一种基于制造技术

本发明专利技术涉及洪涝预测技术领域，公开了一种基于

【技术实现步骤摘要】
一种基于TCN网络的洪涝预测方法、系统和存储介质


[0001]本专利技术涉及洪涝预测
，特别是涉及一种基于
TCN
网络的洪涝预测方法
、
系统和存储介质
。

技术介绍

[0002]城市化的飞速发展使得城市下垫面不透水面积显著增加，局地突发性暴雨常常引发城市内发生严重的洪涝灾害，这不仅会威胁人民的生命安全，而且会带来巨大的财产损失和制约城市的发展，因此，建立快速
、
准确的洪涝预测方法十分重要，然而，目前预测洪涝的方法大都依赖水动力模型，虽然该模型在特定环境下具有良好的预测效果，但也存在一些缺陷，如：在预测之前需要获取大量参数，降雨量
、
降雨重现期
、
降雨峰值
、
最大
2h
降雨量
、
最大
3h
降雨量
、
峰值前累计降雨量等等，预测效率不高且预测过程繁琐；使用目标区域的数据训练目标区域的洪涝模拟模型，对目标区域的预测效果良好，但是对其他区域的预测效果不佳，模型的预测泛化能力不强
、
准确率不高
。
[0003]现有技术公开一种基于和水文水动力模型的滨海城市洪涝快速预测方法，包括：一
、
获取样本数据，包括：设计多种降雨
‑
潮位组合情景；基于
PCSWMM
的水文水动力模型构建目标区域的洪涝模拟模型；利用洪涝模拟模型模拟不同降雨
‑
潮位组合情景下各选取洪涝点的最大水深；提取与降雨相关的特征变量以及与潮位相关的特征变量，和洪涝点位置以及最大水深一同作为样本数据；二
、
基于的城市洪涝快速预测模型构建及训练；三
、
采用已训练的城市洪涝预测模型预测城市洪涝中淹没点的最大积水深度，现有技术在预测之前需要输入大量参数，预测效率不高且过程繁琐；使用目标区域的数据训练目标区域的洪涝模拟模型，对目标区域的预测效果良好，但是对其他区域的预测效果不佳，模型的泛化能力不强
。

技术实现思路

[0004]本专利技术的目的是克服现有技术的缺陷，提供一种基于
TCN
网络的洪涝预测方法
、
系统和存储介质，本专利技术可以提高洪涝预测模型的泛化能力
、
准确率和效率
。
[0005]为了实现上述目的，本专利技术提供了一种基于
TCN
网络的洪涝预测方法，包括：步骤
S1
：收集训练数据，所述训练数据包括目标区域的降雨强度数据和洪水水深数据；步骤
S2
：对所述降雨强度数据和所述洪水水深数据进行归一化处理，获得数据集，将所述数据集按比例划分为训练集
、
测试集和验证集；步骤
S3
：构建
TCN
网络预测模型，使用所述训练集训练所述
TCN
网络预测模型，获得训练后的
TCN
网络预测模型，使用测试集评估训练后的
TCN
网络预测模型的性能，若性能不达标则继续训练，若性能达标则输出测试后的
TCN
网络预测模型；步骤
S4
：使用贝叶斯算法优化测试后的
TCN
网络预测模型的结构和训练超参数，获得优化后的
TCN
网络预测模型；
步骤
S5
：将所述验证集输入至优化后的
TCN
网络预测模型，验证所述
TCN
网络预测模型的性能，获得训练好的
TCN
网络预测模型；步骤
S6
：将目标区域的待预测数据输入至训练好的
TCN
网络预测模型，获得洪水水深数据，完成洪涝预测
。
[0006]进一步地，步骤
S1
中降雨强度数据由下式确定：
[0007]其中，表示设计降雨强度，单位为；表示设计重现期，单位为年；表示降雨历时，单位为分钟
。
[0008]进一步地，步骤
S1
中收集洪水水深数据的具体过程包括：步骤
S1.1
：使用一维管网模型模拟管网径流和管道流量，根据汇水区面积
、
不透性和汇流时间确定降雨径流过程，利用时间
‑
面积法计算径流量，计算圣维南方程组获得管网中的非稳态流动；步骤
S1.2
：使用二维地表模型模拟地表径流和积水过程，利用矩形网格组件建立地表积水模型，网格单元的流动遵循浅水方程；步骤
S1.3
：将所述一维管网模型和所述二维地表模型进行动态耦合，当所述管网发生溢流时，溢流水流将流到地面，地面积水；步骤
S1.4
：一维
、
二维耦合水动力模型模拟管网和地表之间的交互，在给定降雨条件下模拟城市内涝和洪水积水过程，获得研究区域的所述洪水水深数据
。
[0009]进一步地，步骤
S2
中训练集
、
测试集和验证集按8：1：1比例划分
。
[0010]进一步地，步骤
S3
中所述
TCN
网络预测模型由
MATLAB
深度学习框架构建，所述
TCN
网络预测模型包括多个残差块，每一个所述残差块依次连接，每一个所述残差块包括依次连接第一扩展因果卷积层
、
第一归一化层
、
第一空间辍学层
、
第二因果卷积层
、
第二归一化层
、
激活函数层和第二空间辍学层，以及一个卷积层，
[0011]所述
TCN
网络预测模型的输入引出两个分支，一个分支连接所述扩展因果卷积层的输入，另一个分支连接所述卷积层；
[0012]所述第二空间辍学层的输出与所述卷积层的输出融合，获得
TCN
网络预测模型的预测结果
。
[0013]进一步地，步骤
S3
中评估训练后的
TCN
网络预测模型的性能包括三个指标：平均相对误差
、
二维相关系数
2D
‑
CC
和结构相似性
SS。
[0014]进一步地，所述平均相对误差由下式确定：
[0015][0016]其中，表示网络预测的洪水水深，表示实际洪水水深；
[0017]所述二维相关系数
2D
‑
CC
由下式确定：
[0018]其中，表示图像的像素平均值，表示图像的像素平均值；
[0019]所述结构相似性
SS
由下式确定：
[0020]其中，表示图像的像素局部均值，表示图像的像素局部均值，表示图像的标准差，表示图像的标准差，表示图像和图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
TCN
网络的洪涝预测方法，其特征在于，包括：步骤
S1
：收集训练数据，所述训练数据包括目标区域的降雨强度数据和洪水水深数据；步骤
S2
：对所述降雨强度数据和所述洪水水深数据进行归一化处理，获得数据集，将所述数据集按比例划分为训练集
、
测试集和验证集；步骤
S3
：构建
TCN
网络预测模型，使用所述训练集训练所述
TCN
网络预测模型，获得训练后的
TCN
网络预测模型，使用测试集评估训练后的
TCN
网络预测模型的性能，若性能不达标则继续训练，若性能达标则输出测试后的
TCN
网络预测模型；步骤
S4
：使用贝叶斯算法优化测试后的
TCN
网络预测模型的结构和训练超参数，获得优化后的
TCN
网络预测模型；步骤
S5
：将所述验证集输入至优化后的
TCN
网络预测模型，验证所述
TCN
网络预测模型的性能，获得训练好的
TCN
网络预测模型；步骤
S6
：将目标区域的待预测数据输入至训练好的
TCN
网络预测模型，获得洪水水深数据，完成洪涝预测
。2.
根据权利要求1所述的一种基于
TCN
网络的洪涝预测方法，其特征在于，步骤
S1
中降雨强度数据由下式确定：其中，表示设计降雨强度，单位为；表示设计重现期，单位为年；表示降雨历时，单位为分钟
。3.
根据权利要求1所述的一种基于
TCN
网络的洪涝预测方法，其特征在于，步骤
S1
中收集洪水水深数据的具体过程包括：步骤
S1.1
：使用一维管网模型模拟管网径流和管道流量，根据汇水区面积
、
不透性和汇流时间确定降雨径流过程，利用时间
‑
面积法计算径流量，计算圣维南方程组获得管网中的非稳态流动；步骤
S1.2
：使用二维地表模型模拟地表径流和积水过程，利用矩形网格组件建立地表积水模型，网格单元的流动遵循浅水方程；步骤
S1.3
：将所述一维管网模型和所述二维地表模型进行动态耦合，当所述管网发生溢流时，溢流水流将流到地面，地面积水；步骤
S1.4
：一维
、
二维耦合水动力模型模拟管网和地表之间的交互，在给定降雨条件下模拟城市内涝和洪水积水过程，获得研究区域的所述洪水水深数据
。4.
根据权利要求1所述的一种基于
TCN
网络的洪涝预测方法，其特征在于，步骤
S2
中训练集
、
测试集和验证集按8：1：1比例划分
。5.
根据权利要求1所述的一种基于
TCN
网络的洪涝预测方法，其特征在于，步骤
S3
中所述
TCN
网络预测模型由
MATLAB
深度学习框架构建，所述
TCN
网络预测模型包括多个残差块，每一个所述残差块依次连接，每一个所述残差块包括依次连接第一扩展因果卷积层
、
第一归一化层
、
第一空间辍学层
、
第二因果卷积层
、
第二归一化层
、
激活函数层和第二空间辍学层，以及一个卷积层，所述
TCN
网络预测模型的输入引出两个分支，一个分支连接所述扩展因果卷积层的输

【专利技术属性】
技术研发人员：周倩倩，司徒祖祥，任毅，游锦敏，刘雨琪，
申请(专利权)人：中水珠江规划勘测设计有限公司，
类型：发明
国别省市：