CN110322097A - 一种基于深度学习的城市防汛方法及系统 - Google Patents
一种基于深度学习的城市防汛方法及系统 Download PDFInfo
- Publication number
- CN110322097A CN110322097A CN201910202812.7A CN201910202812A CN110322097A CN 110322097 A CN110322097 A CN 110322097A CN 201910202812 A CN201910202812 A CN 201910202812A CN 110322097 A CN110322097 A CN 110322097A
- Authority
- CN
- China
- Prior art keywords
- flood
- situation
- history
- deep learning
- fighting materials
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 111
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000002360 preparation method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 20
- 230000008676 import Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供一种基于深度学习的城市防汛方法及系统。该方法包括：通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集；基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络；采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求；根据所述汛情风险和防汛物资需求进行防汛准备。本申请实施例的一种基于深度学习的城市防汛方法及系统，通过结合防汛实践方法和深度学习特点，提高了城市防汛效率。
Description
技术领域
本申请涉及城市防汛领域，尤其涉及一种基于深度学习的城市防汛方法及系统。
背景技术
城市防汛是城市管理的重要组成部分，关系到人民群众的生命财产安全，也关系到城市的正常运作，经济的正常发展。不断提升城市防汛管理和服务水平，保护好人民群众的利益，成为城市建设的重要议题。但是，目前城市防汛的人工干预率高，风险识别能力弱，需要耗费大量的人力、物力进行琐碎的汛情探查分析，严重影响了智慧城市的建设步伐。而且，防汛过程中，看似充足的防汛物资，随着汛情迅速发展的多样性，各类防汛物资的短缺也给防汛工作带来了巨大压力，如何通过汛情的不同情况，预测出汛期不同阶段的物资需求情况，成为目前城市防汛工作迫切需要解决的技术问题。
深度学习是机器学习的分支，其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习模仿人脑的机制来解释数据，通过组合低层特征形成抽象的高层表示属性类别或特征，从而实现通用人工智能。目前深度学习已经被广泛应用在机器翻译、语义挖掘、图像识别、人脸识别、语音识别等领域。因此，可以通过将深度学习技术与城市防汛实践相结合，从而既提高了城市防汛的效率，又提高了城市防汛过程中物资准备的准度，节约了不必要的人力、物力、财力。
发明内容
有鉴于此，本申请的目的在于提出一种基于深度学习的城市防汛方法及系统，提高城市防汛识别水平，解决目前防汛管理过程中，风险识别效率低、物资储备不及时的技术问题。
基于上述目的，本申请提出了一种基于深度学习的城市防汛方法，包括：
通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集；
基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络；
采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求；
根据所述汛情风险和防汛物资需求进行防汛准备。
在一些实施例中，所述通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集，包括：
所述现有历史汛情数据包括汛期降水量、水位、时间、温度、地理位置和汛区人口、经济情况；
所述历史防汛物资存货状况包括防汛器材的数量、属性、状态。
在一些实施例中，所述基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络，包括：
所述深度学习网络中，根据防汛任务需求，初始输入端为所述历史汛情特征集和所述历史防汛物资特征集，输出端为指定时段的汛情风险和防汛物资需求，构建一组或多组深度学习网络。
在一些实施例中，所述一组或多组深度学习网络，包括：
汛情风险深度学习网络，通过分析降水量、水位、时间、温度、地理位置数据，预测汛期范围、淹没水深、汛期时间；
物资需求深度学习网络，通过学习所述历史汛情特征集和所述历史防汛物资特征集，预测不同汛情条件下各类防汛物资的需求。
在一些实施例中，所述深度学习网络中，中间隐层神经元的激活函数采用ReLU函数，公式为：
out＝max(0，in)，
其中out为输出，in为输入；最后一层激活函数采用softm ax函数，公式为：
其中outti为第i层输出，zj为输入j经过加权、求和、偏向得到的中间变量；损失函数采用交叉熵损失函数，公式为：
其中x(i)为期望输出，为实际输出；优化函数采用随机梯度下降法，迭代训练直至所述深度学习网络进入稳态。
在一些实施例中，所述采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求，包括：
以预定时间间隔采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络中，更新深度学习模型的结构和参数，直至深度学习网络进入稳定状态。在一些实施例中，所述根据所述汛情风险和防汛物资需求进行防汛准备，包括：
将实时汛情数据和防汛物资状况导入深度学习网络进行预测，发现管理风险后，发送汛情风险提示，并提示防汛物资短缺参数。
基于上述目的，本申请还提出了一种基于深度学习的城市防汛系统，包括：
初始模块，用于通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集；
构建模块，用于基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络；
训练模块，用于采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求；
应用模块，用于根据所述汛情风险和防汛物资需求进行防汛准备。
在一些实施例中，所述构建模块，包括：
数据清洗单元，用于对数据进行除噪、归一化处理，转换为标准格式化数据；
数据同步单元，用于不断将不同来源的数据进行汇聚、分类，导入对应深度学习网络中。
在一些实施例中，所述基于深度学习的城市防汛系统，还包括：
任务调度模块，用于控制任务的分发、资源分配；
效率监控模块，用于控制任务执行效率，并向所述任务调度模块发送监督结果。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的基于深度学习的城市防汛方法的流程图。
图2示出根据本发明实施例的基于深度学习的城市防汛系统的构成图。
图3示出根据本发明实施例的构建模块构成图。
图4示出根据本发明实施例的基于深度学习的城市防汛系统的构成图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本发明实施例的基于深度学习的城市防汛方法的流程图。如图1所示，该基于深度学习的城市防汛方法包括：
步骤S11、通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集。
所述现有历史汛情数据包括汛期降水量、水位、时间、温度、地理位置和汛区人口、经济情况；
所述历史防汛物资存货状况包括防汛器材的数量、属性、状态。
具体来说，汛情数据的采集点一般位于城市楼层地下室、桥洞、城市内河、排水口等低洼区域，结合风力计、温度计、雨量计、水位计、摄像头等传感器，将历史的风向风速、水位、温度、洪水流速、降雨量、图片进行采集存储。历史汛情数据在汛情数据的基础之上，还附加了时间信息。
举例来说，洪水的流速很快，洪峰的到来也会更加迅速，这样，洪灾发生的速度也会更快，各类防汛物资的贮备也需要更加充沛，以供汛区平稳度过汛期；但是，当洪峰快速通过后，各类防汛物资的需求也就不那么紧迫了，此时，如果下游地区物资短缺时，可以考虑将防汛物资调配至更加需要的汛区。
进一步地，历史汛情数据还包括汛区人口状况，即人口数量、文化构成、宗教信仰、职业类别、居住分布、年龄结构等。
举例来说，汛区人口如果很大，即使洪水造成的破坏小，但汛区也有可能需要大量的防汛物资来满足大量人口的需求；而且，如果汛区人口结构如果是以老人、小孩为主的特殊人群结构，还需要配置一定数量的特殊防汛物资，供这类特殊人群使用。因此，有必要在防汛物资预测的过程中，综合考虑汛区人口的各种特点，从而提高防汛物资需求预测的准确度。
进一步地，历史汛情数据还包括汛区经济情况，即生产总值、经济增长率、产业类型、产业分布等。
举例来说，汛区的产业结构如果以工厂为主的工业环境，需要准备充足的工业防汛物资，避免洪水进入工厂后造成二次灾难的发生；又如，汛区如果属于以旅游业为支柱产业的地区，需要准备充足的设备保护景点、文物等非可再生旅游资源的安全。因此，有必要在防汛物资预测的过程中，综合考虑汛区经济发展的各种特点，从而提高防汛物资需求预测的准确度。
步骤S12、基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络。
所述基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络，包括：
所述深度学习网络中，根据防汛任务需求，初始输入端为所述历史汛情特征集和所述历史防汛物资特征集，输出端为指定时段的汛情风险和防汛物资需求，构建一组或多组深度学习网络。
所述一组或多组深度学习网络，包括：
汛情风险深度学习网络，通过分析降水量、水位、时间、温度、地理位置数据，预测汛期范围、淹没水深、汛期时间；
物资需求深度学习网络，通过学习所述历史汛情特征集和所述历史防汛物资特征集，预测不同汛情条件下各类防汛物资的需求。
所述深度学习网络中，中间隐层神经元的激活函数采用ReLU函数，公式为：
out＝max(0，in)，
其中out为输出，in为输入；最后一层激活函数采用softm ax函数，公式为：
其中outi为第i层输出，zj为输入j经过加权、求和、偏向得到的中间变量；损失函数采用交叉熵损失函数，公式为：
其中x(i)为期望输出，为实际输出；优化函数采用随机梯度下降法，迭代训练直至所述深度学习网络进入稳态。
具体来说，物资需求深度学习网络可通过对历史汛情特征集和历史防汛物资特征集进行学习计算，当深度学习进入稳定状态后，可以对汛期到来是的淹没范围、淹没水深、洪水抵达时间、淹没历时等各类汛期致灾要素进行预测，并结合区域经济社会分布与人口状况，预测汛区平稳度过汛期所需的物资数量、状态。
步骤S13、采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求。
所述采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求，包括：
以预定时间间隔采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络中，更新深度学习模型的结构和参数，直至深度学习网络进入稳定状态。
具体来说，汛情的发展存在很多不稳定因素，汛情的产生也是由许多不稳定因素共同作用产生的。例如，百年不遇的水灾有时是由于上游降水量过大导致的，有时是由于上游植被长期破坏，水土流失导致的，有的甚至是由于城市防汛设备非正常工作导致的，还有许多未知的汛情产生因素存在。因此，即使在深度学习网络进入稳态之后，还需要持续地对汛情进行分析，提取出数据导入深度学习网络中进行学习，使得深度学习网络的预测更加准确，更加贴近实际汛情发生原因。
步骤S14、根据所述汛情风险和防汛物资需求进行防汛准备。
所述根据所述汛情风险和防汛物资需求进行防汛准备，包括：
将实时汛情数据和防汛物资状况导入深度学习网络进行预测，发现管理风险后，发送汛情风险提示，并提示防汛物资短缺参数。
在一种实施方式中，对历史汛情发生时，根据不同汛情原因导致的防汛物资的使用速度和短缺状况提取出输入数据，导入深度学习网络中进行学习，可以得出在各种汛情环境下，各类防汛物资在汛情发生的不同时间段的损耗使用情况，提示防汛管理部门提前生产、购买、调拨防汛物资，避免防汛物资短缺给人民群众生产生活造成的损失。
举例来说，当发现防汛物资距离平稳度过汛期差距很大时，通过手机短信、声音报警等方式，第一时间通知城市防汛管理人员进行处置。
图2示出根据本发明实施例的基于深度学习的城市防汛系统的构成图。如图2所示，该基于深度学习的城市防汛系统整体可以分为：
初始模块21，用于通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集；
构建模块22，用于基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络；
训练模块23，用于采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求；
应用模块24，用于根据所述汛情风险和防汛物资需求进行防汛准备。
图3示出根据本发明实施例的基于深度学习的城市防汛系统的构成图。
从图3中可以看出，构建模块22，包括：
数据清洗单元221，用于对数据进行除噪、归一化处理，转换为标准格式化数据；
数据同步单元222，用于不断将不同来源的数据进行汇聚、分类，导入对应深度学习网络中。
图4示出根据本发明实施例的基于深度学习的城市防汛系统的构成图。
从图4可以看出，整个基于深度学习的城市防汛系统以深度学习网络基于深度学习的城市防汛系统，还包括：
任务调度模块25，用于控制任务的分发、资源分配；
效率监控模块26，用于控制任务执行效率，并向所述任务调度模块发送监督结果。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的城市防汛方法，其特征在于，包括：
通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集；
基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络；
采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求；
根据所述汛情风险和防汛物资需求进行防汛准备。
2.根据权利要求1所述的方法，其特征在于，所述通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集，包括：
所述现有历史汛情数据包括汛期降水量、水位、时间、温度、地理位置和汛区人口、经济情况；
所述历史防汛物资存货状况包括防汛器材的数量、属性、状态。
3.根据权利要求1所述的方法，其特征在于，所述基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络，包括：
所述深度学习网络中，根据防汛任务需求，初始输入端为所述历史汛情特征集和所述历史防汛物资特征集，输出端为指定时段的汛情风险和防汛物资需求，构建一组或多组深度学习网络。
4.根据权利要求3所述的方法，其特征在于，所述一组或多组深度学习网络，包括：
汛情风险深度学习网络，通过分析降水量、水位、时间、温度、地理位置数据，预测汛期范围、淹没水深、汛期时间；
物资需求深度学习网络，通过学习所述历史汛情特征集和所述历史防汛物资特征集，预测不同汛情条件下各类防汛物资的需求。
5.根据权利要求3所述的方法，其特征在于，
所述深度学习网络中，中间隐层神经元的激活函数采用ReLU函数，公式为：
out＝max(0，in)，
其中out为输出，in为输入；最后一层激活函数采用softmax函数，公式为：
其中outi为第i层输出，zj为输入j经过加权、求和、偏向得到的中间变量；损失函数采用交叉熵损失函数，公式为：
其中x(i)为期望输出，为实际输出；优化函数采用随机梯度下降法，迭代训练直至所述深度学习网络进入稳态。
6.根据权利要求1所述的方法，其特征在于，所述采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求，包括：
以预定时间间隔采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络中，更新深度学习模型的结构和参数，直至深度学习网络进入稳定状态。
7.根据权利要求1所述的方法，其特征在于，所述根据所述汛情风险和防汛物资需求进行防汛准备，包括：
将实时汛情数据和防汛物资状况导入深度学习网络进行预测，发现管理风险后，发送汛情风险提示，并提示防汛物资短缺参数。
8.一种基于深度学习的城市防汛系统，其特征在于，包括：
初始模块，用于通过历史汛情数据构建历史汛情特征集，通过历史防汛物资存货状况构建历史防汛物资特征集；
构建模块，用于基于所述历史汛情特征集和所述历史防汛物资特征集，训练深度学习网络；
训练模块，用于采集实时汛情数据和实时防汛物资状况，导入所述深度学习网络，预测汛情风险和防汛物资需求；
应用模块，用于根据所述汛情风险和防汛物资需求进行防汛准备。
9.根据权利要求8所述的系统，其特征在于，所述构建模块，包括：
数据清洗单元，用于对数据进行除噪、归一化处理，转换为标准格式化数据；
数据同步单元，用于不断将不同来源的数据进行汇聚、分类，导入对应深度学习网络中。
10.根据权利要求8所述的系统，其特征在于，所述基于深度学习的城市防汛系统，还包括：
任务调度模块，用于控制任务的分发、资源分配；
效率监控模块，用于控制任务执行效率，并向所述任务调度模块发送监督结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910202812.7A CN110322097A (zh) | 2019-03-18 | 2019-03-18 | 一种基于深度学习的城市防汛方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910202812.7A CN110322097A (zh) | 2019-03-18 | 2019-03-18 | 一种基于深度学习的城市防汛方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110322097A true CN110322097A (zh) | 2019-10-11 |
Family
ID=68112781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910202812.7A Pending CN110322097A (zh) | 2019-03-18 | 2019-03-18 | 一种基于深度学习的城市防汛方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322097A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598344A (zh) * | 2020-05-19 | 2020-08-28 | 浙江职信通信科技有限公司 | 基于web gis的防汛资源调配方法及系统 |
| CN112268312A (zh) * | 2020-10-23 | 2021-01-26 | 哈尔滨派立仪器仪表有限公司 | 一种基于深度学习的智慧供热管理系统 |
| CN112418542A (zh) * | 2020-12-03 | 2021-02-26 | 浙江知水信息技术有限公司 | 基于气象数据利用机器深度学习实现汛情提前预警的方法 |
| CN113469441A (zh) * | 2021-07-02 | 2021-10-01 | 浙江树人学院（浙江树人大学） | 一种基于组合深度学习的防汛物资需求预测方法 |
| CN115879747A (zh) * | 2023-02-24 | 2023-03-31 | 南京恒创智云计算科技有限公司 | 一种数字化防汛抗旱调度方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
| CN106384213A (zh) * | 2016-12-10 | 2017-02-08 | 福建四创软件有限公司 | 基于神经网络算法的智能防汛值班管理方法 |
| CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及系统 |
| CN107657369A (zh) * | 2017-09-22 | 2018-02-02 | 福建四创软件有限公司 | 一种基于智能事件分类进行防汛应急响应识别的方法 |
| CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
-
2019
- 2019-03-18 CN CN201910202812.7A patent/CN110322097A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150019262A1 (en) * | 2013-07-11 | 2015-01-15 | Corelogic Solutions, Llc | Method and system for generating a flash flood risk score |
| CN106384213A (zh) * | 2016-12-10 | 2017-02-08 | 福建四创软件有限公司 | 基于神经网络算法的智能防汛值班管理方法 |
| CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及系统 |
| CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
| CN107657369A (zh) * | 2017-09-22 | 2018-02-02 | 福建四创软件有限公司 | 一种基于智能事件分类进行防汛应急响应识别的方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598344A (zh) * | 2020-05-19 | 2020-08-28 | 浙江职信通信科技有限公司 | 基于web gis的防汛资源调配方法及系统 |
| CN112268312A (zh) * | 2020-10-23 | 2021-01-26 | 哈尔滨派立仪器仪表有限公司 | 一种基于深度学习的智慧供热管理系统 |
| CN112418542A (zh) * | 2020-12-03 | 2021-02-26 | 浙江知水信息技术有限公司 | 基于气象数据利用机器深度学习实现汛情提前预警的方法 |
| CN113469441A (zh) * | 2021-07-02 | 2021-10-01 | 浙江树人学院（浙江树人大学） | 一种基于组合深度学习的防汛物资需求预测方法 |
| CN113469441B (zh) * | 2021-07-02 | 2023-12-08 | 浙江树人学院（浙江树人大学） | 一种基于组合深度学习的防汛物资需求预测方法 |
| CN115879747A (zh) * | 2023-02-24 | 2023-03-31 | 南京恒创智云计算科技有限公司 | 一种数字化防汛抗旱调度方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110322097A (zh) | 一种基于深度学习的城市防汛方法及系统 | |
| Kazemzadeh-Zow et al. | A spatial zoning approach to calibrate and validate urban growth models | |
| CN106021970B (zh) | 通过降雨预报预测城市积水的方法及系统 | |
| Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
| Henonin et al. | Real-time urban flood forecasting and modelling–a state of the art | |
| CN111445011B (zh) | 一种基于气象和遥感数据的山火预警方法 | |
| Schultz et al. | Assessing the resilience of coastal systems: A probabilistic approach | |
| Wambua et al. | Drought forecasting using indices and Artificial Neural Networks for upper Tana River basin, Kenya-A review concept | |
| WO2020086355A1 (en) | Graph-based predictive maintenance | |
| Ishak et al. | Mining temporal reservoir data using sliding window technique | |
| Bonelli et al. | Thunderstorm nowcasting by means of lightning and radar data: algorithms and applications in northern Italy | |
| Barr et al. | Flood-prepared: a nowcasting system for real-time impact adaption to surface water flooding in cities | |
| del Carmen Llasat et al. | A reflection about the social and technological aspects in flood risk management–the case of the Italian Civil Protection | |
| de Moraes | Proposing a metric to evaluate early warning system applicable to hydrometeorological disasters in Brazil | |
| Wei et al. | Multireservoir flood-control optimization with neural-based linear channel level routing under tidal effects | |
| CN116758707A (zh) | 一种基于大数据的地质灾害监测系统及方法 | |
| Manohar et al. | Cloud-based flood prediction using iot devices and machine learning algorithms | |
| Singh et al. | Community evacuation planning for bushfires using agent-based simulation | |
| Suwatthikul et al. | Development of dam safety remote monitoring and evaluation system | |
| Pape et al. | Multivariate analysis of nonlinearity in sandbar behavior | |
| Saul et al. | Integrated urban flood modelling | |
| CN106791647A (zh) | 一种基于视频智能识别的水电厂状态监视系统及方法 | |
| See et al. | State‐Space Model to Estimate Salmon Escapement Using Multiple Data Sources | |
| KR102517917B1 (ko) | 딥러닝 기반의 물관리 의사결정 지원정보 제공 방법 및 시스템 | |
| KR102642404B1 (ko) | 메타 학습을 이용한 발전량 예측 방법, 이를 이용하는 장치 및 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
| RJ01 | Rejection of invention patent application after publication |