CN113780668A - 一种基于历史数据的城市积水内涝预测方法及系统 - Google Patents
一种基于历史数据的城市积水内涝预测方法及系统 Download PDFInfo
- Publication number
- CN113780668A CN113780668A CN202111081933.4A CN202111081933A CN113780668A CN 113780668 A CN113780668 A CN 113780668A CN 202111081933 A CN202111081933 A CN 202111081933A CN 113780668 A CN113780668 A CN 113780668A
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- historical
- ponding
- similarity
- 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
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
-
- 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
Abstract
本发明公开了一种基于历史数据的城市积水内涝预测方法及系统,包括:获取降雨预报数据,并提取降雨预报数据的特征;通过相似度判断,从历史降雨数据库中匹配满足设定相似度要求的历史降雨,作为目标降雨;如果匹配成功,则将目标降雨对应的积水数据作为积水预测数据进行输出;如果匹配不成功,按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。本发明历史数据的使用避免了高要求数据难以获取造成的实际应用困难等问题,相似与回归相结合则使得实际应用效果更优。
Description
技术领域
本发明涉及城市积水内涝预测技术领域,尤其涉及一种基于历史数据的城市积水内涝预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在城市防汛工作中,如果能够做到基于降雨预报信息预测城市积水内涝信息,则能够给城市防汛工作带来巨大的帮助。尤其是在气象预报越来越精准的情况下,基于气象预报对积水内涝做出预测,则可以使预报发挥更大的价值。
目前,对于城市积水内涝的雨前预测的方法主要有两种:
一种是通过将待预测区域管网和地表高程等数据进行处理,建立排水模型(如SWMM),基于水力学原理模拟计算的方式来实现,但该方式对待预测区域管网数据的完整性以及地表高程数据的精度等方面要求很高,一方面这类数据比较难以获取,另一方面,精度较高的高程数据又有保密性要求,因此,通过水力计算的方式预测降雨造成的积水在实际应用上会有比较大的障碍;
另一种是利用历史降雨和积水数据进行回归、如训练神经网络模型,再将降雨预报输入神经网络模型来预测积水。该种方法解决了数据难以获取等问题,但盲目使用历史数据训练的模型在实际应用时得到的误差往往较大,可适用性不大。
发明内容
为了解决上述问题,本发明提出了一种基于历史数据的城市积水内涝预测方法及系统,首先寻找与预报数据相同或相似的历史数据(降雨数据和积水点数据)以利用,并基于相似历史数据训练模型,能够基于历史数据来实现对未来降雨下的积水预测。
为了实现上述目的,在一些实施方式中,采用如下技术方案:
一种基于历史数据的城市积水内涝预测方法,包括:
获取降雨预报数据,并提取降雨预报数据的特征;
通过相似度判断,从历史降雨数据库中匹配满足设定相似度要求的历史降雨,作为目标降雨;所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
如果匹配成功,则将目标降雨对应的积水数据作为积水预测数据进行输出;
如果匹配不成功,按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。
进一步地,所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
所述历史降雨数据包括历史上各个时刻的降雨强度值;
所述积水点数据包括积水编号、积水点的位置、每一次积水的发生时间和积水的最大深度;
对于每一个积水点,根据积水点的位置和积水发生的时间,匹配与积水点相关联的降雨数据。
进一步地,对于每一个积水点,根据积水点的位置和积水发生的时间,匹配与积水点相关联的降雨数据,具体包括:
将雷达降雨数据在空间上划分为若干单元格,定位积水点所在单元格,将积水点所在单元格的雷达降雨数据作为目标数据;
选取积水发生时刻往前推至降雨开始时的数据作为起始数据,降雨结束时的数据作为结束数据。
进一步地,所述提取降雨预报数据的特征,具体包括:降雨量、降雨时长、峰值强度和雨峰系数。
进一步地,通过相似度判断,从历史降雨数据库中匹配相似的历史降雨,具体包括:
考虑积水点的修复因子,基于降雨量、降雨时长、峰值强度和雨峰系数,计算降雨预报数据与历史降雨数据库中每一个历史降雨数据的相似度;
选取相似度最高且大于设定阈值的历史降雨数据,作为目标降雨。
进一步地,所述相似度计算具体为:
其中,frep为积水点的修复因子,H1、H2分别为两次降雨数据的降雨量,T1、T2分别为两次降雨数据的降雨时长,P1、P2分别为两次降雨数据的峰值强度,r1、r2分别为两次降雨数据的雨峰系数。
进一步地,所述神经网络预测模型的训练的过程具体为:
基于降雨预报数据,对每一个积水点,构建一个神经网络预测模型;
选取相似度大于设定阈值的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;
利用所述训练数据集对神经网络预测模型进行训练,得到训练好的神经网络预测模型。
在另一些实施方式中,采用如下技术方案:
一种基于历史数据的城市积水内涝预测系统,包括:
数据获取模块,用于获取降雨预报数据,并提取降雨预报数据的特征;
历史数据匹配模块,用于通过相似度判断,从历史降雨数据库中匹配满足设定相似度要求的历史降雨,作为目标降雨;所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
积水预测模块,用于在匹配成功时,将目标降雨对应的积水数据作为积水预测数据进行输出;在匹配不成功时,按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于历史数据的城市积水内涝预测方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于历史数据的城市积水内涝预测方法。
与现有技术相比,本发明的有益效果是:
(1)本发明基于历史降雨数据和积水点数据,结合相似度计算和神经网络预测,当对应的积水点有降雨预报数据到来时,尽可能高效地利用该积水点的历史数据,从历史数据中挖掘,从而预测该降雨数据产生的积水数据。历史数据的使用避免了高要求数据难以获取造成的实际应用困难等问题,相似与回归相结合则使得实际应用效果更优。
本发明基于大量的总结,所设计的神经网络结构简单易于实现,预测效果较好,且无需使用大量数据进行训练,易用性较高。
(2)本发明在相似度满足设定要求时,直接基于历史数据进行积水数据预测;而在相似度不满足设定要求时,结合神经网络进行积水数据预测;在简化计算过程的同时,能够保证数据预测的准确度。
(3)本发明对相似度的判断进行了量化,相似度的值域为0-1之间,有助于阈值的总结和设置,同时,相似度计算考虑修补因子,即考虑对积水点改造的影响,更加贴合实际。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1(a)-(b)分别是本发明实施例中积水数据与降雨数据相关联的示意图;
图2是本发明实施例中基于历史数据的城市积水内涝预测方法流程图;
图3是本发明实施例中神经网络模型示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于历史数据的城市积水内涝预测方法,参照图2,具体包括以下步骤:
(1)构建降雨历史数据库;
数据准备工作是收集并存储历史数据的过程,历史数据分为两类,一类为历史的积水数据,另一类为历史降雨数据,降雨数据使用现阶段应用较为普遍的雷达降雨数据,历史数据存储了历史的雷达降雨数据,记录了历史上各个时刻的降雨强度值;积水数据包括积水编号、积水点的位置和每一次积水的发生时间和积水的最大深度等。
对于每一个积水点,根据积水点的位置和积水发生的时间,找到与积水相关联的降雨数据。
在空间上,结合图1(a)-(b),首先将雷达降雨数据在空间上划分为1km*1km的单元格,然后定位积水点所在单元格,将该目标单元格的雷达降雨数据作为目标数据,当积水点跨越多个单元格边界时,目标数据可以使用这些单元格的平均值;在时间上,选取积水发生时刻往前推至降雨开始时的数据作为起始数据、降雨结束时的数据作为结束数据。对于一个积水点,记录下该积水点处的所有降雨数据。
对于积水数据,其属性包括了相对于降雨开始的积水开始时间、积水时长、最大积水深度以及相对于降雨开始的最大积水发生时间;
对于降雨数据,选取其影响积水的特性,包括:降雨量(mm)、降雨时长(min)、峰值强度(mm/h)和雨峰系数(指峰值所在降雨区间的位置,取值范围为(0,1))。
通过上述数据处理,对于每个积水点,均有一组数据与其对应,比如表1和表2给出的积水点历史数据。
表1 积水点01历史数据
序号 | 发生时间 | 积水深度(cm) | … | 降雨量(mm) | … |
001 | 201907061524 | 31 | 78 | ||
002 | 201908111031 | 18 | 57 | ||
… | … | … | … | … |
表2 积水点02历史数据
序号 | 发生时间 | 积水深度(cm) | … | 降雨量(mm) | … |
001 | 201907061521 | 21 | 78 | ||
002 | 201908111025 | 13 | 57 | ||
… | … | … | … | … |
(2)获取降雨预报数据,并提取降雨预报数据的特征;
本实施例中,降雨预报数据通过气象部门的雷达降雨预报数据来获取。气象部门基于当前到过去一段时间内(比如2个小时)的雷达数据,推测未来一段时间内(比如1个小时)的雷达数据(称之为雷达外推数据)。
对降雨预报数据,提取的特征包括:降雨量、降雨时长、峰值强度以及雨峰系数。
对于一次降雨预报,如果存在一场历史降雨与预报降雨的过程相同或相近,则预测积水可以使用与预报降雨相同或相近降雨发生时对应的积水。
(3)通过相似度判断,从历史降雨数据库中匹配满足设定相似度要求的历史降雨,作为目标降雨;
其中,满足设定相似度要求的历史降雨具体为:相似度最高且相似度大于设定阈值的历史降雨数据。
本实施例中,降雨相似度使用如下方法求得:
对于使用特征值表示的降雨rain1和rain2,定义相似度如下:
其中:R为相似度,frep为修复因子,H为降雨量,T为降雨时长,P为峰值强度,r为雨峰系数,R∈[0,1],R越接近1,则认为降雨越相似。
说明:frep代表了积水点被改造或者修复的影响因子,由于积水点的改造和修整,使得原有历史数据的参考价值有所降低,因此,历史降雨至今的每一次修整都应该累积一次乘积,作为修正因子,即:
其中,Ri为第i次修补的乘子,Ri的取值参考表3:
表3
处理类型 | 小修 | 中修 | 大修 |
乘子 | 0.9 | 0.7 | 0.5 |
采用上述方法计算降雨预报数据与历史降雨数据库中每一个历史降雨数据的相似度;
给定设定的阈值,从历史数据库中搜寻与降雨预报数据特征相似度大于设定阈值的降雨。
如果大于设定阈值的历史降雨数据有多条,则选取相似度最高的作为最相似的;如果相似度相同,则以日期最近的降雨为最相似。
(3)如果匹配成功,则将目标降雨对应的积水数据作为积水预测数据进行输出;
(4)如果匹配不成功,即没有匹配到相似度大于设定阈值的历史降雨数据,则按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。
本实施例中,按照相似度从大到小进行对历史降雨数据进行排序,选取相似度排名靠前的设定数量(比如16条)的历史降雨数据作为训练数据集,用于神经网络模型的训练。
训练数据集以相似度为第一序,日期为第二序的原则选择(即相同相似度时选最新数据)。
对于每一次降水预报数据,对每一个积水点,为其构建一次神经网络。
降雨数据考虑影响到积水的降雨量、降雨时长、峰值降雨强度以及峰值系数,积水仅考虑积水(最大)深度,本发明采用人工神经网络的结构图3所示。
神经网络采用1个输入层,1个输出层,2个隐含层,每个隐含层包含6个节点;各层之间使用全连接。激活函数选择ReLU;损失函数采用均方差。
神经网络建立后,使用(-1,1)上的均匀分布对每个节点的权重和偏置进行随机初始化,再利用历史数据,降雨数据作为输入,对应的积水深度作为输出,利用反向传播算法,对该神经网络完成训练。所用历史数据不应小于16组,训练过程中梯度下降率设定为0.001,终止的收敛条件设置为0.0001。
将基于降雨预报数据获得的降雨特征数据作为输入,输入到神经网络当中计算输出,即为预测的积水深度值。
本实施例方法一方面使用历史数据和降雨预报数据实现了积水的预测能力,避免了以往方法中数据要求高且难以获取等问题。另一方面,结合了历史数据相似判断的方法,首先寻找与预报数据相同或相似的历史数据以利用,并基于相似历史数据训练模型。基于大量的总结,所设计的神经网络结构简单易于实现,预测效果较好,且无需使用大量数据进行训练,易用性较高。
实施例二
在一个或多个实施方式中,公开了一种基于历史数据的城市积水内涝预测系统,包括:
数据获取模块,用于获取降雨预报数据,并提取降雨预报数据的特征;
历史数据匹配模块,用于通过相似度判断,从历史降雨数据库中匹配相似的历史降雨,作为目标降雨;所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
积水预测模块,用于在匹配成功时,将目标降雨对应的积水数据作为积水预测数据进行输出;在匹配不成功时,按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了详细的说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于历史数据的城市积水内涝预测方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于历史数据的城市积水内涝预测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于历史数据的城市积水内涝预测方法,其特征在于,包括:
获取降雨预报数据,并提取降雨预报数据的特征;
通过相似度判断,从历史降雨数据库中匹配满足设定相似度要求的历史降雨,作为目标降雨;所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
如果匹配成功,则将目标降雨对应的积水数据作为积水预测数据进行输出;
如果匹配不成功,按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。
2.如权利要求1所述的一种基于历史数据的城市积水内涝预测方法,其特征在于,所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
所述历史降雨数据包括历史上各个时刻的降雨强度值;
所述积水点数据包括积水编号、积水点的位置、每一次积水的发生时间和积水的最大深度;
对于每一个积水点,根据积水点的位置和积水发生的时间,匹配与积水点相关联的降雨数据。
3.如权利要求2所述的一种基于历史数据的城市积水内涝预测方法,其特征在于,对于每一个积水点,根据积水点的位置和积水发生的时间,匹配与积水点相关联的降雨数据,具体包括:
将雷达降雨数据在空间上划分为若干单元格,定位积水点所在单元格,将积水点所在单元格的雷达降雨数据作为目标数据;
选取积水发生时刻往前推至降雨开始时的数据作为起始数据,降雨结束时的数据作为结束数据。
4.如权利要求1所述的一种基于历史数据的城市积水内涝预测方法,其特征在于,所述提取降雨预报数据的特征,具体包括:降雨量、降雨时长、峰值强度和雨峰系数。
5.如权利要求1所述的一种基于历史数据的城市积水内涝预测方法,其特征在于,通过相似度判断,从历史降雨数据库中匹配相似的历史降雨,具体包括:
考虑积水点的修复因子,基于降雨量、降雨时长、峰值强度和雨峰系数,计算降雨预报数据与历史降雨数据库中每一个历史降雨数据的相似度;
选取相似度最高且大于设定阈值的历史降雨数据,作为目标降雨。
7.如权利要求1所述的一种基于历史数据的城市积水内涝预测方法,其特征在于,所述神经网络预测模型的训练的过程具体为:
基于降雨预报数据,对每一个积水点,构建一个神经网络预测模型;
选取相似度大于设定阈值的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;
利用所述训练数据集对神经网络预测模型进行训练,得到训练好的神经网络预测模型。
8.一种基于历史数据的城市积水内涝预测系统,其特征在于,包括:
数据获取模块,用于获取降雨预报数据,并提取降雨预报数据的特征;
历史数据匹配模块,用于通过相似度判断,从历史降雨数据库中匹配满足设定相似度要求的历史降雨,作为目标降雨;所述历史降雨数据库存储有历史降雨数据及相对应的积水点数据;
积水预测模块,用于在匹配成功时,将目标降雨对应的积水数据作为积水预测数据进行输出;在匹配不成功时,按照相似度由大到小选取设定数量的历史降雨数据,及相对应的积水点数据,作为神经网络预测模型的训练数据集;将降雨预报数据输入至训练好的神经网络预测模型,输出积水预测数据。
9.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于历史数据的城市积水内涝预测方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于历史数据的城市积水内涝预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081933.4A CN113780668A (zh) | 2021-09-15 | 2021-09-15 | 一种基于历史数据的城市积水内涝预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081933.4A CN113780668A (zh) | 2021-09-15 | 2021-09-15 | 一种基于历史数据的城市积水内涝预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780668A true CN113780668A (zh) | 2021-12-10 |
Family
ID=78844092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081933.4A Pending CN113780668A (zh) | 2021-09-15 | 2021-09-15 | 一种基于历史数据的城市积水内涝预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780668A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091362A (zh) * | 2022-01-24 | 2022-02-25 | 江西飞尚科技有限公司 | 一种水位预测方法、系统、存储介质及设备 |
CN114881381A (zh) * | 2022-07-11 | 2022-08-09 | 南京信息工程大学 | 基于改进卷积神经网络的城市积水水位预测方法及系统 |
CN115014299A (zh) * | 2022-08-10 | 2022-09-06 | 山脉科技股份有限公司 | 基于物联网和大数据的洪峰预警方法 |
CN115471078A (zh) * | 2022-09-15 | 2022-12-13 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
CN115629431A (zh) * | 2022-12-22 | 2023-01-20 | 成都数之联科技股份有限公司 | 一种水汽含量预测方法、装置、设备及介质 |
CN116469013A (zh) * | 2023-06-20 | 2023-07-21 | 云途信息科技(杭州)有限公司 | 道路积水预测方法、装置、计算机设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
CN104898183A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
CN106021970A (zh) * | 2016-07-27 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 通过降雨预报预测城市积水的方法及系统 |
CN106709608A (zh) * | 2017-01-09 | 2017-05-24 | 泰华智慧产业集团股份有限公司 | 预测积水对城市内区域影响程度的方法及系统 |
CN107071053A (zh) * | 2017-05-18 | 2017-08-18 | 河海大学常州校区 | 一种基于wsan的道路积水监控系统 |
CN109978235A (zh) * | 2019-03-04 | 2019-07-05 | 宁波市气象服务中心 | 一种基于样本学习的积涝水位预测方法 |
CN110160550A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种基于道路积水预测的城市路线引导方法 |
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 |
CN111257970A (zh) * | 2018-11-30 | 2020-06-09 | 中国电力科学研究院有限公司 | 一种基于集合预报的降水预报订正方法及系统 |
CN111368397A (zh) * | 2020-02-04 | 2020-07-03 | 中国水利水电科学研究院 | 内涝风险的预测方法及装置 |
CN113126182A (zh) * | 2019-12-31 | 2021-07-16 | 北京四维智联科技有限公司 | 一种积雪深度预测方法及系统 |
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 |
-
2021
- 2021-09-15 CN CN202111081933.4A patent/CN113780668A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819677A (zh) * | 2012-07-30 | 2012-12-12 | 河海大学 | 基于单场降雨类型的降雨站点相似性评价方法 |
CN104898183A (zh) * | 2015-05-29 | 2015-09-09 | 杭州辰青和业科技有限公司 | 暴雨城市内涝建模评估方法 |
CN106021970A (zh) * | 2016-07-27 | 2016-10-12 | 泰华智慧产业集团股份有限公司 | 通过降雨预报预测城市积水的方法及系统 |
CN106709608A (zh) * | 2017-01-09 | 2017-05-24 | 泰华智慧产业集团股份有限公司 | 预测积水对城市内区域影响程度的方法及系统 |
CN107071053A (zh) * | 2017-05-18 | 2017-08-18 | 河海大学常州校区 | 一种基于wsan的道路积水监控系统 |
CN111257970A (zh) * | 2018-11-30 | 2020-06-09 | 中国电力科学研究院有限公司 | 一种基于集合预报的降水预报订正方法及系统 |
CN109978235A (zh) * | 2019-03-04 | 2019-07-05 | 宁波市气象服务中心 | 一种基于样本学习的积涝水位预测方法 |
CN110160550A (zh) * | 2019-04-29 | 2019-08-23 | 东南大学 | 一种基于道路积水预测的城市路线引导方法 |
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 |
CN113126182A (zh) * | 2019-12-31 | 2021-07-16 | 北京四维智联科技有限公司 | 一种积雪深度预测方法及系统 |
CN111368397A (zh) * | 2020-02-04 | 2020-07-03 | 中国水利水电科学研究院 | 内涝风险的预测方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
曾照洋;王兆礼;吴旭树;赖成光;陈晓宏;: "基于SWMM和LISFLOOD模型的暴雨内涝模拟研究", 水力发电学报, vol. 1, no. 05, pages 133 - 134 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091362A (zh) * | 2022-01-24 | 2022-02-25 | 江西飞尚科技有限公司 | 一种水位预测方法、系统、存储介质及设备 |
CN114881381A (zh) * | 2022-07-11 | 2022-08-09 | 南京信息工程大学 | 基于改进卷积神经网络的城市积水水位预测方法及系统 |
CN115014299A (zh) * | 2022-08-10 | 2022-09-06 | 山脉科技股份有限公司 | 基于物联网和大数据的洪峰预警方法 |
CN115471078A (zh) * | 2022-09-15 | 2022-12-13 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
CN115471078B (zh) * | 2022-09-15 | 2024-02-02 | 镇江市勘察测绘研究院有限公司 | 一种基于城市水务系统的洪涝风险点评估方法及装置 |
CN115629431A (zh) * | 2022-12-22 | 2023-01-20 | 成都数之联科技股份有限公司 | 一种水汽含量预测方法、装置、设备及介质 |
CN116469013A (zh) * | 2023-06-20 | 2023-07-21 | 云途信息科技(杭州)有限公司 | 道路积水预测方法、装置、计算机设备及存储介质 |
CN116469013B (zh) * | 2023-06-20 | 2023-09-08 | 云途信息科技(杭州)有限公司 | 道路积水预测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780668A (zh) | 一种基于历史数据的城市积水内涝预测方法及系统 | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN115586557B (zh) | 一种基于路网数据的车辆行驶轨迹纠偏方法及装置 | |
CN105225000A (zh) | 一种基于模糊序优化的风功率概率模型非参数核密度估计方法 | |
CN112329262A (zh) | 一种居住建筑燃气碳排放量预测方法 | |
Makhuvha et al. | Patching rainfall data using regression methods.: 1. Best subset selection, EM and pseudo-EM methods: theory | |
Chiu et al. | Missing Rainfall Data Estimation Using Artificial Neural Network and Nearest Neighbor Imputation. | |
CN106844290A (zh) | 一种基于曲线拟合的时序数据处理方法 | |
CN111598457A (zh) | 一种电力无线网络质量的确定方法及装置 | |
CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
WO2020034593A1 (zh) | 人群绩效特征预测中的缺失特征处理方法及装置 | |
CN102103714A (zh) | 实现业务数据预测的实时处理平台及预测方法 | |
CN115936264A (zh) | 单日工程量计算方法、阶段性工程量预测方法及预测装置 | |
CN110472092A (zh) | 一种街景图片的地理定位方法及系统 | |
Ridder | Asymptotic optimality of the cross-entropy method for Markov chain problems | |
CN112446550A (zh) | 一种短期建筑负荷概率密度预测方法 | |
CN113822455A (zh) | 一种时间预测方法、装置、服务器及存储介质 | |
CN111915327A (zh) | 一种基于事件特征的智能分发方法和装置 | |
CN116957414B (zh) | 基于人工智能的村庄规划分析方法及装置 | |
Du Plessis et al. | Estimation of total direct flood damage in the lower Orange River area with the aid of a flood simulation model- A GIS approach | |
CN117172997B (zh) | 一种防洪预警方法、装置、计算机设备及存储介质 | |
CN116706903B (zh) | 光伏发电量预测方法、装置、设备及介质 | |
CN110287377B (zh) | 在线社交网络的增量式组水平的话题流行度预测方法 |
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 |