[發(fā)明專利]一種積水預(yù)測(cè)系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211067517.3
• 申請(qǐng)日: 2022-09-01
• 公開(kāi)（公告）號(hào): CN115423188A
• 公開(kāi)（公告）日: 2022-12-02
• 發(fā)明（設(shè)計(jì)）人: 王卓崢;周曉帆;王禹洋;張猛
• 申請(qǐng)（專利權(quán)）人: 內(nèi)蒙古遠(yuǎn)致科技有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 張慧

本發(fā)明提出了一種積水預(yù)測(cè)系統(tǒng)，在充分考慮不同城市地域特點(diǎn)的基礎(chǔ)上，結(jié)合基于物聯(lián)網(wǎng)的積水監(jiān)測(cè)硬件平臺(tái)，利用先進(jìn)的信息手段與人工智能方法，通過(guò)采用性能更優(yōu)的LSTM網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)積水的預(yù)測(cè)。積水預(yù)測(cè)系統(tǒng)要求利用人工智能算法，如改進(jìn)RNN、CNN等算法，結(jié)合氣象數(shù)據(jù)及實(shí)時(shí)積水監(jiān)測(cè)數(shù)據(jù)，并考慮監(jiān)測(cè)點(diǎn)所屬區(qū)域的地理信息以及未來(lái)天氣狀況預(yù)測(cè)積水情況的不同，按照降雨級(jí)別分別訓(xùn)練三種類別的監(jiān)測(cè)點(diǎn)預(yù)測(cè)模型，預(yù)測(cè)未來(lái)2分鐘，5分鐘，30分鐘，2小時(shí)后積水監(jiān)測(cè)點(diǎn)的積水。輸入數(shù)據(jù)可增強(qiáng)預(yù)測(cè)模型魯棒性，預(yù)測(cè)結(jié)果的準(zhǔn)確度也會(huì)提高，充分滿足了城區(qū)主干道、居民區(qū)和河堤附近的洪澇災(zāi)害預(yù)警功能與保護(hù)人員財(cái)產(chǎn)安全的需要。

技術(shù)領(lǐng)域

本發(fā)明屬于積水檢測(cè)領(lǐng)域，具體涉及一種基于積水預(yù)測(cè)系統(tǒng)。

背景技術(shù)

由于國(guó)內(nèi)一些城市排水管網(wǎng)管道老化，排水標(biāo)準(zhǔn)比較低。有的地方排水設(shè)施就不健全，不完善，排水系統(tǒng)建設(shè)滯后是造成內(nèi)澇的一個(gè)重要原因。另外，城市大量的硬質(zhì)鋪裝，如柏油路、水泥路面，降雨時(shí)水滲透性不好，不容易入滲，也容易形成這段路面的積水。生活水平提高后的市民對(duì)生活環(huán)境的要求在不斷提高，習(xí)慣了快節(jié)奏的生活方式，就對(duì)突然發(fā)生的積水和交通癱瘓等不能容忍。一旦城市遭遇強(qiáng)暴雨襲擊，突然倍增的洪水無(wú)處可去，當(dāng)然會(huì)在城市里肆意奔流，于是，道路瞬間成“河流”，廣場(chǎng)立即變“湖泊”，使得建設(shè)在河道、湖畔等低洼地帶的居民區(qū)、工廠等遭受威脅，造成不可估量的嚴(yán)重?fù)p失。傳統(tǒng)的基于RNN網(wǎng)絡(luò)的積水預(yù)測(cè)系統(tǒng)無(wú)法將雷達(dá)、降水、遙感等氣象實(shí)況等數(shù)據(jù)進(jìn)行綜合分析后作為預(yù)測(cè)系統(tǒng)的輸入，導(dǎo)致預(yù)測(cè)結(jié)果準(zhǔn)確率不高。

深度學(xué)習(xí)的理論基礎(chǔ)是人工神經(jīng)網(wǎng)絡(luò)，它保留了神經(jīng)網(wǎng)絡(luò)的精髓，利用多層網(wǎng)絡(luò)學(xué)習(xí)抽象概念并加入自我學(xué)習(xí)、進(jìn)行自我反饋、理解和總結(jié)，最后可以做出決策和判斷，因此，深度學(xué)習(xí)算法具備從大量數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征、尋找規(guī)律的能力，其智能性特點(diǎn)極為突出。在積水預(yù)測(cè)子系統(tǒng)中，積水量可以看作為一個(gè)時(shí)間序列，對(duì)于時(shí)間序列而言，每一時(shí)段的積水深度在時(shí)間關(guān)系上是緊密相關(guān)的，積水深度有復(fù)雜的歷史依賴性，此刻的狀態(tài)與上一刻的歷史狀態(tài)有一定程度的關(guān)系，且可能導(dǎo)致下一刻的變化。對(duì)于標(biāo)準(zhǔn)RNN網(wǎng)絡(luò)來(lái)說(shuō)，實(shí)際使用中可以被使用的信息時(shí)間跨度是非常有限的。當(dāng)我們使用時(shí)間點(diǎn)較近的信息去解決當(dāng)前時(shí)刻的任務(wù)時(shí)，RNN可以有效的學(xué)習(xí)歷史時(shí)刻的信息。當(dāng)我們需要使用和當(dāng)前時(shí)刻信息相差時(shí)間較長(zhǎng)的歷史信息時(shí)，RNN學(xué)習(xí)信息的能力會(huì)減弱，這就是RNN的梯度消失問(wèn)題。該問(wèn)題主要是隱藏層上一個(gè)給定的輸入所造成的，它會(huì)使網(wǎng)絡(luò)的輸出出現(xiàn)衰減或者呈指數(shù)性爆炸。梯度回傳是RNN網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)，當(dāng)時(shí)間跨度較長(zhǎng)時(shí)，梯度信息的傳播產(chǎn)生衰減現(xiàn)象，如果信息衰減越快，則梯度回轉(zhuǎn)的信息量越少，回傳的效果越差。理論上RNN能夠處理時(shí)間跨度很長(zhǎng)的信息，但在實(shí)際操作中因?yàn)樗p現(xiàn)象的存在，一般不可能達(dá)到保留所有時(shí)間段信息的效果。該發(fā)明采用深度學(xué)習(xí)算法中的長(zhǎng)短時(shí)記憶(Long Short-Term Memory,LSTM)算法對(duì)積水?dāng)?shù)據(jù)進(jìn)行預(yù)測(cè)，LSTM算法相對(duì)于標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)而言，能夠更準(zhǔn)確地完成長(zhǎng)短時(shí)依賴。考慮到這些特點(diǎn)與優(yōu)勢(shì)，該子系統(tǒng)采用LSTM網(wǎng)絡(luò)可實(shí)現(xiàn)輸入數(shù)據(jù)的最大化利用，通過(guò)輸入的歷史數(shù)據(jù)高效準(zhǔn)確地預(yù)測(cè)未來(lái)2分鐘，5分鐘，30分鐘，2小時(shí)后城市中各個(gè)積水監(jiān)測(cè)點(diǎn)的積水深度數(shù)值，給出未來(lái)2小時(shí)以內(nèi)的積水變化趨勢(shì)曲線。此外，詳細(xì)的輸入數(shù)據(jù)可增強(qiáng)預(yù)測(cè)模型魯棒性，預(yù)測(cè)結(jié)果的準(zhǔn)確度也會(huì)提高。

發(fā)明內(nèi)容

為了解決以上問(wèn)題，本發(fā)明充分考慮不同城市的地域特點(diǎn)，結(jié)合基于物聯(lián)網(wǎng)的積水監(jiān)測(cè)硬件平臺(tái)，利用先進(jìn)的信息手段與人工智能方法，通過(guò)采用性能更優(yōu)的LSTM網(wǎng)絡(luò)，提出一種基于預(yù)測(cè)積水系統(tǒng)，輸入數(shù)據(jù)可增強(qiáng)預(yù)測(cè)模型魯棒性，預(yù)測(cè)結(jié)果的準(zhǔn)確度也會(huì)提高，以充分滿足城區(qū)主干道、居民區(qū)和河堤附近的洪澇災(zāi)害預(yù)警功能與保護(hù)人員財(cái)產(chǎn)安全的需要。