CN116227362A - 一种基于图与深度学习的市政排水管网状态预测方法 - Google Patents

一种基于图与深度学习的市政排水管网状态预测方法 Download PDF

Info

Publication number
CN116227362A
CN116227362A CN202310278316.6A CN202310278316A CN116227362A CN 116227362 A CN116227362 A CN 116227362A CN 202310278316 A CN202310278316 A CN 202310278316A CN 116227362 A CN116227362 A CN 116227362A
Authority
CN
China
Prior art keywords
graph
node
drainage pipe
pipe network
model
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.)
Pending
Application number
CN202310278316.6A
Other languages
English (en)
Inventor
邹铭轩
黄楚媛
周逊盛
黄文君
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310278316.6A priority Critical patent/CN116227362A/zh
Publication of CN116227362A publication Critical patent/CN116227362A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于图与深度学习的市政排水管网状态预测方法，包括以下步骤：收集目标地区市政排水管网拓扑结构，并实时获取各监测点特征；使用上述信息建立时空序列的图集合；对建立的时空序列图模型进行预处理；结合图卷积神经网络和门控循环单元对建立的图数据进行学习，训练相关模型；使用训练完成的模型进行排水管网状态预测；将预测结果重构为图，可视化展示各点预测溢流量；最后利用建立的图模型和算法预测结果对排水管网***进行故障排查及防汛预警。应用本发明，可减少模型建立的复杂度，提高排水管网***状态预测的准确性，可精确排查堵塞故障管道并提前预警短期内可能发生灾害的区域，有效提高了城市的防灾减灾能力。

Description

一种基于图与深度学习的市政排水管网状态预测方法
技术领域
本发明涉及市政排水管网状态预测领域，具体地说，涉及一种基于图与深度学习的排水管网状态预测方法。
背景技术
随着我国城市化进程的加快，城市基础设施建设的不断推进，市区不透水面积也随之大量增加，而市政排水管网作为城市主要的泄洪途径，其建设和管理却长期滞后于城市发展，这导致我国城市内涝灾害与溢流污染问题日益凸显。因此，亟需一种排水管网状态的预测方法，以提前预警短期内可能发生内涝或溢流污染的区域，并可对现有的排水管网***进行故障排查，来提高城市的防灾减灾能力。
目前对于市政排水管网状态预测方法的研究极为有限，主要通过结合地理信息***(GIS)和暴雨洪水管理模型(SWMM)等方法，使用机理建模进行水量预测。但是雨洪形成机理复杂且具有一定的随机性，不但要考虑到复杂多变的气候气象条件，还包括目标城市的下垫面条件及管道拓扑结构。该类预测方法建模过程复杂繁琐，不具备通用性，且难以正确预测排水管网状态，存在较大误差。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于图与深度学习的市政排水管网状态预测方法，本发明通过对目标区域的市政排水管网建立时空序列的图模型，并结合图卷积神经网络(GCN)和门控循环单元(GRU)神经网络进行状态预测，减少了模型建立过程所需的参数信息，提高了市政排水管网状态预测的准确性，并通过分析建立的图模型以及算法预测结果对排水管网***进行故障排查及防汛预警，有效提高了城市的防灾减灾能力。
本发明的目的通过以下技术方案实现，包括以下步骤：
S1：收集目标地区的市政排水管网拓扑结构信息，并在各连接井处放置可无线通讯的在线监测设备，以实时获取监测节点处的液位、流量、降水量、节点溢流量等信息。
S2：使用收集到的城市排水管网拓扑结构信息及监测节点各时刻下的采样数据，将目标区域的排水管网***建模为时空序列图集合G＝{G1,G2···,Gt}，其中t表示当前时刻。各监测节点统一采样一次即可建立当前时刻下的图模型，各个时刻下的图模型结构共享但采样得到的特征值不同，将各个时刻下的图模型汇总即为图集合。
进一步地，以当前时刻t为例，可建立图模型Gt＝{V,E}，其中V＝{v1,···,vN}表示图节点集合，即监测点集合，其中N为监测点数量，并使用向量
Figure BDA0004137151950000025
表征每个节点的特征，其中i＝1,···,N；E则表示连接节点的边的集合，即各连接井相互连接的管道空间关系，该关系可以被表示为图的邻接矩阵/>
Figure BDA0004137151950000024
其中Ai,j代表节点vi与vj之间定量的空间关系。
进一步的，图模型建立时的节点特征包括但不限于：当前时刻的液位、流量、降水量、节点溢流量以及过去24小时的平均液位、峰值液位、液位方差、平均流量、峰值流量、流量方差、平均降水量、峰值降水量、降水量方差、平均节点溢流量、峰值节点溢流量、节点溢流量方差以及该节点附近两个邻近节点区域内排水泵站的启停信息，该特征可由0和1表示，若节点附近两个邻近节点区域内存在泵站，且处于开启状态，则该特征为1，其他时候该特征为0。
S3：对建立的每个图模型进行预处理。
进一步地，t时刻下的图模型特征矩阵可表示为
Figure BDA0004137151950000021
其中d表示各节点特征的维度，采用图归一化方法进行预处理，即每个时刻下的图模型所属特征单独进行归一化，t时刻下该预处理方法可表示为：/>
Figure BDA0004137151950000022
其中/>
Figure BDA0004137151950000023
表示归一化后的特征矩阵，μt和σt则分别表示特征矩阵Xt的平均值向量与标准差向量。
S4：结合图卷积神经网络和门控循环神经网络对预处理后的图模型进行学习，并训练GCN-GRU模型。
值得注意的是，由于城市排水管网状态易受季节气候影响，GCN-GRU模型每隔一定时间需要重新训练，迭代更新，以保证预测的精准性。
进一步地，步骤S4还包括：
S401：将预处理后的的图模型输入到所构建的GCN中，以提取不同时刻下的空间信息。建立的图卷积神经网络包含两个图滤波层与一个非线性激活函数，该过程可表示为：Ht＝h2(A,a1(h1(A,Xt)))，其中Ht表示t时刻下包含空间信息的节点特征矩阵，h2(·)和h1(·)表示两个图滤波层，a1(·)则表示ReLU激活函数；
S402：将GCN输出的空间信息构建为时间序列，输入到门控循环神经网络中，该循环神经网络可通过过去T个时刻的信息来预测未来T'个时刻各个节点的溢流量，具体可表示为：
Figure BDA0004137151950000031
其中，/>
Figure BDA0004137151950000032
表示t+T'时刻预测的节点溢流向量，f(·)表示该门控循环神经网络模型；
S403：计算输出的各时刻各个节点的均方误差Cost，作为GCN-GRU模型的评价指标，可表示为：
Figure BDA0004137151950000033
其中，Yi,j和/>
Figure BDA0004137151950000034
分别表示节点i在时刻j的实际溢流量和预测溢流量。在训练过程中需使Cost值尽可能小，以获得最佳的模型。
S5：使用训练完成的GCN-GRU模型进行排水管网状态预测。
S6：将各个时刻下的预测结果
Figure BDA0004137151950000035
重构为图，可视化展示未来时刻下各监测节点处的预测溢流量。进一步地，预测重构图可表示为/>
Figure BDA0004137151950000036
所述预测重构图的空间关系同G，即图模型结构不变，但各节点特征替换为预测时刻下对应节点的预测溢流量。
S7：结合建立的图模型及各节点预测溢流量对排水管网***进行故障排查及防汛预警。进一步地，设置各管道初始堵塞度d0以及管道堵塞度阈值db，若当前一个周期某监测节点在各段降水条件下其平均液位相比上一周期发生变化时，更新该监测节点对应输出管道堵塞度d，该更新方式可表示为：
Figure BDA0004137151950000037
式中，d和d'分别表示当前周期以及上一周期的管道堵塞度，K表示降水量分段数量，l'k与Δlk分别表示第k段降水条件下上一周期的监测节点液位以及当前周期与上一周期的监测节点液位改变量。当某管道堵塞度d超过db时，对该管道进行故障排查工作。与此同时，设置节点预测溢流量阈值b，当未来某一时刻下某节点溢流量超过b时，及时预警并输出对应时刻、节点以及与问题节点相关联的管道信息，若预测重构图中预测溢流量超过阈值的节点数量小于设定最低阈值，则对该节点以及相关联的管道进行故障排查；若预测重构图中预测溢流量超过阈值的节点数量大于设定的最高阈，则在故障排查的同时，提前准备好防汛排涝工作。
本发明的有益效果是：
相比于SWMM等机理模型和现有的预测算法模型，本发明采用图方法对市政排水管网进行建模，减少了建模的复杂度与参数需求，通过图卷积神经网络(GCN)提取监测节点与监测节点、监测节点与管道之间的空间信息，并结合门控循环单元(GRU)神经网络处理时间信息，来对各节点的溢流量进行预测，可减少模型建立的复杂度，提高排水管网***状态预测的准确性，可精确排查堵塞故障管道并提前预警短期内可能发生灾害的区域。最后通过分析建立的图模型以及算法预测结果对排水管网***进行故障排查及防汛预警，有效提高了城市的防灾减灾能力。
附图说明
图1是本发明的排水管网状态预测方法流程图；
图2是实施例中某地区t时刻建立的图模型；
图3是实施例中构建的GCN-GRU算法框架图；
图4是实施例中某地区的预测重构图模型。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图及实例来对本发明技术方案作进一步详述。
参见附图1，本发明提出了一种基于图与深度学习的市政排水管网状态预测方法，包括以下步骤：
S1：收集目标地区的市政排水管网拓扑结构信息，并在各连接井处放置可无线通讯的在线监测设备，以实时获取监测节点处的液位、流量、降水量、节点溢流量等信息。
S2：使用收集到的城市排水管网信息及监测节点各时刻下的采样数据将目标区域的排水管网***建模为时空序列的图集合G＝{G1,G2···,Gt}，其中t表示当前时刻。各监测节点每次统一采样即可建立当前时刻下的图模型，各个时刻下的图结构共享但采样特征不同，将各个时刻下的图模型汇总即为图集合。进一步地，以时刻t为例，可建立图模型Gt＝{V,E}，其中V＝{v1,···,vN}表示图节点集合，即监测点集合，其中N为监测点数量，并使用向量
Figure BDA0004137151950000041
表征每个节点的特征，其中i＝1,···,N，在本实施例中，节点特征包括：当前时刻的液位、流量、降水量、节点溢流量以及过去24小时的平均液位、峰值液位、液位方差、平均流量、峰值流量、流量方差、平均降水量、峰值降水量、降水量方差、平均节点溢流量、峰值节点溢流量、节点溢流量方差以及该节点附近两个邻近节点区域内排水泵站的启停信息，该特征可由0和1表示，若节点附近两个邻近节点区域内存在泵站，且处于开启状态，则该特征为1，其他时候该特征为0；E则表示连接节点的边的集合，即各连接井相互连接的管道空间关系，该关系可以被表示为图的邻接矩阵/>
Figure BDA0004137151950000051
其中Ai,j代表节点vi与vj之间定量的空间关系。附图2为本实施例某地区在t时刻建立的图模型，共计38个监测节点，每个检测节点均包含17个相关特征，图中仅展示了t时刻节点15处的特征。进一步地，以节点22为例，其特征17，即该节点附近两个节点区域内排水泵站的启停信息的关联区域包括节点22、6、21、23、5、7、13、16、24，即上述节点区域内若存在排水泵站且处于开启状态，则节点22的第17个特征为1，否则为0。另外由于市政排水管网***排水时通常有固定方向，故本实施例中建立的图模型有向。
