一种基于神经网络的城市内涝预测方法与流程

本发明涉及数据挖掘与预测技术领域，尤其涉及的是一种基于神经网络的城市内涝预测方法。

背景技术：

近年来，随着全球气候变化引发的城市极端降雨以及中国快速城市化进程，我国诸多城市尤其是沿海城市内涝频发，严重的水浸问题导致城市各种机能近乎瘫痪，给城市居民生命安全和财产带来了严重的损失。其中，沿海城市内涝成因更加复杂，台风、潮、雨经常以遭遇形式引发城市内涝，其波及时间更长、范围更广、破坏力更强。

智慧城市是城市发展的新兴模式。利用大数据和机器学习技术预测、模拟内涝灾害是城市防洪减灾的关键技术之一，也是智慧城市风险应急管理中重要的决策支持依据。目前，大多数城市洪涝均针对暴雨洪涝或城市去水量等单一致灾因子研究，预测模型较为传统，数据利用不充分以及可靠性较差。

因此，现有技术还有待于改进和发展。

技术实现要素：

本发明是基于发明人对于以下事实和问题的发现和认识作出的：

发明人发现，在利用大数据和机器学习技术预测、模拟内涝灾害城市防洪减灾的关键技术中，现有技术中基于降雨模型和汇流模型，改进排水模型并共同组成了积水模型，解决了传统暴雨内涝数学模型中对城市排水系统设施的概化问题，预测了积水深度，另外，采用数形结合的方式，分别计算城市去水量和城市降水量，利用软件将其转化、叠加得到城市积水效果图，通过分析城市积水效果图实现提前预测城市内涝的发生。可见现有技术都是针对单一的去水量致灾因子进行城市内涝分析。

鉴于上述现有技术的不足，本发明的目的在于提供一种基于神经网络的城市内涝预测方法，本发明通过综合多个城市内涝致灾因子，以实现城市内涝程度的预测和预报。

本发明的技术方案如下：

一种基于神经网络的城市内涝预测方法，所述方法包括步骤：

将待测时序特征数据输入已训练的时序特征预测模型,所述时序特征预测模型输出时序特征预测结果；其中，所述时序特征预测结果为所述待测时序特征数据下一时刻的预测时序特征数据；

将所述预测时序特征数据与空间特征数据融合，以得到待测时空特征数据；

将所述待测时空特征数据输入已训练的内涝预测模型，所述内涝预测模型输出待测内涝点内涝程度的等级预测结果。

本发明的进一步设置，在将待测时序特征数据输入时序特征预测模型之前还包括步骤：

构建内涝数据集，所述内涝数据集包括时空特征数据和内涝点水浸高度等级数据，所述时空特征数据包括时序特征数据和空间特征数据；将所述时序特征数据输入预设ga-elman神经网络，经训练后得到所述时序特征预测模型。

本发明的进一步设置，在将所述待测时空特征数据输入内涝预测模型之前还包括步骤：将所述时空特征数据和所述内涝点水浸高度等级数据输入预设ga-概率神经网络，经训练后得到所述内涝预测模型。

本发明的进一步设置，所述构建内涝数据集的步骤包括：

提取内涝致灾的相关所述时空特征数据，作为特征；

提取内涝点水浸高度等级数据，根据所述内涝点水浸高度等级数据判定内涝程度等级，并以所述内涝程度等级作为标签；

根据所述特征和所述标签构样本建数据表格，以得到所述内涝数据集。

本发明的进一步设置，所述预设ga-elman神经网络包括：输入层、隐含层、承接层和输出层；所述时序特征预测模型的训练步骤包括：

将多维度、t时长的样本时序特征数据输入预设ga-elman神经网络,预设ga-elman神经网络输出多维度、下一个时刻t1的样本时序特征预测结果；其中，t时长取3-5小时；

计算下一个时刻t1的样本时序特征预测结果的预测值与下一个时刻t1的样本时序特征预测结果的实测值的平均绝对相对偏差，根据预测的平均绝对相对偏差进行精度评定；

重复所述将多维度、t时长的样本时序特征数据输入预设ga-elman神经网络的步骤，直至所述预设ga-elman神经网络的训练满足预设条件，得到时序特征预测模型。

本发明的进一步设置，所述预设ga-概率神经网络包括：输入层、模式层、求和层和输出层；所述内涝预测模型训练的步骤包括：

将所述样本时空特征数据和所述样本内涝点水浸高度等级数据输入所述预设ga-概率神经网络，所述预设ga-概率神经网络输出样本内涝程度预测结果；

计算样本内涝程度预测结果的预测值与样本内涝程度预测结果的实测值的相对准确度，并根据预测的相对准确度进行精度评定；

重复所述样本时空特征数据和所述样本内涝点水浸高度等级数据输入所述预设ga-概率神经网络的步骤，直至所述预设ga-概率神经网络的训练满足预设条件，得到内涝预测模型。

本发明的进一步设置，所述将所述预测时序特征数据与所述空间数据融合，以得到待测时空特征数据的步骤包括：

将多维度、t时长的待测时序特征数据输入所述时序特征预测模型，所述时序特征预测模型输出下一个时刻t1的待测样本时序特征预测结果；

将预测的下一时刻t1的待测时序特征数据反归一化，并与所述空间特征数据融合，形成所述待测时空特征数据并归一化。

本发明的进一步设置，所述根据预测的平均绝对相对偏差进行精度评定的步骤之前还包括：

初始化所述预设ga-elman神经网络的参数，利用遗传算法对输入层到隐含层权值阈值、隐含层到输出层权值阈值、承接层的权值阈值进行优化，并进行所述预设ga-elman神经网络的训练。

本发明的进一步设置，所述根据预测的相对准确度进行精度评定的步骤之前还包括：

初始化所述预设ga-概率神经网络的参数，利用遗传算法对概率神经网络的平滑系数进行优化，获得最优超参数，并进行所述预设ga-概率神经网络的训练。

本发明的进一步设置，所述根据预测的平均绝对相对偏差进行精度评定的步骤之前还包括：

将多维度、t时长、归一化处理后的时间窗特征数据输入预设ga-elman神经网络，所述预设ga-elman神经网络输出多维度、下一个时刻t1的样本时序特征预测结果；

t时长的时间窗特征数据随时间向后滑动，并对样本特征数据进行更新；

加入一小时后的新时刻的样本特征数据，去除相应一小时的旧时刻的样本特征数据；

时间窗继续随时间向后滑动，直至所述时序特征预测模型训练结束。

本发明所提供的一种基于神经网络的城市内涝预测方法，所述方法包括步骤：将待测时序特征数据输入已训练的时序特征预测模型,所述时序特征预测模型输出时序特征预测结果；其中，所述时序特征预测结果为所述待测时序特征数据下一时刻的预测时序特征数据；将所述预测时序特征数据与空间特征数据融合，以得到待测时空特征数据；将所述待测时空特征数据输入已训练的内涝预测模型，所述内涝预测模型输出待测内涝点内涝程度的等级预测结果。本发明通过构建内涝数据集并根据内涝数据集构建两个神经网络进行融合训练，实现了内涝点下一时刻的内涝程度预测和预报，精度较高、响应速度快且预测准确，在沿海城市防洪减灾和智慧城市风险应急管理中具有极大地应用价值。

附图说明

图1是一个实施例中基于神经网络的城市内涝预测方法的流程图1。

图2是一个实施例中基于神经网络的城市内涝预测方法的流程图2。

图3是一个实施例中沿海某城市内涝数据集样图。

图4是一个实施例中沿海某城市某内涝点下一时刻t1预测值与实际值的对比图。

图5是一个实施例中基于神经网络的城市内涝预测系统的模块架构图。

具体实施方式

本发明提供一种基于神经网络的城市内涝预测方法，可满足特定场景的需求，其基本思想是构造两个神经网络模型，其中一个网络模型构建于时序特征构成的训练数据集之上，另一个网络模型构建于时空特征构成的训练数据集之上，相当于使用时序预测网络性能，来拓展内涝预测网络性能。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在实施方式和申请专利范围中，除非文中对于冠词有特别限定，否则“一”与“所述”可泛指单一个或复数个。

请同时参阅图1至图4，本发明提供了一种基于神经网络的城市内涝预测方法的较佳实施例。

如图1与图2所示，图1是一个实施例中基于神经网络的城市内涝预测方法的流程图1，图2是一个实施例中基于神经网络的城市内涝预测方法的流程图2，如图所示，所述方法包括步骤：

步骤s100、将待测时序特征数据输入已训练的时序特征预测模型,所述时序特征预测模型输出时序特征预测结果；其中，所述时序特征预测结果为所述待测时序特征数据下一时刻的预测时序特征数据。

在将待测时序特征数据输入时序特征预测模型之前还包括:

步骤s10、构建内涝数据集，所述内涝数据集包括时空特征数据和内涝点水浸高度等级数据，所述时空特征数据包括时序特征数据和空间特征数据。

所述构建内涝数据集包括：

步骤s11、提取内涝致灾的相关待测时空特征数据，作为特征,其具体包括步骤：

步骤s111、整理与内涝点影响程度相关的因素，提取所述时序数据和所述空间数据，其中，请结合图3，图3是一个实施例中沿海某城市内涝数据集样图，所述时序数据包括台风路径数据(六小时间隔的台风路径经度、纬度、中心气压、中心风速、台风等级)、近海气象数据(一小时间隔的时平均站压、时平均海平面气压、时平均气温、时平均露点温度、时平均相对湿度、时总雨量、时盛行风向、时平均风速)、近海潮汐数据(一小时间隔的潮汐高度)、城市气象数据(一小时间隔的时总雨量、时盛行风向、时平均风速)；所述空间数据包括城市内涝点经纬度数据、内涝点水文零度高度数据、内涝点汇水状态数据(0-1之间的系数)、内涝点排水状态数据(0-1之间的系数)。其中，时序特征和空间特征均为多维数据，例如，台风路径数据为5维数据，内涝点经纬度数据为2维数据。

步骤s112、对多维的时序数据进行整理，将整理后的多维的时序数据统一为预设隔时间的样本数据。需要说明的是，所述预设间隔时间可以根据实际情况进行设置的，本实施例中设置为1小时，即将整理后的多维的时序数据统一为1小时间隔的样本数据。

步骤s113、根据待测时序数据的时变特性，使用数据插值法和bp神经网络补充空缺数据，其中，空缺数据为前后邻近样本数据的加权算术平均数。具体地，根据台风路径、气象及潮汐数据的时变特性，使用数据插值法补充空缺数据，并使用bp神经网络补充台风等级空缺数据，其中，台风路径为六小时间隔数据，转换为一小时间隔数据时，构建bp神经网络，采用台风路径经度、纬度、中心气压、中心风速为输入，拟合输出台风等级，实现了网络预测精度在98％以上，且鲁棒性好。

步骤s113、将经过预处理后的所述时序数据和所述空间数据作为所述特征；其中，所述特征包括时序特征和空间特征。

步骤s12、提取内涝点水浸高度等级数据，根据所述内涝点水浸高度等级数据判定内涝程度等级，并以所述内涝程度等级作为标签；

其中，所述的内涝程度等级可分为蓝色等级、黄色等级、橙色等级、红色等级以及黑色等级，以沿海城市澳门为例，界定水位高于路面0.5米以下为蓝色等级，标记1；0.5-1.0米为黄色等级，标记2；1.0-1.5米为橙色等级，标记3；1.5-2.5米为红色等级，标记4；2.5米以上为黑色等级，标记5。

步骤s13、根据所述特征和所述标签构样本建数据表格，以得到所述内涝数据集。

如图3所示，内涝数据集是一个行列的二维表格，对行是横向，对列是纵向。内涝数据集的样本特征与内涝致灾因子相关，样本标签与水浸高度相关，特征与标签可进行扩展或调整，表征可依据概率大小分类样本来实现内涝预测。

步骤s14、将所述时序特征数据输入预设ga-elman神经网络，经训练后得到所述时序特征预测模型；所述预设ga-elman神经网络包括：输入层、隐含层、承接层和输出层。

所述时序特征预测模型的训练步骤包括：

步骤s141、将多维度、t时长的样本时序特征数据输入预设ga-elman神经网络,预设ga-elman神经网络输出多维度、下一个时刻t1的样本时序特征预测结果；其中，t时长取3-5小时；

步骤s142、计算下一个时刻t1的样本时序特征预测结果的预测值与下一个时刻t1的样本时序特征预测结果的实测值的平均绝对相对偏差，根据预测的平均绝对相对偏差进行精度评定；

所述根据预测的平均绝对相对偏差进行精度评定的步骤之前还包括：

步骤s143、将多维度、t时长、归一化处理后的时间窗特征数据输入预设ga-elman神经网络，所述预设ga-elman神经网络输出多维度、下一个时刻t1的样本时序特征预测结果；

步骤s144、t时长的时间窗特征数据随时间向后滑动，对样本特征数据进行更新；

步骤s145、加入一小时后的新时刻的特征数据，去除相应一小时的旧时刻的样本特征数据；

步骤s146、时间窗继续随时间向后滑动，直至所述时序特征预测模型训练结束。

步骤s147、重复所述将多维度、t时长的样本时序特征数据输入预设ga-elman神经网络的步骤，直至所述预设ga-elman神经网络的训练满足预设条件，得到时序特征预测模型。

具体实施时，针对内涝数据集的时序特征，纵向构建预设ga-elman神经网络，所述预设ga-elman神经网络输入是17列、t时长、归一化处理后的时间窗特征数据,输出是17列、下一个时刻t1的时序特征预测结果，依据气象特性一般t时长取3-5小时。对下一时刻t1的样本时序特征预测结果进行精度评定，当精度合格时，建立时序特征预测模型。计算下一个时刻t1的预测值与下一个时刻t1的实测值的平均绝对相对偏差，根据预测的平均绝对相对偏差进行精度评定；若精度不合格，则重复步骤s143至步骤s147，直至精度合格时，则建立时序特征预测模型。

所述根据预测的平均绝对相对偏差进行精度评定的步骤之前还包括：

步骤s148、初始化所述预设ga-elman神经网络的参数，利用遗传算法对输入层到隐含层权值阈值、隐含层到输出层权值阈值、承接层的权值阈值进行优化，并进行所述预设ga-elman神经网络的训练。

步骤s200、将所述预测时序特征数据与空间特征数据融合，以得到待测时空特征数据。

所述将所述预测时序特征数据与所述空间数据融合，以得到待测时空特征数据的步骤包括：

步骤s201、将多维度、t时长的待测时序特征数据输入所述时序特征预测模型，所述时序特征预测模型输出下一个时刻t1的样本时序特征预测结果；

步骤s202、将预测的下一时刻t1的待测时序特征数据反归一化，并与所述空间特征数据融合，形成所述待测时空特征数据并归一化。

具体实施时，根据所述时序特征预测模型，输入相同维度、t时长的待测内涝点的时序数据，输出下一时刻t1的待测时序特征预测结果。

在实际预测场景中，提取某内涝点的17列、t时长的时序数据，经预处理后输入时序特征预测模型net1，net1输出17列、下一时刻t1的时序特征预测结果。预测的17列时序特征反归一化，并与5列空间特征数据融合，形成新的22列待测时空特征并归一化。

步骤s300、将所述待测时空特征数据输入已训练的内涝预测模型，所述内涝预测模型输出待测内涝点内涝程度的等级预测结果。

所述将所述待测时空特征数据输入内涝预测模型之前还包括步骤：

步骤s30、将所述时空特征数据和所述内涝点水浸高度等级数据输入预设ga-概率神经网络，经训练后得到所述内涝预测模型；其中，所述预设ga-概率神经网络包括：输入层、模式层、求和层和输出层。

例如，针对内涝数据集的特征和标签，横向构建预设ga-概率神经网络，其中，所述预设ga-概率神经网络输入是22列、归一化处理后的时序特征和空间特征数据，输出是内涝程度预测等级1-5级。

