CN107239575A - 城市道路暴雨内涝风险分析与预警智联网服务系统及方法 - Google Patents

城市道路暴雨内涝风险分析与预警智联网服务系统及方法 Download PDF

Info

Publication number
CN107239575A
CN107239575A CN201710514431.3A CN201710514431A CN107239575A CN 107239575 A CN107239575 A CN 107239575A CN 201710514431 A CN201710514431 A CN 201710514431A CN 107239575 A CN107239575 A CN 107239575A
Authority
CN
China
Prior art keywords
mrow
risk
information
data
waterlogging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710514431.3A
Other languages
English (en)
Other versions
CN107239575B (zh
Inventor
曾凡雷
郭树军
黄崇福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Handan Meteorological Bureau
Original Assignee
Handan Meteorological Bureau
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Handan Meteorological Bureau filed Critical Handan Meteorological Bureau
Priority to CN201710514431.3A priority Critical patent/CN107239575B/zh
Publication of CN107239575A publication Critical patent/CN107239575A/zh
Application granted granted Critical
Publication of CN107239575B publication Critical patent/CN107239575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种城市道路暴雨内涝风险分析与预警智联网服务系统及方法，其特征在于：其包括用户层、表示层、模型层以及数据层；所述用户层用于为不同智能体类型提供接口，便于不同智能体类型用户登录所述服务系统；所述表示层用于收集不同智能体类型输入的与城市道路暴雨内涝风险分析相关的基础数据，并对风险评估结果进行展示；所述模型层用于对收集的基础数据进行信息优化和信息整合，并建立风险评估模型对风险信息进行评估，并将风险评估结果发送到所述表示层；所述数据层用于对所述用户层、表示层以及模型层中涉及的所有数据进行分类存储，便于后期查询和维护。本发明可以广泛应用于城市道路暴雨内涝风险分析与预警中。

Description

城市道路暴雨内涝风险分析与预警智联网服务系统及方法
技术领域
本发明涉及城市道路暴雨内涝风险管理领域，特别是关于一种城市道路暴雨内涝风险分析与预警智联网服务系统及方法。
背景技术
近年来，随着极端暴雨事件的频繁发生以及我国城市化进程的不断推进，城市暴雨内涝事件越发频繁，给城市综合管理、企业生产以及居民生活等造成较大影响。道路积水是暴雨内涝影响居民生活的主要形式，开展城市道路暴雨内涝风险管理是降低风险、减少损失实现可持续发展的重要途径。为此，结合城市的区域特点，开展城市暴雨内涝风险的监控、预警等研究极为重要。
目前，已经有多种研究城市暴雨内涝问题的方法，如水文水力学仿真模拟法、综合指标体系法、历史灾情数理统计法等，虽然这些方法在城市暴雨内涝问题中具备一定的学术和应用价值，但是，目前仍缺乏更为简单有效的方法用于支持城市暴雨内涝问题的决策服务、专业服务及公共服务等。随着网络技术尤其是移动互联网技术的成熟，基于群体参与的问题解决模式逐渐得到应用，志愿者地理信息(Volunteer Geographic Information，VGI)技术的应用也越来越广泛，如Citysourced是一个在国外较为流行的参与式移动应用，市民通过该应用程序可以反馈各种城市环境问题；搜狗地图、百度地图、高德地图等在线地图平台，通过用户参与，提供了城市历史积涝信息的收集与展示等功能，但是，其输出结果仅仅是简单的信息罗列，而且信息来源单一，缺少针对城市暴雨内涝风险问题的多源信息获取、信息处理、风险评估、预警发布等功能。
发明内容
针对上述问题，本发明的目的是提供一种城市道路暴雨内涝风险分析与预警智联网服务系统及方法，该方法通过设置多角色参与的信息监测过程、信息处理过程、风险评估过程以及信息发布过程等，最终提供及时有效的内涝风险预警信息，帮助政府管理、企业生产、居民出行等决策过程规避内涝风险事件，降低风险事件的发生频率和潜在损失等。
为实现上述目的，本发明采取以下技术方案：一种城市道路暴雨内涝风险分析与预警智联网服务系统，其特征在于：其包括用户层、表示层、模型层以及数据层；所述用户层用于为不同智能体类型提供接口，便于不同智能体类型用户登录所述服务系统；所述表示层用于收集不同智能体类型输入的与城市道路暴雨内涝风险分析相关的基础数据，并对风险评估结果进行展示；所述模型层用于对收集的基础数据进行信息优化和信息整合，并建立风险评估模型对风险信息进行评估，并将风险评估结果发送到所述表示层；所述数据层用于对所述用户层、表示层以及模型层中涉及的所有数据进行分类存储，便于后期查询和维护。
所述用户层中涉及的不同智能体类型包括气象部门专业智能体、市政排水部门专业智能体、交通管理部门专业智能体以及社会公众智能体。
所述表示层包括基础数据收集模块和风险评估结果展示模块；所述基础数据收集模块包括降雨强度数据收集模块、易涝点积水数据收集模块、交通管制信息数据收集模块、易涝点危险源数据收集模块以及受影响对象数据收集模块；所述降雨强度数据收集模块用于收集气象部门专业智能体输入的降雨强度预报信息和降雨过程的历史数据；所述易涝点积水数据收集模块用于收集市政排水部门智能体输入的与易涝路段相关的经验数据；所述交通管制信息数据收集模块用于收集交通管理部门智能体输入的交通管制信息；所述易涝点危险源数据收集模块用于收集社会公众智能体输入的易涝点危险源信息；所述受影响对象数据收集模块用于收集社会公众智能体输入的易涝点附近风险承受体信息；各数据收集模块收集的基础数据均发送到所述数据层进行存储；所述风险评估展示模块包括积水深度信息展示模块、行人涉水风险信息展示模块、车辆涉水风险信息展示模块以及建筑进水风险信息展示模块；所述积水深度信息展示模块用于接收所述模型层发送的积水深度信息并进行展示；所述行人涉水风险信息展示模块用于接收所述模型层发送的行人涉水风险信息并进行展示；所述车辆涉水风险信息展示模块用于接收所述模型层发送的车辆涉水风险信息并进行展示；所述建筑进水风险信息展示模块用于接收所述模型层发送的建筑进行风险信息并进行展示。
所述模型层包括信息优化模块和风险评估模块；所述信息优化模块包括不精确信息优化模型和零散信息整合模块；所述不精确信息优化模块用于采用不精确信息优化算法对所述表示层收集的基础数据中的不精确样本数据进行处理，得到不精确样本数据的优化结果，并发送到所述风险评估模块；所述零散信息整合模块用于采用零散信息整合算法对所述表示层收集的基础数据中的任一目标的零散信息进行处理，得到任一指标完整的综合信息，并发送到所述风险评估模块；所述风险评估模块包括“雨强-水深”模糊关系模块、“水深-行人涉水”影响关系模块、“水深-车辆涉水”影响关系模块以及“水深-建筑进水”影响关系模块；所述“雨强-水深”模糊关系模块用于根据历史经验数据计算得到“雨强-水深”模糊关系模型，并根据收集的降雨预报数据以及“雨强-水深”模糊关系模型估计易涝点当前的积水深度，并将积水深度信息发送到所述表示层的所述积水深度信息展示模块；所述“水深-行人涉水”影响关系模块用于根据不同积水深度对行人的影响，得到当前积水深度对行人涉水风险的影响结果，并发送到所述行人涉水风险信息展示模块；所述“水深-车辆涉水”影响关系模块用于根据不同车型的安全涉水深度，得到当前积水深度对不通过车辆涉水风险的影响结果，并发送到所述车辆涉水风险信息展示模块；所述“水深-建筑进水”影响关系模块用于根据对积水深度与建筑单元台阶高度的高低判断结果，得到当前积水深度对建筑单元受积水影响的程度，并发送到所述建筑进水风险信息展示模块。
