[go: up one dir, main page]

CN117332909B - 基于智能体的多尺度城市内涝道路交通暴露性预测方法 - Google Patents

基于智能体的多尺度城市内涝道路交通暴露性预测方法 Download PDF

Info

Publication number
CN117332909B
CN117332909B CN202311637750.5A CN202311637750A CN117332909B CN 117332909 B CN117332909 B CN 117332909B CN 202311637750 A CN202311637750 A CN 202311637750A CN 117332909 B CN117332909 B CN 117332909B
Authority
CN
China
Prior art keywords
road
exposure
scale
urban
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311637750.5A
Other languages
English (en)
Other versions
CN117332909A (zh
Inventor
张书亮
金恒旭
卢海鹏
鹿鹏程
赵宇
陈意文
郑上华
杨乐天
严武杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN202311637750.5A priority Critical patent/CN117332909B/zh
Publication of CN117332909A publication Critical patent/CN117332909A/zh
Application granted granted Critical
Publication of CN117332909B publication Critical patent/CN117332909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于智能体的多尺度城市内涝道路交通暴露性预测方法，主要包括以下步骤：S1：内涝情景下的道路暴露性影响特征分析；S2：道路交通空间多尺度暴露性单元划分；S3：耦合未来气候数据的多尺度城市道路交通暴露性预测；S4：暴雨内涝道路交通暴露性量化计算；S5：基于智能体预测未来气候下城市道路交通暴露性。本发明的有益效果是设计道路交通暴露性理论框架，利用智能体模型，耦合未来气候模式实现了多尺度道路交通暴露性预测，从而辅助政府决策部门制定有效的预警系统和应对策略。

Description

基于智能体的多尺度城市内涝道路交通暴露性预测方法
技术领域
本发明涉及灾害评估预测技术领域，具体地说是一种基于智能体的多尺度城市内涝道路交通暴露性预测方法。
背景技术
城市化和气候变化导致暴雨内涝频现，威胁城市可持续发展和民众生活。交通网络对于日常出行和社会发展至关重要。一旦受到暴雨和内涝的侵袭，道路交通异常，会对城市道路运行造成影响。因此，如何模拟预测道路交通在暴雨内涝事件中的演变规律，将有助于政府决策部门制定有效的预警系统和应对策略，以保障城市交通的可靠性和安全性，促进城市的可持续发展。
传统方法要么从交通模拟的角度，按照特定规则提取并分析受灾道路的数据；要么从灾害模拟的角度，使用水文水动力学模型来模拟计算被淹没的道路情况。城市内涝是“自然-社会”复合型的灾害，从多维角度影响道路交通暴露性，需综合考虑水文过程与人类活动的影响。
传统方法缺乏对地理环境约束下交通暴露性的动态模拟，模拟方法更注重通勤规则设计，在灾害响应方面对城市地理环境因素的时空约束考虑不足。
传统洪涝预报中，内涝模型的输入主要依赖于地面观测站数据。观测站点稀疏、降水分布差异大，依靠雨量难准确描述降水特征，不能满足多尺度城市道路交通内涝预测的需求。
发明内容
针对上述技术存在的问题，本发明提供了一种基于智能体的多尺度城市内涝道路交通暴露性预测方法，目的在于设计道路交通暴露性理论框架，利用智能体模型，基于未来气候模式，实现多尺度道路交通暴露性预测。本发明通过下述技术方案实现：
本发明公开的一种基于智能体的多尺度城市内涝道路交通暴露性预测方法，主要包括以下步骤：
S1：内涝情景下的道路暴露性影响特征分析；
S2：道路交通空间多尺度暴露性单元划分；
S3：耦合未来气候数据的多尺度城市道路交通暴露性预测；
S4：暴雨内涝道路交通暴露性量化计算；
S5：基于智能体预测未来气候下城市道路交通暴露性。
进一步地，所述S1包括以下子步骤：
S11：道路交通暴露性影响因子分析；
S12：道路交通暴露性形成过程分析；
S13：显性及隐性影响特征识别。
进一步地，所述S11城市内涝灾害主要由三部分综合作用产生，具体为：
S111：致灾因素分析。致灾因素是灾害的直接原因，指可能导致灾害及其随后的社会经济损失的动态因素；
S112：孕灾环境分析。地区差异决定了引发灾害因素的时空分布特征。孕灾环境指孕育城市内涝灾害的自然与人为环境。自然环境包括地表地貌等，而人为环境包括城市排水能力和城市用地功能区分布等；
S113：承灾体分析。本发明承灾体就是城市道路，包括：
道路速度。由于道路速度主要通过诸如环路检测器等传感器进行检测，因此很难获取该值。为了获得不同时间点的道路速度数据，本发明利用车辆GPS数据，使用地图匹配方法将车辆轨迹点与相应的道路匹配。道路的平均速度为该时间单位内通过该道路段的所有轨迹点的平均速度，计算公式如下：
，
其中，为单位时间目标道路轨迹点数量，为该条路段上轨迹点瞬时速度；
道路高程。为了将原始的高程（Digital Elevation Model，DEM）数据与城市道路数据关联起来，本发明将栅格类型的高程数据赋值给相应的矢量道路；
道路中介中心性。中介中心性用于量化节点在网络图中的重要地位，它反映了图中通过该节点的最短路径数量；
土地利用类型。土地利用类型分为公园、住宅和商业用途；
路面材质。路面材质与道路交通暴露性之间存在一定的关系。不同的路面材质对交通暴露性产生影响的方式有所不同，路面材质的粗糙程度会对车辆的行驶安全和交通暴露性产生影响；
道路等级。道路按照等级被划分为快速路、城市主干路、次干路和支路；
车道数。车道数指的是一条道路上可供机动车行驶的车道数量。由于道路等级与车道数没有直接的联系，因此需要借助车道数这一特征来研究道路交通暴露性；
道路长度。道路的长度是指两个端点之间的距离，一般可用来衡量道路在拥堵时提供的缓冲能力。
进一步地，所述S12包括以下子步骤：
S121：降雨异常道路检测。降雨异常道路是指在雨天后，道路上部分车辆的速度改变导致周边道路的缓行或拥堵。为了检测降雨异常道路，本发明对目标区域正常情景下与暴雨内涝情景下的两类道路速度数据进行统计对比；
S122：受降雨影响道路提取
本发明根据统计结果，将道路类型划分为三类：速度显著上升的道路、速度无明显变化的道路和速度明显下降的道路。为了更准确地分析，本发明将结合目标区域的雨量监测点数据，进行统计分析，计算道路速度的平均变化率；
S123：降雨异常道路提取。使用曼-肯德尔（Mann-Kendall）突变检测方法分析降雨期间的道路速度时序数据，以检测速度变化的情况。本发明分析目标区域所有道路，统计发生速度突变的道路并通过地图表示位置；
S124：道路交通堵塞扩散分析。在城市交通中，偶发的道路拥堵通常最初发生在某个特定点，比如一个交叉口，只会直接影响与该空间相关的道路。为了分析最初暴雨引起的异常道路对周边道路状况的影响，本发明采用局部莫兰指数，对暴雨异常道路进行空间自相关性分析。空间自相关分析方法可以研究地理要素的空间分布特征，也就是分析在同一个研究区域内地理要素之间存在的潜在相关性，进而分析降雨和内涝引起的道路交通堵塞扩散现象。局部莫兰指数的计算公式如下：
，
式中，是变量，是变量均值，是地理要素数目，是权重矩阵。
进一步地，所述S13包括以下子步骤：
S131：显性影响特征识别。显性影响特征是指在计算暴露度时，道路出现水坑等显性影响特征。水坑可能引发交通异常，导致交通堵塞。有时候，堵塞情况会通过相邻道路传播，使得相邻道路的暴露程度也增加；
S132：隐性影响特征识别。隐性影响特征指的是在计算暴露程度时，对道路的暴露程度产生潜在影响。本发明通过量化间接暴露性特征计算暴露性；
进一步地，所述S2城市内涝灾害的空间多尺度效应对道路交通的暴露性分布格局和变化机制产生明显多尺度特征。本发明设计了四种道路交通空间尺度暴露性单元，具体包括：一级大尺度暴露性单元，即仅包含城市快速路；二级较大暴露性单元，即仅包含城市快速路与主干路；三级中尺度暴露性单元，即包含城市快速路、主干路与次干路；四级小尺度暴露性单元，即包含城市快速路、主干路、次干路与支路。具体的，道路交通空间多尺度暴露性单元划分步骤如下：
S21：通过分析四种尺度的空间尺度效应，研究其几何形态特征，总结它们的差异性和相似性规律，得到不同尺度间暴露性单元的空间关联和约束关系；
S22：采用相关性分析方法进行属性特征分析，探究道路交通暴露性表征随尺度变化的规律，研究暴露性要素的转换和变化机制，得出不同尺度间暴露性单元的属性关联和约束关系；
S23：构建多尺度暴露性单元的几何形态。先得到一级大尺度暴露性单元的几何形态。然后，基于S21一级暴露性单元与次一级尺度之间的空间关联和约束关系，结合更高精度的数据和水流运动特征，在特定的时空范围和组织方式下，得到二级较大尺度暴露性单元的几何形态。通过类似的方法，获取其他暴露性单元的空间信息，实现从大尺度到小尺度的暴露性单元几何形态构建；
S24：根据不同尺度的暴露性模拟预测需求，设计多尺度暴露性单元的属性特征。顾及S22尺度之间的属性关联和约束关系，为不同尺度暴露性单元设计适合的属性特征。
进一步地，所述S3利用气象水文耦合技术，分别将气候预估降水预报数据（Coupled Model Intercomparison Project Phase 6，CMIP6）和高分辨率的短时临近降水预报数据（The Integrated Nowcasting throughComprehensive Analysis，INCA）作为内涝模型的降雨输入，模拟预测不同尺度下城市道路暴露性。具体的，包括以下步骤：
S31：CMIP6气候预估数据获取及预处理；
S32：INCA高分辨率的短时临近降水预报数据获取及处理；
S33：基于气象内涝耦合技术的多尺度道路交通暴露性预测。
进一步地，所述S31包括以下子步骤：
S311：CMIP6预估数据获取。本发明利用CMIP6中最新发布的未来情景的降水预估数据驱动城市内涝模型，以预估未来5年目标区域内涝情况。所使用的气候模式为法国国家气象研究中心开发的CNRM气候模式，该模式提供了格点数据作为模拟数据。通过这种方法，可以模拟未来城市内涝的情景，为相关决策和规划提供参考。预测时间段为2021-2026年，气象要素包括：日降水量、日气温最值和日气温均值；
S312：CMIP6预估数据降尺度处理。本发明将CMIP6 模式数据降尺度至观测数据分辨率的具体步骤如下：
（1）将观测数据的多年各月平均值插值至模式分辨率，以求得观测场与模拟场的偏差；
（2）通过插值将偏差场数据与原观测数据分辨率保持一致，并与原观测数据求和；
（3）观测数据分辨率高于0.25°时，CMIP6数据无法准确反映城区降水预报的空间异质性，将气候预估格点数据插值为；
S313：极端降水计算。本发明针对导致内涝的强降水的极端性进行研究，选取80百分位作为极端降水的阈值。通过对2021-2026年的总体极端降水进行分析，提取预估日降水量≥0.2mm的样本，并按降水量从大到小排列。极端降水阈值即是位于第80百分位的日降水量，超过阈值的降水被认定为极端降水事件。
进一步地，所述S32包括以下子步骤：
S321：INCA数据获取。INCA由奥地利气象局开发的，是一种时间分辨率为1小时，空间分辨率为0.01°的短时临近预报系统；
S322：INCA数据预报质量评估。为评估INCA降雨预报产品的质量，本发明利用南京市气象部门2016-2018 年6-8月雨量观测数据，评估实施例区域短时临近预报系统的预报精度。
进一步地，所述S33采纳S2中城市内涝灾害暴露性多尺度表达划分标准，包括以下四个时空尺度：
S331：在未来气候变暖背景下，采用S31中CMIP6气候预估数据，预测未来5年极端降雨下仅包含城市快速路的道路交通暴露性，时间尺度为年，空间尺度为一级大尺度暴露性单元；
S332：在未来气候变暖背景下，采用S31中CMIP6气候预估数据，预测未来1年极端降雨下仅包含城市快速路与主干路的道路交通暴露性，时间尺度为月，空间尺度为二级较大尺度暴露性单元；
S333：在未来0-24h的临近时效内，采用S32中高分辨率的短时临近降水预报（INCA）数据，预测包含城市快速路、主干路与次干路的道路交通暴露性，时间尺度为小时，空间尺度为三级中尺度暴露性单元；
S334：在未来0-3h的短时临近时效内，采用S32中高分辨率的短时临近降水预报（INCA）数据，预测包含城市快速路、主干路、次干路与支路的道路交通暴露性，时间尺度为分钟，空间尺度为四级小尺度暴露性单元。
进一步地，所述S4包括以下子步骤：
S41：轨迹数据预处理；
S42：暴露性计算指标选取；
S43：特征指标量化处理；
S44：基于灰狼优化-支持向量机识别道路交通直接暴露性特征；
S45：利用梯度提升树计算道路交通间接暴露性特征权重。
进一步地，所述S41包括以下子步骤：
S411：坐标系转换。本发明涉及一种坐标系转换方法，用于将轨迹点经纬度坐标从百度坐标系转换为火星坐标系，再通过坐标反解将其转换为与道路网数据统一的世界大地坐标系统1984，从而实现数据的统一和准确性；
S412：空间过滤。本发明需要删除目标区域外部轨迹点数据，为了去除冗余数据，本发明需要删除这些目标区域外的轨迹点数据；
S413：轨迹异常点去除。在轨迹数据的采样过程中，可能会出现部分异常点，需要在数据预处理中进行剔除。这些异常点可以分为以下两类：
单车多点问题。它指的是在同一时间点上，一辆车留下重复的轨迹点。这可能是因为传感器在短时间内发送多个信号，导致网约车轨迹点数量在许多时间点上远超过1；
车辆停驻问题。它表现为车辆速度与位移不为零，但位移值非常小，可认为车辆没有发生实际移动。
S414：地图匹配。为研究城市内涝情况下道路交通的时空规律，进一步分析城市道路的暴露性，本发明将车辆GPS轨迹数据与电子地图进行数据匹配。为了将轨迹点与目标区域道路网络相关联，需要进行相应的地图匹配处理。
进一步地，所述S414具体包括以下子步骤：
步骤1：设置方位角差值的阈值为25°；
步骤2：以每个轨迹点为中心，30m为搜索半径检索所有道路；
步骤3：从轨迹点向匹配道路作垂线，垂足即为匹配后轨迹点位置；
步骤4：重复步骤2~3，直到所有轨迹点数据与地图完成匹配。
进一步地，所述S42选择道路作为承灾体，通过分析与暴露性相关的特征进行暴露性研究，根据S113，具体特征指标包括：道路中介中心线、道路高程、土地利用类型、道路等级、车道数、路面材质、道路长度和道路速度。
进一步地，所述S43包括以下子步骤：
S431：值域缩放处理。为统一标准，本发明对各种数值类型指标的原始数据进行值域缩放。常用的值域缩放方法是利用最值进行缩放，以确保每个指标值都在0到1之间。本发明采用了极差标准化方法，对道路的行驶速度、中介中心性、DEM、道路长度和车道数进行值域缩放处理。经过处理后，所有特征的取值范围都在0到1之间；
S432：独热编码（One-hot Encoding）是一种常用的数据编码技术，用于将分类变量转换为机器学习算法可以处理的格式。由于路面材质和道路类型等属性字段不是数值型，因此本发明基于独热编码方法转换区域的类别特征值，以避免直接使用整型数字转换的问题。独热编码的思想是使用M个状态向量对M个状态进行编码，其中每个时间点只有一个位置为1，其他位置为0。
进一步地，所述S44通过机器学习的模型，识别出区域内的积水路段，具体包括以下子步骤：
S441：基于灰狼优化-支持向量机（Grey Wolf Optimizer-Support VectorMachine，GWO-SVM）的积水道路分类识别模型构建。由于道路积水与直接暴露性存在密切相关，且积水程度主要由道路速度反映。为了准确高效评估道路的直接暴露性，本发明训练一个专门分类识别积水道路的模型。因此，采用支持向量机作为模型的核心算法，并用灰狼优化算法（GWO）搜索支持向量机（SVM）的最优参数，在使用GWO优化SVM参数时，一般将SVM的参数作为优化问题的目标函数。这些参数可以包括惩罚系数C、核函数的参数以及其他超参数。GWO算法通过灰狼个体的位置和适应度来确定最优参数值；
S442：训练基于支持向量机的积水道路分类模型，主要步骤为：
步骤1：从预处理后的数据中提取特征，构建特征向量。根据步骤S22中介绍的多维特征指标，包括路面材质、土地利用类型和道路长度等多个特征。将这些特征组合成一个特征向量，特征向量的维度为13；
步骤2：选择一部分数据作为训练样本输入，并用灰狼优化算法（GWO）搜索支持向量机（SVM）的合适参数：首先初始化灰狼群体的位置和适应度，根据适应度确定群体中的Alpha、Beta和Delta灰狼，它们分别代表当前最优解、次优解和次次优解，再更新灰狼的位置，模拟灰狼群体的协同行为。并根据Alpha、Beta和Delta灰狼的位置，调整其他灰狼的位置。接着计算更新后的灰狼个体的适应度，根据适应度比较更新Alpha、Beta和Delta灰狼。重复上述步骤，直到达到停止条件（如达到最大迭代次数）。最后根据最终的Alpha灰狼的位置得到优化后的SVM核函数类型、正则化参数；
步骤3：确定训练样本的权重系数以构建分类识别模型，在支持向量机中，通过设置样本的权重来调节正例和反例之间的数量差异，正反两样本比例值大于4时，将比例值倒数作为权重赋予正例样本的类别；正反两样本比例值小于0.25时，将比例值倒数作为权重赋予反例样本的类别；
S443：模型评价。完成模型的训练之后，使用查准率、查全率两个指标来评价训练模型的精度。对于积水道路分类识别这种典型的二分类问题，本发明将GWO-SVM积水分类模型预测得到情况分为四种：识别正确（TP）、识别错误（FP）、识别遗漏（TN）和识别不全（FN）。查准率与查全率分别定义为：
，
，
进一步地，所述S45包括以下子步骤：
S451：特征层次化表达。本发明将间接暴露性计算体系分为目标层、准则层和指标层；
S452：间接暴露性特征权重分析。为了更好地评估不同特征对变量变化的影响程度，本发明基于梯度提升树（Gradient Boosting Tree）机器学习方法对所有特征进行重要性评分。
梯度提升树是一种集成学习方法，通过组合多个弱学习器（通常是决策树）来构建一个更强大的模型。该方法是一种串行方法，它通过迭代地训练决策树来最小化损失函数，逐步改进模型的预测性能。
步骤1：数据集划分。对于梯度提升树，采用有放回的随机采样构建多个训练子集；
步骤2：训练梯度提升树模型。首先初始化模型为一个简单的弱学习器。迭代训练过程中，每次训练都会根据当前模型的预测结果和实际标签计算残差（预测值与真实值的差），然后用这些残差来训练一个新的决策树，这个新的决策树被称为“残差树”。将新的残差树与之前的模型进行组合，得到更新后的模型。最后通过多次迭代，不断添加新的残差树，直到满足停止条件；
步骤3：计算间接暴露性特征的重要性度量得分。即计算间接暴露性特征在构建决策树时的信息增益或分裂准则的加权平均。最后，根据特征的重要性度量得分对特征进行排序，得分较高的特征与应变量变化相关性更大。
进一步地，所述S5包括以下子步骤：
S51：构建道路交通暴露性智能体模型；
S52：制定车辆智能体的主体行为规则与客体行为规则；
S53：城市道路交通暴露性动态模拟；
S54：基于智能体预测多尺度下道路交通暴露性。
进一步地，所述S51智能体模型包含孕灾环境子系统、承灾体子系统和风险评估子系统三部分：
S511：孕灾环境子系统搭建。通过孕灾环境子系统，我们构建了导致灾害发生的环境，并为智能体提供了活动的空间。这个模型将真实城市环境抽象为一个虚拟的时空，通过模拟暴雨内涝和道路交通系统，在同一环境中推演灾害变化趋势和影响。通过时间空间的关联，该模型描述了灾害过程，揭示了对城市交通的影响，并模拟了道路交通状态的时空变化；
S512：承灾体子系统搭建。城市道路交通和车辆是道路交通暴露性的主要组成部分。通过特征工程和权重分析，可量化计算城市交通道路的交通暴露性，并使用公式进行加权计算。此外，车辆通行数量可间接反映道路交通暴露性；
S513：风险分析子系统搭建。道路和车辆风险是风险分析子系统基础，将暴雨内涝与受灾区域进行关联，量化计算道路交通暴露程度。该系统有如下功能：计算道路暴露程度，分析高暴露度道路。根据结果进行交通优化，封闭高暴露度道路，避免损失。
进一步地，所述S52车辆智能体可对洪涝灾害作出决策与反应，也能主动完成行为活动。具体包括以下子步骤：
S521：行驶车辆主体行为规则设计。车辆行为规则设计对城市交通系统至关重要。车辆作为智能体，其时空坐标对交通暴露性计算至关重要。在暴雨内涝中，车辆需感知道路变化并采取适当策略。由于不同车辆对灾害响应和日常行为方式不同，导致空间位置差异。因此，本发明采用概率有限状态机（Probabilistic Finite State Machine，PFSM）描述车辆可能的状态和活动。PFSM由一组状态、转移概率和输出概率组成。在这种情况下，状态可以表示智能体可能的行为状态或响应状态。转移概率表示从一个状态转移到另一个状态的概率，可以基于智能体对内涝灾害的认知、感知和决策机制来确定。输出概率表示在每个状态下产生特定行为或活动的概率。在暴雨洪涝灾害中，每个智能体评估自身位置，如有堵塞风险，需停靠避免熄火。若部分道路积水但未拥堵，按原计划行驶；若道路状况无法通行，重新规划路线；
S522：行驶车辆客体行为规则设计。由于车辆的行驶受地理环境限制，不同等级道路速度不同，积水道路速度减慢，因此需设计车辆客体行为规则。本发明通过道路智能体的行为规则间接定义车辆客体行为规则，首先遍历道路集合中每一条道路，再根据车道数和道路类型信息设置道路的通行速度，最后根据道路等级和风险，设置此时刻下的通行状态，完成行驶车辆客体行为规则设计，使道路智能体能快速应对城市内涝影响。
进一步地，所述S53包括以下子步骤：
S531：道路交通暴露性动态计算。交通暴露性动态计算是指对道路交通在不同情况下的暴露性进行计算和评估。在暴雨内涝情况下，道路交通的暴露性受到直接和间接的影响。直接影响来自灾害环境和道路条件，包括降雨和内涝。间接影响是由交通异常引发的传播效应，主要是交通拥堵扩散，导致道路交通暴露性增加。道路交通动态计算利用智能系统获取当前环境状态，并查询车辆信息数据库以获取车辆位置。通过这种机制，可以统计各个区域道路交通受影响情况，反映道路交通暴露性的变化；
S532：暴露性动态模拟情景设计。暴露性动态模拟情景主要分为两个情景，分别为正常交通场景与洪涝灾害场景：
正常交通场景。根据智能体的行为规则和特征分享结果，本发明设计一个正常的交通场景；
洪涝灾害场景。这个场景主要模拟了发生城市暴雨内涝灾害时，道路交通暴露性的动态变化情况。
进一步地，所述S54将未来暴雨内涝情景作为输入，基于智能体预测多尺度下城市道路交通暴露性。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明设计道路交通直接和间接暴露性量化计算模型，考虑降雨、积水、道路及地势等多要素。提出并训练积水道路分类识别模型，实现直接暴露性量化。通过计算权重参数，实现道路交通间接暴露性的量化计算；
2、针对目前城市内涝交通暴露性研究视角较为单一的不足，本发明将城市内涝视为一种“自然-社会”复合型的自然灾害，顾及水文过程和人类活动的同时，从多维度分析影响道路交通暴露性的因素；
3、针对目前内涝模型的输入主要依赖于地面雨量站降雨数据的不足，本发明基于气象水文耦合技术，在内涝情景模拟的基础上开展多尺度城市道路交通暴露性预测；
4、针对目前地理环境约束下交通暴露性的动态模拟顾及不足的缺点，设计智能体行为规则及暴露性动态模拟方法，实现基于智能体的多尺度道路交通暴露性预测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明流程图；
图2为本发明实施例部分道路交通在正常情景下暴露性变化趋势；
图3为本发明实施例部分道路交通在洪涝灾害情景下暴露性变化趋势。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
江苏省南京市的主要城区被选作实施例示范区，根据数据统计，该区域平均年降水日数为117天，平均降水量为1200毫米。主要洪涝季节为每年的6月至10月，经常发生雷暴和严重的对流天气，也容易受台风影响而引发强降水，导致大雨、暴雨或局部暴雨等极端天气条件。实施例数据具体见表1所示：
表1 实施例数据表
如图1所示，本发明实施例公开的基于智能体的多尺度城市内涝道路交通暴露性预测方法，主要包括以下步骤：
S1：内涝情景下的道路暴露性影响特征分析；
S2：道路交通空间多尺度暴露性单元划分；
S3：耦合未来气候数据的多尺度城市道路交通暴露性预测；
S4：暴雨内涝道路交通暴露性量化计算；
S5：基于智能体预测未来气候下城市道路交通暴露性。
进一步地，所述S1包括以下子步骤：
S11：道路交通暴露性影响因子分析；
S12：道路交通暴露性形成过程分析；
S13：显性及隐性影响特征识别。
进一步地，所述S11城市内涝灾害主要由三部分综合作用产生，具体为：
S111：致灾因素分析。致灾因素是灾害的直接原因，指可能导致灾害及其随后的社会经济损失的动态因素。大雨作为一个快速发生且广泛存在的诱发因素，对交通网络有重要影响，导致出行延迟增加、道路车辆容量减少和出行模式失衡。不同降雨强度对城市交通的影响见表2：
表2降雨强度对道路交通影响；
S112：孕灾环境分析。地区差异决定了引发灾害因素的时空分布特征。孕灾环境指孕育城市内涝灾害的自然与人为环境。自然环境包括地表地貌等，而人为环境包括城市排水能力和城市用地功能区分布等；
S113：承灾体分析。本发明承灾体就是城市道路，其特征包括：
道路速度。由于道路速度主要通过诸如环路检测器等传感器进行检测，因此很难获取该值。为了获得不同时间点的道路速度数据，本发明利用车辆GPS数据，使用地图匹配方法将车辆轨迹点与相应的道路匹配。道路的平均速度为该时间单位内通过该道路段的所有轨迹点的平均速度，计算公式如下：
，
其中，为单位时间目标道路轨迹点数量，为该条路段上轨迹点瞬时速度；
道路高程。为了将原始的高程（Digital Elevation Model，DEM）数据与城市道路数据关联起来，本发明将栅格类型的高程数据赋值给相应的矢量道路；
道路中介中心性。中介中心性用于量化节点在网络图中的重要地位，它反映了图中通过该节点的最短路径数量；
土地利用类型。土地利用类型分为公园、住宅和商业用途。通常情况下，商业用地交通拥堵的频率更高；
路面材质。路面材质与道路交通暴露性之间存在一定的关系。路面材质指的是道路表面的建设材料，例如柏油路面、水泥路面等。不同的路面材质对交通暴露性产生影响的方式有所不同。路面材质的粗糙程度会对车辆的行驶安全和交通暴露性产生影响。较为粗糙的路面材质可以增加车辆与路面的摩擦力，提高车辆的稳定性和抓地力，降低交通暴露性。而光滑的路面材质则可能导致车辆在雨天或湿滑路面上容易打滑，增加交通事故的风险，进而提高交通暴露性；
道路等级。道路按照等级被划分为快速路、城市主干路、次干路和支路。不同等级道路划分标准见表3：
表3 道路级别划分标准表；
车道数。车道数指的是一条道路上可供机动车行驶的车道数量。由于道路等级与车道数没有直接的联系，因此需要借助车道数这一特征来研究道路交通暴露性。通常情况下，车道数较少的道路交通暴露性越高，更容易受到降雨引起的积水问题的影响；
道路长度。道路的长度是指两个端点之间的距离，一般可用来衡量道路在拥堵时提供的缓冲能力。道路长度越短，其具备的拥堵缓冲能力就越低，发生交通堵塞的概率也越高。
进一步地，所述S12包括以下子步骤：
S121：降雨异常道路检测。降雨异常道路是指在雨天后，道路上部分车辆的速度改变导致周边道路的缓行或拥堵。为了检测降雨异常道路，实施例对该区域正常情景下与暴雨内涝情景下的两类道路速度数据进行统计对比；
S122：受降雨影响道路提取。本发明根据统计结果，将道路类型划分为三类：速度显著上升的道路、速度无明显变化的道路和速度明显下降的道路。为了更准确地分析，本发明将结合实施例区域的雨量监测点数据，进行统计分析，计算道路速度的平均变化率。实施例中某段区域不同类别道路比例见表4所示：
表4 不同类别道路比例统计表；
S123：降雨异常道路提取。使用曼-肯德尔（Mann-Kendall）突变检测方法分析降雨期间的道路速度时序数据，以检测速度变化的情况。本发明分析实施例区域所有道路，统计发生速度突变的道路并通过地图表示位置；
S124：道路交通堵塞扩散分析。在城市交通中，偶发的道路拥堵通常最初发生在某个特定点，比如一个交叉口，只会直接影响与该空间相关的道路。为了分析最初暴雨引起的异常道路对周边道路状况的影响，本发明采用局部莫兰指数，对暴雨异常道路进行空间自相关性分析。空间自相关分析方法可以研究地理要素的空间分布特征，也就是分析在同一个研究区域内地理要素之间存在的潜在相关性，进而分析降雨和内涝引起的道路交通堵塞扩散现象。局部莫兰指数的计算公式如下：
，
式中，是变量，是变量均值，是地理要素数目，是权重矩阵。
进一步地，所述S13包括以下子步骤：
S131：显性影响特征识别。显性影响特征是指在计算暴露度时，道路出现水坑等显性影响特征。水坑可能引发交通异常，导致交通堵塞。有时候，堵塞情况会通过相邻道路传播，使得相邻道路的暴露程度也增加；
S132：隐性影响特征识别。隐性影响特征指的是在计算暴露程度时，对道路的暴露程度产生潜在影响。本发明通过量化间接暴露性特征计算暴露性。
进一步地，所述S2城市内涝灾害的空间多尺度效应对道路交通的暴露性分布格局和变化机制产生明显多尺度特征。本发明设计了四种道路交通空间尺度暴露性单元，具体包括：一级大尺度暴露性单元，即仅包含城市快速路；二级较大暴露性单元，即仅包含城市快速路与主干路；三级中尺度暴露性单元，即包含城市快速路、主干路与次干路；四级小尺度暴露性单元，即包含城市快速路、主干路、次干路与支路。具体的，道路交通空间多尺度暴露性单元划分步骤如下：
S21：通过分析四种尺度的空间尺度效应，研究其几何形态特征，总结它们的差异性和相似性规律，得到不同尺度间暴露性单元的空间关联和约束关系；
S22：采用相关性分析方法进行属性特征分析，探究道路交通暴露性表征随尺度变化的规律，研究暴露性要素的转换和变化机制，得出不同尺度间暴露性单元的属性关联和约束关系；
S23：构建多尺度暴露性单元的几何形态。先得到一级大尺度暴露性单元的几何形态。然后，基于S21一级暴露性单元与次一级尺度之间的空间关联和约束关系，结合更高精度的数据和水流运动特征，在特定的时空范围和组织方式下，得到二级较大尺度暴露性单元的几何形态。通过类似的方法，获取其他暴露性单元的空间信息，实现从大尺度到小尺度的暴露性单元几何形态构建；
S24：根据不同尺度的暴露性模拟预测需求，设计多尺度暴露性单元的属性特征。顾及S22尺度之间的属性关联和约束关系，为不同尺度暴露性单元设计适合的属性特征。
进一步地，所述S3利用气象水文耦合技术，分别将气候预估降水预报数据（Coupled Model Intercomparison Project Phase 6，CMIP6）和高分辨率的短时临近降水预报数据（The Integrated Nowcasting throughComprehensive Analysis，INCA）作为内涝模型的降雨输入，模拟预测不同尺度下城市道路暴露性。具体的，包括以下步骤：
S31：CMIP6气候预估数据获取及预处理；
S32：INCA高分辨率的短时临近降水预报数据获取及处理；
S33：基于气象内涝耦合技术的多尺度道路交通暴露性预测。
进一步地，所述S31包括以下子步骤：
S311：CMIP6预估数据获取。本发明利用CMIP6中最新发布的未来情景的降水预估数据驱动城市内涝模型，以预估未来5年目标区域内涝情况。所使用的气候模式为法国国家气象研究中心开发的CNRM气候模式，该模式提供了格点数据作为模拟数据。通过这种方法，可以模拟未来城市内涝的情景，为相关决策和规划提供参考。预测时间段为2021-2026年，气象要素包括：日降水量、日气温最值和日气温均值；
S312：CMIP6预估数据降尺度处理。本发明将CMIP6 模式数据降尺度至观测数据分辨率的具体步骤如下：
（1）将观测数据的多年各月平均值插值至模式分辨率，以求得观测场与模拟场的偏差；
（2）通过插值将偏差场数据与原观测数据分辨率保持一致，并与原观测数据求和；
（3）观测数据分辨率高于0.25°时，CMIP6数据无法准确反映城区降水预报的空间异质性，将气候预估格点数据插值为；
S313：极端降水计算。本发明针对导致内涝的强降水的极端性进行研究，选取80百分位作为极端降水的阈值。通过对2021-2026年的总体极端降水进行分析，提取预估日降水量≥0.2mm的样本，并按降水量从大到小排列。极端降水阈值即是位于第80百分位的日降水量，超过阈值的降水被认定为极端降水事件。
进一步地，所述S32包括以下子步骤：
S321：INCA数据获取。INCA由奥地利气象局开发的，是一种时间分辨率为1小时，空间分辨率为0.01°的短时临近预报系统；
S322：INCA数据预报质量评估。为评估INCA降雨预报产品的质量，本发明利用南京市气象部门2016-2018 年6-8月雨量观测数据，评估实施例区域短时临近预报系统的预报精度。
进一步地，所述S33采纳S2中城市内涝灾害暴露性多尺度表达划分标准，包括以下四个时空尺度：
S331：在未来气候变暖背景下，采用S31中CMIP6气候预估数据，预测未来5年极端降雨下仅包含城市快速路的道路交通暴露性，时间尺度为年，空间尺度为一级大尺度暴露性单元；
S332：在未来气候变暖背景下，采用S31中CMIP6气候预估数据，预测未来1年极端降雨下仅包含城市快速路与主干路的道路交通暴露性，时间尺度为月，空间尺度为二级较大尺度暴露性单元；
S333：在未来0-24h的临近时效内，采用S32中高分辨率的短时临近降水预报（INCA）数据，预测包含城市快速路、主干路与次干路的道路交通暴露性，时间尺度为小时，空间尺度为三级中尺度暴露性单元；
S334：在未来0-3h的短时临近时效内，采用S32中高分辨率的短时临近降水预报（INCA）数据，预测包含城市快速路、主干路、次干路与支路的道路交通暴露性，时间尺度为分钟，空间尺度为四级小尺度暴露性单元。
进一步地，所述S4包括以下子步骤：
S41：轨迹数据预处理；
S42：暴露性计算指标选取；
S43：特征指标量化处理；
S44：基于灰狼优化-支持向量机识别道路交通直接暴露性特征；
S45：利用梯度提升树计算道路交通间接暴露性特征权重。
进一步地，所述S41包括以下子步骤：
S411：坐标系转换。本发明涉及一种坐标系转换方法，用于将轨迹点经纬度坐标从百度坐标系转换为火星坐标系，再通过坐标反解将其转换为与道路网数据统一的世界大地坐标系统1984，从而实现数据的统一和准确性；
S412：空间过滤。本发明需要删除实施例区域外部轨迹点数据，这些数据的空间位置分布在南京市周边的滁州、镇江等城市。为了去除冗余数据，本发明需要删除这些位于南京市区域外的轨迹点数据；
S413：轨迹异常点去除。在轨迹数据的采样过程中，可能会出现部分异常点，需要在数据预处理中进行剔除。这些异常点可以分为以下两类：
单车多点问题。它指的是在同一时间点上，一辆车留下重复的轨迹点。这可能是因为传感器在短时间内发送多个信号，导致网约车轨迹点数量在许多时间点上远超过1；
车辆停驻问题。它表现为车辆速度与位移不为零，但位移值非常小，可认为车辆没有发生实际移动。
S414：地图匹配。为研究城市内涝情况下道路交通的时空规律，进一步分析城市道路的暴露性，本发明将车辆GPS轨迹数据与电子地图进行数据匹配。为了将轨迹点与实施例道路网络相关联，需要进行相应的地图匹配处理。
进一步地，所述S414具体包括以下子步骤：
步骤1：设置方位角差值的阈值为25°；
步骤2：以每个轨迹点为中心，30m为搜索半径检索所有道路；
步骤3：从轨迹点向匹配道路作垂线，垂足即为匹配后轨迹点位置；
步骤4：重复步骤2~3，直到所有轨迹点数据与地图完成匹配。
进一步地，所述S42选择道路作为承灾体，通过分析与暴露性相关的特征进行暴露性研究，根据S113，具体特征指标包括：道路中介中心线、道路高程、土地利用类型、道路等级、车道数、路面材质、道路长度和道路速度；
进一步地，所述S43包括以下子步骤：
S431：值域缩放处理。为统一标准，本发明对各种数值类型指标的原始数据进行值域缩放。常用的值域缩放方法是利用最值进行缩放，以确保每个指标值都在0到1之间。本发明采用了极差标准化方法，对道路的行驶速度、中介中心性、DEM、道路长度和车道数进行值域缩放处理。经过处理后，所有特征的取值范围都在0到1之间，具体如表5所示：
表5 值域缩放处理结果；
S432：独热编码（One-hot Encoding）是一种常用的数据编码技术，用于将分类变量转换为机器学习算法可以处理的格式。由于路面材质和道路类型等属性字段不是数值型，因此本发明基于独热编码方法转换区域的类别特征值，以避免直接使用整型数字转换的问题。独热编码的思想是使用M个状态向量对M个状态进行编码，其中每个时间点只有一个位置为1，其他位置为0。本发明采用独热编码技术，以实施例道路等级为例，将4个不同级别的道路用4位二进制编码表示，每个位上的1分别对应不同的道路等级名称，这样得到的编码即为分类特征，即0001，0010，0100和1000。
进一步地，所述S44通过机器学习的模型，识别出区域内的积水路段，具体包括以下子步骤：
S441：基于灰狼优化-支持向量机（Grey Wolf Optimizer-Support VectorMachine，GWO-SVM）的积水道路分类识别模型构建。由于道路积水与直接暴露性存在密切相关，且积水程度主要由道路速度反映。为了准确高效评估道路的直接暴露性，本发明训练一个专门分类识别积水道路的模型。因此，采用支持向量机作为模型的核心算法，并用灰狼优化算法（GWO）搜索支持向量机（SVM）的最优参数，在使用GWO优化SVM参数时，一般将SVM的参数作为优化问题的目标函数。这些参数可以包括惩罚系数C、核函数的参数以及其他超参数。GWO算法通过灰狼个体的位置和适应度来确定最优参数值；
S442：训练基于支持向量机的积水道路分类模型，主要步骤为：
步骤1：从预处理后的数据中提取特征，构建特征向量。根据步骤S22中介绍的多维特征指标，包括路面材质、土地利用类型和道路长度等多个特征。将这些特征组合成一个特征向量，特征向量的维度为13；
步骤2：选择一部分数据作为训练样本输入，并用灰狼优化算法（GWO）搜索支持向量机（SVM）的合适参数：首先初始化灰狼群体的位置和适应度，根据适应度确定群体中的Alpha、Beta和Delta灰狼，它们分别代表当前最优解、次优解和次次优解，再更新灰狼的位置，模拟灰狼群体的协同行为。并根据Alpha、Beta和Delta灰狼的位置，调整其他灰狼的位置。接着计算更新后的灰狼个体的适应度，根据适应度比较更新Alpha、Beta和Delta灰狼。重复上述步骤，直到达到停止条件（如达到最大迭代次数）。最后根据最终的Alpha灰狼的位置得到优化后的SVM核函数类型、正则化参数；
步骤3：确定训练样本的权重系数以构建分类识别模型，在支持向量机中，通过设置样本的权重来调节正例和反例之间的数量差异，正反两样本比例值大于4时，将比例值倒数作为权重赋予正例样本的类别；正反两样本比例值小于0.25时，将比例值倒数作为权重赋予反例样本的类别；
S443：模型评价。完成模型的训练之后，使用查准率、查全率两个指标来评价训练模型的精度。对于积水道路分类识别这种典型的二分类问题，本发明将GWO-SVM积水分类模型预测得到情况分为四种：识别正确（TP）、识别错误（FP）、识别遗漏（TN）和识别不全（FN）。查准率与查全率分别定义为：
，
，
为了验证模型对积水道路分类识别的准确性，选取实施例区域内2017年8月1日20:00-22:00时间段中所有数据集，选择70%的数据作为训练集，30%数据作为测试集。训练后的模型评价如表6所示：
表6 训练模型评价；
进一步地，所述S45包括以下子步骤：
S451：特征层次化表达。本发明将间接暴露性计算体系分为目标层、准则层和指标层。具体的层次结构如下表7所示：
表7 暴露性特征层次化表达；
S452：间接暴露性特征权重分析。为了更好地评估不同特征对变量变化的影响程度，本发明基于梯度提升树（Gradient Boosting Tree）机器学习方法对所有特征进行重要性评分。
梯度提升树是一种集成学习方法，通过组合多个弱学习器（通常是决策树）来构建一个更强大的模型。该方法是一种串行方法，它通过迭代地训练决策树来最小化损失函数，逐步改进模型的预测性能。
步骤1：数据集划分。对于梯度提升树，采用有放回的随机采样构建多个训练子集；
步骤2：训练梯度提升树模型。首先初始化模型为一个简单的弱学习器（比如一颗浅层决策树）。迭代训练过程中，每次训练都会根据当前模型的预测结果和实际标签计算残差（预测值与真实值的差），然后用这些残差来训练一个新的决策树，这个新的决策树被称为“残差树”。将新的残差树与之前的模型进行组合，得到更新后的模型。最后通过多次迭代，不断添加新的残差树，直到满足停止条件（如达到预定的树的数量或达到一定的性能指标）；
步骤3：计算间接暴露性特征的重要性度量得分。即计算间接暴露性特征在构建决策树时的信息增益或分裂准则的加权平均。最后，根据特征的重要性度量得分对特征进行排序，得分较高的特征与应变量变化相关性更大。本实施例中，间接暴露性特征的权重计算结果如表8所示：
表8 间接暴露性特征权重表；
进一步地，所述S5包括以下子步骤：
S51：构建道路交通暴露性智能体模型；
S52：制定车辆智能体的主体行为规则与客体行为规则；
S53：城市道路交通暴露性动态模拟；
S54：基于智能体预测多尺度下道路交通暴露性。
进一步地，所述S51智能体模型包含孕灾环境子系统、承灾体子系统和风险评估子系统三部分：
S511：孕灾环境子系统搭建。通过孕灾环境子系统，我们构建了导致灾害发生的环境，并为智能体提供了活动的空间。这个模型将真实城市环境抽象为一个虚拟的时空，通过模拟暴雨内涝和道路交通系统，在同一环境中推演灾害变化趋势和影响。通过时间空间的关联，该模型描述了灾害过程，揭示了对城市交通的影响，并模拟了道路交通状态的时空变化；
S512：承灾体子系统搭建。城市道路交通和车辆是道路交通暴露性的主要组成部分。通过特征工程和权重分析，可量化计算城市交通道路的交通暴露性，并使用公式进行加权计算。此外，车辆通行数量可间接反映道路交通暴露性；
S513：风险分析子系统搭建。道路和车辆风险是风险分析子系统基础，将暴雨内涝与受灾区域进行关联，量化计算道路交通暴露程度。该系统有如下功能：计算道路暴露程度，分析高暴露度道路。根据结果进行交通优化，封闭高暴露度道路，避免损失。
进一步地，所述S52车辆智能体可对洪涝灾害作出决策与反应，也能主动完成行为活动。具体包括以下子步骤：
S521：行驶车辆主体行为规则设计。车辆行为规则设计对城市交通系统至关重要。车辆作为智能体，其时空坐标对交通暴露性计算至关重要。在暴雨内涝中，车辆需感知道路变化并采取适当策略。由于不同车辆对灾害响应和日常行为方式不同，导致空间位置差异。因此，本发明采用概率有限状态机（Probabilistic Finite State Machine，PFSM）描述车辆可能的状态和活动。PFSM由一组状态、转移概率和输出概率组成。在这种情况下，状态可以表示智能体可能的行为状态或响应状态。转移概率表示从一个状态转移到另一个状态的概率，可以基于智能体对内涝灾害的认知、感知和决策机制来确定。输出概率表示在每个状态下产生特定行为或活动的概率。在暴雨洪涝灾害中，每个智能体评估自身位置，如有堵塞风险，需停靠避免熄火。若部分道路积水但未拥堵，按原计划行驶；若道路状况无法通行，重新规划路线；
S522：行驶车辆客体行为规则设计。由于车辆的行驶受地理环境限制，不同等级道路速度不同，积水道路速度减慢，因此需设计车辆客体行为规则。本发明通过道路智能体的行为规则间接定义车辆客体行为规则，首先遍历道路集合中每一条道路，再根据车道数和道路类型信息设置道路的通行速度，最后根据道路等级和风险，设置此时刻下的通行状态，完成行驶车辆客体行为规则设计；使道路智能体能快速应对城市内涝影响。
进一步地，所述S53包括以下子步骤：
S531：道路交通暴露性动态计算。交通暴露性动态计算是指对道路交通在不同情况下的暴露性进行计算和评估。在暴雨内涝情况下，道路交通的暴露性受到直接和间接的影响。直接影响来自灾害环境和道路条件，包括降雨和内涝。间接影响是由交通异常引发的传播效应，主要是交通拥堵扩散，导致道路交通暴露性增加。道路交通动态计算利用智能系统获取当前环境状态，并查询车辆信息数据库以获取车辆位置。通过这种机制，可以统计各个区域道路交通受影响情况，反映道路交通暴露性的变化；
S532：暴露性动态模拟情景设计。暴露性动态模拟情景主要分为两个情景，分别为正常交通场景与洪涝灾害场景：
正常交通场景。根据智能体的行为规则和特征分享结果，本发明设计一个正常的交通场景。
在本实施例中，通过结合道路交通数据和智能体规则，选择了20:00点作为起始模拟时间。在20:00到22:00点的时间段内，对车辆在道路上的行驶情况进行了正常模拟。以某路段为例，分析了道路交通状况的变化，并将道路交通暴露性的变化趋势绘制成了图2。从图中可以观察到，在正常交通场景下，道路交通暴露性一直保持在较低水平。这意味着在模拟的时间段内，该区域的道路保持相对畅通的状态；
洪涝灾害场景。这个场景主要模拟了发生城市暴雨内涝灾害时，道路交通暴露性的动态变化情况。
实施例根据暴露性计算和暴雨内涝数据，暴雨开始时间设定为20:00到22:00这段时间，降雨强度迅速增加，导致道路交通暴露性逐渐增加。由于这个时候有很多车辆行驶，因此暴露于风险中的道路数量也在这个阶段大幅增加。以某路段为例，分析道路交通暴露性的动态变化，并将其变化趋势绘制成了图3。
进一步地，所述S54将未来暴雨内涝情景作为输入，基于智能体预测多尺度下城市道路交通暴露性。经过计算，实施例不同尺度下部分道路暴露性如下表9所示：
表9 不同尺度下部分道路的暴露性；
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，所述方法包括以下步骤：
S1：内涝情景下的道路暴露性影响特征分析；
S2：道路交通空间多尺度暴露性单元划分；
S3：耦合未来气候数据的多尺度城市道路交通暴露性预测；
S4：暴雨内涝道路交通暴露性量化计算；
S5：基于智能体预测未来气候下城市道路交通暴露性；
其中，步骤S1包括以下子步骤：
S11：道路交通暴露性影响因子分析；
S12：道路交通暴露性形成过程分析；
S13：显性及隐性影响特征识别；
其中，步骤S2中设计了四种道路交通空间尺度暴露性单元，具体包括：一级大尺度暴露性单元，即仅包含城市快速路；二级较大暴露性单元，即仅包含城市快速路与主干路；三级中尺度暴露性单元，即包含城市快速路、主干路与次干路；四级小尺度暴露性单元，即包含城市快速路、主干路、次干路与支路；具体步骤如下：
S21：通过分析四种尺度的空间尺度效应，研究其几何形态特征，总结它们的差异性和相似性规律，得到不同尺度间暴露性单元的空间关联和约束关系；
S22：采用相关性分析方法进行属性特征分析，探究道路交通暴露性表征随尺度变化的规律，研究暴露性要素的转换和变化机制，得出不同尺度间暴露性单元的属性关联和约束关系；
S23：构建多尺度暴露性单元的几何形态，先得到一级大尺度暴露性单元的几何形态，然后，基于S21一级暴露性单元与次一级尺度之间的空间关联和约束关系，结合更高精度的数据和水流运动特征，得到二级较大尺度暴露性单元的几何形态，并依次获取其他暴露性单元的空间信息，实现从大尺度到小尺度的暴露性单元几何形态构建；
S24：根据不同尺度的暴露性模拟预测需求，设计多尺度暴露性单元的属性特征，顾及S22尺度之间的属性关联和约束关系，为不同尺度暴露性单元设计适合的属性特征；
其中，步骤S3具体如下，
步骤S3利用气象水文耦合技术，分别将气候预估降水预报数据Coupled ModelIntercomparison Project Phase 6，CMIP6和高分辨率的短时临近降水预报数据TheIntegrated Nowcasting through Comprehensive Analysis，INCA作为内涝模型的降雨输入，模拟预测不同尺度下城市道路暴露性，具体的，包括以下步骤：
S31：CMIP6气候预估数据获取及预处理；
S32：INCA高分辨率的短时临近降水预报数据获取及处理；
S33：基于气象内涝耦合技术的多尺度道路交通暴露性预测；
其中，步骤S4包括以下子步骤：
S41：轨迹数据预处理；
S42：暴露性计算指标选取；
S43：特征指标量化处理；
S44：基于灰狼优化-支持向量机识别道路交通直接暴露性特征；
S45：利用梯度提升树计算道路交通间接暴露性特征权重；
其中，所述S5包括以下子步骤：
S51：构建道路交通暴露性智能体模型；
S52：制定车辆智能体的主体行为规则与客体行为规则；
S53：城市道路交通暴露性动态模拟；
S54：基于智能体预测多尺度下道路交通暴露性。
2.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，步骤S11城市内涝灾害主要由三部分综合作用产生，具体为：
S111：致灾因素分析，致灾因素是灾害的直接原因，指可能导致灾害及其随后的社会经济损失的动态因素；
S112：孕灾环境分析，地区差异决定了引发灾害因素的时空分布特征，孕灾环境指孕育城市内涝灾害的自然与人为环境；自然环境包括地表地貌，人为环境包括城市排水能力和城市用地功能区分布；
S113：承灾体分析。
3.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，步骤S12暴露性形成过程分析包括以下子步骤：
S121：降雨异常道路检测，降雨异常道路是指在雨天后，道路上部分车辆的速度改变导致周边道路的缓行或拥堵，为了检测降雨异常道路，对目标区域正常情景下与暴雨内涝情景下的两类道路速度数据进行统计对比；
S122：受降雨影响道路提取，将道路类型划分为三类：速度显著上升的道路、速度无明显变化的道路和速度明显下降的道路，结合目标区域的雨量监测点数据，进行统计分析，计算道路速度的平均变化率；
S123：降雨异常道路提取，使用曼-肯德尔Mann-Kendall突变检测方法分析降雨期间的道路速度时序数据，以检测速度变化的情况，分析目标区域所有道路，统计发生速度突变的道路并通过地图表示位置；
S124：道路交通堵塞扩散分析，采用局部莫兰指数，对暴雨异常道路进行空间自相关性分析，局部莫兰指数的计算公式如下：
式中，Zi是变量，是变量均值，m是地理要素数目，wij是权重矩阵。
4.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，步骤S13影响特征识别包括以下子步骤：
S131：显性影响特征识别，显性影响特征是指在计算暴露度时，道路出现水坑显性影响特征，水坑引发交通异常，导致交通堵塞；
S132：隐性影响特征识别，隐性影响特征指的是在计算暴露程度时，对道路的暴露程度产生潜在影响。
5.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，步骤S31包括以下子步骤：
S311：CMIP6预估数据获取，利用CMIP6中最新发布的未来情景的降水预估数据驱动城市内涝模型，以预估未来5年目标区域内涝情况，所使用的气候模式为法国国家气象研究中心开发的CNRM气候模式，该模式提供了格点数据作为模拟数据，通过这种方法，模拟未来城市内涝的情景，为相关决策和规划提供参考，气象要素包括：日降水量、日气温最值和日气温均值；
S312：CMIP6预估数据降尺度处理，具体步骤如下：
(1)将观测数据的多年各月平均值插值至模式分辨率，以求得观测场与模拟场的偏差；
(2)通过插值将偏差场数据与原观测数据分辨率保持一致，并与原观测数据求和；
(3)观测数据分辨率高于0.25°时，CMIP6数据无法准确反映城区降水预报的空间异质性，将气候预估格点数据插值为0.05°*0.05°；
S313：极端降水计算，选取80百分位作为极端降水的阈值，提取预估日降水量≥0.2mm的样本，并按降水量从大到小排列，极端降水阈值即是位于第80百分位的日降水量，超过阈值的降水被认定为极端降水事件。
6.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，步骤S32包括以下子步骤：
S321：INCA数据获取，INCA由奥地利气象局开发的，是一种时间分辨率为1小时，空间分辨率为0.01°的短时临近预报系统；
S322：INCA数据预报质量评估，为评估INCA降雨预报产品的质量，利用气象部门雨量观测数据，评估实施例区域短时临近预报系统的预报精度。
7.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，步骤S33多尺度表达划分标准，包括以下四个时空尺度：
S331：在未来气候变暖背景下，采用S31中CMIP6气候预估数据，预测未来5年极端降雨下仅包含城市快速路的道路交通暴露性，时间尺度为年，空间尺度为一级大尺度暴露性单元；
S332：在未来气候变暖背景下，采用S31中CMIP6气候预估数据，预测未来1年极端降雨下仅包含城市快速路与主干路的道路交通暴露性，时间尺度为月，空间尺度为二级较大尺度暴露性单元；
S333：在未来0-24h的临近时效内，采用S32中高分辨率的短时临近降水预报INCA数据，预测包含城市快速路、主干路与次干路的道路交通暴露性，时间尺度为小时，空间尺度为三级中尺度暴露性单元；
S334：在未来0-3h的短时临近时效内，采用S32中高分辨率的短时临近降水预报INCA数据，预测包含城市快速路、主干路、次干路与支路的道路交通暴露性，时间尺度为分钟，空间尺度为四级小尺度暴露性单元。
8.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，
步骤S41包括以下子步骤：
S411：坐标系转换，即将轨迹点经纬度坐标从百度坐标系转换为火星坐标系，再通过坐标反解将其转换为与道路网数据统一的世界大地坐标系统1984；
S412：空间过滤，即删除目标区域外部轨迹点数据；
S413：轨迹异常点去除，所述S413异常点分为以下两类：
(1)单车多点问题，它指的是在同一时间点上，一辆车留下重复的轨迹点，这可能是因为传感器在短时间内发送多个信号，导致网约车轨迹点数量在许多时间点上远超过1；
(2)车辆停驻问题，它表现为车辆速度与位移不为零，但位移值非常小，可认为车辆没有发生实际移动，
S414：地图匹配，包括以下子步骤：
步骤1：设置方位角差值的阈值为25°；
步骤2：以每个轨迹点为中心，30m为搜索半径检索所有道路；
步骤3：从轨迹点向匹配道路作垂线，垂足即为匹配后轨迹点位置；
步骤4：重复步骤2～3，直到所有轨迹点数据与地图完成匹配，
其中所述S42选择道路作为承灾体，通过分析与暴露性相关的特征进行暴露性研究。
9.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，
其中S43包括以下子步骤：
S431：值域缩放处理，采用了极差标准化方法，对道路的行驶速度、中介中心性、DEM、道路长度和车道数进行值域缩放处理，即让特征的取值范围都在0到1之间；
S432：独热编码One-hot Encoding，独热编码的思想是使用M个状态向量对M个状态进行编码，其中每个时间点只有一个位置为1，其他位置为0。
10.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，
其中，S44通过机器学习的模型，识别出区域内的积水路段，具体包括以下子步骤：
S441：基于灰狼优化-支持向量机，GWO-SVM的积水道路分类识别模型构建，由于道路积水与直接暴露性存在密切相关，且积水程度主要由道路速度反映，采用支持向量机作为模型的核心算法，并用灰狼优化算法GWO搜索支持向量机的最优参数，在使用GWO优化SVM参数时，将SVM的参数作为优化问题的目标函数，这些参数包括惩罚系数C、核函数的参数以及其他超参数，GWO算法通过灰狼个体的位置和适应度来确定最优参数值；
S442：训练基于支持向量机的积水道路分类模型，主要步骤为：
步骤1：从预处理后的数据中提取特征，构建特征向量，根据步骤S22中介绍的多维特征指标，包括路面材质、土地利用类型和道路长度多个特征，将这些特征组合成一个特征向量，特征向量的维度为13；
步骤2：选择部分数据作为训练样本输入，并用灰狼优化算法GWO搜索支持向量机SVM的合适参数：首先初始化灰狼群体的位置和适应度，根据适应度确定群体中的Alpha、Beta和Delta灰狼，它们分别代表当前最优解、次优解和次次优解；再更新灰狼的位置，模拟灰狼群体的协同行为，并根据Alpha、Beta和Delta灰狼的位置，调整其他灰狼的位置；接着计算更新后的灰狼个体的适应度，根据适应度比较更新Alpha、Beta和Delta灰狼；重复上述步骤，直到达到停止条件；最后根据最终的Alpha灰狼的位置得到优化后的SVM核函数类型、正则化参数λ；
步骤3：确定训练样本的权重系数以构建分类识别模型，在支持向量机中，通过设置样本的权重来调节正例和反例之间的数量差异，正反两样本比例值大于4时，将比例值倒数作为权重赋予正例样本的类别；正反两样本比例值小于0.25时，将比例值倒数作为权重赋予反例样本的类别；
S443：模型评价，完成模型的训练之后，使用查准率、查全率两个指标来评价训练模型的精度，对于积水道路分类识别这种典型的二分类问题，将GWO-SVM积水分类模型预测得到情况分为四种：识别正确TP、识别错误FP、识别遗漏TN和识别不全FN，查准率T1与查全率T2分别定义为：
步骤S45包括以下子步骤：
S451：特征层次化表达，将间接暴露性计算体系分为目标层、准则层和指标层；
S452：间接暴露性特征权重分析，基于梯度提升树Gradient Boosting Tree机器学习方法对所有特征进行重要性评分；
其中，S452间接暴露性特征权重分析包括以下子步骤：
步骤1：数据集划分，对于梯度提升树，采用有放回的随机采样构建多个训练子集；
步骤2：训练梯度提升树模型，首先初始化模型为一个简单的弱学习器，迭代训练过程中，每次训练都会根据当前模型的预测结果和实际标签计算残差，然后用这些残差来训练一个新的决策树；这个新的决策树被称为“残差树”，将新的残差树与之前的模型进行组合，得到更新后的模型；最后通过多次迭代，不断添加新的残差树，直到满足停止条件；
步骤3：计算间接暴露性特征的重要性度量得分，即计算间接暴露性特征在构建决策树时的信息增益或分裂准则的加权平均，最后，根据特征的重要性度量得分对特征进行排序，得分较高的特征与应变量变化相关性更大。
11.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，
步骤S51智能体模型，包含孕灾环境子系统、承灾体子系统和风险评估子系统三部分：
S511：孕灾环境子系统搭建，即首先构建导致灾害发生的环境，并为智能体提供活动空间，将真实城市环境抽象为一个虚拟的时空，再推演灾害变化趋势和影响，揭示对城市交通的影响，最后模拟道路交通状态的时空变化完成该子系统搭建；
S512：承灾体子系统搭建，即通过设定时间范围内道路上车辆的通行数量和行驶速度反映其道路交通暴露性，从而完成承灾体子系统搭建；
S513：风险分析子系统搭建，首先设定道路和车辆风险为风险分析子系统的基础，将暴雨内涝与受灾区域进行关联，量化计算道路交通暴露程度最后筛选高暴露度道路并予以封闭。
12.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，
步骤S52中，车辆智能体对洪涝灾害作出决策与反应，也能主动完成行为活动，具体包括以下子步骤：
S521：行驶车辆主体行为规则设计，采用概率有限状态机Probabilistic FiniteState Machine，PFSM描述车辆状态和活动，PFSM由一组状态、转移概率和输出概率组成，输出概率表示在每个状态下产生活动的概率，在暴雨洪涝灾害中，每个智能体评估自身位置，若部分道路积水但未拥堵，按原计划行驶；若道路状况无法通行，重新规划路线；
S522：行驶车辆客体行为规则设计，由于车辆的行驶受地理环境限制，因此需设计车辆客体行为规则，通过道路智能体的行为规则间接定义车辆客体行为规则，首先遍历道路集合中每一条道路，再根据车道数和道路类型信息设置道路的通行速度，最后根据道路等级和风险，设置此时刻下的通行状态，完成行驶车辆客体行为规则设计；所述S54将未来暴雨内涝情景作为输入，基于智能体预测多尺度下城市道路交通暴露性。
13.根据权利要求1所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，所述的S53暴露性动态模拟包括以下子步骤：
S531：道路交通暴露性动态计算，交通暴露性动态计算是指对道路交通在不同情况下的暴露性进行计算和评估，在暴雨内涝情况下，道路交通的暴露性受到直接和间接的影响，直接影响来自灾害环境和道路条件，包括降雨和内涝；间接影响是由交通异常引发的传播效应，主要是交通拥堵扩散，导致道路交通暴露性增加，道路交通动态计算利用智能系统获取当前环境状态，并查询车辆信息数据库以获取车辆位置，通过这种机制，统计各个区域道路交通受影响情况，反映道路交通暴露性的变化；
S532：暴露性动态模拟情景设计，包括以下两类：
(1)正常交通场景，根据智能体的行为规则和特征分享结果，设计一个正常的交通场景；
(2)洪涝灾害场景，这个场景主要模拟了发生城市暴雨内涝灾害时，道路交通暴露性的动态变化情况。
14.根据权利要求2所述的基于智能体的多尺度城市内涝道路交通暴露性预测方法，其特征在于，所述S113承灾体就是城市道路，其特征包括：
(1)道路速度，为了获得不同时间点的道路速度数据，利用车辆GPS数据，使用地图匹配方法将车辆轨迹点与相应的道路匹配，道路的平均速度为单位时间内通过该道路段的所有轨迹点的平均速度，计算公式如下：
其中，n为单位时间目标道路轨迹点数量，vk为该道路段轨迹点k瞬时速度；
(2)道路高程，为了将原始的高程Digital Elevation Model，DEM数据与城市道路数据关联起来，将栅格类型的高程数据赋值给相应的矢量道路；
(3)道路中介中心性，中介中心性用于量化节点在网络图中的重要地位，它反映了图中通过该节点的最短路径数量；
(4)土地利用类型，土地利用类型分为公园、住宅和商业用途；
(5)路面材质，路面材质与道路交通暴露性之间存在关系，不同的路面材质对交通暴露性产生影响的方式有所不同，路面材质的粗糙程度会对车辆的行驶安全和交通暴露性产生影响；
(6)道路等级，道路按照等级被划分为快速路、城市主干路、次干路和支路；
(7)车道数，车道数指的是一条道路上可供机动车行驶的车道数量，由于道路等级与车道数没有直接的联系，因此需要借助车道数这一特征来研究道路交通暴露性；
(8)道路长度，道路的长度是指两个端点之间的距离，用来衡量道路在拥堵时提供的缓冲能力。
CN202311637750.5A 2023-12-01 2023-12-01 基于智能体的多尺度城市内涝道路交通暴露性预测方法 Active CN117332909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311637750.5A CN117332909B (zh) 2023-12-01 2023-12-01 基于智能体的多尺度城市内涝道路交通暴露性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311637750.5A CN117332909B (zh) 2023-12-01 2023-12-01 基于智能体的多尺度城市内涝道路交通暴露性预测方法

Publications (2)

Publication Number Publication Date
CN117332909A CN117332909A (zh) 2024-01-02
CN117332909B true CN117332909B (zh) 2024-03-08

Family

ID=89277855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311637750.5A Active CN117332909B (zh) 2023-12-01 2023-12-01 基于智能体的多尺度城市内涝道路交通暴露性预测方法

Country Status (1)

Country Link
CN (1) CN117332909B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854285B (zh) * 2024-03-07 2024-06-07 南京邮电大学 一种顾及城市水文和交通流特征的暴雨积水路段识别方法
CN118643579B (zh) * 2024-08-15 2024-11-01 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
CN119149918B (zh) * 2024-11-13 2025-03-11 贵州省公路建设养护集团有限公司 一种面向高速公路的路基施工数据预处理方法及系统
CN119358186B (zh) * 2024-12-27 2025-04-04 深圳市旗扬特种装备技术工程有限公司 基于降雨量测算的海绵城市设计优化方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010050300A1 (ja) * 2008-10-30 2010-05-06 株式会社ブリヂストン 路面状態推定方法
WO2015148887A1 (en) * 2014-03-28 2015-10-01 Northeastern University System for multivariate climate change forecasting with uncertainty quantification
WO2020215117A1 (en) * 2019-04-24 2020-10-29 South Australian Water Corporation Method and system for detecting a structural anomaly in a pipeline network
CN111915158A (zh) * 2020-07-15 2020-11-10 云南电网有限责任公司带电作业分公司 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备
CN112733337A (zh) * 2020-12-28 2021-04-30 华南理工大学 一种暴雨内涝影响下城市道路通行效率评估方法
CN113177737A (zh) * 2021-05-26 2021-07-27 南京恩瑞特实业有限公司 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及系统
CN113191582A (zh) * 2021-03-15 2021-07-30 西南石油大学 一种基于gis与机器学习的道路山洪易损性评价方法
CN113450027A (zh) * 2021-08-30 2021-09-28 南京师范大学 城市内涝灾害的动态暴露性量化方法、装置
CN113610437A (zh) * 2021-08-24 2021-11-05 南京信息工程大学 一种承灾体动态暴露度评估方法及系统
CN114372685A (zh) * 2021-12-28 2022-04-19 长江生态环保集团有限公司 一种基于swmm模型的城市暴雨内涝风险评估方法
CN114372625A (zh) * 2021-12-30 2022-04-19 华南理工大学 一种基于多输出机器学习算法的城市内涝快速预报方法
CN115619213A (zh) * 2022-09-27 2023-01-17 中国地质大学（武汉） 一种公路交通降雨气象灾害风险评估方法、装置及设备
CN115936490A (zh) * 2022-11-23 2023-04-07 华南师范大学 一种基于shap的城市暴雨内涝影响因子量化分析方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010050300A1 (ja) * 2008-10-30 2010-05-06 株式会社ブリヂストン 路面状態推定方法
WO2015148887A1 (en) * 2014-03-28 2015-10-01 Northeastern University System for multivariate climate change forecasting with uncertainty quantification
WO2020215117A1 (en) * 2019-04-24 2020-10-29 South Australian Water Corporation Method and system for detecting a structural anomaly in a pipeline network
CN111915158A (zh) * 2020-07-15 2020-11-10 云南电网有限责任公司带电作业分公司 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备
CN112733337A (zh) * 2020-12-28 2021-04-30 华南理工大学 一种暴雨内涝影响下城市道路通行效率评估方法
CN113191582A (zh) * 2021-03-15 2021-07-30 西南石油大学 一种基于gis与机器学习的道路山洪易损性评价方法
CN113177737A (zh) * 2021-05-26 2021-07-27 南京恩瑞特实业有限公司 基于ga优化bp神经网络的城市暴雨灾害风险评估方法及系统
CN113610437A (zh) * 2021-08-24 2021-11-05 南京信息工程大学 一种承灾体动态暴露度评估方法及系统
CN113450027A (zh) * 2021-08-30 2021-09-28 南京师范大学 城市内涝灾害的动态暴露性量化方法、装置
CN114372685A (zh) * 2021-12-28 2022-04-19 长江生态环保集团有限公司 一种基于swmm模型的城市暴雨内涝风险评估方法
CN114372625A (zh) * 2021-12-30 2022-04-19 华南理工大学 一种基于多输出机器学习算法的城市内涝快速预报方法
CN115619213A (zh) * 2022-09-27 2023-01-17 中国地质大学（武汉） 一种公路交通降雨气象灾害风险评估方法、装置及设备
CN115936490A (zh) * 2022-11-23 2023-04-07 华南师范大学 一种基于shap的城市暴雨内涝影响因子量化分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于多智能体的城市洪涝灾害动态脆弱性计算模型构建;朱净萱等;《地球信息科学学报》;第23卷(第10期);1787-1797 *
基于轨迹数据的城市暴雨内涝道路交通暴露性时空模拟研究;江游;《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》(第03期);1-95 *
顾及居民出行的城市洪涝灾害暴露性计算方法研究;朱雪虹;《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》(第05期);1-107 *

Also Published As

Publication number Publication date
CN117332909A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN117332909B (zh) 基于智能体的多尺度城市内涝道路交通暴露性预测方法
Avand et al. Using machine learning models, remote sensing, and GIS to investigate the effects of changing climates and land uses on flood probability
US12423757B2 (en) Spatial simulation method for assessment of direct economic losses of typhoon flood based on remote sensing
CN101354757B (zh) 一种精细尺度下的动态风险及易损性预测方法
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN114861277B (zh) 一种长时序国土空间功能与结构模拟方法
CN110276477B (zh) 一种基于分层贝叶斯网络和增量学习的洪水预报方法
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
CN115129802A (zh) 一种基于多源数据和集成学习的人口空间化方法
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN116611588A (zh) 降水多驱动因子分段率定优化预报方法及系统
CN116861956A (zh) 一种顾及InSAR形变的LSTM地灾易发性时序预测方法
Jin et al. Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths
CN119272616A (zh) 一种城市的水体径流控制方法及系统
CN119515088A (zh) 多元递进式暴雨-山洪链式灾害综合风险评价方法及系统
CN119692781A (zh) 一种基于时空概率的区域泥石流危险性动态评估方法
CN121032218A (zh) 一种多灾种灾害风险等级耦合评估方法
CN119647965B (zh) 一种县域地质灾害风险分析方法及系统
CN119129859A (zh) 基于wrf的高时空分辨率旱涝转换预测预警方法以及系统
CN119559764A (zh) 一种基于深度学习的山区泥石流动态预警方法
CN118364865A (zh) 公路交通气象环境能见度分钟级预测方法及预警系统
CN119474769B (zh) 一种基于集成深度学习的空气质量预报方法
CN118280071B (zh) 台风期间地质灾害预警方法、装置、存储介质及电子设备
Ibrahim et al. AN IMPROVED RAINFALL PREDICTION MODEL FOR MINIMIZING THE NEGATIVE IMPACT OF INCREASED RAINFALL DAYS IN MINNA, NIGERIA USING ARTIFICIAL NEURAL NETWORK.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant