中，历史时间段的监测数据由北斗导航卫星系统(Global Navigation Satellite System，GNSS)监测得到。北斗卫星技术在矿山地表形变监测中展现出显著优势。首先，该技术具备实时动态监测能力，可提供连续的监测数据，从而更精确地描绘地表形变的持续发展过程，并为未来形变趋势的预测提供详尽的数据支持。其次，监测精度得到显著提升，特别是当北斗系统与GNSS定位技术结合使用时，监测精度可达毫米级，为深入分析矿山地表形变提供了准确可靠的数据基础。此外，该技术减少了环境因素对监测结果的影响，能够适应全天候监测需求，确保外部环境变化对监测精准度的干扰最小化。同时，监测过程的自动化程度得到增强，从数据采集、处理、存储到数据分析、可视化展示以及预警警报等环节均实现了高效自动化。通过这些优势，北斗卫星技术不仅提高了矿山地表形变监测的效率和准确性，同时也为及时采取预防措施提供了坚实的数据支撑，降低了潜在的安全风险。本申请充分利用高精度北斗监测数据，对于矿区的沉降情况进行模拟，建立预测模型。
[0021]不同采矿区划分为由地表开采的矿区、浅部开采矿区、金属矿山与非金属矿山。
[0022]如图3和图4所示，采集采矿区的GNSS监测数据，并对其进行简单处理，转为相对位移数据;针对相对位移数据，由基于粒子群优化的BP神经网络预测模型、长短期记忆(LongShort-Term Memory，LSTM)算法和差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Averagemode，ARIMA)分别对其进行处理，根据计算结果择优选择一种模型，进行训练集和预测集的确定;针对相对位移数据，由L2正则化方法、小波算法和奇异谱分析方法分别对其进行降噪处理，得到降噪数据;针对降噪数据，根据训练集和预测集，由基于粒子群优化的BP神经网络预测算法、长短期记忆算法和差分整合移动平均自回归模型分别对其进行处理，根据计算结果择优选择一种组合作为最终组合预测模型。本申请可提高矿区沉降变形预测的能力;根据基于粒子群优化的BP神经网络预测算法，确定适用于该模型的训练集和预测集的数量;使用L2正则化方法、小波算法和奇异谱分析方法三种方法分别对数据进行降噪，使用基于粒子群优化的BP神经网络预测算法、长短期记忆算法和差分整合移动平均自回归模型三种方法对降噪数据分别预测，实现数据的多方法优化。
[0023]获取采矿区的北斗导航卫星系统监测数据，获取的监测数据包括十个站点的数据，每个站点都有十年数据，将每个站点的数据的第一行作为基准，用其余行减去第一行得到实验所需的相对位移数据。每一站点的数据每一行代表一天的数据，每一站点的数据有三列数据，每一列分别代表南北向、东西向与垂直向，因此相对位移数据为南北向、东西向或垂直向的相对位移。
[0024]基于北斗监测解算结果，其中高精度解算结果为南北向、东西向与垂直向三个方向的毫米级高精度的相对位移，并基于粒子群优化的BP神经网络预测算法、长短期记忆算法和差分整合移动平均自回归模型择优选择一种预测模型进行训练集和预测集的确定。本申请另一个示例性的实施例中，上述训练集和预测集的确定过程可以包括以下步骤301~步骤304：
步骤301：将相对位移数据分别输入基于粒子群优化的BP神经网络预测模型、长短期记忆算法和差分整合移动平均自回归模型，得到第一预测数据、第二预测数据和第三预测数据;
步骤302：将相对位移数据的标签数据分别与第一预测数据、第二预测数据和第三预测数据进行均方根误差和平均绝对误差计算，得到第一误差计算结果、第二误差计算结果和第三误差计算结果;
步骤303：根据第一误差计算结果、第二误差计算结果和第三误差计算结果确定最佳预测模型，具体包括：将值最小的误差计算结果对应的预测模型作为最佳预测模型。
[0025]步骤304：根据所述最佳预测模型确定最佳训练集和最佳预测集;历史时间段的时间与最佳训练集中相对位移数据的时间相同;未来时间段的时间与最佳预测集中地表沉降形变预测数据的时间相同。
[0026]最佳训练集和最佳预测集的确定过程如下：
取北斗导航卫星系统监测数据中N个站点三个方向的十年数据，以任一站点的任一方向的一年相对位移数据为一个时间序列作为一个样本输入，得到第一训练集;以任一站点的任一方向的两年相对位移数据为一个时间序列作为一个样本输入，得到第二训练集，依此类推，以任一站点的任一方向的十年相对位移数据为一个时间序列作为一个样本输入，得到第十训练集。则这些训练集中相对位移数据对应的时间不同。
[0027]将各训练集输入至最佳预测模型中，得到每一训练集对应的预测集;根据所有训练集和每一训练集对应的预测集确定最佳训练集和最佳预测集，即最终确定的最佳训练集中相对位移数据的时间为四年或五年，最佳预测集中地表沉降形变预测数据的时间为一年，则每一预测模型的输入为任一站点的任一方向的四年或五年相对位移数据，输出为任一站点的任一方向的下一年的地表沉降形变预测数据。即步骤201中的历史时间段可为四年或五年，未来时间段为一年。
[0028]基于上述北斗监测解算结果，即相对位移数据，将其分别代入到L2正则化方法、小波算法和奇异谱分析方法中，得到降噪数据;基于降噪数据，将其按照训练集数量分别代入到基于粒子群优化的BP神经网络预测算法、长短期记忆算法和差分整合移动平均自回归模型中，形成9种组合预测模型，对于按照预测集数量得到的结果分别用指标进行评价，得到最终组合预测模型，最终组合预测模型的确定过程可以包括以下步骤401~步骤404：
步骤401：分别利用L2正则化方法、小波算法和奇异谱分析方法，对相对位移数据进行处理，得到第一降噪数据、第二降噪数据和第三降噪数据;
步骤402：将目标降噪数据分别输入基于粒子群优化的BP神经网络预测模型、长短期记忆算法和差分整合移动平均自回归模型，得到所述目标降噪数据对应的第四预测数据、第五预测数据和第六预测数据;所述目标降噪数据为第一降噪数据、第二降噪数据或第三降噪数据;
步骤403：将目标降噪数据的标签数据分别与所述目标降噪数据对应的第四预测数据、第五预测数据和第六预测数据进行均方根误差和平均绝对误差计算，得到所述目标降噪数据对应的第四误差计算结果、第五误差计算结果和第六误差计算结果;
步骤404：根据所有所述目标降噪数据对应的第四误差计算结果、第五误差计算结果和第六误差计算结果确定最终组合预测模型;最终组合预测模型由最佳降噪算法和最佳预测模型组合得到;降噪算法包括L2正则化方法、小波算法和奇异谱分析方法;预测模型包括基于粒子群优化的BP神经网络预测模型、长短期记忆算法和差分整合移动平均自回归模型。
[0029]其中，预测模型的输入是与最佳训练集数量时间相当的相对位移数据，预测模型的输出是得到的与最佳训练集时间数量相当的数据。然后与训练集所在位置的相对位移数据进行均方根误差和平均绝对误差的计算。
[0030]基于粒子群优化的BP神经网络预测算法，将训练集与预测集的个数确定后，不断进行迭代，当达到最大迭代次数，即1000次时停止。
[0031]基于长短期记忆算法，将历史时间段的输入数据提供给LSTM模型，获取初始的隐藏状态和细胞状态，预测过程中，每次输入模型的是当前时间段的输入数据和上一时间段的隐藏状态，通过模型计算得到当前时间段的输出结果，将当前时间段的输出结果作为下一时间段的输入，并重复这个过程，直到达到预测的时间范围或满足停止条件。
[0032]基于差分整合移动平均自回归模型，初始化赤池信息准则和贝叶斯信息准则以及模型参数的最大值，通过循环遍历，当赤池信息准则和贝叶斯信息准则的结果都较小时，结束遍历，以此时的模型参数作为整个模型的最优参数，进行预测集结果的确定。
[0033]对于上述三种预测模型，通过比较均方根误差和平均绝对误差，从而选择采用基于粒子群优化的BP神经网络预测模型确定最佳的训练集和预测集，得到训练集为四年或五年，预测集为一年。
[0034]本申请另一个示例性的实施例中，取三个站点的监测数据进行实验，计算三个站点的LSTM的均方根误差(RMSE)值的平均值为7.4611，ARIMA的RMSE值的平均值为2.1677，基于粒子群优化的BP神经网络预测模型的RMSE值的平均值为2.0239;计算LSTM的平均绝对误差(MAE)值的平均值为4.5938，ARIMA的MAE值的平均值为1.7825，基于粒子群优化的BP神经网络预测模型的MAE值的平均值为1.5803。可以看出，基于粒子群优化的BP神经网络预测模型效果较好，因此使用基于粒子群优化的BP神经网络预测模型来确定训练集和预测集。
[0035]需要说明的是，因南北方向的趋势走向不明显，不适用于基于粒子群优化的BP神经网络预测算法进行预测，所以本申请只针对垂直向和东西向两个方向，即本申请中所采用的相对位移数据包括垂直向和东西向两个方向的相对位移。
[0036]将相对位移数据分别代入到L2正则化、小波算法和奇异谱分析中，得到降噪数据结果;
对于L2正则化方法，能够通过将各项权重系数优化的很小达到降低模型复杂度的目的，减少单个特征的在模型中的作用，避免某个特征主导整个预测方向;
对于小波算法，将均方根误差和平滑度进行归一化处理，再采用变异系数定权方法，通过线性组合方法得到复合评价指标T，当T最小时，得到的分解层次为最优分解层次，选择小波基为Daubechies小波，常用于分解和重构信号，基于最优分解层次，对dbN进行遍历，选择最优小波基，采用‘heursure(启发式阈值)’阈值准则和软阈值处理函数。
[0037]对于奇异谱分析方法，需要确定窗口长度的大小，本实施例使用的时间序列的总长度为3650，窗口长度N应该位于(0，1825)，且最好为周期的整数倍，因沉降监测在不同季节会有不同的变化，且在查阅相关文献和比较均方根误差和平均绝对误差后，选择窗口长度N为365。
[0038]优选地，通过比较均方根误差和平均绝对误差，L2正则化和基于粒子群优化的BP神经网络预测算法的组合，奇异谱分析和差分整合移动平均自回归模型的组合效果较好，但因奇异谱分析处理过后的数据过于平滑，数据微小特征损失较多，故最终选择L2正则化和基于粒子群优化的BP神经网络预测算法的组合作为最终组合预测模型。
[0039]本申请还提供一种应用场景，该应用场景应用上述的矿山地表沉降形变预测方法。具体地：本实施例提供的矿山地表沉降形变预测方法，可以应用在矿山地表沉降形变预测场景中。矿山地表沉降形变预测场景包括数据采集环节、地表沉降形变预测链路;采矿区的监测数据从数据采集环节进入地表沉降形变预测链路，经过人机协同的方式得到相应的未来时间段的地表沉降形变预测数据。本实施例提供的矿山地表沉降形变预测方法属于地表沉降形变预测链路。具体在针对采矿区的地表沉降形变预测链路过程中，可以基于根据历史时间段的监测数据计算历史时间段的相对位移数据，利用L2正则化方法对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据，并将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据。
[0040]基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的矿山地表沉降形变预测方法的矿山地表沉降形变预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个矿山地表沉降形变预测装置实施例中的具体限定可以参见上文中对于矿山地表沉降形变预测方法的限定，在此不再赘述。
[0041]在一个示例性的实施例中，如图5所示，提供了一种矿山地表沉降形变预测装置包括以下模块。
[0042]监测数据获取模块T1，用于：获取采矿区历史时间段的监测数据。
[0043]相对位移数据计算模块T2，用于：根据所述历史时间段的监测数据计算历史时间段的相对位移数据。
[0044]降噪处理模块T3，用于：利用最佳降噪算法，对历史时间段的相对位移数据进行处理，得到历史时间段的降噪数据;最佳降噪算法为L2正则化方法。
[0045]地表沉降形变预测模块T4，用于：将历史时间段的降噪数据输入至最佳预测模型中，得到未来时间段的地表沉降形变预测数据;所述最佳预测模型为基于粒子群优化的BP神经网络预测模型。
[0046]在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。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。该计算机设备的数据库用于存储地表沉降形变预测数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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一种矿山地表沉降形变预测方法。
[0047]本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0048]在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0049]在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0050]需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
[0051]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，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、
石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(DynamicRandomAccess Memory，DRAM)等。
[0052]本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0053]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0054]本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
说明书附图(6)
声明：
“矿山地表沉降形变预测方法、装置、设备及介质” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
341
编辑：中冶有色技术网
来源：贵州大学
分享 0
举报 0
收藏 0
反对 0
点赞 0
中冶有色技术平台
2025年03月21日 ~ 23日 
