[发明专利]一种基于样本学习的积涝水位预测方法

说明书

本发明涉及涉及一种基于样本学习的积涝水位预测方法。本发明方法主要包括三个部分：积涝站数据的预处理，面向积涝水位预测的深度神经网络回归模型的构建，以及面向积涝水位预测的深度神经网络回归模型的训练和实时预测。本发明利用积涝站积累的历时水位和降雨量数据非线性关系,通过回归分析挖掘当前水位,前M分钟的水位和降雨量信息，以及k分钟内的降雨量，与K分钟后水位的非线性关系。本方法无需构建各种具有物理意义的模型并进行参数率定，而是通过样本学习来获得模型参数。实验结果显示本发明方法在测试样例中具有较低的均方误差。

技术领域

本发明属于利用数据挖掘技术进行城市积涝预测领域，涉及一种基于样本学习的积涝水位预测方法。

背景技术

近年来,随着城市极端气候的增加,城市规模不断的扩大，城市地表自然渗透系统越来越差的现状,导致城市内涝灾害频发。由于很多城市基础设施建设跟不上城市快速发展的步伐，排水能力有限，一旦遭遇强降雨或连续性降雨，极易发生城市内涝，轻者导致交通瘫痪，重者导致极大的经济损失。城市内涝频发的事实引起了社会的极大关注。如果能有效的根据降雨量预测城市各个关键区域的积涝水位深度和道路的淹没程度，从而通过气象部门发出预警信息，可进一步提高城市管理部门在面对暴雨积涝灾害的应对能力，具有非常重要的实际应用价值。

当前已有的方法主要采用构建城市暴雨积涝模型(SWMM)，并对模型中的参数进行率定，从而模拟城市遭暴雨时可能出现的城市积涝位置和深度。基于暴雨积涝模型的构建不仅涉及到降水数据，还需要丰富的地理数据(地形、地貌、地物、排水等)作支撑。城市暴雨积涝模型就是径流过程的模拟，径流是一个复杂的过程，可以划分为产流和汇流两个部分，产流是指降水经过一列过程后到达地面引起地表漫流的过程，汇流是指产流的雨量经由管线、出水口汇集，最后流出流域出口断面的过程。南京信息工程大学的王伟在其硕士论文《基于 GIS和SWMM模型的城市内涝模拟研究》提出了结合GIS和SWMM 模型的城市内涝模型用于模拟暴雨产生的内涝区域和水深。在该方法中，采用的SWMM模型主要用于实现对城市降雨径流过程的模拟以及城市排水系统的数值计算。并利用GIS系统用于呈现暴雨的积涝区域和深度。在该方法需要根据坡度和高程信息进行城市汇水区域的划分。并采用粒子群算法和二次规划算法进行SWMM参数的率定。

SWMM模型的使用过程中仍存在数据难以获取、处理过程复杂、数据概化不合理、参数率定困难等问题。针对这些问题，本发明方法回避复杂模型构建过程。针对易于积涝的区域，通过设立积涝站(集成了电子水尺和雨量传感器，并可以联网传输数据)来积累该区域中降雨量和积涝水位在时间上的对应关系数据。然后根据获取的样本数据，通过数据挖掘和深度学习的回归方法，在给定当前水位和前M分钟内的降雨量，以及预估的后K分钟内的降雨量来预测K分钟后该区域的水位。通过样本数据的挖掘和学习获取该区域内水位与前M分钟内的哪一时刻的降雨量关联性的权重信息。基于这一思路，本发明方法将该区域内各种地表环境、地下管网、高程等信息都通过已有历时数据中的水位和雨量的对应关系在深度学习模型的参数进行表达。并可以方便地通过最优化的方法和历时数据来学习模型中的参数。

本发明方法在对浙江省宁波市已安装的积涝站设备的区域进行模型参数的学习，并采用了部分测试数据进行了测试，实验结果显示本发明方法在输入未来K分钟内的降雨量的情况下，获得了较好的预测效果，预测水位误差小于1cm。

该发明方法利用深度学习的强大的学习能力，并且易于根据样本进行更新，从而能快速应对新出现的环境变化。该发明方法可对不同区域进行针对性地训练特定的模型，模型能够应对当前区域的环境信息，具有对不同区域环境的适应性。另外，对每个区域获取的当前雨量和水位数据可以快速地预测该区域将来K分钟后的水位深度，具有非常及时的预测能力。该预测结果可以通过联网快速的发布给政府管理部门和城市居民，从而可以有效地降低城市积涝导致的各种次生灾害的发生。

发明内容

本发明针对现有技术的不足，提供了一种基于样本学习的积涝水位预测方法。本方面利用对已有历时数据的学习来预测积涝水位。