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】
本专利技术属于自然灾害领域,涉及混合深度学习的城市洪涝快速预测模型构建与评估方法。
技术介绍
1、城市洪涝是主要的极端自然灾害之一,相比于仅对易涝点或是最大淹没水深的预测相比,对全部区域在整个洪涝过程中不同时刻的洪涝范围和水深进行快速且准确地预测有助于更有效地降低损失。二维水动力模型例如lisflood-fp被广泛应用,但是该模型计算效率较低。随着人工智能的发展,人工智能技术也开始被应用于城市洪涝预测这一关键领域。例如卷积神经网络(cnn),该模型通过分析一定数量的相关数据(气象、水文等),建立输入与输出之间相应的数学模型,该模型计算效率较高,但其精度不高。并且,目前模型精度的评估往往是采用人工视觉的主观评估结合部分观测点的精度验证,缺乏系统且全面的模型精度评估方法,无法得知模型在不同时间、不同位置的精度表现,以及精度是否稳定。
技术实现思路
1、针对上述问题,本专利技术提出混合深度学习的城市洪涝快速预测模型构建与评估方法,旨在解决现有技术中城市洪涝预测模型的计算效率和精度不高,且缺乏全面的模型精度评估的问题。
2、第一方面,本专利技术提供了混合深度学习的城市洪涝快速预测模型构建与评估方法,该方法包括:
3、步骤s1:收集研究区域的相关数据,利用水动力模型lisflood-fp计算得到洪涝过程数据集;
4、步骤s2:将所述洪涝过程数据集分为训练数据集和验证数据集;
5、步骤s3:在cnn模型的基础上串联gru和多头注意力模块,构建城市
6、步骤s4:选择合适的精度评估指标;
7、步骤s5:利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的时间精度;
8、步骤s6:利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的空间精度;
9、步骤s7:对训练数据集进行抽稀,评估所述城市洪涝快速预测模型的鲁棒性。
10、进一步地,所述收集研究区域的相关数据,利用水动力模型lisflood-fp计算得到洪涝过程数据集具体为:
11、s11:收集研究区域的相关数据包括数字高程模型(dem)以及不同场次洪涝事件对应的进水河上游点的边界条件;
12、s12:在arcgis软件对数字高程模型去除噪音和障碍物,得到用于驱动水动力模型lisflood-fp的数字高程模型数据,所述噪音和障碍物包括树木和桥梁;
13、s13:根据所述边界条件和步骤s12得到的数字高程模型数据,利用水动力模型lisflood-fp计算得到洪涝过程数据集。
14、进一步地,所述在cnn模型的基础上串联gru和多头注意力模块,构建城市洪涝快速预测模型具体为:gru模型的计算公式为:
15、zt=σ(wz·[ht-1,xt])
16、rt=σ(wr·[ht-1,xt])
17、
18、
19、其中,zt和rt分别是更新门和重置门的输出,是候选隐藏状态,ht是当前时间步的隐藏状态;σ表示sigmoid函数,将值限制在0到1之间;w是权重矩阵;ht-1是上一个时间步的隐藏状态;xt是当前时间步的输入。
20、进一步地,所述在cnn模型的基础上串联gru和多头注意力模块,构建城市洪涝快速预测模型具体为:多头注意力模块的计算流程是对输入的q,k,v应用不同的可学习投影参数矩阵,然后与注意力点积,具体计算公式为:
21、multihead(q,k,v)=concat(head1,...,headh)wo
22、
23、
24、式中concat是拼接操作,参数矩阵wiq∈rl×d,为投影,wm是投影的权重参数,是将注意力矩阵变为标准正态分布;上述计算会重复h次,其中h是头的数量。
25、进一步地,所述选择合适的精度评估指标具体为:选择均方根误差(rmse)、纳什系数(nse)和平均差值(diff),作为评价时间精度的指标;具体计算公式分别为:
26、
27、
28、
29、其中,yi为预测值,为观测值,为观测值的均值,n为样本量。
30、进一步地,所述利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的时间精度具体为:分别抽取所述城市洪涝快速预测模型和所述lisfloof-fp模型在t2时刻的输出结果,得到两个栅格数据,进而计算两个栅格数据之间的精度指标,作为城市洪涝快速预测模型在t2时刻的精度;对每个时刻均采用同样的方法进行计算,最终得到所述城市洪涝快速预测模型模型在不同时刻的时间精度。
31、进一步地,所述利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的空间精度具体为:分别抽取所述城市洪涝快速预测模型和所述lisfloof-fp模型的输出结果在位置(i,j)处的序列值,得到两个数组,进而计算两个数组之间的精度指标,得到位置(i,j)处的精度;对每个位置均采用同样的方法进行计算,最终得到所述城市洪涝快速预测模型模型在不同位置的空间精度。
32、进一步地,所述对训练数据集进行抽稀,评估所述城市洪涝快速预测模型的鲁棒性具体为:将训练数据集分别抽稀至1/m(m=2,3,…10),计算所述城市洪涝快速预测模型的训练时间和精度。
33、进一步地,所述对训练数据集进行抽稀至1/m具体为:仅保留每m个数据中的第1个数据。
34、第二方面,本专利技术提供了混合深度学习的城市洪涝快速预测模型构建与评估系统,包括:
35、数据收集模块:收集研究区域的相关数据,利用水动力模型lisflood-fp计算得到洪涝过程数据集;
36、数据处理模块:将所述洪涝过程数据集分为训练数据集和验证数据集;
37、模型训练模块:在cnn模型的基础上串联gru和多头注意力模块,构建城市洪涝快速预测模型,利用训练数据集,对所述城市洪涝快速预测模型进行训练;
38、评估指标设置模块:选择合适的精度评估指标;
39、模型构建与评估模块:利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的时间精度和空间精度;对训练数据集进行抽稀,评估所述城市洪涝快速预测模型的鲁棒性。
40、与现有技术相比,本专利技术的有益效果至少如下所述:
41、(1)本专利技术将cnn模型与gru和多头注意力进行结合:门控循环单元(gru)是一种常用于处理时间序列数据的循环神经网络(rnn)变体。相对于其它rnn模型,它的参数较少,计算复杂性较低,速度快。最重要的是,gru的门控机制允许它有效地处理长期依赖性问题,并帮助模型更好地理解时间序列数据中的特征;多头注意力可以同时关注不同位置的特征,允许模型在时间序列中同时考虑多个时间步和不同地理位置的信息;这些结合将本文档来自技高网...
【技术保护点】
1.混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述收集研究区域的相关数据,利用水动力模型LISFLOOD-FP计算得到洪涝过程数据集。具体为:
3.根据权利要求2所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述在CNN模型的基础上串联GRU和多头注意力模块,构建城市洪涝快速预测模型具体为:GRU模型的计算公式为:
4.根据权利要求3所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述在CNN模型的基础上串联GRU和多头注意力模块,构建城市洪涝快速预测模型具体为:多头注意力模块的计算流程是对输入的Q,K,V应用不同的可学习投影参数矩阵,然后与注意力点积,具体计算公式为:
5.根据权利要求4所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述选择合适的精度评估指标具体为:选择均方根误差(RMSE)、纳什系数(NSE)和平均差值(DIFF)
6.根据权利要求5所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的时间精度具体为:分别抽取所述城市洪涝快速预测模型和所述LISFLOOF-FP模型在t2时刻的输出结果,得到两个栅格数据,进而计算两个栅格数据之间的精度指标,作为城市洪涝快速预测模型在t2时刻的精度;对每个时刻均采用同样的方法进行计算,最终得到所述城市洪涝快速预测模型模型在不同时刻的时间精度。
7.根据权利要求6所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的空间精度具体为:分别抽取所述城市洪涝快速预测模型和所述LISFLOOF-FP模型的输出结果在位置(i,j)处的序列值,得到两个数组,进而计算两个数组之间的精度指标,得到位置(i,j)处的精度;对每个位置均采用同样的方法进行计算,最终得到所述城市洪涝快速预测模型模型在不同位置的空间精度。
8.根据权利要求7所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述对训练数据集进行抽稀,评估所述城市洪涝快速预测模型的鲁棒性具体为:将训练数据集分别抽稀至1/M(M=2,3,…10),计算所述城市洪涝快速预测模型的训练时间和精度。
9.根据权利要求8所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述对训练数据集进行抽稀至1/M具体为:仅保留每M个数据中的第1个数据。
10.混合深度学习的城市洪涝快速预测模型构建与评估系统,其特征在于,包括:
...【技术特征摘要】
1.混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述收集研究区域的相关数据,利用水动力模型lisflood-fp计算得到洪涝过程数据集。具体为:
3.根据权利要求2所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述在cnn模型的基础上串联gru和多头注意力模块,构建城市洪涝快速预测模型具体为:gru模型的计算公式为:
4.根据权利要求3所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述在cnn模型的基础上串联gru和多头注意力模块,构建城市洪涝快速预测模型具体为:多头注意力模块的计算流程是对输入的q,k,v应用不同的可学习投影参数矩阵,然后与注意力点积,具体计算公式为:
5.根据权利要求4所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述选择合适的精度评估指标具体为:选择均方根误差(rmse)、纳什系数(nse)和平均差值(diff),作为评价时间精度的指标;具体计算公式分别为:
6.根据权利要求5所述的基于混合深度学习的城市洪涝快速预测模型构建与评估方法,其特征在于,所述利用所述验证数据集和所述精度评估指标评估所述城市洪涝快速预测模型的时间精度具体为:分别抽取所述城市洪涝快...
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。