一种基于TCN网络的洪涝预测方法、系统和存储介质

本发明涉及洪涝预测，特别是涉及一种基于tcn网络的洪涝预测方法、系统和存储介质。

背景技术：

1、城市化的飞速发展使得城市下垫面不透水面积显著增加，局地突发性暴雨常常引发城市内发生严重的洪涝灾害，这不仅会威胁人民的生命安全，而且会带来巨大的财产损失和制约城市的发展，因此，建立快速、准确的洪涝预测方法十分重要，然而，目前预测洪涝的方法大都依赖水动力模型，虽然该模型在特定环境下具有良好的预测效果，但也存在一些缺陷，如：在预测之前需要获取大量参数，降雨量、降雨重现期、降雨峰值、最大2h降雨量、最大3h降雨量、峰值前累计降雨量等等，预测效率不高且预测过程繁琐；使用目标区域的数据训练目标区域的洪涝模拟模型，对目标区域的预测效果良好，但是对其他区域的预测效果不佳，模型的预测泛化能力不强、准确率不高。

2、现有技术公开一种基于和水文水动力模型的滨海城市洪涝快速预测方法，包括：一、获取样本数据，包括：设计多种降雨-潮位组合情景；基于pcswmm的水文水动力模型构建目标区域的洪涝模拟模型；利用洪涝模拟模型模拟不同降雨-潮位组合情景下各选取洪涝点的最大水深；提取与降雨相关的特征变量以及与潮位相关的特征变量，和洪涝点位置以及最大水深一同作为样本数据；二、基于的城市洪涝快速预测模型构建及训练；三、采用已训练的城市洪涝预测模型预测城市洪涝中淹没点的最大积水深度，现有技术在预测之前需要输入大量参数，预测效率不高且过程繁琐；使用目标区域的数据训练目标区域的洪涝模拟模型，对目标区域的预测效果良好，但是对其他区域的预测效果不佳，模型的泛化能力不强。

技术实现思路

1、本发明的目的是克服现有技术的缺陷，提供一种基于tcn网络的洪涝预测方法、系统和存储介质，本发明可以提高洪涝预测模型的泛化能力、准确率和效率。

2、为了实现上述目的，本发明提供了一种基于tcn网络的洪涝预测方法，包括：

3、步骤s1：收集训练数据，所述训练数据包括目标区域的降雨强度数据和洪水水深数据；

4、步骤s2：对所述降雨强度数据和所述洪水水深数据进行归一化处理，获得数据集，将所述数据集按比例划分为训练集、测试集和验证集；

5、步骤s3：构建tcn网络预测模型，使用所述训练集训练所述tcn网络预测模型，获得训练后的tcn网络预测模型，使用测试集评估训练后的tcn网络预测模型的性能，若性能不达标则继续训练，若性能达标则输出测试后的tcn网络预测模型；

6、步骤s4：使用贝叶斯算法优化测试后的tcn网络预测模型的结构和训练超参数，获得优化后的tcn网络预测模型；

7、步骤s5：将所述验证集输入至优化后的tcn网络预测模型，验证所述tcn网络预测模型的性能，获得训练好的tcn网络预测模型；

8、步骤s6：将目标区域的待预测数据输入至训练好的tcn网络预测模型，获得洪水水深数据，完成洪涝预测。

9、进一步地，步骤s1中降雨强度数据由下式确定：

10、

11、其中，表示设计降雨强度，单位为；表示设计重现期，单位为年；表示降雨历时，单位为分钟。

12、进一步地，步骤s1中收集洪水水深数据的具体过程包括：

13、步骤s1.1：使用一维管网模型模拟管网径流和管道流量，根据汇水区面积、不透性和汇流时间确定降雨径流过程，利用时间-面积法计算径流量，计算圣维南方程组获得管网中的非稳态流动；

14、步骤s1.2：使用二维地表模型模拟地表径流和积水过程，利用矩形网格组件建立地表积水模型，网格单元的流动遵循浅水方程；

15、步骤s1.3：将所述一维管网模型和所述二维地表模型进行动态耦合，当所述管网发生溢流时，溢流水流将流到地面，地面积水；

16、步骤s1.4：一维、二维耦合水动力模型模拟管网和地表之间的交互，在给定降雨条件下模拟城市内涝和洪水积水过程，获得研究区域的所述洪水水深数据。

17、进一步地，步骤s2中训练集、测试集和验证集按8：1：1比例划分。

18、进一步地，步骤s3中所述tcn网络预测模型由matlab深度学习框架构建，所述tcn网络预测模型包括多个残差块，每一个所述残差块依次连接，每一个所述残差块包括依次连接第一扩展因果卷积层、第一归一化层、第一空间辍学层、第二因果卷积层、第二归一化层、激活函数层和第二空间辍学层，以及一个卷积层，

19、所述tcn网络预测模型的输入引出两个分支，一个分支连接所述扩展因果卷积层的输入，另一个分支连接所述卷积层；

20、所述第二空间辍学层的输出与所述卷积层的输出融合，获得tcn网络预测模型的预测结果。

21、进一步地，步骤s3中评估训练后的tcn网络预测模型的性能包括三个指标：平均相对误差、二维相关系数2d-cc和结构相似性ss。

22、进一步地，所述平均相对误差由下式确定：

23、

24、其中，表示网络预测的洪水水深，表示实际洪水水深；

25、所述二维相关系数2d-cc由下式确定：

26、

27、其中，表示图像的像素平均值，表示图像的像素平均值；

28、所述结构相似性ss由下式确定：

29、

30、其中，表示图像的像素局部均值，表示图像的像素局部均值，表示图像的标准差，表示图像的标准差，表示图像和图像的交叉协方差,取值范围为，取值范围为。

31、进一步地，步骤s4的贝叶斯算法的具体过程包括：

32、步骤s4.1：定义残差块个数、学习率、迭代次数和批处理大小共4个优化对象参数，4个优化对象参数的参数分布均为均匀分布；

33、步骤s4.2：生成对象参数的优化候选样本，并根据当前对象参数的先验分布随机生成对象参数值；

34、步骤s4.3：计算目标函数，并根据所述对象参数值计算所述目标函数的平均相对误差；

35、步骤s4.4：更新对象参数的先验分布，根据所述优化候选样本和目标函数值，使用贝叶斯定理更新对象参数的先验分布，使得对象参数聚集在全局最优参数附近；

36、步骤s4.5：重复步骤s4.2至步骤s4.4，获得优化后的tcn网络预测模型。

37、本发明还提供一种基于tcn网络的洪涝预测系统，包括：

38、收集模块：收集训练数据，所述训练数据包括目标区域的降雨强度数据和洪水水深数据；

39、数据处理模块：对所述降雨强度数据和所述洪水水深数据进行归一化处理，获得数据集，将所述数据集按比例划分为训练集、测试集和验证集；

40、获取预测模型模块：构建tcn网络预测模型，使用所述训练集训练所述tcn网络预测模型，获得训练后的tcn网络预测模型，使用测试集评估训练后的tcn网络预测模型的性能，若性能不达标则继续训练，若性能达标则输出测试后的tcn网络预测模型；

41、优化预测模型模块：使用贝叶斯算法优化测试后的tcn网络预测模型的结构和训练超参数，获得优化后的tcn网络预测模型；

42、验证模块：将所述验证集输入至优化后的tcn网络预测模型，验证所述tcn网络预测模型的性能，获得训练好的tcn网络预测模型；

43、预测模块：将目标区域的待预测数据输入至训练好的tcn网络预测模型，获得洪水水深数据，完成洪涝预测。

44、另外，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机存储程序被处理器执行时，实现所述的基于tcn网络的洪涝预测方法。

45、本发明与现有技术相比，其有益效果在于：

46、本发明通过构建tcn网络预测模型，将研究区域的降雨强度数据和洪水水深数据进行归一化处理，获得数据集，将数据集按比例划分为训练集、测试集和验证集，使用训练集训练tcn网络预测模型，使用测试集评估tcn网络预测模型，使用验证集验证tcn网络预测模型的预测结果，本发明在预测洪涝之前，只需获取降雨强度数据并将其输入至tcn网络预测模型，即可获取洪水水深，避免了获取大量参数，提高了洪涝预测的效率；本发明还使用贝叶斯算法优化tcn网络预测模型，使得tcn网络预测模型获得最优的参数，提高了预测模型的预测准确率，同时较准确地预测研究区域之外的其他区域的洪涝，提高了预测模型的泛化能力。