CN111382838A - 城市液位高程的内涝预测方法、装置和设备 - Google Patents
城市液位高程的内涝预测方法、装置和设备 Download PDFInfo
- Publication number
- CN111382838A CN111382838A CN202010093150.7A CN202010093150A CN111382838A CN 111382838 A CN111382838 A CN 111382838A CN 202010093150 A CN202010093150 A CN 202010093150A CN 111382838 A CN111382838 A CN 111382838A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- level elevation
- related information
- prediction
- information
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了城市液位高程的内涝预测方法、装置和设备,涉及内涝管理领域,内涝预测方法包括:获取目标井盖处的最近N组的液位高程相关信息,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数;根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,所述液位高程预测模型是根据实时采集的液位高程相关信息动态调整的;判断所述预测液位高程是否符合预设的预警条件;如果符合所述预警条件,则进行预警。本发明可以准确预测液位高程,进而根据预警条件判断是否进行预警,为排水部门整治黑臭水,调整开关水泵时间等提供决策依据。
Description
技术领域
本发明实施例涉及内涝管理领域,具体涉及城市液位高程的内涝预测方法、装置和设备。
背景技术
内涝是指由于强降水或连续性降水超过城市排水能力致使城市内产生积水灾害的现象。
目前市场上的分析内涝情况的方法通常是通过降雨量对液位上升速度和时间进行判断,例如,如果降雨类型为雷阵雨,液位上升的速度和时间足以构成内涝预警的情况,此时降雨马上停了。这种判断方式可以在短期内判断是否会发生内涝,但无法满足内涝预警的复杂情况。
发明内容
本发明实施例的目的在于提供液位高程的内涝预测方法、装置和设备,用以解决现有内涝预警不准确的问题。
为实现上述目的,本发明实施例主要提供如下技术方案:
第一方面,本发明实施例提供了一种城市液位高程的内涝预测方法,包括:获取目标井盖处的最近N组的液位高程相关信息,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数;根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,所述液位高程预测模型是根据实时采集的液位高程相关信息动态调整的;判断所述预测液位高程是否符合预设的预警条件;如果符合所述预警条件,则进行预警。
根据本发明的一个实施例,所述环境条件信息包括温度信息、风力信息、天气信息、可能降雨率;所述时间相关信息包括日期、星期和时间点信息。
根据本发明的一个实施例,所述液位高程预测模型是根据给定的历史液位高程相关数据进行归一化处理后进行模型训练得到的;所述根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,包括:对所述最近N组的液位高程相关信息进行所述归一化处理得到归一化结果数据;根据所述归一化结果数据和所述液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程。
根据本发明的一个实施例,所述模型训练是通过长短期记忆网络LSTM模型进行训练的。
第二方面,本发明实施例还提供一种城市液位高程的内涝预测装置,包括:信息获取模块,用于获取目标井盖处的最近N组的液位高程相关信息,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数;模型处理模块,用于根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,所述液位高程预测模型是根据实时采集的液位高程相关信息动态调整的;预警模块;控制模块,用于判断所述预测液位高程是否符合预设的预警条件,如果符合所述预警条件,则通过所述预警模块进行预警。
根据本发明的一个实施例,所述环境条件信息包括温度信息、风力信息、天气信息、可能降雨率;所述时间相关信息包括日期、星期和时间点信息。
根据本发明的一个实施例,所述模型处理模块用于根据给定的历史液位高程相关数据进行归一化处理后进行模型训练得到所述液位高程预测模型;所述模型处理模块还用于对所述最近N组的液位高程相关信息进行所述归一化处理得到归一化结果数据,进而根据所述归一化结果数据和所述液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程。
根据本发明的一个实施例,所述液位高程预测模型是通过长短期记忆网络LSTM模型进行训练的。
第三方面,本发明实施例还提供一种电子设备,包括:至少一个处理器和至少一个存储器;所述存储器用于存储一个或多个程序指令;所述处理器,用于运行一个或多个程序指令,用以执行如第一方面所述的城市液位高程的内涝预测方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,包含一个或多个程序指令,所述一个或多个程序指令用于被执行如第一方面所述的城市液位高程的内涝预测方法。
本发明实施例提供的技术方案至少具有如下优点:
本发明实施例提供的城市液位高程的内涝预测方法、装置和设备,利用相应液位高程的相关历史数据进行训练得到液位高程预测模型,并对预测模型基于最近获取的液位高程相关数据实时动态调整,从而可以根据实时调整的液位高程预测模型准确预测液位高程,进而根据预警条件判断是否进行预警,为排水部门整治黑臭水,调整开关水泵时间等提供决策依据。
附图说明
图1为本发明实施例的城市液位高程的内涝预测方法的流程图。
图2为本发明实施例的城市液位高程的内涝预测装置的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本发明。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”和“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”和“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例的城市液位高程的内涝预测方法的流程图。如图1所示,本发明实施例的城市液位高程的内涝预测方法,包括:
S1:获取目标井盖处的最近N组的液位高程相关信息。其中,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数。
具体地,使用距离传感器测量目标井盖的井盖高程和井盖至探头高差,最后得到测量的液位高程。但仅通过液位高程是无法预测内涝情况,因为影响水位变化的因数很多,包括季节,天气降雨,居民生活用水高峰期等因素,本发明的实施例获取除了获取目标井盖处的液位高程以外,还获取环境条件信息和时间信息。
在本发明的一个实施例中,环境条件信息包括温度信息、风力信息、天气信息、可能降雨率;时间相关信息包括日期、星期和时间点信息。
在本发明的一个示例中,每间隔10分钟获取一组液位高程相关信息。
S2:根据最近N组的液位高程相关信息和液位高程预测模型得到目标井盖处在目标预测时间点的预测液位高程。其中,液位高程预测模型是根据实时采集的液位高程相关信息动态调整的。
在本发明的一个实施例中,液位高程预测模型是根据给定的历史液位高程相关数据进行归一化处理后进行模型训练得到的。则步骤S2具体包括:对最近N组的液位高程相关信息进行归一化处理得到归一化结果数据;根据归一化结果数据和液位高程预测模型得到目标井盖处在目标预测时间点的预测液位高程。
具体地,液位高程相关信息包括:液位高程p1、温度p2、风力p3、风向p4、天气信息p5、可能降雨率p6、日期p7、星期p8和时间p9。
对液位高程p1,p2,p3使用min-max方法,归一到[0-1]。
其中,液位高程p1的归一化方法:y1=(x1-min)/(max-min)。y1为p1的归一化结果,x1为目标井盖处当前测量的液位高程。min为最小值,max为最大值。
如果min=10,max=100;当前x值为11时:y=(11-10)/(100-90)=0.01111111。
温度p2的归一化方法:y2=(x2-min)/(max-min)。y2为p2的归一化结果,x2为目标井盖处的当前温度。min为最小值,max为最大值。
如果min=-10(度),max=40(度)。当前10度时,y2=(10-(-10))/(40-(-10))=0.4。
风力p3的归一化方法与p1和p2的归一化方法类似,本领域人员可以根据需求进行相应设置。其中,风力p3通过天气预报中获取。
风向p4的归一化方法:北风是0,南风是0.5,东风是0.25,西风是0.75,使其归一。其中,风向p4通过天气预报中获取。
天气信息p5的归一化方法:分为6大类,每一大类下有1-2小类,大类分别为其他0,小雨0.1,中雨0.3,大雨0.5,暴雨0.6,大暴雨0.8,特大暴雨1,小类中雨到大雨为0.4,阵雨为0.2,雷阵雨0.35,以此类推。其中,此归一化方法不是对其降雨量进行划分,而是对降雨类别进行划分。其中,天气信息p5通过天气预报中获取。
可能降雨率p6通过天气预报中获取。
日期p7的归一化方法:一年中天数/365。
星期p8的归一化方法:x8/7。例如当前为星期二,则x8为2;当前为星期五,则x8为5。
时间p9的归一化方法:x9/24。例如当时时间为13点30分,则x9为13.5。
本实施例对液位高程p1、温度p2、风力p3、风向p4、天气信息p5、可能降雨率p6、日期p7、星期p8和时间p9进行归一化后,所有数据归一到[0,1]之间。
在本发明的实施例中,使用循环神经网络中的长短期记忆网络(long short termmemory,LSTM)训练液位高程预测模型。LSTM能正确地预测了绝大多数时间序列的趋势。
如果通过输入n个历史时刻数据C(n)进行选择性的记忆数据和遗忘的数据,并输出预测的值C(n+1)。再之后,只需要把预测的值当作历史数据C(n+1)输入到神经网络中预测新的值C(n+2),以此类推得到一条预测曲线。但如果前一个预测的值与之后的结果出现偏差,那么,当错误的数据输入到网络中,最后也只能得到错误的预测值,也就是梯度爆炸。
因此,本实施例取n个时刻的值,预测x个时刻的值C(n+x),经过多次预测,取预测平均值为新的值C(n+1)。因为天气预报中的降雨等数据已经存在,为了使预测更加精确,把x个时刻的除p1的值也当做输入数据传入输入层中进行拟合。最后,再通过min-max方法反算出预测的液位高程。
在本发明一个示例中,获取最近3组的液位高程相关信息。其中,3组的液位高程p1、温度p2、风力p3、风向p4、天气信息p5、可能降雨率p6、日期p7、星期p8和时间p9对应为:
第1组:[0.75,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第2组:[0.85,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第3组,[0.95,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8]。
如果第4组数据和第5组数据输入的是:
第4组:[z4,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第5组:[z5,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8]。
则根据经过第1-5组数据实时调整后的液位高程预测模型得到的拟合曲线可以得到z4和z5,输出z4为0.65,z5为0.55。
然后根据第2组数据至第6组数据开始预测。
第2组:[0.85,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第3组,[0.95,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第4组:[0.65,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第5组:[z5,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8];
第6组:[z6,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8]。
则根据经过第2-6组数据实时调整后的液位高程预测模型得到的拟合曲线可以得到z5和z6,输出z5为0.54,z6为0.7。
依次类推。
本实施例中,历史数据是根据时间的推移不断增加的,如果模型只是给定时间内的一次训练,不足以说明所有情况,此时就需要动态学习,在不断的新数据增加的时候,进行不断的训练,从而更新训练模型,使液位高程预测模型更加完善。
S3:判断预测液位高程是否符合预设的预警条件。
具体地,距离传感器设置在井盖之下,当获取到的液位高程值不断升高,到达距离传感器后设备是无法读取液位数据的,因此,当同一条排水干线中的多个设备无法读取液位数据或测量的数据到达测量设备的最小测量值后,并且系统计算的预测值都明显持续升高,甚至超过井盖高程,则判断该地区有内涝的可能,系统发出预警。
S4:如果符合预警条件,则进行预警。例如在终端服务器上进行预警。
本发明实施例提供的城市液位高程的内涝预测方法,利用相应液位高程的相关历史数据进行训练得到液位高程预测模型,并对预测模型基于最近获取的液位高程相关数据实时动态调整,从而可以根据实时调整的液位高程预测模型准确预测液位高程,进而根据预警条件判断是否进行预警,为排水部门整治黑臭水,调整开关水泵时间等提供决策依据。
图2为本发明实施例的城市液位高程的内涝预测装置的结构框图。如图2所示,本发明实施例的城市液位高程的内涝预测装置,包括:信息获取模块100、模型处理模块200、预警模块300和控制模块400。
其中,信息获取模块100用于获取目标井盖处的最近N组的液位高程相关信息,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数。模型处理模块200用于根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,所述液位高程预测模型是根据实时采集的液位高程相关信息动态调整的。控制模块400用于判断所述预测液位高程是否符合预设的预警条件,如果符合所述预警条件,则通过所述预警模块300进行预警。
在本发明的一个实施例中,所述环境条件信息包括温度信息、风力信息、天气信息、可能降雨率;所述时间相关信息包括日期、星期和时间点信息。
在本发明的一个实施例中,所述模型处理模块200用于根据给定的历史液位高程相关数据进行归一化处理后进行模型训练得到所述液位高程预测模型。所述模型处理模块200还用于对所述最近N组的液位高程相关信息进行所述归一化处理得到归一化结果数据,进而根据所述归一化结果数据和所述液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程。
在本发明的一个实施例中,所述液位高程预测模型是通过长短期记忆网络模型进行训练的。
需要说明的是,本发明实施例的城市液位高程的内涝预测装置的具体实施方式与本发明实施例的城市液位高程的内涝预测方法的具体实施方式类似,具体参见城市液位高程的内涝预测方法部分的描述,为了减少冗余,不做赘述。
本发明实施例还提供一种电子设备,包括:至少一个处理器和至少一个存储器;所述存储器用于存储一个或多个程序指令;所述处理器,用于运行一个或多个程序指令,用以执行如第一方面所述的城市液位高程的内涝预测方法。
本发明所公开的实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行上述的城市液位高程的内涝预测方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synch Link DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种城市液位高程的内涝预测方法,其特征在于,包括:
获取目标井盖处的最近N组的液位高程相关信息,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数;
根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,所述液位高程预测模型是根据实时采集的液位高程相关信息动态调整的;
判断所述预测液位高程是否符合预设的预警条件;
如果符合所述预警条件,则进行预警。
2.根据权利要求1所述的城市液位高程的内涝预测方法,其特征在于,所述环境条件信息包括温度信息、风力信息、天气信息、可能降雨率;所述时间相关信息包括日期、星期和时间点信息。
3.根据权利要求2所述的城市液位高程的内涝预测方法,其特征在于,所述液位高程预测模型是根据给定的历史液位高程相关数据进行归一化处理后进行模型训练得到的;所述根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,包括:
对所述最近N组的液位高程相关信息进行所述归一化处理得到归一化结果数据;
根据所述归一化结果数据和所述液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程。
4.根据权利要求3所述的城市液位高程的内涝预测方法,其特征在于,所述模型训练是通过长短期记忆网络LSTM模型进行训练的。
5.一种城市液位高程的内涝预测装置,其特征在于,包括:
信息获取模块,用于获取目标井盖处的最近N组的液位高程相关信息,每组液位高程相关信息包括液位高程、环境条件信息和时间相关信息,N为大于0的正整数;
模型处理模块,用于根据所述最近N组的液位高程相关信息和液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程,所述液位高程预测模型是根据实时采集的液位高程相关信息动态调整的;
预警模块;
控制模块,用于判断所述预测液位高程是否符合预设的预警条件,如果符合所述预警条件,则通过所述预警模块进行预警。
6.根据权利要求5所述的城市液位高程的内涝预测装置,其特征在于,所述环境条件信息包括温度信息、风力信息、天气信息、可能降雨率;所述时间相关信息包括日期、星期和时间点信息。
7.根据权利要求6所述的城市液位高程的内涝预测装置,其特征在于,所述模型处理模块用于根据给定的历史液位高程相关数据进行归一化处理后进行模型训练得到所述液位高程预测模型;所述模型处理模块还用于对所述最近N组的液位高程相关信息进行所述归一化处理得到归一化结果数据,进而根据所述归一化结果数据和所述液位高程预测模型得到所述目标井盖处在目标预测时间点的预测液位高程。
8.根据权利要求5所述的城市液位高程的内涝预测装置,其特征在于,所述液位高程预测模型是通过长短期记忆网络LSTM模型进行训练的。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器和至少一个存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1-4任一项所述的城市液位高程的内涝预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如权利要求1-4任一项所述的城市液位高程的内涝预测方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020100432693 | 2020-01-15 | ||
CN202010043269 | 2020-01-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382838A true CN111382838A (zh) | 2020-07-07 |
Family
ID=71215174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093150.7A Pending CN111382838A (zh) | 2020-01-15 | 2020-02-14 | 城市液位高程的内涝预测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382838A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692273A (zh) * | 2009-09-28 | 2010-04-07 | 北京工业大学 | 城市排水管网在线水力模型建模方法 |
CN101865716A (zh) * | 2010-06-10 | 2010-10-20 | 上海三高计算机中心股份有限公司 | 一种城市排水管网水位信息监测系统 |
CN103559775A (zh) * | 2013-11-12 | 2014-02-05 | 武汉大学 | 城市洪涝灾害预警系统及方法 |
CN109164509A (zh) * | 2018-07-06 | 2019-01-08 | 中铁建设集团有限公司 | 基于径流模拟和多传感器监控的智慧雨水系统及运行方法 |
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
CN109948863A (zh) * | 2019-03-28 | 2019-06-28 | 杭州电子科技大学 | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 |
CN110147902A (zh) * | 2019-04-10 | 2019-08-20 | 焦点科技股份有限公司 | 一种多项运营指标联合异常监测方法 |
CN110207761A (zh) * | 2019-07-11 | 2019-09-06 | 中国电建集团昆明勘测设计研究院有限公司 | 海绵城市智慧监测系统 |
CN110414027A (zh) * | 2019-01-02 | 2019-11-05 | 徐宇迪 | 一种适用于洪涝预测系统的数据处理方法 |
CN110580655A (zh) * | 2019-09-17 | 2019-12-17 | 山东浪潮通软信息科技有限公司 | 一种基于lstm算法的煤矿涌水量预测的方法和系统 |
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警系统 |
-
2020
- 2020-02-14 CN CN202010093150.7A patent/CN111382838A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692273A (zh) * | 2009-09-28 | 2010-04-07 | 北京工业大学 | 城市排水管网在线水力模型建模方法 |
CN101865716A (zh) * | 2010-06-10 | 2010-10-20 | 上海三高计算机中心股份有限公司 | 一种城市排水管网水位信息监测系统 |
CN103559775A (zh) * | 2013-11-12 | 2014-02-05 | 武汉大学 | 城市洪涝灾害预警系统及方法 |
CN109164509A (zh) * | 2018-07-06 | 2019-01-08 | 中铁建设集团有限公司 | 基于径流模拟和多传感器监控的智慧雨水系统及运行方法 |
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
CN110414027A (zh) * | 2019-01-02 | 2019-11-05 | 徐宇迪 | 一种适用于洪涝预测系统的数据处理方法 |
CN109948863A (zh) * | 2019-03-28 | 2019-06-28 | 杭州电子科技大学 | 基于长短期记忆模型lstm的排水管网窨井液位预测方法 |
CN110147902A (zh) * | 2019-04-10 | 2019-08-20 | 焦点科技股份有限公司 | 一种多项运营指标联合异常监测方法 |
CN110207761A (zh) * | 2019-07-11 | 2019-09-06 | 中国电建集团昆明勘测设计研究院有限公司 | 海绵城市智慧监测系统 |
CN110580655A (zh) * | 2019-09-17 | 2019-12-17 | 山东浪潮通软信息科技有限公司 | 一种基于lstm算法的煤矿涌水量预测的方法和系统 |
CN110633865A (zh) * | 2019-09-22 | 2019-12-31 | 航天海鹰安全技术工程有限公司 | 一种基于排涝模型的城市积水预测与安全预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
Razmi et al. | Non-stationary frequency analysis of extreme water level: application of annual maximum series and peak-over threshold approaches | |
KR101718294B1 (ko) | 가뭄예측 시스템 | |
CN113409167B (zh) | 一种水质异常分析方法及装置 | |
CN111079282A (zh) | 水文预报方法及设备 | |
Ahmad et al. | Finding probability distributions for annual daily maximum rainfall in Pakistan using linear moments and variants | |
CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
EP4307172A1 (en) | Data interpolation method and apparatus and storage medium | |
CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
Puig et al. | Limnimeter and rain gauge FDI in sewer networks using an interval parity equations based detection approach and an enhanced isolation scheme | |
CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
CN111382838A (zh) | 城市液位高程的内涝预测方法、装置和设备 | |
KR20220146158A (ko) | 일사량 예측 장치 및 그 방법 | |
CN111815043B (zh) | 一种基于暴雨特征的洪水流量预测方法及系统 | |
Kreuwel et al. | Forecasting day-ahead 1-minute irradiance variability from numerical weather predictions | |
EP4318278A1 (en) | Method and apparatus for processing runoff abnormal abrupt-change data | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Donnelly et al. | Short-term forecasting of nitrogen dioxide (NO 2) levels using a hybrid statistical and air mass history modelling approach | |
Martí et al. | LocalPred and RegioPred. Advanced tools for wind energy prediction in complex terrain | |
Bengtsson | Probability of combined high sea levels and large rains in Malmö, Sweden, southern Öresund | |
Stańczyk et al. | Intelligent sewage discharge control in a wastewater treatment plant during rainfall periods | |
JP2022033692A (ja) | 浸水被害予測プログラム | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
CN112799154A (zh) | 一种生态环境大数据预测与预警的方法及终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |