一种基于二次异构模态分解ESN模型的城市内涝预报方法技术

本发明专利技术提供了一种基于二次异构模态分解ESN模型的城市内涝预报方法，包括以下步骤：步骤1，收集内涝点降雨量和内涝点水深历史数据；步骤2，对内涝点降雨数据和水位数据进行初步的探索和分析；步骤3，对上述孤立森林模型检测出的异常值采取修正替换，对缺失值采取删除或补填的方法；步骤4，将内涝点水位数据和雨量数据规整到同一时间粒度；步骤5，特征构造；步骤6，特征归一化；步骤7，模型构建；步骤8，将构建好的模型保存到pkl文件；对于未来的降雨量数据，经过孤立森林，CEEMDAN分解、VMD分解，Lasso筛选、归一化环节过后放入模型进行训练并预测相对应的内涝水深；步骤9，模型评估；应用本技术方案可实现提升内涝点预测的准确性。术方案可实现提升内涝点预测的准确性。术方案可实现提升内涝点预测的准确性。

【技术实现步骤摘要】
一种基于二次异构模态分解ESN模型的城市内涝预报方法


[0001]本专利技术涉及城市内涝点预测
，特别是一种基于二次异构模态分解ESN模型的城市内涝预报方法。

技术介绍

[0002]城市内涝是指由于强降水或连续性降水，导致产生的雨水超过城市排水能力致使城市内产生内涝灾害的现象，内涝点是指在降雨过程中容易发生内涝或河流泛滥的地区，也称为洪涝易发区，这些区域一般具有以下特点：地势低洼、排水设施不完善、土壤水分饱和度高、入渗能力弱、降雨强度大等。
[0003]造成内涝的主要因素是降雨强度大并且范围集中，除此之外，由于我国经济的高速发展，城市规模不断扩大，道路、建筑密度不断增加，原本用于疏水排水的人工河渠和天然湿地被水泥地占用，一旦遭遇暴雨、强暴雨袭击，路面积水成倍增加，形成洪涝。
[0004]城市内涝是快速城市化发展下的中国等多种背景下综合作用产生出来的普遍问题。对于城市规划和城市管理，要加强对内涝点的识别和治理，加强排水设施的建设和维护，减少洪涝灾害的发生。
[0005]内涝点内涝预报是一种重要的防洪减灾工作，目前，内涝点内涝预报技术已经得到了较大的发展和应用。常见的内涝点预报技术主要是基于机理模型的预报，利用无人机、遥感和GIS技术收集如建筑物、道路、河流、管网、高程等基础信息，并构建基于SWMM、SWAT等技术的机理模型，对城市内涝进行预报。
[0006]通过机理模型，可以实现城市内涝点的初步预测和响应，为城市的防涝工作提供一些支持。
[0007]目前，根据机理模型对城市内涝的预报存在一些问题和缺点，机理模型需要的数据比较多并且难以获得，城市内涝点复杂的管网及地理环境，都会影响到机理模型的精度，同时通过无人机收集的高程数据、通过卫星收集的遥感GIS数据质量精度不高，影响模型的精度。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种基于二次异构模态分解ESN模型的城市内涝预报方法，提升内涝点预测的准确性。
[0009]为实现上述目的，本专利技术采用如下技术方案：一种基于二次异构模态分解ESN模型的城市内涝预报方法，包括以下步骤：
[0010]步骤1，收集内涝点降雨量和内涝点水深历史数据；
[0011]步骤2，对内涝点降雨数据和水位数据进行初步的探索和分析，以了解数据的基本情况和规律，通过孤立森林模型对数据异常值情况进行探索；
[0012]步骤3，对上述孤立森林模型检测出的异常值采取修正替换，对缺失值采取删除或补填的方法；
[0013]步骤4，将内涝点水位数据和雨量数据规整到同一时间粒度；
[0014]步骤5，采用二次异构模态分解进行特征构造，二次异构模态分解包含CEEMDAN分解和VMD分解，采用Lasso回归模型筛选出与内涝水深相关性强的模态分量，以提升性能；
[0015]步骤6，特征归一化；
[0016]步骤7，在对数据集进行初步处理过后，将CEEMDAN和VMD分解后的IMF和CF作为输入，并通过网络搜索对ESN网络进行参数调优，通过ESN网络进行训练和建立预测模型；
