一种基于AI的海绵城市地下蓄水点定位方法及装置与流程

一种基于ai的海绵城市地下蓄水点定位方法及装置
技术领域
1.本发明涉及排涝工程技术领域，具体而言，涉及一种基于ai的海绵城市地下蓄水点定位方法及装置。


背景技术：

2.海绵城市，是新一代城市雨洪管理概念，是指城市能够像海绵一样，在适应环境变化和应对雨水带来的自然灾害等方面具有良好的弹性，也可称之为“水弹性城市”。建设海绵城市，统筹发挥自然生态功能和人工干预功能，可有效控制雨水径流，实现雨水自然积存、自然渗透、自然净化的城市发展方式，有利于修复城市水生态、涵养水资源，增强城市防涝能力，扩大公共产品有效投资，提高新型城镇化质量，促进人与自然和谐发展。
3.我国正处于海绵城市试点开发阶段，建设海绵城市很重要的一个环节是蓄水，如何在城市中找到合理的蓄水点位置是当下亟需解决的问题。


技术实现要素：

4.本发明提供了一种基于ai的海绵城市地下蓄水点定位方法及装置，以实现快速选取海绵城市地下蓄水点的位置，提高了地下蓄水点选点效率。具体的技术方案如下：
5.第一方面，本发明实施例提供了一种基于ai的海绵城市地下蓄水点定位方法，所述方法包括：
6.获取多个海绵城市地下蓄水点样本，样本包括模型输入数据和模型输出数据，其中，模型输入数据包括：海绵城市的地势信息、历年降雨量信息、气候信息、排水系统信息、高精地图信息，模型输出数据包括海绵城市中每个地下蓄水点的位置信息；
7.将多个样本进行划分，获得训练样本和测试样本；
8.利用训练样本和测试样本，训练和测试神经网络模型，神经网络模型用于确定海绵城市中每个地下蓄水点的位置。
9.可选地，样本分为正样本和负样本；
10.其中，正样本是依据全球模范海绵城市获得的；
11.负样本是依据多次出现内涝的海绵城市获得的。
12.可选地，神经网络的损失函数包括第一损失函数和第二损失函数；
13.其中，第一损失函数是由正样本获得的；
14.第二损失函数是由负样本获得的。
15.可选地，利用训练样本和测试样本，训练和测试神经网络模型，神经网络模型用于确定海绵城市中每个地下蓄水点的位置，包括：
16.利用训练样本和测试样本获得初级神经网络模型；
17.基于损失函数的损失值，对初级神经网络模型进行反向传播计算，获得神经网络模型。
18.第二方面，本发明实施例提供了一种基于ai的海绵城市地下蓄水点定位方法装
置，装置包括；
19.获取模块，用于获取多个海绵城市地下蓄水点样本，样本包括模型输入数据和模型输出数据，其中，模型输入数据包括：海绵城市的地势信息、历年降雨量信息、气候信息、排水系统信息、高精地图信息，模型输出数据包括海绵城市中每个地下蓄水点的位置信息；
20.划分模块，用于将多个样本进行划分，获得训练样本和测试样本；
21.建模模块，用于利用训练样本和测试样本，训练和测试神经网络模型，神经网络模型用于确定海绵城市中每个地下蓄水点的位置。
22.可选地，样本分为正样本和负样本；
23.其中，正样本是依据全球模范海绵城市获得的；
24.负样本是依据多次出现内涝的海绵城市获得的。
25.可选地，神经网络的损失函数包括第一损失函数和第二损失函数；
26.其中，第一损失函数是由正样本获得的；
27.第二损失函数是由负样本获得的。
28.可选地，建模模块包括：
29.初级建模模块，用于利用训练样本和测试样本获得初级神经网络模型；
30.终极建模模块，用于基于损失函数的损失值，对初级神经网络模型进行反向传播计算，获得神经网络模型。
