CN107563096A

CN107563096A - 一种基于fcm的内涝建模分析方法

Info

Publication number: CN107563096A
Application number: CN201710869947.XA
Authority: CN
Inventors: 王熙; 李耀东; 徐辉; 林海全; 白向玉; 付玉兰; 董鑫; 黄泽舟
Original assignee: In New Electric Power Research Institute Wisdom City Co Ltd
Current assignee: In New Electric Power Research Institute Wisdom City Co Ltd
Priority date: 2017-09-23
Filing date: 2017-09-23
Publication date: 2018-01-09
Anticipated expiration: 2037-09-23
Also published as: CN107563096B

Abstract

本发明公开一种基于FCM的内涝建模分析方法，通过建模的方式构建内涝FCM模型，并由此获取的城市降雨量变化趋势及易涝点积水深度，分析内涝的发生。本发明所提出的方法是结合模糊认知图的较强模糊信息表达和推理能力，以及DNA编码的遗传算法技术的基因级操作来构建内涝FCM模型；构建的内涝FCM模型将历史内涝数据进行了整合分析利用，使分析的能力得到增强。这种模型的构建理论上不受内涝发生地理位置限制，只需结合单个内涝点在实际情况下参数的变化，得到各参数的动态变化趋势；因此，可参考价值大。

Description

一种基于FCM的内涝建模分析方法

技术领域

本发明涉及天气预测技术领域，特别涉及一种基于FCM的内涝建模分析方法。

背景技术

洪涝灾害是城市气象灾害中威胁最大的一种气象灾害，但近年来，我国许多城市频繁遭遇暴雨袭击，从而引发严重的内涝，仅深圳市就260多处内涝点，内涝面积达180多平方公里。内涝带来巨大的危害：一、造成交通瘫痪，财产损失，水电通信故障；二、引发地铁倒灌，社会秩序混乱，线路漏电及下水井盖被排水管压流顶起形成无盖漩涡等；三、长期内涝，导致墙体坍塌及涝后病疫肆虐。

因为严重的城市内涝会导致“逢雨必涝，遇涝则瘫”的现象，因此对于内涝的分析便显得至关重要。当前对内涝的分析预测大多采用布置多种水位监测终端，通过采用传感器技术或图像监测技术将易涝点进行分析，不仅布点的偏差和选取会使效果差强人意，而且基于水位的监测使得对于内涝发生的预测往往很滞后，而且并不能发现内涝的问题所在，异常时往往都已是灾情之时或因为受灾原因排查不及时而手足无措，并不能起到更好的参考和指导效果。

由于内涝与与周围环境众多因素构成的系统是复杂非线性系统，影响城市内涝的因素有：地势高低、日降雨量的多少、植被覆盖率、降雨持续时间、城市排水系统良好程度、地面硬化率、雨岛效应程度等。这众多影响因素之间又有着不清晰的因果关系，而且有大量的历史数据供查询，对于这种系统，在专家经验尚不能支撑分析的情况下，采用水位监测数据进行内涝分析，结果还是让人不甚满意的。

因此，有必要提出一种新的分析方法以解决上述问题。

发明内容

为实现上述目的，本发明提出的基于FCM(FCM表示模糊认知图)的内涝建模分析方法，包括如下步骤：

S1:通过求解内涝FCM的邻接矩阵来构建内涝FCM模型；

S2:获得城市降雨量实时监测的数据、易涝点的积水深度实时监测数据、排水量实时监测数据和地势差，结合内涝发生趋势FCM模型得到内涝发生趋势变化曲线，以此进行及时的内涝预警。

在本发明实施例中，所述FCM模型构建步骤如下：

S11：收集内涝历史数据，具体地，将内涝影响关键要素抽象为n个初始FCM的概念节点，FCM模型为四元组组成(C,E,X,f)；

其中，C＝{C₁,C₂,...,C_n}是构成FCM的概念节点集；

E:(C_i,C_j)→w_ij，此映射中，w_ij表示概念节点C_i与C_j间的因果影响程度，即权变量，其中E为领接矩阵；

X:C_i→x_i，此映射中x_i(t)表示第i个概念节点C_i在t时刻的状态，X表示概念节点集C的时刻状态；

X(t)＝[x₁(t),x₂(t),...,x_n(t)]^T表示概念节点集C在t时刻的状态；

f是转换函数，T为转置符号；

S12：将收集的内涝历史数据进行数值化及标准化，将数据标准化到[-1,1]之间；

S13：对n×n个权变量进行3位DNA编码；

S14：通过w＝0.5+x/18x∈[-9,9]将权变量转换为实际参数，通过对FCM进行k+1次适应性测试，得到新一代FCM_k+1，输出最佳权变量，得到最佳的邻接矩阵E；其中，w是DNA编码操作值，用于将初始权变量矩阵中每一个权变量值由DNA编码方式，转换到[0,1]区间；

