基于遺傳算法的城市雨水排水管網狀態預測研究

摘要：結合遺傳算法（Genetic Algorithm， GA）與長短期記憶網絡（Long Short-Term Memory，LSTM）構建預測模型，并基于管齡、管長、埋深等多維度特征參數，采用GA動態調整LSTM超參數組合，以準確評估城市雨水排水管網狀態。模型驗證結果表明，優化后的GA-LSTM模型在結構性缺陷F和功能性缺陷G預測中表現突出，決定系數（R2）、平均絕對誤差（Mean Absolute Error，MAE）、平均絕對誤差（Mean Absolute Error，MAE）3項指標分別達到0.916、0.309和0.135，相較于傳統LSTM模型，R2提高了4.9%，MAE和RMSE值分別減少了12.2%和17.7%

關鍵詞：遺傳算法 長短期記憶網絡 雨水管網 狀態預測

Research on State Prediction of Urban Rainwater Drainage Network Based on Genetic Algorithm

WU Rongping

Yuanhong Liangguo Shuangyuan （Fujian） Holdings Group Co.， Ltd.， Fuzhou， Fujian Province， 350300 China

Abstract： Combining genetic algorithm （GA） with long-term and short-term memory network （LSTM， a prediction model is constructed， and based on multi-dimensional characteristic parameters such as pipe age， pipe length and buried depth， the GA is used to dynamically adjust the hyperparameter combination of LSTM to accurately evaluate the state of urban rainwater drainage pipe network. The model verification results show that the optimized GA-LSTM model is outstanding in the prediction of structural defect F and functional defect G， and the three indexes of determination coefficient （R 2）， mean absolute error （MAE） and MAE reach 0.916， 0.309 and 0.135 respectively. Compared with the traditional LSTM model， R² is increased by 4.9%， and the values of MAE and RMSE are decreased by 12.2% and 17.7% respectively.

Key Words： Genetic algorithm; Long-term and short-term memory network; Rainwater pipe network; State prediction

隨著城市化進程的加快，城市雨水排水管網作為城市的重要基礎設施，其健康狀態直接關系到城市的防汛排澇能力和居民的生活安全^[1]。然而，傳統的管網管理方法往往依賴于人工經驗和定期檢測，存在效率低、成本高、難以及時發現潛在問題等缺陷^[2]。因此，開發一種高效、準確的城市雨水排水管網健康狀態預測方法，對提升城市排水系統的運行效率和管理水平具有重要意義。

近年來，遺傳算法（Genetic Algorithm， GA）作為一種人工智能算法，因強大的全局尋優能力和自適應調整搜索方向的特點，在多個領域得到了廣泛應用^[3]。GA通過模擬自然界生物進化過程，采用選擇、交叉、變異等遺傳操作，能夠不斷進化出適應度更高的個體，從而找到問題的最優解或近似最優解^[4]。在城市雨水排水管網優化設計中，GA已經顯示出巨大的潛力和優勢^[5]。

本研究旨在構建基于GA優化的長短期記憶網絡（Long Short-Term Memory，LSTM）預測模型，對城市雨水排水管網的狀態進行準確預測。通過收集和分析城市雨水排水管網的評估指標，包括管齡、管長、埋深等，利用GA對LSTM模型的超參數進行優化，實現對雨水管網健康狀態的準確預測。本研究所提出的模型有望為城市雨水排水管網的管理和維護提供科學依據，為城市防洪排澇、水資源管理工作提供有力支持。

1 研究方法

1.1 輸入與輸出指標

雨水排水管網在運行過程中的健康狀態受到多方面的影響，包括內部水流特性、外部環境因素、管道自身的物理狀況等。因此，在選取模型的輸入參數時，本文綜合考慮了環境因素和排水能力兩方面（如表1所示）。

在選擇輸出參數時，本文綜合考量了結構性狀況評估和功能性狀況評估。結構性狀況評估主要關注管道系統的物理完整性、材料老化、連接處的緊固度、可能的物理損傷等，這關系到管道系統的穩定性和長期耐久性。功能性狀況評估側重于管道系統的運行效率、流量控制、壓力穩定性、是否存在泄漏等，這影響管道系統的使用效果和安全性。因此，本文采用管道系統結構性缺陷F和功能性缺陷G作為模型輸出，兩種缺陷的等級劃分如表2所示。

1.2 LSTM模型

LSTM網絡是一種特殊的循環神經網絡（Recurrent Neural Network，RNN），它通過引入內存塊（也稱為LSTM單元）來克服傳統RNN在處理長序列數據時面臨的梯度消失和梯度爆炸問題^[6]。每個LSTM單元由4個關鍵組件構成：遺忘門、輸入門、輸出門和一個記憶單元（通常稱為細胞狀態）。這些組件通過門控機制來控制信息的流動和存儲，捕捉其中的長期依賴關系，從而實現對信息的有效管理和利用。其運行公式如下。

1.3 遺傳算法

GA是一種模擬自然選擇和遺傳學原理的優化算法，它能夠在復雜的搜索空間中尋找最優解或近似最優解。將GA與LSTM網絡結合，可以自動搜索和優化LSTM網絡的參數配置，從而提高其性能并降低手動調參的工作量^[7]。GA優化LSTM的步驟主要包括以下3點。

（1）定義LSTM網絡結構和超參數空間。這包括確定網絡層數、隱藏單元數、學習率等關鍵參數。這些參數的選擇將直接影響到LSTM網絡的性能和效果。

（2）利用GA進行參數搜索和優化。GA通過模擬生物進化過程來搜索最優解。在這一步驟中，需要定義適應度函數來評估每個個體（即一組網絡參數）的性能，通常基于網絡在訓練集上的分類準確率或預測精度。然后，GA會不斷進化和優化網絡參數，通過選擇、交叉、變異等操作產生新一代個體，直到達到滿意的性能水平或達到最大迭代次數。

（3）應用最優網絡進行數據分類預測任務。經過GA優化后，將得到的最優LSTM網絡應用于實際的數據分類預測任務中。通過訓練和測試數據集的驗證，可以評估其性能和泛化能力。

1.4 精度評價指標

本文采用平均絕對誤差（Mean Absolute Error，MAE）、均方誤差（Root Mean Square Error，RMSE）和決定系數（R2）作為模型的評價方法。MAE和RMSE能夠量化模型預測值與實際值之間的偏差，得分越低，表明模型的預測誤差越小，預測精度越高。R²的值反映了模型預測值與實際值之間的線性關系強度，其值越接近1，表明模型的預測值與實際值的擬合程度越高，模型性能越優越。3個指標的計算如下：

2. 模型訓練與性能驗證

2.1 模型參數設置

在進行GA-LSTM模型構建時，需要預先設定LSTM的超參數數值范圍，包括隱藏層數，這決定了模型能夠捕捉到的信息深度。神經元數影響著模型的表示能力和計算復雜度；迭代次數關系到模型是否充分學習到了數據的特征。同時，GA的參數設置也至關重要，包括交叉率，它決定了新個體中父母基因的組合方式。變異率為新個體引入了隨機性，有助于探索解空間；GA的迭代次數控制著整個優化過程的搜索深度。這些設置將直接影響模型的優化效果和訓練效率。

2.2" 模型預測結果

本研究以廣州市某地的雨水排水管網為例，共選取578條管道數據，將數據以8：2的比例劃分為訓練集和測試集。圖1和圖2分別展示了LSTM模型、GA-LSTM模型所輸出的結構性缺陷F和功能性缺陷G的預測值與實際值的對比。在常規狀況下，兩種模型均展現出了對雨水排水管網狀態的有效預測能力，預測結果與實際值高度吻合。但在一些極端的情況下，即在管道的缺陷嚴重或管道完好程度較高的情況下，LSTM模型的預測準確性不如GA-LSTM模型。