31.由上述内容可知，本发明实施例提供的一种基于ai的海绵城市地下蓄水点定位方法及装置，获取多个海绵城市地下蓄水点样本，样本包括模型输入数据和模型输出数据，其中，模型输入数据包括：海绵城市的地势信息、历年降雨量信息、气候信息、排水系统信息、高精地图信息，模型输出数据包括海绵城市中每个地下蓄水点的位置信息；将多个样本进行划分，获得训练样本和测试样本；利用训练样本和测试样本，训练和测试神经网络模型，神经网络模型用于确定海绵城市中每个地下蓄水点的位置。
32.应用本发明实施例，不仅提高了海绵城市地下蓄水点的选点效率，而且也提高了每个地下蓄水点选取位置的准确性。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
33.本发明实施例的创新点包括：
34.1、基于ai确定海绵城市地下蓄水点位置，相比较传统的人工选点，极大的提高了选点效率，并且将与海绵城市地下蓄水点有关的多个因素作为模型输入数据，例如：海绵城市的地势信息、气候信息、排水系统信息等，可获得输出准确度较高数据的神经网络模型，即通过本实施例获得的神经网络模型，其确定的海绵城市每个地下蓄水点具体位置信息，比传统人工选取的地下蓄水点位置信息精确度高。
35.2、将全球模范海绵城市作为正样本，多次出现内涝的海绵城市作为负样本，通过正负样本数据训练神经网络模型，样本数据覆盖全面，更有利于神经网络模型的优化。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根
据这些附图获得其他的附图。
37.图1为本发明实施例提供的基于ai的海绵城市地下蓄水点定位方法的一种流程示意图；
38.图2为本发明实施例提供的基于ai的海绵城市地下蓄水点定位装置的一种结构示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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付出创造性劳动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。
40.需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
41.本发明提供了一种基于ai的海绵城市地下蓄水点定位方法及装置。下面对本发明实施例进行详细说明。
42.图1为本发明实施例提供的基于ai的海绵城市地下蓄水点定位方法的一种流程示意图。该方法可以包括如下步骤：
43.s101：获取多个海绵城市地下蓄水点样本，所述样本包括模型输入数据和模型输出数据，其中，所述模型输入数据包括：城市地势信息、历年降雨量信息、城市排水系统信息、城市高精地图信息，所述模型输出数据包括海绵城市中每个地下蓄水点的位置信息。
44.地下蓄水点包括天然的地下蓄水空间和人工的地下蓄水空间，天然的地下蓄水空间通常由松散介质的孔隙组成的空间，例如土、砂、砾卵石地层；天然的地下蓄水空间还可以是由岩体介质的空隙组成的空间，例如地下喀斯特溶洞等。人工的地下蓄水空间包括地下蓄排水管廊、地下蓄水池等。本实施例中地下蓄水点特指的是人工地下蓄水池。
45.本实施例中，可以将城市地势信息作为部分样本数据，在形成降雨后，雨水按照由高到底的地势走向汇集，城市中的洼地或者地势较低的区域更适合汇集雨水，依据地势信息确定蓄水点可以达到事倍功半的效果。确定地下蓄水点位置还可以依据城市高精地图，在本技术的一个实施例中，可以将城市地图做区域划分，按照设立蓄水点的适宜程度，划分区域等级，等级越高设立蓄水点的可能性越大。例如居民区、学校、化工厂等区域为不适合设立地下蓄水点区域，可将这些区域设置为低等级区域；消防站、草地、林地，已及积水多发地等区域为适合建设地下蓄水点区域，可将这些类似的区域设置为高等级区域，区域等级的划分可以更有效的确定城市地下蓄水点的位置。城市现有的排水系统信息也需要作为样本数据输入，因为海绵城市重要的一个作用是与城市排水系统联合起来解决城市内涝问题，实际上从解决内涝问题上理解，海绵城市是作为城市排水系统的补充而出现的，现有的城市排水系统的排水能力，影响了海绵城市蓄水点的蓄水承载量，所以需要将城市排水系统信息作为样本数据。上述样本数据均为模型输入数据，样本中还包括模型输出数据，在本实施例中模型输出数据是海绵城市每个蓄水点的位置信息。
46.另外考虑到城市空间的有限性，还可以开拓复合型地下蓄水点，例如在现有的地下车库下面建设地下蓄水池，可以在寸土寸金的城市中挖掘出更多的地下蓄水点，更有利于我国海绵城市建设的完善。
47.在本技术的一个可选实施例中，所述样本分为正样本和负样本；其中，所述正样本是依据全球模范海绵城市获得的；所述负样本是依据多次出现内涝的海绵城市获得的。
48.海绵城市是我国提出的一个概念，在等同概念，即辅助城市排水管网调节雨洪控制与管理中，国外模范城市有例如巴黎、东京、纽约、慕尼黑、首尔，以及荷兰鹿特丹等。可以将上述类似城市的相关地下蓄水点数据作为正样本训练模型。近些年来，由于极端天气的频繁出现，不少城市出现暴雨过后城市看海现象，可以将类似多次出现内涝的海绵城市作为负样本训练模型，以便得到更优化的模型。
49.s102：将多个所述样本进行划分，获得训练样本和测试样本。
50.在获得所有的样本后，需要对整体的样本进行划分，一部分用于训练模型，使模型从训练集中学习规则，另一部分用于测试模型，检验模型的泛化能力。训练样本的样本数量应远大于测试样本的样本数量。
51.s103：利用所述训练样本和所述测试样本，训练和测试神经网络模型，所述神经网络模型用于确定所述海绵城市中每个地下蓄水点的位置。
52.在本技术的一个可选实施例中，所述神经网络的损失函数包括第一损失函数和第二损失函数；其中，所述第一损失函数是由所述正样本获得的；所述第二损失函数是由所述负样本获得的。
53.损失函数是用来评估模型的预测结果与真实结果的不一致程度的，它是一个非负实值函数，损失函数值越小，则模型的性能越好。在本实施例中，神经网络的损失函数包括第一损失函数和第二损失函数。损失函数值是第一损失函数值与第二损失函数值之和。当该损失函数值小于预先设置的阈值时，即第一损失函数值与第二损失函数值之和小于预先设置的阈值，模型训练完成。
54.其中，第一损失函数的第一损失函数值表征了海绵城市蓄水点目标位置和正样本中海绵城市蓄水点位置的差异性，海绵城市蓄水点目标位置和正样本中海绵城市蓄水点位置的差异性越小，训练的神经网络模型好。第二损失函数的第二损失函数值表征了海绵城市蓄水点目标位置和负样本中海绵城市蓄水点位置的相似性，负样本中海绵城市蓄水点位置与海绵城市蓄水点目标位置通常差别会很大，二者的相似度会比较小，所以海绵城市蓄水点目标位置和负样本中海绵城市蓄水点位置的相似度越小，则反向表明训练的神经网络模型越好。
55.作为示例，第一损失函数可以表示为：lost1＝l(fc,fa)
56.第二损失函数可以表示为：lost2＝l(fc,fb)
57.其中，fc是海绵城市蓄水点的目标位置信息，fa是正样本中海绵城市蓄水点位置信息，fb是负样本中海绵城市蓄水点位置信息。正样本中海绵城市蓄水点位置信息和海绵城市蓄水点的目标位置信息越接近，则差异性越小，lost1函数值越小；负样本中海绵城市蓄水点位置信息和海绵城市蓄水点的目标位置信息越不相同，则相似度越小，lost2函数值越小。
58.在本技术的另一个可选实施例中，利用所述训练样本和所述测试样本获得初级神
经网络模型；基于损失函数的损失值，对初级神经网络模型进行反向传播计算，获得神经网络模型。
