申请/专利权人：水利部交通运输部国家能源局南京水利科学研究院

申请日：2024-05-08

公开（公告）日：2024-07-05

公开（公告）号：CN118134729B

主分类号：G06Q50/26

分类号：G06Q50/26;G01W1/10;G06N5/04;G06N3/094;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.06.21#实质审查的生效;2024.06.04#公开

摘要：用于城市防洪的智慧预报方法，包括如下步骤：收集城市防洪数据，从城市防洪数据中提取降雨数据、历史洪水数据和非降雨洪水驱动因子；构建四种洪水预报模型，包括洪水预报统计模型、洪水预报物理模型、洪水预报机器学习模型和洪水预报历史相似性模型；针对每种预报模型，分别从城市防洪数据和相似降雨数据中提取数据构建训练集，依序训练每一预报模型；基于训练后的每种预报模型，输出洪水预报；采用加权法综合四种洪水预报结果，得到综合洪水预报，即城市防洪的智慧预报。本发明提高了洪水预报的精度和时效性。

主权项：1.用于城市防洪的智慧预报方法，其特征在于，包括如下步骤：步骤S1、收集城市防洪数据，从城市防洪数据中提取降雨数据、历史洪水数据和非降雨洪水驱动因子；计算各个非降雨洪水驱动因子与洪水过程之间的同步性，构建关键非降雨洪水驱动因子集，基于历史洪水数据和其对应的降雨数据，计算洪水事件与降雨数据的映射关系，得到相似降雨，形成相似降雨数据；步骤S2、构建四种洪水预报模型，包括洪水预报统计模型、洪水预报物理模型、洪水预报机器学习模型和洪水预报历史相似性模型；步骤S3、针对每种预报模型，分别从城市防洪数据和相似降雨数据中提取数据构建训练集，依序训练每一预报模型；步骤S4、基于训练后的每种预报模型，输出洪水预报；采用加权法综合四种洪水预报结果，得到综合洪水预报，即城市防洪的智慧预报；所述步骤S1进一步为：步骤S11、收集城市防洪数据，包括降雨数据、历史洪水数据和非降雨洪水驱动因子，所述非降雨洪水驱动因子包括非降雨气象数据；步骤S12、从历史洪水数据中提取每一历史洪水过程，以及该历史洪水过程对应的非降雨洪水驱动因子，构建各场历史洪水过程的非降雨洪水驱动因子集；步骤S13、针对每一历史洪水过程，采用弗雷歇距离计算各个非降雨洪水驱动因子与洪水过程之间的同步性，构建每场历史洪水过程的关键的非降雨洪水驱动因子集；步骤S14、基于历史洪水数据和其对应的降雨数据，计算洪水事件与降雨的映射关系，识别出相似降雨，形成相似降雨数据；所述步骤S13进一步为：步骤S13a、依次收集每个非降雨洪水驱动因子的数据，得到每个非降雨洪水驱动因子的数据序列；步骤S13b、针对每个历史洪水过程，计算每个非降雨洪水驱动因子与历史洪水过程之间的弗雷歇距离和互信息，将弗雷歇距离小于阈值且互信息大于阈值的非降雨洪水驱动因子与洪水过程认定为同步性高于阈值；步骤S13c、针对每一历史洪水过程，依序提取同步性高于阈值的非降雨洪水驱动因子，构建每一历史洪水过程的关键非降雨洪水驱动因子集；所述步骤S14进一步为：步骤S14a、基于历史洪水过程和其对应的降雨数据，设置Pearson相关系数阈值和DTW距离阈值；步骤S14b、针对每一历史洪水过程，采用Pearson相关系数和DTW距离分别构建历史洪水过程和降雨数据的映射关系；步骤S14c、计算所有降雨数据和历史洪水过程的Pearson相关系数和DTW距离，将相关系数大于Pearson阈值且DTW距离小于DTW阈值的降雨识别为相似降雨；所述步骤S3进一步为：步骤S31、提取洪水过程，并按照时间顺序将每个洪水过程的城市防洪数据、降雨数据和非降雨洪水驱动因子分成K段连续的过程，K为大于1的自然数；在初始时，通过四种洪水预报模型给出当前洪水过程；步骤S32、将每个时间段作为一个训练步长，依序针对每个时间段，提取非降雨洪水驱动因子、降雨数据及其对应的历史洪水过程，计算当前洪水过程和历史洪水数据的弗雷歇距离，筛选出相似洪水过程；采用四种洪水预报模型进行预报并输出综合洪水预报，然后将相似洪水过程的后续过程作为验证集对四种洪水预报模型进行验证；直至得到训练好的四种洪水预报模型；步骤S33、根据预配置的周期，对模型进行对抗验证，通过对输入的非降雨洪水驱动因子数据添加扰动构建对抗样本，测试模型在极端情况下的预测能力；分析模型对对抗样本的脆弱性，并针对性地进行模型修正和优化，提高洪水预报在恶劣条件下的鲁棒性；所述步骤S4进一步为：步骤S41、分别计算训练好的四种洪水预报模型，得到各自对应的洪水预报；步骤S42、采用加权法综合得到最终的综合洪水预报，即城市防洪的智慧预报；所述步骤S41进一步为：步骤S41a、提取当前时段已发生的洪水数据、降雨数据和其对应的非降雨洪水驱动因子输入洪水预报统计模型，得到洪水预报统计模型的洪水预报；步骤S41b、提取当前时段已发生的洪水数据、降雨数据、地形数据、土地利用数据、城镇布局规划输入洪水预报物理模型，得到洪水预报物理模型的洪水预报；步骤S41c、提取当前时段已发生的洪水数据、降雨数据、非降雨气象数据、地形数据、土地利用数据、城镇布局规划输入洪水预报机器学习模型，得到洪水预报机器学习模型的洪水预报；步骤S41d、提取当前时段已发生的洪水数据、降雨数据、当前降雨数据对应的历史相似洪水数据，输入洪水预报历史相似性模型，得到洪水预报历史相似性模型的洪水预报。

全文数据：

权利要求：

百度查询： 水利部交通运输部国家能源局南京水利科学研究院 用于城市防洪的智慧预报方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD