CN114399235A - 一种基于雨情数据判定灾害风险等级的方法及系统 - Google Patents

一种基于雨情数据判定灾害风险等级的方法及系统 Download PDF

Info

Publication number
CN114399235A
CN114399235A CN202210297914.3A CN202210297914A CN114399235A CN 114399235 A CN114399235 A CN 114399235A CN 202210297914 A CN202210297914 A CN 202210297914A CN 114399235 A CN114399235 A CN 114399235A
Authority
CN
China
Prior art keywords
rainfall
site
disaster
risk level
data
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
CN202210297914.3A
Other languages
English (en)
Other versions
CN114399235B (zh
Inventor
夏述海
姚毅
霍宏旭
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.)
Beijing Huitu Technology Group Co ltd
Original Assignee
Beijing Huitu Technology Group 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 Beijing Huitu Technology Group Co ltd filed Critical Beijing Huitu Technology Group Co ltd
Priority to CN202210297914.3A priority Critical patent/CN114399235B/zh
Publication of CN114399235A publication Critical patent/CN114399235A/zh
Application granted granted Critical
Publication of CN114399235B publication Critical patent/CN114399235B/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
    • G06Q10/06—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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于雨情数据判定灾害风险等级的方法及系统，属于人工智能数据分析技术领域，解决了现有技术中不能有效对未来发生灾害风向等级以及趋势进行预测的问题。该方法包括：获取各站点的雨量数据，按时序序列构造各站点雨量堆积柱状图；将雨量堆积柱状图输入至对应的当前最优灾害风险等级预测模型，获取预测时刻对应的灾害预测风险等级信息以及对应的概率信息；获取预测时刻的实际风险等级信息；当预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过使用该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型训练，更新该站点当前最优灾害风险等级预测模型。

Description

一种基于雨情数据判定灾害风险等级的方法及系统
技术领域
本发明涉及人工智能数据分析技术领域，尤其涉及一种基于雨情数据判定灾害风险等级的方法及系统。
背景技术
近年来，随着全球气候变暖,气象环境也更加复杂多样，灾害性天气正呈现增多趋势，提高防灾减灾能力、减少灾害带来的损失、促进社会的安全可持续发展，成为了重中之重。加强人工智能对自然灾害的有效监测，围绕地震灾害、地质灾害、气象灾害、水旱灾害和海洋灾害等重大自然灾害，构建智能化监测预警与综合应对平台。根据趋势判断，智能化将是信息化的下一个制高点，人工智能化将引领水利信息化的建设和发展，人工智能在防汛领域智能值守、智能参谋、智能控制以及智能信息服务方面大有可为。
当前各级水利部门建设水利防灾减灾综合应用体系，构建覆盖“预警预防、应急响应、善后处置、保障措施”四个方面的水利防灾减灾业务应用，虽然在汛前全面掌握区域的水雨情信息、水文气象信息、工程设施信息、预报分析结果，但对未来的灾害发生的趋势无法掌握，通过常规人工经验的判断往往受到很多人为因素的影响，无法得到一个比较合理准确的判断。另外，工程实施时，对相关设备的部署环境要求较高，当环境恶劣时，部署设备易受影响，且升级成本高，可扩展性差。
因此，现有技术中缺少一种部署上不受环境的限制，扩展升级成本低的基于雨情数据判定灾害风险等级的方法及系统。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于雨情数据判定灾害风险等级的方法，用以解决现有不能有效利用已采集的雨量数据和/或预测的雨量数据对未来发生灾害风向等级以及趋势进行预测，且部署硬件环境要求高，升级成本高，可扩展性差的问题。