59.在训练过程中，神经网络建模会进行正向传播计算和反向传播计算，不断更新神经网络模型的参数，使得预先设置的损失函数的值逐渐降低，直到该损失函数的值小于等于预设阈值时，模型收敛，完成用于确定海绵城市每个蓄水点位置的神经网络模型建设。将最后更新的参数作为该神经网络模型的参数。
60.在上述实施例的基础上，还可以确定海绵城市每个地下蓄水点对应的每个蓄水池的容积大小。在一个实施例中，首先可以通过暴雨降雨量，排水系统排水量等信息确定海绵城市需要建设地下蓄水点的蓄水总容量，接着可以依据海绵城市地下蓄水点位置信息、地图信息、地下蓄水空间蓄水总容量等信息，确定具体每个蓄水池蓄水容积。
61.作为示例，蓄水空间蓄水总容积公式可以如下：
[0062][0063]
其中，设v是蓄水池设计容积；h是暴雨降雨量；δ是排水系统排水量；是径流系数；f是汇水面积。径流系数是指同一地区同一时期内的径流深度与形成该时期径流的降水量之比。其值介于0与1之间。在干旱地区,径流系数较小,甚至近于0,在湿润地区则较大。汇水面积是指雨水管渠汇集雨水的面积。
[0064]
在以上实施例的基础上，在地下蓄水池正式使用的过程中，可以根据天气预报及周围河流湖泊水库的水位，对蓄水点的蓄水进行调度，以便在暴雨来临前及时排空蓄水，在少雨期间蓄水又可以用于消防和灌溉。
[0065]
相应于上述方法实施例，本发明实施例提供了基于ai的海绵城市地下蓄水点定位装置的一种结构示意图
[0066]
如图2所示，基于ai的海绵城市地下蓄水点定位装置包括：
[0067]
获取模块201，用于获取多个海绵城市地下蓄水点样本，所述样本包括模型输入数据和模型输出数据，其中，所述模型输入数据包括：城市地势信息、历年降雨量信息、城市排水系统信息、城市高精地图信息，所述模型输出数据包括海绵城市中每个地下蓄水点的位置信息。
[0068]
地下蓄水点包括天然的地下蓄水空间和人工的地下蓄水空间，天然的地下蓄水空间通常由松散介质的孔隙组成的空间，例如土、砂、砾卵石地层；天然的地下蓄水空间还可以是由岩体介质的空隙组成的空间，例如地下喀斯特溶洞等。人工的地下蓄水空间包括地下蓄排水管廊、地下蓄水池等。本实施例中地下蓄水点特指的是人工地下蓄水池。
[0069]
本实施例中，可以将城市地势信息作为部分样本数据，在形成降雨后，雨水按照由高到底的地势走向汇集，城市中的洼地或者地势较低的区域更适合汇集雨水，依据地势信息确定蓄水点可以达到事倍功半的效果。确定地下蓄水点位置还可以依据城市高精地图，在本技术的一个实施例中，可以将城市地图做区域划分，按照设立蓄水点的适宜程度，划分区域等级，等级越高设立蓄水点的可能性越大。例如居民区、学校、化工厂等区域为不适合设立地下蓄水点区域，可将这些区域设置为低等级区域；消防站、草地、林地，已及积水多发地等区域为适合建设地下蓄水点区域，可将这些类似的区域设置为高等级区域，区域等级的划分可以更有效的确定城市地下蓄水点的位置。城市现有的排水系统信息也需要作为样
本数据输入，因为海绵城市重要的一个作用是与城市排水系统联合起来解决城市内涝问题，实际上从解决内涝问题上理解，海绵城市是作为城市排水系统的补充而出现的，现有的城市排水系统的排水能力，影响了海绵城市蓄水点的蓄水承载量，所以需要将城市排水系统信息作为样本数据。上述样本数据均为模型输入数据，样本中还包括模型输出数据，在本实施例中模型输出数据是海绵城市每个蓄水点的位置信息。
[0070]
另外考虑到城市空间的有限性，还可以开拓复合型地下蓄水点，例如在现有的地下车库下面建设地下蓄水池，可以在寸土寸金的城市中挖掘出更多的地下蓄水点，更有利于我国海绵城市建设的完善。
[0071]
在本技术的一个可选实施例中，所述样本分为正样本和负样本；其中，所述正样本是依据全球模范海绵城市获得的；所述负样本是依据多次出现内涝的海绵城市获得的。
[0072]
海绵城市是我国提出的一个概念，在等同概念，即辅助城市排水管网调节雨洪控制与管理中，国外模范城市有例如巴黎、东京、纽约、慕尼黑、首尔，以及荷兰鹿特丹等。可以将上述类似城市的相关地下蓄水点数据作为正样本训练模型。近些年来，由于极端天气的频繁出现，不少城市出现暴雨过后城市看海现象，可以将类似多次出现内涝的海绵城市作为负样本训练模型，以便得到更优化的模型。
[0073]
划分模块202，用于将多个所述样本进行划分，获得训练样本和测试样本。
[0074]
在获得所有的样本后，需要对整体的样本进行划分，一部分用于训练模型，使模型从训练集中学习规则，另一部分用于测试模型，检验模型的泛化能力。训练样本的样本数量应远大于测试样本的样本数量。
[0075]
建模模块203，用于利用所述训练样本和所述测试样本，训练和测试神经网络模型，所述神经网络模型用于确定所述海绵城市中每个地下蓄水点的位置。
[0076]
在本技术的一个可选实施例中，所述神经网络的损失函数包括第一损失函数和第二损失函数；其中，所述第一损失函数是由所述正样本获得的；所述第二损失函数是由所述负样本获得的。
[0077]
损失函数是用来评估模型的预测结果与真实结果的不一致程度的，它是一个非负实值函数，损失函数值越小，则模型的性能越好。在本实施例中，神经网络的损失函数包括第一损失函数和第二损失函数。损失函数值是第一损失函数值与第二损失函数值之和。当该损失函数值小于预先设置的阈值时，即第一损失函数值与第二损失函数值之和小于预先设置的阈值，模型训练完成。
[0078]
其中，第一损失函数的第一损失函数值表征了海绵城市蓄水点目标位置和正样本中海绵城市蓄水点位置的差异性，海绵城市蓄水点目标位置和正样本中海绵城市蓄水点位置的差异性越小，训练的神经网络模型好。第二损失函数的第二损失函数值表征了海绵城市蓄水点目标位置和负样本中海绵城市蓄水点位置的相似性，负样本中海绵城市蓄水点位置与海绵城市蓄水点目标位置通常差别会很大，二者的相似度会比较小，所以海绵城市蓄水点目标位置和负样本中海绵城市蓄水点位置的相似度越小，则反向表明训练的神经网络模型越好。
[0079]
作为示例，第一损失函数可以表示为：lost1＝l(fc,fa)
[0080]
第二损失函数可以表示为：lost2＝l(fc,fb)
[0081]
其中，fc是海绵城市蓄水点的目标位置信息，fa是正样本中海绵城市蓄水点位置
信息，fb是负样本中海绵城市蓄水点位置信息。正样本中海绵城市蓄水点位置信息和海绵城市蓄水点的目标位置信息越接近，则差异性越小，lost1函数值越小；负样本中海绵城市蓄水点位置信息和海绵城市蓄水点的目标位置信息越不相同，则相似度越小，lost2函数值越小。
[0082]
在本技术的另一个可选实施例中，建模模块用于在训练过程中，神经网络建模会进行正向传播计算和反向传播计算，不断更新神经网络模型的参数，使得预先设置的损失函数的值逐渐降低，直到该损失函数的值小于等于预设阈值时，模型收敛，完成用于确定海绵城市每个蓄水点位置的神经网络模型建设。将最后更新的参数作为该神经网络模型的参数。
[0083]
上述系统、装置实施例与系统实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0084]
本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0085]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。