[發明專利]基于深度學習的城市內澇影響程度挖掘方法及系統

有效

• 申請號: 201710199233.2
• 申請日: 2017-03-29
• 公開（公告）號: CN106970986B
• 公開（公告）日: 2019-10-15
• 發明（設計）人: 邵振峰;潘銀
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06K9/62;G06N3/08;G06Q50/26
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提出一種基于聚類的點云分割方法及系統，包括在城市大數據中提取與內澇點影響程度相關的空間數據，分為訓練樣本集和測試樣本集；利用內澇影響程度綜合評價指標，判定內澇點的影響程度等級，作為標簽；構建棧式自編碼網絡，利用訓練樣本集中訓練樣本及相應標簽對棧式自編碼網絡進行訓練；對于測試樣本集提取特征數據，并將數據輸入訓練完成的棧式自編碼網絡，計算測試樣本內澇點影響程度等級，并對訓練完成的棧式自編碼網絡進行精度評定，當精度合格時根據所得棧式自編碼網絡，對潛在內澇點影響等級進行預測。本發明實現了內澇對居民工作生活影響程度的預測，將內澇點影響程度分級顯示，具有重要的經濟指導意義，能夠提供重要的市場價值。

技術領域

本發明屬于數據挖掘技術領域，涉及一種基于深度學習的城市內澇影響程度挖掘方法及系統。

背景技術

近年來，由于夏季暴雨頻繁出現和城市地區不透水率增加，城市地區內澇現象時有發生，內澇的影響不僅僅體現在居民工作生活上，還體現在物資運輸、物資短缺等方面，而這些不利影響正是城市管理部門想要快速解決的。但是，由于城市內澇點較多，而城市相關部門能配置的緊急物資和人力資源均有限，因此，提前了解各個內澇點不同的影響程度，在政府管理部門人才、資金的調度以及內澇災害防治長期規劃方面中是必不可少的。然而，內澇點的影響程度是一個定性指標，一般情況下只能定性判斷，那么，如何定量描述和預測各內澇點影響程度顯得尤為重要。

隨著大數據時代的到來，如何在眾多數據中找到與研究相關的數據，并挖掘出數據內部的深層聯系，已成為大數據研究應用中至關重要的一部分。目前，我國大多數城市都已建立基礎數據庫，該數據庫中不僅僅包含經濟、人口數據信息，還包含了城市的地理空間數據信息。在城市內澇頻繁發生的情況下，想要分析并預測每個內澇點的影響程度，關鍵在于提取該范圍內與影響程度相關的空間特征數據，以及挖掘出特征數據內部的深層聯系。考慮到內澇點的影響只局限于一定區域，因此，在統計提取與內澇影響程度相關的空間數據方面，可根據城市匯水區限定一定的范圍，再根據內澇點周圍的居住環境信息，對每一類空間數據進行統計并作為該內澇點的特征之一。

深度學習是機器學習領域的一個新的分支，它是由人工神經網絡不斷發展形成的，是一個包含多層次的復雜學習結構。深度學習的目的是通過對底層特征的層次學習和組合，得到更為深層意義、更加抽象的高層特征。目前，深度學習在語音、圖像和自然語言處理方向上已經得到了廣泛的應用，并取得了較好的成績。在內澇點影響程度挖掘分析中，與內澇點影響程度相關的空間特征數據較多，數據量較大，同時，數據間的關系較為復雜。因此，想要從特征學習的方面挖掘出更多特征之間隱藏的深層次的內在聯系，深度學習是不可或缺的一部分。

在內澇點影響程度挖掘研究中，想建立多個復雜特征數據與影響程度的聯系，則需要在多層神經網絡的基礎上，提取特征數據內部特征。同時，為了提高內澇影響程度預測精度，可將神經網絡與softmax分類器結合，利用softmax的多分類功能分級表示影響程度。通過自編碼算法，網絡將從第一層開始自編碼訓練，每一層學習到的隱藏特征作為下一層的輸入，然后下一層再進行自編碼訓練，對每層網絡都進行逐層無監督訓練，可達到提取輸入數據特征的目的。棧式自編碼網絡是在自編碼算法無監督訓練完成的基礎上，進一步進行有監督微調。根據已有的訓練樣本標簽，結合微調算法，不斷調整模型參數，使得模型計算結果與標簽一致。在棧式自編碼網絡完成監督訓練的情況下，輸入測試樣本集，可得到測試樣本影響程度的預測值。通過比較測試樣本預測值與標簽值之間的差異，可以計算出訓練完成的棧式自編碼網絡精度。在網絡模型精度較高的情況下，可以輸入其他潛在內澇點的特征數據，從而進行潛在內澇點的影響等級預測。

發明內容

針對現有技術的不足，本發明提供一種利用棧式自編碼網絡模型，挖掘出內澇點影響程度及其相關空間數據之間深層關聯的技術方案，快速地構建相關數據內部的關聯模型，并有效地挖掘出潛在內澇點影響程度等級。

為實現上述目的，本發明的技術方案提供一種基于深度學習的城市內澇影響程度挖掘方法，包括以下步驟，