[发明专利]一种基于BP人工神经网络的城市积涝水位预报方法

权利要求书

1.一种基于BP人工神经网络的城市积涝水位预报方法，其特征在于包括以下步骤：

⑴定义待预报积涝水位的城市区域为目标区域，获取目标区域内的积涝预报点的数量并记为N个，将N个积涝预报点预先分成M个预报组，从M个预报组中任意选取一个预报组作为当前预报组，将当前预报组中的积涝预报点的数量记为N_cur个；

⑵定义N个积涝预报点对应的径流汇集区为雨量观测区，获取雨量观测区内全部雨量观测站的数量并记为K个；获取对目标区域内的N个积涝预报点有影响的潮河水位观测点的数量并记为L个；

定义任意一个历史整点起报时刻为0小时，定义位于该历史整点起报时刻之前的多个观测时刻为历史过去观测时刻：-120小时、-48小时、-24小时、-12小时、-6小时、-3小时、-2小时和-1小时，定义位于该历史整点起报时刻之后的多个观测时刻为历史未来预报时刻：1小时、2小时、3小时、6小时、12小时、24小时和48小时，在历史整点起报时刻中获取符合如下条件的特定整点起报时刻：①特定整点起报时刻的未来48小时内，N个积涝预报点中至少有1个积涝预报点出现积水，N个积涝预报点记录有特定整点起报时刻的积水深度和特定整点起报时刻的所有历史未来预报时刻的积水深度；②K个雨量观测站在特定整点起报时刻的每两个相邻的历史过去观测时刻之间的过去时间段和在历史未来预报时刻的每两个相邻的历史未来预报时刻之间的未来时间段均记录有时段雨量值；③在特定整点起报时刻的L个潮河水位观测点均记录有水位观测值；定义特定整点起报时刻的资料为历史样本，并定义特定整点起报时刻为历史样本起报时刻，将全部历史样本的数量记为C_s个，100≤C_s≤1000，历史样本起报时刻的集合T如下：T＝{T₁，T₂，...，T_i，...，T_Cs}，T_i表示该集合中的任意一个历史样本起报时刻，1≤i≤C_s；

⑶定义与历史样本起报时刻对应的预报时效的集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT为与历史样本起报时刻对应的预报时效的集合中的当前预报时效，LT的初值取为1小时；

⑷获取LT对应的当前待训练预报模型的参数如下：定义当前待处理的历史样本为当前历史样本，T_j为T中当前历史样本起报时刻，j的初始值为1，从当前历史样本获取当前预报组中N_cur个积涝预报点在T_j+LT时刻的积水深度并定义为LT对应的待训练预报模型中与当前历史样本对应的预报对象，然后从当前历史样本获取LT对应的待训练预报模型中的与当前历史样本对应的一组预报因子；

⑸将与当前历史样本对应的预报对象和与当前历史样本对应的一组预报因子进行归一化处理，判断是否满足j＝C_s，若否则令j＝j+1，其中，“＝”为赋值符号，对步骤⑷中的j进行更新，重复执行步骤⑷，若是则将归一化后的与C_s个历史样本对应的预报对象和归一化后的与C_s个历史样本对应的C_s组预报因子组成LT对应的当前待训练预报模型的当前训练样本集，并执行步骤⑹；

⑹采用前向3层网络的BP人工神经网络模型构造LT对应的当前待训练预报模型，训练精度的取值范围设定为0.001～0.01，最大训练次数的取值范围设定为5000～10000次；

将当前训练样本集的数据输入当前待训练预报模型对当前待训练预报模型进行训练，判断在未超出最大训练次数的情况下是否满足训练精度，若是则得到当前待训练预报模型的网络权值，并得到与LT对应的训练后的预报模型；若否则确定不对当前预报组在LT以后的预报时效的积涝水位进行预报；

判断LT是否等于48小时，若否则将LT取为LT在与历史样本起报时刻对应的预报时效的集合中的下一个预报时效，重复执行步骤⑷，若是则执行步骤⑺；

⑺定义当前起报时刻为T₀，T₀为整点时刻，定义与T₀对应的预报时效集合如下：1小时、2小时、3小时、6小时、12小时、24小时和48小时，定义LT₁为T₀对应的预报时效的集合中的当前预报时效，LT₁的初值取为1小时；

⑻定义与LT₁的取值相同的LT对应的训练后的预报模型为当前预报模型，获取当前预报模型的当前预报因子；

⑼将当前预报模型的当前预报因子进行归一化处理，将归一化处理后的当前预报因子输入到当前预报模型，将当前预报模型的输出结果进行反归一化处理即可得到N_cur个积涝预报点在LT₁的积涝水位预报值；

⑽判断LT₁＝48小时是否成立，若否则将LT₁赋值为LT₁在T₀对应的预报时效的集合中的下一个预报时效，重复执行步骤⑻，若是则完成对当前预报组中的N_cur个积涝预报点的积涝水位预报。