基于LSTM-DeepLabv3+与贝叶斯优化及时空特征融合的城市内涝预测改进方法
机器学习
2024-02-13 v1 人工智能
计算机视觉与模式识别
摘要
由于相比传统方法具有更高的精度与效率，深度学习模型在洪水预测中日益受到青睐。然而，当前的机器学习方法往往依赖单独的空间或时间特征分析，且在输入数据的类型、数量与维度方面存在局限。本研究提出了一种用于城市内涝预测的CNN-RNN混合特征融合建模方法，该方法融合了CNN处理空间特征与RNN分析不同维度时间序列的优势，可同时支持静态与动态洪水预测。应用贝叶斯优化识别出七个最具影响的内涝驱动因子并确定最佳组合策略。通过组合四种CNN（FCN、UNet、SegNet、DeepLabv3+）与三种RNN（LSTM、BiLSTM、GRU），确定最优混合模型为LSTM-DeepLabv3+。该模型在不同降雨输入条件下取得了最高预测精度（MAE、RMSE、NSE与KGE分别为0.007、0.025、0.973与0.755）。此外，处理速度显著提升，推理时间为1.158s（约为传统计算时间的1/125），优于基于物理的模型。
引用
@article{arxiv.2304.09994,
title = {Improving Urban Flood Prediction using LSTM-DeepLabv3+ and Bayesian Optimization with Spatiotemporal feature fusion},
author = {Zuxiang Situ and Qi Wang and Shuai Teng and Wanen Feng and Gongfa Chen and Qianqian Zhou and Guangtao Fu},
journal= {arXiv preprint arXiv:2304.09994},
year = {2024}
}