一方面，本发明实施例提供了一种基于雨情数据判定灾害风险等级的方法，包括：
获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量堆积柱状图；
将各站点的雨量堆积柱状图输入至各站点对应的当前最优灾害风险等级预测模型，获取各站点预测时刻对应的灾害预测风险等级信息以及对应的置信率；
获取所述预测时刻的各站点的实际风险等级信息，当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型进行优化训练，更新该站点当前最优灾害风险等级预测模型。
进一步地，所述获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量等级柱状图，包括：
获取各站点距预测时刻的最近1小时、3小时、6小时、12小时和24小时累计的雨量数据，各累计时间的雨量数据包括：已采集的雨量数据和/或预测的雨量数据；
按照各累计时间的雨量数据的时序顺序，构造各站点雨量堆积柱状图样本；
通过对应站点编号和时间命名各站点雨量堆积柱状图样本，并以文件方式缓存。
进一步地，通过以下方式进行实际风险等级信息的标注：
获取各站点预测时刻前1小时、3小时、6小时、12小时和24小时累计的雨量数据对应的各累计时间的各风险等级的阈值范围；其中，所述雨量数据为已采集的实际雨量数据；
通过各站点雨量等级柱状图中1小时、3小时、6小时、12小时和24小时累计的雨量数据与所述对应的各累计时间的各风险等级的阈值范围比较，确定各累计时间的风险等级；
以各站点雨量等级柱状图中各累计时间的最高风险等级为标准，对所述各站点雨量等级柱状图进行实际风险等级的标注。
进一步地，最优的灾害风险等级预测模型的获取，包括：
获取该站点的历史雨量样本数据，按该站点的历史雨量样本数据的各累计时间的雨量数据的时序序列，构造该站点历史雨量堆积柱状图，生成该站点历史雨量堆积柱状图样本库；
对所述该站点历史雨量等级柱状图样本进行实际风险等级信息标注，生成该站点历史雨量堆积柱状图标注样本库；
通过该站点实际风险等级标注的历史雨量堆积柱状图样本库，对该站点的灾害风险等级预测模型进行优化训练，得到最优灾害风险等级预测模型。
进一步地，所述当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型优化训练，更新该站点当前最优灾害风险等级预测模型，包括：
当所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，将所述标注了实际风险等级信息的雨量数据信息增加到该站点标注的历史雨量堆积柱状图标注样本库中，更新该站点历史雨量堆积柱状图标注样本库；
通过更新的该站点历史雨量堆积柱状图标注样本库，重新对灾害风险等级预测模型优化训练，生成该站点当前最优的灾害风险等级预测模型。
进一步地，所述灾害风险等级预测模型，包括：1个特征输入层、3个卷积层、3个池化层、1个全连接输出层和1个分类输出层；
所述灾害风险等级预测模型的优化训练过程，包括：
通过所述特征输入层输入该站点历史雨量堆积柱状图标注样本库中的样本数据，经过卷积层和池化层的卷积、池化处理，由全连接输出层输出，得到该站点历史雨量堆积柱状图标注样本库中样本数据的风险等级特征向量，输入至分类输出层，得到预测的灾害风险等级信息；
若得出的灾害风险等级信息与实际风险等级信息不符时，通过误差反向传播调整模型权重，直至误差稳定。
进一步地，对各站点对应的灾害风险等级预测模型优化训练的过程中，通过交叉熵损失函数计算模型训练过程误差，当所述误差达到稳定时所述各站点对应的灾害风险等级预测模型为各站点对应的最优灾害风险等级预测模型。
进一步地，在所述灾害风险等级预测模型优化训练过程中，动态调整学习率，通过反复迭代，优化所述灾害风险等级预测模型；
所述动态调整学习率，包括：设置学习率初始值L 0 和衰减率α；每训练N次，学习率衰减一次，L i =α*L i-1 ，其中，L i 为第i轮训练，L i-1 为第i-1轮训练，每轮训练N次，其中，i=1, 2...。
另一方面，本发明实施例提供了一种基于雨情数据判定灾害风险等级的系统，包括：
数据获取模块，用于获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量堆积柱状图；
风险等级预测模块，用于将各站点的雨量堆积柱状图输入至各站点对应的当前最优灾害风险等级预测模型，获取各站点预测时刻对应的灾害预测风险等级信息以及对应的置信率；
模型优化模块，用于获取所述预测时刻的各站点的实际风险等级信息，当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型进行优化训练，更新该站点当前最优灾害风险等级预测模型。
进一步地，所述模型优化模块，还用于：
当所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，将所述标注了实际风险等级信息的雨量数据信息增加到该站点标注的历史雨量堆积柱状图标注样本库中，更新该站点历史雨量堆积柱状图标注样本库；
通过更新的该站点历史雨量堆积柱状图标注样本库，重新对灾害风险等级预测模型优化训练，生成该站点当前最优的灾害风险等级预测模型。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、本发明能快速根据实时降雨和/或预报降雨信息，对该区域的灾害风险等级做出判定，对灾害风险预警提供数据支撑，能够为城市灾害风险预警工作提供科学便捷的技术手段；
2、本发明能获取数据更多更深层次的特征，通过对特征数据的学习，获取模型识别参数，能从数据特征当中更加准确高效的辨识出预先定义的风险种类或级别，判断当前的数据条件下所面临的风险等级以及风险变化趋势；
3、本发明对应用环境要求不高，可广泛适用于常规的灾害风险预警平台的扩展应用，通过软件和灾害风险判定模型来实现区域灾害风险等级的判断，在识别准确性和实时性上都有很好的表现，实现对区域灾害风险进行自动判定，判定结果具有及时性、客观性、重复性、一致性等优点；
4、本发明结合人工智能数据分析算法，算法部署上不受环境的限制，扩展升级成本低，并且可以通过数据样本的增加重复训练对判定模型进行升级优化达到更高的准确度，与以往人工风险判定方法相比，提高了灾害风险预警的效率，增强了灾害预警事件的发现能力，及时有效的为防汛工作人员提供预警措施，为灾害预警工作提供科学便捷的技术手段。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图１为本申请一个实施例所示的基于雨情数据判定灾害风险等级的方法整体流程图；
图2为本申请一个实施例所示的基于雨情数据判定灾害风险等级的方法流程图；
图3为本发明一个实施例所示的基于雨情数据判定灾害风险等级的方法输出结果示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
如图1所示，本发明中所采用的人工智能技术是基于DNN (深度神经网络)基础的数据分析技术，是在传统ANN (人工神经网络)基础上，通过深度学习模式，融合了CNN(卷积神经网络)、RNN(循环神经网络及递归神经网络)等多种神经网络模型形成更加准确有效的一种数据分析方法。模型将序列数据转换为更复杂数字矩阵数据，识别系统中利用神经网络系统，一般会先提取矩阵数据的特征，再利用数字矩阵所具有的特征映射到神经网络进行特征分类的识别，通常为了达到更好的分析识别效果，我们利用多层CNN(卷积神经网络)获取数据更多更深层次的特征，通过对这些数据特征的学习，获取模型识别参数，使我们能从数据特征当中更加准确高效的辨识出预先定义的风险种类或级别，判断当前的数据条件下所面临的风险等级。
本发明利用人工智能+气象大数据技术的结合，可以挖掘数据深层次的特征，通过历史数据的趋势，合理有效的评估出一个较大概率的趋势结果，克服现有技术在风险预警监测应用中存在的不足，提供一种基于人工智能雨情数据分析判定灾害风险等级的方法，从理念上创新，改变了过去的预警模型，将过去的阈值预警，转换成概率式预警；将单一防御体系，转换为综合防御体系。并且具备自主学习优化的能力，随着样本数据的不断增加，不断修正和优化模型参数，逐步提高识别分析能力，使预测结果越来越准确使风险预警系统具备更精细的预警颗粒度，减轻了防汛人员的工作负担，使政府人力资源能够投入到更高层次的减灾防灾工作中，降低城市防汛的成本。
如图2所示，本发明的一个具体实施例，公开了一种基于雨情数据判定灾害风险等级的方法，包括：
S10、获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量堆积柱状图；具体地，根据需预测风险等级的时刻，获取该预测时刻前24小时内不同累计时间的雨量数据，包括各累计时间内实际已采集的雨量数据和/或根据天气预报中预测的雨量数据，若该预测时刻与当前时刻时间差小于24小时，则雨量数据包括实际已采集的雨量数据和天气预报中预测的雨量数据，若该预测时刻与当前时刻时间差大于等于24小时，则雨量数据仅包括天气预报中预测的雨量数据；根据实时降雨和/或预报降雨信息，对该区域的灾害风险等级做出判定，对灾害风险预警提供数据支撑，能够为城市灾害风险预警工作提供科学便捷的技术手段；
站点是指在选定的固定观测场使用雨量计(人工或自记)进行降水量（即雨量数据）观测的水文监测站，更具体地，所述获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量等级柱状图，包括：
S101、获取各站点距预测时刻的最近1小时、3小时、6小时、12小时和24小时累计的雨量数据；可选地，雨量数据可以从SL323-2011《实时雨水情数据库表结构与标识符》所设计的数据库表结构进行查询读取，通常对单站查询连续24小时的小时雨量数据（毫米）作为数据基础。
S102、按照各累计时间的雨量数据的时序顺序，构造各站点雨量堆积柱状图样本；具体地，如图3所示，横坐标为各累计时间，纵坐标为雨量数据，将各累计时间的雨量数据按时序顺序进行排序，构造各站点雨量堆积柱状图样本。
S103、通过对应站点编号和时间命名各站点雨量堆积柱状图样本，并以文件方式缓存。具体地，可以通过该对应站点编号和时间选择对应的当前最优灾害风险等级预测模型，进行该站点的风险等级判定，以及不同时间风险置信率的输出。
S20、将各站点的雨量堆积柱状图输入至各站点对应的当前最优灾害风险等级预测模型，获取各站点预测时刻对应的灾害预测风险等级信息以及对应的置信率；具体地，如图3所示，通过模型参数计算，判断当前站点在预测时刻对应的风险等级信息以及对应的置信率（即该风险等级对应的概率信息），并实时将判断结果存储到应用数据库记录中，供应用展示。
