基于BP神經(jīng)網(wǎng)絡(luò)模型的城市內(nèi)澇預(yù)警系統(tǒng)設(shè)計與實現(xiàn)

張秀春 張宣

摘? 要：針對城市經(jīng)常出現(xiàn)排水不暢、內(nèi)澇等現(xiàn)象，建立一套以BP神經(jīng)網(wǎng)絡(luò)模型為核心，以B/S架構(gòu)為基礎(chǔ)的內(nèi)澇預(yù)警系統(tǒng)。該系統(tǒng)不僅具有常規(guī)系統(tǒng)的數(shù)據(jù)管理功能，還具備根據(jù)歷史信息和參數(shù)的調(diào)整而進行內(nèi)澇預(yù)警的功能。通過對比系統(tǒng)的使用結(jié)果和現(xiàn)實狀況，可以看出系統(tǒng)不僅能夠滿足本市內(nèi)澇預(yù)警分析使用的需求，而且還能對城市的內(nèi)澇災(zāi)害有關(guān)特征數(shù)據(jù)進行預(yù)測，為城市制定防洪減災(zāi)方案提供技術(shù)支撐和科學依據(jù)。

關(guān)鍵詞：反向傳播神經(jīng)網(wǎng)絡(luò);預(yù)警模型;數(shù)據(jù)管理系統(tǒng);城市內(nèi)澇

中圖分類號：TP181;TP391? ? ? 文獻標識碼：A 文章編號：2096-4706（2021）05-0098-06

Design and Implementation of Urban Waterlogging Early Warning System

Based on BP Neural Network Model

ZHANG Xiuchun1，ZHANG Xuan2

（1.Phima Intelligence Technology Co.，Ltd.，Maanshan? 243000，China;

2.Anhui Masteel Mining Resources Group Co.，Ltd.，Maanshan? 243000，China）

Abstract：For the frequent occurrence of poor drainage and waterlogging in urban，a set of waterlogging early warning system is set up，which uses BP neural network model as the core and based on B/S architecture. The system not only has the conventional function of data management，but also has the function of realizing waterlogging early warning according to historical information and parameter adjustment. By comparing the results of the system usage and the actual situation，we can see that the system can not only meet the needs of this citys waterlogging early warning analysis，but also predict the urban waterlogging disaster related characteristic data，providing technical support and scientific basis for the city to formulate flood control and disaster reduction plan.

Keywords：BP neural network;early warning model;data management system;urban waterlogging

0? 引? 言

近年來，隨著社會經(jīng)濟的快速發(fā)展和城市化進程的不斷加快，城市內(nèi)澇問題日益凸顯，城市內(nèi)澇已然成為全世界普遍關(guān)注的焦點。針對此問題，在信息化建設(shè)的基礎(chǔ)上實現(xiàn)內(nèi)澇預(yù)警系統(tǒng)成為一種可行的方法。有鑒于此，國內(nèi)外研發(fā)了諸多的內(nèi)澇預(yù)警系統(tǒng)。其中國外較為突出的內(nèi)澇預(yù)警系統(tǒng)[1，2]有：20世紀90年代美國的城市暴雨雨水管理模型（SWMM），該模型將GIS技術(shù)與模型相結(jié)合，具有預(yù)測城市排水系統(tǒng)的能力;日本對于城市洪水災(zāi)害的研究也比較早，其中有代表性的是日本建設(shè)省土木研究所建立的城市水災(zāi)害系統(tǒng)分析模型，該系統(tǒng)模型將GIS技術(shù)與洪水災(zāi)害數(shù)據(jù)模擬有機地結(jié)合，具備城市內(nèi)澇預(yù)警系統(tǒng)的預(yù)測功能，由洪水泛濫模型、暴雨產(chǎn)匯流模型、降水頻率分析模型等子模型構(gòu)成。

城市化進程的快速推進使城市道路面積不斷擴大，加上全球變暖使得極端氣候頻繁發(fā)生，各地城市內(nèi)澇的問題愈發(fā)嚴重。目前，我國大部分城市均沒有實現(xiàn)大排水設(shè)施建設(shè)，小排水設(shè)施建設(shè)與管理水平因為年代與建設(shè)標準等諸多原因，并不能解決當前城市的內(nèi)澇問題。因此，國內(nèi)諸多大中型城市結(jié)合各自的特點研發(fā)適合自己城市的內(nèi)澇預(yù)警系統(tǒng)。其中較為突出的國內(nèi)城市內(nèi)澇預(yù)警系統(tǒng)[3-6]有：天津氣象科研所研制的天津市城區(qū)瀝澇仿真模型[7]和城市內(nèi)澇仿真模擬系統(tǒng)[8]，該系統(tǒng)以二維不恒定流理論為基礎(chǔ)，將氣象部門采集監(jiān)測的雨量信息和天氣預(yù)報信息加入仿真模型當中，實現(xiàn)洪澇仿真的動態(tài)監(jiān)測預(yù)報功能。本市的內(nèi)澇現(xiàn)狀為：本市城市化進程不斷加快，而城市排水系統(tǒng)卻無法進行大規(guī)模的改造升級，導(dǎo)致本市總的排水能力不斷減弱。具體表現(xiàn)就是本市一旦遇到強降雨天氣，短時間內(nèi)城市排水不暢，給人民群眾的生活和出行帶來諸多不便，同時也給人民群眾的財產(chǎn)帶來很大損失。為提高和改善城市氣象管理水平，減少內(nèi)澇災(zāi)害帶來的負面影響，很有必要建立一套適合本市地形地貌特征及現(xiàn)有排水管網(wǎng)能力的內(nèi)澇預(yù)警預(yù)報業(yè)務(wù)系統(tǒng)。

本市的內(nèi)澇預(yù)警系統(tǒng)采用反向傳播神經(jīng)網(wǎng)絡(luò)算法構(gòu)建模型來預(yù)測分析城市內(nèi)澇情況。系統(tǒng)采用B/S結(jié)構(gòu)[9-11]，以ArcGIS10.2作為系統(tǒng)底圖開發(fā)平臺，選用MySQL數(shù)據(jù)庫[12，13]，預(yù)警模型計算使用Matlab軟件，后臺及框架使用C#和.net進行開發(fā)，前端顯示頁面采用js+html。成功實現(xiàn)一套滿足本市需求的內(nèi)澇預(yù)警和分析系統(tǒng)，通過該系統(tǒng)可以實現(xiàn)對歷史內(nèi)澇信息的查詢，對不同區(qū)域內(nèi)澇信息、泵站信息、管道信息以及河道信息的實時查詢，對易澇點進行預(yù)警分析，實現(xiàn)地圖圖層控制等功能。從氣象部門專業(yè)軟件數(shù)據(jù)庫中實時采集降雨數(shù)據(jù)和水深數(shù)據(jù)，從水文部門業(yè)務(wù)管理軟件數(shù)據(jù)庫中實時采集水泵水位數(shù)據(jù)。

1? BP神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[14，15]是1986年由以Rumelhart和McClelland為首的科學家們提出的概念。其基本思想是，BP算法包括信號的前向傳播和誤差的反向傳播兩個過程。即計算誤差輸出時按從輸入到輸出的方向進行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進行。正向傳播時，輸入信號通過隱含層作用于輸出節(jié)點，經(jīng)過非線性變換，產(chǎn)生輸出信號，若實際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過程。誤差反傳是將輸出誤差通過隱含層向輸入層逐層反傳，并將誤差分攤給各層所有單元，以從各層獲得的誤差信號作為調(diào)整各單元權(quán)值的依據(jù)。通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度，隱層節(jié)點與輸出節(jié)點的聯(lián)接強度以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學習訓(xùn)練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即停止。經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型能達到對類似樣本信息自行處理，且能輸出誤差最小的非線性轉(zhuǎn)換信息。BP神經(jīng)網(wǎng)絡(luò)模型[16-18]的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

假設(shè)BP神經(jīng)網(wǎng)絡(luò)模型[18]的輸入?yún)?shù)由xi表示（i=1，2，…，n），最終的輸出參數(shù)由yi表示。隱含層的輸入?yún)?shù)分別為（1，2，…，p-1，p），此處用neti代表隱含層任意參數(shù)。則隱含層輸出的參數(shù)由Ti表示：

（1）

其中，wij為輸入層到隱含層的加權(quán)系數(shù)，該數(shù)值的求解方法是采用矩陣的微積分;β為隱含層的閾值，即為函數(shù)的補償量;f（neti）為隱含層的激勵函數(shù)。

則輸出層輸出的參數(shù)由yi表示為：

（2）

其中，kij為隱含層到輸入層的加權(quán)系數(shù)，該數(shù)值的求解方法是采用矩陣的微積分;α為隱含層的閾值，即為函數(shù)的補償量;g（Ti）為輸出層的激勵函數(shù)。

假設(shè)輸出層任意一個神經(jīng)元的期望輸出值為Ei，那么對于每一個樣本的二次型誤差準則函數(shù)ei可以表示為：

（3）

根據(jù)誤差準則函數(shù)，輸出層中的神經(jīng)元輸出的誤差可以反向傳播到前面各層中去，對各層之間的權(quán)值以及函數(shù)之間的偏正值進行修正。

BP神經(jīng)網(wǎng)絡(luò)的隱含層和輸出層的激勵函數(shù)均采用s（sigmoid）函數(shù)，式（5）是式（4）的導(dǎo)數(shù)形式;此處的x為隱含層的輸入值或輸出層的輸入值。

（4）

y'=f '（x）=y（1-y）? ? ? ? ? ? ? ? ? ? ? ? ?（5）

2? 系統(tǒng)設(shè)計

2.1? 系統(tǒng)功能架構(gòu)設(shè)計

從使用者的角度對系統(tǒng)的功能架構(gòu)[10]進行設(shè)計。系統(tǒng)可分為9大功能模塊：圖層控制模塊、信息查詢模塊、預(yù)警分析模塊、歷史數(shù)據(jù)錄入模塊、歷史內(nèi)澇、實時水位、輔助功能、預(yù)測模型、參數(shù)輸出。具體如圖2所示。

2.2? 系統(tǒng)總體設(shè)計

從開發(fā)者的角度對系統(tǒng)進行設(shè)計。系統(tǒng)是基于Web分布式進行研發(fā)圍繞數(shù)據(jù)管理、預(yù)警模型構(gòu)建、數(shù)據(jù)動態(tài)矯正和統(tǒng)計查詢四個方面展開。系統(tǒng)總體設(shè)計可分為數(shù)據(jù)庫服務(wù)器（河、管、泵數(shù)據(jù)庫;基礎(chǔ)空間數(shù)據(jù)庫;氣象關(guān)系數(shù)據(jù)庫）、地圖服務(wù)器（ArcGISServer）、網(wǎng)絡(luò)服務(wù)器（IIS）、客戶端。系統(tǒng)具體設(shè)計如圖3所示。系統(tǒng)上線后客戶端的操作系統(tǒng)要求為WindowsXP、WindowsNT、Windows7中的任意一種即可，客戶端可以使用FireFox、Internet Explorer11、Chrome44瀏覽器對系統(tǒng)進行訪問。

2.3? 系統(tǒng)數(shù)據(jù)庫設(shè)計

針對氣象數(shù)據(jù)的特殊性，選擇MySQL數(shù)據(jù)庫進行開發(fā)。系統(tǒng)必須收集的數(shù)據(jù)有：近3年內(nèi)的歷史降雨量數(shù)據(jù);內(nèi)澇災(zāi)情數(shù)據(jù)包括區(qū)域坐標信息、內(nèi)澇災(zāi)情時間、受災(zāi)面積、災(zāi)情等級信息;常內(nèi)澇區(qū)數(shù)據(jù)包括排水泵的數(shù)據(jù)信息、DEM數(shù)據(jù)、內(nèi)澇水深數(shù)據(jù)等;水位數(shù)據(jù)包括水位深度、時間信息等;常內(nèi)澇DEM數(shù)據(jù)包括內(nèi)澇時間、內(nèi)澇地點、內(nèi)澇等級等信息。圖4為系統(tǒng)整體E-R圖。

3? 內(nèi)澇預(yù)警系統(tǒng)展示

內(nèi)澇數(shù)據(jù)管理系統(tǒng)包含常規(guī)的數(shù)據(jù)增刪查改功能。內(nèi)澇預(yù)警分析的預(yù)測模型是基于歷年降雨量信息、同頻率下水位信息和內(nèi)澇受災(zāi)面積等數(shù)據(jù)信息構(gòu)建的。采用BP神經(jīng)網(wǎng)絡(luò)分析得到受災(zāi)面積與降雨量信息和水位信息之間的關(guān)系;基于降雨量信息并結(jié)合模型預(yù)測內(nèi)澇區(qū)域坐標信息以及受災(zāi)面積、受災(zāi)等級等信息;將預(yù)測的信息與實際受災(zāi)信息進行比對，如有出入，則調(diào)整擬合權(quán)值使模型結(jié)果更接近真實情況。

系統(tǒng)上線后具備增加信息、刪除信息、查詢信息、修改信息、信息仿真與分析等功能。圖5（a）是系統(tǒng)的歷史內(nèi)澇點數(shù)據(jù)查詢頁面、圖5（b）是系統(tǒng)內(nèi)澇點、雨量、水深、水位等數(shù)據(jù)的錄入頁面、圖5（c）是系統(tǒng)河道情況的仿真查詢結(jié)果。

下面是系統(tǒng)基于BP神經(jīng)網(wǎng)絡(luò)模型下的預(yù)警分析功能展示。具體的BP神經(jīng)網(wǎng)絡(luò)預(yù)警分析流程為：首先在系統(tǒng)頁面中選取所需的預(yù)警分析模型和模型所需的相關(guān)數(shù)據(jù);點擊“仿真分析”按鈕進行分析并查看分析結(jié)果;根據(jù)分析結(jié)果與現(xiàn)實數(shù)據(jù)的對比，對模型的參數(shù)進行相應(yīng)的調(diào)整，使其分析的結(jié)果達到最優(yōu)程度。圖6（a）是系統(tǒng)內(nèi)澇點預(yù)警模型選取和內(nèi)澇相關(guān)數(shù)據(jù)輸入的頁面;圖6（b）是系統(tǒng)仿真參數(shù)輸入的頁面;圖6（c）是系統(tǒng)模型參數(shù)的矯正，具體包括模型中的系數(shù)、估計區(qū)間、殘差、置信區(qū)間等參數(shù)的矯正;圖6（d）是系統(tǒng)預(yù)警分析結(jié)果的展示。

4? 結(jié)? 論

針對城市經(jīng)常出現(xiàn)排水不暢、內(nèi)澇等現(xiàn)象，采用反向傳播神經(jīng)網(wǎng)絡(luò)算法為核心、B/S架構(gòu)為基礎(chǔ)設(shè)計一套符合本市特征的內(nèi)澇預(yù)警系統(tǒng)。該系統(tǒng)是集數(shù)據(jù)展示、信息預(yù)警及數(shù)據(jù)仿真于一身的城市內(nèi)澇監(jiān)測預(yù)警系統(tǒng)。該系統(tǒng)不僅具有常規(guī)系統(tǒng)的數(shù)據(jù)管理功能，還具備根據(jù)歷史信息和參數(shù)的調(diào)整而進行內(nèi)澇預(yù)警的功能。通過對系統(tǒng)的使用和測試，對比暴雨時實測的本市內(nèi)澇水深數(shù)據(jù)比較符合實際狀況，能夠滿足本市內(nèi)澇預(yù)警分析使用的需求。但是該系統(tǒng)也存在一定的不足，系統(tǒng)預(yù)警的實時性及其處理效率有待進一步提高。下一步將考慮憑借智能手機的便攜性和實時性實現(xiàn)預(yù)警信息的實時推送和反饋。

參考文獻：

[1] JIAO S，ZHANG X L，XU Y. A review of Chinese land suitability assessment from the rainfall-waterlogging perspective：Evidence from the Su Yu Yuan area [J].Journal of Cleaner Production，2017，144：100-106.

[2] GUO X L，F(xiàn)U D H，WANG J.Mesoscale convective precipitation system modified by urbanization in Beijing City [J].Atmospheric Research，2006，82（1-2）：112-126.

[3] 鄭屹.基于移動客戶端的城市內(nèi)澇預(yù)警系統(tǒng)設(shè)計與實現(xiàn) [D].南京：東南大學，2018.

[4] 黃丹萍，黃莉.南寧市暴雨內(nèi)澇監(jiān)測預(yù)警系統(tǒng) [J].氣象研究與應(yīng)用，2019，40（3）：43-46.

[5] 漢京超，王紅武，高學瓏，等.物聯(lián)網(wǎng)在城市雨洪智能管理中的應(yīng)用分析 [J].復(fù)旦學報（自然科學版），2013，52（1）：49-54.

[6] 陳勇，劉佐東，熊非凡，等.基于深度學習的城市積澇監(jiān)控預(yù)警系統(tǒng) [J].電腦知識與技術(shù)，2020，16（1）：174-175.

[7] 李娜，仇勁衛(wèi)，程曉陶，等.天津市城區(qū)暴雨瀝澇仿真模擬系統(tǒng)的研究 [J].自然災(zāi)害學報，2002（2）：112-118.

[8] 中國氣象報社.天津：新型仿真模擬系統(tǒng)為應(yīng)對內(nèi)澇提供依據(jù) [EB/OL].（2016-08-01）.http：//www.cma.gov.cn/2011 xwzx/2011xgzdt/201608/t20160801_318270.html.

[9] 陳博嘉.基于物聯(lián)網(wǎng)的城市內(nèi)澇監(jiān)測預(yù)警系統(tǒng)的設(shè)計與實現(xiàn) [D].廈門：廈門大學，2016.

[10] 劉曉月，劉偉平.首鋼京唐原料場無人化供料系統(tǒng)設(shè)計及應(yīng)用 [J].冶金自動化，2020，44（5）：15-19+38.

[11] 蔡曉瑋.基于GIS的城市內(nèi)澇預(yù)警預(yù)報系統(tǒng)設(shè)計討論 [J].科學與信息化，2018（2）：17.

[12] 施瓦茨，扎伊采夫，特卡琴科.高性能MySQL：第3版 [M].寧海元，等譯.北京：電子工業(yè)出版社，2013.

[13] 王珊，薩師煊.數(shù)據(jù)庫系統(tǒng)概論（第5版） [M].北京：高等教育出版社，2014.

[14] 尼爾森.深入淺出神經(jīng)網(wǎng)絡(luò)與深度學習 [M].北京：人民郵電出版社，2020.

[15] 楊舒放.基于改進BP神經(jīng)網(wǎng)絡(luò)方法的室內(nèi)環(huán)境37 GHz毫米波信道傳播特性研究 [D].南京：南京郵電大學，2020.

[16] 潘程艷.帶動量的BP神經(jīng)網(wǎng)絡(luò)在線梯度學習算法的收斂性 [D].上海：華東理工大學，2020.

[17] 劉加達，于帆，溫治，等.基于BPNN和RNN模型的燒結(jié)礦質(zhì)量預(yù)測方法對比及分析 [J].冶金自動化，2020，44（5）：20-26.

[18] 胡臻龍.基于深度神經(jīng)網(wǎng)絡(luò)的紗線質(zhì)量預(yù)測模型研究 [D].上海：東華大學，2020.

作者簡介：張秀春（1988.05—），女，滿族，遼寧鞍山人，中級工程師，碩士研究生，研究方向：圖像處理、大數(shù)據(jù)、人工智能;張宣（1989.02—），男，漢族，安徽馬鞍山人，中級工程師，碩士研究生，研究方向：計算機系統(tǒng)、圖像處理、大數(shù)據(jù)。