[0017]步骤8，将构建好的模型保存到pkl文件；对于未来的降雨量数据，经过孤立森林，CEEMDAN分解、VMD分解，Lasso筛选、归一化环节过后放入模型进行训练并预测相对应的内涝水深；
[0018]步骤9，模型评估。
[0019]在一较佳的实施例中，步骤2中，首先将降雨量数据、水位数据输入模型中，先对数据集进行随机划分，划分为数据子集1、数据子集2、...、数据子集n,通过这些数据子集构建一颗二叉决策树，然后模型随机选择降雨量或者水位特征集中的最大值和最小值作为一个分割值，来隔离离群值，使异常数据点在树中生成的路径更短，从而将它们和其他数据分开；利用集成学习的思想，多次重复上述步骤，完成孤立森林的构建，并根据异常分数判断该点是否为异常点，最终得出异常值。
[0020]在一较佳的实施例中，所述步骤3具体包括：
[0021]步骤31，异常值处理；数据集经过孤立森林模型检测后，对于发现的异常值，采用上下时间段的平均值进行修正替换；
[0022]步骤32，缺失值处理；对于单个时间点的缺失值，采取补填方式，结合该点上下时间段的平均进行填充，对于连续一个时间段的缺失值，在内涝预测场景下，为保证数据的真实性和完整性，采取删除措施。
[0023]在一较佳的实施例中，所述步骤5中，CEEMDAN模态分解具体为将非线性和非平稳信号分解为多个本征模态函数IMF；
[0024]通过计算雨量和水位的相关系数，把降雨量数据集p作为信号自变量r0(t)加入到EMD进行分解，并检测p(t)的所有极值点，并取其上下包络线并求出包络线的均值曲线a(t)，由p(t)减去a(t)得到中间函数hik(t),当hik(t)不满足IMF的条件时，重复筛选子过程；当hik(t)为IMF时，令ci(t)＝hik(t),也就是说ci(t)为上述处理后产生的高斯白噪声，并加入到r0(t)中得到r1(t)，重复上述步骤；当分解出单调函数时结束；最终构造多条降雨量IMF分量：CEEMDAN_rt1、CEEMDAN_rt2、
……
、CEEMDAN_rt8，其中CEEMDAN_rt8为残差；
[0025]将上述CEEMDAN分解后的IMF分量进行Lasso筛选，最终得出多个筛选后的IMF分量；将上述CEEMDAN分解后的雨量IMF分量作为一个待选择的特征集合，对各个特征进行标准化，使用Lasso模型对数据进行训练，通过对目标函数增加L1正则化项来惩罚模型的复杂度，得出各个特征相对应的特征系数，若特征系数为0，则弃用该特征，并根据特征系数的大小，从大到小依次选择特征；
[0026]将CEEMDAN_rt1、CEEMDAN_rt2、
……
、CEEMDAN_rt8作为一个待选择的特征集合放入Lasso模型中进行筛选，最终筛选出CEEMDAN_rt6、CEEMDAN_rt7两个分量；
[0027]VMD分解具体为先设置VMD参数，令Km＝8；输入筛选后的各个IMF分量进行频谱分析，提取它们的主要频率值作为初值，在进行VMD分解后计算各个分量各自的样本熵，各个
分量与原始信号的相关系数以及相邻分量的中心频率比，当K达到Km时，停止分解流程并输出各个分量，从而实现各个IMF分量的信号分解为若干个振动模态信号的过程；并与之前CEEMDAN分解的IMF分量一同进行Lasso筛选，筛选后的特征集合称为内涝水深数据集合。
[0028]在一较佳的实施例中，所述步骤6中，特征归一化的公式为：
[0029][0030]公式(1)为特征归一化公式，将内涝水深数据集合进行数据归一化处理，使得处理的数据被限定在一定的范围内，消除数据的量纲影响；
[0031]该式中max(x
i
)为输入特征数据x1、x2、
……
、x
n
