【技术实现步骤摘要】
本申请涉及电数字数据处理，尤其涉及一种下穿隧道的积水预警方法、装置、设备及存储介质。
技术介绍
1、随着道路交通网络的不断完善，为解决公路与铁路之间、公路与公路之间的交叉关系问题或者城市交通拥堵问题，通常采用将其中一条道路进行下沉设计，以形成从一条道路或铁路的下方穿过的下穿隧道，下穿隧道可以让两个方向相互干扰的交通流从空间上分开，从而提高通行效率。
2、由于下穿隧道的中间空间位于另一条道路或铁路的下方，从而形成了低洼区，该低洼区在降水环境下容易导致积水。目前对于下穿隧道的排水通常通过在低洼区安装水泵，通过水泵将低洼区的积水泵出至城市排水管网中。
3、目前，对于下穿隧道的积水预警方面较为欠缺，通常在下穿隧道能够肉眼判断有明显积水甚至已无法安全通过时放置禁行标识牌，导致过往车辆或人员对于淹水情况不熟悉，从而盲目通过下穿隧道，使得过往车辆或人员的安全得不到保障。
技术实现思路
1、本申请的主要目的在于提供一种下穿隧道的积水预警方法、装置、设备及存储介质，以解决现有技术中下穿隧道的积水预警方面较为欠缺的问题。
2、为了实现上述目的，本申请提供了如下技术方案：
3、一种下穿隧道的积水预警方法，所述下穿隧道包括低于预设水平面的下沉段，所述积水预警方法包括：
4、间隔预设历史时长所述下穿隧道的若干个历史排水数据、所述下穿隧道所在区域的若干个历史降水数据；
5、基于同一个预设历史时长获取所述历史排水数据与所述历史降水数据的最大
6、基于每个预设历史时长分别获取每个最大差值，并将所有最大差值整合为一个总数据集；
7、通过机器学习算法训练并学习所述总数据集，得到基于所述历史排水数据与所述历史降水数据的最大差值的预测模型；
8、获取所述下穿隧道的实时排水数据以及实时降水数据并代入所述预测模型，得到最大差值的预测结果；
9、获取所述下沉段的几何结构，通过线性拟合获取所述几何结构的高度与体积的函数关系；
10、通过所述预测结果计算得到实时积水体积，并将所述实时积水体积代入所述函数关系，计算得到对应的水位高度；
11、判断所述水位高度是否大于等于第一预设阈值，若是，则生成预警信号并发送至外部接收端。
12、作为本申请的进一步改进，基于同一个预设历史时长获取所述历史排水数据与所述历史降水数据的最大差值，包括：
13、基于同一个预设历史时长获取所述历史排水数据的排水总量和降水总量；
14、获取所述降水总量与所述排水总量的差值，并保存为所述最大差值。
15、作为本申请的进一步改进，通过机器学习算法训练并学习所述总数据集，得到基于所述历史排水数据与所述历史降水数据的最大差值的预测模型，包括：
16、将所述数据集按照预设比例划分为训练集和样本集；
17、定义预设神经网络模型的拓扑关系，所述拓扑关系包括依次信号连接的输入层、隐含层、输出层；
18、将所述训练集输出至所述输入层，通过levenberg-marquardt方法对所述训练集进行预设次数的训练，并基于每一次训练分别获取一次所述样本集与当前次的训练结果的均方根误差；
19、获取所有均方根误差中的最小值，并获取与所述最小值对应的训练结果作为所述预测模型。
20、作为本申请的进一步改进，获取所述下穿隧道的实时排水数据以及实时降水数据并代入所述预测模型，得到最大差值的预测结果，包括：
21、获取所述实时排水数据中的实时排水总量和实时降水总量；
22、获取所述实时降水总量与所述实时排水总量的实时差值；
23、将所述实时差值输出至所述预测模型，得到预测值；
24、将所述预测值保存为所述预测结果。
25、作为本申请的进一步改进，所述预设神经网络模型通过式(1)表征：
26、
27、其中，y为所述预设神经网络模型；x为所述输入层，且x＝{x1,x2,…,xn}，xn为所述输入层的第n个输入节点，每个输入节点对应所述第一训练集的一个数据或者对应所述第二训练集的一个数据，为所述输入层的第m个输入节点到所述隐含层的第n个输入节点的权重；为连接于所述隐含层的第n个输入节点的偏置；tansig(α)为激活函数，且
28、作为本申请的进一步改进，所述均方根误差通过式(2)表征：
29、
30、其中，rmse为所述均方根误差，n为所述第一训练集的数据个数或者所述第二训练集的数据个数，xi为第i个第一训练集的真实值或者第i个第二训练集的真实值，为第i个第一训练集训练完成后的训练结果或者第i个第二训练集训练完成后的训练结果。
31、作为本申请的进一步改进，判断所述水位高度是否大于等于第一预设阈值，若是，则生成预警信号并发送至外部接收端，之后，包括：
32、判断所述水位高度是否大于等于第二预设阈值；
33、若是，则生成危险信号和关闭信号；
34、将所述危险信号通过位于所述下穿隧道的两端的显示端进行输出显示；
35、将所述关闭信号发送至所述下穿隧道的两端的机械闸门端以升起所述机械闸门端，或者，发送至外部决策端。
36、为了实现上述目的，本申请还提供了如下技术方案：
37、一种下穿隧道的积水预警装置，所述下穿隧道的积水预警装置应用于如上述的下穿隧道的积水预警方法，所述下穿隧道的积水预警装置包括：
38、历史数据获取模块，用于间隔预设历史时长所述下穿隧道的若干个历史排水数据、所述下穿隧道所在区域的若干个历史降水数据；
39、最大差值获取模块，用于基于同一个预设历史时长获取所述历史排水数据与所述历史降水数据的最大差值；
40、总数据集整合模块，用于基于每个预设历史时长分别获取每个最大差值，并将所有最大差值整合为一个总数据集；
41、预测模型获取模块，用于通过机器学习算法训练并学习所述总数据集，得到基于所述历史排水数据与所述历史降水数据的最大差值的预测模型；
42、预测结果获取模块，用于获取所述下穿隧道的实时排水数据以及实时降水数据并代入所述预测模型，得到最大差值的预测结果；
43、几何结构函数关系获取模块，用于获取所述下沉段的几何结构，通过线性拟合获取所述几何结构的高度与体积的函数关系；
44、水位高度计算模块，用于通过所述预测结果计算得到实时积水体积，并将所述实时积水体积代入所述函数关系，计算得到对应的水位高度；
45、预警信号生成模块，用于判断所述水位高度是否大于等于第一预设阈值，若是，则生成预警信号并发送至外部接收端。
46、为了实现上述目的，本申请还提供了如下技术方案：
47、一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所本文档来自技高网...
【技术保护点】
1.一种下穿隧道的积水预警方法，所述下穿隧道包括低于预设水平面的下沉段，其特征在于，所述积水预警方法包括：
2.根据权利要求1所述的积水预警方法，其特征在于，基于同一个预设历史时长获取所述历史排水数据与所述历史降水数据的最大差值，包括：
3.根据权利要求2所述的积水预警方法，其特征在于，通过机器学习算法训练并学习所述总数据集，得到基于所述历史排水数据与所述历史降水数据的最大差值的预测模型，包括：
4.根据权利要求3所述的积水预警方法，其特征在于，获取所述下穿隧道的实时排水数据以及实时降水数据并代入所述预测模型，得到最大差值的预测结果，包括：
5.根据权利要求3所述的积水预警方法，其特征在于，所述预设神经网络模型通过式(1)表征：
6.根据权利要求3所述的积水预警方法，其特征在于，所述均方根误差通过式(2)表征：
7.根据权利要求1所述的积水预警装置，其特征在于，判断所述水位高度是否大于等于第一预设阈值，若是，则生成预警信号并发送至外部接收端，之后，包括：
8.一种下穿隧道的积水预警装置，所述下穿隧
9.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至7中任一项所述的下穿隧道的积水预警方法。
10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至7中任一项所述的下穿隧道的积水预警方法。
...【技术特征摘要】
1.一种下穿隧道的积水预警方法，所述下穿隧道包括低于预设水平面的下沉段，其特征在于，所述积水预警方法包括：
2.根据权利要求1所述的积水预警方法，其特征在于，基于同一个预设历史时长获取所述历史排水数据与所述历史降水数据的最大差值，包括：
3.根据权利要求2所述的积水预警方法，其特征在于，通过机器学习算法训练并学习所述总数据集，得到基于所述历史排水数据与所述历史降水数据的最大差值的预测模型，包括：
4.根据权利要求3所述的积水预警方法，其特征在于，获取所述下穿隧道的实时排水数据以及实时降水数据并代入所述预测模型，得到最大差值的预测结果，包括：
5.根据权利要求3所述的积水预警方法，其特征在于，所述预设神经网络模型通过式(1)表征：
6.根据权利要求3所述的积水预警方法，其特征在于，所述均方根...
【专利技术属性】
技术研发人员：鲁浩，林梦，杨雄兵，万军，罗仕庭，尹正文，何成滔，武生彪，王洪祥，魏云波，赵兴宗，曹瑞恒，余继慧，
申请(专利权)人：中国电建集团昆明勘测设计研究院有限公司，
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。