[发明专利]一种积水预测系统

说明书

本发明提出了一种积水预测系统，在充分考虑不同城市地域特点的基础上，结合基于物联网的积水监测硬件平台，利用先进的信息手段与人工智能方法，通过采用性能更优的LSTM网络，实现了对积水的预测。积水预测系统要求利用人工智能算法，如改进RNN、CNN等算法，结合气象数据及实时积水监测数据，并考虑监测点所属区域的地理信息以及未来天气状况预测积水情况的不同，按照降雨级别分别训练三种类别的监测点预测模型，预测未来2分钟，5分钟，30分钟，2小时后积水监测点的积水。输入数据可增强预测模型鲁棒性，预测结果的准确度也会提高，充分满足了城区主干道、居民区和河堤附近的洪涝灾害预警功能与保护人员财产安全的需要。

技术领域

本发明属于积水检测领域，具体涉及一种基于积水预测系统。

背景技术

由于国内一些城市排水管网管道老化，排水标准比较低。有的地方排水设施就不健全，不完善，排水系统建设滞后是造成内涝的一个重要原因。另外，城市大量的硬质铺装，如柏油路、水泥路面，降雨时水渗透性不好，不容易入渗，也容易形成这段路面的积水。生活水平提高后的市民对生活环境的要求在不断提高，习惯了快节奏的生活方式，就对突然发生的积水和交通瘫痪等不能容忍。一旦城市遭遇强暴雨袭击，突然倍增的洪水无处可去，当然会在城市里肆意奔流，于是，道路瞬间成“河流”，广场立即变“湖泊”，使得建设在河道、湖畔等低洼地带的居民区、工厂等遭受威胁，造成不可估量的严重损失。传统的基于RNN网络的积水预测系统无法将雷达、降水、遥感等气象实况等数据进行综合分析后作为预测系统的输入，导致预测结果准确率不高。

深度学习的理论基础是人工神经网络，它保留了神经网络的精髓，利用多层网络学习抽象概念并加入自我学习、进行自我反馈、理解和总结，最后可以做出决策和判断，因此，深度学习算法具备从大量数据中自动学习特征、寻找规律的能力，其智能性特点极为突出。在积水预测子系统中，积水量可以看作为一个时间序列，对于时间序列而言，每一时段的积水深度在时间关系上是紧密相关的，积水深度有复杂的历史依赖性，此刻的状态与上一刻的历史状态有一定程度的关系，且可能导致下一刻的变化。对于标准RNN网络来说，实际使用中可以被使用的信息时间跨度是非常有限的。当我们使用时间点较近的信息去解决当前时刻的任务时，RNN可以有效的学习历史时刻的信息。当我们需要使用和当前时刻信息相差时间较长的历史信息时，RNN学习信息的能力会减弱，这就是RNN的梯度消失问题。该问题主要是隐藏层上一个给定的输入所造成的，它会使网络的输出出现衰减或者呈指数性爆炸。梯度回传是RNN网络训练的基础，当时间跨度较长时，梯度信息的传播产生衰减现象，如果信息衰减越快，则梯度回转的信息量越少，回传的效果越差。理论上RNN能够处理时间跨度很长的信息，但在实际操作中因为衰减现象的存在，一般不可能达到保留所有时间段信息的效果。该发明采用深度学习算法中的长短时记忆(Long Short-Term Memory,LSTM)算法对积水数据进行预测，LSTM算法相对于标准循环神经网络而言，能够更准确地完成长短时依赖。考虑到这些特点与优势，该子系统采用LSTM网络可实现输入数据的最大化利用，通过输入的历史数据高效准确地预测未来2分钟，5分钟，30分钟，2小时后城市中各个积水监测点的积水深度数值，给出未来2小时以内的积水变化趋势曲线。此外，详细的输入数据可增强预测模型鲁棒性，预测结果的准确度也会提高。

发明内容

为了解决以上问题，本发明充分考虑不同城市的地域特点，结合基于物联网的积水监测硬件平台，利用先进的信息手段与人工智能方法，通过采用性能更优的LSTM网络，提出一种基于预测积水系统，输入数据可增强预测模型鲁棒性，预测结果的准确度也会提高，以充分满足城区主干道、居民区和河堤附近的洪涝灾害预警功能与保护人员财产安全的需要。