所述数据层包括智能体数据库、降雨强度数据库、易涝点数据库、历史积水事件数据库、潜在危险源数据库、风险承受体数据库、风险后果数据库、“雨强-水深”模糊关系数据库”；所述智能体数据库用于存储与智能体注册有关的个体信息；所述降雨强度数据库用于存储与降雨过程有关的数据；所述易涝点数据库用于存储城市内主要的易涝点信息；所述历史积水事件数据库用于存储易涝点的历史积水时间；所述潜在危险源数据库用于存储易积水路段分布的潜在危险源信息；所述风险承受体数据库用于存储易积水路段附近分布的受影响对象的位置、门口台阶高度信息；所述风险后果数据库用于存储不同积水深度下，对受影响对象的影响后果；所述“雨强-水深”模糊关系数据库用于存储降雨强度和积水深度的模糊关系数。
一种基于所述系统的城市道路暴雨内涝风险分析与预警智联网服务方法，其特征在于包括以下步骤：1)根据风险评估中所需要的原始基础数据类型，确定不同的智能体类型；2)根据所需原始基础数据的相关信息，为步骤1)中确定的不同智能体类型构建不同的人机交互信息反馈页面，进行原始基础数据的收集；3)对收集的原始基础数据进行处理，并根据处理后的数据进行风险评估；4)根据得到的风险评估结果，对城市道路暴雨内涝风险评估结果进行展示，帮助政府管理、企业生产、居民出行决策过程中对内涝风险事件的规避。
所述步骤3)中，对原始基础数据进行优化处理，并进行风险评估包括以下步骤：3.1)采用基于信息扩散技术的不精确信息优化算法对数值型的原始数据进行优化，以提高原始样本数据的精确度；3.2)采用基于集合运算的零散信息综合算法对枚举型属性的原始数据进行优化，合并零散信息并简化冗余信息；3.3)根据处理后的相关数据构建相关模型，进行风险评估。
所述步骤3.1)中，采用基于信息扩散技术的不精确信息优化算法对原始基础数据进行优化的方法，包括以下步骤：
3.1.1)根据原始数据样本序列X构造监控点序列V，构造过程如下式所示：
式中，X表示原始样本数据序列，xi、xj分别表示原始样本数据中的第i个和第j个样本数据，n表示原始样本数据序列包含的所有样本数据的总个数，V表示监控点序列，vi表示序列V中的第i个监控点，k表示V中需要构造的监控点个数，Δv表示监控点序列的步长；
3.1.2)根据原始数据样本序列X中样本数据的最值，得到信息扩散系数h以及信息扩散函数
其中，信息扩散系数h的计算公式为：
其中，
基于信息扩散系数h，得到信息扩散函数的计算公式为：
3.1.3)将得到的监控点序列V作为变量x输入信息扩散函数计算原始样本数据向每个监控点分配的信息量p(vi)，得到所有监控点的信息分配量序列；
3.1.4)将所有监控点的信息分配量序列归一化，并带入重心公式，计算监控点的重心值，作为原始样本数据的估计值v′，也即样本数据的优化值；其中，归一化和重心公式的计算公式分别为：
式中，v′表示计算后的监控点重心值，vi代表第i个监控点，p(vi)'代表归一化后的第i个监控点的信息量。
所述步骤3.3)中，根据处理后的相关数据构建相关模型，进行风险评估的方法，主要包括以下步骤：3.3.1)根据处理后易涝点的降雨强度历史数据和积水深度历史数据，构建“雨强-水深”模糊关系模型；3.3.2)根据降雨强度预报数据以及步骤3.3.1)中的模糊关系模型，估计易涝点积水深度界面；3.3.3)根据得到的易涝点积水深度以及易涝点周围的风险承受体分布情况，确定易涝点在降雨发生时的风险情景；3.3.4)根据确定的风险情景，对风险进行评估。
所述步骤4)中，根据接收到的风险评估信息，采用以下方法进行风险情景展示：4.1)基于WebGIS的风险情景表达平台：采用对公众开放的在线地图平台，配合不同颜色的区块、图标，综合展示城市内涝不同程度风险的情景；4.2)基于色块分布的易涝点范围及积水深度表达方式：采用地图上的不同形状表达积水路段的范围，采用不同颜色表达积水深度的高低；4.3)基于图标及颜色的风险要素情景表达方式：即采用不同图标表示不同风险源和风险承受体类型，采用不同颜色表示面临的风险程度；4.4)基于文字表述的风险情景表达方式：即采用文字描述风险的详细信息。
本发明由于采取以上技术方案，其具有以下优点：1、本发明由于服务系统由气象部门、市政部门以及社会公众等不同智能体类型共同参与，为城市道路暴雨内涝风险分析提供了更加准确丰富的数据资源，使得对城市道路暴雨内涝风险分析更加科学合理。2、本发明由于采用不精确信息优化算法和零散信息综合算法对收集的原始基础数据进行处理，达到了提高数据准确性同时减少冗余数据的问题，使得对城市道路暴雨内涝风险分析更加准确。3、本发明由于针对不同风险承受体类型分别设置了不同的风险情景，能够同时对多种风险承受体进行风险评估，提高了本发明的应用范围。4、本发明由于采用不同的风险情景展示方式对风险情景进行展示，风险情景展示更加直观便捷。本发明可以广泛应用于城市道路内涝风险分析领域中，为城市综合管理、企业生产以及社会公众生活等提供辅助决策。
附图说明
图1是本发明服务平台的框架结构及服务流程；
图2是本发明服务平台工作流程；
图3(a)是本发明易涝点信息反馈交互界面，图3(b)是易涝点的地理坐标；
图4(a)是本发明智能体参与反馈历史积水事件的交互界面，图4(b)是积水事件中积水路段的地理坐标；
图5(a)是本发明反馈风险承受体交互界面，图5(b)是风险承受体的地理坐标；
图6(a)是本发明反馈危险源信息交互界面，图6(b)是危险源的地理坐标；
图7是本发明气象部门专业智能体反馈降雨预报信息交互界面；
图8是本发明不精确信息优化算法计算过程示意图；
图9是本发明原始经验信息的综合处理功能示意图；
图10是本发明城市道路暴雨内涝风险评估数据流程图；
图11是本发明基于在线地图的风险情景表达平台；
图12(a)是本发明积水深度的颜色图例，图12(b)是风险源的地理坐标；
图13是本发明基于文字描述的风险表达方式。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明提供的城市道路暴雨内涝风险分析与预警智联网服务系统分为四层：用户层、表示层、模型层以及数据层。用户层用于为不同智能体类型提供接口，便于不同智能体类型用户登录本发明服务系统。表示层用于收集不同智能体类型输入的与城市道路暴雨内涝风险分析相关的基础数据，并对风险评估结果进行展示。模型层用于对收集的基础数据进行信息优化和信息整合，并建立风险评估模型对风险信息进行评估，并将风险评估结果发送到表示层。数据层用于对用户层、表示层以及模型层中涉及的所有数据进行分类存储，便于后期查询和维护。
用户层中涉及的不同智能体类型接口包括气象部门专业智能体、市政排水部门专业智能体、交通管理部门专业智能体以及社会公众智能体。
表示层包括基础数据收集模块和风险评估结果展示模块。基础数据收集模块包括降雨强度数据收集模块、易涝点积水数据收集模块、交通管制信息数据收集模块、易涝点危险源数据收集模块以及受影响对象数据收集模块。其中，降雨强度数据收集模块用于收集气象部门专业智能体输入的降雨强度预报信息和降雨过程的历史数据；易涝点积水数据收集模块用于收集市政排水部门智能体输入的与易涝路段相关的经验数据；交通管制信息数据收集模块用于收集交通管理部门智能体输入的交通管制信息；易涝点危险源数据收集模块用于收集社会公众智能体输入的易涝点危险源信息；受影响对象数据收集模块用于收集社会公众智能体输入的易涝点附近风险承受体信息；各数据收集模块收集的基础数据均发送到数据层进行存储。
风险评估展示模块包括积水深度信息展示模块、行人涉水风险信息展示模块、车辆涉水风险信息展示模块以及建筑进水风险信息展示模块。其中，积水深度信息展示模块用于接收模型层发送的积水深度信息并进行展示；行人涉水风险信息展示模块用于接收模型层发送的行人涉水风险信息并进行展示；车辆涉水风险信息展示模块用于接收模型层发送的车辆涉水风险信息并进行展示；建筑进水风险信息展示模块用于接收模型层发送的建筑进行风险信息并进行展示。
模型层包括信息优化模块和风险评估模块。信息优化模块包括不精确信息优化模型和零散信息整合模块。其中，不精确信息优化模块用于采用不精确信息优化算法对表示层收集的基础数据中的不精确样本数据进行处理，得到不精确样本数据的优化结果，并发送到风险评估模块。零散信息整合模块用于采用零散信息整合算法对表示层收集的基础数据中的任一目标的零散信息进行处理，得到任一指标完整的综合信息，并发送到风险评估模块。
风险评估模块包括“雨强-水深”模糊关系模块、“水深-行人涉水”影响关系模块、“水深-车辆涉水”影响关系模块以及“水深-建筑进水”影响关系模块。其中，“雨强-水深”模糊关系模块用于根据历史经验数据计算得到“雨强-水深”模糊关系模型，并根据收集的降雨预报数据以及“雨强-水深”模糊关系模型估计易涝点当前的积水深度，并将积水深度信息发送到表示层的积水深度信息展示模块。“水深-行人涉水”影响关系模块用于根据不同积水深度对行人的影响，得到当前积水深度对行人涉水风险的影响结果，并发送到行人涉水风险信息展示模块。“水深-车辆涉水”影响关系模块用于根据不同车型的安全涉水深度，得到当前积水深度对不通过车辆涉水风险的影响结果，并发送到车辆涉水风险信息展示模块。“水深-建筑进水”影响关系模块用于根据对积水深度与建筑单元台阶高度的高低判断结果，得到当前积水深度对建筑单元受积水影响的程度，并发送到建筑进水风险信息展示模块。
数据层包括智能体数据库、降雨强度数据库、易涝点数据库、历史积水事件数据库、潜在危险源数据库、风险承受体数据库、风险后果数据库、“雨强-水深”模糊关系数据库”。其中，智能体数据库用于存储与智能体注册有关的个体信息，包括性别、年龄、居住范围、教育背景及从事行业等。降雨强度数据库用于存储与降雨过程有关的数据，包括降雨强度预报数据以及降雨过程的历史数据等。易涝点数据库用于存储城市内主要的易涝点信息，包括易涝点名称和易涝点坐标范围。历史积水事件数据库用于存储易涝点的历史积水时间，包括时间、地点、积水深度、附近分布的受影响对象和其他危险源等。潜在危险源数据库用于存储易积水路段分布的潜在危险源信息，包括路坑、排水井、危险数目和漏电设备等。风险承受体数据库用于存储易积水路段附近分布的受影响对象的位置、门口台阶高度信息，受影响对象包括道路两侧分布的商店、小区、企事业单位等。风险后果数据库用于存储不同积水深度下，对受影响对象的影响后果，也即风险评估模块输出的积水深度对行人、车辆、建筑的影响结果。“雨强-水深”模糊关系数据库用于存储降雨强度和积水深度的模糊关系数。
基于上述城市道路暴雨内涝风险分析与预警智联网服务系统，本发明还提供一种城市道路暴雨内涝风险分析与预警智联网服务方法，包括以下步骤：
1)根据风险评估中所需要的原始基础数据类型，确定不同的智能体类型。
本发明中对城市道路暴雨内涝风险进行分析所需要的原始基础数据类型包括降雨强度信息、易涝点信息、积水事件信息、附近危险源信息以及附近受影响对象信息等。因而，本发明确定的智能体类型包括气象部门专业智能体、市政排水部门专业智能体、交通管理部门专业智能体以及社会公众智能体等。下面对各智能体类型提供的基础数据进行介绍。
气象部门智能体主要提供降雨强度预报信息以及降雨历史数据。
市政排水部门专业智能体主要反馈与易涝路段相关的经验数据。市政排水部门的专业人员掌握城市内的排水管网的分布以及排水能力等的专业知识，可以提供城市内的易积水路段，以及每个路段的排水能力等信息。尤其在暴雨发生时，市政排水公司往往会派专门人员观察易涝点的情况，第一时间掌握每个路段的积水信息，相关数据的收集与更新，有助于更加科学合理的评估城市暴雨内涝风险。
交通管理部门智能体在城市暴雨内涝的积水达到一定深度时，发布交通管制信息。相关的措施将影响到道路的正常通行。
社会公众智能体是利益相关者，数量相对较多，他们在监测易涝点周围危险源信息、风险承受体分布信息等发挥重要作用，将会为智联网提供丰富的数据资源。
2)根据所需原始基础数据的相关信息，为步骤1)中确定的不同智能体类型构建不同的人机交互信息反馈页面，进行原始基础数据的收集。
如图3(a)、3(b)所示，为易涝点信息反馈界面及其地理坐标。易涝点信息主要是指城市内容易发生积水的路段或区域的信息，主要由市政排水部门专业智能体提供。由于该类型智能体在暴雨发生时，担负着及时排除道路积涝的任务，因此，对于市区内主要的易积水路段，有较为准确的信息。在易涝点信息反馈交互界面中，主要设计了“易涝点路段名称”、“易涝点地理坐标”两个关键信息，其中，地理坐标通过在线地图工具(如基于WebGIS的地理信息收集工具)进行区域的确定以及坐标的获取。
如图4(a)、4(b)所示，为积水事件信息反馈页面及其地理坐标。积水事件信息主要记录降雨过程发生后易涝点积水情况的相关信息。该类信息的反馈不需要特定的行业知识，凡是了解该次降雨时易涝点积水状况的智能体，均可以反馈经验信息。易涝点积水信息主要包含以下关键要点：“积水路段”，“积水深度”，“积水时间”，“坐标位置”等，在积水事件信息反馈中，同样其地理坐标通过在线地图工具进行区域的确定以及坐标的获取。
如图5(a)、5(b)所示，为风险承受体信息反馈页面及其地理坐标。风险承受体主要是指积水路段两侧分布的商店、社区、企事业单位等，由于该类信息的反馈不需要特定的行业知识，主要由社会公众智能体提供。通过收集相关对象在易涝点的“地理位置分布”以及“门口台阶高度”等信息，可以判断不同积水深度风险情景下的具体受影响对象以及受影响程度等信息。同样，风险承受体的地理坐标通过在线地图工具进行区域的确定以及坐标的获取。
如图6(a)、6(b)所示，为危险源信息反馈页面及其地理坐标。附近危险源信息主要记录积水路段附近危险源的种类、位置等信息，主要由社会公众智能体提供。在评估积水路段危险源对行人的风险大小时，本发明主要考虑了积水深度对人感知危险能力的影响，并从定性的角度给出通行时面临该危险源的风险大小，如路坑、漏电设备、排水井、危险树木等。同样，危险源信息的地理坐标通过在线地图工具进行区域的确定以及坐标的获取。
如图7所示，为降雨强度数据反馈页面及其地理坐标。降雨强度是指单位时段内的降雨量大小，通常以“毫米”为单位，本发明所指降雨强度是指降雨发生时的过程降雨量，主要是由气象部门专业智能体提供。雨量自动站是记录降雨过程雨量的监测仪器，在一个城市内通常会根据城市布局布置多个雨量自动站，用于监测不同区域的降雨量大小。在气象专业智能体提供降雨强度数据时，也是按照自动站的区域分布，估计不同区域降雨强度的大小。
3)采用不精确信息优化算法和零散信息综合算法对收集的原始基础数据进行处理，并根据处理后的数据构建相关模型进行风险评估。
4)根据得到的风险评估结果，对城市道路暴雨内涝风险评估结果进行展示，帮助政府管理、企业生产、居民出行决策过程中对内涝风险事件的规避。
上述步骤3)中，在收集关于道路积水事件风险问题的基础数据时，需要有大量的智能体参加，针对问题的同一个属性特征会收集到大量的反馈数据，由于智能体反馈的经验数据具有模糊不精确性以及零散性等特点，因而需要对原始基础数据进行优化处理后再进行风险评估，具体包括以下步骤：
3.1)采用基于信息扩散技术的不精确信息优化算法对数值型的原始数据进行优化，以提高原始样本数据的精确度。
3.2)采用基于集合运算的零散信息综合算法对枚举型属性的原始数据进行优化，合并零散信息并简化冗余信息。
3.3)根据处理后的相关数据构建相关模型，进行风险评估。
上述步骤3.1)中，基于信息扩散技术的不精确信息优化算法主要用于对数值型数据的反馈基础数据进行处理，如智能体反馈的易涝点积水深度数据，商店、社区等台阶高度数据等。下面对基于信息扩散技术的不精确信息优化算法进行简单介绍。
定义：设X＝{x1,x2,…,xn}，表示一个随机样本，U是随机变量X所有可能取值的集合，U称为X的论域，X和U分别简称为样本和论域。
设X是一个样本，V是论域U的一个子集，则从X×V到[0,1]的一个映射，如式(1)所示，称为样本X在V的一个信息扩散，如果它是递减的，即如果||v′-x||≤||v″-x||，则μ(x,v′)≥μ(x,v″)。其中v称为一个监控空间，μ称为一个扩散函数，简称扩散。
因而，采用基于信息扩散技术的不精确信息优化算法对数值型数据进行优化的方法，包括以下步骤：
3.1.1)根据原始数据样本序列X构造监控点序列V。
构造过程如下式所示：
式中，X表示原始样本数据序列，xi、xj分别表示原始样本数据中的第i个和第j个样本数据，n表示原始样本数据序列包含的所有样本数据的总个数，V表示监控点序列，vi表示序列V中的第i个监控点，k表示V中需要构造的监控点个数，Δv表示监控点序列的步长。
3.1.2)根据原始数据样本序列X中样本数据的最值，得到信息扩散系数h以及信息扩散函数
其中，信息扩散系数h的计算公式为：
其中，
基于信息扩散系数h，得到信息扩散函数的计算公式为：
3.1.3)将步骤3.1.1)中得到的监控点序列V作为变量x输入信息扩散函数计算原始样本数据向每个监控点分配的信息量p(vi)，得到所有监控点的信息分配量序列。
3.1.4)将所有监控点的信息分配量序列归一化，并带入重心公式，计算监控点的重心值，作为原始样本数据的估计值v′，作为优化后的精确数据。
其中，归一化和重心公式的计算公式分别为：
式中，v′表示计算后的监控点重心值，vi代表第i个监控点，p(vi)'代表归一化后的第i个监控点的信息量。
上述步骤3.2)中，零散信息综合算法主要用于对枚举型属性的原始基础数据进行处理，如易涝点周围的危险源类型：路坑、排水井、易漏电设备、危树、危墙等，承载体类型：如商店、小区、地下车库、重要建筑、写字楼等。基于集合运算的零散信息综合算法进行介绍，枚举型属性反馈的数据通常以数组的形式存贮。其中，数组中的单个元素对应于枚举型属性的一个枚举值。对多个反馈经验的综合，就是对多个数组中元素的合并与约简的过程，由于对多个数组的合并，可以通过重复性的两数组合并操作实现。
设枚举型属性E的取值范围为集合{e1,e2,...,en}，设参与者A，B关于属性E反馈的经验分别为{e1,e3,...,ek}和{e2,e3,...,em}，其中，k≤n,m≤n；对参与者A，B反馈的经验信息EA和EB的融合过程，就是将EA和EB中的元素合并起来并去除重复元素的过程，该过程与集合运算中的并运算较为类似，采用该运算方法，可以达到合并零散信息、简化冗余信息的目的。
E＝{e1,e2,...,en} (7)
EA＝{e1,e3,...,ek} (8)
EB＝{e2,e3,...,em} (9)
如图9所示，为综合处理功能的实现界面。其中，图中左侧内容为收集到的5条经验信息，右侧表示以上五条经验信息的综合处理结果。这里的“积水深度”、“最大积水深度”、“持续时间”等均为数值型属性，采用基于信息扩散技术的不精确信息优化算法进行处理，而“周围建筑类型”、“存在的危险源”等，为枚举型属性，采用基于集合运算的零散信息综合算法进行处理。
