【技术实现步骤摘要】
本专利技术涉及防汛预测，尤其涉及一种基于机器学习的针对城市内涝的防汛预测系统。
技术介绍
1、随着城市化进程快速发展，大量原有透水路面升级成不透水的沥青路面，加之“热岛效应”的增强导致暴雨天气频发，极易引发城市内涝灾害；
2、传统的城市内涝预测系统适用尺度小，往往针对某一类水文模型进行防汛预测以及相应的预警，导致在出现城市内涝的情况下，难以对当时的灾害情况进行准确防控，不仅耗费了大量的人力，而且还达不到预期的防汛效果；
3、针对上述的技术缺陷，现提出一种解决方案。
技术实现思路
1、本专利技术的目的在于：提出一种基于机器学习的针对城市内涝的防汛预测系统，通过通过对采集到的目标内涝信息从致灾降雨模型、孕灾环境模型以及承灾负荷模型三个角度进行分析，提高了判断城市内涝的危急程度的精确性，进而通过相应的模型对应输出致灾因子、孕灾因子以及承灾因子，再通过预先建立的统一分析模型，输出风险状态系数，并对风险状态系数进行监管预警分析，获得相应的防汛预警信号，解决了耗费大量的人力且还达不到预期的防汛效果的问题。
2、为了实现上述目的，本专利技术采用了如下技术方案：一种基于机器学习的针对城市内涝的防汛预测系统，包括采集端和管理端；采集端的内部设置有数据采集单元，管理端的内部设置有管控平台、选择处理单元、综合分析单元、安全防控单元和可视化单元；
3、当管理端的内部管控平台生成运管指令发送给采集端，立即通过采集端内部的数据采集单元采集针对城市内涝的数据采集表
4、选择处理单元通过将目标内涝信息对应代入预设建立的致灾降雨模型、孕灾环境模型以及承灾负荷模型，对应输出致灾因子、孕灾因子以及承灾因子，并将致灾因子、孕灾因子以及承灾因子发送给综合分析单元和可视化单元；
5、综合分析单元通过将致灾因子、孕灾因子以及承灾因子代入预先建立的统一分析模型，输出风险状态系数，并将风险状态系数发送给安全防控单元和可视化单元；
6、安全防控单元在接收到风险状态系数时，对风险状态系数进行监管预警分析，并生成相应的防汛预警信号，且将防汛预警信号发送给可视化单元并显示。
7、进一步的，数据采集单元中采集数据分析的具体过程为：
8、获取针对城市内涝的数据采集表，并对该数据采集表进行关键字提取，获取到目标关键字，进而根据目标关键字对城市内涝相关数据进行采集，获得目标内涝信息，同时生成监管指令；其中，目标内涝信息包括致灾信息、孕灾信息和承灾信息。
9、进一步的，致灾降雨模型的具体工作过程为：
10、致灾信息包括年平均降雨量，年强降雨频率，年平均强降雨天数、单日最大降雨量，最大积水深度，中心城区积水断头路数量和单次强降雨历时，并分别对应标记为aa1，aa2，aa3，aa4，aa5，aa6和aa7；
11、步骤a1，构建参考指标模型：将输入信息标记为参数q，参数q中包括多个数据指标，将参数q中任一数据指标标记为q，且标记数据指标q的数据值为lq，设置数据指标q的标准区间为qz[qz1，qz2]；再通过数据值lq与标准区间qz相结合，获取数据指标q的参考值caq；
12、步骤a2，应用参考指标模型：先将平均降雨量aa1，年强降雨频率aa2，年平均强降雨天数aa3、单日最大降雨量aa4，最大积水深度aa5，中心城区积水断头路数量aa6和单次强降雨历时aa7整合为判定致灾降雨的参数数据集，进而将其代入参考指标模型中，获取判定致灾降雨的指标参考集，包括平均降雨量参考值caa1，年强降雨频率参考值caa2，年平均强降雨天数参考值caa3、单日最大降雨量参考值caa4，最大积水深度参考值caa5，中心城区积水断头路数量参考值caa6和单次强降雨历时参考值caa7；
13、步骤a3，通过致灾降雨的指标参考集生成致灾因子f1。
14、进一步的，生成致灾因子f1的公式为：
15、
16、其中，β1、β2、β3、β4、β5、β6和β7分别为平均降雨量参考值caa1、年强降雨频率参考值caa2、年平均强降雨天数参考值caa3、单日最大降雨量参考值caa4、最大积水深度参考值caa5、中心城区积水断头路数量参考值caa6和单次强降雨历时参考值caa7的权重系数，且β1、β2、β3、β4、β5、β6均大于0。
17、进一步的，孕灾环境模型的具体工作过程为：
18、孕灾信息包括地势平缓占比，海绵城市达标面积占比，绿化覆盖占比，排水管网密度占比和下穿通道密度占比，分别对应标记为bb1，bb2，bb3，bb4和bb5；
19、步骤b1，构建波动指标模型：将输入信息标记为参数u，参数u中包括多个数据指标，将参数u中任一数据指标标记为u，且标记数据指标u的数据值为lu，进而以数据指标u为y轴，以时间周期为y轴，构建数据指标u随时间变化的动态曲线su，预设数据指标u的模拟标准曲线为s0，将曲线su与模拟标准曲线s0进行对比，分别获取曲线su和曲线s0的对应所有波峰值之间的波峰差值cz1，和对应所有波谷值之间的波谷差值cz2，再将波峰差值cz1和波谷差值cz2相减，获取到失衡值cb；
20、步骤b2，应用波动指标模型：先将地势平缓占比bb1，海绵城市达标面积占比bb2，绿化覆盖占比bb3，排水管网密度占比bb4和下穿通道密度占比bb5整合为判定孕灾环境的参数数据集，进而将其代入波动指标模型中，获取判定孕灾环境的指标参考集，包括地势平缓占比失衡值cbb1，海绵城市达标面积占比失衡值cbb2，绿化覆盖占比失衡值cbb3，排水管网密度占比失衡值cbb4和下穿通道密度占比失衡值cbb5；
21、步骤b3，通过孕灾环境的指标参考集生成孕灾因子f2。
22、进一步的，生成孕灾因子f2的公式为：
23、其中，ε1、ε2、ε3、ε4和ε5分别为地势平缓占比失衡值cbb1、海绵城市达标面积占比失衡值cbb2、绿化覆盖占比失衡值cbb3、排水管网密度占比失衡值cbb4和下穿通道密度占比失衡值cbb5的权重系数，且ε1、ε2、ε3、ε4和ε5均大于0。
24、进一步的，承灾负荷模型的具体工作过程为：
25、承灾信息包括人口密度，弱势人口比重，人均gdp值，大型商业综合体密度，受灾面积和地铁密度，分别对应标记为cc1，cc2，cc3，cc4，cc5和cc6；
26、步骤c1，构建负荷指标模型：将输入信息标记为参数h，参数h中包括多个数据指标，将参数h中任一数据指标标记为h，且标记数据指标h的数据值为lh，预设数据值阈值lh，并将当数据值lh和预设数据值阈值lh进行对比分析，当数据值lh大于预设数据值阈值lh，则将数据值lh大于预设数据值阈值lh的部分与预设数据值阈值lh之间的比值标记为倍率比值h本文档来自技高网...
【技术保护点】
1.一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：包括采集端和管理端；采集端的内部设置有数据采集单元，管理端的内部设置有管控平台、选择处理单元、综合分析单元、安全防控单元和可视化单元；
2.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：数据采集单元中采集数据分析的具体过程为：
3.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：致灾降雨模型的具体工作过程为：
4.根据权利要求3所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：生成致灾因子F1的公式为：
5.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：孕灾环境模型的具体工作过程为：
6.根据权利要求5所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：生成孕灾因子F2的公式为：
7.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：承灾负荷模型的具体工作过程为：
8.根据权利要求7所述的一
9.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：统一分析模型的具体工作过程为：
10.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：对风险状态系数进行监管预警分析的具体工作过程为：
...【技术特征摘要】
1.一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：包括采集端和管理端；采集端的内部设置有数据采集单元，管理端的内部设置有管控平台、选择处理单元、综合分析单元、安全防控单元和可视化单元；
2.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：数据采集单元中采集数据分析的具体过程为：
3.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：致灾降雨模型的具体工作过程为：
4.根据权利要求3所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于：生成致灾因子f1的公式为：
5.根据权利要求1所述的一种基于机器学习的针对城市内涝的防汛预测系统，其特征在于...
【专利技术属性】
技术研发人员：杨宗国，黄贵，黄容，陈正，
申请(专利权)人：深圳市水务科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。