【技术实现步骤摘要】
面向物联网的基于长短时记忆网络的积水水位预测方法
本专利技术属于深度学习方法和积水水位时间序列预测等
，具体涉及一种使用LSTM神经网络预测积水水位的方法。
技术介绍
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...
【技术保护点】
1.一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，其特征在于，包括以下步骤：/n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；/n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；/n步骤S3，将训练集数据送入改进的LSTM长短期记忆神经网络中，对LSTM网络模型进行迭代优化；/n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。/n
【技术特征摘要】
1.一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，其特征在于，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，将训练集数据送入改进的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。
2.根据权利要求1所述的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，其特征在于，所述步骤S1通过物联网平台获取积水相关的多特征传感器数据，具体包括：
在积水点附近放置相应的传感器；感知数据通过网关的格式统一化处理后被送入物联网平台，融合从积水点所在地的气象官方网站获取的降雨数据，即可得到多特征的积水数据。其中传感器数据为每5分钟采集一次。
3.根据权利要求1所述的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，其特征在于，所述步骤S2对数据进行归一化处理，具体包括：将每个因子缩放到统一的尺度范围，以便对不同单位或数量级的指标进行比较和加权，采用Min-max归一化方法，将原始数据进行线性变换，使变换后的数据全部映射到[0-1]之间，转换公式为：
其中，x*为某积水因子归一化后的数据，x为某一类积水因子的原始数据。xmax为某一类积水因子的最大值，xmin为某一类积水因子的最小值。
4.根据权利要求1所述的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，其特征在于，所述LSTM长短期记忆神经网络首先包括确定输入输出向量的步骤：路面积水深度的历史值用wd表示，路面积水不仅与降雨量有关，还与附近的汇流和排水系统有很强的相关性，其中包括泵站状态，河道状态，闸门开合度以及水流速度；泵站状态由两个水位传感器联合监控，实时上报进水侧水位pi与出水侧水位po数据，河道状态包括河流的水位与流量情况，分别用rl、rf表示，闸门开合度由g表示，水流速度由wv表示，降雨量由rn表示；
LSTM神经网络的输入量为输出量为积水深度预测值，将输入输出量用时间序列表示，有：
其中，t表示当前时刻，th表示历史时间长度，Δt表示采样间隔，d表示预测时间步长，nh＝th/Δt表示时间步，这里数据为每5分钟采集一次，因此设置Δt＝5min，设置th＝30min，d＝30，即目标为预测半小时后的积水深度，利用前30分钟的数据预测下一时刻的积水深度，不断滚动预测，直到预测出目标积水深度。
5.根据权利要求4所述的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，其特征在于，LSTM长短期记忆神经...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。