[发明专利]基于机器学习的城市内涝积水点积水过程预测方法及系统

权利要求书

1.一种基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，包括以下步骤：

S1、利用改进的K邻域法建立积水监测站点和临近降雨监测站点之间的插值拓扑关系，具体包括以下分步骤：

S11、判断积水监测站点位置上是否同时存在降雨监测站点；若是，则将该点形成临近降雨监测站点领域点集，进入步骤S17；否则进入步骤S12；

S12、获取积水监测站点和城区全部降雨监测站点的经纬度坐标；

S13、以积水监测站点作为坐标系原点构建二维坐标系，计算各降雨监测站点的相对坐标；

S14、计算原点到坐标轴上每个降雨监测站点向量的模，选取模最小对应的点作为临近降雨监测站点；

S15、选取每个象限内满足设定筛选条件的点作为临近降雨监测站点；

S16、将步骤S14和S15选取的临近降雨监测站点形成临近降雨监测站点领域点集；

S17、建立积水监测站点和临近降雨监测站点领域点集之间的插值拓扑关系；

S2、获取积水监测站点的历史积水过程数据和临近降雨监测站点的历史降雨过程数据，根据步骤S1建立的插值拓扑关系，采用反距离权重插值法得到积水监测站点的历史降雨过程数据，构建积水过程与降雨过程相关的城市内涝积水点积水过程预测模型；

S3、获取临近降雨监测站点的实时降雨过程数据，根据步骤S1建立的插值拓扑关系，采用反距离权重插值法得到积水监测站点的实时降雨过程数据；并根据多源定量降雨预报数据产品的时空特征，对各产品降雨过程数据进行融合，得到积水监测站点的定量预报降雨过程数据；

S4、将积水监测站点的实时降雨过程数据与定量预报降雨过程数据进行拼接，得到积水监测站点的实时和预报降雨过程数据；

S5、利用城市内涝积水点积水过程预测模型，根据积水监测站点的实时和预报降雨过程数据进行城市内涝积水点积水过程预测。

2.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，所述步骤S15具体包括以下分步骤：

S151、判断当前象限内是否不存在降雨监测站点；若是，则进入下一象限；否则进入步骤S152；

S152、判断当前象限内是否只有一个降雨监测站点；若是，则选取该降雨监测站点；否则进入步骤S153；

S153、计算原点到降雨监测站点向量的模；计算全部模与最小模的差值，判断差值不大于预设阈值的站点数量是否为1；若是，则选取模最小的降雨监测站点；否则进入步骤S154；

S154、计算满足预设阈值条件的各降雨监测站点相对坐标沿逆时针方向与坐标轴形成的小于90°的夹角，并按大小排序；

S155、判断最小夹角是否大于或等于45°；若是，则选取该夹角对应的降雨监测站点；否则进入步骤S156；

S156、判断最大夹角是否小于或等于45°；若是，则选取该夹角对应的降雨监测站点；否则进入步骤S157；

S157、计算最大夹角与最小夹角的差值，判断该差值是否大于或等于30°；若是，则选取最大夹角和最小夹角对应的降雨监测站点；否则选取各个夹角与45°差值的最小值对应的降雨监测站点。

3.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、获取积水监测站点的各场次历史积水过程数据和临近降雨监测站点的历史降雨过程数据；

S22、利用临近降雨监测站点的历史降雨过程数据，根据步骤S1建立的插值拓扑关系，利用反距离权重插值法对临近降雨监测站点的历史降雨过程数据进行插值，生成积水监测站点的历史降雨过程数据；

S23、遍历积水监测站点的历史积水过程数据和历史降雨过程数据，计算积水过程数据与滑动降雨过程数据的相关性；

S24、选取相关性最大对应的滑动时段，建立各场次历史降雨积水的滑动降雨过程和积水过程数据集；

S25、利用建立的数据集进行机器学习训练和验证，构建积水过程与降雨过程相关的城市内涝积水点积水过程预测模型。