CN113269352A - 基于移动互联网的城市内涝监测预警方法、系统及介质 - Google Patents

基于移动互联网的城市内涝监测预警方法、系统及介质 Download PDF

Info

Publication number
CN113269352A
CN113269352A CN202110470806.7A CN202110470806A CN113269352A CN 113269352 A CN113269352 A CN 113269352A CN 202110470806 A CN202110470806 A CN 202110470806A CN 113269352 A CN113269352 A CN 113269352A
Authority
CN
China
Prior art keywords
historical
data
real
matrix
monitoring
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
CN202110470806.7A
Other languages
English (en)
Other versions
CN113269352B (zh
Inventor
方攀
刘建勤
刘维星
李顺
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.)
Harbin Engineering Wisdom Wuhan Technology Co ltd
Original Assignee
Harbin Engineering Wisdom Wuhan Technology Co ltd
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 Harbin Engineering Wisdom Wuhan Technology Co ltd filed Critical Harbin Engineering Wisdom Wuhan Technology Co ltd
Priority to CN202110470806.7A priority Critical patent/CN113269352B/zh
Publication of CN113269352A publication Critical patent/CN113269352A/zh
Application granted granted Critical
Publication of CN113269352B publication Critical patent/CN113269352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems

Abstract

本发明涉及一种基于移动互联网的城市内涝监测预警方法、系统和介质，构建移动互联网动态监测模型，利用移动互联网动态监测模型分别获取历史监测数据集和实时监测数据集；根据历史监测数据集对实时监测数据集进行迁移学习，得到内涝风险伪标签集；基于图嵌入学习方法，根据历史监测数据集、实时监测数据集和内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；根据目标相似性矩阵和历史监测数据集，得到目标内涝风险标签集；根据预设的预警模型和目标内涝风险标签集进行预警判断，完成预警。本发明直接根据历史数据与实时数据之间的相似性来评价、分析和预测城市内涝的发展趋势和风险，无需综合所有的条件因素，内涝预测准确率高。

Description

基于移动互联网的城市内涝监测预警方法、系统及介质
技术领域
本发明涉及气象预警技术领域，尤其涉及一种基于移动互联网的城市内涝监测预警方法、系统及介质。
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。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旋涡等；三、长期内涝，导致墙体坍塌及涝后疫病肆虐。因此，对于内涝的监测、分析和预警至关重要。
由于形成城市内涝的条件比较多，比如降雨的强度、持续时间、地形特征、排水能力等。因此，目前的内涝监测预警难以综合所有的条件因素，导致内涝预警准确率不高，无法及时提醒内涝风险。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于移动互联网的城市内涝监测预警方法、系统及介质，可以直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险，无需综合所有的条件因素，内涝预测准确率高。
本发明解决上述技术问题的技术方案如下：
一种基于移动互联网的城市内涝监测预警方法，包括以下步骤：
步骤1：构建待监测区域的移动互联网动态监测模型，利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集；
步骤2：根据所述历史监测数据集对所述实时监测数据集进行迁移学习，得到所述待监测区域的内涝风险伪标签集；
步骤3：基于图嵌入学习方法，根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；
步骤4：根据所述目标相似性矩阵和所述历史监测数据集，得到所述待监测区域的目标内涝风险标签集；
步骤5：根据预设的预警模型和所述目标内涝风险标签集进行预警判断，完成预警。
依据本发明的另一方面，还提供了一种基于移动互联网的城市内涝监测预警系统，应用于本发明的基于移动互联网的城市内涝监测预警方法中，包括数据获取模块、迁移学习模块、相似性学习模块、预测模块和判断模块；
所述数据获取模块，用于构建待监测区域的移动互联网动态监测模型，利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集；
所述迁移学习模块，用于根据所述历史监测数据集对所述实时监测数据集进行迁移学习，得到所述待监测区域的内涝风险伪标签集；
所述相似性学习模块，用于基于图嵌入学习方法，根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；
所述预测模块，用于根据所述目标相似性矩阵和所述历史监测数据集，得到所述待监测区域的目标内涝风险标签集；
所述判断模块，用于根据预设的预警模型和所述目标内涝风险标签集进行预警判断，完成预警。
依据本发明的另一方面，提供了一种基于移动互联网的城市内涝监测预警系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明中的基于移动互联网的城市内涝监测预警方法中的步骤。
依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的基于移动互联网的城市内涝监测预警方法中的步骤。
本发明的基于移动互联网的城市内涝监测预警方法、系统及介质的有益效果是：首先基于移动互联网，构建能全面覆盖待监测区域且能动态监测的移动互联网动态监测模型，进而能够实时获取某一监测周期之前的历史监测数据集和该监测周期内的实时监测数据集，这些监测数据集可以包含引发城市内涝的一种或多种影响因素，例如降雨量、持续时间、排水能力、降雨监控视频等；而由于历史数据对实时数据的相似性和借鉴性，根据历史监测数据集对实时监测数据集的迁移学习，可以借鉴历史数据中每个数据已知的风险类别标签，对实时数据进行初次预测，初次判断出待监测区域的内涝风险伪标签集，进而便于后续的相似性特征学习，得到历史监测数据集和实时监测数据集之间的相似性特征(即目标相似性矩阵)；图嵌入学习方法是一种新型的降维学习方法，将样本集看做一副图，而其中的每个样本看做一个数据节点，利用数据节点之间的相似性来有效保持在降维过程中样本与样本之间的关系，采用图嵌入学习方法来进行相似性特征学习，可以较好地保留原始数据信息，克服传统线性判别分析方法的限制，并得到准确率较高的相似性特征，基于该准确率较高的目标相似性矩阵，进而有效提高对实时监测数据集的风险类别的预测能力，得到较为准确的目标内涝风险标签集；最后，根据预设的预警模型，能准确地判断目标内涝风险标签集中每个目标内涝风险标签所代表的具体预警类型或是否进行预警，大大提高了城市内涝风险的预警准确率；
本发明中的基于移动互联网的城市内涝监测预警方法、系统及介质，能基于移动互联网来较好地借鉴历史数据，成功地进行知识迁移，避免复杂的数据标记工作，能准确得到历史监测数据集与实时监测数据集之间的相似性特征，直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险，最终得到更接近真实的目标内涝风险标签集，进而进行准确有效的预警判断，将内涝预警转换为分类问题，无需综合所有的条件因素，内涝预测准确率高。
附图说明
图1为本发明实施例一中一种基于移动互联网的城市内涝监测预警方法的流程示意图；
图2为本发明实施例二中一种基于移动互联网的城市内涝监测预警系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1所示，一种基于移动互联网的城市内涝监测预警方法，包括以下步骤：
S1：构建待监测区域的移动互联网动态监测模型，利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集；
S2：根据所述历史监测数据集对所述实时监测数据集进行迁移学习，得到所述待监测区域的内涝风险伪标签集；
S3：基于图嵌入学习方法，根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；
S4：根据所述目标相似性矩阵和所述历史监测数据集，得到所述待监测区域的目标内涝风险标签集；
S5：根据预设的预警模型和所述目标内涝风险标签集进行预警判断，完成预警。
本实施例的基于移动互联网的城市内涝监测预警方法，能基于移动互联网来较好地借鉴历史数据，成功地进行知识迁移，避免复杂的数据标记工作，能准确得到历史监测数据集与实时监测数据集之间的相似性特征，直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险，最终得到更接近真实的目标内涝风险标签集，进而进行准确有效的预警判断，将内涝预警转换为分类问题，无需综合所有的条件因素，内涝预测准确率高。
具体地，目标内涝风险标签集中包括多个目标内涝风险标签，本实施例 S5中的预警模型包含了目标内涝风险标签与预警类型一一对应的关系表，通过关系表能准确查找目标内涝风险标签所对应的预警类型或者是否需要进行预警通知，以及时提醒相关人员根据预警类型来采取相应的预警措施；关系表如表1所示，Y代表目标内涝风险标签，K代表预警类型。
表1本实施例中的目标内涝风险标签与预警类型的关系表
Figure RE-GDA0003109848170000051
Figure RE-GDA0003109848170000061
优选地，在S1中，构建所述移动互联网动态监测模型具体包括以下步骤：
S11：获取所述待监测区域的地形基础数据；其中，所述地形基础数据包括地质环境数据和地貌形态数据；
S12：根据所述地形基础数据将所述待检测区域划分为多个子网格区域，并基于移动互联网，分别为每个子网格区域配置数据互联的光纤传感器监测网络；
S13：根据所有光纤传感器监测网络，得到所述移动互联网动态监测模型。
依据地质环境数据和地貌形态数据，便于将待监测区域划分为较为平均的多个子网格区域，再基于移动互联网为每个子网格区域配置数据互联的光纤传感器监测网络，得到的移动互联网动态监测模型，能快速地得到较为准确的实时监测数据集和历史监测数据集，在一定程度上提高后续迁移学习和相似性特征学习的准确率和效率。
具体地，本实施例中每个光纤传感器监测网络包括光纤水位传感器、光纤水压传感器、光纤位移传感器、光纤图像传感器和光纤流速传感器，这些传感器之间数据互联，具体型号或规格根据实际情况选择；同时还配置一个监控平台，所有的传感器的数据均传输到该监控平台，整个监控平台和所有光纤传感器监测网络构成移动互联网动态监测模型。
优选地，所述历史监测数据集包括每个子网格区域对应的光纤传感器监测网络监测对应的子网络区域在历史监测周期内的历史监测数据子集，所述实时监测数据集包括每个子网络区域对应的光纤传感器网络监测对应的子网络区域在当前监测周期内的实时监测数据子集；
S2具体包括以下步骤：
S21：分别对每个历史监测数据子集进行预处理，并将所有预处理后的历史监测数据子集作为历史样本集；分别对每个实时监测数据子集进行预处理，并将所有预处理后的实时监测数据子集作为实时样本集；
S22：将监测周期分为多个时间段，根据所有时间段和所述历史样本集构建历史样本矩阵，根据所有时间段和所述实时样本集构建实时样本矩阵；其中，所述历史样本矩阵的所有行和所述实时样本矩阵的所有行均与所有子网格区域一一对应，所述历史样本矩阵的所有列和所述实时样本矩阵的所有列均与所有时间段一一对应；
S23：根据所述历史样本矩阵计算所述实时样本矩阵中每个实时样本数据的注释概率和样本距离；
S24：根据所有注释概率和所有样本距离，计算得到损失函数；
计算所述损失函数的具体公式为：
Figure RE-GDA0003109848170000071
其中，S为所述损失函数，Daj为所述历史样本矩阵中在第a类风险类别标签下的样本中心与第j个实时样本数据之间的距离，Naj为第j个实时样本数据属于所述历史样本矩阵中第a类风险类别标签的注释概率，A为所述历史样本矩阵和所述实时样本矩阵的风险类别标签总数，nc为实时样本数据总数；
S25：采用Easy TL学习方法，根据所述损失函数得到迁移学习模型；
所述迁移学习模型的具体公式为：
Figure RE-GDA0003109848170000072
其中，s.t.表示所述迁移学习模型中的约束条件；
S26：对所述迁移学习模型进行求解，得到所述待监测区域的内涝风险伪标签集；
所述内涝风险伪标签集中第j个实时样本数据所属的风险类别伪标签具体为：
Figure RE-GDA0003109848170000081
其中，yj为第j个实时样本数据所属的风险类别伪标签，Naj为第j个实时样本数据属于所述历史样本集中第r类类别标签的注释概率；
Figure RE-GDA0003109848170000082
为取最大值的自变量函数，代表使得
Figure RE-GDA0003109848170000083
的值最大所对应的类别标签r
每个历史监测数据子集和每个实时监测数据子集对应一个子网格区域，其中历史监测数据子集中每个数据都对应一个风险类别标签，能代表对应的子网格区域在历史监测周期时的内涝风险类别，而实时监测数据子集中每个数据的风险类别标签未知，但总数与历史数据的风险类别标签总数相同；因此首先对每个数据子集进行预处理，能得到在统一规格下的数据，简化后续的运算；然后将监测周期(包括历史监测周期和当前监测周期)划分多个时间段，同时实现了历史数据和实时数据分时及分区域处理，能更好地借鉴历史数据，进一步提高后续迁移学习和相似性特征学习的准确率；当依据所有时间段来分别构建历史样本矩阵和实时样本矩阵之后，可以从中得到实时样本矩阵中每个实时样本数据属于历史样本矩阵的每个风险类别标签的注释概率以及与每个风险类别标签下的样本中心之间的样本距离，依据注释概率和样本距离可以得到Easy TL学习方法中的损失函数；该EasyTL(EASY TRANSFER LEARNING)学习方法是类似于K近邻的一种学习数据伪标签的算法，计算简单，容易实现，能成功地实现知识迁移，预测出实时样本矩阵中每个实时样本数据一一对应的内涝风险伪标签，便于后续相似性特征学习。
具体地，历史样本矩阵和实时样本矩阵均采用相似的矩阵结构，行维度为子网格区域维(与划分的子网格区域对应)，列维度为时间维(与划分的时间段对应)。假设预设的监测周期为1天，将1天分为M1个时间段，表示为Tt(t＝1,2…M1)，划分的子网格区域有M2个，表示为Im(m＝1,2…M2)，矩阵结构如表2所示。
表2本实施例中历史样本矩阵和实时样本矩阵的结构
I<sub>1</sub> I<sub>2</sub> …… I<sub>M2</sub>
T<sub>1</sub>
T<sub>2</sub>
……
T<sub>M1</sub>
应理解，本实施例中计算注释概率和样本距离的具体公式均为现有技术，此处不再赘述。
优选地，S3具体包括以下步骤：
S31：基于所述图嵌入学习方法，将所述历史样本矩阵作为历史数据图，将所述历史样本矩阵中所有历史样本数据均作为所述历史数据图的历史图数据节点；在所述历史数据图中选取任一个历史图数据节点，根据预设的连接关系判定方法，得到选取的历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵；
S32：遍历所述历史数据图中的每个历史图数据节点，按照S31的方法，得到每个历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵；
S33：根据所有类内节点关系矩阵得到所述历史数据图的历史类内相似性矩阵，根据所有类间节点关系矩阵得到所述历史数据图的历史类间相似性矩阵；
所述历史类内相似性矩阵的表达式具体为：
Figure RE-GDA0003109848170000101
所述历史类间相似性矩阵的表达式具体为：
Figure RE-GDA0003109848170000102
其中，
Figure RE-GDA0003109848170000103
