用于城市洪涝期间路网淹没状态预测的时空图卷积网络
机器学习
2021-04-07 v1 物理与社会
摘要
本研究的目的是基于路段自身及相邻路段的当前状态，利用细粒度交通数据上的深度学习框架预测路段的近未来洪涝状态。用于路网状态态势感知的预测性洪水监测对支持危机响应活动（如评估通往医院和避难所的通行损失）具有关键作用。现有在路段层面近未来预测路网洪涝状态的研究尚属空白。利用与路段相关的细粒度交通速度数据，本研究设计并实现了三种时空图卷积网络(STGCN)模型，以2017年飓风哈维期间美国德克萨斯州哈里斯县为背景，在路段层面预测洪水事件中的路网状态。模型1由两个时空块组成，考虑路段间邻接性与距离；模型2增加了一个高程块以考虑路段间高程差；模型3包含三个块，考虑路段间邻接性以及距离与高程差的乘积。分析测试了STGCN模型并评估其预测性能。结果表明，模型1与模型2在近未来（如2-4小时）预测路网洪涝状态方面具有可靠且准确的性能，模型精确率与召回率分别大于98%和96%。借助可靠的洪水路网状态预测，所提模型可帮助受影响社区避开淹没道路，并协助应急管理机构实施疏散与救援物资投递计划。
引用
@article{arxiv.2104.02276,
title = {Spatio-Temporal Graph Convolutional Networks for Road Network Inundation Status Prediction during Urban Flooding},
author = {Faxi Yuan and Yuanchang Xu and Qingchun Li and Ali Mostafavi},
journal= {arXiv preprint arXiv:2104.02276},
year = {2021}
}
备注
15 pages, 5 figures