基于优化FP‑Growth算法的滑坡频繁因素组合挖掘

李佳颖; 郝彬超; 王卫东; 王智超; 曹禄来; 韩征; 朱崇政

doi:10.13409/j.cnki.jdpme.20231217002

您当前的位置：

首页 >

文章列表页 >

基于优化FP‑Growth算法的滑坡频繁因素组合挖掘

论文 | 更新时间：2025-07-07

- 基于优化FP‑Growth算法的滑坡频繁因素组合挖掘
- Mining of Landslide Frequent Factor Combinations Based on Optimized FP‑Growth Algorithm
- 防灾减灾工程学报 2025年45卷第3期页码：532-541
- 作者机构：
  
  1.湘潭大学土木工程学院，湖南湘潭 411105
  2.中南大学土木工程学院，湖南长沙 410083
  3.创辉达设计股份有限公司，湖南长沙 410000
- 作者简介：
  
  李佳颖(1994—)，女，讲师，博士。主要从事滑坡等地质灾害与道铁选线规划方面的研究。E-mail:Jiaying_li@xtu.edu.cn
  王卫东(1971—)，男，教授，博士。主要从事滑坡等地质灾害研究。E-mail: csuwwd@csu.edu.cn
- 基金信息：
  
  国家自然科学基金项目(51478483;52078493);湖南省教育厅科研项目一般项目(23C0033);湘潭大学科研项目(23QDZ07)
- DOI：10.13409/j.cnki.jdpme.20231217002
  中图分类号： P642.22
- 收稿：2023-12-17，
  
  修回：2024-05-06，
  
  纸质出版：2025-06-28
- 稿件说明：
移动端阅览
李佳颖,郝彬超,王卫东等.基于优化FP‑Growth算法的滑坡频繁因素组合挖掘[J].防灾减灾工程学报,2025,45(03):532-541.

LI Jiaying,HAO Binchao,WANG Weidong,et al.Mining of Landslide Frequent Factor Combinations Based on Optimized FP‑Growth Algorithm[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(03):532-541.
李佳颖,郝彬超,王卫东等.基于优化FP‑Growth算法的滑坡频繁因素组合挖掘[J].防灾减灾工程学报,2025,45(03):532-541. DOI： 10.13409/j.cnki.jdpme.20231217002.

LI Jiaying,HAO Binchao,WANG Weidong,et al.Mining of Landslide Frequent Factor Combinations Based on Optimized FP‑Growth Algorithm[J].Journal of Disaster Prevention and Mitigation Engineering,2025,45(03):532-541. DOI： 10.13409/j.cnki.jdpme.20231217002.

摘要

滑坡影响因素复杂多样，挖掘滑坡的频繁因素组合能宏观快速地初步判识滑坡易发区域。以四川省凉山彝族自治州内586处滑坡灾害为样本数据，从地质条件、水文条件、地形条件、气象条件和人类工程活动五个方面收集12个滑坡影响因素，基于卡方检验剔除与滑坡灾害弱相关的影响因素，耦合分析滑坡区域与影响因素区划，针对大数据挖掘算法仅能以历史滑坡次数等离散型变量为挖掘依据的局限性，引入特征参数优化频繁模式树（FP⁃Growth）算法，使其能以历史滑坡面积和历史滑坡密度等连续型变量为挖掘依据，挖掘滑坡频繁二级因素组合，利用卡方检验与频率比检验挖掘结果准确性。结果表明：基于历史滑坡密度的优化关联规则算法能更好地挖掘滑坡频繁二级因素组合，其中，“高程<1 769 m、地表起伏度62~140 m”的区域滑坡最频繁，需要对滑坡灾害重点关注与防治。针对原始关联规则算法仅能以滑坡次数为挖掘依据的局限，优化算法以考虑滑坡范围的影响，深入研究多种影响因素对滑坡的综合作用，为滑坡灾害的快速判识与防灾减灾提供参考。

Abstract

The landslide influencing factors (LIFs) are complex and diverse. Mining frequent combinations of these factors can macroscopically and quickly identify landslide-prone areas. A total of 586 landslides in Liangshan Yi Autonomous Prefecture

Sichuan Province

were used as the sample dataset. Twelve LIFs were selected from five aspects: geological conditions

hydrological conditions

terrain conditions

meteorological conditions

and human engineering activities. The chi-squared test was used to eliminate LIFs weakly related to landslides

and coupled analysis was conducted between landslide areas and factor zoning. To address the limitation that big data mining algorithms could rely only on discrete variables such as the frequency of historical landslides

feature parameters were introduced to optimize the FP-Growth algorithm. This enabled it to utilize continuous variables such as historical landslide area and density as mining inputs. Frequent secondary factor combinations were mined

and their accuracy was verified using chi-squared and frequency ratio tests. The results showed that the optimized association rule algorithm based on historical landslide density was more effective in identifying frequent secondary factor combinations. Specifically

regions characterized by "elevation < 1 769 m and surface relief of 62-140 m" experienced the highest landslide frequency

requiring focused attention and mitigation efforts. This study addresses the limitation of conventional association rule algorithms that rely solely on landslide frequency as mining inputs. It optimizes the algorithm to incorporate the influence of landslide extent and conducts in-depth analysis of the combined effects of multiple LIFs on landslides

providing references for the rapid identification of landslide disasters and disaster mitigation.

