(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110786173.0 (22)申请日 2021.07.12 (65)同一申请的已公布的文献号 申请公布号 CN 113408211 A (43)申请公布日 2021.09.17 (73)专利权人 中国水利水电科 学研究院 地址 100044 北京市海淀区车公庄西路20 号 (72)发明人 徐卫红　王杉　高建标　张念强　 俞茜　李娜　韩松　王静　王艳艳　 丁志雄　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 代理人 何凡 (51)Int.Cl. G06F 30/27(2020.01)G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 20/00(2019.01) G06F 113/08(2020.01) (56)对比文件 CN 112785053 A,2021.0 5.11 CN 110837925 A,2020.02.25 CN 111797131 A,2020.10.20 CN 112578479 A,2021.0 3.30 CN 111090934 A,2020.0 5.01 CN 110991046 A,2020.04.10 CN 106651004 A,2017.0 5.10 CN 106021970 A,2016.10.12 郝莹 等.基 于高时空分辨 率降水预报产品 的城市内涝预警研究. 《暴 雨灾害》 .2019,第38卷 (第3期), 审查员 闫文凤 (54)发明名称 基于机器学习的城市内涝积水点积水过程 预测方法及系统 (57)摘要 本发明公开了一种基于机器学习的城市内 涝积水点积水过程预测方法及系统， 包括根据积 水监测站点的历史积水过程数据和临近降雨监 测站点的历史降雨过程数据， 构建积水过程与降 雨过程相关的城市内涝积水点积水过程预测模 型； 分别计算积水监测站点上的实时降雨过程数 据和定量预报降雨过程数据； 将 定量预报降雨过 程数据与实时降雨过程数据拼接， 得到积水监测 站点上的实时和预报降雨过程数据； 基于实时和 预报降雨过程数据， 利用构建的城市内涝积水点 积水过程预测模型进行城市内涝积水点积水过 程预测。 本发明具有操作简单、 建模速度快， 计算 效率高， 预测精度高等优点， 能够实现准确有效 的积水预测， 有助于城市内涝应急防治。 权利要求书3页 说明书9页 附图2页 CN 113408211 B 2022.02.11 CN 113408211 B 1.一种基于机器学习的城市内涝积水点积水过程预测方法， 其特征在于， 包括以下步 骤： S1、 利用改进的K邻域法建立积水监测站点和临近降雨监测站点之间的插值拓扑关系， 具体包括以下分步骤： S11、 判断积水监测站点位置上是否同时存在降雨监测站点； 若是， 则将该点形成临近 降雨监测站点领域 点集， 进入步骤S17； 否则进入步骤S12； S12、 获取积水监测站点和城区全部降雨 监测站点的经纬度坐标； S13、 以积水监测站点作为坐标系原点构建二维坐标系， 计算各降雨监测站点的相对坐 标； S14、 计算原点到坐标轴上每个降雨监测站点向量的模， 选取模最小对应的点作为临近 降雨监测站点； S15、 选取每 个象限内满足设定 筛选条件的点作为临近降雨 监测站点； S16、 将步骤S14和S15 选取的临近降雨 监测站点形成临近降雨 监测站点领域 点集； S17、 建立积水监测站点和临近降雨 监测站点领域 点集之间的插值拓扑关系； S2、 获取积水监测站点的历史积水过程数据和临近降雨监测站点的历史降雨过程数 据， 根据步骤S1建立的插值拓扑关系， 采用反距离权重插值法得到积水监测站点的历史降 雨过程数据， 构建积水 过程与降雨过程相关的城市内涝积水点积水 过程预测模型； S3、 获取临近降雨监测站点的实时降雨过程数据， 根据步骤S1建立的插值拓扑关系， 采 用反距离权重插值法得到积水监测站点的实时降雨过程数据； 并根据多源定量降雨预报数 据产品的时空特征， 对各产品降雨过程数据进行融合， 得到积水监测站点的定量预报降雨 过程数据； S4、 将积水监测站点的实时降雨过程数据与定量预报降雨过程数据进行拼接， 得到积 水监测站点的实时和预报降雨过程数据； S5、 利用城市内涝积水点积水过程预测模型， 根据积水监测站点的实时和预报降雨过 程数据进行城市内涝积水点积水 过程预测。 2.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法， 其特征 在于， 所述 步骤S15具体包括以下分步骤： S151、 判断当前象限内是否不存在降雨监测站点； 若是， 则进入下一象限； 否则进入步 骤S152； S152、 判断当前象限内是否只有一个降雨监测站点； 若是， 则选取该降雨监测站点； 否 则进入步骤S15 3； S153、 计算原点到降雨监测站点向量的模； 计算全部模与 最小模的差值， 判断差值不大 于预设阈值的站点数量是否为1； 若是， 则选取模最小的降雨 监测站点； 否则进入步骤S154； S154、 计算满足预设阈值条件的各降雨监测站点相对坐标沿逆时针方向与坐标轴形成 的小于90 °的夹角， 并按大小排序； S155、 判断最小夹角是否大于或等于45 °； 若是， 则选取该夹角对应的 降雨监测站点； 否 则进入步骤S15 6； S156、 判断最大夹角是否小于或等于45 °； 若是， 则选取该夹角对应的 降雨监测站点； 否 则进入步骤S157；权　利　要　求　书 1/3 页 2 CN 113408211 B 2S157、 计算最大夹角与 最小夹角的差值， 判断该差值是否大于或等于30 °； 若是， 则选取 最大夹角和最小夹角对应的降雨监测站点； 否则选取各个夹角与45 °差值的最小值对应的 降雨监测站点。 3.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法， 其特征 在于， 所述 步骤S2具体包括以下分步骤： S21、 获取积水监测站点的各场 次历史积水过程数据和临近降雨监测站点的历史降雨 过程数据； S22、 利用临近降雨监测站点的历史 降雨过程数据， 根据步骤S1建立的插值拓扑关系， 利用反距离权重插值法对临近降雨监测站点的历史降雨过程数据进行插值， 生成积水监测 站点的历史降雨过程数据； S23、 遍历积水监测站点的历史积水过程数据和历史降雨过程数据， 计算积水过程数据 与滑动降雨过程数据的相关性； S24、 选取相关性最大对应的滑动时段， 建立各场次历史降雨积水的滑动降雨过程和 积 水过程数据集； S25、 利用建立的数据集进行机器学习训练和验证， 构建积水过程与降雨过程相关的城 市内涝积水点积水 过程预测模型。 4.根据权利要求1所述的基于机器学习的城市内涝积水点积水过程预测方法， 其特征 在于， 所述 步骤S3具体包括以下分步骤： S31、 获取临近降雨 监测站点的实时降雨过程数据； S32、 根据步骤S1建立的插值拓扑关系， 利用反距离权重插值法对临近降雨监测站点的 实时降雨过程数据进行插值， 生成积水监测站点的实时降雨过程数据； S33、 获取积水监测站点所在位置上的各类气象定量预报降雨产品， 根据不同产品的时 空精度， 选取其中时空精度最高的气象定量预报降雨产品进行插值， 得到积水监测站点的 定量预报降雨过程数据。 5.根据权利要求4所述的基于机器学习的城市内涝积水点积水过程预测方法， 其特征 在于， 所述 步骤S33具体包括以下分步骤： S331、 将积水监测站点与气象定量预报网格进行空间叠加， 得到积水监测站对应的网 格编号； S332、 读取所述网格编号的各类气象定量预报产品的降雨过程数据； S333、 选取步骤S3 32读取的降雨过程数据中时空间精度最高的降雨过程数据； S334、 采用平均分配法或构造等差数列法， 将步骤S333选取的降雨过程数据插值为等 间隔的预报降雨过程数据。 6.一种基于 机器学习的城市内涝积水点积水 过程预测系统， 其特 征在于， 包括： 插值拓扑关系构建模块， 用于利用改进的K邻域法建立积水监测站点和 临近降雨监测 站点之间的插值拓扑关系， 具体包括以下步骤： S11、 判断积水监测站点位置上是否同时存在降雨监测站点； 若是， 则将该点形成临近 降雨监测站点领域 点集， 进入步骤S17； 否则进入步骤S12； S12、 获取积水监测站点和城区全部降雨 监测站点的经纬度坐标； S13、 以积水监测站点作为坐标系原点构建二维坐标系， 计算各降雨监测站点的相对坐权　利　要　求　书 2/3 页 3 CN 113408211 B 3