具体地，根据S10中获取的包含已采集的雨量数据和/或预测的雨量数据的各站点雨量等级柱状图，根据文件名（即站点编号和时间）利用当前时刻最优的灾害风险等级预测模型，进行预测时刻时各站点对应的灾害预测风险等级信息以及对应的概率信息，例如，设置3个风险等级（低风险，中风险，高风险），其中，三个风险等级的概率和总为1，以最大概率为最终预测结果，若在输出t1时刻各等级的概率[0.1,0.85,0.14],输出t2时刻各等级的概率[0.3,0.6,0.10]，t1＜t2，则t1时刻和t2时刻的预测风险等级均为“中风险”，但通过风险等级对应的置信率可知从t1时刻到t2时刻，中风险概率降低，低风险概率升高，即该站点的风险等级有随时间降低的趋势。本发明根据包含已采集的雨量数据和/或根据天气预报中预测的雨量数据生成的各站点的雨量堆积柱状图能获取数据更多更深层次的特征，通过对特征数据的学习，获取模型识别参数，能从数据特征当中更加准确高效的辨识出预先定义的风险种类或级别，判断当前的数据条件下所面临的风险等级以及风险变化趋势；
S30、获取所述预测时刻的各站点的实际风险等级信息，当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型进行优化训练，更新该站点当前最优灾害风险等级预测模型。
具体地，当最优灾害风险等级预测模型预测的灾害预测风险等级信息与该预测时刻的实际风险等级信息不符时，则需要先通过该时段以实际风险等级标注的雨量堆积柱状图，再对最优灾害风险等级预测模型预测进行训练和优化，模型训练完成后，作为当前最优灾害风险等级预测模型在后续预测中应用。
具体地，通过以下方式进行实际风险等级信息的标注：
S301、获取各站点预测时刻前1小时、3小时、6小时、12小时和24小时累计的雨量数据对应的各累计时间的各风险等级的阈值范围；其中，所述雨量数据为已采集的实际雨量数据（即采集各站点实际发生的各累计时间的雨量数据，该步骤在预测时刻来临后实施）；具体地，因不同站点的各风险等级阈值不同，故各站点不同风险等级阈值使用的预测模型不同，因此，在雨量数据获取阶段需要进行站点区分。
S302、通过各站点雨量等级柱状图中1小时、3小时、6小时、12小时和24小时累计的雨量数据与所述对应的各累计时间的各风险等级的阈值范围比较，确定各累计时间的风险等级；例如，1小时累计的雨量数据对应的风险等级阈值为：“0,70,100”，则，当1小时累计的雨量数据在“0-70”时对应为低风险等级，当1小时累计的雨量数据在“70-100”时对应为中风险等级，当1小时累计的雨量数据在“≥100”时对应为高风险等级；
S303、以各站点雨量等级柱状图中各累计时间的最高风险等级为标准，对所述各站点雨量等级柱状图进行实际风险等级的标注。具体地，以S302中的方式确定各累计时间雨量数据的风险等级，以各站点雨量等级柱状图中各累计时间的最高风险等级为标准，对所述各站点雨量等级柱状图进行实际风险等级的标注。
具体地，所述当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型训练，更新该站点当前最优灾害风险等级预测模型，包括：
当所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，将所述标注了实际风险等级信息的雨量数据信息增加到该站点标注的历史雨量堆积柱状图标注样本库中，更新所该站点历史雨量堆积柱状图标注样本库；
通过更新的该站点历史雨量堆积柱状图标注样本库，重新对灾害风险等级预测模型训练，生成该站点当前最优的灾害风险等级预测模型。具体地，通过所述特征输入层输入该站点历史雨量堆积柱状图标注样本库中样本数据（即增加了标注了实际风险等级信息的雨量数据信息的历史雨量堆积柱状图标注样本库），进入前向传播（即由低层次向高层次传播），经过卷积层和池化层的卷积、池化处理，由全连接输出层输出，得到该站点历史雨量堆积柱状图标注样本库中样本数据的风险等级特征向量，输入至分类输出层，得到预测的灾害风险等级信息；当得出的结果与实际的风险等级不相符时，将结果的误差再反向传播（从高层次向底层次进行传播，即反向传播）回来，通过误差重新调整网络的权重，直到误差减小到可接受的程度，则训练终止；
具体地，对各站点对应的灾害风险等级预测模型更新的过程中，通过交叉熵损失函数计算模型训练过程误差，当所述误差达到稳定时所述各站点对应的灾害风险等级预测模型为各站点对应的最优灾害风险等级预测模型。
具体地，为了让模型快速得到收敛的结果，在所述灾害风险等级预测模型训练过程中，动态调整学习率，通过反复迭代，逐步衰减缩小学习率，优化所述灾害风险等级预测模型，提高模型训练的精度；所述动态调整学习率，包括：设置学习率初始值L 0 和衰减率α；每训练N次，学习率衰减一次，L i =α*L i-1 ，其中，L i 为第i轮训练，L i-1 为第i-1轮训练，每轮训练N次，其中，i=1，2...。
具体地，下文中以灾害风险等级预测模型的建模过程进行详细描述：
按照多层卷积神经网络的模型结构，构建各站点的灾害风险等级预测模型，具体地，所述灾害风险等级预测模型，包括：1个特征输入层、3个卷积层、3个池化层、1个全连接输出层和1个分类输出层，其中，分类输出使用SoftMax归一化指数函数做最后的分类处理，输出各等级风险结果的概率，分类输出层的输出数m和要求输出的风险级别决定，如输出的风险等级包括：低风险、中风险或高风险，则m=3；