整體而言，LSTM模型的R2值為0.873、MAE值為0.352、RMSE值為0.164。經過GA優化后的GA-LSTM模型，其R2值提高到了0.916、MAE值降低到了0.309、RMSE值則降低到了0.135。這意味著，經過GA的優化，LSTM模型的R2值提高了4.9%、MAE值減少了約12.2%、RMSE值減少了約17.7%。這歸功于GA在優化LSTM模型參數方面的強大能力。GA通過模擬自然選擇和遺傳機制，能夠高效地搜索出最優或近似最優的模型參數組合，從而顯著提升模型的預測性能。GA-LSTM模型通過挖掘各影響因素指標與管道缺陷程度之間的映射關系，實現了機理研究與數據驅動的有效融合。這不僅增強了模型對管道缺陷狀態的預測能力，還提高了排水管道系統健康評估的效率和準確度。通過GA-LSTM模型，工作人員可以快速且準確地查明排水管網的運行狀況，包括管道的結構性缺陷和功能性缺陷，GA-LSTM的預測結果可以為城市排水系統的維護和管理提供重要依據。

在測試集的116條雨水管道中，結構性缺陷的問題尤為突出。統計結果顯示：無一管道完全免受結構性缺陷的影響，其中，1.3%的管道存在重大結構性缺陷，可能嚴重影響其承重能力和使用壽命，尤其在極端天氣條件下，這些缺陷將極大降低排水效率，給城市的防洪排澇系統帶來嚴峻挑戰；同時，38.8%的管道存在嚴重結構性缺陷，同樣不容忽視。盡管結構性缺陷問題嚴重，但功能性缺陷方面的情況相對樂觀。所有116條管道的功能性缺陷G值均處于2～4的范圍內，表明盡管結構上存在問題，但管道的過流能力并未受到嚴重阻礙，未出現極端過流不暢或完全受阻的情況。通過實時監測和預測管道缺陷，相關部門可以及時發現并修復潛在的問題，避免因管道破損或堵塞而導致的城市內澇等災害的發生。

3 結論

本研究成功構建了基于GA優化的LSTM預測模型，用于城市雨水排水管網狀態的準確預測。實驗表明，GA-LSTM模型在預測管道結構性缺陷和功能性缺陷方面均優于傳統LSTM模型，預測精度顯著提高。模型不僅實現了機理研究與數據驅動的有效融合，還增強了管道缺陷狀態的預測能力，提高了排水管道系統健康評估的效率和準確度。通過實時監測和預測，相關部門可及時發現并修復潛在問題，避免城市內澇等災害發生。未來，將進一步優化模型參數，擴大數據集規模，以提高預測模型的泛化能力和實用性。

參考文獻

1. 傅春，林國聰，黃金燕，等.基于MIKE模型的湘陰縣雨水管網健康度評價[J].水利水電科技進展，2023，43（6）：103-110.
2. 林國聰.基于雨水管網健康度的排水防澇措施優化[D]. 南昌：南昌大學，2024.
3. 和征，張同靜，楊小紅.基于BP神經網絡和遺傳算法的設備故障診斷與健康管理模型研究[J/OL].制造技術與機床，1-10[2024-10-27].http：//kns.cnki.net/kcms/detail/11.3398.TH.20240923.1719.006.html.
4. 王遠飛.基于遺傳算法的水質模型參數估計研究[J].市政技術，2024，42（8）：205-214，244.
5. 張順平，張慧穎，宋治岑.基于SWMM和改進NSGA-Ⅱ算法的雨水管網多目標優化研究[J].科技通報，2023，39（10）：76-82，104.
6. 魏化永，李建華.基于改進LSTM的城市軌道短時流量預測研究[J].太原學院學報（自然科學版），2024，42（4）：49-55.
7. 于溪.基于多尺度注意力機制和GA-LSTM的股指價格預測[D].濟南：山東大學，2023.