【技术实现步骤摘要】
基于移动互联网的城市内涝监测预警方法、系统及介质
本专利技术涉及气象预警
,尤其涉及一种基于移动互联网的城市内涝监测预警方法、系统及介质。
技术介绍
洪涝灾害是城市气象灾害中威胁最大的一种气象灾害,但近年来,我国许多城市频繁遭遇暴雨袭击,从而引发严重的内涝。内涝带来巨大的危害:一、造成交通瘫痪,财产损失,水电通信故障;二、引发地铁倒灌,社会秩序混乱,线路漏电及下水井盖被排水管压流顶起形成无盖旋涡等;三、长期内涝,导致墙体坍塌及涝后疫病肆虐。因此,对于内涝的监测、分析和预警至关重要。由于形成城市内涝的条件比较多,比如降雨的强度、持续时间、地形特征、排水能力等。因此,目前的内涝监测预警难以综合所有的条件因素,导致内涝预警准确率不高,无法及时提醒内涝风险。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术的不足,提供一种基于移动互联网的城市内涝监测预警方法、系统及介质,可以直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险,无需综合所有的条件因素,内涝预测准确率高。本专利技术解决上述技术问题的技术方案如下:一种基于移动互联网的城市内涝监测预警方法,包括以下步骤:步骤1:构建待监测区域的移动互联网动态监测模型,利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集;步骤2:根据所述历史监测数据集对所述实时监测数据集进行迁移学习,得到所述待监测区域的内涝风险伪标签集;步骤3 ...
【技术保护点】
1.一种基于移动互联网的城市内涝监测预警方法,其特征在于,包括以下步骤:/n步骤1:构建待监测区域的移动互联网动态监测模型,利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集;/n步骤2:根据所述历史监测数据集对所述实时监测数据集进行迁移学习,得到所述待监测区域的内涝风险伪标签集;/n步骤3:基于图嵌入学习方法,根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习,得到目标相似性矩阵;/n步骤4:根据所述目标相似性矩阵和所述历史监测数据集,得到所述待监测区域的目标内涝风险标签集;/n步骤5:根据预设的预警模型和所述目标内涝风险标签集进行预警判断,完成预警。/n
【技术特征摘要】
1.一种基于移动互联网的城市内涝监测预警方法,其特征在于,包括以下步骤:
步骤1:构建待监测区域的移动互联网动态监测模型,利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集;
步骤2:根据所述历史监测数据集对所述实时监测数据集进行迁移学习,得到所述待监测区域的内涝风险伪标签集;
步骤3:基于图嵌入学习方法,根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习,得到目标相似性矩阵;
步骤4:根据所述目标相似性矩阵和所述历史监测数据集,得到所述待监测区域的目标内涝风险标签集;
步骤5:根据预设的预警模型和所述目标内涝风险标签集进行预警判断,完成预警。
2.根据权利要求1所述的基于移动互联网的城市内涝监测预警方法,其特征在于,在所述步骤1中,构建所述移动互联网动态监测模型具体包括以下步骤:
步骤11:获取所述待监测区域的地形基础数据;其中,所述地形基础数据包括地质环境数据和地貌形态数据;
步骤12:根据所述地形基础数据将所述待检测区域划分为多个子网格区域,并基于移动互联网,分别为每个子网格区域配置数据互联的光纤传感器监测网络;
步骤13:根据所有光纤传感器监测网络,得到所述移动互联网动态监测模型。
3.根据权利要求2所述的基于移动互联网的城市内涝监测预警方法,其特征在于,所述历史监测数据集包括每个子网格区域对应的光纤传感器监测网络监测对应的子网络区域在历史监测周期内的历史监测数据子集,所述实时监测数据集包括每个子网络区域对应的光纤传感器网络监测对应的子网络区域在当前监测周期内的实时监测数据子集;
所述步骤2具体包括以下步骤:
步骤21:分别对每个历史监测数据子集进行预处理,并将所有预处理后的历史监测数据子集作为历史样本集;分别对每个实时监测数据子集进行预处理,并将所有预处理后的实时监测数据子集作为实时样本集;
步骤22:将监测周期分为多个时间段,根据所有时间段和所述历史样本集构建历史样本矩阵,根据所有时间段和所述实时样本集构建实时样本矩阵;其中,所述历史样本矩阵的所有行和所述实时样本矩阵的所有行均与所有子网格区域一一对应,所述历史样本矩阵的所有列和所述实时样本矩阵的所有列均与所有时间段一一对应;
步骤23:根据所述历史样本矩阵计算所述实时样本矩阵中每个实时样本数据的注释概率和样本距离;
步骤24:根据所有注释概率和所有样本距离,计算得到损失函数;
计算所述损失函数的具体公式为:
其中,S为所述损失函数,Daj为所述历史样本矩阵中在第a类风险类别标签下的样本中心与第j个实时样本数据之间的距离,Naj为第j个实时样本数据属于所述历史样本矩阵中第a类风险类别标签的注释概率,A为所述历史样本矩阵和所述实时样本矩阵的风险类别标签总数,nc为实时样本数据总数;
步骤25:采用EasyTL学习方法,根据所述损失函数得到迁移学习模型;
所述迁移学习模型的具体公式为:
其中,s.t.表示所述迁移学习模型中的约束条件;
步骤26:对所述迁移学习模型进行求解,得到所述待监测区域的内涝风险伪标签集;
所述内涝风险伪标签集中第j个实时样本数据所属的风险类别伪标签具体为:
其中,yj为第j个实时样本数据所属的风险类别伪标签,Naj为第j个实时样本数据属于所述历史样本集中第r类类别标签的注释概率;为取最大值的自变量函数,代表使得的值最大所对应的类别标签r。
4.根据权利要求2所述的基于移动互联网的城市内涝监测预警方法,其特征在于,所述步骤3具体包括以下步骤:
步骤31:基于所述图嵌入学习方法,将所述历史样本矩阵作为历史数据图,将所述历史样本矩阵中所有历史样本数据均作为所述历史数据图的历史图数据节点;在所述历史数据图中选取任一个历史图数据节点,根据预设的连接关系判定方法,得到选取的历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵;
步骤32:遍历所述历史数据图中的每个历史图数据节点,按照所述步骤31的方法,得到每个历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵;
步骤33:根据所有类内节点关系矩阵得到所述历史数据图的历史类内相似性矩阵,根据所有类间节点关系矩阵得到所述历史数据图的历史类间相似性矩阵;
所述历史类内相似性矩阵的表达式具体为:
所述历史类间相似性矩阵的表达式具体为:
其中,和分别为所述历史类内相似性矩阵和所述历史类间相似性矩阵;为所述历史类内相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类内相似性,取决于第i1个历史图数据节点对应的类内节点关系矩阵;为所述历史类间相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类间相似性,取决于第i1个历史图数据节点对应的类间节点关系矩阵;nh为历史样本数据总数;
步骤34:将所述...
【专利技术属性】
技术研发人员:方攀,刘建勤,刘维星,李顺,
申请(专利权)人:哈工智慧武汉科技有限公司,
类型:发明
国别省市:湖北;42
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。