和
Figure RE-GDA0003109848170000104
分别为所述历史类内相似性矩阵和所述历史类间相似性矩阵；
Figure RE-GDA0003109848170000105
为所述历史类内相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类内相似性，取决于第i1个历史图数据节点对应的类内节点关系矩阵；
Figure RE-GDA0003109848170000106
为所述历史类间相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类间相似性，取决于第i1个历史图数据节点对应的类间节点关系矩阵；nh为历史样本数据总数；
S34：将所述实时样本矩阵作为实时数据图，将所述实时样本矩阵中所有实时样本数据均作为所述实时数据图的实时图数据节点，按照S31至S33 同样的方法，得到实时数据图的实时类内相似性矩阵和类间相似性矩阵；
S35：根据所述历史类内相似性矩阵、所述历史类间相似性矩阵、所述实时类内相似性矩阵和实时类内相似性矩阵，计算得到所述目标相似性矩阵；
计算所述目标相似性矩阵的具体公式为：
Figure RE-GDA0003109848170000107
其中，α和β均为权重参数，M为所述目标相似性矩阵，
Figure RE-GDA0003109848170000108
和
Figure RE-GDA0003109848170000109
分别为所述实时类内相似性矩阵和所述实时类间相似性矩阵，Xh和Xc分别为所述历史样本矩阵和所述实时样本矩阵，
Figure RE-GDA00031098481700001010
和
Figure RE-GDA00031098481700001011
分别为所述历史样本矩阵的转置矩阵和所述实时样本矩阵的转置矩阵。
通过上述基于图嵌入学习方法计算出历史类间相似性矩阵、所述实时类内相似性矩阵和实时类内相似性矩阵，一方面可以更好地保持历史样本矩阵中样本与样本之间的关系以及实时样本矩阵中样本与样本之间的关系，另一方面可以更好地考虑历史数据对实时数据的借鉴性，进而挖掘出历史样本矩阵与实时样本矩阵之间的相似性特征，使得最终得到的目标相似性矩阵能更好地搜索出实时监测数据集的分类结果，将预警判断转换为分类方法，通过进一步提高分类性能来进一步提高预警准确率。
优选地，在S31中，选取第i1个历史图数据节点，根据预设的连接关系判定方法，得到第i1个历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵，具体包括以下步骤：
按照所述连接关系判定方法，得到第i1个历史图数据节点与自身之间的类内节点连接关系和类间节点连接关系，以及第i1个历史图数据节点分别与其他历史图数据节点之间的类内节点连接关系和类间节点连接关系；
根据第i1个历史图数据节点的所有类内节点连接关系，构建第i1个历史图数据节点对应的类内节点关系矩阵；
根据第i1个历史图数据节点的所有类间节点连接关系，构建第i1个历史图数据节点对应的类间节点关系矩阵；
其中，所述连接关系判定方法具体为：
若所述历史数据图中第i2个历史图数据节点所属的风险类别标签与第i1个历史图数据节点所属的风险类别标签相同，则第i1个历史图数据节点与第 i2个历史图数据节点之间的类内节点连接关系为类内相接，且第i1个历史图数据节点与第i2个历史图数据节点之间的类间节点连接关系为类间不相接；其中，i1与i2相等或不相等；
若所述历史数据图中第i2个历史图数据节点所属的风险类别标签与第i1个历史图数据节点所属的风险类别标签不相同，则第i1个历史图数据节点与第i2个历史图数据节点之间的类内节点连接关系为类内不相接；并判断第i2个历史图数据节点是否存在于第i1个历史图数据节点对应的邻近节点集中，若是，则第i1个历史图数据节点与第i2个历史图数据节点之间的类间节点连接关系为类间相接，否则第i1个历史图数据节点与第i2个历史图数据节点之间的类间节点连接关系为类间不相接；其中，第i1个历史图数据节点对应的邻近节点集具体为按照预设节点距离和预设邻近节点数量，与第i1个历史图数据节点邻近且所属风险类别标签互不相同的多个历史图数据节点构成的邻近节点集。
根据每个数据节点的类内节点连接关系和类间节点连接关系，分别构建类内节点关系矩阵和类间节点关系矩阵，一方面能简化运算，另一方面能准确挖掘出历史样本矩阵中每个历史样本数据相互之间的类内相似性和类间相似性，同理，按照同样的方法可以简单有效地挖掘出每个实时样本数据相互之间的类内相似性和类间相似性，充分考虑了每个子网格区域的监测数据之间的关联性，也考虑了每个子网格区域的历史数据与实时数据之间的相似性，进而便于基于历史样本矩阵已知的风险类别标签来确定目标内涝风险标签集。
具体地，本实施例构建第i1个历史图数据节点对应的类内节点关系矩阵的具体公式为：
Figure RE-GDA0003109848170000121
构建第i1个历史图数据节点对应的类间节点关系矩阵的具体公式为：
Figure RE-GDA0003109848170000122
其中，
Figure RE-GDA0003109848170000123
为第i1个历史图数据节点对应的类内节点关系矩阵中的第i2个元素，
Figure RE-GDA0003109848170000124
为第i1个历史图数据节点对应的类间节点关系矩阵中的第i2个元素；
在S33中，计算所述历史类内相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类内相似性的具体公式为：
Figure RE-GDA0003109848170000131
计算所述历史类间相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类间相似性的具体公式为：
Figure RE-GDA0003109848170000132
其中，
Figure RE-GDA0003109848170000133
和
Figure RE-GDA0003109848170000134
分别为第i1个历史图数据节点对应的历史样本数据与第 i2个历史图数据节点对应的历史样本数据。
应理解，在本实施例S34中，得到每个实时图数据节点对应的类内节点关系矩阵、类间节点关系矩阵，以及得到实时类内相似性矩阵和实时类间相似性矩阵的方法与历史数据图中对应的计算一致，只需对公式中的各字母进行替换即可，具体细节此处不再赘述。
优选地，S4具体包括以下步骤：
S41：获取所述目标相似性矩阵每行的最大相似性值；
S42：根据每个最大相似性值所在的列，分别在所述历史监测数据集对应的所述历史样本矩阵的每行中搜索对应的风险类别标签，并将搜索到的所有风险类别标签确定为所述待监测区域的所述目标内涝风险标签集。
目标相似性矩阵中的元素值(即相似性值)越大，说明实时样本矩阵中对应的实时样本数据与历史样本矩阵越接近，则对应的风险类别标签即为对应的子网格区域的目标内涝风险标签；通过上述方法得到的目标内涝风险标签集按照区域给出了待监测区域的的内涝风险，可便于相关人员按照不同区域进行匹配的预警干预措施，有效提高预警效果。
实施例二、如图2所示，一种基于移动互联网的城市内涝监测预警系统，应用于实施例一的基于移动互联网的城市内涝监测预警方法中，包括数据获取模块、迁移学习模块、相似性学习模块、预测模块和判断模块；
所述数据获取模块，用于构建待监测区域的移动互联网动态监测模型，利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集；
所述迁移学习模块，用于根据所述历史监测数据集对所述实时监测数据集进行迁移学习，得到所述待监测区域的内涝风险伪标签集；
所述相似性学习模块，用于基于图嵌入学习方法，根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；
所述预测模块，用于根据所述目标相似性矩阵和所述历史监测数据集，得到所述待监测区域的目标内涝风险标签集；
所述判断模块，用于根据预设的预警模型和所述目标内涝风险标签集进行预警判断，完成预警。
本实施例中的基于移动互联网的城市内涝监测预警系统，能基于移动互联网来较好地借鉴历史数据，成功地进行知识迁移，避免复杂的数据标记工作，能准确得到历史监测数据集与实时监测数据集之间的相似性特征，直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险，最终得到更接近真实的目标内涝风险标签集，进而进行准确有效的预警判断，将内涝预警转换为分类问题，无需综合所有的条件因素，内涝预测准确率高。
优选地，所述数据获取模块具体用于：
获取所述待监测区域的地形基础数据；其中，所述地形基础数据包括地质环境数据和地貌形态数据；
根据所述地形基础数据将所述待检测区域划分为多个子网格区域，并基于移动互联网，分别为每个子网格区域配置数据互联的光纤传感器监测网络；
根据所有光纤传感器监测网络，得到所述移动互联网动态监测模型。
优选地，所述历史监测数据集包括每个子网格区域对应的光纤传感器监测网络监测对应的子网络区域在历史监测周期内的历史监测数据子集，所述实时监测数据集包括每个子网络区域对应的光纤传感器网络监测对应的子网络区域在当前监测周期内的实时监测数据子集；
所述迁移学习模块具体用于：
分别对每个历史监测数据子集进行预处理，并将所有预处理后的历史监测数据子集作为历史样本集；分别对每个实时监测数据子集进行预处理，并将所有预处理后的实时监测数据子集作为实时样本集；
将监测周期分为多个时间段，根据所有时间段和所述历史样本集构建历史样本矩阵，根据所有时间段和所述实时样本集构建实时样本矩阵；其中，所述历史样本矩阵的所有行和所述实时样本矩阵的所有行均与所有子网格区域一一对应，所述历史样本矩阵的所有列和所述实时样本矩阵的所有列均与所有时间段一一对应；
根据所述历史样本矩阵计算所述实时样本矩阵中每个实时样本数据的注释概率和样本距离；
根据所有注释概率和所有样本距离，计算得到损失函数；
计算所述损失函数的具体公式为：
Figure RE-GDA0003109848170000151
其中，S为所述损失函数，Daj为所述历史样本矩阵中在第a类风险类别标签下的样本中心与第j个实时样本数据之间的距离，Naj为第j个实时样本数据属于所述历史样本矩阵中第a类风险类别标签的注释概率，A为所述历史样本矩阵和所述实时样本矩阵的风险类别标签总数，nc为实时样本数据总数；
采用Easy TL学习方法，根据所述损失函数得到迁移学习模型；
所述迁移学习模型的具体公式为：
Figure RE-GDA0003109848170000161
其中，s.t.表示所述迁移学习模型中的约束条件；
对所述迁移学习模型进行求解，得到所述待监测区域的内涝风险伪标签集；
所述内涝风险伪标签集中第j个实时样本数据所属的风险类别伪标签具体为：
Figure RE-GDA0003109848170000162
其中，yj为第j个实时样本数据所属的风险类别伪标签，Naj为第j个实时样本数据属于所述历史样本集中第r类类别标签的注释概率；
Figure RE-GDA0003109848170000163
为取最大值的自变量函数，代表使得
Figure RE-GDA0003109848170000164
的值最大所对应的类别标签r。
优选地，所述相似性学习模块具体用于：
基于所述图嵌入学习方法，将所述历史样本矩阵作为历史数据图，将所述历史样本矩阵中所有历史样本数据均作为所述历史数据图的历史图数据节点；在所述历史数据图中选取任一个历史图数据节点，根据预设的连接关系判定方法，得到选取的历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵；
遍历所述历史数据图中的每个历史图数据节点，得到每个历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵；
根据所有类内节点关系矩阵得到所述历史数据图的历史类内相似性矩阵，根据所有类间节点关系矩阵得到所述历史数据图的历史类间相似性矩阵；
所述历史类内相似性矩阵的表达式具体为：
Figure RE-GDA0003109848170000171
所述历史类间相似性矩阵的表达式具体为：
Figure RE-GDA0003109848170000172
其中，
Figure RE-GDA0003109848170000173
和
Figure RE-GDA0003109848170000174
分别为所述历史类内相似性矩阵和所述历史类间相似性矩阵；
Figure RE-GDA0003109848170000175
为所述历史类内相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类内相似性，取决于第i1个历史图数据节点对应的类内节点关系矩阵；
Figure RE-GDA0003109848170000176
为所述历史类间相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类间相似性，取决于第i1个历史图数据节点对应的类间节点关系矩阵；nh为历史样本数据总数；
将所述实时样本矩阵作为实时数据图，将所述实时样本矩阵中所有实时样本数据均作为所述实时数据图的实时图数据节点，得到实时数据图的实时类内相似性矩阵和类间相似性矩阵；
根据所述历史类内相似性矩阵、所述历史类间相似性矩阵、所述实时类内相似性矩阵和实时类内相似性矩阵，计算得到所述目标相似性矩阵；
计算所述目标相似性矩阵的具体公式为：
Figure RE-GDA0003109848170000181
其中，α和β均为权重参数，M为所述目标相似性矩阵，
Figure RE-GDA0003109848170000182
和
Figure RE-GDA0003109848170000183
分别为所述实时类内相似性矩阵和所述实时类间相似性矩阵，Xh和Xc分别为所述历史样本矩阵和所述实时样本矩阵，
Figure RE-GDA0003109848170000184
和
Figure RE-GDA0003109848170000185
分别为所述历史样本矩阵的转置矩阵和所述实时样本矩阵的转置矩阵。
优选地，所述预测模块具体用于：
获取所述目标相似性矩阵每行的最大相似性值；
根据每个最大相似性值所在的列，分别在所述历史监测数据集对应的所述历史样本矩阵的每行中搜索对应的风险类别标签，并将搜索到的所有风险类别标签确定为所述待监测区域的所述目标内涝风险标签集。
本实施例中的未尽细节，详见实施例一以及图1的具体描述内容，此处不再赘述。
实施例三、基于实施例一和实施例二，本实施例还公开了一种基于移动互联网的城市内涝监测预警系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现所述 S1至S5的具体步骤。
通过存储在存储器上的计算机程序，并运行在处理器上，能基于移动互联网来较好地借鉴历史数据，成功地进行知识迁移，避免复杂的数据标记工作，能准确得到历史监测数据集与实时监测数据集之间的相似性特征，直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险，最终得到更接近真实的目标内涝风险标签集，进而进行准确有效的预警判断，将内涝预警转换为分类问题，无需综合所有的条件因素，内涝预测准确率高。
本实施例还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现所述S1至S5的具体步骤。
通过执行包含至少一个指令的计算机存储介质，能基于移动互联网来较好地借鉴历史数据，成功地进行知识迁移，避免复杂的数据标记工作，能准确得到历史监测数据集与实时监测数据集之间的相似性特征，直接根据历史数据与实时数据之间的相似性来评价、分析和预测当前或未来城市内涝的发展趋势和风险，最终得到更接近真实的目标内涝风险标签集，进而进行准确有效的预警判断，将内涝预警转换为分类问题，无需综合所有的条件因素，内涝预测准确率高。
本实施例中的未尽细节，详见实施例一以及图1的具体描述内容，此处不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于移动互联网的城市内涝监测预警方法，其特征在于，包括以下步骤：
步骤1：构建待监测区域的移动互联网动态监测模型，利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集；
步骤2：根据所述历史监测数据集对所述实时监测数据集进行迁移学习，得到所述待监测区域的内涝风险伪标签集；
步骤3：基于图嵌入学习方法，根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；
步骤4：根据所述目标相似性矩阵和所述历史监测数据集，得到所述待监测区域的目标内涝风险标签集；
步骤5：根据预设的预警模型和所述目标内涝风险标签集进行预警判断，完成预警。
2.根据权利要求1所述的基于移动互联网的城市内涝监测预警方法，其特征在于，在所述步骤1中，构建所述移动互联网动态监测模型具体包括以下步骤：
步骤11：获取所述待监测区域的地形基础数据；其中，所述地形基础数据包括地质环境数据和地貌形态数据；
步骤12：根据所述地形基础数据将所述待检测区域划分为多个子网格区域，并基于移动互联网，分别为每个子网格区域配置数据互联的光纤传感器监测网络；
步骤13：根据所有光纤传感器监测网络，得到所述移动互联网动态监测模型。
3.根据权利要求2所述的基于移动互联网的城市内涝监测预警方法，其特征在于，所述历史监测数据集包括每个子网格区域对应的光纤传感器监测网络监测对应的子网络区域在历史监测周期内的历史监测数据子集，所述实时监测数据集包括每个子网络区域对应的光纤传感器网络监测对应的子网络区域在当前监测周期内的实时监测数据子集；
所述步骤2具体包括以下步骤：
步骤21：分别对每个历史监测数据子集进行预处理，并将所有预处理后的历史监测数据子集作为历史样本集；分别对每个实时监测数据子集进行预处理，并将所有预处理后的实时监测数据子集作为实时样本集；
步骤22：将监测周期分为多个时间段，根据所有时间段和所述历史样本集构建历史样本矩阵，根据所有时间段和所述实时样本集构建实时样本矩阵；其中，所述历史样本矩阵的所有行和所述实时样本矩阵的所有行均与所有子网格区域一一对应，所述历史样本矩阵的所有列和所述实时样本矩阵的所有列均与所有时间段一一对应；
步骤23：根据所述历史样本矩阵计算所述实时样本矩阵中每个实时样本数据的注释概率和样本距离；
步骤24：根据所有注释概率和所有样本距离，计算得到损失函数；
计算所述损失函数的具体公式为：
Figure FDA0003045291390000021
其中，S为所述损失函数，Daj为所述历史样本矩阵中在第a类风险类别标签下的样本中心与第j个实时样本数据之间的距离，Naj为第j个实时样本数据属于所述历史样本矩阵中第a类风险类别标签的注释概率，A为所述历史样本矩阵和所述实时样本矩阵的风险类别标签总数，nc为实时样本数据总数；
步骤25：采用Easy TL学习方法，根据所述损失函数得到迁移学习模型；
所述迁移学习模型的具体公式为：
Figure FDA0003045291390000031
Figure FDA0003045291390000032
其中，s.t.表示所述迁移学习模型中的约束条件；
步骤26：对所述迁移学习模型进行求解，得到所述待监测区域的内涝风险伪标签集；
所述内涝风险伪标签集中第j个实时样本数据所属的风险类别伪标签具体为：
Figure FDA0003045291390000033
其中，yj为第j个实时样本数据所属的风险类别伪标签，Naj为第j个实时样本数据属于所述历史样本集中第r类类别标签的注释概率；
Figure FDA0003045291390000034
为取最大值的自变量函数，代表使得
Figure FDA0003045291390000035
的值最大所对应的类别标签r。
4.根据权利要求2所述的基于移动互联网的城市内涝监测预警方法，其特征在于，所述步骤3具体包括以下步骤：
步骤31：基于所述图嵌入学习方法，将所述历史样本矩阵作为历史数据图，将所述历史样本矩阵中所有历史样本数据均作为所述历史数据图的历史图数据节点；在所述历史数据图中选取任一个历史图数据节点，根据预设的连接关系判定方法，得到选取的历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵；
步骤32：遍历所述历史数据图中的每个历史图数据节点，按照所述步骤31的方法，得到每个历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵；
步骤33：根据所有类内节点关系矩阵得到所述历史数据图的历史类内相似性矩阵，根据所有类间节点关系矩阵得到所述历史数据图的历史类间相似性矩阵；
所述历史类内相似性矩阵的表达式具体为：
Figure FDA0003045291390000041
所述历史类间相似性矩阵的表达式具体为：
Figure FDA0003045291390000042
其中，
Figure FDA0003045291390000043
和
Figure FDA0003045291390000044
分别为所述历史类内相似性矩阵和所述历史类间相似性矩阵；
Figure FDA0003045291390000045
为所述历史类内相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类内相似性，取决于第i1个历史图数据节点对应的类内节点关系矩阵；
Figure FDA0003045291390000046
为所述历史类间相似性矩阵中第i1个历史图数据节点与第i2个历史图数据节点之间的类间相似性，取决于第i1个历史图数据节点对应的类间节点关系矩阵；nh为历史样本数据总数；
步骤34：将所述实时样本矩阵作为实时数据图，将所述实时样本矩阵中所有实时样本数据均作为所述实时数据图的实时图数据节点，按照所述步骤31至所述步骤33同样的方法，得到实时数据图的实时类内相似性矩阵和类间相似性矩阵；
步骤35：根据所述历史类内相似性矩阵、所述历史类间相似性矩阵、所述实时类内相似性矩阵和实时类内相似性矩阵，计算得到所述目标相似性矩阵；
计算所述目标相似性矩阵的具体公式为：
Figure FDA0003045291390000051
其中，α和β均为权重参数，M为所述目标相似性矩阵，
Figure FDA0003045291390000052
和
Figure FDA0003045291390000053
分别为所述实时类内相似性矩阵和所述实时类间相似性矩阵，Xh和Xc分别为所述历史样本矩阵和所述实时样本矩阵，
Figure FDA0003045291390000054
和
Figure FDA0003045291390000055
分别为所述历史样本矩阵的转置矩阵和所述实时样本矩阵的转置矩阵。
5.根据权利要求4所述的基于移动互联网的城市内涝监测预警方法，其特征在于，在所述步骤31中，选取第i1个历史图数据节点，根据预设的连接关系判定方法，得到第i1个历史图数据节点对应的类内节点关系矩阵和类间节点关系矩阵，具体包括以下步骤：
按照所述连接关系判定方法，得到第i1个历史图数据节点与自身之间的类内节点连接关系和类间节点连接关系，以及第i1个历史图数据节点分别与其他历史图数据节点之间的类内节点连接关系和类间节点连接关系；
根据第i1个历史图数据节点的所有类内节点连接关系，构建第i1个历史图数据节点对应的类内节点关系矩阵；
根据第i1个历史图数据节点的所有类间节点连接关系，构建第i1个历史图数据节点对应的类间节点关系矩阵；
其中，所述连接关系判定方法具体为：
若所述历史数据图中第i2个历史图数据节点所属的风险类别标签与第i1个历史图数据节点所属的风险类别标签相同，则第i1个历史图数据节点与第i2个历史图数据节点之间的类内节点连接关系为类内相接，且第i1个历史图数据节点与第i2个历史图数据节点之间的类间节点连接关系为类间不相接；其中，i1与i2相等或不相等；
若所述历史数据图中第i2个历史图数据节点所属的风险类别标签与第i1个历史图数据节点所属的风险类别标签不相同，则第i1个历史图数据节点与第i2个历史图数据节点之间的类内节点连接关系为类内不相接；并判断第i2个历史图数据节点是否存在于第i1个历史图数据节点对应的邻近节点集中，若是，则第i1个历史图数据节点与第i2个历史图数据节点之间的类间节点连接关系为类间相接，否则第i1个历史图数据节点与第i2个历史图数据节点之间的类间节点连接关系为类间不相接；其中，第i1个历史图数据节点对应的邻近节点集具体为按照预设节点距离和预设邻近节点数量，与第i1个历史图数据节点邻近且所属风险类别标签互不相同的多个历史图数据节点构成的邻近节点集。
6.根据权利要求3所述的基于移动互联网的城市内涝监测预警方法，其特征在于，所述步骤4具体包括以下步骤：
步骤41：获取所述目标相似性矩阵每行的最大相似性值；
步骤42：根据每个最大相似性值所在的列，分别在所述历史监测数据集对应的所述历史样本矩阵的每行中搜索对应的风险类别标签，并将搜索到的所有风险类别标签确定为所述待监测区域的所述目标内涝风险标签集。
7.一种基于移动互联网的城市内涝监测预警系统，其特征在于，应用于权利要求1至6任一项所述的基于移动互联网的城市内涝监测预警方法中，包括数据获取模块、迁移学习模块、相似性学习模块、预测模块和判断模块；
所述数据获取模块，用于构建待监测区域的移动互联网动态监测模型，利用所述移动互联网动态监测模型分别获取所述待监测区域的历史监测数据集和实时监测数据集；
所述迁移学习模块，用于根据所述历史监测数据集对所述实时监测数据集进行迁移学习，得到所述待监测区域的内涝风险伪标签集；
所述相似性学习模块，用于基于图嵌入学习方法，根据所述历史监测数据集、所述实时监测数据集和所述内涝风险伪标签进行相似性特征学习，得到目标相似性矩阵；
所述预测模块，用于根据所述目标相似性矩阵和所述历史监测数据集，得到所述待监测区域的目标内涝风险标签集；
所述判断模块，用于根据预设的预警模型和所述目标内涝风险标签集进行预警判断，完成预警。
8.根据权利要求7所述的基于移动互联网的城市内涝监测预警系统，其特征在于，所述数据获取模块具体用于：
获取所述待监测区域的地形基础数据；其中，所述地形基础数据包括地质环境数据和地貌形态数据；
根据所述地形基础数据将所述待检测区域划分为多个子网格区域，并基于移动互联网，分别为每个子网格区域配置数据互联的光纤传感器监测网络；
根据所有光纤传感器监测网络，得到所述移动互联网动态监测模型。
9.一种基于移动互联网的城市内涝监测预警系统，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1至6任一项权利要求所述的方法步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1至6任一项所述的方法步骤。
CN202110470806.7A 2021-04-29 2021-04-29 基于移动互联网的城市内涝监测预警方法、系统及介质 Active CN113269352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110470806.7A CN113269352B (zh) 2021-04-29 2021-04-29 基于移动互联网的城市内涝监测预警方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110470806.7A CN113269352B (zh) 2021-04-29 2021-04-29 基于移动互联网的城市内涝监测预警方法、系统及介质

Publications (2)

Publication Number Publication Date
CN113269352A true CN113269352A (zh) 2021-08-17
CN113269352B CN113269352B (zh) 2023-09-22

Family

ID=77229678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110470806.7A Active CN113269352B (zh) 2021-04-29 2021-04-29 基于移动互联网的城市内涝监测预警方法、系统及介质

Country Status (1)

Country Link
CN (1) CN113269352B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511149A (zh) * 2022-02-16 2022-05-17 长沙祥云瑞风信息技术有限公司 一种分层分布式气象预测平台、方法、介质及设备
CN115774953A (zh) * 2022-11-09 2023-03-10 安徽新宇环保科技股份有限公司 一种基于数据处理的污染时空风险监管评估系统及方法
CN117726308A (zh) * 2024-02-18 2024-03-19 中铁水利信息科技有限公司 基于物联网和5g的智慧水利管理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794489A (zh) * 2015-04-23 2015-07-22 苏州大学 一种基于深度标签预测的诱导式图像分类方法及系统
US20150325102A1 (en) * 2014-05-09 2015-11-12 Xerox Corporation Methods and systems for processing crowd-sensed data
CN107025303A (zh) * 2017-04-26 2017-08-08 浙江大学 一种基于迁移学习的城市内涝分析方法
US20190251398A1 (en) * 2018-02-13 2019-08-15 Slingshot Aerospace, Inc. Conditional loss function modification in a neural network
CN111008259A (zh) * 2019-12-06 2020-04-14 中国水利水电科学研究院 一种流域降雨相似性搜索方法
CN112348081A (zh) * 2020-11-05 2021-02-09 平安科技（深圳）有限公司 用于图像分类的迁移学习方法、相关装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150325102A1 (en) * 2014-05-09 2015-11-12 Xerox Corporation Methods and systems for processing crowd-sensed data
CN104794489A (zh) * 2015-04-23 2015-07-22 苏州大学 一种基于深度标签预测的诱导式图像分类方法及系统
CN107025303A (zh) * 2017-04-26 2017-08-08 浙江大学 一种基于迁移学习的城市内涝分析方法
US20190251398A1 (en) * 2018-02-13 2019-08-15 Slingshot Aerospace, Inc. Conditional loss function modification in a neural network
CN111008259A (zh) * 2019-12-06 2020-04-14 中国水利水电科学研究院 一种流域降雨相似性搜索方法
CN112348081A (zh) * 2020-11-05 2021-02-09 平安科技（深圳）有限公司 用于图像分类的迁移学习方法、相关装置及存储介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
CHANG, DL ET AL: "Artificial Intelligence Methodologies Applied to Prompt Pluvial Flood Estimation and Prediction", 《WATER》, vol. 12, no. 12, pages 1 - 23 *
GUO, L ET AL: "Laplacian regularized low-rank sparse representation transfer learning", 《INTERNATIONAL JOURNAL OF MACHINE LEARNING AND CYBERNETICS》, vol. 12, no. 3, pages 807 - 821, XP037375255, DOI: 10.1007/s13042-020-01203-6 *
WEIXIN_39999209: "大规模图嵌入 示例_【paper-reading】图相似度学习", pages 1 - 5, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_39999209/article/details/112664042> *
ZERO-ONE-0101: "机器学习中的距离和损失函数", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/wangzi11111111/article/details/88991656?ops_request_misc=&request_id=2a7ce0acf7f9409db64eb7fa1f5e0be2&biz_id=&utm_medium=distribute.pc_search_result.none-task-blog-2~all~koosearch~default-4-88991656-null-null.142^v92^koosearch_v1&utm_term=损失函数%20概率%20距离%20迁移学习&spm=1018.2226.3001.4187> *
和泽;郭辉;: "基于数据分布自适应的迁移学习算法比较研究", 软件导刊, no. 08, pages 86 - 89 *
曾鹏: "机器学习技术在城市洪涝快速预报中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 4, pages 038 - 863 *
白雅雯: "基于图结构的多源迁移学习方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 1, pages 002 - 319 *
皇德华叫兽: "基于迁移学习的城市预测", pages 1 - 2, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/130483360?utm_id=0> *
袁晨晖: "深度卷积神经网络的迁移学习方法研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, pages 140 - 374 *
陈华烨;汪海涛;姜瑛;陈星;: "基于多注释器标注下的标签排序学习方法", 计算机应用与软件, no. 02, pages 213 - 218 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511149A (zh) * 2022-02-16 2022-05-17 长沙祥云瑞风信息技术有限公司 一种分层分布式气象预测平台、方法、介质及设备
CN115774953A (zh) * 2022-11-09 2023-03-10 安徽新宇环保科技股份有限公司 一种基于数据处理的污染时空风险监管评估系统及方法
CN115774953B (zh) * 2022-11-09 2024-04-26 安徽新宇环保科技股份有限公司 一种基于数据处理的污染时空风险监管评估系统及方法
CN117726308A (zh) * 2024-02-18 2024-03-19 中铁水利信息科技有限公司 基于物联网和5g的智慧水利管理系统及方法

Also Published As

Publication number Publication date
CN113269352B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN113269352B (zh) 基于移动互联网的城市内涝监测预警方法、系统及介质
CN104050817B (zh) 限速信息库生成、限速信息检测的方法和系统
Yang et al. An integrative hierarchical stepwise sampling strategy for spatial sampling and its application in digital soil mapping
Pham et al. Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam
CN109783979B (zh) 一种城市供水管网半监督条件下泄漏监测传感器布局优化方法
CN102184423B (zh) 一种全自动的区域不透水面遥感信息精确提取方法
CN112508332B (zh) 一种顾及多维特征的渐进式乡村聚落整治分区方法
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
Zhang et al. Impacts of land use at multiple buffer scales on seasonal water quality in a reticular river network area
Zhu et al. Loess terrain segmentation from digital elevation models based on the region growth method
Guo et al. Monitoring and simulation of dynamic spatiotemporal land use/cover changes
CN114997546A (zh) 基于多源数据的监测井综合调查评价方法、系统及介质
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
Shiode et al. Detection of multi‐scale clusters in network space
CN117688844A (zh) 一种基于深度神经网络的城市内涝实时模拟方法及系统
Zahraie et al. SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods
Zakaria et al. Determination of the best single imputation algorithm for missing rainfall data treatment
Manna et al. Modeling and predicting spatio-temporal land use land cover changes and urban sprawling in Kalaburagi City Corporation, Karnataka, India: a geospatial analysis
Zumwald et al. Assessing the representational accuracy of data-driven models: The case of the effect of urban green infrastructure on temperature
CN103473476B (zh) 基于区域内数座测风塔测风数据的风能资源推算方法
Xie et al. Improving the forecast precision of river stage spatial and temporal distribution using drain pipeline knowledge coupled with BP artificial neural networks: a case study of Panlong River, Kunming, China
Jin et al. Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths
Li et al. Spatial Data Science
Dlamini Bioclimatic modeling of southern African bioregions and biomes using Bayesian networks
Sureshkumar et al. An efficient underground water prediction using optimal deep neural network

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