S3：对建立的时空序列图模型进行预处理。进一步地，t时刻下的图模型特征矩阵可表示为
Figure BDA0004137151950000052
其中d表示各节点特征的维度，在实施例中d＝16。采用图归一化方法进行预处理，即每个时刻下的图模型所属特征单独进行归一化，t时刻下该预处理方法可表示为：/>
Figure BDA0004137151950000053
其中/>
Figure BDA0004137151950000054
表示归一化后的特征矩阵，μt和σt则分别表示特征矩阵Xt的平均值向量与标准差向量。
S4：结合图卷积神经网络和门控循环单元对建立的图数据进行学习，并训练GCN-GRU模型，值得注意的是，由于城市排水管网状态易受季节气候影响，GCN-GRU模型每隔一定时间需要重新训练，迭代更新，以保证预测的精准性。附图3为本实施例构建的GCN-GRU算法框架图，在实施例中训练集数据的时间跨度为1个月，每次采样的时刻间距为10分钟，构建的GCN-GRU模型可通过过去2周的数据预测未来12小时内各个时刻各个节点的溢流量，在实施例中，每隔一周便重新训练模型。
进一步地，步骤S4还包括：
S401：将预处理后的的图模型输入到所构建的GCN中，以提取不同时刻下的空间信息。建立的图卷积神经网络包含两个图滤波层与一个非线性激活函数，该过程可表示为：Ht＝h2(A,a1(h1(A,Xt)))，其中Ht表示t时刻下包含空间信息的节点特征矩阵，h2(·)和h1(·)表示两个图滤波层，a1(·)则表示ReLU激活函数；
S402：将GCN输出的空间信息构建为时间序列，输入到门控循环神经网络中，该循环神经网络可通过过去T个时刻的信息来预测未来T'个时刻各个节点的溢流量，具体可表示为：
Figure BDA0004137151950000061
其中，/>
Figure BDA0004137151950000062
表示t+T'时刻预测的节点溢流向量，f(·)表示该门控循环神经网络模型；
S403：计算输出的各时刻各个节点的均方误差Cost，作为GCN-GRU模型的评价指标，可表示为：
Figure BDA0004137151950000063
其中，Yi,j和/>
Figure BDA0004137151950000064
分别表示节点i在时刻j的实际溢流量和预测溢流量。在训练过程中需使Cost值尽可能小，以获得最佳的模型。
S5：使用训练完成的GCN-GRU模型进行排水管网状态预测。
S6：将各个时刻下的预测结果重构为图，可视化展示未来时刻下各监测节点处的预测溢流量。进一步地，预测重构图可表示为
Figure BDA0004137151950000065
所述重构图的空间关系同G，即图模型结构不变，但各节点特征替换为预测时刻下对应节点的预测溢流量向量。附图4为本实施例的预测重构图，每个节点包含未来72个时刻的预测值，图中仅展示了节点15处的预测特征/>
Figure BDA0004137151950000066
S7：结合建立的图模型及各节点预测溢流图对排水管网***进行故障排查及防汛预警。进一步地，设置各管道初始堵塞度d0以及管道堵塞度阈值db，若当前一个周期某监测点在各段降水条件下其平均液位相比上一周期发生变化时，更新该监测点对应输出管道堵塞度d，该更新方式可表示为：
Figure BDA0004137151950000067
式中，d和d'分别表示当前周期以及上一周期的管道堵塞度，K表示降水量分段数量，l'k与Δlk分别表示第k段降水条件下上一周期的监测点液位以及当前周期与上一周期的监测点液位改变量。当某管道堵塞度d超过db时，对该管道进行故障排查工作。与此同时，设置节点预测溢流量阈值b，当未来某一时刻下某节点溢流量超过b时，及时预警并输出对应时刻、节点以及与问题节点相关联的管道信息，若预测溢流图中仅有个别节点的预测溢流量超过阈值，对该节点以及相关联的管道进行故障排查；若预测溢流图中有大量节点的预测溢流量超过阈值，在故障排查的同时，提前准备好防汛排涝工作。在本实例中，各管道的初始堵塞度d0＝1，堵塞度阈值设置为d0＝5，一个周期设置为一个月，降水量分段数量K＝6，具体的日降水量按降水强度分为小雨0～10mm、中雨10～25mm、大雨25～50mm、暴雨50～100mm、大暴雨100～250mm、特大暴雨250mm以上，另外，本实例中节点溢流量阈值b设置为0，即只要发生节点溢流，就进行相关故障排查及防汛预警工作。
本发明通过对目标区域的市政排水管网建立时空序列的图模型，并结合图卷积神经网络(GCN)和门控循环单元(GRU)神经网络进行状态预测，减少了模型建立过程所需的参数信息，提高了市政排水管网状态预测的准确性，可提前预警溢流节点区域与关联管道，并通过分析建立的图模型以及算法预测结果对排水管网***进行故障排查及防汛预警，有效提高了城市的防灾减灾能力。

Claims (6)

1.一种基于图与深度学习的市政排水管网状态预测方法，其特征在于，包括以下步骤：
S1：收集目标地区的市政排水管网拓扑结构信息，并在各连接井处放置可无线通讯的在线监测设备，以实时获取监测节点处的液位、流量、降水量、节点溢流量信息；
S2：使用收集到的城市排水管网拓扑结构信息及监测节点各时刻下的采样数据，将目标区域的排水管网***建模为时空序列图集合G＝{G1,G2···,Gt}，其中t表示当前时刻；
S3：对建立的每个图模型进行预处理；
S4：结合图卷积神经网络GCN和门控循环神经网络GRU对预处理后的图模型进行学习，并训练GCN-GRU模型；
S5：使用训练完成的GCN-GRU模型进行排水管网状态预测；
S6：将各个时刻下的预测结果重构得到预测重构图，可视化展示未来时刻下各监测节点处的预测溢流量；
S7：结合建立的图模型及各节点预测溢流量对排水管网***进行故障排查及防汛预警。
2.根据权利要求1所述的基于图与深度学习的市政排水管网状态预测方法，其特征在于所述的步骤S2中时空序列图集合的建立方法具体表示如下：
各监测节点统一采样一次即可建立当前时刻下的图模型，各个时刻下的图模型结构共享但采样得到的特征值不同，将各个时刻下的图模型汇总即为图集合；
设当前时刻t的图模型Gt＝{V,E}，其中V＝{v1,···,vN}表示图节点集合，即监测点集合，其中N为监测点数量，并使用向量
Figure FDA0004137151940000013
表征每个节点的特征，其中i＝1,···,N；E则表示连接节点的边的集合，即各连接井相互连接的管道空间关系，该关系能够表示为图的邻接矩阵/>
Figure FDA0004137151940000011
其中Ai,j代表节点vi与vj之间定量的空间关系。
3.根据权利要求1或2所述的基于图与深度学习的市政排水管网状态预测方法，其特征在于所述的步骤S3具体实现如下：
设t时刻下的图模型特征矩阵为
Figure FDA0004137151940000012
其中d表示各节点特征的维度，采用图归一化方法进行预处理，即每个时刻下的图模型所属特征单独进行归一化，t时刻下该预处理表示为：/>
Figure FDA0004137151940000021
其中/>
Figure FDA0004137151940000022
表示归一化后的特征矩阵，μt和σt则分别表示特征矩阵Xt的平均值向量与标准差向量。
4.根据权利要求3所述的基于图与深度学习的市政排水管网状态预测方法，其特征在于所述的步骤S4具体实现如下：
S401：将预处理后的的图模型输入到所构建的GCN中，以提取不同时刻下的空间信息；建立的图卷积神经网络包含两个图滤波层与一个非线性激活函数，该过程可表示为：Ht＝h2(A,a1(h1(A,Xt)))，其中Ht表示t时刻下包含空间信息的节点特征矩阵，h2(·)和h1(·)表示两个图滤波层，a1(·)则表示ReLU激活函数；
S402：将GCN输出的空间信息构建为时间序列，输入到门控循环神经网络中，该循环神经网络可通过过去T个时刻的信息来预测未来T'个时刻各个节点的溢流量，具体可表示为：
Figure FDA0004137151940000023
其中，/>
Figure FDA0004137151940000024
表示t+T'时刻预测的节点溢流向量，f(·)表示该门控循环神经网络模型；/>
S403：计算输出的各时刻各个节点的均方误差Cost，作为GCN-GRU模型的评价指标，可表示为：
Figure FDA0004137151940000025
其中，Yi,j和/>
Figure FDA0004137151940000026
分别表示节点i在时刻j的实际溢流量和预测溢流量；在训练过程中需使Cost值尽可能小，以获得最佳的模型。
5.根据权利要求4所述的基于图与深度学习的市政排水管网状态预测方法，其特征在于所述的步骤S6具体实现如下：
预测重构图可表示为
Figure FDA0004137151940000027
预测重构图的空间关系同G，即图模型结构不变，但各节点特征替换为预测时刻下对应节点的预测溢流量。
6.根据权利要求4或5所述的基于图与深度学习的市政排水管网状态预测方法，其特征在于所述的步骤S7具体实现如下：
设置各管道初始堵塞度d0以及管道堵塞度阈值db，若当前一个周期某监测节点在各段降水条件下其平均液位相比上一周期发生变化时，更新该监测节点对应输出管道堵塞度d，该更新方式可表示为：
Figure FDA0004137151940000028
式中，d和d'分别表示当前周期以及上一周期的管道堵塞度，K表示降水量分段数量，l'k与Δlk分别表示第k段降水条件下上一周期的监测节点液位以及当前周期与上一周期的监测节点液位改变量；当某管道堵塞度d超过db时，对该管道进行故障排查工作；设置节点预测溢流量阈值b，当未来某一时刻下某节点溢流量超过b时，及时预警并输出对应时刻、节点以及与问题节点相关联的管道信息，若预测重构图中预测溢流量超过阈值的节点数量小于设定最低阈值，则对该节点以及相关联的管道进行故障排查；若预测重构图中预测溢流量超过阈值的节点数量大于设定的最高阈，则在故障排查的同时，提前准备好防汛排涝工作。/>
CN202310278316.6A 2023-03-21 2023-03-21 一种基于图与深度学习的市政排水管网状态预测方法 Pending CN116227362A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310278316.6A CN116227362A (zh) 2023-03-21 2023-03-21 一种基于图与深度学习的市政排水管网状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310278316.6A CN116227362A (zh) 2023-03-21 2023-03-21 一种基于图与深度学习的市政排水管网状态预测方法

Publications (1)

Publication Number Publication Date
CN116227362A true CN116227362A (zh) 2023-06-06

Family

ID=86582489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310278316.6A Pending CN116227362A (zh) 2023-03-21 2023-03-21 一种基于图与深度学习的市政排水管网状态预测方法

Country Status (1)

Country Link
CN (1) CN116227362A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371668A (zh) * 2023-12-06 2024-01-09 北京晨豪科技有限公司 基于可视图和网络流的城市管路流量调配优化方法
CN117540329A (zh) * 2024-01-09 2024-02-09 北京建筑大学 基于机器学习的排水管网缺陷在线预警方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371668A (zh) * 2023-12-06 2024-01-09 北京晨豪科技有限公司 基于可视图和网络流的城市管路流量调配优化方法
CN117371668B (zh) * 2023-12-06 2024-02-09 北京晨豪科技有限公司 基于可视图和网络流的城市管路流量调配优化方法
CN117540329A (zh) * 2024-01-09 2024-02-09 北京建筑大学 基于机器学习的排水管网缺陷在线预警方法及***
CN117540329B (zh) * 2024-01-09 2024-03-29 北京建筑大学 基于机器学习的排水管网缺陷在线预警方法及***

Similar Documents

Publication Publication Date Title
CN110298076B (zh) 一种基于gis和swmm的城市内涝智能建模及分析方法
CN116227362A (zh) 一种基于图与深度学习的市政排水管网状态预测方法
CN113673769B (zh) 基于多元时间序列插补的图神经网络交通流预测方法
KR102073768B1 (ko) 포털 기반 가뭄정보 제공 시스템
CN110852577A (zh) 基于城市韧性与城市流域水文模型的城市洪涝评估方法
CN110738355A (zh) 一种基于神经网络的城市内涝预测方法
CN113807008B (zh) 一种基于深度学习的城市暴雨内涝模拟方法
CN111046773B (zh) 一种基于图像技术判定路面积滞水的方法
CN111077864A (zh) 一种智慧排水调度和分析方法及***
CN114611756A (zh) 基于遥感技术的城市合流制排水***水量负荷预测方法
CN114881381B (zh) 基于改进卷积神经网络的城市积水水位预测方法及***
CN111815098A (zh) 基于极端天气的交通信息处理方法、装置、存储介质和电子设备
CN116415730A (zh) 一种预测水位的融合自注意力机制时空深度学习模型
Barthelemy et al. Problem-driven and technology-enabled solutions for safer communities: the case of stormwater management in the Illawarra-Shoalhaven region (NSW, Australia)
CN117575873B (zh) 综合气象水文敏感性的洪水警戒方法与***
CN116434479A (zh) 一种区域性洪涝灾害等级预测预警方法及***
CN117150600B (zh) 一种用于城市防内涝的屋顶蓄排水控制方法
Nguyen et al. Deep learning for construction emission monitoring with low-cost sensor network
CN110414027A (zh) 一种适用于洪涝预测***的数据处理方法
CN117494586A (zh) 一种基于深度学习的山洪时空预测方法
CN113344470A (zh) 一种基于区块链的供电***智能管理方法
CN110942026A (zh) 基于深度学习的胶囊机器人排水管病害检测方法及***
CN115829150A (zh) 一种积水预测***
Panakkal et al. Safer this way: Identifying flooded roads for facilitating mobility during floods
CN115392128A (zh) 一种利用时空卷积lstm网络模拟流域径流量的方法

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