一种基于萤火虫算法的内涝模型预测方法技术

本发明专利技术属于内涝模型技术领域，具体涉及一种基于萤火虫算法的内涝模型预测方法，所述的方法包括：步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函，训练神经网络的权值和阈值，得到最优参数；步骤2、使用步骤1中得到的最优参数构建内涝预测模型；本发明专利技术提供的基于萤火虫算法内涝预测模型，通过采用萤火虫群算法训练神经网络的权值和阈值，采用训练好的神经网络模型进行内涝预测；该方法克服了传统的降雨积水模型需要大量的基础数据资料，要求精通水文物理过程等不足之处，同时解决了神经网络易陷入局部极小的缺点，对实现城市内涝的准确预报，以及加快智慧城市的进程具有重要意义。

【技术实现步骤摘要】
一种基于萤火虫算法的内涝模型预测方法
本专利技术属于内涝模型
，具体涉及一种基于萤火虫算法的内涝模型预测方法。
技术介绍
随着社会的发展，工业化进程加快，使得生态环境遭到破坏，内涝灾害频发，内涝不仅会导致交通瘫痪，对人民的人身安全和财产都会造成很大的损失。对于内涝模型的研究和内涝预测显得尤为重要。对城市内涝进行提前预报，提高预测的准确率，可以有效的减少城市内涝的影响，加速智慧城市的进程。传统的降雨积水模型SWMM等需要大量的基础数据资料，要求精通水文物理过程，这些限制了模型的精度和使用。随着智慧城市的发展，排水网管监控系统的完善，能够实时远程获得降雨和液位数据，而气象和降雨信息也可以实时采集到，利用这些监测数据可以构建内涝预测模型，对城市内涝进行预测，减少损失。
技术实现思路
本专利技术的目的在于克服现有内涝模型的不足，解决了神经网络易陷入局部极小的缺点，本专利技术提供一种基于萤火虫算法的内涝模型预测方法。为了实现上述目的，本专利技术采用以下技术方案予以实现：一种基于萤火虫算法的内涝模型，包括以下步骤：步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函数训练神经网络的阈值和权重，得到训练好的神经网络；步骤2、使用步骤1中得到的神经网络构建内涝预测模型。与现有技术相比，本专利技术具有以下技术效果：本专利技术提供的基于萤火虫算法内涝模型预测方法，通过采用萤火虫群优化算法优化神经网络的阈值和权值，采用训练好的神经网络模型进行内涝预测；该方法克服了传统的降雨积水模型需要大量的基础数据资料，要求精通水文物理过程等不足之处，同时解决了神经网络易陷入局部极小的缺点，对实现城市内涝的准确预报，以及加快智慧城市的进程具有重要意义。本专利技术的其他特征和优点将在随后的具体实施方式中予以详细说明。附图说明图1为本专利技术提供的一种基于萤火虫算法的内涝模型预测方法的流程示意图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图，进一步阐明本专利技术。如图1所示，本专利技术提供了一种基于萤火虫算法的内涝模型预测方法，包括以下步骤：步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函数训练神经网络的阈值和权重，得到训练好的神经网络；该步骤1具体包括：步骤1.1：初始化步骤1.1.1：神经网络的输入层、隐含层和输出层的神经元个数分为为n，m，g；使用实数编码对个体进行表征，实数编码包含隐含层阈值bj、输出层阈值θk、输入层与隐含层之间的权重vij、隐含层与输出层之间的权重wjk，则神经网络需要优化的参数个数为n×m+m+m×g+g；假设一个萤火虫群中有h个萤火虫，第p个萤火虫个体记为xp，p＝1，…，h，并有xp＝(v11，…，vnm，b1，…，bm，w11，…，wmg，θ1，…θg)，定义所述h个萤火虫中第p个萤火虫的荧光素挥发因子为ρ、荧光素更新率为γ、动态决策域更新率为β、邻域集内包含的萤火虫数目的阈值为T、感知半径为初始荧光素值为lp(0)、初始动态决策域半径为定义迭代次数为t；最大迭代次数为iter_max；例如，荧光素挥发因子ρ＝0.4、荧光素更新率γ＝0.6、动态决策域更新率β＝0.08，等邻域集内包含的萤火虫数目的阈值为T＝50、感知半径为初始荧光素值为lp(0)＝5、初始动态决策域半径为步骤1.1.2：初始化BP神经网络模型的基本参数，包括：训练次数N、学习率η等；例如，将BP神经网络的训练次数设为3000，学习率设为0.01。步骤1.2：荧光素更新阶段；步骤1.2.1：通过式(1)计算第t次迭代时第p个萤火虫xp的适应度函数值F(i)；其中yi为实测值，为模型预测值；为神经网络的训练误差。步骤1.2.2：通过式(2)计算第t次迭代时第p个萤火虫xp(t)的荧光素值lp(t)：lp(t)＝(1-ρ)×lp(t-1)+γF(xp(t))(2)式(2)表示将第p个萤火虫在第t次迭代的位置xp(t)对应的适应度值F(xp(t))转换为荧光素值lp(t)；步骤1.3：萤火虫个体移动阶段；步骤1.3.1：计算第t次迭代时第p个萤火虫xp到其他的n-1个萤火虫之间的汉明距离，在第i个萤火虫xp的动态决策域半径内，选择荧光素值比自己大的个体构成邻域集Mp(t)；且所述邻域集Mp(t)中萤火虫总数表示为|Mp(t)|，步骤1.3.2：通过式(3)计算第t次迭代时第p个萤火虫xp移向邻域集内Mp(t)中第s个萤火虫xs的概率pps(t)：式(3)中，s,b＝1,2,…,Mp(t)；第t次迭代时第p个萤火虫xp移向具有最大概率的萤火虫xs；pps(t)越大，萤火虫p选择相应的萤火虫s并向其移动的概率越大，定好移动目标s后，萤火虫p向其移动，位置更新公式为：其中，e为步长；萤火虫算法模拟自然界中萤火虫的发光行为，萤火虫通过发光吸引伴侣求偶或者觅食，个体萤火虫的发光越亮则吸引力越大，那么，其他的大部分萤火虫被最亮的萤火虫所吸引，聚集到该萤火虫附近，这个萤火虫就是最优解。萤火虫算法在后期会出现震荡现象，这是由于步长选取不当造成的，本专利技术中引入变步长的概念，在迭代初期步长较大，能够提到搜索速度，而在迭代后期为步长较小，便于在局部内求最高，不会因为步长太大而跳过最优解，具体公式如下：e(t)＝emaxec·g(t)其中g(t)和tmax为当前迭代次数和最大迭代次数，emax和emin分别表示e的最大值和最小值。步骤1.4：动态决策域更新阶段；利用式(5)获得第t+1次迭代时第p个萤火虫xp的动态决策域半径步骤1.5：输出最优解；判断t+1＞iter_max是否成立，若成立，则输出第t+1次迭代时第p个萤火虫xp的位置xp(t+1)作为最优解，否则，将t+1赋值给t，并返回步骤1.2顺序执行；步骤1.6：适应度最高的萤火虫个体的位置就是最优解，最优解即为神经网络模型的最优阈值和权值。步骤2、使用步骤1中得到的最优参数构建内涝预测模型。步骤2具体为：模型输入层为液位、降雨和气象数据(包括观测站点、历史降雨量、当前降雨量、最高气温、最低气温、风速、蒸发量)、数字高程模型、管道类型，输出层为未来水位、内涝等级。将输入层的数据输入到步骤1得到的内涝预测模型中，进行未来水位和内涝等级预测。通过本专利技术提供的方法，弥补了传统的降雨积水模型需要大量的基础数据资料，要求精通水文物理过程等不足之处，同时解决了神经网络易陷入局部极小的缺点，对实现城市内涝的准确预报，对保障人民的生命财产安全，加快智慧城市进程具有重要的意义。以上显示和描述了本专利技术的基本原理、主要特征和本专利技术的特点。本行业的技术人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只是说明本文档来自技高网...

【技术保护点】
1.一种基于萤火虫算法的内涝模型预测方法，其特征在于，包括以下步骤：/n步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函数训练神经网络的阈值和权重，得到训练好的神经网络；/n步骤2、使用步骤1中得到的神经网络构建内涝预测模型。/n

【技术特征摘要】
1.一种基于萤火虫算法的内涝模型预测方法，其特征在于，包括以下步骤：
步骤1、使用神经网络的训练误差作为萤火虫个体的适应度函数训练神经网络的阈值和权重，得到训练好的神经网络；
步骤2、使用步骤1中得到的神经网络构建内涝预测模型。


2.根据权利要求1所述的基于萤火虫算法的内涝模型预测方法，其特征在于，步骤1具体包括以下步骤：
步骤1.1：初始化
步骤1.1.1：神经网络的输入层、隐含层和输出层的神经元个数分为为n，m，g；使用实数编码对个体进行表征，实数编码包含隐含层阈值bj、输出层阈值θk、输入层与隐含层之间的权重vij、隐含层与输出层之间的权重wjk，则神经网络需要优化的参数个数为n×m+m+m×g+g；
假设一个萤火虫群中有h个萤火虫，第p个萤火虫个体记为xp，p＝1,…,h，并有xp＝(v11,…,vnm,b1,…,bm,w11,…,wmg,θ1,…θg)，定义所述h个萤火虫中第p个萤火虫的荧光素挥发因子为ρ、荧光素更新率为γ、动态决策域更新率为β、邻域集内包含的萤火虫数目的阈值为T、感知半径为初始荧光素值为lp(0)、初始动态决策域半径为定义迭代次数为t；最大迭代次数为iter_max；
步骤1.1.2：初始化BP神经网络模型的基本参数，包括：训练次数N、学习率η等；
步骤1.2：荧光素更新阶段；
步骤1.2.1：通过式(1)计算第t次迭代时第p个萤火虫xp的适应度函数值F(i)；



其中yi为实测值，为模型预测值；为神经网络的训练误差；
步骤1.2.2：通过式(2)计算第t次迭代时第p个萤火虫xp(t)的荧光素值lp(t)：
lp(t)＝(1-ρ)×lp(t-1)+γF(xp(t))(2)
式(2)表示将第p个萤火虫在第t次迭代...

【专利技术属性】
技术研发人员：张琛，王晓峰，檀明，陈圣兵，邹乐，谢贻富，刘胜军，孟虎，胡永培，
申请(专利权)人：合肥学院，
类型：发明
国别省市：安徽;34