内涝预测模型的训练方法、模型及预测方法和存储装置制造方法及图纸

本申请涉及一种内涝预测模型的训练方法、模型及预测方法和存储装置。使用容易取得的降雨量、气候温度、最大积水深度这些历史数据，在预测时，使用天气预报数据结合容易现场采集的管道数据，采用改进灰色模型外推插补不同时刻的特征数据序列并与长短时记忆网LSTM相结合，进行特征序列预测。从而提高在小样本情况下的数据预测的准确率。通过多个一维卷积层对大数据样本进行特征向量的提取。避免人为的选取特征，使得整体算法可以自适应提取最具代表性的主成分特征，自动权衡各个特征的权重配比。自动权衡各个特征的权重配比。自动权衡各个特征的权重配比。

【技术实现步骤摘要】
内涝预测模型的训练方法、模型及预测方法和存储装置


[0001]本申请属于城市内涝预报
，尤其是涉及一种内涝预测模型的训练方法、模型及预测方法和存储装置。

技术介绍

[0002]人类的各种生产活动，使得全球气候变暖趋势严重，各种极端气候造成的灾难事件频发。尤其是最近台风造成多日暴雨，使得大部分地区深受洪涝灾害，内涝积水的影响，给人们的生活造成了极大的不便。目前国内外众多学者针对于内涝灾害的预测投入了大量的研究。内容涉及了内涝的成因，危险性，脆弱性以及风险评估等问题。研究方法大致可以分为两个学派。一个学派是依赖于传统的水文模型，水利工程经验，市政规划的知识。如基于情景模拟与多源数据的城市内涝风险评估中通过情景模拟法，结合百度热力图，NPP
‑
VIIRS灯光等多源数据进行灾害风险评估，采用HR阈值法进行建模；文献《基于物联网的城市内涝在线预测预警系统》中，在区域管模型的基础上，构建了排洪防涝模型。又如文献《The Study of Urban Rainstorm Waterlogging Scenario Simulation本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种内涝预测模型的训练方法，其特征在于，包括以下步骤：S1:获取充分多条特定区域的一段时间内的降雨量、气候温度、最大积水深度的历史数据；其中降雨量、气化温度、最大积水深度都是由气象部门的数据采集得到，降雨量、气化温度为按照时间顺序排列的一维向量，最大积水深度与降雨量、气化温度相对应；获取所述特定区域的管道分布图，根据管道分布图构建管道分布特征向量，所述管道分布特征向量为一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值；连列降雨量、气候温度、管道分布特征向量，形成初始特征向量A1；S2:通过多层的一维卷积层对初始特征向量A1进行特征提取，得到提取特征之后的提取特征向量A2；S3:将提取特征向量A2通过灰色模型GM(1,1)进行m次累加循环，生成预测序列A3；S4:计算灰色模型GM(1,1)输出的预测序列A3与原始序列A1的残差序列e；e＝A3‑
A1；S5:将残差序列e归一化之后，作为长短时记忆网络神经模型的训练用输入向量，将最大积水深度作为长短时记忆网络神经模型的训练用输出向量；S6：使用训练用输入向量和训练用输出向量训练长短时记忆网，得出内涝预测模型。2.根据权利要求1所述的内涝预测模型的训练方法，其特征在于，每种管道分布下的历史数据至少为500条以上。3.根据权利要求1或2所述的内涝预测模型的训练方法，其特征在于，流入和流出所述特定区域的管道为4个，流出管道为3，当流入管道或流出管道不足时，以0补齐，当流入管道或流出管道超出时，舍弃流量较小的那些管道的数据。4.根据权利要求1或2所述的内涝预测模型的训练方法，其特征在于，所述特定区域为桥底、隧道、低洼路面。5.一种内涝预测模型装置，其特征在于，使用权利要求...

【专利技术属性】
技术研发人员：刘晓海，金科，
申请(专利权)人：欧梯恩智能科技苏州有限公司，
类型：发明
国别省市：