CN114662894A - 城市内涝预警方法、装置、设备及存储介质 - Google Patents
城市内涝预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114662894A CN114662894A CN202210262516.8A CN202210262516A CN114662894A CN 114662894 A CN114662894 A CN 114662894A CN 202210262516 A CN202210262516 A CN 202210262516A CN 114662894 A CN114662894 A CN 114662894A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- waterlogging
- real
- urban
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 155
- 238000012502 risk assessment Methods 0.000 claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- -1 rainfall Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及人工智能领域,公开了一种城市内涝预警方法、装置、设备及存储介质,该方法包括:获取第一时间段内的第一实时监测数据和第一优化数据;利用城市内涝风险分析模型对第一实时监测数据和第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;获取基于第一内涝预警数据生效的第二时间段的第二实时监测数据,并对第一内涝预警数据进行核对,得到第二优化数据;判断第二优化数据是否在预设误差范围内;若是,则基于第二内涝预警数据向对应的区域进行内涝预警。本方法通过将监测数据输入至模型中,得到两个预警数据,在验证一个预警数据后基于另一个内涝预警数据实现对城市内涝风险的预警,能够高效实现城市内涝风险预警。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种城市内涝预警方法、装置、设备及存储介质。
背景技术
当前城市内涝风险抵御方法主要包括工程措施和非工程措施,工程措施主要是指通过修建堤坝、增加雨水管渠数量和管径、道路竖向改造等对易涝点和内涝风险区进行改造,非工程措施包括地表径流模拟、管网-河道水动力模拟、内涝预警和风险评估等。传统的城市内涝预警和风险评估主要是基于气象预报数据、产汇流模型、管网-河道水动力模型等机理模型对内涝进行预警,但对于地形、雨型、管网等基础数据要求高。为了解决现有的城市内涝预警方法中存在众多机理模型参数率定、调优难,且由于数据量庞大导致预报的时效性差的技术问题,因此,现在亟需一种城市内涝预警方法来解决上述问题。
发明内容
本发明的主要目的在于解决现有的城市内涝预警方法中存在众多机理模型参数率定、调优难,且由于数据量庞大导致预报的时效性差的技术问题。
本发明第一方面提供了一种城市内涝预警方法,所述城市内涝预警方法包括:获取第一时间段内的第一实时监测数据和第一优化数据;利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;判断所述第二优化数据是否在预设误差范围内;若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。
可选的,在本发明第一方面的第一种实现方式中,在所述获取第一时间段内的第一实时监测数据和第一优化数据之前,还包括:构建待训练城市内涝风险分析模型;收集历史监测数据进行预处理,根据所述历史监测数据的采集时间分别划分成训练样本数据和训练结果;将所述训练样本数据输入所述待训练城市内涝风险分析模型,所述训练结果作为输出值,调整并修正所述待训练的城市内涝风险分析模型,直到误差小于预设阈值或达到预设的迭代次数,得到所述城市内涝风险分析模型。
可选的,在本发明第一方面的第二种实现方式中,所述利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据,包括:基于需预测的城市所属地理环境选择对应的所述第一优化数据;将所述第一实时监测数据和所述第一优化数据输入至所述城市内涝风险分析模型处理,得到对应的第一内涝预警数据和第二内涝预警数据。
可选的,在本发明第一方面的第三种实现方式中,所述城市内涝风险分析模型包括输入层、隐藏层和输出层;所述将所述第一实时监测数据和所述第一优化数据输入至所述城市内涝风险分析模型处理,得到对应的第一内涝预警数据和第二内涝预警数据,包括:将所述第一实时监测数据和所述第一优化数据作为输入向量x输入至所述城市内涝风险分析模型;通过将所述输入向量x乘以输入层至隐藏层的权重矩阵U、更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V,得到输出值O;将所述输出值O根据生效时间的不同,解析并得到对应的所述第一内涝预警数据和所述第二内涝预警数据。
可选的,在本发明第一方面的第四种实现方式中,所述获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据,包括:当到达所述第一内涝预警数据生效的所述第二时间段,获取所述第二实时监测数据;对比所述第一内涝预警数据和所述第二实时监测数据,得到第一对比差值;基于所述第一对比差值生成第二优化数据。
可选的,在本发明第一方面的第五种实现方式中,在所述获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据之后,包括:分析所述第一实时监测数据和所述第二实时监测数据之差,得到偏差值组;判断所述偏差值组中是否存在超过预设阈值的偏差数据;若是,则将所述偏差数据预警至对应职能部门。
可选的,在本发明第一方面的第六种实现方式中,在所述基于所述第二内涝预警数据向对应的区域进行内涝预警之后,包括:当到达所述第二内涝预警数据生效的第三时间段,获取所述第三实时监测数据;对比所述第二内涝预警数据和所述第三实时监测数据,得到第二对比差值;基于所述第一对比差值和所述第二对比差值优化所述城市内涝风险分析模型。
本发明第二方面提供了一种城市内涝预警装置,包括:数据获取模块,用于获取第一时间段内的第一实时监测数据和第一优化数据;模型分析模块,用于利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;数据核对模块,用于获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;误差判断模块,用于判断所述第二优化数据是否在预设误差范围内;预警模块,用于若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。
可选的,在本发明第二方面的第一种实现方式中,所述城市内涝预警装置还包括模型构建模块,所述模型构建模块具体用于:构建待训练城市内涝风险分析模型;收集历史监测数据进行预处理,根据所述历史监测数据的采集时间分别划分成训练样本数据和训练结果;将所述训练样本数据输入所述待训练城市内涝风险分析模型,所述训练结果作为输出值,调整并修正所述待训练的城市内涝风险分析模型,直到误差小于预设阈值或达到预设的迭代次数,得到所述城市内涝风险分析模型。
可选的,在本发明第二方面的第二种实现方式中,所述数据获取模块具体用于:第一优化数据单元,用于基于需预测的城市所属地理环境选择对应的所述第一优化数据;模型处理单元,用于将所述第一实时监测数据和所述第一优化数据输入至所述城市内涝风险分析模型处理,得到对应的第一内涝预警数据和第二内涝预警数据。
可选的,在本发明第二方面的第三种实现方式中,所述模型处理单元具体用于:将所述第一实时监测数据和所述第一优化数据作为输入向量x输入至所述城市内涝风险分析模型;通过将所述输入向量x乘以输入层至隐藏层的权重矩阵U、更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V,得到输出值O;将所述输出值O根据生效时间的不同,解析并得到对应的所述第一内涝预警数据和所述第二内涝预警数据。
可选的,在本发明第二方面的第四种实现方式中,所述数据核对模块具体用于:当到达所述第一内涝预警数据生效的所述第二时间段,获取所述第二实时监测数据;对比所述第一内涝预警数据和所述第二实时监测数据,得到第一对比差值;基于所述第一对比差值生成第二优化数据。
可选的,在本发明第二方面的第五种实现方式中,所述城市内涝预警装置还包括偏差组预警模块,所述偏差组预警模块具体用于:分析所述第一实时监测数据和所述第二实时监测数据之差,得到偏差值组;判断所述偏差值组中是否存在超过预设阈值的偏差数据;若是,则将所述偏差数据预警至对应职能部门。
可选的,在本发明第二方面的第六种实现方式中,所述城市内涝预警装置还包括模型优化模块,所述模型优化模块具体用于:当到达所述第二内涝预警数据生效的第三时间段,获取所述第三实时监测数据;对比所述第二内涝预警数据和所述第三实时监测数据,得到第二对比差值;基于所述第一对比差值和所述第二对比差值优化所述城市内涝风险分析模型。
本发明第三方面提供了一种城市内涝预警设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述城市内涝预警设备执行上述的城市内涝预警方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的城市内涝预警方法的步骤。
本发明的技术方案中,获取第一时间段内的第一实时监测数据和第一优化数据;利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;判断所述第二优化数据是否在预设误差范围内;若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。本方法通过获取多个时间段的监测数据,输入至预先训练好的城市内涝风险分析模型中,得到基于不同时间段的两个内涝预警数据,并在验证其中一个短期内涝预警数据确认模型精度后基于另一个内涝预警数据实现对城市内涝风险的预警,能够高效且快速的实现城市内涝风险预警并降低城市应对内涝风险管理的成本。
附图说明
图1为本发明实施例中城市内涝预警方法的第一个实施例示意图;
图2为本发明实施例中城市内涝预警方法的第二个实施例示意图;
图3为本发明实施例中城市内涝预警方法的第三个实施例示意图;
图4为本发明实施例中城市内涝预警方法的第四个实施例示意图;
图5为本发明实施例中城市内涝预警装置的一个实施例示意图;
图6为本发明实施例中城市内涝预警装置的另一个实施例示意图;
图7为本发明实施例中城市内涝预警设备的一个实施例示意图。
具体实施方式
本发明的技术方案中,获取第一时间段内的第一实时监测数据和第一优化数据;利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;判断所述第二优化数据是否在预设误差范围内;若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。本方法通过获取多个时间段的监测数据,输入至预先训练好的城市内涝风险分析模型中,得到基于不同时间段的两个内涝预警数据,并在验证其中一个短期内涝预警数据确认模型精度后基于另一个内涝预警数据实现对城市内涝风险的预警,能够高效且快速的实现城市内涝风险预警并降低城市应对内涝风险管理的成本。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中城市内涝预警方法的第一个实施例包括:
101,获取第一时间段内的第一实时监测数据和第一优化数据;
在本实施例中,第一实时监测数据包括降雨数据的时间、雨型、雨强、雨量、历时等,输出向量包括政府部门、保险涉水理赔、公众上报等各渠道的内涝数据,内涝特征包括行政区、位置、时间、水深、积水时长等。
具体的,第一优化数据包括降水量预报数据,其中包括逐日逐时降水量、降水范围等。
通过在第一时间段获取经由多个行政部门、观察设备、计量方式汇总得到的第一实时监测数据和第一优化数据,形成城市内涝风险分析模型中的输入值。
102,利用预设的城市内涝风险分析模型对第一实时监测数据和第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
在本实施例中,通过预先训练好的城市内涝风险分析模型将在第一时间段采集到的第一实时监测数据和第一优化数据作为输入值,根据内涝风险逐日、逐时预警需求,将气象降水量预报数据和实时监测数据作为输入向量,结合实时监测的降雨、水位和道路积水情况,通过模型计算出内涝预警数据。在实时监测数据中,除了接入传统雨量、水位的感知监测外,利用道路视频对道路积水进行AI计算,对重点路段的内涝情况进行实时评估。
具体的,将第一实时监测数据和第一优化数据输入至模型后,通过设置对应的预测时长的不同,将分别得到基于第二时间段的生效的第一内涝预警数据和基于第三时间段生效的第二内涝预警数据。
其中,第一时间段为第一次输入至城市内涝风险分析模型中时的第一实时监测数据和第一优化数据的采集时间;第二时间段为城市内涝风险分析模型中第一内涝预警数据的生效时间段;第三时间段为城市内涝风险分析模型中第二内涝预警数据的生效时间段。
103,获取基于第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对第一内涝预警数据进行核对,得到第二优化数据;
在本实施例中,当达到第一内涝预警数据生效的第二时间段时,同步获取基于该第二时间段采集到的第二实时监测数据;基于同一时间段内预测值和实际值的对比,得到城市内涝风险分析模型输出的第一内涝预警数据与第二实时监测数据的偏差值,并基于该偏差值调整为第二优化数据。用以准备当预测值超过预设阈值时进行城市内涝风险分析模型的调整计算。
具体的,第二实时监测数据的来源可以是基于和第一实时监测数据的同一来源,但第二实时监测数据的采集时间是在第二时间段,可作用为后续城市内涝风险分析模型的输入值,也可以是用于验证第一内涝预警数据的预测偏差值。
104,判断第二优化数据是否在预设误差范围内;
在本实施例中,通过判断得到的第二优化数据是否在预设误差范围内,决定是否需要对城市内涝风险分析模型进行调整并二次分析。
其中,得到的第二优化数据包括但不限于以下类型的偏差值:降雨数据、水位数据、水深数据、降水量、风向风级等。
具体的,通过对第二优化数据内容中不同类型的偏差值进行赋权,多个不同数据汇总的偏差通过权重进行数据化的整合。例如:降雨数据可设权重占比10%、水位数据可设权重占比20%诸如此类。再在10%权重占比的降雨数据中根据预测和实际的偏差程度划分不同的分值,从而实现多数据多维度下的整合判定。
105,若是,则基于第二内涝预警数据向对应的区域进行内涝预警。
在本实施例中,若第二优化数据在预设误差范围内,意为通过城市内涝风险分析模型输出的第一内涝预警数据和第二内涝预警数据准确度达到了预设的要求。无需对模型进行调整,即可基于第二内涝预警数据对在预警影响范围内的对应区域发布内涝预警。
具体的,内涝预警可以跟城市内涝风险分析模型进行联动,当确定第二优化数据的误差范围后即可通过系统内对应端口将预警信息发送至多个预设的行政单位、运营商或市民等实现快速预警。
在本实施例中,获取第一时间段内的第一实时监测数据和第一优化数据;利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;判断所述第二优化数据是否在预设误差范围内;若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。本方法通过获取多个时间段的监测数据,输入至预先训练好的城市内涝风险分析模型中,得到基于不同时间段的两个内涝预警数据,并在验证其中一个短期内涝预警数据确认模型精度后基于另一个内涝预警数据实现对城市内涝风险的预警,能够高效且快速的实现城市内涝风险预警并降低城市应对内涝风险管理的成本。