所述内涝预测模型训练的步骤包括：

步骤s301、将所述样本时空特征数据和所述样本内涝点水浸高度等级数据输入所述预设ga-概率神经网络，所述预设ga-概率神经网络输出样本内涝程度预测结果；

步骤s302、计算样本内涝程度预测结果的预测值与样本内涝程度预测结果的实测值的相对准确度，并根据预测的相对准确度进行精度评定；

步骤s303、重复所述样本时空特征数据和所述样本内涝点水浸高度等级数据输入所述预设ga-概率神经网络的步骤，直至所述预设ga-概率神经网络的训练满足预设条件，得到内涝预测模型。

所述根据预测的相对准确度进行精度评定的步骤之前还包括：

步骤s304、初始化所述预设ga-概率神经网络的参数，利用遗传算法对概率神经网络的平滑系数进行优化，获得最优超参数，并进行所述预设ga-概率神经网络的训练。

具体地，初始化概率神经网络的参数，利用遗传算法进行编解码、适应度值计算、选择、交叉、变异等操作，对ga-概率神经网络的平滑系数进行优化，获得最优超参数，并进行网络训练。

ga-概率神经网络的径向基运算如下所示：

其中，σ表示平滑系数，是取值在0到1之间的量，通过调整可以提高运算精度，x为已经标准化成为单位长度的输入向量，wi为已经标准化成为单位长度的第i类等级的加权系数，t为矩阵转置，exp是以自然常数e为底的指数函数。

具体地，针对步骤s30建立的内涝预测模型net2，输入步骤s202融合获得的22列待测时空特征数据，获得某内涝点下一时刻t1的内涝程度等级预测结果。即t时长为3小时，预测获得某内涝点第4小时内涝程度1-5等级。

请参阅图4，图4是一个实施例中沿海某城市某内涝点下一时刻t1预测值与实际值的对比图，其具体为沿海城市某内涝点连续96个小时的内涝情况，纵轴为内涝程度等级，横轴为时间，o点为真实值，*为预测值。从图4可知，可以通过预测值与实际值的差值对预测的相对准确度进行精度评定。对比表明，本发明实现了极高准确率的一个小时后的内涝程度等级预测和预报。

以机器学习的方式来进行城市内涝问题的分析和分类，对比评估采用的网络如下：

bp神经网络为3层神经网络，输入层节点为4，隐含层节点为12，输出层节点为10；

elman神经网络输入层节点为3，隐含层节点为10，承接层节点为10，输出层节点为1；概率神经网络输入层节点为22，模式层节点为训练样本个数，求和层节点为6，输出层节点为1。

本发明还提供了一种基于神经网络的城市内涝预测系统，如图5所示，图5是一个实施例中基于神经网络的城市内涝预测系统的模块架构图，所述系统包括时序特征预测结果输出模块100、数据融合模块200以及等级预测结果输出模块300，其中：

时序特征预测结果输出模块100，用于将待测时序特征数据输入已训练的时序特征预测模型,所述时序特征预测模型输出时序特征预测结果；其中，所述时序特征预测结果为所述待测时序特征数据下一时刻的预测时序特征数据；

数据融合模块200，将所述预测时序特征数据与空间特征数据融合，以得到待测时空特征数据；

等级预测结果输出模块300，用于将所述待测时空特征数据输入已训练的内涝预测模型，所述内涝预测模型输出待测内涝点内涝程度的等级预测结果。具体如一种基于神经网络的城市内涝预测方法所述，在此不再赘述。

综上所述，本发明所述提供的一种基于神经网络的城市内涝预测方法及系统，综合了多个沿海城市内涝致灾因子，构建了包括时空特征和标签的内涝数据集，针对数据集构建两个网络进行融合训练，通过训练好的神经网络实现了内涝点下一时刻的内涝程度预测和预报，准确率不低于92％，精度较高，速度快，且预测准确，在沿海城市防洪减灾和智慧城市风险应急管理中具有较好的应用价值。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。