System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于城市雨水系统模拟的,具体涉及一种基于深度学习的城市内涝快速预测方法。
技术介绍
1、由于气候变化、极端天气增加以及城市快速发展,导致伴随暴雨发生带来的城市内涝问题严重影响了城市的正常运转,并损害居民的生命财产安全。因此,为了缓解内涝灾害,降低内涝造成的损失,实时的监测手段和系统化的管理方法以及内涝预警技术等相关技术的研究,逐渐得到关注。
2、城市内涝预警技术的相关研究最早是基于城市雨洪管理模型,通过收集的地区的地形地势,管网数据、降雨数据等建模,从而进行该区域的内涝模拟及预警方面的研究。这种方法应用成熟,但建模过程受限于对水文水动力学的认知,且通常无法兼顾模型的精度与实时性。而大数据分析、人工智能、机器学习等前沿技术的发展,使得基于深度学习架构的数据驱动模型进入城市内涝预测预警技术的研究视野中。
3、在城市雨水系统研究领域中,已有学者针对监测点液位、系统流量等的预测,引入深度学习模型进行了研究,但普遍存在训练样本集的数据少、数据集依托于水力模型模拟导致数据驱动模型的精度依托于水力模型的精度等问题。此前已有文献及专利针对上述问题提出了建立在大数据集基础上的降雨产流和一维管网汇流过程模拟方法,以及根据监测数据进行模型修正的方法,但尚未涉及二维的积水的地面漫流及回流过程,因此,需要构建相应的方法进行研究。
技术实现思路
1、本专利技术是为了解决上述问题而进行的,目的在于提供一种基于深度学习的城市内涝快速预测方法。
2、本专利技术提供了一种
3、在本专利技术提供的基于深度学习的城市内涝快速预测方法中,还可以具有这样的特征:其中,在所述步骤s1中,所述图像分割方法slic的参数包括k-means的最大迭代次数max_item、分割输出图像中的标签数n_segments和平衡颜色接近度和空间接近度compactness,所述平衡颜色接近度和空间接近度compactness和标签数n_segments通过设置目标函数和约束条件计算得到。
4、在本专利技术提供的基于深度学习的城市内涝快速预测方法中,还可以具有这样的特征:其中,目标函数的具体设置为:target2=minmax(areaj-areai)i,j∈[1,num],target3=min p,式中target1为第一目标,target2为第二目标,target3为第三目标,p为存在积水的区域数量占比,areai为划分后第i个存在积水的区域的面积,p为实际积水总面积,num为划分后区域总数量,且所述约束条件设置为:划分后的区域的平均面积大于400m2,则平衡颜色接近度和空间接近度compactness=0.6,割输出图像中的标签数n_segments=100。
5、在本专利技术提供的基于深度学习的城市内涝快速预测方法中,还可以具有这样的特征:其中,特征融合模块将空间特征hp(t)经由激活函数sigmoid映射得到编码信息,再将编码信息与时序特征lm(t)对应相乘,得到融合特征lh(t)。
6、在本专利技术提供的基于深度学习的城市内涝快速预测方法中,还可以具有这样的特征:其中,编码信息为一串0或1的编码。
7、在本专利技术提供的基于深度学习的城市内涝快速预测方法中,还可以具有这样的特征:其中,对sn-dl模型进行训练时使用的损失函数为损失函数lossfunc,损失函数lossfunc的表达式为:lossfunc=α·mseloss(doutput,d)+β·bceloss(coutput,c)+λ·dis(doutput,coutput),式中α和β为用于调节学习率从而控制不同任务的学习速度的超参数,λ为用于平衡数据损失项和惩罚项的参数,mseloss为均方误差,bceloss为二分类交叉熵损失,torch.gt(a,b)为将矩阵a和b逐个元素比较大小,大于为1,小于等于为0,(·)为点积运算,doutput为模型输出的淹没水深图,d为模拟淹没水深图,coutput为模型输出的地面淹没情况,c为模拟地面淹没情况。
8、专利技术的作用与效果
9、根据本专利技术所涉及的基于深度学习的城市内涝快速预测方法,因为通过图像分割方法slic将地区划分为多个区域,并构建对应的sn-dl模型,再使用训练数据对各个sn-dl模型进行训练,减少模型训练耗时的同时提高了区域积水预测的精度;通过多个区域积水预测结果整合得到地区积水预测结果,使预测结果准确的同时加快了整个预测过程,实现了从输入到输出的瞬时表达,时效性更高。所以,本专利技术的基于深度学习的城市内涝快速预测方法能够更加快速准确地获得地区积水预测结果。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的城市内涝快速预测方法,用于根据地区的t时刻的外部入流量信息和地形信息得到该地区t时刻的地区积水预测结果,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习的城市内涝快速预测方法,其特征在于:
3.根据权利要求2所述的基于深度学习的城市内涝快速预测方法,其特征在于:
4.根据权利要求1所述的基于深度学习的城市内涝快速预测方法,其特征在于:
5.根据权利要求4所述的基于深度学习的城市内涝快速预测方法,其特征在于:
6.根据权利要求1所述的基于深度学习的城市内涝快速预测方法,其特征在于:
【技术特征摘要】
1.一种基于深度学习的城市内涝快速预测方法,用于根据地区的t时刻的外部入流量信息和地形信息得到该地区t时刻的地区积水预测结果,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习的城市内涝快速预测方法,其特征在于:
3.根据权利要求2所述的基于深度学习的城...
【专利技术属性】
技术研发人员:陶涛,朱文,王思懿,王嘉莹,颜合想,信昆仑,李树平,
申请(专利权)人:同济大学,
类型:发明
国别省市:
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。