的最大值，mi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二次异构模态分解ESN模型的城市内涝预报方法，其特征在于包括以下步骤：步骤1，收集内涝点降雨量和内涝点水深历史数据；步骤2，对内涝点降雨数据和水位数据进行初步的探索和分析，以了解数据的基本情况和规律，通过孤立森林模型对数据异常值情况进行探索；步骤3，对上述孤立森林模型检测出的异常值采取修正替换，对缺失值采取删除或补填的方法；步骤4，将内涝点水位数据和雨量数据规整到同一时间粒度；步骤5，采用二次异构模态分解进行特征构造，二次异构模态分解包含CEEMDAN分解和VMD分解，采用Lasso回归模型筛选出与内涝水深相关性强的模态分量，以提升性能；步骤6，特征归一化；步骤7，在对数据集进行初步处理过后，将CEEMDAN和VMD分解后的IMF和CF作为输入，并通过网络搜索对ESN网络进行参数调优，通过ESN网络进行训练和建立预测模型；步骤8，将构建好的模型保存到pkl文件；对于未来的降雨量数据，经过孤立森林，CEEMDAN分解、VMD分解，Lasso筛选、归一化环节过后放入模型进行训练并预测相对应的内涝水深；步骤9，模型评估。2.根据权利要求1所述的一种基于二次异构模态分解ESN模型的城市内涝预报方法，其特征在于步骤2中，首先将降雨量数据、水位数据输入模型中，先对数据集进行随机划分，划分为数据子集1、数据子集2、...、数据子集n,通过这些数据子集构建一颗二叉决策树，然后模型随机选择降雨量或者水位特征集中的最大值和最小值作为一个分割值，来隔离离群值，使异常数据点在树中生成的路径更短，从而将它们和其他数据分开；利用集成学习的思想，多次重复上述步骤，完成孤立森林的构建，并根据异常分数判断该点是否为异常点，最终得出异常值。3.根据权利要求1所述的一种基于二次异构模态分解ESN模型的城市内涝预报方法，其特征在于，所述步骤3具体包括：步骤31，异常值处理；数据集经过孤立森林模型检测后，对于发现的异常值，采用上下时间段的平均值进行修正替换；步骤32，缺失值处理；对于单个时间点的缺失值，采取补填方式，结合该点上下时间段的平均进行填充，对于连续一个时间段的缺失值，在内涝预测场景下，为保证数据的真实性和完整性，采取删除措施。4.根据权利要求1所述的一种基于二次异构模态分解ESN模型的城市内涝预报方法，其特征在于，所述步骤5中，CEEMDAN模态分解具体为将非线性和非平稳信号分解为多个本征模态函数IMF；通过计算雨量和水位的相关系数，把降雨量数据集p作为信号自变量r0(t)加入到EMD进行分解，并检测p(t)的所有极值点，并取其上下包络线并求出包络线的均值曲线a(t)，由p(t)减去a(t)得到中间函数hik(t),当hik(t)不满足IMF的条件时，重复筛选子过程；当hik(t)为IMF时，令ci(t)＝hik(t),也就是说ci(t)为上述处理后产生的高斯白噪声，并加入到r0(t)中得到r1(t)，重复上述步骤；当分解出单调函数时结束；最终构造多条降雨量IMF分
量：CEEMDAN_rt1、CEEMDAN_rt2、
……
、CEEMDAN_rt8，其中CEEMDAN_rt8为残差；将上述CEEMDAN分解后的IMF分量进行Lasso筛选，最终得出多个筛选后的IMF分量；将上述CEEMDAN分解后的雨量IMF分量作为一个待选择的特征集合，对各个特征进行标准化，使用Lasso模型对数据进行训练，通过对目标函数增加L1正则化项来惩罚模型的复杂度，得出各个特征相对应的特征系数，若特征系数为0，则弃用该特征，并根据特征系数的大小，从大到小依次选择特征；将CEEMDAN_rt1、CEEMDAN_rt2、
……
、CEEMDAN_rt8作为一个待选择的特征集合放入Lasso模型中进行筛选，最终筛选出...

【专利技术属性】
技术研发人员：马森标，张瑞涵，沈东玥，冯祉宁，陈惠祥，黄祖海，陈友武，刘雅瑜，林大彬，
申请(专利权)人：福建中锐汉鼎数字科技有限公司，
类型：发明
国别省市：