CNLSTM模型预测城市积水

周小力，李 云,，王国胤，张 毅

(1.重庆邮电大学 移动通信技术重庆市重点实验室，重庆 400065；2.重庆邮电大学 计算智能重庆市重点实验室，重庆 400065；3.中电科技集团 重庆声光电有限公司，重庆 400060)

0 引 言

近年来，暴雨天气频发。巨大的降雨量容易导致城市内涝甚至洪灾，造成严重的经济财产损失。因此，精准且快速预测内涝积水从而为防灾减灾措施提供依据成为亟待解决的问题。

传感器技术与物联网技术的迅速发展使各地积水数据可以实时获取，并且能够为水位预测提供海量数据基础。因此，本文利用物联网平台中的传感器监测数据构建积水水位预测模型。

传感器监测数据具有时序性特点，传统的时间序列分析模型，如自回归滑动平均模型(autoregressive moving average, ARMA)[1]、差分自回归移动平均模型(auto regressive integrated moving average model, ARIMA)[2],灰色模型(grey model, GM)[3]等能够有效提取数据间的时序性及线性关系，但无法处理非线性关系。而神经网络可以通过有效的训练来识别数据间复杂的非线性关系，因而被广泛应用于各个领域，如降雨径流预报，水位预测等。A.Hamzic等[4]使用非线性自回归神经网络与前馈反向传播神经网络对湖泊水位进行预测，得到了较好的预测结果；J.Zhang等[5]使用灰色径向基神经网络(radial basis function neural network, RBF)构建水文预报系统，结果表明，模型拥有较好的精度和稳定性，验证了神经网络在预测中的可靠性；邵月红等[6]通过对比Elman动态神经网络和水文模型分析河流日径流量的情况，证明Elman动态神经网络可以更好地模拟日径流量，预报结果更为准确；……