买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开了一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法，包括：S1、收集研究区域的基础数据和历史暴雨时序数据；S2、对数据进行处理；S3、构建基于深度学习算法的FFC模型并对FFC模型进行训练和验证，对受影响建筑关注系数进行优选得到针对每种建筑类型的最佳受影响建筑关注系数，并对FFC模型的性能进行测试；S4、将预报的降雨时间序列输入到针对每种建筑类型测试好的FFC模型中，进行多次滚动迭代预测，得到研究区域未来一定时间范围内的每个建筑处于不同功能的概率分布结果。得到的建筑功能概率分布结果有利于为决策者的决策提供更多的信息和不确定性量化，从而为后续撤离需求的确定提供良好的基础。

主权项：1.一种基于深度学习算法的洪涝灾害下建筑功能概率预测方法，其特征在于，包括如下步骤：S1、收集研究区域的基础数据和历史暴雨时序数据；基础数据包括研究区域的DEM、土地利用数据、河网矢量数据、排水管网矢量数据、居住建筑矢量数据以及基于DEM衍生得到的栅格特征图层数据；其中，排水管网矢量数据至少包括检查井、排口、管段，管道直径、管道粗糙率，检查井底部高程信息；基于DEM衍生得到的栅格特征图层数据至少包括坡度、坡向、曲率、地形湿度指数；基于河网矢量数据、排水管网矢量数据和研究区域的DEM的范围分别获得到河网的距离的栅格特征图层和到排口的距离的栅格特征图层，将DEM、基于DEM衍生得到的栅格特征图层数据、到河网的距离的栅格特征图层和到排口的距离的栅格特征图层组合在一起并称为洪涝条件因子图层；并将所有洪涝条件因子图层中包含的各个栅格特征图层进行均值为0、标准差为1的标准化操作；S2、对步骤S1中收集的数据进行处理：按照预设的比例将若干场历史暴雨时序数据随机划分为三个降雨事件集，分别为用于训练和验证的降雨事件集、用于优选受影响建筑关注系数的降雨事件集以及用于测试的降雨事件集，其中，用于优选受影响建筑关注系数的降雨事件集的数量和用于测试的降雨事件集的数量均小于用于训练和验证的降雨事件集的数量；再利用城市内涝物理模拟模型获得淹没水深的时空分布情况，基于淹没水深的时空分布情况获得每个建筑在不同时刻经历的水深，将每个建筑在不同时刻经历的水深输入到基于物理条件的建筑功能概率预报模型中从而获得每场降雨的不同时刻下所有建筑处于不同功能的概率的空间分布结果；然后将带有每场降雨的不同时刻下所有建筑处于不同功能的概率的空间分布结果这个信息的建筑面矢量先通过寻找质心转换为建筑点矢量，再基于空间位置关系转换为与DEM的维度相同的栅格图层，每种栅格图层对应于一种可能出现的功能，在每种栅格图层中有建筑点矢量所在的栅格的值为对应功能的概率值，其余没有建筑点矢量所在的栅格上的值为0；其中，城市内涝物理模拟模型基于排水管网模型和二维地表产汇流模型耦合而成；基于物理条件的建筑功能概率预报模型用于计算不同建筑类型的建筑在不同水深等级处于不同功能的概率，将建筑功能类别分为I、II、III、V、VII共5种；具体地，功能I表示当前建筑中所有居住单元的各类需求均能满足；功能II表示当前建筑最底部居住单元的高级需求无法满足，而其他居住单元的各类需求均能满足，其中，高级需求至少包括与办公、清洁相关的需求；功能III表示当前建筑最底部居住单元的基础需求无法满足，而其他居住单元的各类需求均能满足，其中，基础需求至少包括饮食基本生理需求；功能V表示当前建筑最底部居住单元的安全需求无法满足，而其他居住单元的各类需求均能满足，其中，安全需求至少包括生命安全需求；功能VII表示当前建筑中所有居住单元的安全需求无法满足；不同建筑类型的建筑在不同水深等级处于不同功能的概率根据每种功能对应的易损性曲线获得；S3、利用步骤S1收集和步骤S2处理后的数据，构建基于深度学习算法的FFC模型，并对FFC模型进行训练和验证；在用于优选受影响建筑关注系数的降雨事件集上的表现对受影响建筑关注系数进行优选，得到针对每种建筑类型的最佳受影响建筑关注系数；并在用于测试的降雨事件集上对优选好的FFC模型进行测试；对FFC模型进行训练之前先确定FFC模型所需的输入特征和输出变量，具体如下：生成FFC模型所需的输入特征：对于用于训练和验证的降雨事件集中的每一场持续时间长度为小时的降雨时间序列，采用滑动时间窗口方法，以1小时为间隔，每次截取持续时间长度为小时的降雨时间序列作为时间特征，其中，当为奇数时对向上取整；对每一种建筑类型单独进行训练，首先针对每一种建筑类型创建对应的建筑掩膜图层，该建筑掩膜图层与DEM特征图层的维度相同，包含建筑质心的栅格的值为1，不包含建筑质心的栅格的值为0，然后将所有的洪涝条件因子图层、对应建筑类型的建筑掩膜图层、截取的持续时间长度为小时降雨时间序列中的倒数第2个时间步对应的每个建筑处于不同功能的概率空间分布特征图层进行组合，形成输入特征；生成FFC模型所需的目标变量：将截取的持续时间长度为小时降雨时间序列中的倒数第1个时间步对应的每个建筑处于不同功能的概率空间分布特征图层作为目标变量；将从每次截取的持续时间长度为小时的降雨时间序列中得到的对应输入特征与对应的目标变量组合形成一个样本对，对所有的样本对按照预设比例划分为用于训练的样本对和用于验证的样本对，其中，用于训练的样本对的数量大于用于验证的样本对的数量；FFC模型至少包括编码器模块、时间特征提取模块和解码器模块；编码器模块包括四个卷积单元和分别设置于各个卷积单元后的平均池化层，每个卷积单元依次包括卷积层、二维批量归一化和泄漏修正线性单元，通过编码器模块将输入的特征图的大小由高度×宽度×通道数为H×W×（8+可能的功能类别数量）缩小到高度×宽度×通道数为，当和无法整除时对和向下取整；时间特征提取模块中，对于每个持续时间长度为小时的降雨时间序列，首先通过两个LSTM模型提取时间特征，然后通过一维批量归一化对LSTM模型输出的隐藏特征进行归一化处理，再通过一个全连接层将数据维度即降雨时间步数×通道数×高度×宽度变为，随后经过泄漏修正线性单元和丢弃模块的处理，并重塑为个张量模块，每个张量的维度即高度×宽度×通道数为，随后将个张量模块中的每个张量单独与编码器模块的输出沿着通道维度连接，每个组合后的张量作为解码器模块的输入；解码器模块包括四个上采样层和分别设置于各个上采样层后的二维卷积转置单元，每个二维卷积转置单元包括二维卷积转置层、二维批量归一化和泄漏修正线性单元，解码器模块的每个输出结果通过一个卷积层和泄漏修正线性单元处理，将通道数变为匹配FFC模型输出结果的维度，个时间步长对应着个解码器模块的输出结果，遍历个时间步长获得每个时间步对应的张量模块与编码器模块的结果组合并输入解码器模块获得的结果后，所有时间步长得到的结果在通道维度被堆叠在一起，随后通过卷积层、泄漏修正线性单元和softmax函数，从而输出对所用的持续时间长度为小时降雨时间序列中倒数第1个时间步对应的每个建筑处于不同功能的概率空间分布预测结果；S4、将预报的降雨时间序列输入到针对每种建筑类型测试好的FFC模型中，进行多次滚动迭代预测，得到研究区域未来一定时间范围内的每个建筑处于不同功能的概率分布结果。

全文数据：

权利要求：

百度查询： 浙江大学 基于深度学习算法的洪涝灾害下建筑功能概率预测方法