请参阅图2,本发明实施例中城市内涝预警方法的第二个实施例包括:
201,构建待训练城市内涝风险分析模型;
在本实施例中,基于RNN神经网络算法建立城市内涝风险大数据分析模型。
其中,RNN是一种特殊的神经网络结构,它是根据"人的认知是基于过往的经验和记忆"这一观点提出的。它与DNN,CNN不同的是:它不仅考虑前一时刻的输入,而且赋予了网络对前面的内容的一种'记忆'功能。
RNN之所以称为循环神经网路,即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
202,收集历史监测数据进行预处理,根据历史监测数据的采集时间分别划分成训练样本数据和训练结果;
在本实施例中,基于城市之前留存的检测数据,即历史监测数据,进行预处理,即整合并提取历史监测数据中应用在模型中的输入向量,包括降雨数据的时间、雨型、雨强、雨量、历时等,输出向量包括政府部门、保险涉水理赔、公众上报等各渠道的内涝数据。
因历史检测数据包括内涝前后的连贯变化,因此历史监测数据在处理中既可用作某一时段的输入值即训练样本数据,也可作为另一时段的输出值即训练结果,从而极大地扩充了用于训练的样本量。
203,将训练样本数据输入待训练城市内涝风险分析模型,训练结果作为输出值,调整并修正待训练的城市内涝风险分析模型,直到误差小于预设阈值或达到预设的迭代次数,得到城市内涝风险分析模型。
在本实施例中,通过将预处理后的训练样本数据输入待训练城市内涝风险分析模型,训练结果作为输出值的拟合对象,在训练过程中不断调整并修正模型中调优的迭代式过程,逐步选取最优的神经网络配置,在不断地迭代过程中,直到误差小于预设阈值或者达到预设的迭代次数后,完成对城市内涝风险分析模型的训练。
204,获取第一时间段内的第一实时监测数据和第一优化数据;
205,利用预设的城市内涝风险分析模型对第一实时监测数据和第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
206,当到达第一内涝预警数据生效的第二时间段,获取第二实时监测数据;
在本实施例中,到达第二时间段时,同步获取第二时间段采集到的第二实时监测数据。其中,第二实时监测数据和第一实时监测数据的采集方式可一致,区别仅在数据的采集时间不同。
具体的,因第一内涝预警数据主要用于验证城市内涝风险分析模型计算分析时的准确度,因此第一时间段至第二时间段应当间隔的时间取短,在验证准确后取基于第三时间段预测的第二内涝预警数据进行预警。
207,对比第一内涝预警数据和第二实时监测数据,得到第一对比差值;
在本实施例中,通过对比预测值和实际监测值,基于两者之差得到第一对比差值。其中预测值为第一内涝预警数据,实际监测值为第二实时监测数据。
具体的,基于二者对比之差,实现对模型应用过程中的初步验证。同时,在验证的过程中,必然存在第一对比差值。
208,基于第一对比差值生成第二优化数据;
在本实施例中,通过对第一对比差值内容中不同类型的偏差值进行赋权,多个不同数据汇总的偏差通过权重进行数据化的整合。例如:降雨数据可设权重占比10%、水位数据可设权重占比20%诸如此类。再在10%权重占比的降雨数据中根据预测和实际的偏差程度划分不同的分值,从而实现多数据多维度下的整合判定。
具体的,通过整合第一对比偏差值,得到生成的可用于代入模型中进行二次计算的第二优化数据。
209,判断第二优化数据是否在预设误差范围内;
210,若是,则基于第二内涝预警数据向对应的区域进行内涝预警。
本实施例在前实施例的基础上,详细描述了当到达所述第一内涝预警数据生效的所述第二时间段,获取所述第二实时监测数据;对比所述第一内涝预警数据和所述第二实时监测数据,得到第一对比差值;基于所述第一对比差值生成第二优化数据的过程。通过本实施例相较于传统方法,细化了因第一内涝预警数据主要用于验证城市内涝风险分析模型计算分析时的准确度,因此第一时间段至第二时间段应当间隔的时间取短,在验证准确后取基于第三时间段预测的第二内涝预警数据进行预警,从而提高了预警数据的准确度。
请参阅图3,本发明实施例中城市内涝预警方法的第三个实施例包括:
301,获取第一时间段内的第一实时监测数据和第一优化数据;
302,基于需预测的城市所属地理环境选择对应的第一优化数据;
在本实施例中,因模型对应的城市所处地理环境、气候、城市建设等诸多条件的不同,因此需根据城市的特征数据对输入的第一优化数据进行修改、选择
303,将第一实时监测数据和第一优化数据作为输入向量x输入至城市内涝风险分析模型;
在本实施例中,将获取到的第一实时监测数据和第一优化数据输入至训练好的城市内涝风险分析模型,通过计算后得到对应输出值。
具体的,基于城市内涝风险大数据分析模型,根据内涝风险逐日、逐时预警需求,将气象降水量预报数据和实时监测数据作为输入向量,结合实时监测的降雨、水位和道路积水情况,通过模型计算出内涝预警数据。在实时监测数据中,除了接入传统雨量、水位的感知监测外,利用道路视频对道路积水进行AI计算,对重点路段的内涝情况进行实时评估。
