【技术实现步骤摘要】
本专利技术涉及气象学、水文水动力学与地理信息系统交叉领域和智能仿生领域，具体涉及一种基于机器学习的城市内涝场景交通路线优化方法、介质和设备。
技术介绍
1、暴雨和城市内涝对道路交通的影响是显而易见的，据统计30％以上的交通事故在暴雨等恶劣天气环境中发生。不论是自动驾驶从l3到l4级对于路面状况感知、辅助导航和车路协同的需求提升，还是极端天气背景下城市暴雨时应急指挥调度和交通疏导的紧迫需求，对离不开城市道路内涝的提前预判和驾驶路线的优化选择，以实现对恶劣天气出行的避免或者风险降低。短历时强降雨是造成城市内涝重要因素之一，因而高时空分辨率雷达降雨数据对城市内涝模型的模拟精度十分关键。
2、基于传统水文水动力模型构建的城市内涝模拟预测模型已广泛应用于内涝风险评估。当前有许多专利从气象预报与传统水动力模型的角度提出城市内涝模拟预测的方法。但由于基于水动力模型的城市暴雨内涝模型对数据精度要求高，且建模过程复杂、模型运行时间长，仅能满足在规划设计环节用于模拟不同降雨情景或历史降雨强度下的内涝防治能力要求，但由于极端天气带来的降雨往往是突发、局地和超历史水平的，应对城市内涝的预报时效性和空间准确性要求极高，基于明确物理机制的水文水动力模型难以直接运用于城市内涝灾害的实时和快速模拟，即便采用gpu加速等高性能计算技术仍难以实现大范围、高精度的快速模拟，难以满足城市化背景下的洪涝防治要求。
3、在大数据时代，机器学习、深度学习等数据挖掘技术得到了长足的进步与发展，这些算法能够进行不断的自我学习，并在大量数据集中寻找复杂的非
4、目前的内涝模拟往往是以水文学和流体动力学的物理模型为原理的各种机理模型运算为主，即基于水文水动力学原理模拟分析降雨-径流在地表和地下管网的形态，以掌握降雨对城市内涝的影响关系。但是这种方式在城市交通、应急调度等场景主要存在三大不足，一是由于机理模型结构复杂、计算量大、运算时间长，加上气象预报数据传输网络的时延，如对于1小时、2小时短临气象预报，等机理模型模拟结果出来可能就超过1小时，导致其结果的实用性很低；二是目前常用的机理模型往往依赖于降雨雨型等空间均一化的降雨输入，但是城市内部降雨的时空分布存在异质性，不同空间位置的降雨量往往差异巨大，而空间上采用同一个降雨输入导致预测结果空间分布非常不准；三是由于模拟往往是一次性的，无法深入分析导致城市内涝发生的各种致灾因子之间的关系，以及各致灾因子对于内涝灾害的贡献率，当雨水分区内部要素发生变化时又需要较大工作量的重新建模，导致模型使用的可持续性较弱。
技术实现思路
1、本专利技术的目的之一在于提供一种基于机器学习的城市内涝场景交通路线优化方法。
2、本专利技术的目的之二在于提供一种城市内涝场景交通路线优化方法的存储介质。
3、本专利技术的目的之三在于提供一种城市内涝场景交通路线优化方法的计算设备。
4、本专利技术实现目的之一所采用的方案是：一种基于机器学习的城市内涝场景交通路线优化方法，包括以下步骤：
5、步骤1：根据城市高程、用地类型、土壤特征、排水设施搭建片区机理模型；
6、步骤2：根据历史降雨监测数据对历史短临预报数据进行验证和筛选，将历史降雨数据作为输入，利用机理模型进行模拟，并利用历史内涝数据进行模型验证和参数优化；
7、步骤3：根据历史降雨数据选择多组降雨网格数据，利用优化后的机理模型进行内涝模拟，输出内涝网格；同时，将前述机理模型搭建过程中涉及的城市高程、用地类型、土壤特征、排水设施要素获取影响内涝的特征参数，分别形成特征数据网络，并与降雨网格一起作为区域特征网格数据集；
8、步骤4：将步骤3中的特征网格作为输入，内涝网格作为输出，利用步骤3中一部分数据作为训练样本对模型进行训练，再利用剩下的数据进行验证，并相应优化，从而搭建基于算法的内涝模型；
9、步骤5：根据降雨短临预报数据基于算法模型进行内涝临近网格预报；同时，根据降雨量监测、内涝水位监测的值，对预报降雨、预报内涝进行对比，根据数值准确度生成迭代生成预报准确度；
10、步骤6：当有降雨短临时预报时，获取区域原有电子导航路径，并基于空间融合获取每条导航路线的内涝预报网格；
11、步骤7；根据导航路线上内涝预报的内涝发生时间、历时、水深预报结果，基于蚁群算法路径优化，生成优化后的城市内涝场景交通路线。
12、优选地，所述步骤1中，选择infoworks作为机理模型，收集所在片区地形图、用地图、建筑普查数据、排水管渠数据、河流分布及设计水位、水库分布、防洪工程、闸泵数据、调蓄设施数据资料并进行数据处理，搭建片区内涝模拟的机理模型。
13、优选地，所述步骤2中，具体包括如下步骤：
14、步骤21：获取历史短临降雨预报网格数据，设置网格分辨率，获取每个网格降雨开始时间、降雨历时、降雨量3个指标信息分为作为预报值：
15、步骤22：根据相应时间点气象站点的历史雨量监测数据作为实际值，根据空间关系对降雨预报网格进行验证，获取区域内每个雨量监测站点的降雨开始时间、降雨历时、降雨量3个指标信息作为实际值：tsi、tdi、psi，分别计算每个预报网格的预报时间点的预报平均绝对误差(mae)：
16、
17、
18、
19、其中，j表示第j个预报网格，i表示第j个预报网格n个网格单元中的第i个网格单元；
20、具体的，区域共有m个预报网格，每个预报网格有n个网格单元，j表示m个预报网格中的第j个预报网格，i表示第j个预报网格n个网格单元中的第i个网格单元；
21、步骤23：利用z-score统计方法分别计算每个预报网格在开始时间、降雨历时、降雨量3个指标的z-score值：
22、
23、其中，x是原始数据值，μ是整个数据集的均值，σ是整个数据集的标准差；
24、以降雨开始时间为例，计算均方根误差(rmse)：
25、
26、其中，m表示区域内共有m个预报网格，每个预报网格有n个网格单元，表示第j个预报网络的z-score值；
27、步骤24：根据z-score在[-3，3]范围进行数据筛选，将绝对值大于3的预报网络判定为本文档来自技高网...
【技术保护点】
1.一种基于机器学习的城市内涝场景交通路线优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤1中，选择Infoworks作为机理模型，收集所在片区地形图、用地图、建筑普查数据、排水管渠数据、河流分布及设计水位、水库分布、防洪工程、闸泵数据、调蓄设施数据资料并进行数据处理，搭建片区内涝模拟的机理模型。
3.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤2中，具体包括如下步骤：
4.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤3中，根据历史降雨数据选择多组的降雨网格数据，利用优化后的机理模型进行内涝模拟，输出内涝网格，具体包括：
5.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤4中，使用70％～80％的训练集数据训练XGBoost模型，默认各特征值初始权重为1，具体包括以下步骤：
6.根据权利要求1所述的基于机器学习的城市内涝场景交通
7.根据权利要求6所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤6中，当有降雨短临时预报时，获取区域原有从第a点到第b点的电子导航路径，以及每条路线选择的概率Po(a,b)，基于空间位置关系，获取每条导航路线上的内涝预报网格。
8.根据权利要求7所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤7中，根据导航路线上内涝预报，当发现降雨时预报发生时，路径选择概率更新为：
9.一种存储介质，存储有程序，其特征在于：所述程序被处理器执行时，实现权利要求1～8中任一项所述的城市内涝场景交通路线优化方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于：所述处理器执行存储器存储的程序时，实现权利要求1～8中任一项所述的城市内涝场景交通路线优化方法。
...【技术特征摘要】
1.一种基于机器学习的城市内涝场景交通路线优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤1中，选择infoworks作为机理模型，收集所在片区地形图、用地图、建筑普查数据、排水管渠数据、河流分布及设计水位、水库分布、防洪工程、闸泵数据、调蓄设施数据资料并进行数据处理，搭建片区内涝模拟的机理模型。
3.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤2中，具体包括如下步骤：
4.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤3中，根据历史降雨数据选择多组的降雨网格数据，利用优化后的机理模型进行内涝模拟，输出内涝网格，具体包括：
5.根据权利要求1所述的基于机器学习的城市内涝场景交通路线优化方法，其特征在于：所述步骤4中，使用70％～80％的训练集数据训练xgboost模型，默认各特征值初始权重为1，...
【专利技术属性】
技术研发人员：郭秋萍，俞露，余梦婷，胡晓飞，黎天山，刘文娟，
申请(专利权)人：深圳市城市规划设计研究院股份有限公司，
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。