本技術涉及自然災害風險預測，尤其涉及基于時空圖學習的城市內澇風險多層級預測方法、設備、存儲介質及計算機程序產品。

背景技術：

1、城市內澇是指在高強度、短歷時暴雨條件下，城市產流量超過了城市排水系統(tǒng)的承載能力，導致雨水不能順利排出，從而造成城市地表大規(guī)模積水的現(xiàn)象?？焖贉蚀_地預測城市內澇風險是科學開展內澇防治工作的關鍵環(huán)節(jié)，因此，開發(fā)有效的城市內澇風險預測方法對于提高城市抗洪能力、保障公共安全、減少經濟損失具有重要意義。當前城市內澇風險預測方法主要分為兩類：一是物理機制為基礎的水動力模型，二是以數(shù)據(jù)驅動為核心的機器學習模型。前者通常依賴復雜的邊界條件、結構參數(shù)和高性能計算資源，雖具備一定的解釋性和預測精度，但難以實現(xiàn)快速響應和區(qū)域級大規(guī)模部署；后者多采用時序建?；驁D結構建模手段，如lstm、隨機森林、圖卷積神經網(wǎng)絡gcn等，雖具備較好的訓練速度和預測效果，但其存在模態(tài)單一、結構固定、難以全面表達城市水文系統(tǒng)的時空耦合過程、預測結果輸出維度有限、應用范圍受限、動態(tài)響應能力較弱等問題。

2、因此，如何融合多模態(tài)城市水文數(shù)據(jù)，進行全面且準確的城市內澇風險預測，成為本技術亟需解決的問題。

3、上述內容僅用于輔助理解本技術的技術方案，并不代表承認上述內容是現(xiàn)有技術。

技術實現(xiàn)思路

1、本技術的主要目的在于提供一種基于時空圖學習的城市內澇風險多層級預測方法、設備、存儲介質及計算機程序產品，旨在解決如何融合多模態(tài)城市水文數(shù)據(jù)，實現(xiàn)全面且準確的城市內澇風險預測的技術問題。

2、為實現(xiàn)上述目的，本技術提出一種基于時空圖學習的城市內澇風險多層級預測方法，所述方法包括：

3、采集多模態(tài)城市水文數(shù)據(jù)；

4、對所述多模態(tài)城市水文數(shù)據(jù)進行分層時間建模，提取時間嵌入向量；

5、基于所述時間嵌入向量構建異構圖，對所述異構圖進行空間特征聚合計算，得到空間嵌入表示；

6、根據(jù)所述空間嵌入表示進行多層級預測，得到多粒度內澇風險指標。

7、在一實施例中，所述時間嵌入向量包括節(jié)點時間嵌入向量、邊級時間嵌入向量、以及圖級時間嵌入向量，所述對所述多模態(tài)城市水文數(shù)據(jù)進行分層時間建模，提取時間嵌入向量的步驟包括：

8、對所述多模態(tài)城市水文數(shù)據(jù)進行數(shù)據(jù)預處理；

9、基于數(shù)據(jù)預處理后的多模態(tài)城市水文數(shù)據(jù)構建時間序列，所述時間序列包括節(jié)點時間序列、邊級時間序列、以及圖級時間序列；

10、將所述節(jié)點時間序列輸入預先構建的節(jié)點時間模型進行時間建模，得到節(jié)點時間嵌入向量；

11、將所述邊級時間序列輸入預先構建的邊級時間模型進行時間建模，得到邊級時間嵌入向量；

12、將所述圖級時間序列輸入預先構建的圖級時間模型進行時間建模，得到圖級時間嵌入向量。

13、在一實施例中，所述數(shù)據(jù)預處理包括時間對齊、數(shù)值標準化、缺失值填補、以及圖像裁剪，所述對所述多模態(tài)城市水文數(shù)據(jù)進行數(shù)據(jù)預處理的步驟包括：

14、采用滑動窗口結構將所述多模態(tài)城市水文數(shù)據(jù)以統(tǒng)一時間基準進行時間對齊，得到時間對齊的多模態(tài)城市水文數(shù)據(jù)；

15、基于標準化算法和歸一化算法對時間對齊的多模態(tài)城市水文數(shù)據(jù)進行數(shù)值標準化處理，得到標準化多模態(tài)城市水文數(shù)據(jù)；

16、填補所述標準化多模態(tài)城市水文數(shù)據(jù)中的缺失數(shù)據(jù)，并將所述標準化多模態(tài)城市水文數(shù)據(jù)中的圖級特征數(shù)據(jù)以預設的統(tǒng)一尺寸進行圖像裁剪，得到數(shù)據(jù)預處理后的多模態(tài)城市水文數(shù)據(jù)。

17、在一實施例中，所述基于所述時間嵌入向量構建異構圖，對所述異構圖進行空間特征聚合計算，得到空間嵌入表示的步驟包括：

18、獲取城市結構化空間信息，基于所述城市結構化空間信息構建異構圖；

19、引入所述節(jié)點時間嵌入向量作為所述異構圖的節(jié)點特征表示，所述邊級時間嵌入向量作為所述異構圖的邊特征表示，所述圖級時間嵌入向量作為所述異構圖的虛擬節(jié)點或廣播式全連接變量，得到特征初始化異構圖；

20、將所述特征初始化異構圖輸入預先構建的圖神經網(wǎng)絡模型開展空間特征聚合計算，得到聯(lián)合嵌入向量；

21、對所述聯(lián)合嵌入向量進行多輪卷積與結構增強，得到空間嵌入表示。

22、在一實施例中，所述將所述特征初始化異構圖輸入預先構建的圖神經網(wǎng)絡模型開展空間特征聚合計算，得到聯(lián)合嵌入向量的步驟包括：

23、將所述特征初始化異構圖輸入所述圖神經網(wǎng)絡模型，為所述特征初始化異構圖中不同類型的節(jié)點集合分別定義獨立聚合函數(shù)，基于所述獨立聚合函數(shù)確定所述節(jié)點集合的節(jié)點局部聚合特征；

24、基于所述節(jié)點局部聚合特征和預定義的邊類型相關變換矩陣進行邊關系建模，得到邊關系調整后的節(jié)點局部聚合特征；

25、根據(jù)元路徑機制或門控融合模塊對邊關系調整后的節(jié)點局部聚合特征進行跨類型結構性信息交換，得到聯(lián)合嵌入向量。

26、在一實施例中，所述多層級預測包括節(jié)點級預測、邊級預測、以及圖級預測，所述多粒度內澇風險指標包括節(jié)點級內澇風險指標、邊級內澇風險指標、以及圖級內澇風險指標，所述空間嵌入表示包括節(jié)點級空間嵌入表示、圖級空間嵌入表示、邊級空間嵌入表示，所述根據(jù)所述空間嵌入表示進行多層級預測，得到多粒度內澇風險指標的步驟包括：

27、將所述空間嵌入表示輸入采用聯(lián)合損失函數(shù)訓練的節(jié)點級預測器進行節(jié)點級預測，得到節(jié)點級內澇風險指標；和/或

28、將所述邊級空間嵌入表示輸入采用聯(lián)合損失函數(shù)訓練的邊級預測器進行邊級預測，得到邊級內澇風險指標；和/或

29、將所述圖級空間嵌入表示輸入采用聯(lián)合損失函數(shù)訓練的圖級預測器進行圖級預測，得到圖級內澇風險指標。

30、在一實施例中，所述節(jié)點級預測器包括節(jié)點級分類器和節(jié)點級回歸器，所述將所述空間嵌入表示輸入采用聯(lián)合損失函數(shù)訓練的節(jié)點級預測器進行節(jié)點級預測，得到節(jié)點級內澇風險指標的步驟包括：

31、獲取預測目標任務，并根據(jù)所述預測目標任務確定預測目標任務類型，所述目標任務類型包括分類任務和回歸任務；

32、若所述預測目標任務類型為分類任務，則將所述空間嵌入表示輸入所述節(jié)點級分類器進行節(jié)點級預測，得到節(jié)點級內澇風險指標；

33、若所述預測目標任務類型為回歸任務，則將所述空間嵌入表示輸入所述節(jié)點級回歸器進行節(jié)點級預測，得到節(jié)點級內澇風險指標。

34、此外，為實現(xiàn)上述目的，本技術還提出一種城市內澇風險預測設備，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現(xiàn)如上文所述的基于時空圖學習的城市內澇風險多層級預測方法的步驟。

35、此外，為實現(xiàn)上述目的，本技術還提出一種存儲介質，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文所述的基于時空圖學習的城市內澇風險多層級預測方法的步驟。

36、此外，為實現(xiàn)上述目的，本技術還提供一種計算機程序產品，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文所述的基于時空圖學習的城市內澇風險多層級預測方法的步驟。

37、本技術提出的一個或多個技術方案，至少具有以下技術效果：

38、采集多模態(tài)城市水文數(shù)據(jù)；對所述多模態(tài)城市水文數(shù)據(jù)進行分層時間建模，提取時間嵌入向量；基于所述時間嵌入向量構建異構圖，對所述異構圖進行空間特征聚合計算，得到空間嵌入表示；根據(jù)所述空間嵌入表示進行多層級預測，得到多粒度內澇風險指標。首先，采集多模態(tài)城市水文數(shù)據(jù)，為城市內澇風險預測提供全面的數(shù)據(jù)來源，進而提高預測的全面性；進一步地，對多模態(tài)城市水文數(shù)據(jù)進行分層時間建模，提取時間嵌入向量，充分挖掘城市多源異構信息在時空維度上的協(xié)同作用，增強模型對復雜環(huán)境的表達能力；進一步地，基于提取的時間嵌入向量構建異構圖，并對異構圖進行空間特征聚合計算。區(qū)別于傳統(tǒng)“先空間、后時間”，無法同時完成點、邊、圖級預測的建模方式，本技術優(yōu)先時間建模，即先進行時間建模，再統(tǒng)一進行空間特征聚合計算，從而保留各模態(tài)時間演化特征，提高預測精度，進而適用于突發(fā)性、非同步性強的城市內澇預測，能夠同時完成點、邊、圖級預測；最后，根據(jù)空間嵌入表示進行多層級預測，得到多粒度內澇風險指標，滿足城市內澇風險預測在不同層級和尺度上的需求。綜上所述，通過多模態(tài)數(shù)據(jù)采集、分層時間建模、異構圖構建與空間特征聚合計算以及多層級預測，有效融合多模態(tài)城市水文數(shù)據(jù)，并實現(xiàn)全面且準確的城市內澇風險預測。