CN112528563A - 一种基于svm算法的城市内涝预警方法 - Google Patents
一种基于svm算法的城市内涝预警方法 Download PDFInfo
- Publication number
- CN112528563A CN112528563A CN202011421243.4A CN202011421243A CN112528563A CN 112528563 A CN112528563 A CN 112528563A CN 202011421243 A CN202011421243 A CN 202011421243A CN 112528563 A CN112528563 A CN 112528563A
- Authority
- CN
- China
- Prior art keywords
- urban
- early warning
- urban waterlogging
- waterlogging
- svm algorithm
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000002790 cross-validation Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 239000002352 surface water Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009933 burial Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于SVM算法的城市内涝预警方法，包括以下步骤：S1：获取待预警区域的基础数据，构建城市内涝数学机理模型；S2：对城市内涝数学机理模型进行率定验证；S3：利用通过率定验证的城市内涝数学机理模型，提取SVM算法样本；S4：构建基于SVM算法的城市内涝人工智能模型，并利用SVM算法样本进行模型训练、测试和交叉验证，得到满足评价指标的城市内涝人工智能模型；S5：将实时降雨和水位数据输入满足评价指标的城市内涝人工智能模型，得到积水模拟结果，并根据设定的积水水位预警值，实现城市内涝预警，与现有技术相比，本发明具有时效性高等优点。
Description
技术领域
本发明涉及城市内涝预警，尤其是涉及一种基于SVM算法的城市内涝预警方法。
背景技术
随着城市化进程的不断深入，城区下垫面硬化面积增加、地下排水管网建设运维不利以及极端降雨天气的日益频繁导致我国城市内涝灾害频发。准确及高效的城市内涝仿真模拟和内涝预警技术，作为一项重要的非工程措施，对城市应对和减缓内涝灾害具有非常重要的社会和经济意义。
经过对现有技术的文献检索，当前内涝预警技术主要由基于传统的数值模拟方式得以实现。该技术围绕降雨径流、管网汇流、地表漫流等过程进行数学仿真，基于水文学、水动力学的计算公式实现城市内涝的动态模拟，并发布中短期的预警信息，为制定应急预案和有效配置防汛力量提供决策支持。如中国专利CN202010147783.1公开了一种基于内涝快速模拟耦合模型的城市内涝预测方法及系统，包括采集研究区域的管网数据和水文数据；构建二维地形模型并处理；搭建二维水动力模型；分别构建管网的水动力模型和管网的水文模型，连接上述两个模型得到排水管网模型；将二维水动力模型与排水管网模型进行耦合，得到城市内涝模拟耦合模型，通过城市内涝快速模拟耦合模型对城市内涝积水点分布及积水深度进行预测，具有操作简单、精度较高等特点。
但此类方法受限于地表二维漫流计算的效率影响，时效性差，以模拟区域面积10km2为例，实现未来6小时较高精度的内涝预报，计算时间在半小时以上，因此市场需要兼顾预报准确性与时效性的城市内涝预警方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种时效性高的基于SVM算法的城市内涝预警方法。
本发明的目的可以通过以下技术方案来实现：
一种基于SVM算法的城市内涝预警方法，包括以下步骤：
S1：获取待预警区域的基础数据，构建城市内涝数学机理模型；
S2：对城市内涝数学机理模型进行率定验证；
S3：利用通过率定验证的城市内涝数学机理模型，提取SVM算法样本；
S4：构建基于SVM算法的城市内涝人工智能模型，并利用SVM算法样本进行模型训练、测试和交叉验证，得到满足评价指标的城市内涝人工智能模型；
S5：将实时降雨和水位数据输入满足评价指标的城市内涝人工智能模型，得到积水模拟结果，并根据设定的积水水位预警值，实现城市内涝预警。
进一步地，所述的基础数据包括水文数据、地形数据和管网数据。
更进一步地，所述的水文数据包括降雨时间、雨强/雨量以及河道水位变化，所述的地形数据包括土壤类型分布、土地利用分布和地理数字高程信息，所述的管网数据包括节点、管段、排口和附属设施，其中，附属设施包括泵、闸、调蓄池等。
进一步地，所述的步骤S2具体包括：
S21：获取用于率定验证的历史监测数据；
S22：随机抽取部分对应降雨事件的历史监测数据，输入城市内涝数学机理模型，获取率定模拟结果；
S23：修正城市内涝数学机理模型参数，直至率定模拟结果与实测数据达到设定的拟合要求，完成模型率定；
S24：随机抽取部分对应降雨事件的历史监测数据，输入率定完成的城市内涝数学机理模型，获取验证模拟结果；
S25：将验证模拟结果与实测数据比对，进行误差评价，若误差评价满足设定要求，则完成城市内涝数学机理模型的率定验证，否则返回执行步骤S22。
更进一步地，所述的用于率定验证的历史监测数据包括管道流量及其对应的降雨数据、管道液位及其对应的降雨数据、排口流量及其对应的降雨数据和易涝区域积水水深及其对应的降雨数据；
所述的城市内涝数学机理模型参数包括管道粗糙系数、地表曼宁值、坡面汇流流速、初损后损值及土壤下渗系数。
更进一步地，所述的验证模拟数据包括管段峰值流量和深度，所述的步骤S25中，当验证模拟数据与实测数据之间的管段峰值流量差在±10％以内，且深度差在±100mm以内时，所述的城市内涝数学机理模型满足设定要求，完成城市内涝数学机理模型的率定验证。
进一步地，所述的步骤S3具体包括：
S31：利用城市内涝数学机理模型生成多种模拟工况；
S32：通过提取城市内涝数学机理模型不同边界条件下的地面积水结果，得到不同模拟工况的结果；
S33：根据预警时间跨度以及预警频率，对边界条件进行相应的滑动切割，获取切割样本；
S34：提取每一切割样本的统计信息，构建SVM算法样本。
更进一步地，所述的模拟工况包括不同致灾因素所生成的模拟工况，即不同强度等级的降雨、不同高度的排口河道水位以及二者组合遭遇下的模拟工况；
所述的预警时间跨度包括前算期和预警期的总时长；
所述的切割样本的统计信息包括切割样本的峰值、平均值和方差。
进一步地，所述的SVM算法的参数包括核函数、误差惩罚项参数以及核系数。
进一步地，所述的步骤S4中的评价指标包括平均绝对误差MAE、均方根误差RMSE、和纳什系数NSE。
与现有技术相比，本发明具有以下优点：
1)本发明使用基于SVM算法的城市内涝人工智能模型，得到积水模拟结果，并根据设定的积水水位预警值，实现城市内涝预警，不再受限于地表二维漫流计算的效率影响，时效性高；
2)本发明通过构建城市内涝数学机理模型并进行率定验证，来获取SVM算法样本，结合大量工况数据驱动基于SVM算法的城市内涝人工智能模型，在保障最终城市内涝仿真模拟精度的前提下，大大缩短了模拟预警时间，减少计算资源消耗，同时保证了高精度和高时效性。
附图说明
图1为本发明流程示意图；
图2为本发明具体实施流程图；
图3为实施例中搭建的城市内涝机理模型示意图；
图4为实施例中城市内涝机理模型率定验证中，与实测数据差异对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1所示，本发明提供一种基于SVM算法的城市内涝预警方法，包括以下步骤：
S1：获取待预警区域的基础数据，构建城市内涝数学机理模型；
S2：对城市内涝数学机理模型进行率定验证；
S3：利用通过率定验证的城市内涝数学机理模型，提取SVM算法样本；
S4：构建基于SVM算法的城市内涝人工智能模型，并利用SVM算法样本进行模型训练、测试和交叉验证，得到满足评价指标的城市内涝人工智能模型；
S5：将实时降雨和水位数据输入满足评价指标的城市内涝人工智能模型，得到积水模拟结果，并根据设定的积水水位预警值，实现城市内涝预警。
如图2所示，实施过程的各步骤具体如下：
1)获取目标区域基础数据，构建城市内涝数学机理模型；
其中，基础数据包括基础降雨数据、地形数据和管网数据等。降雨数据包括实测的降雨时间、雨强/雨量及水位随时间变化；地形数据包括土壤类型分布、土地利用分布和地理数字高程信息等；管网数据包括节点(雨水篦子或人孔的尺寸、地面标高、内底标高、埋深等)，管段(排水体制、起点埋深、终点埋深、管径、管长、坡度、管材及位移)，排口(地面标高、底标高)，泵(扬程、流量、型号)以及其他附属设施。
基于以上基础数据信息，借助成熟的模型软件，即可搭建适用于目标区域的城市内涝数学机理模型。
2)基于历史监测数据，对城市内涝机理模型进行率定验证，当验证集的内涝积水结果准确性达到行业标准时，表明机理模型达到应用标准；
用于率定验证的历史监测数据，主要包含管道安装监测设备处的流量、管道液位、排口流量和易涝区域的积水水深，以及这些数据相对应的降雨数据，历史监测数据的选取要包括晴天和雨天的数据。
率定验证具体为：随机抽取历史监测数据中部分降雨事件用作模型率定，通过修正模型参数达到模拟数据与实测数据的高度拟合，其中，模型参数包括管道粗糙系数、地表曼宁值、坡面汇流流速、初损后损值及土壤下渗系数等。再随机抽取部分降雨事件作为模型验证，用率定好的模拟结果与实测数据比对，并进行误差评价，当管段峰值流量差在±10％以内，深度差在±100mm以内时，城市内涝机理模型达到模拟精度应用标准，可被用于后续流程。
3)根据满足SVM算法训练要求的样本丰富性与均匀性要求，由步骤2)中通过率定验证的城市内涝机理模型模拟生成足够的模拟工况；
考虑到后续SVM算法训练学习的全面性，本步骤需涵盖足够数量与差异的工况，包括由不同降雨、不同河道水位等边界条件组合的工况矩阵，同时，为保证工况样本的丰富性与代表性，需加入一些极端设计工况，如极端暴雨及高水位等工况，保证工况样本的丰富性。
4)对所有模拟工况进行数据预处理，完成数据切片以及特征工程构建，具体为：
对模拟工况的结果进行提取，即提取城市内涝机理模型的不同边界条件(水位、降雨等)以及对应情景下的地面积水结果，并基于预警时间跨度(前算期与预警期总时长)以及预警频率，对边界条件进行相应的滑动切割，再提取每一切割样本的峰值、平均值和方差等信息，构建SVM算法的样本。
5)基于SVM算法的核函数、惩罚参数及核系数等参数设置，构建城市内涝人工智能模型；
kernal-核函数可以是‘linear’、‘poly’、‘rbf’、‘sigmoid’、‘precomputed’或者自己指定。
C-误差项惩罚参数的值越大，表示对误分类的惩罚增大，趋向于对训练集全分对的情况，这样会使训练集测试时准确率很高，但泛化能力弱。
Gamma-核系数为当kernel为‘rbf’、‘poly’或‘sigmoid’时的kernel系数。
使用Grid Search CV寻找城市内涝人工智能模型以上参数的最优设置，并将最优设置带入城市内涝人工智能模型，在SVM算法中进行以上参数的设置，构建基于SVM算法的城市内涝人工智能模型。
6)将步骤5)中得到的城市内涝人工智能模型进行训练、测试及交叉验证，具体为，将样本数据按一定设置比例进行分类，划分为训练集和测试集，同时基于平均绝对误差、均方根误差和纳什系数等设置算法评价标准，当训练测试以及K折交叉验证分数均满足设定的评价标准时，表明该城市内涝人工智能模型满足预报精度要求，可将其用于城市内涝的快速模拟，并实现城市内涝预警。
实施例
本实施例中，以某城市的基础数据及监测数据，采用本方法进行快速模拟预警，具体包括以下步骤：
步骤1：收集该地管网数据和地形数据，搭建如图3所示的城市内涝机理模型；
步骤2：基于实测的降雨与水位情景下，管道流量与水位的监测数据，随机挑选若干场对城市内涝机理模型进行率定，对管道粗糙系数、地表曼宁值、坡面汇流流速、初损后损值及土壤下渗系数等参数进行调整，直至管道水位与流量的模型模拟结果与监测数据差异满足精度标准，如图4所示，再随机抽取某场降雨与水位情景，用率定好的模型进行验证，当模型模拟结果与监测数据差异满足精度标准时，模型可以使用，否则返回率定阶段进一步率定机理模型；
步骤3，利用验证有效的机理模型进行大量工况模拟，形成由不同降雨、不同水位等边界条件组合的工况矩阵，保证工况样本的丰富性与代表性，收集整理每一组工况的输入边界以及对应的积水模拟结果；
步骤4，对模拟工况的结果进行提取，即数学机理模型的不同边界条件(水位、降雨等)以及对应情景下的地面积水结果。基于前算期3h、预报期3h和计算频率5min，对边界条件进行相应的滑动切割。将切割好的数据和下一时刻的积水数据分别保存，再提取每一切割样本的峰值、平均值和方差等信息作为特征，构建SVM算法的样本；
步骤5，对SVM算法的参数进行设置，其中核函数kernal采用rbf，误差项惩罚参数C设为3，核系数Gamma设置为3，构建基于SVM算法的城市内涝人工智能模型；
步骤6，选择平均绝对误差MAE、均方根误差RMSE、纳什系数NSE作为SVM算法模型的评价指标，各项指标的计算公式如下：
对步骤4中构建好的样本按8:2进行划分，形成训练集和测试集。每个集合里都会对SVM算法的预测结果与步骤4得到的机理模型模拟结果进行比对。再使用全部数据进行8折交叉验证，当验证模拟结果满足评价指标时，即基于SVM算法的城市内涝人工智能模型可以进行快速预警预报。最后接入降雨和水位边界数据，即可通过SVM模型得到快速积水模拟结果，并根据设定积水水位的预警值，实现城市内涝预警。
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工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换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权利要求的保护范围为准。
Claims (10)
1.一种基于SVM算法的城市内涝预警方法，其特征在于，包括以下步骤：
S1：获取待预警区域的基础数据，构建城市内涝数学机理模型；
S2：对城市内涝数学机理模型进行率定验证；
S3：利用通过率定验证的城市内涝数学机理模型，提取SVM算法样本；
S4：构建基于SVM算法的城市内涝人工智能模型，并利用SVM算法样本进行模型训练、测试和交叉验证，得到满足评价指标的城市内涝人工智能模型；
S5：将实时降雨和水位数据输入满足评价指标的城市内涝人工智能模型，得到积水模拟结果，并根据设定的积水水位预警值，实现城市内涝预警。
2.根据权利要求1所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的基础数据包括水文数据、地形数据和管网数据。
3.根据权利要求2所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的水文数据包括降雨时间、雨强/雨量以及河道水位变化，所述的地形数据包括土壤类型分布、土地利用分布和地理数字高程信息，所述的管网数据包括节点、管段、排口和附属设施。
4.根据权利要求1所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的步骤S2具体包括：
S21：获取用于率定验证的历史监测数据；
S22：随机抽取部分对应降雨事件的历史监测数据，输入城市内涝数学机理模型，获取率定模拟结果；
S23：修正城市内涝数学机理模型参数，直至率定模拟结果与实测数据达到设定的拟合要求，完成模型率定；
S24：随机抽取部分对应降雨事件的历史监测数据，输入率定完成的城市内涝数学机理模型，获取验证模拟结果；
S25：将验证模拟结果与实测数据比对，进行误差评价，若误差评价满足设定要求，则完成城市内涝数学机理模型的率定验证，否则返回执行步骤S22。
5.根据权利要求4所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的用于率定验证的历史监测数据包括管道流量及其对应的降雨数据、管道液位及其对应的降雨数据、排口流量及其对应的降雨数据和易涝区域积水水深及其对应的降雨数据；
所述的城市内涝数学机理模型参数包括管道粗糙系数、地表曼宁值、坡面汇流流速、初损后损值及土壤下渗系数。
6.根据权利要求4所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的验证模拟数据包括管段峰值流量和深度，所述的步骤S25中，当验证模拟数据与实测数据之间的管段峰值流量差在±10％以内，且深度差在±100mm以内时，所述的城市内涝数学机理模型满足设定要求，完成城市内涝数学机理模型的率定验证。
7.根据权利要求1所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的步骤S3具体包括：
S31：利用城市内涝数学机理模型生成多种模拟工况；
S32：通过提取城市内涝数学机理模型不同边界条件所对应的地面积水结果，得到不同模拟工况下的积水结果；
S33：根据预警时间跨度以及预警频率，对边界条件所在的时间序列进行相应的滑动切割，获取切割样本；
S34：提取每一切割样本的统计特征信息，构建SVM算法样本。
8.根据权利要求7所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的模拟工况包括不同致灾因素所生成的模拟工况，具体包括不同强度等级的降雨、不同高度的排口河道水位以及二者组合下的模拟工况；
所述的预警时间跨度包括前算期和预警期的总时长；
所述的切割样本的统计信息包括切割样本的峰值、平均值和方差。
9.根据权利要求1所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的SVM算法的参数包括核函数、误差惩罚项参数以及核系数。
10.根据权利要求1所述的一种基于SVM算法的城市内涝预警方法，其特征在于，所述的步骤S4中的评价指标包括平均绝对误差MAE、均方根误差RMSE、和纳什系数NSE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421243.4A CN112528563B (zh) | 2020-12-08 | 2020-12-08 | 一种基于svm算法的城市内涝预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011421243.4A CN112528563B (zh) | 2020-12-08 | 2020-12-08 | 一种基于svm算法的城市内涝预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528563A true CN112528563A (zh) | 2021-03-19 |
| CN112528563B CN112528563B (zh) | 2024-04-19 |
Family
ID=74998175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011421243.4A Active CN112528563B (zh) | 2020-12-08 | 2020-12-08 | 一种基于svm算法的城市内涝预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528563B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344305A (zh) * | 2021-08-05 | 2021-09-03 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
| CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
| CN114254561A (zh) * | 2021-12-17 | 2022-03-29 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
| CN114970259A (zh) * | 2022-05-20 | 2022-08-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流变压器建模方法、装置、设备、存储介质和程序产品 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139603A (zh) * | 2015-07-24 | 2015-12-09 | 华中科技大学无锡研究院 | 一种城市积水智能监测预警系统 |
| CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
| CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
| CN107239575A (zh) * | 2017-06-29 | 2017-10-10 | 邯郸市气象局 | 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 |
| CN110222427A (zh) * | 2019-06-10 | 2019-09-10 | 河海大学 | 一种基于数学模型城市内涝的分析方法 |
| CN110533302A (zh) * | 2019-08-09 | 2019-12-03 | 济宁市水文局(济宁市水土保持监测站) | 一种城市内涝模拟分析方法 |
| CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和系统 |
| CN110838079A (zh) * | 2019-10-18 | 2020-02-25 | 南京中科智慧生态科技有限公司 | 一种智慧城市防洪排水远程监控系统及方法 |
| CN110992653A (zh) * | 2019-12-13 | 2020-04-10 | 软通动力信息技术有限公司 | 城市内涝预警系统及方法 |
| CN111507375A (zh) * | 2020-03-09 | 2020-08-07 | 中山大学 | 一种城市内涝风险快速评估方法及系统 |
-
2020
- 2020-12-08 CN CN202011421243.4A patent/CN112528563B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139603A (zh) * | 2015-07-24 | 2015-12-09 | 华中科技大学无锡研究院 | 一种城市积水智能监测预警系统 |
| CN106405682A (zh) * | 2016-08-29 | 2017-02-15 | 深圳先进技术研究院 | 一种降雨预测方法及装置 |
| CN106970986A (zh) * | 2017-03-29 | 2017-07-21 | 武汉大学 | 基于深度学习的城市内涝影响程度挖掘方法及系统 |
| CN107239575A (zh) * | 2017-06-29 | 2017-10-10 | 邯郸市气象局 | 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 |
| CN110222427A (zh) * | 2019-06-10 | 2019-09-10 | 河海大学 | 一种基于数学模型城市内涝的分析方法 |
| CN110533302A (zh) * | 2019-08-09 | 2019-12-03 | 济宁市水文局(济宁市水土保持监测站) | 一种城市内涝模拟分析方法 |
| CN110646867A (zh) * | 2019-08-28 | 2020-01-03 | 北京无线电计量测试研究所 | 一种城市排水监测预警方法和系统 |
| CN110838079A (zh) * | 2019-10-18 | 2020-02-25 | 南京中科智慧生态科技有限公司 | 一种智慧城市防洪排水远程监控系统及方法 |
| CN110992653A (zh) * | 2019-12-13 | 2020-04-10 | 软通动力信息技术有限公司 | 城市内涝预警系统及方法 |
| CN111507375A (zh) * | 2020-03-09 | 2020-08-07 | 中山大学 | 一种城市内涝风险快速评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐翘: "《基于支持向量机的城市防洪标准和排涝标准的耦合研究》", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑》, 15 June 2006 (2006-06-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344305A (zh) * | 2021-08-05 | 2021-09-03 | 中国水利水电科学研究院 | 一种暴雨内涝事件的快速预测方法 |
| CN113807008A (zh) * | 2021-08-27 | 2021-12-17 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
| CN113807008B (zh) * | 2021-08-27 | 2024-06-04 | 华南理工大学 | 一种基于深度学习的城市暴雨内涝模拟方法 |
| CN114254561A (zh) * | 2021-12-17 | 2022-03-29 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
| CN114254561B (zh) * | 2021-12-17 | 2024-06-07 | 奥格科技股份有限公司 | 一种内涝预测方法、系统及存储介质 |
| CN114970259A (zh) * | 2022-05-20 | 2022-08-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流变压器建模方法、装置、设备、存储介质和程序产品 |
| CN114970259B (zh) * | 2022-05-20 | 2024-05-31 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流变压器建模方法、装置、设备、存储介质和程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528563B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111582755B (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
| CN112528563B (zh) | 一种基于svm算法的城市内涝预警方法 | |
| CN113723024B (zh) | 一种适用于滨海地区的“溪流”-“河道”-“河口”分布式洪水过程模拟方法 | |
| CN112329257B (zh) | 适用于山区小流域暴雨山洪洪水预报预警的水文模型分段筛选方法 | |
| CN115391712A (zh) | 一种城市洪涝风险预测方法 | |
| CN111062125B (zh) | 海绵型综合管廊水文效应评估方法 | |
| CN113807008B (zh) | 一种基于深度学习的城市暴雨内涝模拟方法 | |
| CN110533258B (zh) | 一种稻麦轮作农田涝渍预警评估方法及系统 | |
| CN114118884A (zh) | 一种城市暴雨内涝区域风险识别的方法、系统及存储介质 | |
| CN115471078B (zh) | 一种基于城市水务系统的洪涝风险点评估方法及装置 | |
| CN110838079A (zh) | 一种智慧城市防洪排水远程监控系统及方法 | |
| CN115186858A (zh) | 基于不同影响类型的变电站洪水淹没风险预警方法及系统 | |
| CN111737853A (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
| CN115169069A (zh) | 基于大数据的城市内涝预测方法 | |
| CN110232479A (zh) | 一种城市水库防洪补偿优化调度方法 | |
| CN117436619B (zh) | 一种基于等效防洪作用的梯级水库防洪库容联合预留方法 | |
| CN110187413A (zh) | 一种城市内涝预报方法、电子设备及存储介质 | |
| CN116205136A (zh) | 基于径流滞后信息的大尺度流域深度学习洪水预报方法 | |
| CN116306340A (zh) | 一种模拟不同工况下的城市内涝风险分布的方法 | |
| CN115730739A (zh) | 一种基于lstm神经网络的城市内涝积水预测方法 | |
| CN114139258A (zh) | 城市内涝建模评估方法、系统及计算机可读存储介质 | |
| CN113869804B (zh) | 一种洪涝灾害下的电网设备风险预警方法及系统 | |
| CN112784409A (zh) | 基于lid措施的面源污染控制模拟方法 | |
| CN117648878A (zh) | 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法 | |
| CN110889185A (zh) | 一种小流域的洪峰流量分析方法及其应用 |
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 |