[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115014299B - 基于物联网和大数据的洪峰预警方法 - Google Patents

基于物联网和大数据的洪峰预警方法 Download PDF

Info

Publication number
CN115014299B
CN115014299B CN202210953183.3A CN202210953183A CN115014299B CN 115014299 B CN115014299 B CN 115014299B CN 202210953183 A CN202210953183 A CN 202210953183A CN 115014299 B CN115014299 B CN 115014299B
Authority
CN
China
Prior art keywords
early warning
water level
river reach
level
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210953183.3A
Other languages
English (en)
Other versions
CN115014299A (zh
Inventor
杨牧
吴西贵
杨江骅
母利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mountain Technology Co ltd
Original Assignee
Mountain Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mountain Technology Co ltd filed Critical Mountain Technology Co ltd
Priority to CN202210953183.3A priority Critical patent/CN115014299B/zh
Publication of CN115014299A publication Critical patent/CN115014299A/zh
Application granted granted Critical
Publication of CN115014299B publication Critical patent/CN115014299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G01C13/002—Measuring the movement of open water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明涉及水文监测数据处理技术领域，具体涉及一种基于物联网和大数据的洪峰预警方法。该方法以提取数据关系的方法额外构建了三方面约束，第一约束为考虑历史数据中流域河段各个水位计的预警等级与流域河段整体预警等级的偏差程度后所构建的当前实时数据下发生各种预警等级的可能性，第二约束为根据历史数据中各月份发生预警的次数多少而得到的流域河段在各月出现预警的可能性，第三约束为确定降雨情况与当前待预警流域河段降雨情况相似的其它区域后，其它区域与待预警流域河段之间的降雨量差值，由三方面约束加快神经网络收敛速度，从而能够以较少的水文数据完成神经网络训练，解决当前以神经网络进行洪峰预警时预警准确度不足的问题。

Description

基于物联网和大数据的洪峰预警方法
技术领域
本发明涉及水文监测数据处理技术领域，具体涉及一种基于物联网和大数据的洪峰预警方法。
背景技术
洪水灾害除了会对农业造成重大损失外，还会造成严重的工业以及生命财产损失，所以如何准确预警洪水灾害以防止或者降低洪水灾害所造成的损失，是洪水灾害处理中需解决的重要问题。
当前洪水灾害预警的方法多样，最常见的便包括使用神经网络进行预警，但由于神经网络需要使用大量训练样本进行训练，而水文监测数据又因考虑到有效性而采样时间间隔较长，导致最终可获取的总数据量较小，所以使得神经网络往往并不能得到足够的训练样本完成充分的训练，这也就导致了当前采用神经网络对洪水灾害的预警准确度较低。
也即，当前采用神经网络进行洪水灾害预警的方法存在预警准确度较低的问题。
发明内容
本发明提供了一种基于物联网和大数据的洪峰预警方法，用以解决现有技术利用神经网络无法准确地进行洪峰预警的问题，所采用的技术方案具体如下：
本发明的一种基于物联网和大数据的洪峰预警方法，包括以下步骤：
获取当前流域河段所有水位计的水位，确定各水位计处水位距离各等级警戒线的距离，并同时获取当前流域河段的降雨量以及数据记录时间；
确定当前流域河段中每个水位计的预警等级与当前流域河段整体预警等级之间的相关度，然后结合历史数据确定当前实时数据下发生各种预警等级的可能性，并将其作为第一约束量；
根据历史数据，确定各个月份出现预警的可能性，并将其作为第二约束量；
分别建立当前流域河段与其它地区的日平均降雨量与预警等级关系曲线，计算当前流域河段与其它地区各自对应的关系曲线之间的相似性，确定与当前流域河段预警情况相似的其它区域并将其作为可靠区域，计算可靠区域在产生各预警等级时所对应的历史日平均降雨量与当前流域河段降雨量之间的差值，并将其作为第三约束量；
根据第一约束量、第二约束量以及第三约束量构建神经网络的损失函数，以所构建的损失函数完成神经网络的训练，并将实时采集的当前流域河段的水文数据输入训练好的神经网络获取对应预警等级，完成当前流域河段的洪峰预警。
本发明的有益效果为：
考虑到水文数据量一般较小而无法很好地完成洪峰预警所用神经网络的训练，本发明在构建洪峰预警所用神经网络的损失函数时，额外考虑了三方面的约束对现有损失函数进行改进，以进一步约束神经网络加快神经网络的收敛速度并提高训练效果；其中，第一方面约束具体为，考虑了历史数据中流域河段各个水位计的预警等级与流域河段整体预警等级的偏差程度后，所构建的当前实时数据下发生某种预警等级的可能性，第二方面约束为结合历史数据中各月份发生预警的次数多少，而得到的流域河段在各个月份出现预警的可能性，第三方面约束为，在确定降雨情况与当前待预警流域河段的降雨情况足够相似的其它区域后，所计算得到的其它区域与待预警流域河段之间的降雨量差值。通过所构建的三方面的约束，本发明便可加快洪峰预警所用神经网络在训练过程中的收敛速度并提高训练效果，使水文数据量较小情况下也能借助神经网络完成准确的洪峰预警，提高采用神经网络进行洪水灾害预警时的预警准确度。
进一步的，所述第一约束量的确定过程为：
计算各个水位计上所得水位数据的重要程度：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为第i个水位计上所得水位数据的重要程度，SW为水位计的水位，SJ为对所有水位计的水位进行聚类后当前水位所属类别出现的概率，
Figure 100002_DEST_PATH_IMAGE003
表示所有水位中的最大值，
Figure DEST_PATH_IMAGE004
表示各类水位出现概率中的最大值；
确定每个水位计对应水位预警等级与流域河段整体水位预警等级的偏离度：
Figure 100002_DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
为第i个水位计对应水位预警等级与流域河段整体预警等级之间的偏离度，T为第i个水位计在设定时间段内获取的水位预警等级的总数，
Figure DEST_PATH_IMAGE008
表示第i个水位计对应水位预警等级与流域河段整体预警等级不一致的次数，
Figure 100002_DEST_PATH_IMAGE009
表示第i个水位计对应水位预警等级与流域河段整体预警等级的偏向，
Figure DEST_PATH_IMAGE010
表示第i个水位计上第j次水位预警等级与流域河段整体预警等级之间的相关性，
Figure 100002_DEST_PATH_IMAGE011
表示第i个水位计上第j次水位预警等级，
Figure DEST_PATH_IMAGE012
表示流域河段整体预警等级；
结合历史数据确定当前实时数据下发生各种预警等级的可能性：
Figure 100002_DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示预警等级为p的可能性，
Figure DEST_PATH_IMAGE016
为实时采集的第i个水位计处水位与降雨量之和所得预计水位线对应的水位与警戒线的距离，
Figure DEST_PATH_IMAGE017
为历史数据中整体河道流域的预警等级为p时第i个水位计上的预警等级所对应的水位与警戒线的距离，
Figure DEST_PATH_IMAGE018
为所采用的历史数据的总年数，Q为水位计数量，
Figure 100002_DEST_PATH_IMAGE019
为年限权重，
Figure DEST_PATH_IMAGE020
为数据可信阈值，
Figure 100002_DEST_PATH_IMAGE021
为历史数据中第
Figure DEST_PATH_IMAGE022
年的预警等级。
进一步的，所述第二约束量的确定过程为：
各个月份出现预警的可能性为：
Figure 100002_DEST_PATH_IMAGE023
Figure 929394DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE024
表示第m个月出现预警的可能性，Y为所采用的历史数据的总年数，
Figure 100002_DEST_PATH_IMAGE025
表示第u年第m月出现预警的次数，
Figure DEST_PATH_IMAGE026
表示第u年出现预警的总次数，
Figure 600196DEST_PATH_IMAGE019
为年限权重，
Figure 317617DEST_PATH_IMAGE020
为数据可信阈值，
Figure 916088DEST_PATH_IMAGE021
为历史数据中第
Figure 668144DEST_PATH_IMAGE022
年的预警等级。
进一步的，所述第三约束量的确定过程为：
建立当前流域河段与其它地区的日平均降雨量与预警等级关系曲线，计算当前流域河段与其它地区各自对应的关系曲线之间的动态时间归整距离：
Figure DEST_PATH_IMAGE027
其中，
Figure DEST_PATH_IMAGE028
为当前流域河段往年日平均降雨量-预警等级曲线与其它区域往年日平均降雨量-预警等级曲线之间的动态时间归整距离，R为往年日平均降雨量-预警等级曲线上元素点的总数，
Figure 100002_DEST_PATH_IMAGE029
为两曲线对应点之间的最小代价；
确定其它区域与当前流域河段降雨情况相同的可靠度：
Figure DEST_PATH_IMAGE030
其中，E为当前流域河段降雨情况与其它区域降雨情况相同的可靠度，Y为所采用的历史数据的总年数，
Figure 100002_DEST_PATH_IMAGE031
为历史上第u年所对应的当前流域河段日平均降雨量-预警等级曲线与其它区域日平均降雨量-预警等级曲线之间的动态时间归整距离；
将可靠度大于可靠度阈值时所对应的其它区域作为可靠区域，计算可靠区域各预警等级对应降水量与当前流域河段所实时采集的降雨量之间的差异：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为各可靠区域预警等级为p时对应的历史日平均降雨量与实时采集的当前流域河段降雨量之间的差异值，
Figure DEST_PATH_IMAGE034
为可靠区域的数量，
Figure 100002_DEST_PATH_IMAGE035
为第
Figure DEST_PATH_IMAGE036
个可靠区域的可靠度，
Figure DEST_PATH_IMAGE037
为第
Figure 488943DEST_PATH_IMAGE036
个可靠区域预警等级为p时的历史日平均降雨量，
Figure DEST_PATH_IMAGE038
为实时采集的当前流域河段降雨量。
进一步的，所述损失函数为：
Figure 100002_DEST_PATH_IMAGE039
Figure DEST_PATH_IMAGE040
Figure 100002_DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE042
其中，
Figure 100002_DEST_PATH_IMAGE043
为神经网络损失函数，
Figure DEST_PATH_IMAGE044
为交叉熵损失函数，即神经网络输出的预警等级与输入数据对应标签的预警等级构成的损失函数，
Figure 100002_DEST_PATH_IMAGE045
表示当神经网络输出结果为预警等级p时，使用历史数据进行人为分析时获取的河道流域整体预警等级为p的不可能性，
Figure DEST_PATH_IMAGE046
表示神经网络所输出的预警结果在当月发生的可能性以及神经网络所输出的无预警结果在当月发生的可能性，
Figure 100002_DEST_PATH_IMAGE047
为各可靠区域预警等级为p时对应的历史日平均降雨量与实时采集的当前流域河段降雨量之间的差异值，
Figure DEST_PATH_IMAGE048
为洪峰预警当月出现预警的可能性，
Figure 100002_DEST_PATH_IMAGE049
为洪峰预警当月预警等级大于1的次数，
Figure DEST_PATH_IMAGE050
为洪峰预警当月的总天数，
Figure DEST_PATH_IMAGE051
为洪峰预警当月已过去的天数。
附图说明
图1是本发明该种基于物联网和大数据的洪峰预警方法的流程图。
具体实施方式
本发明所针对的具体场景为：
在利用神经网络完成洪峰预警时，由于神经网络参数众多，在进行训练时往往需要大量数据，而某一地区的水文数据，即使是每天每小时进行一次获取，但最终所获取的数据总量对于神经网络而言也可能是不够的，这就导致在对神经网络进行训练时，可能会出现由于缺少数据，也即训练样本不足，导致神经网络输出准确率较低而无法准确完成洪峰预警的情况发生。
下面结合附图及实施例，对本发明的一种基于物联网和大数据的洪峰预警方法进行详细说明。
方法实施例：
本发明的一种基于物联网和大数据的洪峰预警方法实施例，其整体流程如图1所示，具体过程如下：
1、获取流域河段内所有水位计的水位，各个水位距离各等级水位警戒线的距离，数据记录时间以及整个流域河段的降雨量。
一般情况下，为保证洪峰预警的准确性，会采集流域河段内所有水位计的水位来完成洪峰预警，本实施例中流域河段共包括Q个水位计。
在得到流域河段内各个水位计的水位SW后，便可对应得到各个水位计处水位距离不同等级的警戒线的距离WX，同时在已经完成洪峰预警的数据中，还可确定流域河段所发出的预警等级YJ，同时，还可获取整个流域河段的降雨量JY，以及水位计记录水位的年月日时间Y-M-D。
在本实施例中，将水位距离不同等级警戒线的距离情况分为5种，也即距离WX的取值情况为5种，具体为：
正常水位，WX=1；
接近警戒水位，WX=2；
超过警戒水位，WX=3；
超过、接近保证水位，WX=4；
超过历史最大值，WX=5。
而各个水位处的预警等级，则与水位SW距离不同等级的警戒线的距离WX的取值情况相对应，也即预警等级YJ的取值情况也为5种，且与WX的取值对应：无预警YJ=1、蓝色预警YJ=2、黄色预警YJ=3、橙色预警YJ=4、红色预警YJ=5。
将发生预警时该流域河段的数据记录为G{H,Y-M-D,JY}，其中H为一个Q*2大小的二维数组，二维数组中第一列数据为Q个水位计中各个水位计处的水位，二维数组中第二列数据为Q个水位计处水位与不同等级的警戒线的距离WX。
2、确定流域河段中每个水位计的预警等级与流域河段整体预警等级之间的相关度，然后结合历史数据确定当前实时数据下发生某种预警等级的可能性。
一般情况下，在进行数据处理分析时，会将明显偏离平均值的离群数据进行剔除或者一定程度的忽略，但对于水文数据信息中的水位该种数据，越是偏离平均值的、数据量较少的数据，往往越能提前反应洪峰灾害，所以，在洪峰预警中，更需要根据这些偏离平均值的数据来进行预警，本实施例选择更为关注那些水位偏离正常值，且出现次数少的水文数据，并由此计算各个水位计上所得水位数据的重要程度：
Figure 962168DEST_PATH_IMAGE001
其中，
Figure 833172DEST_PATH_IMAGE002
为第i个水位计上所得水位数据的重要程度，SW为水位计的水位，SJ为对所有水位计的水位进行聚类后当前水位所属类别出现的概率，
Figure 439734DEST_PATH_IMAGE003
表示所有水位中的最大值，
Figure 636360DEST_PATH_IMAGE004
表示各类水位出现概率中的最大值。
对所有水位计的水位进行聚类的方法可使用现有技术中的任意一种，本实施例优选聚类方法为DBSCAN。
基于所获得的各个水位计上所得水位数据的重要程度，结合历史数据确定各个水位计相较于流域河段整体预警等级的偏离度。
根据对水位等级以及预警等级的定义可知，水位等级对应预警等级一一对应。而在进行预警时，一个流域河段有多个水位观测站，由于要综合多个水位计的水位数据，故而整个流域河段的预警等级可能并不与每个水位计水位等级相对应，且有可能现个别水位计水位等级对应预警等级一直超过流域河段洪峰预警等级，或者某些水位计对应预警等级一直低于流域河段整体预警等级的情况。故在对该流域河段进行洪峰预警时，需要确定每个水位计对应水位预警等级与流域河段整体水位预警等级的偏离度：
Figure 328373DEST_PATH_IMAGE005
Figure 3068DEST_PATH_IMAGE006
其中，
Figure 461206DEST_PATH_IMAGE007
为第i个水位计对应水位预警等级与流域河段整体预警等级之间的偏离度，所求
Figure DEST_PATH_IMAGE052
越大，说明第i个水位计的水位预警等级与流域河段整体预警等级之间的相关度越低，T为第i个水位计在设定时间段内获取的水位预警等级的总数，
Figure 766417DEST_PATH_IMAGE008
表示第i个水位计对应水位预警等级与流域河段整体预警等级不一致的次数，
Figure 945726DEST_PATH_IMAGE009
表示第i个水位计对应水位预警等级与流域河段整体预警等级的偏向，其大于0则说明第i个水位计第j次水位预警等级较流域河段整体预警等级偏高，其小于0则说明第i个水位计第j次水位预警等级较流域河段整体预警等级偏低，
Figure 361794DEST_PATH_IMAGE010
表示第i个水位计上第j次水位预警等级与流域河段整体预警等级之间的相关性，相关性
Figure 739686DEST_PATH_IMAGE010
取值为0的次数越多，则对应第i个水位计对应的水位预警等级与流域河段整体预警等级越接近，
Figure 12536DEST_PATH_IMAGE011
表示第i个水位计上第j次水位预警等级，
Figure 882403DEST_PATH_IMAGE012
表示流域河段整体预警等级。
基于所得各个水位计的水位预警等级与流域河段整体水位预警等级的偏离度，结合历史数据确定当前实时水位数据对应发生各种预警等级的可能性。
Figure 890111DEST_PATH_IMAGE013
Figure 325772DEST_PATH_IMAGE014
其中，
Figure 35102DEST_PATH_IMAGE015
表示预警等级为p的可能性，
Figure 189003DEST_PATH_IMAGE016
为实时采集的第i个水位计处水位与降雨量之和所得预计水位线对应的水位与警戒线的距离，
Figure 9191DEST_PATH_IMAGE017
为历史数据中整体河道流域的预警等级为p时第i个水位计上的预警等级所对应的水位与警戒线的距离，
Figure 627254DEST_PATH_IMAGE018
为所采用的历史数据的总年数，Q为水位计数量，
Figure 507486DEST_PATH_IMAGE019
为年限权重，
Figure 883103DEST_PATH_IMAGE020
为数据可信阈值，本发明优选
Figure 241403DEST_PATH_IMAGE020
=15，也即选取历史上15年之内的数据作为可信数据，
Figure 648726DEST_PATH_IMAGE021
为历史数据中第
Figure 699859DEST_PATH_IMAGE022
年的预警等级。
3、根据历史数据，确定各个月份出现预警的可能性。
由于流域河段汛期规律大多跟季节相关，故可在历史数据中除去无预警的数据部分后，以剩余发生过预警的历史数据，确定各个月份出现预警的可能性：
Figure 828352DEST_PATH_IMAGE023
Figure 990343DEST_PATH_IMAGE014
其中，
Figure 989523DEST_PATH_IMAGE024
表示第m个月出现预警的可能性，Y为所采用的历史数据的总年数，且数值越大表示距离当前时间越远，
Figure 211557DEST_PATH_IMAGE025
表示第u年第m月出现预警的次数，
Figure 765029DEST_PATH_IMAGE026
表示第u年出现预警的总次数，
Figure 730711DEST_PATH_IMAGE019
为年限权重，
Figure 118486DEST_PATH_IMAGE020
为数据可信阈值，本发明优选
Figure 245842DEST_PATH_IMAGE020
=15，
Figure 83348DEST_PATH_IMAGE021
为历史数据中第
Figure 587142DEST_PATH_IMAGE022
年的预警等级。
4、根据日平均降雨量与预警等级关系曲线，确定与当前流域河段预警情况相似的其它区域，并计算其它区域在产生各预警等级时所对应的历史日平均降雨量与当前流域河段降雨量之间的差值，从而确定当前流域河段最可能发生的预警等级。
在一些地理位置相似的地方，如同一条河中的相邻流域河段，其堤坝警戒线高度相近，天气情况相近、各种预警等级评价标准相似，所以可以参考这些地方的预警情况，来确定当前待预警的流域河段的预警情况。
本实施例中，两地区预警情况的相似性通过计算两地往年日平均降雨量-预警等级曲线之间的相似性来确定，具体通过DTW计算两地往年日平均降雨量-预警等级曲线之间相似度，进而确定有参考价值的异地预警数据。
Figure 826493DEST_PATH_IMAGE027
其中，
Figure 124750DEST_PATH_IMAGE028
为当前流域河段往年日平均降雨量-预警等级曲线与其它区域往年日平均降雨量-预警等级曲线之间的动态时间归整距离，R为往年日平均降雨量-预警等级曲线上元素点的总数，
Figure 449552DEST_PATH_IMAGE029
为两曲线对应点之间的最小代价。本实施例优选
Figure 84933DEST_PATH_IMAGE028
进行计算时的窗口大小为40。
通过计算往年数据中每一年数据的DTW值，进而确定其它区域与当前流域河段降雨情况相同的可靠度。
Figure 178791DEST_PATH_IMAGE030
其中，E为当前流域河段降雨情况与其它区域降雨情况相同的可靠度，Y为所采用的历史数据的总年数，
Figure 910599DEST_PATH_IMAGE031
为历史上第u年所对应的当前流域河段日平均降雨量-预警等级曲线与其它区域日平均降雨量-预警等级曲线之间的动态时间归整距离。
本实施例优选可靠度E>0.1时所对应的其它区域作为可靠区域，并将可靠区域的数据作为可参考数据，当然，在其它实施例中还可将可靠度阈值设置为其它值；然后计算可靠区域各预警等级对应降水量与当前流域河段所实时采集的降雨量之间的差异：
Figure 457118DEST_PATH_IMAGE032
其中，
Figure 771556DEST_PATH_IMAGE033
为各可靠区域预警等级为p时对应的历史日平均降雨量与实时采集的当前流域河段降雨量之间的差异值，
Figure 719920DEST_PATH_IMAGE034
为可靠区域的数量，
Figure 625559DEST_PATH_IMAGE035
为第
Figure 659375DEST_PATH_IMAGE036
个可靠区域的可靠度，
Figure 308662DEST_PATH_IMAGE037
为第
Figure 111533DEST_PATH_IMAGE036
个可靠区域预警等级为p时的历史日平均降雨量，
Figure 515221DEST_PATH_IMAGE038
为实时采集的当前流域河段降雨量，通过统计待预警当日已降雨量和当日剩余时间以及预报的单位时间降雨量而得到。
差异值
Figure 833070DEST_PATH_IMAGE033
越小，则说明当前流域河段的水情越接近p级预警等级，也即当前流域河段越可能发生p级预警。
5、根据所得到的当前实时数据下发生某种预警等级的可能性、由历史数据所确定的各个月份出现预警的可能性、其它区域在产生各预警等级时所对应的历史日平均降雨量与当前流域河段降雨量之间的差值，构建神经网络的损失函数，完成神经网络的训练并进行当前水情下的洪峰预警。
本实施例使用全连接神经网络进行洪峰预警，网络输入的数据为二维向量D{H,Y-M-D}，其中H为一个Q*2大小的二维数组，二维数组中第一列数据为Q个水位计中各个水位计处的水位，二维数组中第二列数据为Q个水位计处水位与不同等级的警戒线的距离WX，Y-M-D为水位计采集水位信息时的时间，训练标签为预警等级YJ。
由于水文数据的数据量有限，对于神经网络来说容易无法形成足够的训练样本，所以本实施例以之前所得的当前实时数据下发生某种预警等级的可能性、由历史数据所确定的各个月份出现预警的可能性、其它区域在产生各预警等级时所对应的历史日平均降雨量与当前流域河段降雨量之间的差值作为神经网络的训练约束，构建神经网络损失函数：
Figure 20469DEST_PATH_IMAGE039
Figure 943426DEST_PATH_IMAGE040
Figure 190868DEST_PATH_IMAGE041
Figure 199275DEST_PATH_IMAGE042
其中，
Figure 190365DEST_PATH_IMAGE043
为神经网络损失函数，
Figure 967828DEST_PATH_IMAGE044
为交叉熵损失函数，即神经网络输出的预警等级与输入数据对应标签的预警等级构成的损失函数，
Figure 383241DEST_PATH_IMAGE045
表示当神经网络输出结果为预警等级p时，使用历史数据进行人为分析时获取的河道流域整体预警等级为p的不可能性，该不可能性越小，则代表神经网络输出效果越好，
Figure 613365DEST_PATH_IMAGE046
表示神经网络所输出的预警结果在当月发生的可能性以及神经网络所输出的无预警结果在当月发生的可能性，
Figure 142567DEST_PATH_IMAGE047
为各可靠区域预警等级为p时对应的历史日平均降雨量与实时采集的当前流域河段降雨量之间的差异值，
Figure 774536DEST_PATH_IMAGE048
为洪峰预警当月出现预警的可能性，
Figure 363781DEST_PATH_IMAGE049
为洪峰预警当月预警等级大于1的次数，
Figure 346780DEST_PATH_IMAGE050
为洪峰预警当月的总天数，
Figure 679672DEST_PATH_IMAGE051
为洪峰预警当月已过去的天数。
根据所构建的损失函数，利用随机梯度下降算法更新神经网络的参数，并最终得到训练好的神经网络，然后将流域河段的实时水文数据输入训练好的神经网络，获取对应预警等级，所获取的预警等级即为当前水情下的洪峰预警等级。
本实施例该方法通过提取各个数据之间的关系，并将之作用于神经网络损失函数后完成了神经网络损失函数针对洪峰预警的改进，使神经网络训练过程中的收敛速度加快，解决了因为水文数据量过少可能导致神经网络训练收敛速度慢甚至不收敛的问题，从而提高了神经网络对洪峰预警的准确性。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于物联网和大数据的洪峰预警方法，其特征在于，包括以下步骤：
获取当前流域河段所有水位计的水位，确定各水位计处水位距离各等级警戒线的距离，并同时获取当前流域河段的降雨量以及数据记录时间；
确定当前流域河段中每个水位计的预警等级与当前流域河段整体预警等级之间的相关度，然后结合历史数据确定当前实时数据下发生各种预警等级的可能性，并将其作为第一约束量；
根据历史数据，确定各个月份出现预警的可能性，并将其作为第二约束量；
分别建立当前流域河段与其它地区的日平均降雨量与预警等级关系曲线，计算当前流域河段与其它地区各自对应的关系曲线之间的相似性，确定与当前流域河段预警情况相似的其它区域并将其作为可靠区域，计算可靠区域在产生各预警等级时所对应的历史日平均降雨量与当前流域河段降雨量之间的差值，并将其作为第三约束量；
根据第一约束量、第二约束量以及第三约束量构建神经网络的损失函数，以所构建的损失函数完成神经网络的训练，并将实时采集的当前流域河段的水文数据输入训练好的神经网络获取对应预警等级，完成当前流域河段的洪峰预警。
2.根据权利要求1所述的基于物联网和大数据的洪峰预警方法，其特征在于，所述第一约束量的确定过程为：
计算各个水位计上所得水位数据的重要程度：
Figure 739599DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第i个水位计上所得水位数据的重要程度，SW为水位计的水位，SJ为对所有水位计的水位进行聚类后当前水位所属类别出现的概率，
Figure 162226DEST_PATH_IMAGE004
表示所有水位中的最大值，
Figure DEST_PATH_IMAGE005
表示各类水位出现概率中的最大值；
确定每个水位计对应水位预警等级与流域河段整体水位预警等级的偏离度：
Figure DEST_PATH_IMAGE007
Figure 908597DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为第i个水位计对应水位预警等级与流域河段整体预警等级之间的偏离度，T为第i个水位计在设定时间段内获取的水位预警等级的总数，
Figure 452841DEST_PATH_IMAGE010
表示第i个水位计对应水位预警等级与流域河段整体预警等级不一致的次数，
Figure DEST_PATH_IMAGE011
表示第i个水位计对应水位预警等级与流域河段整体预警等级的偏向，
Figure 318642DEST_PATH_IMAGE012
表示第i个水位计上第j次水位预警等级与流域河段整体预警等级之间的相关性，
Figure DEST_PATH_IMAGE013
表示第i个水位计上第j次水位预警等级，
Figure 948337DEST_PATH_IMAGE014
表示流域河段整体预警等级；
结合历史数据确定当前实时数据下发生各种预警等级的可能性：
Figure 623032DEST_PATH_IMAGE016
Figure 84101DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示预警等级为p的可能性，
Figure 654890DEST_PATH_IMAGE020
为实时采集的第i个水位计处水位与降雨量之和所得预计水位线对应的水位与警戒线的距离，
Figure DEST_PATH_IMAGE021
为历史数据中整体河道流域的预警等级为p时第i个水位计上的预警等级所对应的水位与警戒线的距离，
Figure 525544DEST_PATH_IMAGE022
为所采用的历史数据的总年数，Q为水位计数量，
Figure DEST_PATH_IMAGE023
为年限权重，
Figure 282891DEST_PATH_IMAGE024
为数据可信阈值，
Figure DEST_PATH_IMAGE025
为历史数据中第
Figure 28825DEST_PATH_IMAGE026
年的预警等级。
3.根据权利要求2所述的基于物联网和大数据的洪峰预警方法，其特征在于，所述第二约束量的确定过程为：
各个月份出现预警的可能性为：
Figure 144417DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
其中，
Figure 17214DEST_PATH_IMAGE030
表示第m个月出现预警的可能性，Y为所采用的历史数据的总年数，
Figure DEST_PATH_IMAGE031
表示第u年第m月出现预警的次数，
Figure 112340DEST_PATH_IMAGE032
表示第u年出现预警的总次数，
Figure 548001DEST_PATH_IMAGE023
为年限权重，
Figure 116385DEST_PATH_IMAGE024
为数据可信阈值，
Figure 4707DEST_PATH_IMAGE025
为历史数据中第
Figure 559316DEST_PATH_IMAGE026
年的预警等级。
4.根据权利要求3所述的基于物联网和大数据的洪峰预警方法，其特征在于，所述第三约束量的确定过程为：
建立当前流域河段与其它地区的日平均降雨量与预警等级关系曲线，计算当前流域河段与其它地区各自对应的关系曲线之间的动态时间归整距离：
Figure 849483DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
为当前流域河段往年日平均降雨量-预警等级曲线与其它区域往年日平均降雨量-预警等级曲线之间的动态时间归整距离，R为往年日平均降雨量-预警等级曲线上元素点的总数，
Figure 664468DEST_PATH_IMAGE036
为两曲线对应点之间的最小代价；
确定其它区域与当前流域河段降雨情况相同的可靠度：
Figure 40086DEST_PATH_IMAGE038
其中，E为当前流域河段降雨情况与其它区域降雨情况相同的可靠度，Y为所采用的历史数据的总年数，
Figure DEST_PATH_IMAGE039
为历史上第u年所对应的当前流域河段日平均降雨量-预警等级曲线与其它区域日平均降雨量-预警等级曲线之间的动态时间归整距离；
将可靠度大于可靠度阈值时所对应的其它区域作为可靠区域，计算可靠区域各预警等级对应降水量与当前流域河段所实时采集的降雨量之间的差异：
Figure DEST_PATH_IMAGE041
其中，
Figure 539331DEST_PATH_IMAGE042
为各可靠区域预警等级为p时对应的历史日平均降雨量与实时采集的当前流域河段降雨量之间的差异值，
Figure DEST_PATH_IMAGE043
为可靠区域的数量，
Figure 120940DEST_PATH_IMAGE044
为第
Figure DEST_PATH_IMAGE045
个可靠区域的可靠度，
Figure 375335DEST_PATH_IMAGE046
为第
Figure 238249DEST_PATH_IMAGE045
个可靠区域预警等级为p时的历史日平均降雨量，
Figure DEST_PATH_IMAGE047
为实时采集的当前流域河段降雨量。
5.根据权利要求4所述的基于物联网和大数据的洪峰预警方法，其特征在于，所述损失函数为：
Figure DEST_PATH_IMAGE049
Figure 947710DEST_PATH_IMAGE050
Figure 943960DEST_PATH_IMAGE052
Figure 431574DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
为神经网络损失函数，
Figure 719467DEST_PATH_IMAGE056
为交叉熵损失函数，即神经网络输出的预警等级与输入数据对应标签的预警等级构成的损失函数，
Figure DEST_PATH_IMAGE057
表示当神经网络输出结果为预警等级p时，使用历史数据进行人为分析时获取的河道流域整体预警等级为p的不可能性，
Figure 29356DEST_PATH_IMAGE058
表示神经网络所输出的预警结果在当月发生的可能性以及神经网络所输出的无预警结果在当月发生的可能性，
Figure DEST_PATH_IMAGE059
为各可靠区域预警等级为p时对应的历史日平均降雨量与实时采集的当前流域河段降雨量之间的差异值，
Figure 246492DEST_PATH_IMAGE060
为洪峰预警当月出现预警的可能性，
Figure DEST_PATH_IMAGE061
为洪峰预警当月预警等级大于1的次数，
Figure 574180DEST_PATH_IMAGE062
为洪峰预警当月的总天数，
Figure DEST_PATH_IMAGE063
为洪峰预警当月已过去的天数。
CN202210953183.3A 2022-08-10 2022-08-10 基于物联网和大数据的洪峰预警方法 Active CN115014299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953183.3A CN115014299B (zh) 2022-08-10 2022-08-10 基于物联网和大数据的洪峰预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953183.3A CN115014299B (zh) 2022-08-10 2022-08-10 基于物联网和大数据的洪峰预警方法

Publications (2)

Publication Number Publication Date
CN115014299A CN115014299A (zh) 2022-09-06
CN115014299B true CN115014299B (zh) 2022-11-18

Family

ID=83066217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953183.3A Active CN115014299B (zh) 2022-08-10 2022-08-10 基于物联网和大数据的洪峰预警方法

Country Status (1)

Country Link
CN (1) CN115014299B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661438B (zh) * 2022-10-21 2024-03-08 广州地铁集团有限公司 一种基于机器视觉的站外水位监测及防汛预警方法
CN116046079B (zh) * 2023-04-03 2023-06-30 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) 一种基于位置的地质环境专题数据集成管理系统
CN118135738B (zh) * 2024-05-07 2024-07-23 中交华南勘察测绘科技有限公司 一种实时监测遥报野外潮水位数据的装置及数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019095240A (ja) * 2017-11-20 2019-06-20 日本無線株式会社 水位予測方法、水位予測プログラム及び水位予測装置
CN110737875A (zh) * 2019-09-24 2020-01-31 浙江省水利河口研究院 一种中长期山洪灾害预警预判方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201510006D0 (en) * 2015-06-09 2015-07-22 Smith Alexis H Flood risk mapping and warning system and method
CN111141261A (zh) * 2019-12-19 2020-05-12 紫光云技术有限公司 一种水文监测数据采集和传输方法
CN111814407B (zh) * 2020-07-28 2023-10-13 安徽沃特水务科技有限公司 一种基于大数据和深度学习的洪水预报方法
CN112327698B (zh) * 2020-11-05 2021-10-12 乐清市辰卓电气有限公司 一种基于物联网的洪水灾害预警系统及方法
CN113379098A (zh) * 2021-04-16 2021-09-10 水利部珠江水利委员会技术咨询(广州)有限公司 河流区间动态洪峰分析预警方法、系统、设备及介质
CN113780668B (zh) * 2021-09-15 2024-10-01 泰华智慧产业集团股份有限公司 一种基于历史数据的城市积水内涝预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019095240A (ja) * 2017-11-20 2019-06-20 日本無線株式会社 水位予測方法、水位予測プログラム及び水位予測装置
CN110737875A (zh) * 2019-09-24 2020-01-31 浙江省水利河口研究院 一种中长期山洪灾害预警预判方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Flood Water Level Modelling and Prediction Using Artificial Neural Network : Case Study of Sungai Batu Pahat in Johor;Ramli Adnan;《IEEE Control and System Graduate Research Colloquium》;20121231;全文 *

Also Published As

Publication number Publication date
CN115014299A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115014299B (zh) 基于物联网和大数据的洪峰预警方法
CN112785043B (zh) 一种基于时序注意力机制的洪水预报方法
CN115271255B (zh) 基于知识图谱和机器学习的雨洪相似性分析方法和系统
CN111415752B (zh) 一种融合气象因素和搜索指数的手足口病预测方法
Peng et al. CNGAT: A graph neural network model for radar quantitative precipitation estimation
CN110298480B (zh) 一种山洪灾害临界雨量指标计算方法及系统
CN117113236B (zh) 一种智慧城市监控系统及数据处理方法
CN109255100A (zh) 一种基于微波衰减特征响应指纹识别的城市降雨反演算法
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN113095694B (zh) 一种适用于多地貌类型区的降雨输沙模型构建方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
Wang et al. A conformal regressor with random forests for tropical cyclone intensity estimation
CN114638441B (zh) 一种基于卫星遥感影像的洋流监测及预警系统
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN118132626B (zh) 一种基于数据分析的乡村信息服务管理平台
CN117033935A (zh) 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法
CN115293391A (zh) 一种基于混合产流模式的径流预测方法及系统
Muñoz et al. Use of Near‐Real‐Time Satellite Precipitation Data and Machine Learning to Improve Extreme Runoff Modeling
CN118643957B (zh) 一种基于机器学习的洪水灾害预警方法及系统
Joo et al. Analysis of the optimal window size of hampel filter for calibration of real-time water level in agricultural reservoirs
CN118014638B (zh) 基于循环神经网络的二十四节气预测方法
CN116319262B (zh) 一种电能计量装置通信故障数据检测模型
CN117990187B (zh) 基于人工智能的地下水水位动态监测方法
CN110347760B (zh) 一种用于失踪人群时空定位服务的数据分析方法
De Oliveira et al. Clustering Weather Time Series used for Agricultural Disease Alert Systems in Florida

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Flood peak warning method based on the Internet of Things and Big data

Effective date of registration: 20230704

Granted publication date: 20221118

Pledgee: Xi'an innovation financing Company limited by guarantee

Pledgor: Mountain Technology Co.,Ltd.

Registration number: Y2023610000517

PE01 Entry into force of the registration of the contract for pledge of patent right