304,通过将输入向量x乘以输入层至隐藏层的权重矩阵U、更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V,得到输出值O;
在本实施例中,与基础的神经网络相比,RNN的不同之处在于在隐层之间的神经元之间也建立了权连接,随着序列的不断推进,隐层的前部将会通过W权连接影响到后部。其特点包括,能够处理序列化数据,隐层神经元之间也有权连接;权值共享,输入层,隐层,输出层的权值在不同序列中都相同;每一个输入值只与它本身的那条线路建立权连接,不与别的神经元连接。
305,将输出值O根据生效时间的不同,解析并得到对应的第一内涝预警数据和第二内涝预警数据;
在本实施例中,因在模型中设置提供的计算生效时间的不同,对应生成第一内涝预警数据和第二内涝预警数据。
具体的,第一内涝预警数据和第二内涝预警数据计算的生效时间应分别等同于第二时间段和第三时间段,便于同步采集对应时间段内的第二实时监测数据和第三实时监测数据进行进一步的对比。
306,获取基于第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对第一内涝预警数据进行核对,得到第二优化数据;
307,判断第二优化数据是否在预设误差范围内;
308,若是,则基于第二内涝预警数据向对应的区域进行内涝预警。
本实施例在前实施例的基础上,详细描述了将所述第一实时监测数据和所述第一优化数据作为输入向量x输入至所述城市内涝风险分析模型;通过将所述输入向量x乘以输入层至隐藏层的权重矩阵U、更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V,得到输出值O;将所述输出值O根据生效时间的不同,解析并得到对应的所述第一内涝预警数据和所述第二内涝预警数据的过程。通过本实施例相较于传统方法,细化了基于城市内涝风险大数据分析模型的计算,根据内涝风险逐日、逐时预警需求,将气象降水量预报数据和实时监测数据作为输入向量,结合实时监测的降雨、水位和道路积水情况,通过模型计算出内涝预警数据。在实时监测数据中,除了接入传统雨量、水位的感知监测外,利用道路视频对道路积水进行AI计算,对重点路段的内涝情况进行实时评估。
请参阅图4,本发明实施例中城市内涝预警方法的第四个实施例包括:
401,获取第一时间段内的第一实时监测数据和第一优化数据;
402,利用预设的城市内涝风险分析模型对第一实时监测数据和第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
403,获取基于第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对第一内涝预警数据进行核对,得到第二优化数据;
404,分析第一实时监测数据和第二实时监测数据之差,得到偏差值组;
在本实施例中,当达到第一内涝预警数据生效的第二时间段时,同步获取基于该第二时间段采集到的第二实时监测数据,并对前述得到的第一实时监测数据在数值上进行简单的对比分析,两个时间段间关于内涝数据的偏差值组。通过简单的数值比较,若偏差值组中超过一定的预设阈值,可视为内涝风险较大,直接进行预警。
405,判断偏差值组中是否存在超过预设阈值的偏差数据;
在本实施例中,具体判断存在超过预设阈值的偏差数据可例如在第一时间段测得水深5cm,而在第二时间段测得水深20cm时,因水深的变化速度极大,即偏差数据较大,说明存在较大的内涝风险,因此也可基于偏差数据的变化进行直接判断预警。
406,若是,则将偏差数据预警至对应职能部门;
407,判断第二优化数据是否在预设误差范围内;
408,若是,则基于第二内涝预警数据向对应的区域进行内涝预警。
409,当到达第二内涝预警数据生效的第三时间段,获取第三实时监测数据;
在本实施例中,当达到第二内涝预警数据生效的第三时间段,判断第二优化数据是否在一定的预设误差范围之内,若是则基于第一实时监测数据和第二实时监测数据来源获取基于第三时间段的第三实时监测数据。
410,对比第二内涝预警数据和第三实时监测数据,得到第二对比差值;
411,基于第一对比差值和第二对比差值优化城市内涝风险分析模型。
在本实施例中,将内涝预警数据和对应时序的实时监测数据进行有效性的逐一核对,分逐日、逐时的预警和对位置、范围、水深、时长等不同特征的神经网络模型进行迭代优化,并对不同的气象模型进行比优,遴选出最适于该城市的气象降雨预报算法,从而优化城市内涝风险分析模型,不断提升模型的准确性。
本实施例在前实施例的基础上,详细描述了当到达所述第二内涝预警数据生效的第三时间段,获取所述第三实时监测数据;对比所述第二内涝预警数据和所述第三实时监测数据,得到第二对比差值;基于所述第一对比差值和所述第二对比差值优化所述城市内涝风险分析模型的过程。通过预警数据和实时监测数据的核对,优化城市内涝风险分析模型,提升模型的准确性。
上面对本发明实施例中城市内涝预警方法进行了描述,下面对本发明实施例中城市内涝预警装置进行描述,请参阅图5,本发明实施例中城市内涝预警装置一个实施例包括:
数据获取模块501,用于获取第一时间段内的第一实时监测数据和第一优化数据;
模型分析模块502,用于利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
数据核对模块503,用于获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;
误差判断模块504,用于判断所述第二优化数据是否在预设误差范围内;
预警模块505,用于若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。
本发明实施例中,城市内涝预警装置运行上述城市内涝预警方法,包括,获取第一时间段内的第一实时监测数据和第一优化数据;利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;判断所述第二优化数据是否在预设误差范围内;若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。本方法通过获取多个时间段的监测数据,输入至预先训练好的城市内涝风险分析模型中,得到基于不同时间段的两个内涝预警数据,并在验证其中一个短期内涝预警数据确认模型精度后基于另一个内涝预警数据实现对城市内涝风险的预警,能够高效且快速的实现城市内涝风险预警并降低城市应对内涝风险管理的成本。
请参阅图6,本发明实施例中城市内涝预警装置的第二个实施例包括:
数据获取模块501,用于获取第一时间段内的第一实时监测数据和第一优化数据;
模型分析模块502,用于利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
数据核对模块503,用于获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;
误差判断模块504,用于判断所述第二优化数据是否在预设误差范围内;
预警模块505,用于若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。
在本实施例中,所述城市内涝预警装置还包括模型构建模块506,所述模型构建模块506具体用于:
构建待训练城市内涝风险分析模型;收集历史监测数据进行预处理,根据所述历史监测数据的采集时间分别划分成训练样本数据和训练结果;将所述训练样本数据输入所述待训练城市内涝风险分析模型,所述训练结果作为输出值,调整并修正所述待训练的城市内涝风险分析模型,直到误差小于预设阈值或达到预设的迭代次数,得到所述城市内涝风险分析模型。
在本实施例中,所述数据获取模块501具体用于:
第一优化数据单元5011,用于基于需预测的城市所属地理环境选择对应的所述第一优化数据;模型处理单元5012,用于将所述第一实时监测数据和所述第一优化数据输入至所述城市内涝风险分析模型处理,得到对应的第一内涝预警数据和第二内涝预警数据。
在本实施例中,所述模型处理单元5012具体用于:
将所述第一实时监测数据和所述第一优化数据作为输入向量x输入至所述城市内涝风险分析模型;通过将所述输入向量x乘以输入层至隐藏层的权重矩阵U、更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V,得到输出值O;将所述输出值O根据生效时间的不同,解析并得到对应的所述第一内涝预警数据和所述第二内涝预警数据。
在本实施例中,所述数据核对模块503具体用于:
当到达所述第一内涝预警数据生效的所述第二时间段,获取所述第二实时监测数据;对比所述第一内涝预警数据和所述第二实时监测数据,得到第一对比差值;基于所述第一对比差值生成第二优化数据。
在本实施例中,所述城市内涝预警装置还包括偏差组预警模块507,所述偏差组预警模块507具体用于:
分析所述第一实时监测数据和所述第二实时监测数据之差,得到偏差值组;判断所述偏差值组中是否存在超过预设阈值的偏差数据;若是,则将所述偏差数据预警至对应职能部门。
在本实施例中,所述城市内涝预警装置还包括模型优化模块508,所述模型优化模块508具体用于:
当到达所述第二内涝预警数据生效的第三时间段,获取所述第三实时监测数据;对比所述第二内涝预警数据和所述第三实时监测数据,得到第二对比差值;基于所述第一对比差值和所述第二对比差值优化所述城市内涝风险分析模型。
本实施例在上一实施例的基础上,详细描述了各个模块的具体功能以及部分模块的单元构成,通过上述模块并细化了原有模块的具体作用,完善了城市内涝预警装置的运行,提高了其运行时的可靠性以及明确了各个步骤间的实际逻辑,提高了装置的实用性。
上面图5和图6从模块化功能实体的角度对本发明实施例中的城市内涝预警装置进行详细描述,下面从硬件处理的角度对本发明实施例中城市内涝预警设备进行详细描述。
图7是本发明实施例提供的一种城市内涝预警设备的结构示意图,该城市内涝预警设备700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)710(例如,一个或一个以上处理器)和存储器720,一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中,存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对城市内涝预警设备700中的一系列指令操作。更进一步地,处理器710可以设置为与存储介质730通信,在城市内涝预警设备700上执行存储介质730中的一系列指令操作,以实现上述城市内涝预警方法的步骤。
城市内涝预警设备700还可以包括一个或一个以上电源740,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口760,和/或,一个或一个以上操作系统731,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的城市内涝预警设备结构并不构成对本申请提供的城市内涝预警设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述的城市内涝预警方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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介质中。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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种城市内涝预警方法,其特征在于,所述城市内涝预警方法包括:
获取第一时间段内的第一实时监测数据和第一优化数据;
利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;
判断所述第二优化数据是否在预设误差范围内;
若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。
2.根据权利要求1所述的城市内涝预警方法,其特征在于,在所述获取第一时间段内的第一实时监测数据和第一优化数据之前,还包括:
构建待训练城市内涝风险分析模型;
收集历史监测数据进行预处理,根据所述历史监测数据的采集时间分别划分成训练样本数据和训练结果;
将所述训练样本数据输入所述待训练城市内涝风险分析模型,所述训练结果作为输出值,调整并修正所述待训练的城市内涝风险分析模型,直到误差小于预设阈值或达到预设的迭代次数,得到所述城市内涝风险分析模型。
3.根据权利要求1所述的城市内涝预警方法,其特征在于,所述利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据,包括:
基于需预测的城市所属地理环境选择对应的所述第一优化数据;
将所述第一实时监测数据和所述第一优化数据输入至所述城市内涝风险分析模型处理,得到对应的第一内涝预警数据和第二内涝预警数据。
4.根据权利要求3所述的城市内涝预警方法,其特征在于,所述城市内涝风险分析模型包括输入层、隐藏层和输出层;
所述将所述第一实时监测数据和所述第一优化数据输入至所述城市内涝风险分析模型处理,得到对应的第一内涝预警数据和第二内涝预警数据,包括:
将所述第一实时监测数据和所述第一优化数据作为输入向量x输入至所述城市内涝风险分析模型;
通过将所述输入向量x乘以输入层至隐藏层的权重矩阵U、更新隐藏层的权重矩阵W、隐藏层至输出层的权重矩阵V,得到输出值O;
将所述输出值O根据生效时间的不同,解析并得到对应的所述第一内涝预警数据和所述第二内涝预警数据。
5.根据权利要求1所述的城市内涝预警方法,其特征在于,所述获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据,包括:
当到达所述第一内涝预警数据生效的所述第二时间段,获取所述第二实时监测数据;
对比所述第一内涝预警数据和所述第二实时监测数据,得到第一对比差值;
基于所述第一对比差值生成第二优化数据。
6.根据权利要求1所述的城市内涝预警方法,其特征在于,在所述获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据之后,包括:
分析所述第一实时监测数据和所述第二实时监测数据之差,得到偏差值组;
判断所述偏差值组中是否存在超过预设阈值的偏差数据;
若是,则将所述偏差数据预警至对应职能部门。
7.根据权利要求1所述的城市内涝预警方法,其特征在于,在所述基于所述第二内涝预警数据向对应的区域进行内涝预警之后,包括:
当到达所述第二内涝预警数据生效的第三时间段,获取所述第三实时监测数据;
对比所述第二内涝预警数据和所述第三实时监测数据,得到第二对比差值;
基于所述第一对比差值和所述第二对比差值优化所述城市内涝风险分析模型。
8.一种城市内涝预警装置,其特征在于,所述城市内涝预警装置包括:
数据获取模块,用于获取第一时间段内的第一实时监测数据和第一优化数据;
模型分析模块,用于利用预设的城市内涝风险分析模型对所述第一实时监测数据和所述第一优化数据进行分析并得到对应的第一内涝预警数据和第二内涝预警数据;
数据核对模块,用于获取基于所述第一内涝预警数据生效的第二时间段对应的第二实时监测数据,并对所述第一内涝预警数据进行核对,得到第二优化数据;
误差判断模块,用于判断所述第二优化数据是否在预设误差范围内;
预警模块,用于若是,则基于所述第二内涝预警数据向对应的区域进行内涝预警。
9.一种城市内涝预警设备,其特征在于,所述城市内涝预警设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述城市内涝预警设备执行如权利要求1-7中任一项所述的城市内涝预警方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的城市内涝预警方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262516.8A CN114662894A (zh) | 2022-03-17 | 2022-03-17 | 城市内涝预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262516.8A CN114662894A (zh) | 2022-03-17 | 2022-03-17 | 城市内涝预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662894A true CN114662894A (zh) | 2022-06-24 |
Family
ID=82029502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262516.8A Pending CN114662894A (zh) | 2022-03-17 | 2022-03-17 | 城市内涝预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662894A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027736A (zh) * | 2023-02-14 | 2023-04-28 | 广东热浪新材料科技有限公司 | 一种星盆加工设备的控制优化方法及控制系统 |
-
2022
- 2022-03-17 CN CN202210262516.8A patent/CN114662894A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027736A (zh) * | 2023-02-14 | 2023-04-28 | 广东热浪新材料科技有限公司 | 一种星盆加工设备的控制优化方法及控制系统 |
CN116027736B (zh) * | 2023-02-14 | 2023-09-12 | 广东热浪新材料科技有限公司 | 一种星盆加工设备的控制优化方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN107153874A (zh) | 水质预测方法及系统 | |
CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
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 | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN113610301B (zh) | 一种表征地面沉降时序演变的预测算法 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN115271186A (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN114662894A (zh) | 城市内涝预警方法、装置、设备及存储介质 | |
CN117575873B (zh) | 综合气象水文敏感性的洪水警戒方法与系统 | |
Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
JP2955413B2 (ja) | ニューラルネットワーク応用雨水流入量予測装置 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
CN117037449A (zh) | 一种基于边缘计算的团雾监测方法及监测系统 | |
Karimi et al. | Monthly rainfall prediction using ARIMA and gene expression programming: A case study in Urmia, Iran | |
Shafabakhsh et al. | Determining the relative importance of parameters affecting concrete pavement thickness | |
CN115829150A (zh) | 一种积水预测系统 | |
CN116090696A (zh) | 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法 | |
Wang et al. | The research on bridge engineering risk management and assessment model based on BP neural network | |
Sonkusare et al. | Improved performance of multi-model ensemble through the bias correction based on ANN technique | |
CN114118508A (zh) | 一种基于时空卷积网络的od市场航空客流量预测方法 |
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 |