CN114626591A

CN114626591A - 一种地下综合体水灾演化预测方法

Info

Publication number: CN114626591A
Application number: CN202210203041.5A
Authority: CN
Inventors: 刘路; 田裕鹏
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2022-03-03
Filing date: 2022-03-03
Publication date: 2022-06-14

Abstract

本发明提供一种地下综合体水灾演化预测方法，包括采集原始水灾数据，对原始水灾数据按照预设准则进行水灾等级换算，得到水灾事件；对水灾事件进行时间泛化处理、空间关联分析及时间关联分析，得到时空处理数据；构建水灾演化拓扑网络；获取时空关联事件；定义时空关联规则，挖掘所述时空关联事件中满足预设条件的时空关联规则并修正所述水灾演化拓扑网络，得到水灾演化贝叶斯网络结构；确定传感器节点变量及其值域，利用监测数据学习条件概率分布，建立水灾演化贝叶斯网络，实现水灾概率预测。本发明解决了现有技术中缺乏水害数据挖掘的问题，实现了对灾害发展的实时动态的预测，提高了对地下综合体水灾的演化预测的准确度和效率。

Description

一种地下综合体水灾演化预测方法

技术领域

本发明属于灾害监测领域，具体涉及一种地下综合体水灾演化预测方法。

背景技术

灾害演化预测是根据已发生的灾害，发现灾害演化规律，预测其发展趋势。随着传感技术的发展，现今的地下基础设施监测系统可以获取到大量包含时空属性的数据，时空关联概念也应运而生，如何基于时空关联实现地下综合体水灾演化预测是灾害监测领域一项非常重要的研究。

现阶段灾害演化预测大多基于理论模型如灾害树、马尔可夫链等。但是这些传统模型难以分析灾害发展的实时性和动态性，无法把握灾害演化发展规律。

发明内容

针对上述现有技术中存在的缺陷，本发明提供一种基于灾害数据挖掘的实时动态的地下综合体水灾演化预测方法。

本发明提出的技术方案如下：

本发明公开了一种地下综合体水灾演化预测方法，包括以下步骤：

在监测区域布置传感器节点，采集原始水灾数据，包括传感器节点编号、时间信息和监测区域水位信息；对原始水灾数据按照预设准则进行水灾等级换算，得到水灾事件；

对所述水灾事件进行时间泛化处理、空间关联分析及时间关联分析，得到时空处理数据；

基于所述空间关联分析获结果取传感器节点间的空间关联关系，根据所述空间关联关系构建水灾演化拓扑网络；

基于所述空间关联分析及时间关联分析结果连接所述时空处理数据，得到时空关联事件；

定义时空关联规则，挖掘所述时空关联事件中满足预设条件的时空关联规则；

基于所述时空关联规则，修正所述水灾演化拓扑网络，得到水灾演化贝叶斯网络结构；

确定传感器节点变量及其值域，利用监测数据学习条件概率分布，建立水灾演化贝叶斯网络，实现水灾概率预测。

进一步地，所述预设准则具体为：

其中，h表示水位高度，单位为米。

进一步地，所述时间泛化处理为根据水灾事件发生的时刻将水灾事件进行连接排列。

进一步地，通过建立空间约束对水灾事件进行所述空间关联分析，所述空间约束具体包括：

拓扑关系约束，监测区域间存在可传播关系；

空间距离关系约束，监测区域间空间距离满足预设条件；

传播方向关系约束，同一高度的监测区域间水灾的传播按照水灾发生的时间从早到晚，不同高度的监测区域间水灾的传播按照水灾发生的位置从高到底，其中，同一高度的两条水灾的传播方向夹角＞90°，这两条传播方向间不存在传播关系。

进一步地，使用空间关联度对所述监测区域间空间距离进行量化，空间关联度使用下述公式计算：

其中，i、j表示监测区域中处于同一高度的传感器节点，x_i，y_i，x_j，y_j表示所述传感器节点的横坐标和纵坐标，avg(dist_x，y)表示监测区域中处于同一高度的所有传感器节点间的平面距离的平均值。

进一步地，通过建立时间约束对水灾事件进行所述时间关联分析，所述时间约束具体包括：

设置水灾事件发生的最长时间，保留符合时间范围的水灾事件；

对相邻时刻的水灾事件进行差分运算，将水灾等级事件转换为水灾等级变化事件；

设置状态共现时间范围，将所述时间范围内的所有水灾事件归并为一个事件，得到时空关联事件。

进一步地，所述时空关联规则定义如下：

其中，

每条时空关联规则由时空关联事件中两个不同项目集X,Y 组成，其中X为前提，Y为结论；

采用置信度定义所述时空关联规则的可信程度，其计算公式如下：

其中，支持度sup(X)表示项目集X在时空关联事件中出现的频率， sup(X∪Y)表示项目集X，Y同时在时空关联事件中出现的频率，其计算公式如下：

其中，T表示时空关联事件总数，t表示包含项目集X的时空关联事件个数。

进一步地，修正所述水灾演化拓扑网络具体包括：

用单向箭头将关联规则中前提包含的节点指向结论包含的节点，并在箭头上标注单向关联度；保留水灾演化拓扑网络中与关联规则相符的传播方向，删除不相符的传播方向；得到水灾演化贝叶斯网络结构，其中各传感器节点构成传感器节点变量的集合，各单向箭头构成有向边的集合。

进一步地，所述单向关联度用来量化传感器节点间水灾害的传播方向关系，根据如下公式计算：

其中，X，Y为前提中节点相同且结论中节点相同的关联规则

两端连接的传感器节点，n为前提中节点相同和结论中节点相同的关联规则

的个数。

进一步地，所述条件概率分布根据如下公式计算：

其中，A，B表示传感器节点，B_i,B_j表示传感器节点B的水灾等级为i,j。

现有技术通常基于理论模型来进行灾害演化预测，本发明提出的地下综合体水灾演化预测方法，本发明从地下综合体采集原始水灾数据，对原始水灾数据按照预设准则进行水灾等级换算，得到水灾事件；对水灾事件进行时间泛化处理、空间关联分析及时间关联分析，得到时空处理数据；再根据空间关联分析及时间关联分析结果，建立包含反映水灾演化方向的水灾演化拓扑网络，然后对时空处理数据连接生成时空关联事件表，对时空关联事件表进行规则挖掘，得到时空关联规则，解决了现有技术中缺乏灾害数据挖掘的问题，定义性能指标，修正水灾演化拓扑网络作为贝叶斯网络结构，最后利用历史数据计算条件概率，构造灾害演化贝叶斯网络，预测灾害发生概率，实现了对灾害发展的实时动态的预测，提高了对地下综合体水灾的演化预测的准确度和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对技术方案描述时所需要使用的附图作简单地介绍，显而易见地，本发明的示意性实施例及其说明仅用于解释本发明，并不构成对本发明的不当限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。在附图中：

图1是本发明实施例水灾演化预测方法的步骤示意图；

图2是本发明实施例水灾演化预测方法的工作流程示意图；

图3是本发明实施例水灾演化预测方法中地下综合体水位传感器分布示意图；

图4是本发明实施例水灾演化预测方法中水灾事件差分运算结果示意图；

图5是本发明实施例水灾演化预测方法中未经过修正的水灾演化拓扑网络结构示意图；

图6是本发明实施例水灾演化预测方法中整个地下综合体的水灾演化拓扑网络示意图；

图7是本发明实施例水灾演化预测方法中的整个地下综合体的某一时刻各节点水灾等级的预测概率分布图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例

参照图1和图2，本实施例提供一种地下综合体水灾演化预测方法，该方法包括以下步骤：

S1：数据采集与处理；

具体地，从地下综合体采集原始水灾数据，对所述原始水灾数据进行时间泛化处理、空间关联分析和时间关联分析，得到时空处理数据；

S1.1：从地下综合体采集原始水灾数据；

参照图3，本实施例使用水位传感器从地下综合体采集原始水灾数据，水位传感器设置如下：

在地下综合体的地面出入口、地下第一层即站厅层、地下第二层即站台层设置、第一层和第二层之间的楼梯口这些位置都设置传感器，来采集原始水灾数据；

参照表1，表1所示为采集的部分原始水灾数据表，原始水灾数据包括水位传感器的节点编号、时间信息、水位信息，其中时间信息是每隔5分钟采样一次各个节点对应的水位传感器采集的水位信息并记录。举例说明，例如在时间信息为0：30时，对应的节点编号为站厅1的水位传感器的采集数据是0.129，对应的节点编号为站厅3的水位传感器的采集数据是0.095；

表1 原始水灾数据表

水位传感器的节点编号与所述水位传感器的坐标位置相对应，通过查询水位传感器的节点编号可以获得水位传感器的坐标，进一步结合时间信息和水位信息的变化，可以获得该坐标位置的水位变化情况。

S1.2：对原始水灾数据进行灾害等级换算；

将S1.1采集的原始水灾数据通过换算关系转换为水灾事件，所述水灾事件是由多级水灾组成的集合，该集合为{0级水灾、4级水灾、3级水灾、2级水灾、 1级水灾}，原始水灾数据与水灾事件的换算关系如下：

其中h表示水位高度，单位是米，例如水位高度大于0.5米时根据上述换算关系可换算为1级水灾；

将原始水灾数据表对应转换为水灾事件数据表，其中将水位传感器编号与水灾等级进行合并，形成一个的水灾事件数据，作为该表中的数据内容，如表2 所示。表2中其他水灾事件数据的含义依此类推。通过表2这种水灾事件数据表有利于进行计算机数据处理。

表2 水灾事件数据表

S2：对水灾事件数据表进行时间泛化处理、空间关联分析及时间关联分析，得到时空处理数据；

S2.1：对水灾事件数据表中事件进行时间泛化处理；

时间泛化处理的目的是将水灾事件数据通过时间点进行连接排列。例如将时间0:00和0:15发生的两个水灾事件A和B之间产生关系：水灾事件B发生于水灾事件A 0.25个小时后。如此将水灾事件通过时间进行连接，可以使得挖掘出的规则包含时间层面的联系。

S2.2：建立时间约束，对水灾事件数据表中事件进行时间关联分析；

确定水害发生的最长时间T_max，保障数据表中的事件均在该时间范围内；对相邻时刻的水灾事件进行差分运算，将水灾等级事件转换为水灾等级变化事件，转换结果参照图4，在后续规则挖掘时只保留灾害等级上升和不变的事件；设置状态共现时间范围t，通过t对水灾事件数据表进行时间泛化，将一个时间段内的所有事件归入一个事件当中。

S2.3：建立空间约束，对水灾事件数据表进行空间关联分析；

具体地，建立空间约束对水灾事件数据表进行筛选，本实施例建立的空间约束具体如下：

(1)拓扑关系，即两传感器节点间水灾是否存在可传播关系，如被墙隔开的两传感器节点间不存在水害可传播关系。异层节点间默认无关联关系，只有在异层间存在空间联系如楼梯、电梯等时，才存在关联关系；

(2)空间距离关系，即满足拓扑关系的前提下，两传感器节点间距离越远，两者间水害的关联程度越低。本实施例提出空间关联度(Spatial correlation)S_c来量化传感器节点间的空间距离关系，空间关联度小于设定阈值的传感器节点间可视为无关联关系，其表达式如下所示：

式中，i、j表示地下设施空间内的两个同层节点，x_i，y_i，x_j，y_j表示两节点在空间内的横坐标和纵坐标，avg(dist_x，y)表示该层所有传感器节点间的平面距离的平均值；

表3所示，为部分水位传感器之间的空间关联度计算结果：

表3 空间关联度表

(3)传播方向关系，即按各传感器节点水害的最早出现时间，确定节点间水害传播的前后顺序，水灾只可从低编号节点往高编号节点传播；同层节点间，若两条灾害传播方向夹角超过90°，则认为这两条演化方向互相独立，之间不存在传播关系；异层节点间灾害只存在由高处往低处的单向传播关系，且只保留关联关系最强的传播方向。

具体地，按各传感器节点灾害的最早出现时间，依次给节点标上编号 Num∈{S1，S2，S3…}，，表示灾害只可从低编号节点区域往高编号节点区域传播，反映了灾害传播的前后关系。在事件表中用编号替代传感器节点，各传感器节点的编号如表4所示：

表4 各传感器节点对应编号

进一步的，在后续挖掘时只可形成前提为低序号节点区域指向结论为高序号节点区域的规则，如只可形成规则如['S1 4级0:15-0:30']→['S2 4级0:15-0:30']，不可形成规则如['S2 4级0:15-0:30']→['S1 4级0:15-0:30']。

S3：根据空间关联分析结果获取传感器节点间的空间关联关系，构建水灾演化拓扑网络；

具体地，根据步骤S2.3中对水灾事件数据表的空间关联分析，将彼此间存在空间关联关系的传感器节点区域用单向箭头进行连接，单向箭头表示演化方向，从而构建起反映水害演化关系的水灾演化拓扑网络；

根据空间关联度，删除空间关联度低于30％的传感器节点之间的关联。再根据空间约束中的拓扑关系和传播方向关系，删去不满足约束条件的传感器节点间的关联，例如因为层间楼梯的存在，楼梯8的上级节点有站厅5和站厅6，但楼梯8与站厅6的空间关联度大于其与站厅5的空间关联度，所以楼梯8 只保留站厅6这一个上级节点。遍历所有节点，构建出如图5所示的未客观化修正的水灾演化拓扑网络。

S4：基于时间约束和空间约束，连接时空处理数据，得到时空关联事件表；

具体地，通过设置水灾影响的最大时间范围T_max筛选掉超出水灾影响范围的事件，本实施例中T_max设置为5小时。通过设置水灾状态共现的最小关联时间范围t_min，将事件进行分段，本实施例中t_min设置为15分钟。

最终构建出的时空关联事件表如下表5所示

表5 时空关联事件表

S5：挖掘时空关联事件表中的时空关联规则；

时空关联规则的定义式如下：

其中，

每条关联规则由两个不同项目集(itemest)X,Y组成，其中X为前提，Y为结论。

时空关联规则的可信程度用置信度(confidence)来定义。对于规则

其置信度表示：事件表中同时包含X，Y的事件数与包含X的事件数之比，计算公式如下所示：

强关联规则需要满足的支持度和置信度，称为最小支持度和最小置信度，记为minSup和miunConf。

其中项目集在事件中出现的频率用支持度(support)来定义。对于事件表 D中的项目集X，其支持度表示：事件表中包含项目集X的事件数t与所有事件数 T之比，其公式如下所示：

本实施例使用Apriori算法对时空关联事件表进行规则挖掘，设定最小置信度为80％，将置信度高于该值的关联规则保留。

可以得到如表6所示的时空关联规则，其中仅显示了部分内容。

表6 时空关联规则

S6：基于所述时空关联规则，修正所述水灾演化拓扑网络，得到水灾演化贝叶斯网络结构；

S3中构建的水灾演化网络具有以下特点：(1)箭头代表传播方向，表示两传感器节点间灾害将沿箭头方向传播，从而在两者间构建了灾害演化的因果关系，因果关系也可称为父子关系，箭头所指为子节点；(2)存在完全独立的节点，其本身灾害不受其他任何节点影响，是为根节点；(3)整体方向呈现单向性，不存在环状方向；

综上，该网络结构符合贝叶斯网络的条件独立和有向无环两大要求，因此可以将演化网络结构作为贝叶斯网络结构，各节点构成节点变量的集合，各连接箭头构成有向边的集合，从而可以确定贝叶斯网络结构；

为获取5小时地下综合体的整体水灾演化规则，在图3的灾害演化拓扑网络的基础上，根据挖掘出的所有关联规则对其进行客观化修正：

用单向箭头将关联规则中前提包含的节点指向结论包含的节点，并在箭头上标注单向关联度，其中，单向关联度用来量化节点间灾害的传播关系，根据如下公式计算：

上式中，X，Y为前提中节点相同且结论中节点也相同的关联规则

两端连接的节点，n为前提中节点相同和结论中节点相同的关联规则

的个数。

保留水灾演化拓扑网络中与关联规则相符的所有演化方向，删除不相符的演化方向；

最终输出修正后的水灾演化拓扑网络，各传感器节点构成传感器节点变量的集合，各连接箭头构成有向边的集合，作为水灾演化贝叶斯网络结构，最终得到整个地下综合体的水灾演化拓扑网络如图6所示。图中箭头代表灾害演化方向，数字代表单向关联度，蓝色代表站厅层节点，黄色代表站台层节点。整体演化走向与实际水灾发展趋势一致。

S7：确定传感器节点变量值域，利用监测数据学习条件概率分布，建立贝叶斯网络，实现灾害概率预测；

监测数据是从水位传感器采集的原始水灾数据转换得到的水灾事件数据；

基于S6构建的水灾演化贝叶斯网络结构，接着确定传感器节点变量集N和对应值域，由图6所示的灾害演化拓扑网络可知，根节点为站厅7，节点变量集为N＝{站厅1，站厅2，站厅3，站厅4，站厅5，站厅6，站厅7，楼梯8，楼梯9，楼梯10，楼梯11}。由水灾机理研究可知，每个节点变量对应的值域均为 {0级水灾，1级水灾，2级水灾，3级水灾，4级水灾}，可简化为{0，1，2，3，4}。

进一步地，确定条件概率分布。在节点间父子关系和监测数据的基础上，可根据贝叶斯公式，求得两两节点间的条件概率，进而得到整体的条件概率分布表，贝叶斯公式如下所示：

式中，A，B为两个节点，B_i,B_j表示节点B的水灾等级为i,j。

这样三步完成后，用来预测灾害等级概率的灾害演化贝叶斯网络就构造完毕。以对图6中的节点站厅6进行预测为例，由式7所示的联合概率分布计算站厅 6发生灾害的概率P(站厅6)。

P(站厅6)＝P(站厅6，站厅7)＝P(站厅6|站厅7)P(站厅7) (7)

但考虑到节点站厅6、站厅7都有5个值域{0，1，2，3，4}，结合全概率公式将联合概率分布公式进行推广，可以得到如式8所示的推广式，将先验概率和条件概率带入其中，从而计算出节点站厅6分别取不同值时的概率P(站厅6＝ ii＝0,1,2,3,4，即节点站厅6分别发生各等级水灾的预测概率。

以此类推，可以求得所有节点的分别发生各等级水灾的预测概率，从而实现对各节点的灾害演化预测。

进一步的，当网络结构复杂时，上述求解过程涉及到的各节点的值域较多，相关计算公式繁杂，人为编程容易遗漏。故本实施例借助GeNie Modeler来辅助计算。GeNieModeler是一款可视化推理网络模型仿真软件，允许交互式模型构建和学习。用户只需在可视化界面中搭建好贝叶斯网络结构，将各节点的值域分布和概率数据输入网络，GeNieModeler即可自动完成贝叶斯网络学习，输出所要预测的节点的各值域的后验概率。在GeNie Modeler中搭建起如图6所示的演化拓扑网络结构，并将前5小时的监测数据作为训练数据输入到网络中进行训练，仿真软件会自行计算出条件概率分布P。

将表7所示的4：45—6：00这一时间段的水位数据作为测试数据，每次输入由前三个连续时刻的由各节点水位数据求得的先验概率，来计算后一个时刻的各节点各水灾等级的后验概率，选取概率最大的水灾等级作为该节点所预测的水灾等级。

表7 测试数据

这里以预测5：20时刻的各节点水灾等级为例，将5：00—5：15时刻的由水位数据求得的先验概率输入仿真软件，灾害演化拓扑网络对5：20时刻的各节点水灾等级的预测概率结果如图7所示。通过对比预测等级与实际等级发现，所预测的5：20时刻的各节点的概率最大的水灾等级中，10个节点中有8 个的预测等级与实际等级一致，预测有效。

以同样的方法，依次输入连续三个历史时刻的由各节点水位数据求得的先验概率来预测未来时刻的水灾等级。本演化预测方法预测的时间范围在5:00-6:00 内的共12组的各节点各时刻的最大概率的水灾等级如表8所示：

表8 所预测的各节点各时刻的概率最大的水灾等级

将各节点的各时刻预测结果与对应时刻的水位数据进行对照，对照结果如表 9所示，发现10个节点中有9个预测结果符合实际的比例均超过50％，说明本演化预测网络可以在一定程度上对灾害进行预测。

表9 预测结果与实际数据对照表

由此可见，本发明公开了一种基于时空关联的地下综合体水灾演化预测方法。该方法包括数据采集与处理，从地下综合体采集原始水灾数据，进行时间泛化处理、空间关联分析和灾害差分计算，得到时空处理数据，再根据先验知识对传感器节点区域进行关联分析，建立包含反映灾害演化方向的灾害演化拓扑网络，然后对时空处理数据连接生成时空关联事件表，对时空关联事件表进行规则挖掘，得到时空关联规则，定义性能指标，修正灾害演化拓扑网络作为贝叶斯网络结构，最后利用历史数据计算条件概率，构造灾害演化贝叶斯网络，预测灾害发生概率。该方法是基于地下综合体水位传感器对地下综合体内部的水位数据采集后实行的数据挖掘和机器学习方法，从水位数据中进行规则挖掘和应用，利用贝叶斯网络模型进行预测，有利于提高对地下综合体水灾的演化预测的准确度和效率，适用于地下综合体的风险预测和应急决策。

另外，本发明实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何地下综合体水灾演化预测方法的部分或全部步骤。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。

以上所述的具体实施方式，对本申请的目的、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，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。