关键词

Keywords

references

张泽方，钱志宽，魏勇，等 . 考虑最优影响因素组合的滑坡易发性评价：以水城区为例［J］. 科学技术与工程， 2023 ， 23 （ 10 ）： 4091 - 4099 .

Zhang Z F ， Qian Z K ， Wei Y ， et al . Landslide susceptibility evaluation considering optimal combination of influencing factors： a case study of shuicheng district ［J］. Science Technology and Engineering ， 2023 ， 23 （ 10 ）： 4091 - 4099 . （in Chinese）

Sun D L ， Wen H J ， Wang D Z ， et al . A random forest model of landslide susceptibility mapping based on hyperparameter optimization using Bayes algorithm ［J］. Geomorphology ， 2020 ， 362 ： 107201 .

秦文涛，郭小坤，郭军峰，等 . 数据仓库和数据挖掘技术在滑坡预测预报中的应用［J］. 岩土工程技术， 2022 ， 36 （ 3 ）： 185 - 189 .

Qin W T ， Guo X K ， Guo J F ， et al . Application of data warehouse and data mining on landslide prediction ［J］. Geotechnical Engineering Technique ， 2022 ， 36 （ 3 ）： 185 - 189 . （in Chinese）

朱鸿鹄，王佳，李厚芝，等 . 基于数据挖掘的三峡库区特大滑坡变形关联规则研究［J］. 工程地质学报， 2022 ， 30 （ 5 ）： 1517 - 1527 .

Zhu H H ， Wang J ， Li H Z ， et al . Association rule analysis for giant landslide deformation of the Three Gorges Reservoir region based on data mining ［J］. Journal of Engineering Geology ， 2022 ， 30 （ 5 ）： 1517 - 1527 . （in Chinese）

毛正君，张瑾鸽，仲佳鑫，等 . 基于确定性系数法的梯田型黄土滑坡隐患影响因素分析［J］. 水土保持通报， 2023 ， 43 （ 2 ）： 183 - 192， 340 .

Mao Z J ， Zhang J G ， Zhong J X ， et al . Sensitivity analysis on factors influencing loess terrace landslide potential using certainty factor method ［J］. Bulletin of Soil and Water Conservation ， 2023 ， 43 （ 2 ）： 183 - 192， 340 . （in Chinese）

Dun J ， Feng W ， Yi X ， et al . Detection and mapping of active landslides before impoundment in the baihetan reservoir area （China） based on the Time-Series InSAR Method ［J］. Remote Sensing ， 2021 ， 13 （ 16 ）： 3213 .

刘伟淇，张家铭 . 竹溪县滑坡灾害易发性分区评价［J］. 自然灾害学报， 2024 ， 33 （ 1 ）： 175 - 185 .

Liu W Q ， Zhang J M . Zoning evaluation of landslide hazard susceptibility in Zhuxi County ［J］. Journal of Natural Disasters ， 2024 ， 33 （ 1 ）： 175 - 185 . （in Chinese）

黄发明，刘科技，曾子强，等 . 环境因子筛选及组合方法对滑坡易发性预测的影响规律［J］. 应用基础与工程科学学报， 2024 ， 32 （ 1 ）： 49 - 71 .

Huang F M ， Liu K J ， Zeng Z Q ， et al . The impact of environmental factor screening and combination methods on landslide susceptibility prediction ［J］. Journal of Basic Science and Engineering ， 2024 ， 32 （ 1 ）： 49 - 71 . （in Chinese）

郭俊辉，李侠，叶晨男，等 . 输电线路区域滑坡易发性分析方法与应用［J］. 山西建筑， 2023 ， 49 （ 20 ）： 58 - 62 .

Guo J H ， Li X ， Ye C N ， et al . Analysis method and application of landslide susceptibility in transmission line areas ［J］. Shanxi Architecture ， 2023 ， 49 （ 20 ）： 58 - 62 . （in Chinese）

Sameen M I ， Sarkar R ， Pradhan B ， et al . Landslide spatial modelling using unsupervised factor optimisation and regularised greedy forests ［J］. Computers & Geosciences ， 2020 ， 134 ： 104336 .

崔成涛，李丽敏，符振涛，等 . 基于博弈论赋权信息量模型的滑坡易发性评价［J］. 人民珠江， 2024 ， 45 （ 2 ）： 9 - 17 .

Cui C T ， Li L M ， Fu Z T ， et al . Landslide susceptibility evaluation based on empowerment information quantity model of game ［J］. Theory Pearl River ， 2024 ， 45 （ 2 ）： 9 - 17 . （in Chinese）

李阳，张建军，魏广阔，等 . 晋西黄土区极端降雨后浅层滑坡调查及影响因素分析［J］. 水土保持学报， 2022 ， 36 （ 5 ）： 44 - 50 .

Li Y ， Zhang J J ， Wei G K ， et al . Investigation of shallow landslide after extreme rainfall and analysis of its influencing factors in the West Shanxi Loess Region ［J］. Journal of Soil and Water Conservation ， 2022 ， 36 （ 5 ）： 44 - 50 . （in Chinese）

高明，贺可强，刘洪华，等 . 基于变权重的水库滑坡稳定性模糊综合评价［J］. 科学技术与工程， 2022 ， 22 （ 10 ）： 3885 - 3891 .

Gao M ， He K Q ， Liu H H ， et al . Fuzzy comprehensive evaluation of reservoir landslide stability based on variable weight ［J］. Science Technology and Engineering ， 2022 ， 22 （ 10 ）： 3885 - 3891 . （in Chinese）

Zhang H ， Yin C ， Wang S P ， et al . Landslide susceptibility mapping based on landslide classification and improved convolutional neural networks ［J］. Natural Hazards ， 2023 ， 116 （ 2 ）： 1931 - 1971 .

Fister I J ， Fister I ， Fister D ， et al . A comprehensive review of visualization methods for association rule mining： Taxonomy， challenges， open problems and future ideas ［J］. Expert Systems with Applications ， 2023 ， 233 ： 120901 .

Yang Y ， Tian N ， Wang Y P ， et al . A parallel FP-Growth mining algorithm with load balancing constraints for traffic crash data ［J］. International Journal of Computers Communications & Control ， 2022 ， 17 （ 4 ）： 4806 .

Alsaeedi H A ， Alhegami A S . An incremental interesting maximal frequent itemset mining based on FP-Growth algorithm ［J］. Complexity ， 2022 ， 2022 ： 1942517 .

Jang H J ， Yang Y ， Park J S ， et al . FP-Growth algorithm for discovering region-based association rule in the IoT environment ［J］. Electronics ， 2021 ， 10 （ 24 ）： 3091 .

Li J Y ， Wang W D ， Han Z ， et al . Analysis of secondary-factor combinations of landslides using improved association rule algorithms： a case study of Kitakyushu in Japan ［J］. Geomatics Natural Hazards & Risk ， 2021 ， 12 （ 1 ）： 1885 - 1904 .

李佳临，邬阳，魏奇，等 . 改进关联规则算法在自然资源云中的应用研究［J］. 时空信息学报， 2024 ， 31 （ 1 ）： 140 - 147 .

Li J L ， Wu Y ， Wei Q ， et al . Research on the application of improved association rule algorithm in natural resource cloud ［J］. Journal of Spatio-Temporal Information ， 2024 ， 31 （ 1 ）： 140 - 147 . （in Chinese）

Fernandez-Basso C ， Ruiz M D ， Martin-Bautista M J . New Spark solutions for distributed frequent itemset and association rule mining algorithms ［J］. Cluster Computing the Journal of Networks Software Tools and Applications ， 2024 ， 27 （ 2 ）： 1217 - 1234 .

Li H S ， Sheu P C Y . A scalable association rule learning and recommendation algorithm for large-scale microarray datasets ［J］. Journal of Big Data ， 2022 ， 9 （ 1 ）： 35 .

乔阳阳，王丽娟 . 数据点位置并行FP-Growth挖掘算法仿真［J］. 计算机仿真， 2023 ， 40 （ 5 ）： 501 - 505 .

Qiao Y Y ， Wang L J . Simulation of parallel FP‑Growth mining algorithm for data point location ［J］. Computer Simulation ， 2023 ， 40 （ 5 ）： 501 - 505 . （in Chinese）

魏坤，王芳，黄树成 . 改进的频繁模式挖掘算法［J］. 计算机与数字工程， 2021 ， 49 （ 11 ）： 2175 - 2179 .

Wei K ， Wang F ， Huang S C . Improved frequent pattern mining algorithm ［J］. Computer & Digital Engineering ， 2021 ， 49 （ 11 ）： 2175 - 2179 . （in Chinese）

毛伊敏，吴斌，许春冬，等 . 基于Spark的并行频繁项集挖掘算法［J］. 计算机集成制造系统， 2023 ， 29 （ 4 ）： 1267 - 1283 .

Mao Y M ， Wu B ， Xu C D ， et al . Parallel algorithm for mining frequent item sets based on spark ［J］. Computer Integrated Manufacturing Systems ， 2023 ， 29 （ 4 ）： 1267 - 1283 . （in Chinese）

Doğan O ， Taşpınar S ， Bera A K . A Bayesian robust chi-squared test for testing simple hypotheses ［J］. Journal of Econometrics ， 2021 ， 222 （ 2 ）： 933 - 958 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据