CN117333587B - 基于视频水位计的城市淹没图像数据的生成方法及系统 - Google Patents
基于视频水位计的城市淹没图像数据的生成方法及系统 Download PDFInfo
- Publication number
- CN117333587B CN117333587B CN202311634336.9A CN202311634336A CN117333587B CN 117333587 B CN117333587 B CN 117333587B CN 202311634336 A CN202311634336 A CN 202311634336A CN 117333587 B CN117333587 B CN 117333587B
- Authority
- CN
- China
- Prior art keywords
- urban
- submerged
- inundation
- sequence
- volumes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000013136 deep learning model Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000007787 long-term memory Effects 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 230000004931 aggregating effect Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 61
- 210000002569 neuron Anatomy 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000006424 Flood reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000736235 Polemonium reptans Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于视频水位计的城市淹没图像数据的生成方法及系统,包括:对城市布设视频水位计以实时监测城市淹没水深变化过程,构建可变业务网格矩阵,根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;针对不同空间分辨率适配相应维度的自组织映射神经网络,对城市淹没体积进行聚类降维处理;构建基于编码‑解码框架的长短期记忆神经网络深度学习模型,对不同聚类样本采用深度学习模型分类预测城市淹没体积,将预测的淹没体积转换为淹没水深,对各个网格淹没水深进行聚合生成城市淹没图像数据。本发明可实时获得城市淹没图像数据,并且计算成本,能够满足防洪减灾对城市淹没图像数据生成的时效性要求。
Description
技术领域
本发明属于城市淹没图像数据产生的技术领域,具体涉及一种基于视频水位计的城市淹没图像数据的生成方法及系统。
背景技术
城市淹没风险图编制是一种加速海绵城市建设,提高新一代城市雨洪管理水平和城市暴雨洪水预报预警业务能力的有效方法。城市淹没风险图编制理论与方法有了长足进步,从水文学模型、水力学模型、地理信息系统技术进阶至机器学习网络技术,这些模型技术方法能较好的模拟城市典型降雨时空分布、河道洪水演进、地形地貌与阻水建筑物以及防洪工程体系对洪水演进的影响。当前城市淹没图像数据生成的技术难点和挑战包括:①实测淹没数据少、时空分辨率低:当前城市淹没风险图是基于典型/设计暴雨洪水等小样本数据模拟得出,因监测体系不完善,实测淹没数据少、时空分辨率低,实测的城市淹没图像数据有限;②模型计算成本高、数据生成的时效性低:基于水文学模型、水力学模型、地理信息系统技术的城市淹没风险图的时空分辨率高,但计算成本相应也高,无法满足防洪减灾对城市淹没图像数据生成的时效性要求,城市淹没风险图的防洪社会效益有待提升。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种基于视频水位计的城市淹没图像数据的生成方法,该方法可实时获得城市淹没图像数据,并且计算成本,能够满足防洪减灾对城市淹没图像数据生成的时效性要求。
为解决上述技术问题,本发明采用如下技术方案:
一种基于视频水位计的城市淹没图像数据的生成方法,包括如下步骤:
步骤1、对城市布设视频水位计以实时监测城市淹没水深,构建城市可变业务网格矩阵,根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;
步骤2、对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络以对不同空间分辨率的城市淹没体积分别进行聚类降维处理,得到不同的聚类样本;
步骤3、针对不同的聚类样本分别构建基于编码-解码框架的长短期记忆神经网络深度学习模型以对监测的淹没水深进行分类预测;
步骤4、将视频水位计监测的各网格淹没水深输入到对应的长短期记忆神经网络深度学习模型中预测预见期内各网格淹没体积,并将各网格淹没体积转换为淹没水深,最后对各网格淹没水深进行聚合生成城市淹没图像数据。
进一步地,步骤1中构建的可变业务网格矩阵为:
式中,为可变业务网格矩阵;/>为第k种业务需求下的空间分辨率;
将城市淹没水深转换为淹没体积的方法如下:
式中,、/>分别对应为第i行第j列网格上淹没水深、体积,其中,淹没水深通过视频水位计监测得到;/>为满足不同空间分辨率需求的城市淹没体积矩阵;I、J分别对应为网格的行数、列数。
进一步地,步骤2中对城市淹没体积进行聚类降维处理的方法如下:
步骤2.1、网络初始化:通过试算法对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络,再对适配的自组织映射神经网络输出层M个神经元的权重向量赋予随机数初值,并对权重进行归一化处理,得到权重向量,其中,m=1, 2, …,M,初始化优胜邻域/>、学习率/>、学习率阈值/>和最大迭代次数G max;
步骤2.2、将I×J个网格的淹没体积数据进行归一化处理,并整理成对应P个输入层神经元的输入向量,其中,p=1, 2, …,P,然后将输入向量输送给输入层;
步骤2.3、计算权重向量与输入向量的距离,从中搜寻距离最大的优胜神经元;
步骤2.4、以优胜神经元为中心确定第t次迭代的权重值调整域,并调整优胜邻域内的神经元权重值;
步骤2.5、当学习率大于给定的阈值/>或迭代次数t小于最大迭代次数G max时,跳转至步骤2.2继续后续的迭代计算,否则,终止计算并输出淹没体积样本的聚类分析结果。
进一步地,权重向量与输入向量的距离计算方法为:
式中,为自组织映射神经网络的输出层神经元权重向量与输入向量的距离;/>为第p个输入变量值;/>为对应第p个输入变量的输出层第m个神经元的权重值。
进一步地,优胜邻域内的神经元权重值调整方法为:
式中,n为某一神经元输入变量的序标;为第t次迭代第n个序对应第m个神经元的权重值;/>为第t次迭代的学习率;/>为第n个序标对应的第p个输入向量值。
进一步地,第t次迭代的权重值调整域的确定方法为:
式中,为优胜领域的初始值。
进一步地,步骤3中构建基于编码-解码框架的长短期记忆神经网络深度学习模型的方法如下:
步骤3.1、构建序列到序列的学习机制:假设输入序列为S in、输出序列为S out,用下式表征序列到序列的学习机制:
式中,S in和S out分别为输入序列和输出序列;为输入序列中t时刻向量;q为输入序列中向量的滞后时段数;/>为t时刻第1个输入变量;/>为淹没体积某一分类下的网格数;为输出序列中t+T时刻向量;/>为t+T时刻第1个输出变量即网格上的淹没体积;T为预见期;/>为长短期记忆神经网络深度学习模型;
步骤3.2、搭建编码-解码框架:编码器读取输入序列并将序列编译为固定长度序列,解码器通过解译固定长度序列,以输出预测序列,实现序列到序列的深度学习;
步骤3.3、分配长短期记忆神经元:给编码器中输入序列的每一个输入向量均分配一个长短期记忆神经元,与之对应的编码器中输出序列的每一个输出向量也均分配一个长短期记忆神经元。
进一步地,对构建的长短期记忆神经网络深度学习模型还进行精度评价,评价指标包括均方根误差、确定性系数、纳什效率系数。
进一步地,步骤4中对各网格淹没水深进行聚合生成城市淹没图像数据的计算式如下:
式中,和/>为深度学习模型的预测得到的第i行第j列网格上淹没体积和淹没水位;/>为基于网格预测淹没水深聚合生成的城市淹没图像矩阵。
本发明的另一个目的是提供一种根据上述的基于视频水位计的城市淹没图像数据的生成方法的系统,包括:
数据采集模块,用于采集城市布设的视频水位计实时监测的城市淹没水深数据;
数据处理模块,用于接收数据采集模块采集的城市淹没水深数据并构建可变业务网格矩阵,且根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;
样本聚类模块,用于针对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络以对不同空间分辨率的城市淹没体积进行聚类降维处理,得到不同的聚类样本;
模型预测模块,用于对不同聚类样本分别构建基于编码-解码框架的长短期记忆神经网络深度学习模型,并对视频水位计监测的各网格城市淹没水深采用对应的长短期记忆神经网络深度学习模型预测预见期内的城市淹没体积;
图像生产模块,用于将预测的各网格淹没体积转换为淹没水深,并对各网格淹没水深进行聚合生成城市淹没图像数据。
与现有技术相比,本发明的有益效果为:
1. 当前城市淹没风险图是基于典型/设计暴雨洪水等小样本数据模拟得出,因监测体系不完善,实测淹没数据少、时空分辨率低,实测的城市淹没图像数据有限,本发明在交通路段和重要涉水区域布设视频水位计,实时监测淹没水位过程,从而实时获得城市淹没图像数据,可大幅提高实测淹没数据量、时空分辨率;
2. 基于水文学模型、水力学模型、地理信息系统技术的城市淹没风险图的时空分辨率高,但计算成本相应也高,且无法满足防洪减灾对城市淹没图像数据生成的时效性要求,本发明基于视频水位计实时监测的淹没水位数据,通过深度学习方法可有效降低模型计算成本,提升城市淹没图像数据生成的时效性。
