基于ILSTM的内涝水深预测与多因子时序分析方法技术

本发明专利技术提出了一种基于ILSTM（Interpretable Long Short Term Memory）的内涝水深预测与多因子时序分析方法，具体如下：改进传统LSTM的隐藏层更新方式以及引入注意力机制得到本研究所采用的神经网络ILSTM；获得研究区影响水深的可能因子数据以及实时监测内涝水深数据，对数据进行数据预处理，包括卡尔曼滤波法进行异常数据处理、数据标准化，划分数据集为训练集、验证集以及测试集。采用训练集进行模型训练并采用验证集进行超参数自动搜索调优算法给出具有区域特点的一组超参数，设定超参数后得到模型。测试集输入模型得到水深结果以及多因子时序贡献，采用均方根误差、拟合优度评估最终预测结果的准确性。模型捕获多因子的时序状态并且在模拟精度以及物理解释性上均有说服力。

【技术实现步骤摘要】

本专利技术属于水文水资源领域的城市内涝，具体涉及一种顾及多要素估计暴雨情景下城市内涝水深模拟方法。

技术介绍

1、近年来，全球极端降雨天气频发，由降雨引发的内涝积水逐渐成为常态化风险，模拟内涝积水的方法众多，主要可以分为水动力模型模拟以及数值模型模拟，水动力模型由于涉及众多计算使得模型效率大大降低，难以满足暴雨内涝水深实时模拟以及预报的需求。数值模拟在提高模拟速度的同时，精度也能得到保证。可以精确模拟水深时序变化，并给出各时段水深预测结果和此过程中所涉及多变量时序贡献比例，在模拟精度得到保证的同时改善了深度学习可解释性差，机理性不强的缺点，模拟的内涝水深结果更有说服力。

2、目前，采用数据驱动的方式不需要使用者完全熟悉内涝水深的流动原理以及涉及参数的函数关系。通过建立水深和各种输入因子之间的函数关系，来预测区域水深演变。

3、机器学习的方法广泛用于城市内涝水深预测中，常见的数值模拟模型只能给出水深的预测结果，而其内部的计算过程以及变量之间的关系含糊，因此结果解释性较差。

4、针对以上问题，一种可解释性强的深度学习模型可以本文档来自技高网...

【技术保护点】

1.一种基于ILSTM的内涝水深预测与多因子时序分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于ILSTM的内涝水深预测与多因子时序分析方法，其特征在于，步骤S21中ILSTM层设计包括以下步骤：

3.根据权利要求2所述的基于ILSTM的内涝水深预测与多因子时序分析方法，其特征在于，步骤S22中ILSTM生成时序多因子贡献度，包括以下步骤：

4.根据权利要求1所述的基于ILSTM的内涝水深预测与多因子时序分析方法，其特征在于，步骤S23中ILSTM混合注意机制设计，包括以下步骤：

5.根据权利要求1所述的基于ILSTM的内...

【技术特征摘要】

1.一种基于ilstm的内涝水深预测与多因子时序分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于ilstm的内涝水深预测与多因子时序分析方法，其特征在于，步骤s21中ilstm层设计包括以下步骤：

3.根据权利要求2所述的基于ilstm的内涝水深预测与多因子时序分析方法，其特征在于，步骤s22中ilstm生成时序多因子贡献度，包括以下步骤：

4.根据权利要求1所述的基于ilstm的内涝水深预测与多因子时序分析方法，其特征在于，步骤s23中ilstm混合注意机制设计，包括以下步骤：

5.根据权利要求1所述的基于ilstm的内涝水深预测与多因子时序分析方法，其特征在于，步骤s1中样本数据包括降雨数据、dem数据、路网密度、空气湿度、温度、土地利用类型以及目标变量水深，进行标准化包括以下步骤：

6.根据权利要求5所述的基于ilstm的内涝水深预测与多因子时序分析方法，其特征在于，步骤s11对数据进行预处理操作包括以下步骤：

7.根据权利要求1所述的基于ilstm的内涝水深预测与多因子时序分析方法，其特征在...

【专利技术属性】
技术研发人员：张书亮，陈意文，金恒旭，杨祺琪，赵宇，鹿鹏程，杨乐天，郑上华，严武杰，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：