[发明专利]面向物联网的基于长短时记忆网络的积水水位预测方法

说明书

本发明请求保护一种面向物联网的基于长短时记忆网络的积水水位预测方法，用于城市积水点未来水位的预测，其包括以下步骤：采集多特征变量的积水时间数据，进行数据清洗和归一化处理，将数据按比例划分为训练集和测试集；将训练集数据送入LSTM神经网络中，对网络进行迭代优化；利用已训练好的LSTM网络预测模型对测试集进行预测，并评估模型误差。本发明的方法能够提取积水特征数据之间的时间关系，有效预测内涝点积水水位。相比BP,RNN神经网络，本发明方法对积水水位预测的RMSE和MAE都最小，具有更好地拟合实际积水水位的效果。

技术领域

本发明属于深度学习方法和积水水位时间序列预测等技术领域，具体涉及一种使用LSTM神经网络预测积水水位的方法。

背景技术

近年来，因城市暴雨频发，导致城市出现积水，内涝甚至洪灾状况严重，造成交通拥堵和财产损失，为人们的生活带来极大的不便。随着传感器技术与物联网技术的迅速发展以及传感器的广泛部署，可以实现实时获取各地积水信息。然而，目前对积水数据的进一步分析十分有限，造成对城市暴雨积水只监不控的状况。城市暴雨积水问题一直是多年来困扰居民的难题之一，提高暴雨积水的预测能力，为防灾减灾措施提供依据成为亟待解决的问题。传统的暴雨积水研究主要基于暴雨管理模型、蓄水处理与溢流模型、伊利诺城市排水模型等雨洪模型，但水文系统结构复杂难以模拟，资料有限等因素导致了模型精度不高，难以扩大应用范围等问题。随着物联网平台的研发与应用，可以通过传感器实时远程获取内涝点水位数据以及内涝点附近河道，泵站、闸门和水流状态数据。通过气象站数据库，可以获取历年来的天气数据。针对积水数据分析不足的问题，本文对多维度的传感器数据与天气数据融合处理，使用长短期记忆网络(Long Short-Term Memory，LSTM)模型达到预测积水的目的。

人工神经网络因具有强大的非线性逼近能力被广泛应用于降雨径流预报、排水系统降雨水位预测等时间序列预测研究。邵月红等分别采用递归神经网络和水文模型预报降雨径流量，结果表明递归神经网络预报效果更好。Chang F J 等分别采用前馈神经网络和递归神经网络预测台北某水库降雨水位，验证了递归神经网络预测效果的优越性以及降雨因素在水位预测中的重要性。Yen-ming C等采用递归神经网络构造城市污水系统降雨与水位映射关系模型，结果表明递归神经网络能够学习污水系统水位时变过程且短时预测性能稳定。张梦等联合使用回声状态网络和粒子群算法预测积水，结果得到了更为精确的预测结果。虽然传统递归神经网络在水文时间序列预测领域表现良好，但在处理长时间序列和时间间隔较长的预测时，容易出现梯度消失的问题，导致预测效果不理想。同时，现有的积水预测方案都仅仅基于降雨和水位之间的单一映射关系进行预测，而在实际情况中，还存在着很多其他影响积水的因素。仅使用单一降雨因素的预测结果会与实际积水情况出现较大偏差。LSTM神经网络相较于传统的递归神经网络，可以很好的对长时序列进行预测，并解决了RNN中梯度消失的问题。本文采用LSTM构建积水预测模型，融合多个维度的数据，包括天气情况，河道，泵站、闸门和水流状态数据来代替传统的单一维度的降雨数据进行预测，提高了积水预测的准确度。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种面向物联网的基于长短时记忆网络的积水水位预测方法。本发明的技术方案如下：

一种面向物联网的基于长短时记忆网络的积水水位预测方法，其包括以下步骤：

步骤S1，通过物联网平台获取积水相关的多特征传感器数据，所述积水相关的多特征传感器数据包括天气情况，河道，泵站、闸门和水流状态数据，并在气象官方网站上获取降雨数据；

步骤S2，对获取的多特征积水相关数据进行清洗和归一化处理，并按比例将数据划分为训练集和测试集；

步骤S3，将训练集数据送入LSTM长短期记忆神经网络中，对LSTM网络模型进行迭代优化；

步骤S4，利用已训练好的LSTM模型对测试集进行预测，并评估模型误差。