CN117315318B 基于深度学习的城市内涝快速预测方法 （同济大学）

本发明提供了一种基于深度学习的城市内量和对应的淹没水深数据对SN_DL模型进行训序和地形信息中该区域的区域地形信息输入对积水预测结果进行整合，得到t时刻的地区积水21.一种基于深度学习的城市内涝快速预测方法，用于根据地区的t时刻的外部入流量步骤S3，对每个所述区域，将所述外部入流量信息中该区域所述地形信息中该区域的区域地形信息H输入对应的训练好的SN_DL模型，得到该区域的t步骤S4，对t时刻的所有所述区域积水预测结果进行整特征融合模块，用于对所述时序特征LM(t)和所述空间特征HP(t)进所述特征提取模块包括LSTM子模块和ML所述LSTM子模块用于对所述外部入流量时序L(t)进行时序特征提所述MLP子模块用于对所述区域地形信息H进行空间特征提取，得到所述空间特征HP所述MLP_A子模块用于根据所述融合特征LH(所述判断子模块用于根据所述地面积水位置C(t)判断是否存在积所述MLP_B子模块用于根据所述融合特征LH(t)和所述地面积水位置C(所述外部入流量信息为降雨时所述地区的管网中所有节点在t时刻的外部入流量数其中，在所述步骤S1中，所述图像分割方法SLIC的参数包括K_means的最大迭代次数max_item、分割输出图像中的标签数n_segments和平衡颜色接近度和空间接近度置目标函数和约束条件计算得到。3target1=min("area,-p),则所述平衡颜色接近度和空间接近度compacmess＝0.6，所述割输出图像中的标签数其中，所述特征融合模块将所述空间特征HP(t)经由激活函数S式中α和β为用于调节学习率从而控制不同任务的学习速度的超参数，λ为用于平衡数4的数据驱动模型进入城市内涝预测预警技术的研究该区域的区域地形信息H输入对应的训练好的SN_DL模型，得到该区域的t时刻的区域积水入流量时序L(t)和所述区域地形信息H进行特征提取，得到时序特征LM(t)和空间特征HP5判断子模块和MLP_B子模块，所述MLP_A子模块用于根据所述融合特征LH(t)得到地面积水积水预测结果，所述MLP_B子模块用于根据所述融合特征LH(t)和所述地面积水位置C(t)，区的管网中所有节点在t时刻的外部入流量数据，所述地形信息为所述地区的地面高程数征：其中，在所述步骤S1中，所述图像分割方法SLIC的参数包括K_means的最大迭代次数max_item、分割输出图像中的标签数n_segments和平衡颜色接近度和空间接近度置目标函数和约束条件计算得到。输出图像中的标签数n_segments＝1征：其中，对SN_DL模型进行训练时使用的损失函数为损失函数Lossfunc，损失函数(Doutput，Coutput)，dis(Doutpus,couspur)=1-式中α和β为用于调节学习率从而控制不同任务的学习速度的超参数，λ为用于平衡数据损失6[0017]图4是本发明的实施例中不同compactness和n_segments取值下的目标函数值变施例结合附图对本发明基于深度学习的城市内涝快速预测方[0031]本发明的基于深度学习的城市内涝快速预测方法用于根据地区的t时刻的外部入[0032]其中，外部入流量信息为降雨时地区的管网中所有节点在t时刻的外部入流量数7[0039]如图3所示，横坐标和纵坐标分别表示JD地区的空间位置(x，y)，每个像元表示[0040]其中，在步骤S1中，图像分割方法SLIC的参数包括K_means的最大迭代次数max_平衡颜色接近度和空间接近度compactness和标签数n_segments通过设置目标函数和约束[0042]target1=min(""area,-p),颜色接近度和空间接近度compactness＝0.6，所述割输出图像中的标签数n_segments=[0046]图4是本发明的实施例中不同compactness和n_segments取值下的目标函数值变[0049]如图5所示，横坐标和纵坐标分别表示JD地区的空间位置(x，y)，每个像元表示2，每个由黑色粗线围成的不规则单元为JD[0054]式中α和β为用于调节学习率从而控制不同任务的学习速度的超参数，λ为用于平8衡数据损失项和惩罚项的参数，MSELoss为均方误差，BCELoss为二分类交叉熵损失，[0059]步骤S3，对每个所述区域，将所述外部入流量信息中该区域的外部入流量时序L(t)和所述地形信息中该区域的区域地形信息H输入对应的训练好的SN_DL模[0064]LSRM子模块101对输入的外部入流量时序L(t)进行时序特征提取，得到时序特征[0065]MLP子模块102用于对输入的区域地形信息H进行空间特征提取，得到空间特征HP921_激活函数Sigmoid映射得到编码信息，编码信息为一串0或1的编码即映射过程中将特征矩220.10.1[0081]本实施例中将JD地区现有的S次降雨的T个时刻内的外部入流量信息和JD地区的进行计算，得到积水预测结果集再与JD地区的实际尔逊相关系数CC和纳什效率系数NSE，其中ACC和FNR用于评估空间位置上的积水判断结果中降雨历时t下空间位置p处积水预测结果为积水且实际积水情况为积水的降雨场次数，为所有降雨场次中降雨历时t下空间位置p处积水预测结果为不积水且实际积水情况处积水预测结果为不积水且实际积水情况为不积水的__的基于深度学习的城市内涝快速预测方法计算得到的地区积水预测结果与实际积水数据20和MLP_B子模块303，其工作流程为将外部入流量时序L(t)经由传统LSTM子模块104得到子模块106得到时序特征LM(t)，将区域地形信息H经由MLP子模块102得到空间特征HP(t)，采用前5个时间步的输入数据预测当前时间步的输出，因此对外部入流量时序L(t)进行修第二MLP子模块106的未出现在表中的参数与LSTM子模块1[0118]ACC均值MAPE均值CC中位数NSE中位数[0119]上表中第一列为各个模型的名称，第二列至第五列依次为各个模型对应的ACC均据从小到大排序第75％的数，箱体下边缘为下四分位数即数据从小到大排序第25％的数，箱体长度为下四分位数到上四分位数的四分位距IQR，箱体外上边缘短线为上四分位数+