(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211156980.5 (22)申请日 2022.09.22 (71)申请人 上海市城市 建设设计研究总院 （集 团） 有限公司 地址 200120 上海市黄浦区西藏 南路1170 号 (72)发明人 何黎　纪莎莎　陈泽伟　宋晨曦　 (74)专利代理 机构 上海知义 律师事务所 313 04 专利代理师 刘峰 (51)Int.Cl. G06F 30/20(2020.01) G06F 30/27(2020.01) G06F 17/10(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于仿真模型的城市排水管网系统缺失数 据重构方法 (57)摘要 本发明公开了基于仿真模型的城市排水管 网系统缺失数据重构方法， 包括如下步骤： 1、 搭 建城市排水系统的仿真模 型； 2、 通过仿真模型计 算恒定入流流量数据得到末端下游的液位数据； 3、 将做随时间变化的累积计算， 得到随时间变化 的入流流量体积数据； 4、 以仿真模型为基础， 构 建ConvGRU Net神经网络模型； 5、 将真实监测液位 数据level， 作为ConvGRUNet神经网络模型的输 入， 得到城市排水系 统容纳的累积水量volume； 6、 得到关系函数f(level,v olume)， 并进行求导， 得到对应hlevel的整个排水系统的xsquare； 7、 对每 一时刻的流量进行循环计算， 重构缺失的流量数 据。 本发明提高排水 管网数据重构后的准确性。 权利要求书2页 说明书5页 附图2页 CN 115392053 A 2022.11.25 CN 115392053 A 1.基于仿真模型的城市排水 管网系统缺失数据重构方法； 其特 征在于， 包括如下步骤： 步骤1、 搭建城市排水系统的仿真模型； 步骤2、 随机选择一个节点的城市化排水管网的恒定入流流量数据V1作为输入， 通过所 述仿真模型计算得到末端下游的液位数据V 2； 步骤3、 数据预处理； 将V1做随时间变化的累积计算， 得到随时间变化的入流流量体积 数据V3； 步骤4、 以所述仿真模型为基础， 构建ConvGRUNet神经网络模型进行动态数据进行训练 学习； 步骤5、 将获取的真实监测液位数据level， 作为所述ConvGRUNet神经网络模型的输入， 得到所述ConvGRUNet神经网络模型的计算结果， 作为城市排水系统容纳的累积水量 volume； 步骤6、 根据步骤5获得的多个数据得到关系函数f(level,volume)； 对关系函数f (level,vo lume)求导， 得到对应hlevel的整个排水系统的xsquare； 步骤7、 根据质量守恒定律， 在城市排水系统管网中任一监测点的当前时刻的水位变化 情况与当前时刻流入所述监测点的流量以及当前时刻被泵站 排走的流量有关， 因此根据公 式 对每一时刻的流 量进行循环计算， 即可重构缺失的流 量数据； 其中， y为 缺失的流 量数据； xsquare为排水管网系统当前时刻底面积； dealth为液位当前时刻变化高度； vp为泵站当前时刻相对于上一时刻排出的水量； tinterval为输入监测数据的时间步长 。 2.根据权利要求1所述的基于仿真模型的城市排水管网系统缺失数据重构方法， 其特 征在于， 所述 步骤4包括如下步骤： 步骤4.1、 ConvGRUNet神经网络模型的搭建， 包括输入层、 特征提取层、 全连接层和输出 层； 所述特征提取层包括 一维卷积层 及门控循环单 元层； 所述一维卷积层使用卷积核大小分别为2、 3、 4以及卷积核数量均为32的一维卷积分别 对输入数据进行局部特 征的提取； 所述局部特 征通过特征拼接后作为所述门口循环单 元层的特 征输入； 所述门控循环单元层包括神经元数量为32 的门控神经单元和神经元数量为16的门控 神经单元； 所述全连接层包括神经元数量分别为16， 8， 4的全连接结构组成， 每层 之间的激活函数 均为Relu； 步骤4.2、 模型训练参数的设置； 所述ConvGRUNet神经网络模型在训练中需要设置的参数包括训练轮次epochs， 每次训 练的样本数量batchsize， 模型训练优化器optimizer， 训练学习率lr， 每轮训练学习率下降 系数θ 以及训练损失函数l oss； 步骤4.3、 训练样本数据集的形成；权　利　要　求　书 1/2 页 2 CN 115392053 A 2以下游数据S2作为输入， 待重构数据S1作为输出， 以滑动窗口的方法进行训练数据集 的构建， 构建过程中 需要设定滑动窗口 的大小s和窗口 的滑动步长l； 步骤4.4、 所述Co nvGRUNet神经网络模型的训练； 采用反向传播 算法进行训练， 具体如下： 步骤4.4.1、 初始化所述Co nvGRUNet神经网络模型的神经网络 权重参数w 步骤4.4.2、 输入数据x通过前向传播的计算得到模型预测结果 并根据训练损失函数 loss计算模型损失为 步骤4.4.3、 通过反向传播算法对所述ConvGRUNet神 经网络模型的参数进行更新， wnew ←wold‑lr×adam(wold,loss)， 此处adam为所选用的optimizer； 步骤4.4.4、 更新学习训练率 lrnew＝θ×lrold； 步骤4.4.5、 重复步骤4.4.2至步骤4.4.4 直至训练结束。权　利　要　求　书 2/2 页 3 CN 115392053 A 3