CN115730739A - 一种基于lstm神经网络的城市内涝积水预测方法 - Google Patents

Abstract

本申请提供一种基于LSTM神经网络的城市内涝积水预测方法，步骤为：采集历史每一次降雨过程中城市若干积水点的积水深度、排水出口与河道或湖泊的高差、积水点区域的降雨量，以及积水点的环境数据；构建积水点的积水量与积水深度的数学关系，计算第i个采样周期内积水点的汇流水量；构建基于LSTM神经网络的汇流水量预测模型，初始化模型参数，并对模型进行训练；采集待预测点的实时数据以及环境数据，并将其输入训练后的LSTM神经网络模型中对汇流水量进行预测，并通过汇流水量和环境数据对待预测点的积水深度进行计算。本申请通过对积水点汇流水量的预测以及对不同情况下积水点排水量的计算提高了积水深度预测的精度，为城市防洪、减灾等领域提供支持。

Description

一种基于LSTM神经网络的城市内涝积水预测方法

技术领域

本发明涉及城市内涝积水预测技术领域，特别是一种基于LSTM神经网络的城市内涝积水预测方法。

背景技术

近年来，随着全球气候的变暖，以及台风等极端天气的影响，许多地方频繁出现50年甚至100年一遇的特大暴雨，而城市在发展过程中受到财政、建设周期等因素的影响，其城市防洪能力大多按照20年一遇的标准进行设计，尤其是一些老城区受到城市建设时间的影响，其防洪能力大多只有10年一遇的标准，当极端大暴雨发生时极易给人民生命财产安全极大的安全隐患，因此，在极端天气下对城市内涝积水点进行有效预测，并以此做出相应决策预案，成为城市洪涝防治最重要的一环。

现有城市内涝积水预测均是通过对历史降雨过程中积水点积水深度和降雨量进行采集，通过积水深度和降雨量对未来的某一时段的积水深度进行预测，在极端降雨过程中，随着地面积水深度的改变，无法排出的水会向较低处的排水口进行流动(如下穿立交、城市下沉广场等)，造成较低处排水口的汇入水量发生较大改变，现有预测方法在汇入水量发生较大时精度较低。

发明内容

本发明的目的就是提供一种基于LSTM神经网络的城市内涝积水预测方法。

本发明的目的是通过这样的技术方案实现的，具体步骤为：

1)数据采集：以△t为时间间隔，采集历史每一次降雨过程中城市若干积水点的积水深度数据、积水点对应排水出口与排水河道或湖泊的竖直高差数据、积水点对应排水管的流速数据、积水点区域的降雨量数据，以及积水点的环境数据，获得采集数据；

2)计算汇流水量：构建积水点的积水量与积水深度的数学关系，并根据积水点排水管网数据和降雨量数据计算第i个采样周期内积水点的汇流水量；

3)数据分集：将积水点单次降雨过程中的采集数据和计算得到的汇流水量按照时间排序，获得原始数据集，将原始数据集按照8:2的比例划分为测试集和训练集；

4)构建模型：以降雨量为输入，汇流水量为输出，构建基于LSTM神经网络的汇流水量预测模型，初始化模型参数，并通过训练集数据对模型进行训练；

5)积水深度预测：采集待预测点的实时数据以及环境数据，并将其输入步骤4)中训练后的LSTM神经网络模型中对汇流水量进行预测，并通过汇流水量和环境数据对待预测点的积水深度进行计算。

进一步，步骤1)中所述积水深度数据为：H＝{h₁,h₂,...,h_j,...,h_m}，其中：h_j为单次降雨过程中单个积水点第j次采样的积水深度数据；

所述积水点区域的降雨量数据为：P＝{p₁,p₂,...,p_j,...,p_N}，其中：p_j为单次降雨过程中单个积水点区域第j次采样的降雨量数据；

所述积水点对应排水出口与排水河道或湖泊的竖直高差数据为：△S＝{△s₁,△s₂,...,△s_j,...,△s_N}，其中：△s_j为单次降雨过程中单个积水点第j次采样积水点对应排水出口与排水河道或湖泊的竖直高差数据；

所述积水点对应排水管的流速V＝{v₁,v₂,...,v_j,...,v_N}，其中：v_j为单次降雨过程中单个积水点第j次采样积水点对应排水管的流速数据；

所述积水点的环境数据包括积水点的地理类型数据以及积水点的排水管网数据，所述积水点地理类型数据包括城市立交下穿隧道、城市低洼区域两种类型，所述城市低洼区域包括城市下沉广场或平坦路面；

所述排水管网数据包括积水点处排水管的设计流速ν、排水管的流量常数b。

进一步，步骤2)中计算计算汇流水量的具体步骤为：

2-1)构建积水点的积水量Q_z与积水深度h_z的数学关系：

Q_z＝f(h_z)

式中，f(h_z)为积水点积水量Q_z与积水深度h_z的数学关系函数；

针对城市立交下穿隧道构建数学函数f₁(h_z)，针对城市城市低洼区域构建数学函数f₂(h_z)：

f₂(h_z)＝h_z.S_j

式中，ax²为城市立交下穿隧道的截面曲线，w为城市立交下穿隧道的宽度，S_j为城市下沉广场或积水路面的面积；

2-2)计算第i个采样周期内汇入积水点的汇流水量Q_hi：

式中，Q_zi为第i次采样积水点的积水量，ν_i为第i次采样积水点排水管的流速；b为流量常数，与积水点排水管的横截面积相关；n为采样次数。

进一步，步骤4)中构建模型的具体步骤为：

3-1)以p_t-r△t、...、p_t-2△t、p_t-△t时刻的降雨量p_t-r△t、...、p_t-2△t、p_t-△t为输入，以t时刻的汇流水量Q_hi为输出，构建基于LSTM神经网络的汇流水量预测模型，其中：r为LSTM神经网络移动滑窗的数据长度；

3-2)所述LSTM神经网络优化器选用Adam函数，所述LSTM神经网络选用均方根误差RMSE、平均绝对误差MAE和绝对百分比误差MAPE作为损失函数，初始化LSTM神经网络的参数：初始学习率l_r，隐藏层单元数、迭代次数epoch、最小训练批次、误差阈值；

3-3)采用训练集数据对所述LSTM神经网络进行训练，检测LSTM神经网络的预测损失LOSS是否小于误差阈值或迭代次数是否大于等于最大迭代次数，若是，则输出模型参数，输出训练后的汇流水量预测模型，若否，则继续训练。

进一步，步骤5)中积水深度预测的具体步骤为：

4-1)设待预测时刻为t_d，采集待预测点t_d-r△t、...、t_d-2△t、t_d-△t时刻的降雨量数据

将其输入步骤3)中训练后的LSTM神经网络模型中，对t_d时刻的汇流水量

进行预测；

4-2)采集t_d-△t时刻待预测点对应排水出口与排水河道或湖泊的竖直高差

以及待预测点积水深度与待预测点对应排水出口的竖直高

若

且

则t_d时刻待预测点处汇流水量的增加量

为：

若

且

或者

则t_d时刻待预测点处汇流水量的增加量

为：

式中，ν为待预测点处排水管的设计流速，η_td为流速影响因子，η₁,η₂,...,η_g均为预设的流速影响因子阈值，△S₁,△S₂,...,△S_g均为预设的高度差阈值

4-3)采集待预测点的地理类型数据，根据地理类型数据汇流水量的增加量

带入f₁(h_z)或f₂(h_z)计算积水的高度增加量△h_td，则t_d时刻待预测点处的积水深度

为：

式中，

为t_d-△t时刻待预测点的积水深度。

由于采用了上述技术方案，本发明具有如下的优点：

1、本申请通过对积水点汇流水量的预测以及对不同情况下积水点排水量的计算提高了积水深度预测的精度，为城市防洪、减灾等领域提供支持。

2、本申请通过积水点单位时间内的汇流水量进行预测，有效解决了因降雨量的改变，积水点汇流面积发生改变，其积水深度变化大的技术问题。

3、本申请通过对积水点应排水出口与排水河道或湖泊的相对高差进行计算，并引入流速影响因子，充分考虑了积水点应排水出口被河道洪水淹没时，其对管网流速的影响，提高了管网排水量的预测精度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明基于LSTM神经网络的城市内涝积水预测方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1：

如图1所示的一种基于LSTM神经网络的城市内涝积水预测方法，具体步骤为：

1)数据采集：以△t为时间间隔，采集历史每一次降雨过程中城市若干积水点的积水深度数据、积水点对应排水出口与排水河道或湖泊的竖直高差数据、积水点对应排水管的流速数据、积水点区域的降雨量数据，以及积水点的环境数据，获得采集数据；

所述积水深度数据为：H＝{h₁,h₂,...,h_j,...,h_m}，其中：h_j为单次降雨过程中单个积水点第j次采样的积水深度数据；

所述积水点区域的降雨量数据为：P＝{p₁,p₂,...,p_j,...,p_N}，其中：p_j为单次降雨过程中单个积水点区域第j次采样的降雨量数据；

所述积水点对应排水出口与排水河道或湖泊的竖直高差数据为：△S＝{△s₁,△s₂,...,△s_j,...,△s_N}，其中：△s_j为单次降雨过程中单个积水点第j次采样积水点对应排水出口与排水河道或湖泊的竖直高差数据；

所述积水点对应排水管的流速V＝{v₁,v₂,...,v_j,...,v_N}，其中：v_j为单次降雨过程中单个积水点第j次采样积水点对应排水管的流速数据；

所述积水点的环境数据包括积水点的地理类型数据以及积水点的排水管网数据，所述积水点地理类型数据包括城市立交下穿隧道、城市低洼区域两种类型，所述城市低洼区域包括城市下沉广场或平坦路面；

所述排水管网数据包括积水点处排水管的设计流速ν、排水管的流量常数b、积水点与积水点对应排水出口的竖直高差数据△S′。

在本发明实例中，采样时间间隔设置为1小时，积水点的排水口均与自然河流或大型湖泊连通。

2)计算汇流水量：构建积水点的积水量与积水深度的数学关系，并根据积水点排水管网数据和降雨量数据计算第i个采样周期内积水点的汇流水量；具体步骤为：

2-1)构建积水点的积水量Q_z与积水深度h_z的数学关系：

Q_z＝f(h_z)

式中，f(h_z)为积水点积水量Q_z与积水深度h_z的数学关系函数；

针对城市立交下穿隧道构建数学函数f₁(h_z)，针对城市低洼区域构建数学函数f₂(h_z)：

f₂(h_z)＝h_z.S_j

式中，ax²为城市立交下穿隧道的截面曲线，w为城市立交下穿隧道的宽度，S_j为城市下沉广场或积水路面的面积；

2-2)计算第i个采样周期内汇入积水点的汇流水量Q_hi：

式中，Q_zi为第i次采样积水点的积水量，ν_i为第i次采样积水点排水管的流速；b为流量常数，与积水点排水管的横截面积相关；n为采样次数。

在本发明实例中，通过对城市积水点的统计，确定降雨过程中，当雨量大于排水管道设计的最大排水量时，雨水便会沿着公路或绿化带等向城市立交下穿隧道或城市低洼区域进行汇流，城市立交下穿隧道的截面概化为满足抛物线形状，其通过构建城市立交下穿隧道的抛物线方程ax²对其积水深度进行计算，而城市低洼区域均为规则的方形，因此通过计算其城市下沉广场或积水路面的面积对其积水深度进行计算。

3)数据分集：将积水点单次降雨过程中的采集数据和计算得到的汇流水量按照时间排序，获得原始数据集，将原始数据集按照8:2的比例划分为测试集和训练集。

4)构建模型：以降雨量为输入，汇流水量为输出，构建基于LSTM神经网络的汇流水量预测模型，初始化模型参数，并通过训练集数据对模型进行训练，具体步骤为：

3-1)以p_t-r△t、...、p_t-2△t、p_t-△t时刻的降雨量p_t-r△t、...、p_t-2△t、p_t-△t为输入，以t时刻的汇流水量Q_hi为输出，构建基于LSTM神经网络的汇流水量预测模型，其中：r为LSTM神经网络移动滑窗的数据长度。

在本发明实例中，当雨量大于排水管道设计的最大排水量时，雨水便会沿着公路或绿化带等向城市立交下穿隧道或城市低洼区域进行汇流，随着降雨量的变化积水点的汇流水量会发生实时变化，而积水深度不仅与汇流水量有关还与积水点的排水速度有关，因此，构建降雨量-汇流水量预测模型的预测精度更高，r的取值为5。

3-2)所述LSTM神经网络优化器选用Adam函数，所述LSTM神经网络选用均方根误差RMSE、平均绝对误差MAE和绝对百分比误差MAPE作为损失函数，初始化LSTM神经网络的参数：初始学习率l_r，隐藏层单元数、迭代次数epoch、最小训练批次、误差阈值；

在本发明实例中，LSTM神经网络包括输入门、遗忘门、输出门，遗忘门的作用是控制记忆单元，决定上一时刻的状态保留多少到当前时刻，通过sigmoid层实现遗忘部分，输入门决定着让多少信息加入到单元中，通过sigmoid层的信息决定与tanh层的信息生成，联合对单元状态进行更新。输出门决定着当前单元状态哪一部分信息被输出，依然通过sigmoid层与tanh层完成。

在本发明实例中，所述LSTM神经网络的输入层神经元为3，输出层神经元为1，模型优化器选用Adam函数训练LSTM神经网络的参数，初始学习率l_r为0.005，隐藏层单元数为50；迭代次数epoch为200，最小训练批为10。

3-3)采用训练集数据对所述LSTM神经网络进行训练，检测LSTM神经网络的预测损失LOSS是否小于误差阈值或迭代次数是否大于等于最大迭代次数，若是，则输出模型参数，输出训练后的汇流水量预测模型，若否，则继续训练。

在本发明实例中，均方根误差RMSE用以反映洪水预测值和实测值之间的偏差程度，值越小表示偏差越小。平均绝对误差MAE用以反映预测值和实测值之间的误差程度，值越小表示预测值与实测值越接近。绝对百分比误差MAPE用以反映预测值和实测值之间的误差占实测值的百分比，MAPE为0％表示完美模型，MAPE大于100％则表示劣质模型。

5)积水深度预测：采集待预测点的实时数据以及环境数据，并将其输入步骤4)中训练后的LSTM神经网络模型中对汇流水量进行预测，并通过汇流水量和环境数据对待预测点的积水深度进行计算。

4-1)设待预测时刻为t_d，采集待预测点t_d-r△t、...、t_d-2△t、t_d-△t时刻的降雨量数据

将其输入步骤3)中训练后的LSTM神经网络模型中，对t_d时刻的汇流水量

进行预测；

在本发明实例中，r为LSTM神经网络移动滑窗的数据长度，r的取值为5。

4-2)采集t_d-△t时刻待预测点对应排水出口与排水河道或湖泊的竖直高差

以及待预测点积水深度与待预测点对应排水出口的竖直高

若

且

则t_d时刻待预测点处汇流水量的增加量

为：

若

且

或者

则t_d时刻待预测点处汇流水量的增加量

为：

式中，ν为待预测点处排水管的设计流速，

为流速影响因子，η₁,η₂,...,η_g均为预设的流速影响因子阈值，△S₁,△S₂,...,△S_g均为预设的高度差阈值。

在本发明实例中，在降雨过程中排水河道或水泊的水位会随着降雨而发生变化，待预测点对应排水出口与排水河道或水泊水位的高差对排水管的排水速度有较大影响，因此，通过对待预测点对应排水出口与排水河道或湖泊的竖直高差的实时数据进行采集，能够对积水点的排水速度进行计算，当若

且

即排水河道或湖泊的水位高于积水点积水的竖直高度时，则此时积水无法排除，即汇流水量全部聚集在积水点处(排水管网设置有防汇流装置，排水河道或湖泊的水不会反流)；当若

且

或者

即排水河道或湖泊的水位低于积水点积水的竖直高度，排水管的速度与待预测点对应排水出口与排水河道或湖泊的竖直高差有关，在本发明实例中，η₁,η₂,...,η_g通过历史数据中的积水点对应排水出口与排水河道或湖泊的竖直高差数据与积水点对应排水管的流速数据进行统计计算：

在本发明实例中，g取5，η₁,η₂,...,η_g分别为1、0.8、0.65、0.5、0.4；△S_g为0mm，当

时，

即此时积水点对应排水出口未被河道或湖泊淹没，积水点对应排水管的流速等于设计流速，当积水点对应排水出口未被河道或湖泊淹没时，随着淹没深度的变大，流速变慢。

4-3)采集待预测点的地理类型数据，根据地理类型数据汇流水量的增加量

带入f₁(h_z)或f₂(h_z)计算积水的高度增加量△h_td，则t_d时刻待预测点处的积水深度

为：

式中，

为t_d-△t时刻待预测点的积水深度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于LSTM神经网络的城市内涝积水预测方法，其特征在于，具体步骤为：

1)数据采集：以△t为时间间隔，采集历史每一次降雨过程中城市若干积水点的积水深度数据、积水点对应排水出口与排水河道或湖泊的竖直高差数据、积水点对应排水管的流速数据、积水点区域的降雨量数据，以及积水点的环境数据，获得采集数据；

2)计算汇流水量：构建积水点的积水量与积水深度的数学关系，并根据积水点排水管网数据和降雨量数据计算第i个采样周期内积水点的汇流水量；

3)数据分集：将积水点单次降雨过程中的采集数据和计算得到的汇流水量按照时间排序，获得原始数据集，将原始数据集按照8:2的比例划分为测试集和训练集；

4)构建模型：以降雨量为输入，汇流水量为输出，构建基于LSTM神经网络的汇流水量预测模型，初始化模型参数，并通过训练集数据对模型进行训练；

5)积水深度预测：采集待预测点的实时数据以及环境数据，并将其输入步骤4)中训练后的LSTM神经网络模型中对汇流水量进行预测，并通过汇流水量和环境数据对待预测点的积水深度进行计算。

2.如权利要求1所述的一种基于LSTM神经网络的城市内涝积水预测方法，其特征在于，步骤1)中所述积水深度数据为：H＝{h₁,h₂,...,h_j,...,h_m}，其中：h_j为单次降雨过程中单个积水点第j次采样的积水深度数据；

所述积水点区域的降雨量数据为：P＝{p₁,p₂,...,p_j,...,p_N}，其中：p_j为单次降雨过程中单个积水点区域第j次采样的降雨量数据；

所述积水点对应排水出口与排水河道或湖泊的竖直高差数据为：△S＝{△s₁,△s₂,...,△s_j,...,△s_N}，其中：△s_j为单次降雨过程中单个积水点第j次采样积水点对应排水出口与排水河道或湖泊的竖直高差数据；

所述积水点对应排水管的流速V＝{v₁,v₂,...,v_j,...,v_N}，其中：v_j为单次降雨过程中单个积水点第j次采样积水点对应排水管的流速数据；

所述积水点的环境数据包括积水点的地理类型数据以及积水点的排水管网数据，所述积水点地理类型数据包括城市立交下穿隧道、城市低洼区域两种类型，所述城市低洼区域包括城市下沉广场或平坦路面；

所述排水管网数据包括积水点处排水管的设计流速ν、排水管的流量常数b。

3.如权利要求2所述的一种基于LSTM神经网络的城市内涝积水预测方法，其特征在于，步骤2)中计算计算汇流水量的具体步骤为：

2-1)构建积水点的积水量Q_z与积水深度h_z的数学关系：

Q_z＝f(h_z)

式中，f(h_z)为积水点积水量Q_z与积水深度h_z的数学关系函数；

针对城市立交下穿隧道构建数学函数f₁(h_z)，针对城市低洼区域构建数学函数f₂(h_z)：

f₂(h_z)＝h_z.S_j

式中，ax²为城市立交下穿隧道的截面曲线，w为城市立交下穿隧道的宽度，S_j为城市下沉广场或积水路面的面积；

2-2)计算第i个采样周期内汇入积水点的汇流水量Q_hi：

式中，Q_zi为第i次采样积水点的积水量，ν_i为第i次采样积水点排水管的流速；b为流量常数，与积水点排水管的横截面积相关；n为采样次数。

4.如权利要求2述的一种基于LSTM神经网络的城市内涝积水预测方法，其特征在于，步骤4)中构建模型的具体步骤为：

3-1)以p_t-r△t、...、p_t-2△t、p_t-△t时刻的降雨量p_t-r△t、...、p_t-2△t、p_t-△t为输入，以t时刻的汇流水量Q_hi为输出，构建基于LSTM神经网络的汇流水量预测模型，其中：r为LSTM神经网络移动滑窗的数据长度；

3-2)所述LSTM神经网络优化器选用Adam函数，所述LSTM神经网络选用均方根误差RMSE、平均绝对误差MAE和绝对百分比误差MAPE作为损失函数，初始化LSTM神经网络的参数：初始学习率l_r，隐藏层单元数、迭代次数epoch、最小训练批次、误差阈值；

3-3)采用训练集数据对所述LSTM神经网络进行训练，检测LSTM神经网络的预测损失LOSS是否小于误差阈值或迭代次数是否大于等于最大迭代次数，若是，则输出模型参数，输出训练后的汇流水量预测模型，若否，则继续训练。

5.如权利要求1所述的一种基于LSTM神经网络的城市内涝积水预测方法，其特征在于，步骤5)中积水深度预测的具体步骤为：

4-1)设待预测时刻为t_d，采集待预测点t_d-r△t、...、t_d-2△t、t_d-△t时刻的降雨量数据

将其输入步骤3)中训练后的LSTM神经网络模型中，对t_d时刻的汇流水量

进行预测；

4-2)采集t_d-△t时刻待预测点对应排水出口与排水河道或湖泊的竖直高差

以及待预测点积水深度与待预测点对应排水出口的竖直高

若

且

则t_d时刻待预测点处汇流水量的增加量

为：

若

且

或者

则t_d时刻待预测点处汇流水量的增加量

为：

式中，ν为待预测点处排水管的设计流速，η_td为流速影响因子，η₁,η₂,...,η_g均为预设的流速影响因子阈值，△S₁,△S₂,...,△S_g均为预设的高度差阈值；

4-3)采集待预测点的地理类型数据，根据地理类型数据汇流水量的增加量

带入f₁(h_z)或f₂(h_z)计算积水的高度增加量△h_td，则t_d时刻待预测点处的积水深度

为：

式中，

为t_d-△t时刻待预测点的积水深度。

Images