内涝预测模型的训练方法、模型及预测方法和存储装置与流程

技术特征：
1.一种内涝预测模型的训练方法，其特征在于，包括以下步骤：s1:获取充分多条特定区域的一段时间内的降雨量、气候温度、最大积水深度的历史数据；其中降雨量、气化温度、最大积水深度都是由气象部门的数据采集得到，降雨量、气化温度为按照时间顺序排列的一维向量，最大积水深度与降雨量、气化温度相对应；获取所述特定区域的管道分布图，根据管道分布图构建管道分布特征向量，所述管道分布特征向量为一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值；连列降雨量、气候温度、管道分布特征向量，形成初始特征向量a1；s2:通过多层的一维卷积层对初始特征向量a1进行特征提取，得到提取特征之后的提取特征向量a2；s3:将提取特征向量a2通过灰色模型gm(1,1)进行m次累加循环，生成预测序列a3；s4:计算灰色模型gm(1,1)输出的预测序列a3与原始序列a1的残差序列e；e＝a3‑
a1；s5:将残差序列e归一化之后，作为长短时记忆网络神经模型的训练用输入向量，将最大积水深度作为长短时记忆网络神经模型的训练用输出向量；s6：使用训练用输入向量和训练用输出向量训练长短时记忆网，得出内涝预测模型。2.根据权利要求1所述的内涝预测模型的训练方法，其特征在于，每种管道分布下的历史数据至少为500条以上。3.根据权利要求1或2所述的内涝预测模型的训练方法，其特征在于，流入和流出所述特定区域的管道为4个，流出管道为3，当流入管道或流出管道不足时，以0补齐，当流入管道或流出管道超出时，舍弃流量较小的那些管道的数据。4.根据权利要求1或2所述的内涝预测模型的训练方法，其特征在于，所述特定区域为桥底、隧道、低洼路面。5.一种内涝预测模型装置，其特征在于，使用权利要求1
‑
4任一项所述的内涝预测模型的训练方法训练得到。6.一种特定区域的内涝预测方法，其特征在于，包括以下步骤采集天气预报数据，天气预报数据包括某区域的降雨量、气候温度，并根据区域内的管道情况构建管道分布特征向量；管道分布特征向量的构建方法为，所述管道分布特征向量为连列的一维向量，一维向量的每个元素为流入和流出所述特定区域的管道的长度和流速，其中流速中流入为正值，流出为负值；将降雨量、气候温度以及管道分布特征向量形成初始特征向量a1；通过多层的一维卷积层对初始特征向量a1进行特征提取，得到提取特征之后的提取特征向量a2；将提取特征向量a2通过灰色模型gm(1,1)进行m次累加循环，生成预测序列a3。计算灰色模型gm(1,1)输出的预测序列a3与原始序列a1的残差序列e；e＝a3‑
a1；将残差序列e归一化之后，得到输入向量；将输入向量输入到权利要求5的内涝预测模型装置中，获取最大积水深度。7.根据权利要求6所述的特定区域的内涝预测方法，其特征在于，当流入管道或者流出
不足训练时的流入管道数量时，以0补齐，当入管道或者流出超出训练时的流入管道数量时，舍弃流量较小的那些管道的数据。8.根据权利要求6或7所述的特定区域的内涝预测方法，其特征在于，获取的最大积水深度超过预警值时，发出警报。9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如权利要求1
‑
4任一项所述的方法。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一条或一条以上指令，所述指令适于由处理器加载并执行如权利要求6
‑
8任一项所述的方法。

技术总结
本申请涉及一种内涝预测模型的训练方法、模型及预测方法和存储装置。使用容易取得的降雨量、气候温度、最大积水深度这些历史数据，在预测时，使用天气预报数据结合容易现场采集的管道数据，采用改进灰色模型外推插补不同时刻的特征数据序列并与长短时记忆网LSTM相结合，进行特征序列预测。从而提高在小样本情况下的数据预测的准确率。通过多个一维卷积层对大数据样本进行特征向量的提取。避免人为的选取特征，使得整体算法可以自适应提取最具代表性的主成分特征，自动权衡各个特征的权重配比。自动权衡各个特征的权重配比。自动权衡各个特征的权重配比。


技术研发人员：刘晓海 金科
受保护的技术使用者：欧梯恩智能科技（苏州）有限公司
技术研发日：2021.08.10
技术公布日：2021/10/19