一种城市雨水井多点位水深快速预报的方法技术

本发明专利技术公开一种城市雨水井多点位水深快速预报的方法，包括以下步骤：构建街道

【技术实现步骤摘要】
一种城市雨水井多点位水深快速预报的方法


[0001]本专利技术涉及城市洪涝预报领域，尤其涉及一种城市雨水井多点位水深快速预报的方法。

技术介绍

[0002]快速城市化使得城市下垫面不透水面积迅速增加，不可避免的会对自然生态系统产生一些影响，其中包括：不透水面积增加、水域和绿色植被减少、雨水下渗量降低以及区域内水流的汇流速度加快等。这些改变导致城市区域水文现象发生显著变化，影响到蒸发、径流、下渗等水循环过程的各个环节，引发诸多水文效应，如水循环速率加快、区域蒸发减少、地表径流量增加、流速加快、洪峰提高、峰现时间提前等，上述变化一定程度上使得城市洪涝灾害风险増加。
[0003]城市洪涝灾害的根本原因是排水系统供需不平衡，即进入排水系统的水量超出了其本身的可容纳量。目前，主要通过两条途径来进行城市排水系统的管理：物理扩容排水系统和建立城市雨水井水深快速预报模型。
[0004]对于基础设施已成型的城市而言，进一步加强基础设施建设提高排水管网容量不仅需要巨额的资金投入还要大量的人力支持。因此，从城市洪涝预报管理着手，对短时强降雨下的径流进行提前预测，及时采取防护措施，从而有效减少灾害损失，是一项重要的非工程措施。
[0005]城市洪涝预报管理将地理信息技术、计算机技术等有效地综合应用于洪涝预报领域，它既可为决策机构的领导提供道路积水的实时信息，也可为市政排水管理机构提供调度支持，还可通过大众传媒为广大老百姓提供出行指南，从我国城市洪涝灾害防治的现实需求和智慧城市建设的发展需求来看，城市洪涝快速预报的研究重要且迫切。
[0006]基于物理的城市洪涝数值模型已在城市洪涝预测领域取得较大成功，但存在的缺点是需要相当长的模拟时间，故很难保证提前预测。而神经网络模型不考虑底层物理关系，关注于自变量与因变量的非线性相关关系，使其在计算速度上较物理模型有很大的优势。目前，已有许多城市洪涝预测神经网络模型，但多集中于单点位预报模型的研究，缺乏对雨水井多点位之间空间相关性的考虑，割裂了点位间相关性与模型拓扑结构的联系，因而极易出现模型变量选择不当，各层之间传递函数、隐藏神经元数量、训练迭代历元及其他相关参数陷入局部最优解的问题。

技术实现思路

[0007]为了解决以上问题，本申请提供的一种城市雨水井多点位水深快速预报的方法，首先构建城市街道
‑
雨水下水道双排水系统耦合模型对城市中未布置水位计的雨水井进行水深数据补充；然后采用基于互相关分析的皮尔逊相关系数法对降雨
‑
水深的时间相关性进行分析，降低了预报的时间成本，同时考虑了预报精度的问题，对雨水井各点位间的空间相关性进行分析，本专利技术不仅提高了雨水井水深的预报速度，还提高了其预报精度。
[0008]本专利技术方法具体包括以下步骤：
[0009]S101：构建街道
‑
雨水下水道双排水系统耦合模型，利用耦合模型得到水深数据集；
[0010]S102：对水深数据集采用基于互相关分析的皮尔逊相关系数法对降雨
‑ꢀ
水深的时间相关性进行分析，得到时间相关性分析结果；
[0011]S103：采用Min
‑
Max法对水深数据集进行归一化，得到归一化后的数据集；
[0012]S104：采用软注意最大权值法对水深数据集中雨水井各点位间的空间相关性进行分析，得到空间相关性分析结果；
[0013]S105：根据A、B构建基于时空相关性分析的城市雨水井多点位水深快速预报模型；
[0014]S106：根据归一化后的数据集，使用均方误差作为损失函数，训练水深快速预报模型，对水深快速预报模型进行优化，得到优化后的模型；
[0015]S107：采用均方根误差(RMSE)以及纳什效率系数(NSE)对优化后的模型进行评价，得到评价通过的模型；
[0016]S108：将评价通过的模型应用于实际水深预报，得到预报结果。
[0017]进一步地，所述街道
‑
雨水下水道双排水系统耦合模型采用于雨洪管理模型SWMM建立。
[0018]进一步地，步骤S102中时间相关性分析的具体公式如下：
[0019][0020][0021]式(1)、(2)中，是滑动窗口为i时，n个雨水井的降雨
‑
水深相关系数均值；i是滑动窗口数；PCC
i
(R，D
j
)是滑动窗口为i时，第j个雨水井的相关系数值；n是雨水井个数；R
t
‑
i
是降雨数据序列中的第t
‑
i个降雨数据；是平均降雨；是雨水井水深数据序列中第j个雨水井的第i+1个水深值；是雨水井水深数据序列中第j个雨水井的水深均值；t是降雨数据序列总长度；S
R
是降雨数据序列的标准差；是第j个雨水井数据序列的标准差。
[0022]进一步地，步骤S103中的归一化，具体如下式：
[0023][0024]式(3)中，X
i*
是归一化后的数据序列；X
i
是原始数据序列；X
min
是数据序列中的最小值；X
max
是数据序列中的最大值。
[0025]进一步地，步骤S104中空间相关性分析，具体如下：
[0026][0027][0028][0029][0030]式(4)
‑
(7)中，α
i
是第i个雨水井的空间权重系数；是雨水井水深数据序列中第i个雨水井的第j个水深值；t是降雨数据序列总长度； Ratio
PCC>N
是皮尔逊相关系数大于N时的比值；A
N＜PCC＜1.0
是各雨水井互相关混淆矩阵中皮尔逊相关系数在N～1.0时的面积；A
total
是各雨水井互相关混淆矩阵总面积；是第i个雨水井皮尔逊相关系数大于N的个数；0＜N＜1。
[0031]进一步地，步骤S105中，水深快速预报模型具体如下：
[0032][0033][0034][0035]式(8)
‑
(10)中，是考虑了时空相关性的预测水深；是考虑了时间相关性的预测水深；是输出层中第k个神经元；f(
·
)是激活函数；
⊙
是哈达玛积，矩阵的一类运算；α是雨水井的空间权重系数；是多雨水井水深快速预报模型结构第二层中，隐藏层第q个神经元与输出层第k个雨水井间的权重系数；h
q
是隐藏层中第q个神经元；m是隐藏层神经元总个数；n是雨水井总个数；是多雨水井水深快速预报模型结构第一层中，输入层第 j个降雨与隐藏层第q个神经元间的权重系数；R
′
j
是考虑了时间相关性的降雨输入第j个数据；l是最佳滑动窗口长度；其中，ω通过反向传播的方式不断更新，直到模型精度满足要求为止，ω的更新公式为采用为止，ω的更新公式为采用ω
*
为更新后的权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市雨水井多点位水深快速预报的方法，其特征在于：包括以下步骤：S101：构建街道
‑
雨水下水道双排水系统耦合模型，利用耦合模型得到水深数据集；S102：对水深数据集采用基于互相关分析的皮尔逊相关系数法对降雨
‑
水深的时间相关性进行分析，得到时间相关性分析结果；S103：采用Min
‑
Max法对水深数据集进行归一化，得到归一化后的数据集；S104：采用软注意最大权值法对水深数据集中雨水井各点位间的空间相关性进行分析，得到空间相关性分析结果；S105：根据时间相关性分析结果、空间相关性分析结果构建基于时空相关性分析的城市雨水井多点位水深快速预报模型；S106：根据归一化后的数据集，使用均方误差作为损失函数，训练水深快速预报模型，对水深快速预报模型进行优化，得到优化后的模型；S107：采用均方根误差RMSE以及纳什效率系数NSE对优化后的模型进行评价，得到评价通过的模型；S108：将评价通过的模型应用于实际水深预报，得到预报结果。2.如权利要求1所述的一种城市雨水井多点位水深快速预报的方法，其特征在于：所述街道
‑
雨水下水道双排水系统耦合模型采用于雨洪管理模型SWMM建立。3.如权利要求1所述的一种城市雨水井多点位水深快速预报的方法，其特征在于：步骤S102中时间相关性分析的具体公式如下：S102中时间相关性分析的具体公式如下：式(1)、(2)中，是滑动窗口为i时，n个雨水井的降雨
‑
水深相关系数均值；i是滑动窗口数；PCC
i
(R,D
j
)是滑动窗口为i时，第j个雨水井的相关系数值；n是雨水井个数；R
t
‑
i
是降雨数据序列中的第t
‑
i个降雨数据；是平均降雨；是雨水井水深数据序列中第j个雨水井的第i+1个水深值；是雨水井水深数据序列中第j个雨水井的水深均值；t是降雨数据序列总长度；S
R
是降雨数据序列的标准差；是第j个雨水井数据序列的标准差。4.如权利要求1所述的一种城市雨水井多点位水深快速预报的方法，其特征在于：步骤S103中的归一化，具体如下式：式(3)中，X
i*
是归一化后的数据序列；X
i
是原始数据序列；X
min
是数据序列中的最小值；
X
max
是数据序列中的最大值。5.如权利要求1所述的一种城市雨水井多点位水深快速预报的方法，其特征在于：步骤S104中空间相关性分析，具体如下：S104中空间相关性分析，具体如下：S104中空间相关性分析，具体如下：S104中空间相关性分析，具体如下：式(4)
‑
(7)中，α
i
是第i个雨水井的空间权重系数；是雨水井水深数据序列中第i个雨水井的第j个水深值；t是降雨数据序列总长度；Ratio
PCC＞N
是皮尔逊相关系数大于N时的比值；A
N＜PCC＜1.0
是各雨水井互相关混淆矩阵中皮尔逊相关系数在N～1....

【专利技术属性】
技术研发人员：张挺，詹昌洵，杨丁颖，章思茜，蒋嘉伟，
申请(专利权)人：福州大学，
类型：发明
国别省市：