利用渠道网络传感器数据预测洪水预警与态势感知的混合深度学习模型
信号处理
2020-09-09 v2 机器学习
机器学习
摘要
本研究的目标是创建并测试一种混合深度学习模型 FastGRNN-FCN（快速、准确、稳定且轻量的门控循环神经网络-全卷积网络），利用渠道网络传感器数据进行城市洪水预测与态势感知。研究以德克萨斯州哈里斯县为试验场，获取了三次历史洪水事件（如 2016 年税务日洪水、2016 年阵亡将士纪念日洪水和 2017 年哈维飓风洪水）的渠道传感器数据用于训练和验证该混合深度学习模型。洪水数据被划分为多元时间序列并用作模型输入。每个输入包含九个变量，包括所研究渠道传感器及其在渠道网络中的前驱和后继传感器的信息。采用精确率-召回率曲线和 F-measure 确定最优模型参数集。通过考察不同权重与阈值的一百次迭代，获得了权重为 1、临界阈值为 0.59 的最优模型。测试准确率和 F-measure 最终分别达到 97.8% 和 0.792。随后将该模型用于预测 2019 年休斯顿伊梅尔达洪水，结果显示与实测洪水高度吻合。结果表明，该模型能够准确预测洪水时空传播与消退，并为应急响应官员提供预测性洪水预警工具，以优先安排洪水响应与资源分配策略。
引用
@article{arxiv.2006.09201,
title = {A Hybrid Deep Learning Model for Predictive Flood Warning and Situation Awareness using Channel Network Sensors Data},
author = {Shangjia Dong and Tianbo Yu and Hamed Farahmand and Ali Mostafavi},
journal= {arXiv preprint arXiv:2006.09201},
year = {2020}
}