上述步骤3.3)中，根据处理后的相关数据构建相关模型，进行风险评估的方法，包括以下步骤：
3.3.1)根据处理后易涝点的降雨强度历史数据和积水深度历史数据，构建“雨强-水深”模糊关系模型。
3.3.2)根据降雨强度预报数据以及步骤3.3.1)中的“雨强-水深”模糊关系模型，估计易涝点积水深度。
3.3.3)根据得到的易涝点积水深度以及易涝点周围的风险承受体分布情况，确定易涝点在降雨发生时的风险情景。
3.3.4)根据确定的风险情景，对风险进行评估。
上述步骤3.3.1)中，“降雨强度”和“积水深度”两个指标的具体说明如下：
降雨强度一般以“毫米/小时”为降雨量单位。在城市道路的汇流条件、排水能力等因素不变的情况下，降雨强度通常是影响城市内涝严重程度的关键因素。按照引发内涝的降雨强度的大小，可以把降雨过程分为短时强降雨和长历时降雨两种模式。其中，短时强降雨导致积水的原因主要在于，降雨强度导致的汇流速度超出该路段的整体排水能力；而长历时降雨导致积水的原因主要在于，长时间的降雨产生的累计雨量过大，改变了城市排水环境中下垫面、管网排水能力、河道蓄洪能力等因素，降低了城市的整体排水能力。生活中短时强降雨引发内涝的情景较为频繁，本发明中主要将短历时降雨的过程雨量作为降雨强度指标；该指标数据主要由气象部门专业智能体提供。
积水深度是描述由于降雨过程而导致路面出现积水的严重程度，通常以“厘米”为单位。积水深度随降雨过程的发生处于不断的变化之中，本发明研究的积水深度主要是指在降雨过程结束后，该积水路段的最大积水深度；该指标数据可以通过仪器监测或智能体监测等方式收集，本发明中该指标的数据主要由社会公众智能体反馈提供。
如图10所示，“雨强-水深”模糊关系模型的构建方法，包括以下步骤：
3.3.1.1)根据该易涝点的降雨强度历史数据样本和与之对应的积水深度历史数据样本，构造两个数据样本的监控区间。
设针对易涝点A，存在一组降雨强度历史数据X＝{x1,x2,...,xn}，以及与降雨数据对应的一组积水深度数据Y＝{y1,y2,...,yn}。
按照公式(11)和(12)的规则要求，可以分别构造降雨强度和积水深度的样本监控区间U，V，则由监控区间U，V可以构成关于降雨强度和积水深度的二维向量空间U×V。
式(11)中，U代表由样本点X构造的监控点序列，ui代表监控点序列U中的第i个监控点，Δx代表U中监控点序列之间的步长，k表示U中的监控点个数，floor()函数表示向下取整操作。
式(12)中，V代表由样本点Y构造的监控点序列，vi代表监控点序列V中的第i个监控点，Δy代表V中监控点序列之间的步长，m表示V中的监控点个数，floor()函数表示向下取整操作。
3.3.1.2)利用二维信息扩散模型，计算样本数据在二维指标监控空间的信息矩阵。
在二维指标空间U×V中，根据二维正态扩散公式(13)，计算样本点(xi,yi)在监测点(uj,vk)上的扩散信息，记为qijk，表示第i个样本点在二维监控空间中uj和vk确定的监控点上的信息扩散量，其中，(xi,yi)表示由降雨强度和积水深度构成的样本点数据，(uj,vk)表示由降雨强度监控点和积水深度监控点构成的监控点数据。hx和hy分别表示样本数据X和样本数据Y对应的扩散系数，扩散系数的确定参见公式(4)。
式(14)表示单个样本点(xi,yi)在监控空间U×V上的信息扩散矩阵，称为单点信息扩散矩阵。
式(15)表示对所有样本点在监控空间U×V上的信息扩散矩阵的累加，称为样本点累计信息扩散矩阵。
Q(i)＝{qijk}j×k (14)
3.3.1.3)对得到的样本点累计信息扩散矩阵，进行归一化，得到监控空间上的模糊关系矩阵。
利用公式(16)，对式(15)中数据做进一步处理，可以计算得出监控空间U×V上的一个模糊关系矩阵，用Rf表示，则Rf表示所有样本点在监控空间U×V上的原始信息矩阵。
3.3.1.4)利用模糊推理公式，输入降雨强度预报数据，得到该易涝点的估计积水深度。
利用模糊推理公式(17)和max-min模糊合成规则(18)，可以估计在降雨强度下，该易涝点的积水深度公式(17)中“ο”符号表示某种运算规则。此处选用了公式(18)的max-min模糊合成规则。
需要说明的是，任何一种预测模型在建模过程中都很难完全考虑实际发生过程中的各种情况，因此，根据降雨强度的积水预测结果仅能够作为参考，在实际应用中，通过智能体实时获取的积水数据，通常比模型的估计或仿真结果更为准确。
上述步骤3.3.3)中，易涝点在降雨发生时的风险情景的确定方法包括以下步骤：
步骤3.3.3.1)，分析积水深度对行人的影响情况，确定“积水深度-行人涉水风险”风险情景。
人们在通过积水路段时，一方面，积水会影响人们的危险路况察觉能力。此时，当路况环境复杂，如，有路坑、漏电设备、排水井、危险树木等危险源时，就会对过往的行人和车辆构成威胁，甚至造成人员伤亡或财产损失。本发明根据专家经验给出了不同积水深度影响人们危险察觉能力的分级关系，并分析了不同等级下对行人可能造成的后果，具体如表15所示。
表1“积水深度-行人危险察觉能力”的影响关系
步骤3.3.3.2)，分析积水深度对车辆的影响情况，确定“积水深度-汽车涉水风险”风险情景。
汽车等机动车是道路交通中更为常见的交通工具，当机动车通过积水路段时，可能会引发车辆熄火、发动机进水、车辆内部进水等不利后果。在积水较深的情况下，也可能造成人员伤亡。为了分析积水深度对机动车的影响程度，需要分析影响机动车涉水能力的关键因素。
汽车在涉水时能否安全通行与汽车的涉水深度有关，涉水深度涉及到汽车的两个关键部位，发动机排气筒高度和进气筒高度。一般来讲，当积水深度高于进气筒时，积水会从进气筒直接进入发动机而导致车辆损毁；而当水位高于排气筒时，车辆容易熄火并造成“趴窝”问题，再次启动时，积水会从排气筒进入发动机而造成车辆损毁。在汽车行业一般将进气口高度作为汽车的最大涉水深度，但是，为了保证机动车安全通行，本发明选用排气筒高度作为机动车的安全涉水深度。
由于车辆类型的不同，其涉水深度也有所差异，本发明中将车辆排气筒高度作为车辆的安全涉水深度，而车辆的排气筒高度一般被设计为车辆轮胎的二分之一高度，据此，本发明通过在线网站“汽车之家”的不同车型数据，调查了不同类型机动车的安全涉水深度，如表16所示。根据表16中各种车型的涉水深度数据，建立的积水深度与安全涉水车型的影响关系如表17所示。
表2车型与涉水深度统计调查表
车型 安全涉水深度(厘米) 平均安全涉水深度(厘米)
微型车 25.3-29.7 27.8
小型车 28.2-34.6 30.0
中型车 31.6-36.4 32.9
中大型车 32.7-35.2 33.9
豪华车 34.5-39.4 35.7
小型SUV 31.0-36.7 33.2
紧凑型SUV 32.8-38.0 35.3
中型SUV 35.0-40.3 37.0
中大型SUV 36.4-40.1 38.0
全尺寸SUV 36.9-41.6 40.0
MPV 30.1-38.6 33.6
中型货车 36-40 37
大型公交车 38-46 41
大型客车、货车 35-50 42
表3“积水深度与车辆涉水”的影响关系表
步骤3.3.3.3)，分析积水深度对易涝点周围建筑的影响情况，确定“积水深度-建筑进水风险”风险情景。
道路两侧的商铺、社区、企事业单位等建筑单元，在城市道路暴雨内涝时容易受到积水影响。为了估计积水深度对建筑单元的影响程度，需要分析建筑单元受积水影响的关键指标。
分析城市内涝对周围建筑的影响，主要是分析建筑单元是否进水以及进水的多少等，而建筑单元所在位置的地势高低、门口台阶的高度等是其受积水影响程度的关键指标，因此，建筑单元门口台阶高度以及易涝点的积水深度等，是评估建筑单元受影响程度的关键指标。当积水深度高于门口台阶高度时，则建筑单元就容易受到积水影响。
通过智能体的参与，智联网可以获得关于易涝点周边的建筑及其门口台阶高度信息，进而可以分析积水深度对具体建筑单元的影响情况。以建筑单元A为例，设其门口台阶距离路面的高度为X厘米，该路段的积水深度为H厘米，则积水影响建筑单元的指标可表示为D＝H-X，从而，积水对该建筑单元的影响关系可表示为表18。
表4积水深度与建筑进水风险影响关系表
积水深度 风险等级 影响后果
0<D<5 一级 受道路积水影响，建筑单元内将出现轻度积水。
5<D<10 二级 受道路积水影响，建筑单元内将出现中度积水。
10<D<20 三级 受道路积水影响，建筑单元内将出现重度积水。
D>20 四级 受道路积水影响，建筑单元内将出现严重积水。
上述步骤4)中，根据步骤3)中的风险评估计算结果，对城市道路暴雨内涝风险情景进行展示时，风险情景的表达主要包含以下要素：时间、地点、积水深度、影响对象、影响后果等。其中，“时间”信息主要是指降雨过程的发生时间，“地点”易涝点的区域范围，“积水深度”反映了风险源的强度信息，“影响对象”主要是指易涝点分布的商铺、企事业单位、社区等以及“道路交通”中各种交通方式等。由于风险情景中的“易涝点”、“影响对象”等涉及到地理位置信息，在网络风险表达平台中，本发明采用WebGIS在线地图工具，作为风险展示的主要平台，同时，配合以文字、图片、颜色、形状等要素，表达各种风险情景。本发明中采用四种不同方式，对风险信息进行展示，具体表达方式如下：
