本發(fā)明涉及河道應(yīng)急預(yù)警，尤其涉及一種基于bim和多模型信息融合的河道安全預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、河道作為城市生態(tài)系統(tǒng)的重要組成部分，不僅承載著城市排水、防洪等重要功能，其健康狀況也直接影響到城市居民的生活質(zhì)量和城市的可持續(xù)發(fā)展。隨著城市化進(jìn)程的加快，河道治理和保護(hù)面臨著越來越多的挑戰(zhàn)，如沖刷、淤積以及由氣候變化引起的極端天氣事件等，這些都可能導(dǎo)致河道水位、流速的急劇變化，進(jìn)而引發(fā)洪水等自然災(zāi)害。

2、現(xiàn)有技術(shù)中，河道安全預(yù)警方法主要依賴于傳統(tǒng)的監(jiān)測和預(yù)報手段，例如通過設(shè)置水位監(jiān)測站來實時監(jiān)控河道水位變化，或者利用氣象預(yù)報來預(yù)測可能的降雨量。這些方法在一定程度上能夠為河道安全提供預(yù)警信息，但往往存在預(yù)警時間滯后、預(yù)警精度不足等問題。此外，現(xiàn)有技術(shù)多采用單一的監(jiān)測或預(yù)報模型，缺乏對多源數(shù)據(jù)的綜合分析和利用，難以實現(xiàn)對河道安全狀況的全面評估。

3、現(xiàn)有技術(shù)的不足之處主要表現(xiàn)在以下幾個方面：首先，預(yù)警的實時性和準(zhǔn)確性不足，無法滿足快速變化的河道環(huán)境需求；其次，預(yù)警方法多依賴于經(jīng)驗判斷，缺乏科學(xué)的數(shù)據(jù)驅(qū)動分析，導(dǎo)致預(yù)警結(jié)果的可靠性不高；再次，現(xiàn)有預(yù)警系統(tǒng)往往只關(guān)注單一因素，如水位或降雨量，忽視了河道環(huán)境的復(fù)雜性和多因素交互作用的影響。這些問題的存在，限制了河道安全預(yù)警系統(tǒng)的應(yīng)用效果，也增加了河道管理和保護(hù)的難度。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明的目的在于提供基于bim和多模型信息融合的河道安全預(yù)警方法，本發(fā)明采用多模型信息融合的方法結(jié)合bim技術(shù)，使用數(shù)據(jù)驅(qū)動的方式進(jìn)行模擬和預(yù)警，相較于過程驅(qū)動的模型不需要確定復(fù)雜的物理參數(shù)，并且對非線性函數(shù)具有更好的擬合效果，能利用更為復(fù)雜的上游站點數(shù)據(jù)來預(yù)測下游預(yù)警斷面流量，可有效提升預(yù)警準(zhǔn)確率并實現(xiàn)預(yù)警信息的可視化；且本發(fā)明使用了多種神經(jīng)網(wǎng)絡(luò)模型并通過stacking算法框架進(jìn)行信息融合，完成流量預(yù)測組合模型的構(gòu)建，相比單一模型，組合模型綜合了各模型的優(yōu)點，彌補了單一模型的不足，有效提高了預(yù)警準(zhǔn)確性。

2、為實現(xiàn)上述內(nèi)容，按照本發(fā)明的一個方面，提出一種基于bim和多模型信息融合的河道安全預(yù)警方法，包括：

3、s100、獲取預(yù)警目標(biāo)河道地形環(huán)境數(shù)據(jù)以及歷史流量數(shù)據(jù)，基于bim技術(shù)根據(jù)所述目標(biāo)河道地形環(huán)境數(shù)據(jù)以及歷史流量數(shù)據(jù)建立降水流量模型；

4、s200、根據(jù)所述降水流量模型對目標(biāo)河道上游進(jìn)行區(qū)域劃分，并設(shè)置預(yù)警斷面的流量報警閾值；

5、s300、獲取目標(biāo)河道上游站點預(yù)警斷面的連續(xù)流量數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和檢驗數(shù)據(jù)集；

6、s400、選擇目標(biāo)河道上游站點預(yù)警斷面的歷史流量數(shù)據(jù)作為備選因子，使用灰色關(guān)聯(lián)法對備選因子進(jìn)行篩選，獲得預(yù)報因子；

7、s500、將所述預(yù)報因子輸入深度神經(jīng)網(wǎng)絡(luò)模型以及elman神經(jīng)網(wǎng)絡(luò)模型中，并使用所述檢驗數(shù)據(jù)集進(jìn)行檢驗，完成模型率定；

8、s600、使用隨機森林算法基于stacking算法為框架對兩種模型進(jìn)行多模型信息融合，完成流量預(yù)測組合模型的構(gòu)建；

9、s700、輸入上游站點的實時數(shù)據(jù)于所述流量預(yù)測組合模型中生成未來預(yù)警斷面的流量預(yù)測數(shù)據(jù)，并將所述流量預(yù)測數(shù)據(jù)導(dǎo)入所述降水流量模型中實現(xiàn)可視化并生成預(yù)警信息。

10、進(jìn)一步地，步驟s100中所述目標(biāo)河道地形環(huán)境數(shù)據(jù)包括目標(biāo)河道的糙率、水深、河段長度以及橫斷面數(shù)據(jù)。

11、進(jìn)一步地，步驟s300中所述訓(xùn)練數(shù)據(jù)集長于所述檢驗數(shù)據(jù)集。

12、進(jìn)一步地，步驟s400包括：選擇訓(xùn)練期上游站點預(yù)警斷面前1～12旬流量數(shù)據(jù)以及前一年同期流量數(shù)據(jù)作為備選因子，選擇預(yù)警斷面檢驗期數(shù)據(jù)為參考對象，使用灰色關(guān)聯(lián)分析輸出各備選因子與參考對象之間的關(guān)聯(lián)度，按照關(guān)聯(lián)度從高到底選擇多個備選因子作為預(yù)報因子。

13、進(jìn)一步地，步驟s400包括：可根據(jù)關(guān)聯(lián)度高低調(diào)整預(yù)報因子個數(shù)，避免使用關(guān)聯(lián)度較低的預(yù)報因子，若關(guān)聯(lián)度均較低，則重新選擇備選因子進(jìn)行篩選。

14、進(jìn)一步地，步驟s600包括：

15、s601、將所述訓(xùn)練數(shù)據(jù)集均分為3部分，輪換使用其中兩折作為訓(xùn)練數(shù)據(jù)輸入所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模擬預(yù)測，獲得第三折數(shù)據(jù)，經(jīng)過三次交叉檢驗獲得3組數(shù)據(jù)，記作第一數(shù)據(jù)集；同樣對所述elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模擬預(yù)測，記作第二數(shù)據(jù)集；

16、s602、對兩個模型分別使用相同的訓(xùn)練數(shù)據(jù)對檢驗期數(shù)據(jù)集進(jìn)行模擬預(yù)測，同樣經(jīng)過三次交叉驗證，分別獲得3組數(shù)據(jù)，記作第三數(shù)據(jù)集和第四數(shù)據(jù)集；

17、s603、將所述第一數(shù)據(jù)集以及第二數(shù)據(jù)集分別按照原始數(shù)據(jù)的順序依次縱向堆疊得到兩組數(shù)據(jù)，記作a1、a2；將所述第三數(shù)據(jù)集以及第四數(shù)據(jù)集分別取均值得到兩組數(shù)據(jù)，記作b1、b2；

18、s604、基于隨機森林算法模型為元模型進(jìn)行集成，將所述a1、a2作為組合模型的訓(xùn)練期數(shù)據(jù)，所述b1、b2作為組合模型的檢驗期數(shù)據(jù)，通過網(wǎng)格搜索確定相關(guān)參數(shù)并在此基礎(chǔ)上進(jìn)行調(diào)整，滿足設(shè)定的確定性系數(shù)要求，完成所述流量預(yù)測組合模型的構(gòu)建。

19、按照本發(fā)明的第二方面，提供一種基于bim和多模型信息融合的河道安全預(yù)警系統(tǒng)，包括：

20、第一模塊，用于獲取預(yù)警目標(biāo)河道地形環(huán)境數(shù)據(jù)以及歷史流量數(shù)據(jù)，基于bim技術(shù)根據(jù)所述目標(biāo)河道地形環(huán)境數(shù)據(jù)以及歷史流量數(shù)據(jù)建立降水流量模型；根據(jù)所述降水流量模型對目標(biāo)河道上游進(jìn)行區(qū)域劃分，并設(shè)置預(yù)警斷面的流量報警閾值；獲取目標(biāo)河道上游站點預(yù)警斷面的連續(xù)流量數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和檢驗數(shù)據(jù)集；

21、第二模塊，用于選擇目標(biāo)河道上游站點預(yù)警斷面的歷史流量數(shù)據(jù)作為備選因子，使用灰色關(guān)聯(lián)法對備選因子進(jìn)行篩選，獲得預(yù)報因子；將所述預(yù)報因子輸入深度神經(jīng)網(wǎng)絡(luò)模型以及elman神經(jīng)網(wǎng)絡(luò)模型中，并使用所述檢驗數(shù)據(jù)集進(jìn)行檢驗，對比確定性系數(shù)，調(diào)整各層節(jié)點數(shù)、學(xué)習(xí)率、迭代次數(shù)以及期望誤差閾值，達(dá)到所需精度完成模型率定；使用隨機森林算法基于stacking算法為框架對兩種模型進(jìn)行多模型信息融合，完成流量預(yù)測組合模型的構(gòu)建；

22、第三模塊，用于輸入上游站點的實時數(shù)據(jù)于所述流量預(yù)測組合模型中生成未來預(yù)警斷面的流量預(yù)測數(shù)據(jù)，并將所述流量預(yù)測數(shù)據(jù)導(dǎo)入所述降水流量組合模型中實現(xiàn)可視化并生成預(yù)警信息。

23、按照本發(fā)明的第三方面，提供一種電子設(shè)備，包括：

24、至少一個處理器、至少一個存儲器和通信接口；其中，

25、所述處理器、存儲器和通信接口相互間進(jìn)行通信；

26、所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，所述處理器調(diào)用所述程序指令，以執(zhí)行上述一種基于bim和多模型信息融合的河道安全預(yù)警方法中的任一步驟。

27、按照本發(fā)明的第四方面，提供一種非暫態(tài)計算機可讀存儲介質(zhì)，其特征在于，所述非暫態(tài)計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令使所述計算機執(zhí)行以執(zhí)行上述一種基于bim和多模型信息融合的河道安全預(yù)警方法中的任一步驟。

28、本發(fā)明的有益效果：

29、1.本發(fā)明采用多模型信息融合的方法結(jié)合bim技術(shù)，使用數(shù)據(jù)驅(qū)動的方式進(jìn)行模擬和預(yù)警，相較于過程驅(qū)動的模型不需要確定復(fù)雜的物理參數(shù)，并且對非線性函數(shù)具有更好的擬合效果，能利用更為復(fù)雜的上游站點數(shù)據(jù)來預(yù)測下游預(yù)警斷面流量，可有效提升預(yù)警準(zhǔn)確率并實現(xiàn)預(yù)警信息的可視化。

30、2.本發(fā)明采用多模型信息融合的方法，實現(xiàn)最相關(guān)預(yù)報因子的篩選，使用多種神經(jīng)網(wǎng)絡(luò)模型并通過stacking算法框架進(jìn)行信息融合，完成流量預(yù)測組合模型的構(gòu)建，相比單一模型，組合模型綜合了各模型的優(yōu)點，彌補了單一模型的不足，有效提高了預(yù)警準(zhǔn)確性。

31、本技術(shù)附加的方面和優(yōu)點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本技術(shù)的實踐了解到。