S15：根据X(t+1)＝WX^T(t)，计算得到内涝FCM模型：

其中，W是FCM的权值矩阵，t为当前时间，t+1是下一时间段。

在本发明实施例中，所述FCM模型采用的是基于DNA遗传算法自动学习得到模糊认知图的技术。

在本发明实施例中，所述步骤S11中概念节点的选择是通过在先前的对于内涝成因的资料查找及调研上得到的。

在本发明实施例中，选择所述内涝的影响因素作为概念节点主，所述内涝的影响因素为积水深度C₁，降雨量C₂，地势差C₃和排水量C₄。

在本发明实施例中，所述步骤S1中将积水深度设为FCM的控制目标，通过由调研获得的引起内涝的临界积水深度设为需要目标渐进稳定的值，然后经过FCM中的反馈机制得到使得目标渐进稳定的动态平衡参数集，然后根据参数发展趋势，分析其余控制变量的变化，得到可用于内涝发生参考的参数变化曲线。本发明对于内涝的发生与周围环境众多因素构成的复杂非线性系统，提出一种基于FCM的内涝建模分析方法，通过基于DNA遗传算法自主学习能力及模糊认知图的模糊信息表达和推理能力，实现内涝发生趋势的分析。

本发明所提出的方法结合模糊认知图的较强模糊信息表达和推理能力，与DNA编码的遗传算法技术的基因级操作,构建的内涝FCM模型将历史内涝数据进行了整合分析利用，使分析的能力得到增强。这种模型的构建理论上不受内涝发生地理位置限制，只需结合单个内涝点的实际情况下参数的变化，得到各参数的动态变化趋势，可参考价值大。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明的流程图；

图2是本发明的系统结构图；

图3是本发明采用的FCM技术的示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了克服上述不足，本发明的目的是针对内涝的发生与周围环境众多因素构成的复杂非线性系统，提出一种基于模糊认知图(即FCM，是一种涉及许多互相作用的事物及其关系的因果知识定性推理技术)的内涝建模分析方法，通过基于DNA遗传算法自主学习能力及模糊认知图的模糊信息表达和推理能力，实现内涝发生趋势的分析。

为了实现上述目的，本发明采用的技术方案是：

一种基于FCM的内涝建模分析方法，包括如下步骤：

S1：通过求解内涝FCM的邻接矩阵来构解内涝FCM模型；

S2：获得城市降雨量实时监测数据，易涝点的积水深度实时监测数据，排水量是实时监测数据和地势差，再结合内涝发生趋势FCM模型得到内涝发生趋势变化曲线，以此进行及时的内涝预警。

在本发明实施例中，FCM模型构建步骤如下：其中，首先是研究内涝形成机理，然后进行步骤S11：收集的内涝历史数据，具体地，将内涝影响因素进行删选和简化，将内涝影响关键要素抽象为n个初始FCM的概念节点，FCM模型为四元组组成(C,E,X,f)；

其中，C＝{C₁,C₂,...,C_n}是构成FCM的概念节点的的集合；

X:C_i→x_i，此映射中x_i(t)表示第i个概念节点C_i在t时刻的状态；表示概念节点集C在t时刻的状态，f是转换函数，T为转置符号；

S13：对n×n个权变量进行3位DNA编码；

S14：通过w＝0.5+x/18x∈[-9,9]将权变量转换为实际参数，然后对FCM进行适应值计算，选择适当的交叉算子，变异算子及选择策略，进行K+1适应性测试，判断当前的权变量是最佳，是则停止运行并输出结果；否则继续计算；其中，最终得到新一代FCM_k+1；w是DNA编码操作值，用于将初始权变量矩阵中每一个权变量值由DNA编码方式，转换到[0,1]区间；

其中，FCM是动态更新的，根据一次适应性计算，就得到一组权变量，与概念节点构成一个FCM模型，是经过k+1次的适应性计算，即第k次+1次得到的FCM图；其中，交叉算子，变异算子及策略的选择同样可以根据现有技术进行计算，此处不做赘述。

S15：根据X(t+1)＝WX^T(t)计算得到内涝FCM模型：

其中，W是FCM的权值矩阵，t为当前时间，t+1是下一时间段。

如图1所示，本发明通过结合内涝形成的机理和收集的历史内涝数据来构建内涝预测的FCM模型，再通过获得城市降雨量，易涝点积水深度和排水量等影响因子的实时检测数据的变化情况，结合构建的内涝FCM模型得到内涝发生趋势变化曲线，以此进行及时的内涝预警。

在本发明实施例中，FCM模型采用的是基于DNA遗传算法自动学习得到模糊认知图的技术。只需借助参数选择及历史数据计算，无须更多已有经验指导。

在本发明实施例中，步骤S1中概念节点的选择是通过在先前的对于内涝成因的资料查找及调研上得到的。

在本发明实施例中，内涝的影响因素主要为四个方面：气象因素、城市上空、城市排水能力以及暴雨过程与天文高潮重叠；选择每个成因中具有代表性的因素作为概念节点；其中，积水深度为C₁，降雨量为C₂，地势差为C₃，排水量为C₄。

如图2所示，假设精简后的内涝影响因素按照影响取多个，作为FCM的概念节点，例如：积水深度积水深度为C₁，降雨量为C₂，地势差为C₃，排水量为C₄；根据每两个因素之间的模糊关系，假设其之间的权值，构成FCM关联矩阵，又可以看作这个有向图的连接矩阵：

其中，w_ij表示C_i对C_j影响程度，其值的训练需要通过X(t+1)＝WX^T(t)，然后通过大量数据学习训练得到动态的W矩阵，然后根据新生成的数据集X'代入，得到下一时间段X'(t+1)的发展趋势，以此进行预估。

在本发明实施例中，如图3所示，步骤(1)中将积水深度设为FCM的控制目标，通过由调研获得的引起内涝的临界积水深度设为需要目标渐进稳定的值，然后经过FCM中的反馈机制得到使得目标渐进稳定的动态平衡参数集，然后根据参数发展趋势，分析其余控制变量的变化，得到可用于内涝发生参考的参数变化曲线。本发明对于内涝的发生与周围环境众多因素构成的复杂非线性系统，提出一种基于FCM(的内涝建模分析方法，通过基于DNA遗传算法自主学习能力及模糊认知图的模糊信息表达和推理能力，实现内涝发生趋势的分析。

本发明还具有以下优点：

本发明需要借助大量的历史数据进行建模及分析，正是因为丰富廉价的数据是复杂系统的客观真实的反映，它包涵着系统与时间相关的行为本质规律，可以用来帮助我们理解复杂系统及与内在因素的关系及规律。

本发明采用遗传算法作为FCM模型法人自主学习方法，可以在专家经验尚不能支撑分析的继续的情况下，进行FCM模型的自动学习，达到不借助人工经验干预的目的。

采用基于DNA编码适合于表达复杂知识，当概念节点的选择需要考虑多种气象因素及天文现象时，可以更灵活地引入基因级操作。

采用模糊认知图技术，可以不需要明确输入和输出端，每个节点都可以作为输入节点或输出节点。且由于排水量等对积水深度具有反馈性的影响，因此可以利用FCM的反馈机制进行因果呈现。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims

1.一种基于FCM的内涝建模分析方法，其特征在于，包括如下步骤:

S1：通过求解内涝FCM的邻接矩阵来构建内涝FCM模型；

S2：获得城市降雨量实时监测数据、易涝点的积水深度实时监测数据、排水量实时监测数据和地势差，结合合内涝发生趋势FCM模型得到内涝发生趋势变化曲线，以此进行及时的内涝预警。

2.根据权利要求1所述的基于FCM的内涝建模分析方法，其特征在于，所述FCM模型构建步骤如下：

S11：收集的内涝历史数据，具体地，将内涝影响因素进行删选和简化，将内涝影响关键要素抽象为n个初始FCM的概念节点，FCM模型为四元组组成(C,E,X,f)；

其中，C＝{C₁,C₂,...,C_n}是构成FCM的概念节点集；

X(t)＝[x₁(t),x₂(t),...,x_n(t)]^T，X(t)表示概念节点集C在t时刻的状态；

f是转换函数，T为转置符号；

S13：对n×n个权变量进行3位DNA编码；

S14：通过w＝0.5+x/18，x∈[-9,9]将权变量转换为实际参数，通过对FCM进行k+1次适应性测试，最终得到新一代FCM_k+1，输出最佳权变量，得到最佳的邻接矩阵E；其中，w是权变量DNA编码操作值，用于将初始权变量矩阵中每一个权变量值由DNA编码方式，转换到[0,1]区间；

S15：根据X(t+1)＝WX^T(t)，计算得到内涝FCM模型：

其中，W是FCM的权值矩阵，t为当前时间，t+1是下一时间段。

3.根据权利要求2所述的基于FCM的内涝建模分析方法，其特征在于，所述FCM模型采用的是基于DNA遗传算法自动学习得到模糊认知图的技术。

4.根据权利要求2所述的基于FCM的内涝建模分析方法，其特征在于，所述步骤S11中概念节点的选择是通过在先前的对于内涝成因的资料查找及调研上得到的。

5.根据权利要求2所述的基于FCM的内涝建模分析方法，其特征在于，选择所述内涝的影响因素作为概念节点主，所述内涝的影响因素为积水深度C₁，降雨量C₂，地势差C₃和排水量C₄。

6.根据权利要求2所述的基于FCM的内涝建模分析方法，其特征在于，所述步骤S1中将积水深度设为FCM的控制目标，通过由调研获得的引起内涝的临界积水深度设为需要目标渐进稳定的值，然后经过FCM中的反馈机制得到使得目标渐进稳定的动态平衡参数集，然后根据参数发展趋势，分析其余控制变量的变化，得到可用于内涝发生参考的参数变化曲线。