具体地，灾害风险等级预测模型的结构如表1所示：
表1
Figure 101447DEST_PATH_IMAGE001
具体地，各最优的灾害风险等级预测模型的获取过程，包括：
S201、获取各站点的历史雨量样本数据，按各站点的历史雨量样本数据的各累计时间的雨量数据的时序序列，构造各站点历史雨量堆积柱状图，生成各站点历史雨量堆积柱状图样本库；具体地，通过步骤S10获取各站点的历史雨量堆积柱状图，对应站点编号和时间命名，生成各站点历史雨量堆积柱状图样本库；
S202、对所述各站点历史雨量等级柱状图样本进行实际风险等级信息标注，生成各站点历史雨量堆积柱状图标注样本库；具体地，将每一站点的历史雨量堆积柱状图样本库中样本数据，按照风险级别分类，按80%，15%，5%的比例分别加入到训练集、验证集和测试集集合中；
S203、通过各站点实际风险等级标注的历史雨量堆积柱状图样本库，对各站点的灾害风险等级预测模型进行优化训练，得到最优灾害风险等级预测模型。
具体地，所述灾害风险等级预测模型的优化训练过程，包括：
（1）在建模过程中，首先需要对灾害风险等级预测模型进行权重初始化；可选地，通过Xavier初始化方法进行权重初始化，Xavier初始化方法就是令权重参数W服从下面定义区间内的均匀分布：
Figure 439018DEST_PATH_IMAGE002
（2）通过所述特征输入层输入该站点历史雨量堆积柱状图标注样本库中样本数据，进入前向传播（即由低层次向高层次传播），经过卷积层和池化层的卷积、池化处理，由全连接输出层输出，得到该站点历史雨量堆积柱状图标注样本库中样本数据的风险等级特征向量，输入至分类输出层，得到预测的灾害风险等级信息；
（3）当得出的结果与预期（标注的风险等级）不相符时，将结果的误差再反向传播（从高层次向底层次进行传播，即反向传播）回来，通过误差重新调整网络的权重，直到误差减小到可接受的程度，则训练终止；
若预测的灾害风险等级信息与标注的实际风险等级信息不符时，通过误差反向传播调整模型权重，直至误差稳定。
具体地，对各站点对应的灾害风险等级预测模型优化训练的过程中，通过交叉熵损失函数计算模型训练过程误差，当所述误差达到稳定时所述各站点对应的灾害风险等级预测模型为各站点对应的最优灾害风险等级预测模型。
在所述灾害风险等级预测模型优化训练过程中，动态调整学习率，通过反复迭代，逐步衰减缩小学习率，优化所述灾害风险等级预测模型，提高模型训练的精度；所述动态调整学习率，包括：设置学习率初始值L 0 和衰减率α；每训练N次，学习率衰减一次，L i =α*L i-1 ，其中，L i 为第i轮训练，L i-1 为第i-1轮训练，每轮训练N次，其中，i=1，2...。
当优化训练结束后，对得到的各最优灾害风险等级预测模型的参数进行固化保存，共后期使用。
与现有技术相比，本发明能快速根据实时降雨和/或预报降雨信息，对该区域的灾害风险等级做出判定，对灾害风险预警提供数据支撑，能够为城市灾害风险预警工作提供科学便捷的技术手段；本发明能获取数据更多更深层次的特征，通过对特征数据的学习，获取模型识别参数，能从数据特征当中更加准确高效的辨识出预先定义的风险种类或级别，判断当前的数据条件下所面临的风险等级以及风险变化趋势；本发明对应用环境要求不高，可广泛适用于常规的灾害风险预警平台的扩展应用，通过软件和灾害风险判定模型来实现区域灾害风险等级的判断，在识别准确性和实时性上都有很好的表现，实现对区域灾害风险进行自动判定，判定结果具有及时性、客观性、重复性、一致性等优点；本发明结合人工智能数据分析算法，算法部署上不受环境的限制，扩展升级成本低，并且可以通过数据样本的增加重复训练对判定模型进行升级优化达到更高的准确度，与以往人工风险判定方法相比，提高了灾害风险预警的效率，增强了灾害预警事件的发现能力，及时有效的为防汛工作人员提供预警措施，为灾害预警工作提供科学便捷的技术手段。
本发明的另一个具体实施例，公开了一种基于雨情数据判定灾害风险等级的系统，包括：
数据获取模块，用于获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量堆积柱状图；
风险等级预测模块，用于将各站点的雨量堆积柱状图输入至各站点对应的当前最优灾害风险等级预测模型，获取各站点预测时刻对应的灾害预测风险等级信息以及对应的置信率；
模型优化模块，用于获取所述预测时刻的各站点的实际风险等级信息，当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型进行优化训练，更新该站点当前最优灾害风险等级预测模型。
具体地，所述模型优化模块，还用于：
当所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，将所述标注了实际风险等级信息的雨量数据信息增加到该站点标注的历史雨量堆积柱状图标注样本库中，更新该站点历史雨量堆积柱状图标注样本库；
通过更新的该站点历史雨量堆积柱状图标注样本库，重新对灾害风险等级预测模型优化训练，生成该站点当前最优的灾害风险等级预测模型。
本发明中系统实施例的具体实施过程参见上述方法实施例即可，本实施例在此不再赘述。由于本实施例与上述方法实施例原理相同，所以本系统也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于雨情数据判定灾害风险等级的方法，其特征在于，包括：
获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量堆积柱状图；
将各站点的雨量堆积柱状图输入至各站点对应的当前最优灾害风险等级预测模型，获取各站点预测时刻对应的灾害预测风险等级信息以及对应的置信率；
获取所述预测时刻的各站点的实际风险等级信息，当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型进行优化训练，更新该站点当前最优灾害风险等级预测模型。
2.根据权利要求1所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
所述获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量等级柱状图，包括：
获取各站点距预测时刻的最近1小时、3小时、6小时、12小时和24小时累计的雨量数据，各累计时间的雨量数据包括：已采集的雨量数据和/或预测的雨量数据；
按照各累计时间的雨量数据的时序顺序，构造各站点雨量堆积柱状图样本；
通过对应站点编号和时间命名各站点雨量堆积柱状图样本，并以文件方式缓存。
3.根据权利要求2所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
通过以下方式进行实际风险等级信息的标注：
获取各站点预测时刻前1小时、3小时、6小时、12小时和24小时累计的雨量数据对应的各累计时间的各风险等级的阈值范围；其中，所述雨量数据为已采集的实际雨量数据；
通过各站点雨量等级柱状图中1小时、3小时、6小时、12小时和24小时累计的雨量数据与所述对应的各累计时间的各风险等级的阈值范围比较，确定各累计时间的风险等级；
以各站点雨量等级柱状图中各累计时间的最高风险等级为标准，对所述各站点雨量等级柱状图进行实际风险等级的标注。
4.根据权利要求3所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
最优的灾害风险等级预测模型的获取，包括：
获取该站点的历史雨量样本数据，按该站点的历史雨量样本数据的各累计时间的雨量数据的时序序列，构造该站点历史雨量堆积柱状图，生成该站点历史雨量堆积柱状图样本库；
对所述该站点历史雨量等级柱状图样本进行实际风险等级信息标注，生成该站点历史雨量堆积柱状图标注样本库；
通过该站点实际风险等级标注的历史雨量堆积柱状图样本库，对该站点的灾害风险等级预测模型进行优化训练，得到最优灾害风险等级预测模型。
5.根据权利要求3或4所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
所述当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型优化训练，更新该站点当前最优灾害风险等级预测模型，包括：
当所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，将所述标注了实际风险等级信息的雨量数据信息增加到该站点标注的历史雨量堆积柱状图标注样本库中，更新该站点历史雨量堆积柱状图标注样本库；
通过更新的该站点历史雨量堆积柱状图标注样本库，重新对灾害风险等级预测模型优化训练，生成该站点当前最优的灾害风险等级预测模型。
6.根据权利要求5所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
所述灾害风险等级预测模型，包括：1个特征输入层、3个卷积层、3个池化层、1个全连接输出层和1个分类输出层；
所述灾害风险等级预测模型的优化训练过程，包括：
通过所述特征输入层输入该站点历史雨量堆积柱状图标注样本库中的样本数据，经过卷积层和池化层的卷积、池化处理，由全连接输出层输出，得到该站点历史雨量堆积柱状图标注样本库中样本数据的风险等级特征向量，输入至分类输出层，得到预测的灾害风险等级信息；
若得出的灾害风险等级信息与实际风险等级信息不符时，通过误差反向传播调整模型权重，直至误差稳定。
7.根据权利要求6所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
对各站点对应的灾害风险等级预测模型优化训练的过程中，通过交叉熵损失函数计算模型训练过程误差，当所述误差达到稳定时所述各站点对应的灾害风险等级预测模型为各站点对应的最优灾害风险等级预测模型。
8.根据权利要求7所述的基于雨情数据判定灾害风险等级的方法，其特征在于，
在所述灾害风险等级预测模型优化训练过程中，动态调整学习率，通过反复迭代，优化所述灾害风险等级预测模型；
所述动态调整学习率，包括：设置学习率初始值L 0 和衰减率α；每训练N次，学习率衰减一次，L i =α*L i-1 ，其中，L i 为第i轮训练，L i-1 为第i-1轮训练，每轮训练N次，其中，i=1，2...。
9.一种基于雨情数据判定灾害风险等级的系统，其特征在于，包括：
数据获取模块，用于获取各站点的雨量数据，按所述雨量数据的时序序列构造各站点雨量堆积柱状图；
风险等级预测模块，用于将各站点的雨量堆积柱状图输入至各站点对应的当前最优灾害风险等级预测模型，获取各站点预测时刻对应的灾害预测风险等级信息以及对应的置信率；
模型优化模块，用于获取所述预测时刻的各站点的实际风险等级信息，当该站点的所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，通过以该站点实际风险等级标注的雨量堆积柱状图，对该站点灾害风险等级预测模型进行优化训练，更新该站点当前最优灾害风险等级预测模型。
10.根据权利要求9所述的基于雨情数据判定灾害风险等级的系统，其特征在于，
所述模型优化模块，还用于：
当所述预测时刻对应的灾害预测风险等级信息与实际风险等级信息不同时，将所述标注了实际风险等级信息的雨量数据信息增加到该站点标注的历史雨量堆积柱状图标注样本库中，更新该站点历史雨量堆积柱状图标注样本库；
通过更新的该站点历史雨量堆积柱状图标注样本库，重新对灾害风险等级预测模型优化训练，生成该站点当前最优的灾害风险等级预测模型。
CN202210297914.3A 2022-03-25 2022-03-25 一种基于雨情数据判定灾害风险等级的方法及系统 Active CN114399235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210297914.3A CN114399235B (zh) 2022-03-25 2022-03-25 一种基于雨情数据判定灾害风险等级的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210297914.3A CN114399235B (zh) 2022-03-25 2022-03-25 一种基于雨情数据判定灾害风险等级的方法及系统

Publications (2)

Publication Number Publication Date
CN114399235A true CN114399235A (zh) 2022-04-26
CN114399235B CN114399235B (zh) 2022-07-08

Family

ID=81234803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210297914.3A Active CN114399235B (zh) 2022-03-25 2022-03-25 一种基于雨情数据判定灾害风险等级的方法及系统

Country Status (1)

Country Link
CN (1) CN114399235B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704708A (zh) * 2023-08-08 2023-09-05 山东省减灾中心 一种基于大数据的智能自然灾害预警系统及方法
CN116821799A (zh) * 2023-08-28 2023-09-29 成都理工大学 基于gru-dnn的地灾预警数据分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001208574A (ja) * 2000-01-28 2001-08-03 Fujitsu Denso Ltd 土石流判定図表示装置
JP2005231392A (ja) * 2004-02-17 2005-09-02 East Japan Railway Co 運行規制判定方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN111983732A (zh) * 2020-07-27 2020-11-24 南京信息工程大学 一种基于深度学习的降水强度估计方法
CN113177737A (zh) * 2021-05-26 2021-07-27 南京恩瑞特实业有限公司 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及系统
CN113837450A (zh) * 2021-09-03 2021-12-24 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN114067019A (zh) * 2021-09-29 2022-02-18 天津大学 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001208574A (ja) * 2000-01-28 2001-08-03 Fujitsu Denso Ltd 土石流判定図表示装置
JP2005231392A (ja) * 2004-02-17 2005-09-02 East Japan Railway Co 運行規制判定方法
CN107703564A (zh) * 2017-10-13 2018-02-16 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN111983732A (zh) * 2020-07-27 2020-11-24 南京信息工程大学 一种基于深度学习的降水强度估计方法
CN113177737A (zh) * 2021-05-26 2021-07-27 南京恩瑞特实业有限公司 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及系统
CN113837450A (zh) * 2021-09-03 2021-12-24 珠江水利委员会珠江水利科学研究院 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN114067019A (zh) * 2021-09-29 2022-02-18 天津大学 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LUV_GEM: "TensorFlow之DNN", 《HTTPS://WWW.CNBLOGS.COM/LUV-GEM/P/10760268.HTML》, 24 April 2019 (2019-04-24), pages 3 *
刘野 等: "耦合水文和神经网络的城市积水动态风险评价", 《测绘科学》, vol. 45, no. 08, 20 August 2020 (2020-08-20), pages 175 - 179 *
张志才等: "贵州降雨变化趋势与极值特征分析", 《地球与环境》, no. 04, 15 December 2007 (2007-12-15) *
朱文刚等: "深度神经网络方法在山东降水相态判别中的应用", 《干旱气象》, no. 04, 31 August 2020 (2020-08-31) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116704708A (zh) * 2023-08-08 2023-09-05 山东省减灾中心 一种基于大数据的智能自然灾害预警系统及方法
CN116821799A (zh) * 2023-08-28 2023-09-29 成都理工大学 基于gru-dnn的地灾预警数据分类方法
CN116821799B (zh) * 2023-08-28 2023-11-07 成都理工大学 基于gru-dnn的地灾预警数据分类方法

Also Published As

Publication number Publication date
CN114399235B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114399235B (zh) 一种基于雨情数据判定灾害风险等级的方法及系统
CN115688579B (zh) 一种基于生成对抗网络的流域多点水位预测预警方法
CN111091196B (zh) 客流数据确定方法、装置、计算机设备和存储介质
CN117236673B (zh) 城市水网多尺度防洪排涝联合优化调度方法和系统
CN108681783A (zh) 一种水库实时多目标随机优化调度和风险评估方法
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN112733997A (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN113516305B (zh) 一种情景-目标交互的水网区水资源调度智能决策方法及系统
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
Yi et al. Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization
CN113570132A (zh) 一种时空气象特征提取与深度学习的风电功率预测方法
AU2019100631A4 (en) Self-correcting multi-model numerical rainfall ensemble forecasting method
CN117852975B (zh) 基于数字化设计的城市更新行动可视化评估方法及系统
Gao et al. A multifactorial framework for short-term load forecasting system as well as the jinan’s case study
Zhijun RBF neural networks optimization algorithm and application on tax forecasting
CN113326343B (zh) 基于多级网格和文件索引的路网数据存储方法及系统
CN117578441A (zh) 基于神经网络提高电网负荷预测精度的方法
CN117277304A (zh) 考虑日出日落时间的光伏发电超短期功率预测方法、系统
CN116307709B (zh) 基于信息增益融合的变电站防汛能力综合评估方法、系统
CN116976227A (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN115391746B (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN115829209A (zh) 基于碳路径的绿色智能仓库环保质量分析方法及装置
CN116542361A (zh) 一种基于神经网络的自然灾害停电预测方法及系统
CN114781699B (zh) 基于改进粒子群Conv1D-Attention优化模型的水库水位预测预警方法
CN115829150A (zh) 一种积水预测系统

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