段功豪，牛瑞卿

（中國(guó)地質(zhì)大學(xué)地球物理與空間信息學(xué)院武漢 430074）

滑坡監(jiān)測(cè)動(dòng)態(tài)數(shù)據(jù)挖掘方法研究

段功豪，牛瑞卿

（中國(guó)地質(zhì)大學(xué)地球物理與空間信息學(xué)院武漢 430074）

為有效挖掘海量、動(dòng)態(tài)的滑坡監(jiān)測(cè)數(shù)據(jù)中的有用信息及規(guī)律，提出了一種利用Oracle觸發(fā)器監(jiān)測(cè)數(shù)據(jù)的挖掘方法。以八字門(mén)滑坡為研究對(duì)象，結(jié)合ARIMA模型對(duì)累積位移進(jìn)行預(yù)測(cè)，利用觸發(fā)器精煉監(jiān)測(cè)數(shù)據(jù)和優(yōu)化模型參數(shù)，提升預(yù)測(cè)模型的擬合精度。實(shí)驗(yàn)結(jié)果表明，該方法能有效改良傳統(tǒng)靜態(tài)數(shù)據(jù)挖掘結(jié)果，有助于人們認(rèn)識(shí)到動(dòng)態(tài)數(shù)據(jù)挖掘在滑坡災(zāi)害監(jiān)測(cè)中的價(jià)值。

動(dòng)態(tài)數(shù)據(jù)挖掘;滑坡監(jiān)測(cè);Oracle觸發(fā)器;ARIMA

1 研究背景

隨著遙感（Remote Sensing，RS）科學(xué)與技術(shù)的發(fā)展，遙感數(shù)據(jù)極大豐富，信息的時(shí)效性變得越來(lái)越短，在滑坡災(zāi)害研究中的應(yīng)用經(jīng)歷著從單一影像資料解譯向多時(shí)相、多數(shù)據(jù)源的復(fù)合分析，信息處理的手段從以往簡(jiǎn)單的靜態(tài)數(shù)據(jù)源（如數(shù)據(jù)倉(cāng)庫(kù)）的提取向?qū)崟r(shí)的動(dòng)態(tài)多維監(jiān)測(cè)以及動(dòng)態(tài)數(shù)據(jù)挖掘（Dynamic Data Mining，DDM）發(fā)展?；率且环N多發(fā)性的地質(zhì)災(zāi)害，對(duì)人類的生命財(cái)產(chǎn)安全和經(jīng)濟(jì)建設(shè)構(gòu)成了極大的威脅，2008年我國(guó)四川汶川地震觸發(fā)滑坡達(dá)15 000多處，估計(jì)造成2萬(wàn)人死亡，約占地震災(zāi)害造成8.8萬(wàn)人死亡的1/4［1］。馬水山等通過(guò)對(duì)某滑坡監(jiān)測(cè)資料分析，探討滑坡體的滑動(dòng)方式及其演變規(guī)律［2］。張軍對(duì)數(shù)據(jù)挖掘在滑坡位移及敏感性分析中的應(yīng)用進(jìn)行了研究［3］。近年來(lái)，數(shù)據(jù)挖掘技術(shù)已在滑坡敏感性評(píng)價(jià)和空間預(yù)測(cè)方面有較多的應(yīng)用［4-7］。而將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)作為一種動(dòng)態(tài)的因子加以考慮卻極少得到關(guān)注。隨著滑坡所處自然環(huán)境因素的變化，時(shí)態(tài)數(shù)據(jù)的增多等因素，由歷史數(shù)據(jù)推導(dǎo)的規(guī)則往往無(wú)法有效得到實(shí)時(shí)數(shù)據(jù)的精煉，所以對(duì)實(shí)際滑坡災(zāi)害數(shù)據(jù)源（數(shù)據(jù)庫(kù)、序列數(shù)據(jù)或流失數(shù)據(jù)）進(jìn)行動(dòng)態(tài)數(shù)據(jù)提取并加以分析來(lái)得到相關(guān)知識(shí)是十分必要的。

本文提出一種在滑坡災(zāi)害數(shù)據(jù)庫(kù)上利用Oracle觸發(fā)器動(dòng)態(tài)檢測(cè)的方法，并在此基礎(chǔ)上分析動(dòng)態(tài)數(shù)據(jù)挖掘在滑坡預(yù)測(cè)研究中的過(guò)程。

2 動(dòng)態(tài)數(shù)據(jù)挖掘原理

動(dòng)態(tài)數(shù)據(jù)挖掘是一種集過(guò)去、現(xiàn)在與未來(lái)于一體的動(dòng)態(tài)過(guò)程。其動(dòng)態(tài)性體現(xiàn)在數(shù)據(jù)的采集、處理等環(huán)節(jié)［8］。動(dòng)態(tài)數(shù)據(jù)挖掘通常以實(shí)時(shí)數(shù)據(jù)庫(kù)數(shù)據(jù)作為主要來(lái)源，其核心部分是數(shù)據(jù)處理，它可以更好地挖掘動(dòng)態(tài)數(shù)據(jù)中隱含的和事先未知的有用信息和知識(shí)。根據(jù)其運(yùn)行機(jī)制，給定實(shí)際運(yùn)行滑坡監(jiān)測(cè)信息源，將其稱為動(dòng)態(tài)信息源（Dynamic Data Source，DDS），DDS中的數(shù)據(jù)稱之為dk（k作為時(shí)序信息標(biāo)識(shí)號(hào)，k∈Z+）。

設(shè)當(dāng)前時(shí)間點(diǎn)為T(mén)，給定一個(gè)時(shí)間范圍μ（μ∈R+），DDS中在T-μ時(shí)刻以前的所有dk組成的數(shù)據(jù)集合稱為Dpast，由T-μ時(shí)刻到T時(shí)刻所有dk組成的數(shù)據(jù)集稱為當(dāng)前數(shù)據(jù)集Dnow，在T時(shí)刻以后的所有數(shù)據(jù)集視為加入的監(jiān)測(cè)新數(shù)據(jù)，記為Dnew。在此前提上，本文提出的滑坡數(shù)據(jù)動(dòng)態(tài)挖掘處理流程如圖1所示。

圖1 滑坡數(shù)據(jù)動(dòng)態(tài)挖掘處理流程圖Fig.1Flowchart of dynamic data mining for the landslide monitoring data

歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)篩選（DataSift），放入Oracle數(shù)據(jù)庫(kù)中，形成初始數(shù)據(jù)集（Dataset），結(jié)合常規(guī)靜態(tài)數(shù)據(jù)挖掘（DataMining，DM）的思想，利用數(shù)據(jù)挖掘軟件分析現(xiàn)有的數(shù)據(jù)集。待新的監(jiān)測(cè)數(shù)據(jù)到位，觸發(fā)器（Trigger）會(huì)記錄新增數(shù)據(jù)的錄入，動(dòng)態(tài)檢驗(yàn)數(shù)據(jù)的特性，利用歷史知識(shí)對(duì)比分析，再挖掘以適應(yīng)滑坡監(jiān)測(cè)環(huán)境的變化，得到最終修正的結(jié)果集。

考慮到監(jiān)測(cè)數(shù)據(jù)在時(shí)間序列上的依存性，并且由于隨機(jī)波動(dòng)的干擾性，本文利用ARIMA模型來(lái)預(yù)測(cè)動(dòng)態(tài)數(shù)據(jù)的發(fā)展規(guī)律，該模型基本思想是:將預(yù)測(cè)對(duì)象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列，用一定的數(shù)學(xué)模型來(lái)近似描述這個(gè)序列。這個(gè)模型一旦被識(shí)別后就可以從時(shí)間序列的過(guò)去值及現(xiàn)在值來(lái)預(yù)測(cè)未來(lái)值［9］。ARIMA模型可分為3種:①自回歸模型（簡(jiǎn)稱AR模型）;②滑動(dòng)平均模型（簡(jiǎn)稱MA模型）;③自回歸滑動(dòng)平均混合模型（簡(jiǎn)稱ARIMA模型）。通過(guò)利用下一時(shí)間區(qū)間的數(shù)據(jù)特征確定選定模型的類型，調(diào)整模型的相關(guān)參數(shù)，從而使擬合得到優(yōu)化。

3 觸發(fā)器功能

實(shí)時(shí)更新的災(zāi)害數(shù)據(jù)庫(kù)具有海量性特點(diǎn)，以關(guān)系數(shù)據(jù)庫(kù)為基礎(chǔ)的Oracle存儲(chǔ)管理機(jī)制成為目前多數(shù)滑坡災(zāi)害數(shù)據(jù)的依托，本文利用Oracle觸發(fā)器的理念，對(duì)數(shù)據(jù)流中的信息進(jìn)行實(shí)時(shí)監(jiān)控，旨在發(fā)現(xiàn)滑坡時(shí)態(tài)數(shù)據(jù)的特征信息，并在此基礎(chǔ)上修正具體模型的參數(shù)，擬合出更好的預(yù)測(cè)結(jié)果。

觸發(fā)器是被命名為與存儲(chǔ)過(guò)程和函數(shù)類似的PL/SQL塊，它是自動(dòng)隱式運(yùn)行的，既不能接受參數(shù)，也不能被調(diào)用［10］，它由以下4部分組成。

（1）觸發(fā)時(shí)間:觸發(fā)器事件的時(shí)間次序。根據(jù)實(shí)際情況選擇在觸發(fā)事件之前還是在觸發(fā)事件之后執(zhí)行觸發(fā)器。

（2）觸發(fā)事件:什么操作會(huì)引起觸發(fā)器觸發(fā)，有3種觸發(fā)條件（數(shù)據(jù)新增、數(shù)據(jù)刪除、數(shù)據(jù)更新）。

（3）觸發(fā)子體:觸發(fā)器觸發(fā)時(shí)要執(zhí)行的操作。

（4）觸發(fā)類型:觸發(fā)器被執(zhí)行的次數(shù)，本實(shí)例在每一行新加入的監(jiān)測(cè)數(shù)據(jù)上執(zhí)行。

動(dòng)態(tài)信息源表現(xiàn)出與現(xiàn)有模型無(wú)法有效解釋的規(guī)則時(shí)，依托觸發(fā)器的數(shù)據(jù)敏感特性，可以有效分辨出該現(xiàn)象是屬于噪聲，或者是屬于待發(fā)現(xiàn)的規(guī)律（知識(shí)），這相當(dāng)與在數(shù)據(jù)挖掘過(guò)程的頂部增加了一個(gè)觸發(fā)器模塊［11］，通過(guò)實(shí)時(shí)逐次的判斷新增數(shù)據(jù)與歷史數(shù)據(jù)的聯(lián)系來(lái)不斷完善現(xiàn)有的模型。

4 數(shù)據(jù)源及研究方法

為了避免和減輕滑坡災(zāi)害影響，要對(duì)滑坡的變形做出定量預(yù)測(cè)，根據(jù)上文分析，選取三峽庫(kù)區(qū)八字門(mén)滑坡累積位移數(shù)據(jù)作為數(shù)據(jù)源，其累積位移時(shí)間序列具備遞增趨勢(shì)，且因?yàn)槭軒?kù)區(qū)季節(jié)性降雨等誘發(fā)因素影響，數(shù)據(jù)遞增率出現(xiàn)一定的周期性，還有儀器損壞數(shù)據(jù)缺失等數(shù)據(jù)特性，這些都可能會(huì)影響規(guī)律（知識(shí)）的生成，可以利用觸發(fā)器設(shè)置對(duì)數(shù)據(jù)的錄入條件來(lái)預(yù)判這些特性，排除噪聲，從而使精煉后的數(shù)據(jù)適合做挖掘研究。

選取ZG110監(jiān)測(cè)點(diǎn)2003年8月到2010年11月的監(jiān)測(cè)數(shù)據(jù)，按月劃分時(shí)間區(qū)間，共86期數(shù)據(jù)，按照本文提供的動(dòng)態(tài)挖掘思想，選取前40期作為Dpast，初步建立預(yù)測(cè)累積位移規(guī)律ARIMA模型，后20期作為Dnew一一添加至數(shù)據(jù)源中，通過(guò)觸發(fā)器的逐行動(dòng)態(tài)檢查與完善，對(duì)后26期進(jìn)行預(yù)測(cè)。

數(shù)據(jù)庫(kù)中八字門(mén)GPS監(jiān)測(cè)數(shù)據(jù)表結(jié)構(gòu)如表1。

僅截取監(jiān)測(cè)數(shù)據(jù)中時(shí)間和累積位移ΔF屬性放入待挖掘的臨時(shí)表中，將前40期數(shù)據(jù)存入表GPS，這樣就能以表對(duì)象的形式被挖掘軟件使用。

以下為通過(guò)PL/SQL Developer建立觸發(fā)器過(guò)濾數(shù)據(jù)的過(guò)程，其部分代碼為:

在觸發(fā)器tr_test編譯成功后，內(nèi)部可以通過(guò)2個(gè)相關(guān)的標(biāo)識(shí)符“:old”和“:new”訪問(wèn)正在處理中的行級(jí)數(shù)據(jù)，“:old”表示已存在表中的數(shù)據(jù)，“:new”代表新的檢測(cè)數(shù)據(jù)，它們是一種特殊的PL/SQL綁定變量，一旦表對(duì)象GPS發(fā)生數(shù)據(jù)插入行為時(shí)，預(yù)先過(guò)濾掉因儀器損壞或其他環(huán)境的變化造成的噪聲數(shù)據(jù)，在本實(shí)例中，由于是按月監(jiān)測(cè)的，若出現(xiàn)隔月監(jiān)測(cè)的現(xiàn)象，出于對(duì)整體建模的考慮，也要過(guò)濾掉不連續(xù)月份的數(shù)據(jù)，本文先利用前期數(shù)據(jù)作為訓(xùn)練，通過(guò)數(shù)據(jù)挖掘軟件SPSS Clementine中的時(shí)間序列模塊，建立初始累積位移ARIMA模型，流程見(jiàn)圖2。

表1 監(jiān)測(cè)點(diǎn)元數(shù)據(jù)Table 1Metadata of monitoring points

圖2 ARIMA模型構(gòu)建流程圖Fig.2Flowchart of ARIMA model establishment

在模型構(gòu)建過(guò)程中，將地下水累積位移數(shù)據(jù)作為原始數(shù)據(jù)源，篩選出ZG110監(jiān)測(cè)數(shù)據(jù)作為輸入變量，按月作為時(shí)間推進(jìn)量，給出可查看的累積位移序列，利用時(shí)序模型ARIMA挖掘預(yù)測(cè)累積變形的規(guī)則，構(gòu)建預(yù)測(cè)模型，并將結(jié)果描繪成預(yù)測(cè)散點(diǎn)圖進(jìn)行對(duì)比分析。

建立的初始擬合模型結(jié)果如圖3所示。

圖3 未考慮觸發(fā)器約束的累積位移擬合效果圖Fig.3Fitting results of accumulative displacement in the absence of trigger constraints

監(jiān)測(cè)儀器損壞、人為記錄的遺漏等原因，“C3”代表實(shí)際不連續(xù)的值，證明原始未經(jīng)過(guò)濾的監(jiān)測(cè)數(shù)據(jù)存在著不連續(xù)情況，另一條“$TS-C3”是根據(jù)不連續(xù)的監(jiān)測(cè)值利用原始模型參數(shù)擬合的連續(xù)預(yù)測(cè)值。從圖3可以粗略的看出，在開(kāi)始時(shí)，預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)值相互差異還不夠明顯，滑坡變形較大時(shí)，擬合效果相對(duì)較差，在2007年到2009年間由于數(shù)據(jù)存在噪聲或遺漏，預(yù)測(cè)效果差。預(yù)測(cè)準(zhǔn)確度通常以預(yù)測(cè)誤差的方差最小為準(zhǔn)則，可以重點(diǎn)參考式平均絕對(duì)誤差（MAE）的值，計(jì)算公式為

圖3中絕對(duì)誤差（MAE）為5.67，對(duì)殘差序列進(jìn)行檢驗(yàn)，顯著性為0.244。

本實(shí)驗(yàn)采用觸發(fā)器的動(dòng)態(tài)約束監(jiān)測(cè)，在建立模型之前，考慮到該時(shí)間序列具有明顯的上升趨勢(shì)且具有強(qiáng)烈季節(jié)變動(dòng)，將會(huì)有高度的自相關(guān)。每當(dāng)表中有新的數(shù)據(jù)錄入，觸發(fā)器自動(dòng)求出該序列自相關(guān)系數(shù)，據(jù)此來(lái)識(shí)別時(shí)間序列特性，對(duì)于具有趨勢(shì)性和季節(jié)性的非平穩(wěn)時(shí)間序列一般用ARIMA（p，d，q） （P，D，Q）s模型來(lái)描述，其中參數(shù)的優(yōu)化設(shè)置通常需要個(gè)人經(jīng)驗(yàn)和不斷反復(fù)試驗(yàn)才能得出最優(yōu)解。本次試驗(yàn)中由元數(shù)據(jù)屬性中的時(shí)間屬性，編譯好的觸發(fā)器據(jù)此時(shí)間屬性的月份周期變化來(lái)監(jiān)測(cè)季節(jié)變化趨勢(shì)和自相關(guān)系數(shù)的影響。為了研究方法的可行性，根據(jù)歷史經(jīng)驗(yàn)法，定其他參數(shù)值為默認(rèn)設(shè)置，實(shí)驗(yàn)中僅討論參數(shù)q的確定，通過(guò)對(duì)序列進(jìn)行d階差分消除趨勢(shì)性，p和q為非季節(jié)性自回歸階數(shù)和移動(dòng)平均階數(shù)，D階s步差分對(duì)季節(jié)性消除，P和Q為季節(jié)性自回歸階數(shù)和移動(dòng)平均階數(shù)，得到最終模型。自相關(guān)系數(shù)計(jì)算公式為

它表示序列中相隔k期的2項(xiàng)之間的相關(guān)程度，本實(shí)例中k=1，代表相鄰2項(xiàng)之間的相關(guān)程度，即每個(gè)月位移監(jiān)測(cè)數(shù)據(jù)之間的相關(guān)程度。觸發(fā)器將得到的各自相關(guān)系數(shù)總體存入臨時(shí)表，對(duì)該表內(nèi)容作為輸入變量進(jìn)行顯著性檢驗(yàn)，構(gòu)造置信區(qū)間的值，將該對(duì)稱置信區(qū)間的值作為范圍，逐一判斷臨時(shí)表中各相關(guān)系數(shù)是否在此區(qū)間內(nèi)，設(shè)置變量m記錄不在此范圍內(nèi)自相關(guān)系數(shù)的個(gè)數(shù)，將移動(dòng)平均數(shù)設(shè)置為q，參數(shù)確定完畢。

最終的修正模型如圖4所示，小圓點(diǎn)代表經(jīng)過(guò)篩選的實(shí)際值，連續(xù)曲線是擬合值，從圖上可以清晰地看到在2007—2009年期間，經(jīng)過(guò)觸發(fā)器調(diào)整的數(shù)據(jù)曲線也能保持連續(xù)狀態(tài)，排除了未檢測(cè)月份空數(shù)據(jù)的干擾，絕對(duì)誤差（MAE）為3.823，對(duì)殘差序列進(jìn)行檢驗(yàn)，顯著性為0.684。擬合效果相比未考慮觸發(fā)器約束的結(jié)果要好，表明用該方法構(gòu)建的模型較理想。

圖4 帶觸發(fā)器約束的累積位移擬合效果圖Fig.4Fitting results of accumulative displacement inthe presence of trigger constraints

綜上所述，利用觸發(fā)器改良監(jiān)測(cè)數(shù)據(jù)挖掘的擬合結(jié)果是有效果的，它能較好地響應(yīng)數(shù)據(jù)源的變化給出相應(yīng)的處理，同時(shí)結(jié)合現(xiàn)有的數(shù)據(jù)挖掘軟件，使動(dòng)態(tài)數(shù)據(jù)挖掘在滑坡災(zāi)害數(shù)據(jù)研究中發(fā)揮一定的作用。

5 結(jié)論

本文利用三峽庫(kù)區(qū)八字門(mén)滑坡累積位移數(shù)據(jù)源作為對(duì)象，利用基于Oracle觸發(fā)器動(dòng)態(tài)監(jiān)測(cè)的方法，結(jié)合ARIMA模型做預(yù)測(cè)研究。與傳統(tǒng)靜態(tài)數(shù)據(jù)挖掘相比，使用觸發(fā)器的編程重視了動(dòng)態(tài)挖掘知識(shí)的過(guò)程，改良了最終預(yù)測(cè)的擬合結(jié)果。本文提出的實(shí)時(shí)監(jiān)測(cè)與動(dòng)態(tài)挖掘的流程能有效地分析積累下來(lái)的變化數(shù)據(jù)，較好優(yōu)化了待挖掘的數(shù)據(jù)精度與模型參數(shù)，從而為進(jìn)一步的滑坡預(yù)警提供了方法支撐。但需要指出的是該實(shí)驗(yàn)因所獲資料的限制，隨著環(huán)境條件的變化，各因素是不斷變化的，如何添加一個(gè)方便的接口，實(shí)時(shí)地把變化規(guī)則加入觸發(fā)器中進(jìn)行更進(jìn)一步處理也是后續(xù)工作的方向。

［1］殷躍平.汶川八級(jí)地震滑坡特征分析［J］.工程地質(zhì)學(xué)報(bào)，2008，17（1）:29-38.（YIN Yue-ping.Features of Landslides Triggered by the Wenchuan Earthquake［J］. Journal of Engineering Geology，2008，17（1）:29-38. （in Chinese））

［2］馬水山，王志旺，張漫.滑坡監(jiān)測(cè)資料的因子分析［J］.巖石力學(xué)與工程學(xué)報(bào)，2002，21（7）:1003-1006.（MA Shui-shan，WANG Zhi-wang，ZHANG Man.Factor Analysis on Monitoring Data of Landslide［J］.Chinese Journal of Rock Mechanics and Engineering，2002，21（7）:1003-1006.（in Chinese））

［3］張軍.數(shù)據(jù)挖掘在滑坡位移及敏感性分析中的應(yīng)用研究［D］.武漢:武漢大學(xué)，2005.（ZHANG Jun.Application of Data Mining to Analyzing Landslide Displacement and Sensitivity［D］.Wuhan:Wuhan University，2005.（in Chinese））

［4］殷坤龍，陳麗霞，張桂榮.區(qū)域滑坡災(zāi)害預(yù)測(cè)預(yù)警與風(fēng)險(xiǎn)評(píng)價(jià)［J］.地學(xué)前緣，2007，（6）:85-97.（YIN Kun-long，CHEN Li-xia，ZHANG Gui-rou.Regional Landslide Hazard Prediction and Risk Assessment［J］.Earth Science Frontier，2007，（6）:85-97.（in Chinese））

［5］WANG H B，LIU G J，XU W Y，et al.GIS-Based Landslide Hazard Assessment:An Overview［J］.Progress in Physical Geography，2005，29（4）:548-567.

［6］NEFESLIOGLU H A，SEZER E，GOKCEOGLU C，et al. Assessment of Landslide Susceptibility by Decision Trees in the Metropolitan Area of Istanbul，Turkey［J］.Mathematical Problems in Engineering，doi:10.1155/2010/901095.

［7］蔣征，張正祿.滑坡變形的模式識(shí)別［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2002，（2）:127-132.（JIANG Zheng，ZHANG Zheng-lu.Model Recognition of Landslide Deformation［J］.Journal of Wuhan University（Information Science Edition），2002，（2）:127-132.（in Chinese））

［8］滕明鑫，熊忠陽(yáng)，張玉芳.動(dòng)態(tài)數(shù)據(jù)挖掘研究［J］.計(jì)算機(jī)應(yīng)用，2008，28（增1），160-162.（TENG Ming-xin，XIONG Zhong-yang，ZHANG Yu-fang.Research on Dynamic Data Mining［J］.Journal of Computer Applications，2008，28（Sup.1）:160-162.（in Chinese））

［9］李貴斌.ARIMA模型差分階估計(jì)方法的比較［J］.應(yīng)用概率統(tǒng)計(jì)，1994，（4）:353-362.（LI Gui-bing.Estimation of Parameters in ARIMA Models［J］.Acta Mathematicae Applicatae Sinica，1994，（4）:353-362.（in Chinese））

［10］GREENWALD R，STACKOWIAK R，DODGE G，et al. Professional Oracle Programming［M］.US:Wiley Publishing，Inc..

［11］鄔少飛，韋司瀅.動(dòng)態(tài)工作流中利用觸發(fā)器監(jiān)控信息與數(shù)據(jù)流［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2007，28（23）:5765-5766.（WU Shao-fei，WEI Si-ying.Monitoring Data Flows and Information Using Triggers in Dynamic Workflow［J］. Computer Engineering and Design，2007，28（23）:5765-5766.（in Chinese））

（編輯:曾小漢）

A Method of Dynamic Data Mining for Landslide Monitoring Data

DUAN Gong-hao，NIU Rui-qing
（Institute of Geophysics and Geomatics，China University of Geosciences，Wuhan430074，China）

To efficiently excavate the knowledge from substantial and dynamic landslide monitoring data，we put forward a data mining approach using oracle trigger to monitor data.In order to improve the fitting precision of forecasting model，the time series model ARIMA（Autoregressive Integrated Moving Average Model）was employed to forecast the accumulative displacement and the Oracle trigger was used to refine the monitoring data and optimize the model parameter.Bazimen landslide was taken as a case study.The results indicate that the method improves the mining result of traditional static data and helps people to realize the value of dynamic data in landslide prevention.

dynamic data mining;landslide monitoring;Oracle trigger;ARIMA

X4

A

1001-5485（2013）05-0038-04

10.3969/j.issn.1001-5485.2013.05.0092013，30（05）:38-41，50

2012-04-30;

2012-06-11

國(guó)家973計(jì)劃資助項(xiàng)目（2011CB710601）;國(guó)家863計(jì)劃資助項(xiàng)目（2012AA121303）;國(guó)土資源部重大科學(xué)研究項(xiàng)目（SXKY3-3-2）

段功豪（1988-），男，湖北武漢人，碩士研究生，主要從事遙感影像數(shù)據(jù)挖掘、海量影像數(shù)據(jù)庫(kù)系統(tǒng)研究，（電話）15071278896（電子信箱）vipdgh@163.com。