4.1)基于WebGIS的风险情景表达平台
如图11所示，在线地图是一种为人们提供可视化地理信息的网络平台，它极大的方便了人们的生产生活，本发明中选用国家测绘地理信息局对公众开放的在线地图平台，作为展示城市内涝风险状况的基本平台，配合不同颜色的区块、图标等，综合展示城市内涝不同程度风险的情景。
4.2)基于色块分布的易涝点范围及积水深度表达方式
如图12(a)、12(b)所示，地图是一种直观的表达地理位置信息的工具，通过地图上的不同形状，可以表达风险源的影响范围，同时，以不同的颜色，可以表达风险源的强度大小等，在城市道路暴雨内涝风险问题中，以地图上的不同形状表达积水路段的范围，以不同的颜色，表达积水深度的高低。
4.3)基于图标及颜色的风险要素情景表达方式
在信息传递时，不同的图标，可以表示不同的风险源和风险承受体类型。同时，通过不同颜色，可以表达面临的风险程度。本发明根据城市内涝风险中涉及到的风险源、风险承受体等的差异，分别设计了车辆涉水风险等级图标、行人涉水风险等级图标以及建筑物进水风险等级图标等；具体如表19所示。
表5基于图标颜色风险情景表达
4.4)基于文字表述的风险情景表达方式
如图13所示，文字表述是一种以文字的方式表达风险信息的方式，其表达形式更加接近自然语言，相较于其他沟通方式，具有内容更具体，表达更明确等优点。在智联网风险表达中，将城市内涝风险情景按照“位置”、“积水深度”、“受影响风险承受体”、“影响后果”等内容，以文字表述的方式表达风险，有利于风险信息的准确传递。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种城市道路暴雨内涝风险分析与预警智联网服务系统，其特征在于：其包括用户层、表示层、模型层以及数据层；所述用户层用于为不同智能体类型提供接口，便于不同智能体类型用户登录所述服务系统；所述表示层用于收集不同智能体类型输入的与城市道路暴雨内涝风险分析相关的基础数据，并对风险评估结果进行展示；所述模型层用于对收集的基础数据进行信息优化和信息整合，并建立风险评估模型对风险信息进行评估，并将风险评估结果发送到所述表示层；所述数据层用于对所述用户层、表示层以及模型层中涉及的所有数据进行分类存储，便于后期查询和维护。
2.如权利要求1所述的城市道路暴雨内涝风险分析与预警智联网服务系统，其特征在于：所述用户层中涉及的不同智能体类型包括气象部门专业智能体、市政排水部门专业智能体、交通管理部门专业智能体以及社会公众智能体。
3.如权利要求1所述的城市道路暴雨内涝风险分析与预警智联网服务系统，其特征在于：所述表示层包括基础数据收集模块和风险评估结果展示模块；所述基础数据收集模块包括降雨强度数据收集模块、易涝点积水数据收集模块、交通管制信息数据收集模块、易涝点危险源数据收集模块以及受影响对象数据收集模块；所述降雨强度数据收集模块用于收集气象部门专业智能体输入的降雨强度预报信息和降雨过程的历史数据；所述易涝点积水数据收集模块用于收集市政排水部门智能体输入的与易涝路段相关的经验数据；所述交通管制信息数据收集模块用于收集交通管理部门智能体输入的交通管制信息；所述易涝点危险源数据收集模块用于收集社会公众智能体输入的易涝点危险源信息；所述受影响对象数据收集模块用于收集社会公众智能体输入的易涝点附近风险承受体信息；各数据收集模块收集的基础数据均发送到所述数据层进行存储；
所述风险评估展示模块包括积水深度信息展示模块、行人涉水风险信息展示模块、车辆涉水风险信息展示模块以及建筑进水风险信息展示模块；所述积水深度信息展示模块用于接收所述模型层发送的积水深度信息并进行展示；所述行人涉水风险信息展示模块用于接收所述模型层发送的行人涉水风险信息并进行展示；所述车辆涉水风险信息展示模块用于接收所述模型层发送的车辆涉水风险信息并进行展示；所述建筑进水风险信息展示模块用于接收所述模型层发送的建筑进行风险信息并进行展示。
4.如权利要求1所述的城市道路暴雨内涝风险分析与预警智联网服务系统，其特征在于：所述模型层包括信息优化模块和风险评估模块；所述信息优化模块包括不精确信息优化模型和零散信息整合模块；所述不精确信息优化模块用于采用不精确信息优化算法对所述表示层收集的基础数据中的不精确样本数据进行处理，得到不精确样本数据的优化结果，并发送到所述风险评估模块；所述零散信息整合模块用于采用零散信息整合算法对所述表示层收集的基础数据中的任一目标的零散信息进行处理，得到任一指标完整的综合信息，并发送到所述风险评估模块；
所述风险评估模块包括“雨强-水深”模糊关系模块、“水深-行人涉水”影响关系模块、“水深-车辆涉水”影响关系模块以及“水深-建筑进水”影响关系模块；所述“雨强-水深”模糊关系模块用于根据历史经验数据计算得到“雨强-水深”模糊关系模型，并根据收集的降雨预报数据以及“雨强-水深”模糊关系模型估计易涝点当前的积水深度，并将积水深度信息发送到所述表示层的所述积水深度信息展示模块；所述“水深-行人涉水”影响关系模块用于根据不同积水深度对行人的影响，得到当前积水深度对行人涉水风险的影响结果，并发送到所述行人涉水风险信息展示模块；所述“水深-车辆涉水”影响关系模块用于根据不同车型的安全涉水深度，得到当前积水深度对不通过车辆涉水风险的影响结果，并发送到所述车辆涉水风险信息展示模块；所述“水深-建筑进水”影响关系模块用于根据对积水深度与建筑单元台阶高度的高低判断结果，得到当前积水深度对建筑单元受积水影响的程度，并发送到所述建筑进水风险信息展示模块。
5.如权利要求1所述的城市道路暴雨内涝风险分析与预警智联网服务系统，其特征在于：所述数据层包括智能体数据库、降雨强度数据库、易涝点数据库、历史积水事件数据库、潜在危险源数据库、风险承受体数据库、风险后果数据库、“雨强-水深”模糊关系数据库”；所述智能体数据库用于存储与智能体注册有关的个体信息；所述降雨强度数据库用于存储与降雨过程有关的数据；所述易涝点数据库用于存储城市内主要的易涝点信息；所述历史积水事件数据库用于存储易涝点的历史积水时间；所述潜在危险源数据库用于存储易积水路段分布的潜在危险源信息；所述风险承受体数据库用于存储易积水路段附近分布的受影响对象的位置、门口台阶高度信息；所述风险后果数据库用于存储不同积水深度下，对受影响对象的影响后果；所述“雨强-水深”模糊关系数据库用于存储降雨强度和积水深度的模糊关系数。
6.一种基于如权利要求1～5任一项所述系统的城市道路暴雨内涝风险分析与预警智联网服务方法，其特征在于包括以下步骤：
1)根据风险评估中所需要的原始基础数据类型，确定不同的智能体类型；
2)根据所需原始基础数据的相关信息，为步骤1)中确定的不同智能体类型构建不同的人机交互信息反馈页面，进行原始基础数据的收集；
3)对收集的原始基础数据进行处理，并根据处理后的数据进行风险评估；
4)根据得到的风险评估结果，对城市道路暴雨内涝风险评估结果进行展示，帮助政府管理、企业生产、居民出行决策过程中对内涝风险事件的规避。
7.如权利要求6所述的城市道路暴雨内涝风险分析与预警智联网服务方法，其特征在于：所述步骤3)中，对原始基础数据进行优化处理并进行风险评估包括以下步骤：
3.1)采用基于信息扩散技术的不精确信息优化算法对数值型的原始数据进行优化，以提高原始样本数据的精确度；
3.2)采用基于集合运算的零散信息综合算法对枚举型属性的原始数据进行优化，合并零散信息并简化冗余信息；
3.3)根据处理后的相关数据构建相关模型，进行风险评估。
8.如权利要求7所述的城市道路暴雨内涝风险分析与预警智联网服务方法，其特征在于：所述步骤3.1)中，采用基于信息扩散技术的不精确信息优化算法对原始基础数据进行优化的方法，包括以下步骤：
3.1.1)根据原始数据样本序列X构造监控点序列V，构造过程如下式所示：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mi>X</mi> <mo>=</mo> <mo>{</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>}</mo> </mtd> </mtr> <mtr> <mtd> <mi>V</mi> <mo>=</mo> <mo>{</mo> <msub> <mi>v</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>v</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>v</mi> <mi>k</mi> </msub> <mo>}</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>v</mi> <mn>1</mn> </msub> <mo>=</mo> <mi>min</mi> <mo>(</mo> <mi>X</mi> <mo>)</mo> <mo>-</mo> <mi>&amp;Delta;</mi> <mi>v</mi> <mo>/</mo> <mn>2</mn> </mtd> </mtr> <mtr> <mtd> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>&amp;Delta;</mi> <mi>v</mi> </mtd> </mtr> <mtr> <mtd> <mi>k</mi> <mo>=</mo> <mo>(</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>)</mo> </mrow> <mo>)</mo> <mo>/</mo> <mo>(</mo> <mi>&amp;Delta;</mi> <mi>v</mi> <mo>)</mo> <mo>+</mo> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> <mo>&lt;</mo> <mi>&amp;Delta;</mi> <mi>v</mi> <mo>&amp;le;</mo> <munder> <mi>min</mi> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>&amp;NotEqual;</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> </munder> <mo>(</mo> <mrow> <mo>|</mo> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> <mo>|</mo> </mrow> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
式中，X表示原始样本数据序列，xi、xj分别表示原始样本数据中的第i个和第j个样本数据，n表示原始样本数据序列包含的所有样本数据的总个数，V表示监控点序列，vi表示序列V中的第i个监控点，k表示V中需要构造的监控点个数，Δv表示监控点序列的步长；
3.1.2)根据原始数据样本序列X中样本数据的最值，得到信息扩散系数h以及信息扩散函数其中，信息扩散系数h的计算公式为：
<mrow> <mi>h</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0.8146</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>5</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.5690</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>6</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.4560</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>7</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.3860</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>8</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.3362</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>9</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0.2986</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>10</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>2.6851</mn> <mrow> <mo>(</mo> <mi>b</mi> <mo>-</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <mi>n</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <mi>n</mi> <mo>&amp;GreaterEqual;</mo> <mn>11</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中，
基于信息扩散系数h，得到信息扩散函数的计算公式为：
<mrow> <msub> <mover> <mi>p</mi> <mo>~</mo> </mover> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mi>h</mi> <msqrt> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> </msqrt> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <msup> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msup> <mi>h</mi> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
3.1.3)将得到的监控点序列V作为变量x输入信息扩散函数计算原始样本数据向每个监控点分配的信息量p(vi)，得到所有监控点的信息分配量序列；
3.1.4)将所有监控点的信息分配量序列归一化，并带入重心公式，计算监控点的重心值，作为原始样本数据的估计值v′，也即样本数据的优化值；其中，归一化和重心公式的计算公式分别为：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>p</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>/</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>k</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
<mrow> <msup> <mi>v</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>&amp;times;</mo> <mi>p</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <mi>p</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
式中，v′表示计算后的监控点重心值，vi代表第i个监控点，p(vi)'代表归一化后的第i个监控点的信息量。
9.如权利要求7所述的城市道路暴雨内涝风险分析与预警智联网服务方法，其特征在于：所述步骤3.3)中，根据处理后的相关数据构建相关模型，进行风险评估的方法，主要包括以下步骤：
3.3.1)根据处理后易涝点的降雨强度历史数据和积水深度历史数据，构建“雨强-水深”模糊关系模型；
3.3.2)根据降雨强度预报数据以及步骤3.3.1)中的模糊关系模型，估计易涝点积水深度界面；
3.3.3)根据得到的易涝点积水深度以及易涝点周围的风险承受体分布情况，确定易涝点在降雨发生时的风险情景；
3.3.4)根据确定的风险情景，对风险进行评估。
10.如权利要求6所述的城市道路暴雨内涝风险分析与预警智联网服务方法，其特征在于：所述步骤4)中，根据接收到的风险评估信息，采用以下方法进行风险情景展示：
4.1)基于WebGIS的风险情景表达平台：采用对公众开放的在线地图平台，配合不同颜色的区块、图标，综合展示城市内涝不同程度风险的情景；
4.2)基于色块分布的易涝点范围及积水深度表达方式：采用地图上的不同形状表达积水路段的范围，采用不同颜色表达积水深度的高低；
4.3)基于图标及颜色的风险要素情景表达方式：即采用不同图标表示不同风险源和风险承受体类型，采用不同颜色表示面临的风险程度；
4.4)基于文字表述的风险情景表达方式：即采用文字描述风险的详细信息。
CN201710514431.3A 2017-06-29 2017-06-29 城市道路暴雨内涝风险分析与预警智联网服务系统及方法 Active CN107239575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710514431.3A CN107239575B (zh) 2017-06-29 2017-06-29 城市道路暴雨内涝风险分析与预警智联网服务系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710514431.3A CN107239575B (zh) 2017-06-29 2017-06-29 城市道路暴雨内涝风险分析与预警智联网服务系统及方法

Publications (2)

Publication Number Publication Date
CN107239575A true CN107239575A (zh) 2017-10-10
CN107239575B CN107239575B (zh) 2020-08-25

Family

ID=59989999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710514431.3A Active CN107239575B (zh) 2017-06-29 2017-06-29 城市道路暴雨内涝风险分析与预警智联网服务系统及方法

Country Status (1)

Country Link
CN (1) CN107239575B (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656325A (zh) * 2017-11-10 2018-02-02 北京瀚禹信息科技有限公司 一种城市内涝自动预警系统及预警方法
CN108230615A (zh) * 2018-01-18 2018-06-29 同济大学 一种基于涵洞水位安全的车路协同预警系统及方法
CN108287938A (zh) * 2017-12-18 2018-07-17 苏州航天系统工程有限公司 一种自动检索内涝区域范围内排水管网收水口的方法
CN109814462A (zh) * 2019-02-21 2019-05-28 深圳集智云创科技开发有限公司 一种基于大数据的城市排水网络监控控制系统
CN109974726A (zh) * 2017-12-28 2019-07-05 北京搜狗科技发展有限公司 一种道路通行状态确定方法及装置
CN110070730A (zh) * 2019-05-05 2019-07-30 何世全 一种城市道路导航的方法及系统
CN110135722A (zh) * 2019-05-09 2019-08-16 苏州嘉奕晟中小企业科技咨询有限公司 基于地理集成信息化的智慧城市洪涝灾害处理系统
CN110284570A (zh) * 2019-06-12 2019-09-27 特斯联（北京）科技有限公司 一种水文气象大数据的城市排水预测式调节装置及方法
CN110777687A (zh) * 2019-10-13 2020-02-11 天津大学 一种雨天城市车辆规避积水道路的智能预警方法
CN110930701A (zh) * 2019-11-22 2020-03-27 长安大学 一种基于道路事故数据的车辆分级预警系统及方法
CN111564080A (zh) * 2020-06-17 2020-08-21 上海宥隽设计中心 一种模块化多险种应急安全培训体验馆
CN111723994A (zh) * 2020-06-24 2020-09-29 中国平安财产保险股份有限公司 基于灾害性天气的车辆预警方法及系统
CN111815983A (zh) * 2020-06-13 2020-10-23 王亚鹏 一种基于物联网的行车涉水预警方法及系统、车辆
CN112162664A (zh) * 2020-09-04 2021-01-01 杭州运河集团文化旅游有限公司 用于智慧消防应急管理系统的数据看板
CN112394847A (zh) * 2020-10-23 2021-02-23 西安交通大学 基于结构化图标的应急信息交互系统
CN112528563A (zh) * 2020-12-08 2021-03-19 丹华水利环境技术(上海)有限公司 一种基于svm算法的城市内涝预警方法
CN112578479A (zh) * 2020-12-29 2021-03-30 北京维艾思气象信息科技有限公司 一种基于降水预报的城市内涝告警装置及方法
CN112580930A (zh) * 2020-11-20 2021-03-30 深圳城安软通科技集团有限公司 基于gis的深基坑工程风险识别技术的方法及系统
CN113781813A (zh) * 2021-10-22 2021-12-10 北京声智科技有限公司 一种预警方法、系统、装置和电子设备
CN114119776A (zh) * 2022-01-26 2022-03-01 江西省大气探测技术中心 一种城市涝点管理方法、系统、存储介质及设备
CN114727463A (zh) * 2022-04-20 2022-07-08 北京金石视觉数字科技有限公司 一种基于智慧城市物联系统的灯光控制方法及系统
CN116206426A (zh) * 2023-05-06 2023-06-02 长春市城建维护集团股份有限公司 一种基于物联网的移动式水位监测报警系统
CN116523089A (zh) * 2022-11-18 2023-08-01 中国气象局公共气象服务中心(国家预警信息发布中心) 一种用于公路交通的降雨致灾风险预报方法及装置
CN116665408A (zh) * 2023-04-26 2023-08-29 中冶南方（武汉）自动化有限公司 一种地下综合管廊暴雨预警方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049789A1 (en) * 2003-08-27 2005-03-03 Kelly Terence F. System and method for providing personalized storm warnings
CN103578228A (zh) * 2012-08-10 2014-02-12 陕西银河景天电子有限责任公司 一种暴雨洪涝灾害监测预警及应急响应系统与方法
KR20140072994A (ko) * 2012-12-05 2014-06-16 한국전자통신연구원 재난경보 제공 시스템 및 그 운용 방법
CN103944946A (zh) * 2013-01-22 2014-07-23 中国水利水电科学研究院 一种基于物联网的城市内涝监测方法及监测系统
CN104376430A (zh) * 2014-11-28 2015-02-25 东莞中国科学院云计算产业技术创新与育成中心 一种基于云服务平台的风险隐患管理系统及其实现方法
CN105550803A (zh) * 2015-12-08 2016-05-04 哈尔滨航天恒星数据系统科技有限公司 一种城市内涝分析方法及系统
CN106128038A (zh) * 2016-07-04 2016-11-16 安徽天达网络科技有限公司 一种城市防洪排涝预警联动系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049789A1 (en) * 2003-08-27 2005-03-03 Kelly Terence F. System and method for providing personalized storm warnings
CN103578228A (zh) * 2012-08-10 2014-02-12 陕西银河景天电子有限责任公司 一种暴雨洪涝灾害监测预警及应急响应系统与方法
KR20140072994A (ko) * 2012-12-05 2014-06-16 한국전자통신연구원 재난경보 제공 시스템 및 그 운용 방법
CN103944946A (zh) * 2013-01-22 2014-07-23 中国水利水电科学研究院 一种基于物联网的城市内涝监测方法及监测系统
CN104376430A (zh) * 2014-11-28 2015-02-25 东莞中国科学院云计算产业技术创新与育成中心 一种基于云服务平台的风险隐患管理系统及其实现方法
CN105550803A (zh) * 2015-12-08 2016-05-04 哈尔滨航天恒星数据系统科技有限公司 一种城市内涝分析方法及系统
CN106128038A (zh) * 2016-07-04 2016-11-16 安徽天达网络科技有限公司 一种城市防洪排涝预警联动系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴艳华等: "基于灾害风险评估模型的铁路灾害监测预警系统研究", 《中国铁道科学》 *
郭雪梅等: "我国城市内涝灾害的影响因子及气象服务对策", 《灾害学》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656325A (zh) * 2017-11-10 2018-02-02 北京瀚禹信息科技有限公司 一种城市内涝自动预警系统及预警方法
CN107656325B (zh) * 2017-11-10 2023-01-10 北京瀚禹信息科技有限公司 一种城市内涝自动预警系统及预警方法
CN108287938A (zh) * 2017-12-18 2018-07-17 苏州航天系统工程有限公司 一种自动检索内涝区域范围内排水管网收水口的方法
CN109974726A (zh) * 2017-12-28 2019-07-05 北京搜狗科技发展有限公司 一种道路通行状态确定方法及装置
CN108230615A (zh) * 2018-01-18 2018-06-29 同济大学 一种基于涵洞水位安全的车路协同预警系统及方法
CN109814462A (zh) * 2019-02-21 2019-05-28 深圳集智云创科技开发有限公司 一种基于大数据的城市排水网络监控控制系统
CN109814462B (zh) * 2019-02-21 2021-12-10 深圳科特环保科技有限公司 一种基于大数据的城市排水网络监控控制系统
CN110070730A (zh) * 2019-05-05 2019-07-30 何世全 一种城市道路导航的方法及系统
CN110135722A (zh) * 2019-05-09 2019-08-16 苏州嘉奕晟中小企业科技咨询有限公司 基于地理集成信息化的智慧城市洪涝灾害处理系统
CN110284570B (zh) * 2019-06-12 2020-01-31 特斯联（北京）科技有限公司 一种水文气象大数据的城市排水预测式调节装置及方法
CN110284570A (zh) * 2019-06-12 2019-09-27 特斯联（北京）科技有限公司 一种水文气象大数据的城市排水预测式调节装置及方法
CN110777687A (zh) * 2019-10-13 2020-02-11 天津大学 一种雨天城市车辆规避积水道路的智能预警方法
CN110930701A (zh) * 2019-11-22 2020-03-27 长安大学 一种基于道路事故数据的车辆分级预警系统及方法
CN111815983A (zh) * 2020-06-13 2020-10-23 王亚鹏 一种基于物联网的行车涉水预警方法及系统、车辆
CN111564080A (zh) * 2020-06-17 2020-08-21 上海宥隽设计中心 一种模块化多险种应急安全培训体验馆
CN111723994A (zh) * 2020-06-24 2020-09-29 中国平安财产保险股份有限公司 基于灾害性天气的车辆预警方法及系统
CN112162664A (zh) * 2020-09-04 2021-01-01 杭州运河集团文化旅游有限公司 用于智慧消防应急管理系统的数据看板
CN112394847A (zh) * 2020-10-23 2021-02-23 西安交通大学 基于结构化图标的应急信息交互系统
CN112580930A (zh) * 2020-11-20 2021-03-30 深圳城安软通科技集团有限公司 基于gis的深基坑工程风险识别技术的方法及系统
CN112528563B (zh) * 2020-12-08 2024-04-19 丹华水利环境技术(上海)有限公司 一种基于svm算法的城市内涝预警方法
CN112528563A (zh) * 2020-12-08 2021-03-19 丹华水利环境技术(上海)有限公司 一种基于svm算法的城市内涝预警方法
CN112578479A (zh) * 2020-12-29 2021-03-30 北京维艾思气象信息科技有限公司 一种基于降水预报的城市内涝告警装置及方法
CN113781813A (zh) * 2021-10-22 2021-12-10 北京声智科技有限公司 一种预警方法、系统、装置和电子设备
CN114119776A (zh) * 2022-01-26 2022-03-01 江西省大气探测技术中心 一种城市涝点管理方法、系统、存储介质及设备
CN114119776B (zh) * 2022-01-26 2022-06-21 江西省大气探测技术中心 一种城市涝点管理方法、系统、存储介质及设备
CN114727463A (zh) * 2022-04-20 2022-07-08 北京金石视觉数字科技有限公司 一种基于智慧城市物联系统的灯光控制方法及系统
CN116523089A (zh) * 2022-11-18 2023-08-01 中国气象局公共气象服务中心(国家预警信息发布中心) 一种用于公路交通的降雨致灾风险预报方法及装置
CN116523089B (zh) * 2022-11-18 2024-04-02 中国气象局公共气象服务中心(国家预警信息发布中心) 一种用于公路交通的降雨致灾风险预报方法及装置
CN116665408A (zh) * 2023-04-26 2023-08-29 中冶南方（武汉）自动化有限公司 一种地下综合管廊暴雨预警方法及系统
CN116206426B (zh) * 2023-05-06 2023-07-07 长春市城建维护集团股份有限公司 一种基于物联网的移动式水位监测报警系统
CN116206426A (zh) * 2023-05-06 2023-06-02 长春市城建维护集团股份有限公司 一种基于物联网的移动式水位监测报警系统

Also Published As

Publication number Publication date
CN107239575B (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN107239575B (zh) 城市道路暴雨内涝风险分析与预警智联网服务系统及方法
CN111260208B (zh) 基于风险场的区域网格化累积性环境风险评估系统及方法
Gandini et al. A holistic and multi-stakeholder methodology for vulnerability assessment of cities to flooding and extreme precipitation events
Brereton et al. Happiness, geography and the environment
CN103440411B (zh) 建立基于暴露人群\面积\声环境功能区的交通噪声污染模型的方法
CN113434565A (zh) 基于cim平台的水利防洪抗旱防涝综合减灾平台系统
Qiao et al. Utilization of accident databases and fuzzy sets to estimate frequency of HazMat transport accidents
CN110852577A (zh) 基于城市韧性与城市流域水文模型的城市洪涝评估方法
CN104392100A (zh) 基于水质在线监测系统的污染源扩散预警方法
CN110956335B (zh) 一种基于预测事故率分级的公路安全评价系统及评价方法
CN109697854A (zh) 多维度的城市道路交通状态评估方法
CN110597932A (zh) 一种基于遥感影像的环境综合评估预测方法
Cai et al. Analyzing driving risks of roadway traffic under adverse weather conditions: In case of rain day
CN116109462A (zh) 一种自然灾害后饮水水源地污染监测预警方法及系统
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
Roozkhosh et al. Comparison of walkability in different urban districts using space syntax
Gu et al. Socio-demographic inequalities in the impacts of extreme temperatures on population mobility
CN109409563B (zh) 一种公交运营车辆实时人数的分析方法、系统和存储介质
CN117522192B (zh) 一种支持城市体检的智能出图与形成报告的方法及系统
Azari et al. A GIS-based approach for accident hotspots mapping in mountain roads using seasonal and geometric indicators
CN116110210B (zh) 复杂环境下数据驱动的滑坡灾害辅助决策方法
CN116543528A (zh) 一种基于降雨阈值的区域滑坡危险性预警方法
CN116415756A (zh) 一种基于vr技术的城市虚拟场景体验管理系统
Gulia et al. Performance evaluation of ISCST3, ADMS-Urban and AERMOD for urban air quality management in a mega city of India
CN114139984B (zh) 基于流量与事故协同感知的城市交通事故风险预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant