申请/专利权人:浙江大学
申请日:2024-04-08
公开(公告)日:2024-06-18
公开(公告)号:CN118211728A
主分类号:G06Q10/04
分类号:G06Q10/04;G06Q50/26;G06F18/10;G06F18/25;G06F30/27;G06N20/00;G06F111/10;G06F113/08;G06F123/02
优先权:
专利状态码:在审-公开
法律状态:2024.06.18#公开
摘要:本发明公开一种基于深度学习算法和多模态数据的城市洪涝替代预测方法,旨在发生极端降雨时通过融合图像序列数据和时间序列数据对城市中易涝点进行快速准确的暴雨洪涝过程预测。本发明采用一种基于深度学习算法和多模态数据的城市洪涝替代预测模型实现城市洪涝的预测;在经历极端降雨时,只需输入实时的地面相机影像数据和水文气象数据即可对易涝点的暴雨洪涝过程进行快速准确的预测。本发明通过跨模态融合的注意力机制,充分利用了水文气象数据和来源于相机的影像数据。通过融合多种模态数据信息,提高了模型的鲁棒性,同时多模态数据可提供更加丰富的信息,使得模型能更加精准地对易涝点的暴雨洪涝过程进行预测。
主权项:1.一种基于深度学习算法和多模态数据的城市洪涝替代预测方法,其特征在于,采用一种基于深度学习算法和多模态数据的城市洪涝替代预测模型一种基于深度学习算法和多模态数据的城市洪涝替代预测模型实现城市洪涝的预测,所述基于深度学习算法和多模态数据的城市洪涝替代预测模型的构建方法,包括如下步骤:步骤S1:确定城市中易涝点的所在位置;步骤S2:获取水文气象数据、城市基础信息数据和相机的影像数据并进行数据预处理;步骤S3:根据步骤S2中获取的城市基础信息数据构建城市洪涝数值模拟模型,在所述城市洪涝数值模拟模型中输入步骤S2中获得的水文气象数据进行城市暴雨洪涝过程的数值模拟,并用历史的暴雨洪涝数据对模型进行率定和验证;步骤S4:将步骤S2中所述地面相机的影像数据和水文气象数据以及步骤S3构建的城市洪涝数值模拟模型所产生易涝点的暴雨洪涝数据整合至模型训练数据库;步骤S5:将步骤S4中模型训练数据库中相机的影像数据和水文气象数据作为模型输入,暴雨洪涝数据作为模型输出,对模型进行训练,得到所述基于深度学习算法和多模态数据的城市洪涝替代预测模型。
全文数据:
权利要求:
百度查询: 浙江大学 一种基于深度学习算法和多模态数据的城市洪涝替代预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。