(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111668793.0 (22)申请日 2021.12.3 0 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 赖成光　廖耀星　王兆礼　陈佩琪　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 周春丽 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 20/10(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于多输出机器学习算法的城市内涝 快速预报方法 (57)摘要 本发明公开了一种基于多输出机器学习算 法的城市内涝快速预报方法。 所述方法包括下述 步骤： 根据现有研究区的数据， 构建城市内涝模 型； 提取历史暴雨雨量时程分配信息， 生成不同 特征的暴雨， 通过构建的城市内涝模 型模拟构建 暴雨内涝数据库； 构建多输出随机森林模型， 以 降雨因子为自变量、 淹没深度为因变量， 利用暴 雨内涝数据库对多输出随机森林模型进行训练 和测试； 基于降雨预报输入条件， 通过构建的多 输出随机森林模型实现二维内涝淹没的快速和 实时预报 。 本发明方法对于城市内涝灾害预警与 预防、 防涝减灾等有重要意义， 能有效提高内涝 灾害高发地区的实时内涝灾情预报效率和精度， 可为内涝灾情快速预报提供一定程度的指导。 权利要求书3页 说明书10页 附图5页 CN 114372625 A 2022.04.19 CN 114372625 A 1.一种基于多输出机器学习算法的城市内涝快速预报方法， 其特征在于， 包括下述步 骤： S1、 根据现有研究区的数据， 构建城市内涝模型； S2、 提取历史暴雨雨量时程分配信息， 生成不同特征的暴雨， 通过构建的城市内涝模型 模拟构建暴 雨内涝数据库； S3、 构建多输出随机森林模型， 以降雨因子为自变量、 淹没深度为因变量， 利用暴雨内 涝数据库对多输出随机森林模型进行训练和 测试； S4、 基于降雨预报输入条件， 通过构建的多输出随机森林模型实现二维内涝淹没的快 速和实时预报。 2.根据权利要求1所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 步骤S1中， 对现有研 究区的高程、 土地利用 和管网数据进行收集， 利用ArcGIS软 件将高程和土地利用数据进行裁 剪和提取， 对管网数据进行修 正和拓扑检查。 3.根据权利要求2所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 步骤S1中， 构建 的城市内涝模型为基于暴雨径流管理模型(SWMM)和元胞自动机 模型(WCA 2D)的一二维水文水动力耦合模型； 构建的城市内涝模型中， 通过高程、 管网和土地利用数据构建暴雨径流管理模型 (SWMM)； 将降雨资料输入到暴雨径流管理模型(SWMM)， 由暴雨径流管理模型(SWMM)导出溢 流点空间位置及溢流过程， 输入 元胞自动机模 型(WCA2D)进 行积水二维模拟， 最后元胞自动 机模型(WCA 2D)输出淹没范围及淹没水深信息； 对构建的城市内涝模型进行率定及验证， 即通过调整模型参数直到城市内涝模型满足 模拟精度要求。 4.根据权利要求1所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 步骤S2中， 所述 不同特征的暴雨是指不同重现期、 不同雨型的暴 雨； 不同雨型包括8种： Ⅰ型为单峰峰前， Ⅱ型为单峰峰后， Ⅲ型为单峰峰中， Ⅳ型为均匀雨 型，Ⅴ型为双峰一前一后， Ⅵ型为双峰靠前， Ⅶ型为双峰靠后， 以及芝加哥雨型。 5.根据权利要求4所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 构建暴雨内涝数据库是指， 将不同特征的暴雨输入到所构建的城市内涝模型， 模 拟不同情景 下的淹没范围和积水深度。 6.根据权利要求1所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 步骤S3中， 构建单输出回归树， 在单输出回归树中， 设y为单输出输出向量， 与节 点t相关的杂质i(t)被定义 为： 其中， yk是单输出输出向量y的观测值， 是单输出输出向量y在节点t的均 值， Nt是节 点t上的数据点数； 设一个单输出预测变量Xp将作为父节点的节点t在分割点c拆分为tL和tR两个子节点， 其中tL包括所有单输出预测变量Xp≤c的数据点， tR包括所有单输出预测变量Xp＞c的数据权　利　要　求　书 1/3 页 2 CN 114372625 A 2点； 由于单输出预测变量Xp和分割点c分裂导致的与节 点t相关的杂质减少量 的计 算公式如下： 其中， Nt,NtL和NtR分别是节点t、 第一子节点tL和第二子节点tR处的数据点数。 7.根据权利要求6所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 对于多输出随机森林算法， 多输出随机森林模型 的构建过程基于多输出回归树 模型； 构建多输出回归树时， 假设有N个实例的训练集D， 训练集D包括具有m个特征的多输出 预测变量赋值X1,…,Xm和具有d个目标的多输出响应变量赋值Y1,…,Yd， 即D＝{(x(1),y (1)) ,…,(x(N),y(N))}； 实例l中包括以m个特征来描述自变量的多输出输入向量 以及d个目标的多输出输出向量 其中i∈{1, …,m},j∈{1, …,d},l∈{1, …,N}； 其中， x(l)和y (l)分别表示实例l的多输出输入向量和多输出输出向量， 和 分别为实例l中第m个特 征下的输入向量 值和第d个目标 下的输出向量 值； 多输出回归树的构建步骤与 单输出回归树类似， 用多变量响应替换单变量响应的方法 将单输出回归树扩展到多输出回归树， 即多输出回归树是通过对多变量响应上的单变量杂 质度量求和重新定义节点的杂质， 具体如下： 式中： 表示第j个目标下y(l)的值， 表示节点中第j个目标下y(l)的平均值， 选择最 小化平方误差 的总和作为分割点； 多输出回归树的每个叶子均通过叶子上每个 实 例的多变量平均值、 实例数量及该叶子 定义的特 征值来表征； 最后， 通过基于随机 选择特征集的多输出决策树构建多输出随机森林模型。 8.根据权利要求7所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 将暴 雨内涝数据库中的N个实例根据8 :2的比例划分为训练集D和 测试集T； 训练集D包括具有m个特征的预测变量赋值X1,…,Xm和具有d个目标的响应变量赋值 Y1,…,Yd； 降雨因子对应训练集D的X1,…,Xm， 淹没深度对应Y1,…,Yd。 9.根据权利要求8所述的一种基于多输出机器学习算法的城市内涝快速预报方法， 其 特征在于， 测试集T同样包括具有m个特征的预测变量赋值X1,…,Xm和具有d个目标的响应变量赋 值Y1,…,Yd， 测试集T和训练集D的区别在于来自不同的实例； 利用包括降雨因子和淹没深度的训练集D构建多输出随机森林模型， 通过测试集T检验权　利　要　求　书 2/3 页 3 CN 114372625 A 3