附图说明
图1 是本发明实施例的基于视频水位计和深度学习的城市淹没图像数据生成方法的流程图;
图2是本发明实施例的基于编码-解码架构的深度学习示意图。
具体实施方式
下面将结合本发明实施例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作出创造性劳动的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,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
如图1所示,本发明实施例提供一种基于视频水位计的城市淹没图像数据的生成方法,包括如下步骤:
步骤1、对城市布设视频水位计以实时监测城市淹没水深,构建城市可变业务网格矩阵,根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;
根据实际需要在交通路段和重要涉水区域布设视频水位计以实时监测城市淹没水深的情况,并根据业务分辨率的需要将城市划分为多个网格以构建可变业务网格矩阵,其为:
式中,为可变业务网格矩阵;/>为第k种业务需求下的空间分辨率;
将城市淹没水深转换为淹没体积的方法如下:
和/>分别为第i行第j列网格上淹没水深和体积,其中淹没水深通过视频水位计监测得到;/>为满足不同空间分辨率需求的城市淹没体积矩阵;I和J为网格的行数和列数。
步骤2、对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络以对不同空间分辨率的城市淹没体积分别进行聚类降维处理,得到不同的聚类样本,其包括如下子步骤:
a.网络初始化:通过试算法对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络(选择收敛性高的自组织映射神经网络进行适配),再对适配的各自组织映射神经网络输出层M个神经元的权重向量赋予随机数初值,然后对权重进行归一化处理,得到权重向量(m=1, 2, …, M),其中,/>表示第m个神经元归一化处理后的权重,初始化优胜邻域/>、学习率/>、学习率阈值/>和最大迭代次数G max;
b.输入淹没体积向量:将I×J个网格的淹没体积数据进行归一化处理,并整理成对应P个输入层神经元的输入向量(p=1, 2, …,P),然后将输入向量输送给输入层;
c.搜索优胜神经元:按下式计算权重向量与输入向量的距离并从中搜寻距离最大的作为优胜神经元():
式中,为自组织映射神经网络的输出层神经元权重向量与输入向量的距离;/>为第p个输入变量值;/>为对应第p个输入变量的输出层第m个神经元的权重值;
d.定义优胜邻域:以优胜神经元()为中心确定第t次迭代的权重值调整域,一般来说,优胜邻域/>会随着迭代次数增加而逐渐收缩,其中,第t次迭代的权重值调整域的确定方法为:
式中,为优胜领域的初始值;
e.调整神经元权重:按照下式调整优胜邻域内的神经元权重值;
式中,n为某一神经元输入变量的序标;为第t次迭代第n个序对应第m个神经元的权重值;/>为第t次迭代的学习率;/>为第n个序标对应的第p个输入向量值;
f.判定计算终止后,输出聚类结果:当学习率大于给定的阈值/>或迭代次数t小于最大迭代次数G max时,跳转至步骤b继续迭代计算,否则,终止计算并输出淹没体积样本的聚类分析结果。
步骤3、见图2,针对不同的聚类样本分别构建基于编码-解码框架的长短期记忆神经网络深度学习模型以对监测的淹没水深进行分类预测;其中,构建长短期记忆神经网络深度学习模型的具体方法如下:
① 构建序列到序列的学习机制:假设输入序列为S in、输出序列为S out,可用下式表征序列到序列的学习机制:
式中,S in和S out分别为输入序列和输出序列;为输入序列中t时刻向量;q为输入序列中向量的滞后时段数;/>为t时刻第/>个输入变量;/>为淹没体积某一分类下的网格数;为输出序列中t+T时刻向量;/>为t+T时刻第1个输出变量(网格上的淹没体积);T为预见期;/>为长短期记忆神经网络深度学习模型;
② 搭建编码-解码框架:编码器读取输入序列并将序列编译为固定长度序列,解码器通过解译固定长度序列,以输出预测序列,实现序列到序列的深度学习;
③ 分配长短期记忆神经元:给编码器中输入序列的每一个输入向量均分配一个长短期记忆神经元,与之对应的编码器中输出序列的每一个输出向量也均分配一个长短期记忆神经元,其中长短期记忆神经元包括记忆单元、输入闸门、遗忘闸门和输出闸门,长短期记忆神经元的计算步骤如下:
a. 整合前期输出向量和当前输入向量:
式中,为t时刻的整合输入向量;/>为t-1时刻的输出向量;/>为t时刻的输入向量。
b. 计算记忆单元的输出向量:
式中,为t时刻记忆单元的输出向量;/>和/>为记忆单元的连接权重和偏差系数;/>为记忆单元的活化函数。
c. 分别计算输入闸门、遗忘闸门和输出闸门的输出向量:
式中,、/>和/>分别为输入闸门、遗忘闸门和输出闸门的输出向量;/>和/>为输入闸门的连接权重和偏差系数;/>和/>为遗忘闸门的连接权重和偏差系数;/>和/>为输出闸门的连接权重和偏差系数;/>为闸门的活化函数;
d. 更新记忆单元的状态向量:
式中,为t时刻记忆单元的中间输出向量;/>为t时刻经过遗忘闸门调节后的记忆单元的状态向量;/>为t时刻记忆单元的状态向量;
e. 计算长短期记忆神经元的输出向量:
在本实施例中,对各聚类样本按照上述方法分别构建长短期记忆神经网络深度学习模型,即假设自组织映射神经网络将原来的1000个样本聚类为三种分类,其中高淹没深(400个样本)、中等淹没深(350个样本)、低淹没深(250个样本),则针对三种聚类样本分别对应构建一个长短期记忆神经网络深度学习模型。再采用各聚类样本数据对其对应的长短期记忆神经网络深度学习模型进行训练,之后采用评价指标评价长短期记忆神经网络深度学习模型的预测精度,在本实施例中采用均方根误差、确定性系数、纳什效率系数指标,综合评估长短期记忆神经网络深度学习模型预测城市淹没体积的精度。各评价指标的计算式如下:
a. 均方根误差(RMSE)
式中,和/>分别为第l个网格淹没体积的实测值和预测值。
b. 确定性系数(R2)
式中,和/>分别为第l个网格淹没体积的实测值的平均值和预测值的平均值。
c. 纳什效率系数(NSE)
对各长短期记忆神经网络深度学习模型进行训练后分别选择均方根误差≤1 m3、确定性系数≥0.80、纳什效率系数≥0.75的长短期记忆神经网络深度学习模型用于后续的预测。
步骤4、将视频水位计监测的各网格淹没水深输入到对应的长短期记忆神经网络深度学习模型中预测预见期内各网格淹没体积,并将各网格淹没体积转换为淹没水深,最后对各网格淹没水深进行聚合生成城市淹没图像数据;
在该步骤中,根据视频水位计监测的各网格淹没水深对应的聚类,选择相应的长短期记忆神经网络深度学习模型并输入其中进行预测得到该网格预见期内的淹没体积,再将各网格淹没体积转换为淹没水深,最后对各网格的淹没水深进行聚合生成城市淹没图像数据,其具体计算式如下:
式中,和/>为长短期记忆神经网络深度学习模型的预测得到的第i行第j列网格上淹没体积和淹没水位;/>为基于网格预测淹没水深聚合生成的城市淹没图像矩阵。
本发明还提供一种根据上述的基于视频水位计的城市淹没图像数据的生成方法的系统,包括:
数据采集模块,用于采集城市布设的视频水位计实时监测的城市淹没水深数据;
数据处理模块,用于接收数据采集模块采集的城市淹没水深数据并构建可变业务网格矩阵,且根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;
样本聚类模块,用于针对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络以对不同空间分辨率的城市淹没体积进行聚类降维处理,得到不同的聚类样本;
模型预测模块,用于对不同聚类样本分别构建基于编码-解码框架的长短期记忆神经网络深度学习模型,并对视频水位计监测的各网格城市淹没水深采用对应的长短期记忆神经网络深度学习模型预测预见期内的城市淹没体积;
图像生产模块,用于将预测的各网格淹没体积转换为淹没水深,并对各网格淹没水深进行聚合生成城市淹没图像数据。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (6)
1.一种基于视频水位计的城市淹没图像数据的生成方法,其特征在于,包括如下步骤:
步骤1、对城市布设视频水位计以实时监测城市淹没水深,构建城市可变业务网格矩阵,根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;
步骤2、对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络以对不同空间分辨率的城市淹没体积分别进行聚类降维处理,得到不同的聚类样本;
步骤3、针对不同的聚类样本分别构建基于编码-解码框架的长短期记忆神经网络深度学习模型以对监测的淹没水深进行分类预测;
步骤4、将视频水位计监测的各网格淹没水深输入到对应的长短期记忆神经网络深度学习模型中预测预见期内各网格淹没体积,并将各网格淹没体积转换为淹没水深,最后对各网格淹没水深进行聚合生成城市淹没图像数据;
其中,步骤2中对城市淹没体积进行聚类降维处理的方法如下:
步骤2.1、网络初始化:通过试算法对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络,再对适配的自组织映射神经网络输出层M个神经元的权重向量赋予随机数初值,并对权重进行归一化处理,得到权重向量 ,其中,m=1, 2, …, M,初始化优胜邻域/>、学习率/>、学习率阈值/>和最大迭代次数G max;
步骤2.2、将I×J个网格的淹没体积数据进行归一化处理,并整理成对应P个输入层神经元的输入向量,其中,p=1, 2, …, P,然后将输入向量输送给输入层;
步骤2.3、计算权重向量与输入向量的距离,从中搜寻距离最大的优胜神经元;
步骤2.4、以优胜神经元为中心确定第t次迭代的权重值调整域,并调整优胜邻域内的神经元权重值;
步骤2.5、当学习率大于给定的阈值/>或迭代次数t小于最大迭代次数G max时,跳转至步骤2.2继续后续的迭代计算,否则,终止计算并输出淹没体积样本的聚类分析结果;
权重向量与输入向量的距离计算方法为:
式中,为自组织映射神经网络的输出层神经元权重向量与输入向量的距离;/>为第p个输入变量值;/>为对应第p个输入变量的输出层第m个神经元的权重值;
优胜邻域内的神经元权重值调整方法为:
式中,n为某一神经元输入变量的序标;为第t次迭代第n个序对应第m个神经元的权重值;/>为第t次迭代的学习率;/>为第n个序标对应的第p个输入向量值;
第t次迭代的权重值调整域的确定方法为:
式中,为优胜领域的初始值。
2.根据权利要求1所述的基于视频水位计的城市淹没图像数据的生成方法,其特征在于,步骤1中构建的可变业务网格矩阵为:
式中,为可变业务网格矩阵;/>为第k种业务需求下的空间分辨率;
将城市淹没水深转换为淹没体积的方法如下:
式中,、/>分别对应为第i行第j列网格上淹没水深、体积,其中,淹没水深通过视频水位计监测得到;/>为满足不同空间分辨率需求的城市淹没体积矩阵;I、J分别对应为网格的行数、列数。
3.根据权利要求1所述的基于视频水位计的城市淹没图像数据的生成方法,其特征在于,步骤3中构建基于编码-解码框架的长短期记忆神经网络深度学习模型的方法如下:
步骤3.1、构建序列到序列的学习机制:假设输入序列为S in、输出序列为S out,用下式表征序列到序列的学习机制:
式中,S in和S out分别为输入序列和输出序列;为输入序列中t时刻向量;q为输入序列中向量的滞后时段数;/>为t时刻第1个输入变量;/>为淹没体积某一分类下的网格数;/>为输出序列中t+T时刻向量;/>为t+T时刻第1个输出变量即网格上的淹没体积;T为预见期;/>为长短期记忆神经网络深度学习模型;
步骤3.2、搭建编码-解码框架:编码器读取输入序列并将序列编译为固定长度序列,解码器通过解译固定长度序列,以输出预测序列,实现序列到序列的深度学习;
步骤3.3、分配长短期记忆神经元:给编码器中输入序列的每一个输入向量均分配一个长短期记忆神经元,与之对应的编码器中输出序列的每一个输出向量也均分配一个长短期记忆神经元。
4.根据权利要求3所述的基于视频水位计的城市淹没图像数据的生成方法,其特征在于,对构建的长短期记忆神经网络深度学习模型还进行精度评价,评价指标包括均方根误差、确定性系数、纳什效率系数。
5.根据权利要求1所述的基于视频水位计的城市淹没图像数据的生成方法,其特征在于,步骤4中对各网格淹没水深进行聚合生成城市淹没图像数据的计算式如下:
式中,和/>为深度学习模型预测得到的第i行第j列网格上淹没体积和淹没水位;/>为基于网格预测淹没水深聚合生成的城市淹没图像矩阵。
6.一种根据权利要求1-5任意一项所述的基于视频水位计的城市淹没图像数据的生成方法的系统,其特征在于,包括:
数据采集模块,用于采集城市布设的视频水位计实时监测的城市淹没水深数据;
数据处理模块,用于接收数据采集模块采集的城市淹没水深数据并构建可变业务网格矩阵,且根据可变业务网格矩阵将监测的水位转换为满足不同空间分辨率需求的城市淹没体积;
样本聚类模块,用于针对不同空间分辨率的城市淹没体积适配相应维度的自组织映射神经网络以对不同空间分辨率的城市淹没体积进行聚类降维处理,得到不同的聚类样本;
模型预测模块,用于对不同聚类样本分别构建基于编码-解码框架的长短期记忆神经网络深度学习模型,并对视频水位计监测的各网格城市淹没水深采用对应的长短期记忆神经网络深度学习模型预测预见期内的城市淹没体积;
图像生产模块,用于将预测的各网格淹没体积转换为淹没水深,并对各网格淹没水深进行聚合生成城市淹没图像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634336.9A CN117333587B (zh) | 2023-12-01 | 2023-12-01 | 基于视频水位计的城市淹没图像数据的生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634336.9A CN117333587B (zh) | 2023-12-01 | 2023-12-01 | 基于视频水位计的城市淹没图像数据的生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333587A CN117333587A (zh) | 2024-01-02 |
CN117333587B true CN117333587B (zh) | 2024-02-27 |
Family
ID=89277842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311634336.9A Active CN117333587B (zh) | 2023-12-01 | 2023-12-01 | 基于视频水位计的城市淹没图像数据的生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333587B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329656A (zh) * | 2022-06-27 | 2022-11-11 | 天津大学 | 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 |
CN116432820A (zh) * | 2023-03-07 | 2023-07-14 | 广西电网有限责任公司电力科学研究院 | 一种洪涝淹没演进预测预警方法及系统 |
CN116578931A (zh) * | 2023-04-03 | 2023-08-11 | 上海网波软件股份有限公司 | 一种基于Bagging-XGB模型的城市内涝积水的预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10977924B2 (en) * | 2018-12-06 | 2021-04-13 | Electronics And Telecommunications Research Institute | Intelligent river inundation alarming system and method of controlling the same |
US11334794B2 (en) * | 2020-04-28 | 2022-05-17 | Trabus | Artificial-intelligence-based waterway information system |
-
2023
- 2023-12-01 CN CN202311634336.9A patent/CN117333587B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329656A (zh) * | 2022-06-27 | 2022-11-11 | 天津大学 | 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 |
CN116432820A (zh) * | 2023-03-07 | 2023-07-14 | 广西电网有限责任公司电力科学研究院 | 一种洪涝淹没演进预测预警方法及系统 |
CN116578931A (zh) * | 2023-04-03 | 2023-08-11 | 上海网波软件股份有限公司 | 一种基于Bagging-XGB模型的城市内涝积水的预测方法 |
Non-Patent Citations (2)
Title |
---|
Cluster-Based LSTM Network for Short-Term Passenger Flow Forecasting in Urban Rail Transit;JINLEI ZHANG 等;《SPECIAL SECTION ON BIG DATA TECHNOLOGY AND APPLICATIONS IN INTELLIGENT TRANSPORTATION》(第7期);第147653-147671页 * |
城市淹没风险与绿地布局耦合分析 ——以郑州市二七区为例;张晓彦 等;《河南科学》;第39卷(第10期);第1713-1720页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117333587A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348271B (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN113283588B (zh) | 一种基于深度学习的近岸单点海浪浪高预报方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
CN113887787B (zh) | 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法 | |
CN113468803A (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN110689184A (zh) | 一种通过深度学习进行轨交人流预测的方法 | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN114693064A (zh) | 一种建筑群方案生成性能评价方法 | |
CN115329656A (zh) | 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN117333587B (zh) | 基于视频水位计的城市淹没图像数据的生成方法及系统 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN112183721A (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |