SWMM模型的建模方法以及建模装置

技术领域

本发明涉及城市管网管理技术领域，具体地涉及一种SWMM模型的建模方法以及一种SWMM模型的建模装置。

背景技术

现代城市规模往往较大，为了满足人们的日常生活，以及为人们提供好的生活环境，城市内设计和建造了大量、复杂的地下排水、供水管网系统，而上述地下排水、供水管网系统的管理为管理人员造成了一定的困扰。

为了进行更好的管理，技术人员开发出SWMM(storm water management model，暴雨洪水管理模型)模型以辅助人们对日益严重的城市排水问题进行管理，通过该模型可以对单场暴雨或者连续降雨而产生的暴雨径流进行动态模拟，进而解决与城市排水系统相关的水量与水质问题。

然而在实际应用过程中，虽然该模型具有强大的水文、水动力和水质模拟功能，可以很好地为城市排水管网的管理以及水环境、水生态的保护提供依据，但该模型的正常运行依赖于技术人员人工导入大量的数据，而人工进行大量数据的导入工作必然存在耗时长、误差大的技术问题，因此其在数据导入的方面并不完善，为技术人员搭建数据量巨大的SWMM模型的过程中造成了极大的困扰，降低了后续模型搭建的精确性和搭建效率，无法满足当前技术人员的实际需求。

发明内容

为了克服现有技术中存在的上述技术问题，本发明实施例提供一种SWMM模型的建模方法以及建模装置，通过对现有的SWMM模型建立方法进行改进，采用图数据库结合自动处理脚本的方式，对原始数据进行自动配置和校正，从而实现SWMM模型的快速配置和创建，提高模型生成效率，提高了数据导入效率和导入精确性，满足了用户的实际需求。

为了实现上述目的，本发明实施例提供一种SWMM模型的建模方法，所述方法包括：获取原始管网数据和原始降雨数据；对所述原始管网数据进行预处理获得处理后管网数据，以及对所述原始降雨数据进行预处理获得处理后降雨数据；基于遥感图像和所述处理后管网数据生成子汇水区数据，所述子汇水数据为二维平面数据；获取初始SWMM模型；基于所述处理后管网数据、所述处理后降雨数据以及所述子汇水区数据对所述初始SWMM模型进行配置，生成配置后模型。

优选地，所述对所述原始管网数据进行预处理获得处理后管网数据，包括：基于预设数据处理脚本对所述原始管网数据进行编号缺省处理，获得处理后数据；基于所述预设数据处理脚本对所述处理后数据进行格式转换，获得转换后数据；基于所述转换后数据生成对应的拓扑模型，所述拓扑模型基于图数据库生成；获取SWMM模型的数据配置信息，基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据。

优选地，所述数据配置信息包括必要数据属性和管道连通信息，所述基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据，包括：基于所述必要数据属性对所述转换后数据执行属性配置操作，生成第一配置后数据；基于所述管道连通信息对所述第一配置后数据执行管道配置操作，生成第二配置后数据；基于弱连接社区检测算法对所述第二配置后数据执行孤立数据配置操作，生成第三配置后数据；基于所述第三配置后数据提取节点参数数据和管渠参数数据，将所述节点参数数据和所述管渠参数数据作为处理后管网数据。

优选地，所述对所述原始降雨数据进行预处理获得处理后降雨数据，包括：获取预设时间周期内采集的降雨数据；获取相邻两次采集的数据之间的缺失数据量；若所述缺失数据量小于等于预设值，则基于预设线性内插规则对相邻两次采集的数据进行处理，获得第一处理后数据；若所述缺失数据量大于预设值，则基于预设学习算法提取相邻两次采集的数据的数据特征，基于所述数据特征对相邻两次采集的数据进行处理，获得第二处理后数据；基于所述第一处理后数据或所述第二处理后数据生成处理后降雨数据。

优选地，所述基于所述处理后管网数据生成子汇水区数据，包括：获取与管网监管区域对应的地图图像；生成与所述地图图像的边界对应的初始面文件，对所述初始面文件进行分割，获得分割后子面文件；对所述分割后子面文件进行不透水率配置，生成对应的配置后子面文件；确定所述配置后子面文件的形心属性信息；基于所述拓扑模型对所述形心数据信息进行分析，生成子汇水区数据，所述子汇水区数据包括雨水井数据和子汇水区节点数据。

优选地，所述基于所述处理后管网数据、所述处理后降雨数据以及所述子汇水区数据对所述初始SWMM模型进行配置，生成配置后模型，包括：获取所述初始SWMM模型的运行时间，在所述处理后降雨数据中提取所述运行时间内的范围降雨数据；获取子汇水区配置参数，基于所述子汇水区配置参数提取对应的子汇水区配置数据；基于所述处理后管网数据、所述范围降雨数据以及所述子汇水区配置数据对所述初始SWMM模型进行配置，生成配置后模型。

相应的，本发明还提供一种SWMM模型的建模装置，所述装置包括：数据获取单元，用于获取原始管网数据和原始降雨数据；预处理单元，用于对所述原始管网数据进行预处理获得处理后管网数据，以及对所述原始降雨数据进行预处理获得处理后降雨数据；数据生成单元，用于基于遥感数据和所述处理后管网数据生成子汇水区数据，所述子汇水数据为二维平面数据；初始模型获取单元，用于获取初始SWMM模型；模型搭建单元，用于基于所述处理后管网数据、所述处理后降雨数据以及所述子汇水区数据对所述初始SWMM模型进行配置，生成配置后模型。

优选地，所述对所述原始管网数据进行预处理获得处理后管网数据，包括：基于预设数据处理脚本对所述原始管网数据进行编号缺省处理，获得处理后数据；基于所述预设数据处理脚本对所述处理后数据进行格式转换，获得转换后数据；基于所述转换后数据生成对应的拓扑模型，所述拓扑模型基于图数据库生成；获取SWMM模型的数据配置信息，基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据。

优选地，所述数据配置信息包括必要数据属性和管道连通信息，所述基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据，包括：基于所述必要数据属性对所述转换后数据执行属性配置操作，生成第一配置后数据；基于所述管道连通信息对所述第一配置后数据执行管道配置操作，生成第二配置后数据；基于弱连接社区检测算法对所述第二配置后数据执行孤立数据配置操作，生成第三配置后数据；基于所述第三配置后数据提取节点参数数据和管渠参数数据，将所述节点参数数据和所述管渠参数数据作为处理后管网数据。

优选地，所述对所述原始降雨数据进行预处理获得处理后降雨数据，包括：获取预设时间周期内采集的降雨数据；获取相邻两次采集的数据之间的缺失数据量；若所述缺失数据量小于等于预设值，则基于预设线性内插规则对相邻两次采集的数据进行处理，获得第一处理后数据；若所述缺失数据量大于预设值，则基于预设学习算法提取相邻两次采集的数据的数据特征，基于所述数据特征对相邻两次采集的数据进行处理，获得第二处理后数据；基于所述第一处理后数据或所述第二处理后数据生成处理后降雨数据。

通过本发明提供的技术方案，本发明至少具有如下技术效果：

通过采用图数据库结合脚本程序耦合运行的方式，自动对SWMM模型配置过程中所需要的管网数据以及地图数据进行配置和校正，实现了SWMM模型的自动化搭建，极大地提高了SWMM模型的搭建效率，在减小人力和时间成本的同时大大减小人工操作带来的误差，为高精度城市排水管网模型的搭建奠定基础，为城市排水管网的信息化管理和污染控制政策的制定提供依据。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明实施例提供的SWMM模型的建模方法的具体实现流程图；

图2是本发明实施例提供的SWMM模型的建模方法中排水管网拓扑模型的示意图；

图3是本发明实施例提供的SWMM模型的建模方法中生成子汇水区数据的具体实现流程图；

图4是本发明实施例提供的SWMM模型的建模方法中配置后子面文件的示意图；

图5是本发明实施例提供的SWMM模型的建模方法中生成配置后模型的具体实现流程图；

图6是本发明实施例提供的SWMM模型的建模方法中SWMM模型的示意图；

图7是本发明实施例提供的SWMM模型的建模装置的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上，鉴于此，本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。另外，需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

请参见图1，本发明实施例提供一种SWMM模型的建模方法，所述方法包括：

S10)获取原始管网数据和原始降雨数据；

S20)对所述原始管网数据进行预处理获得处理后管网数据，以及对所述原始降雨数据进行预处理获得处理后降雨数据；

S30)基于遥感数据和所述处理后管网数据生成子汇水区数据，所述子汇水数据为二维平面数据；

S40)获取初始SWMM模型；

S50)基于所述处理后管网数据、所述处理后降雨数据以及所述子汇水区数据对所述初始SWMM模型进行配置，生成配置后模型。

在一种可能的实施方式中，首先获取原始管网数据和原始降雨数据，然后对上述原始管网数据和原始降雨数据进行预处理。具体的，由于管网数据的数据规模往往较大，因此若采用人工的方式对原始数据进行处理，存在工作量巨大、工作效率低下的技术问题，因此在本发明实施例中，采用预先设置的脚本对上述数据进行快速、自动的预处理。

在本发明实施例中，所述对所述原始管网数据进行预处理获得处理后管网数据，包括：基于预设数据处理脚本对所述原始管网数据进行编号缺省处理，获得处理后数据；基于所述预设数据处理脚本对所述处理后数据进行格式转换，获得转换后数据；基于所述转换后数据生成对应的拓扑模型，所述拓扑模型基于图数据库生成；获取SWMM模型的数据配置信息，基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据。

在一种可能的实施方式中，该预先设置的脚本为预先编写的Python脚本，在获取到原始管网数据后，通过该Python脚本对原始管网数据中的节点编号进行查询，然后将所查询到的节点编号集与预设的管道编号集(包括管道起点编号和终点编号)进行比对，以查找出在预设的管道编号集中有但在节点编号集中未查询到的节点编号，即原始数据中节点数据中缺失而导致和管道数据匹配不上的编号，此时Python脚本自动在原始管网数据中的节点数据中添加编号属性为这些编号的节点，以生成处理后数据，然后通过Python脚本对上述处理后数据进行格式转换，以生成对应的转换后数据，具体的，在本实施例中，将上述处理后数据转换为Neo4j图数据库规定的CSV格式数据，然后将其导入Neo4j图数据库，以生成对应的拓扑模型，即生成了初步的排水管网拓扑模型，请参见图2，为本发明实施例提供的排水管网拓扑模型示意图，在生成该拓扑模型后，可以根据原始数据的类型，对管网拓扑模型中不同类型的节点和管渠通过不同的标签进行区分标记。

此时获取SWMM模型的数据配置信息，具体的，该数据配置信息包括但不限于必要数据属性和管道连通信息等，然后根据上述数据配置信息和拓扑模型对转换后数据进行配置处理，以生成处理后管网数据，具体的，在本发明实施例中，所述数据配置信息包括必要数据属性和管道连通信息，所述基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据，包括：基于所述必要数据属性对所述转换后数据执行属性配置操作，生成第一配置后数据；基于所述管道连通信息对所述第一配置后数据执行管道配置操作，生成第二配置后数据；基于弱连接社区检测算法对所述第二配置后数据执行孤立数据配置操作，生成第三配置后数据；基于所述第三配置后数据提取节点参数数据和管渠参数数据，将所述节点参数数据和所述管渠参数数据作为处理后管网数据。

例如首先通过图数据库查询在上述转换后数据中的各类型的节点和管道是否缺失SWMM模型中所必要的属性，若缺少上述必要的属性，则采用线性内插的方法填充对应的属性值，以完成属性配置操作，并获得第一配置后数据，该配置操作由图数据库和Python脚本耦合完成；然后通过图数据库查询所有类型为排水口的节点，检查其是否满足没有下游管道且仅有一条上游管道的条件，若存在不满足上述条件的排水口，则通知技术人员重新对异常的排水口进行勘测，并获取重新勘测得到的排水口数据，以对上述异常的排水口进行检查，并修改其拓扑结构，并获得对应的第二配置后数据。

然后进一步采用弱连接社区检测算法对第二配置后数据执行孤立数据配置操作，具体的，该弱连接社区检测算法可以由图数据库的算法库中直接调取，根据该算法从第二配置后数据中分出彼此社区内节点没有连接关系的社区组，并筛选出对应的孤立节点和孤立管线，此时对上述孤立节点和孤立管线进行数据修正处理，例如可以根据实际情况对上述孤立节点和孤立管线进行连接、删除或保留，并生成对应的第三配置后数据，该数据修正操作可以由图数据库和Python耦合完成，也可以由人工手动进行操作。

此时进一步从第三配置后数据中提取节点参数数据和管渠参数数据，具体的，根据节点的类型，从第三配置后数据中将不同类型的节点以及每个节点在SWMM模型中必需的属性提取出来，并生成对应的节点参数数据，例如对于检查井类型的节点，将该类型节点的节点编号、节点坐标、节点底高程以及节点埋深属性提取出来；对于排水口类型的节点，将该类型节点的节点编号、节点坐标以及节点底高程属性提取出来；对于蓄水池类型的节点，将该类型节点的节点编号、节点坐标、节点底高程、节点埋深属性以及蓄水面积函数的参数值提取出来，需要说明的是，在实际操作过程中，所提取的节点参数数据包括但不限于上述数据，也可能为上述数据的一种或多种，本实施例仅作为对具体实施例的具体描述，不应视为对保护范围的限制，在此不做过多赘述。

以及根据管渠的类型，从第三配置后数据中将不同类型的管渠以及每个管渠在SWMM模型中必需的属性提取出来，并生成对应的管渠参数数据，例如对于管道类型的管渠，将该类型管渠的管渠编号、管渠起始端节点编号、管渠终止端节点编号、管长、入流落差、出流落差、管道形状、管道形状参数等信息提取出来；对于泵站类型的管渠，将该类型管渠的管渠编号、管渠起始端节点编号、管渠终止端节点编号、初始状态、泵站开启水深和泵站关闭水深和自定义的泵站排水曲线名称的信息提取出来；对于孔口类型的管渠，将该类型管渠的管渠编号、管渠起始端节点编号、管渠终止端节点编号、孔口类型、入流落差、闸门初始状态、流量系数、是否存在孔口回流、开启和关闭时长、孔口形状、孔口形状参数的信息提取出来；对于堰类型的管渠，将该类型管渠的管渠编号、管渠起始端节点编号、管渠终止端节点编号、入流落差、流量系数、堰形状、堰形状参数的信息提取出来。

由此完成了对节点参数数据以及管渠参数数据的提取，将上述数据作为处理后管网数据并用于后续模型的自动创建，此时还需要进一步对原始降雨数据进行预处理。

在本发明实施例中，所述对所述原始降雨数据进行预处理获得处理后降雨数据，包括：获取预设时间周期内采集的降雨数据；获取相邻两次采集的数据之间的缺失数据量；若所述缺失数据量小于等于预设值，则基于预设线性内插规则对相邻两次采集的数据进行处理，获得第一处理后数据；若所述缺失数据量大于预设值，则基于预设学习算法提取相邻两次采集的数据的数据特征，基于所述数据特征对相邻两次采集的数据进行处理，获得第二处理后数据；基于所述第一处理后数据或所述第二处理后数据生成处理后降雨数据。

在一种可能的实施方式中，可以首先搭建数据库，例如该数据库为MongoDB数据库，在对某城市的原始降雨数据进行采集的过程中，将雨量站实时监测到的精度为1小时的降雨数据实时上传至服务器端的MongoDB数据库中，然后对所获取到的原始降雨数据进行预处理。通过检测相邻两次采集的数据之间的缺失数据量，例如将两个存在数据的降雨数据之间缺失数据延续的小时数称为缺失数据量，在获取到相邻两次采集的数据后，判断其缺失数据量是否小于预设值，例如该预设值为5小时，若缺失数据量小于等于5，则基于预设线性内插规则对相邻两次采集的数据进行处理，例如可以通过Python脚本自动基于线性内插算法对相邻两次采集的数据进行插值处理，并生成对应的第一处理后数据；若缺失数据量大于5，则可以通过机器学习的方式，采用预设学习算法(预设学习算法包括但不限于神经网络算法、遗传算法、卷积神经网络算法等)对相邻两次采集的数据进行分析，并提取其数据特征，然后根据上述数据特征中时间序列完整数据的特征对缺失数据进行填充，以获得对应的第二处理后数据，然后将上述第一处理后数据或第二处理后数据作为处理后降雨数据，以完成对原始降雨数据的预处理。此时完成了对自动创建SWMM模型所需的前期数据准备。

请参见图3，在本发明实施例中，所述基于遥感数据和所述处理后管网数据生成子汇水区数据，包括：

S31)基于所述遥感数据获取与管网监管区域对应的地图图像；

S32)生成与所述地图图像的边界对应的初始面文件，对所述初始面文件进行分割，获得分割后子面文件；

S33)对所述分割后子面文件进行不透水率配置，生成对应的配置后子面文件；

S34)确定所述配置后子面文件的形心属性信息；

S35)基于所述拓扑模型对所述形心数据信息进行分析，生成子汇水区数据，所述子汇水区数据包括雨水井数据和子汇水区节点数据。

在一种可能的实施方式中，首先通过遥感数据获取与管网监管区域对应的地图图像，例如可以在谷歌地图下载所需要监管的排水管网所在城市区域的高清卫星图片，然后将卫星图片的大地坐标系转化为2000国家大地坐标系，即得到地图图像，此时可以将上述地图图像导入GIS(地理信息系统，Geographic Information System)中，然后在GIS中生成与该地图图像的边界对应的初始面文件，具体的，将该初始面文件的坐标系设置为2000国家大地坐标系，然后将上述地图图像作为底图，以地图图像中城市范围为边界在初始面文件上绘制一个面元素，然后根据地图图像的景观内容通过编辑器将这个面元素分割为多个小的面元素，即获得对应的分割后子面文件，然后对不同景观下的每个面元素设置不同的不透水率属性，并生成对应的配置后子面文件，请参见图4，为本发明实施例提供的配置后子面文件的示意图。

此时进一步确定配置后子面文件的形心属性信息，具体的，可以通过Python脚本读取各个面元素的顶点坐标，并自动计算出每个元素的形心点坐标，然后将每个元素对应的形心点坐标以及编号作为其形心属性信息，进一步的，可以将每个元素标记为“子汇水区概化点”，然后将上述形心属性信息以及标记导入图数据库中，并通过neo4j spatial算法库在图数据库中创建新的投影层，然后分别将图数据库中标签为“雨水井”和“子汇水区概化点”节点的坐标值投影到该投影层上，然后通过Python脚本对图数据库中所有“子汇水区概化点”节点进行遍历，然后可以通过neo4j spatial算法库查询离上述节点预设范围内的所有的节点，进一步从上述查询到的节点中筛选签为“雨水井”的节点，将其中与“子汇水区概化点”节点距离最近的节点作为该子汇水区内降雨汇入管网的汇入点，即完成了子汇水区数据的生成。此时可以开始进行SWMM模型的自动创建。

请参见图5，在本发明实施例中，所述基于所述处理后管网数据、所述处理后降雨数据以及所述子汇水区数据对所述初始SWMM模型进行配置，生成配置后模型，包括：

S51)获取所述初始SWMM模型的运行时间，在所述处理后降雨数据中提取所述运行时间内的范围降雨数据；

S52)获取子汇水区配置参数，基于所述子汇水区配置参数提取对应的子汇水区配置数据；

S53)基于所述处理后管网数据、所述范围降雨数据以及所述子汇水区配置数据对所述初始SWMM模型进行配置，生成配置后模型。

在一种可能的实施方式中，首先获取初始SWMM模型，例如可以通过Python模型将初始模板信息写入空INP文件以形成初始SWMM模型，该空INP文件中包括[TITLE]标题头以及标题头下的标题信息、[OPTIONS]标题头以及标题头下的分析选项的默认值信息，以及包含[RAINGAGES]、[SUBCATCHMENTS]、[SUBAREAS]、[INFILTRATION]、[JUNCTIONS]、[OUTFALLS]、[CONDUITS]、[PUMPS]、[XSECTIONS]、[TIMESERIES]、[COORDINATES]、[POLYGENS]、[SYMBOLS]等关键词和关键词下所需属性名称的标题头。

然后将处理后降雨数据、处理后管网数据以及子汇水区数据写入该初始SWMM模型中。具体的，获取该初始SWMM模型的运行时间，然后从处理后降雨数据中提取出对应的范围降雨数据，为了进一步提高数据的精细化程度以及模型创建的精确性，可以对该范围降雨数据进行进一步处理，例如通过线性内插的方法将该范围降雨数据的精度提升至五分钟，在后续的初始SWMM模型配置过程中，将处理后的降雨数据写入INP文件的对应位置。

然后获取子汇水区配置参数，即获取需要配置的子汇水区的参数有哪些，然后根据该子汇水区配置参数提取对应的子汇水区配置数据，在后续对初始SWMM模型的配置过程中，通过图数据库查询出每个子汇水区序号对应的汇入管网节点编号，然后从子汇水区数据中读取每个面元素所代表的编号、面积、长度、不透水率以及所有几何顶点的坐标，将每个面元素的编号作为子汇水区名称、子汇水区对应的雨量站名称、图数据库查询到的汇入管网节点编号、面元素面积作为子汇水区面积、不透水率、面元素的长度作为子汇水区宽度依次写入INP文件中；遍历子汇水区数据中的面元素，在参数合理范围内选值作为透水区曼宁系数、不透水区曼宁系数、透水区填洼量、不透水填洼量、不透水区无填洼区域比例，将每个面元素编号和这些属性的选值写入INP文件中，用于模型搭建后的参数率定；以及遍历子汇水区数据中的面元素，在参数合理范围内选值作为子汇水区最大下渗率、最小下渗率、降解系数、干燥时间、最大容量值，将每个面元素编号和这些属性的选值写入INP文件中，用于模型搭建后的参数率定；最后遍历子汇水区数据中的面元素，将每个面元素的所有顶点的坐标写入INP文件中。

以及对处理后管网数据进行配置，分别将其中的节点参数数据和管渠参数数据写入INP文件中，具体的，通过Python脚本读取所有的节点参数数据并写入INP文件中的对应位置，以及读取所有的管渠参数数据写入INP文件，最后根据上述INP文件生成SWMM模型，请参见图6，为本发明实施例提供的SWMM模型的示意图。

在本发明实施例中，通过采用图数据库结合脚本程序耦合运行的方式，自动对SWMM模型配置过程中所需要的管网数据以及地图数据进行配置和校正，实现了SWMM模型的自动化搭建，极大地提高了SWMM模型的搭建效率，在减小人力和时间成本的同时大大减小人工操作带来的误差，为高精度城市排水管网模型的搭建奠定基础，为城市排水管网的信息化管理和污染控制政策的制定提供依据。

下面结合附图对本发明实施例所提供的SWMM模型的建模装置进行说明。

请参见图7，基于同一发明构思，本发明实施例提供一种SWMM模型的建模装置，所述装置包括：数据获取单元，用于获取原始管网数据和原始降雨数据；预处理单元，用于对所述原始管网数据进行预处理获得处理后管网数据，以及对所述原始降雨数据进行预处理获得处理后降雨数据；数据生成单元，用于基于所述处理后管网数据生成子汇水区数据，所述子汇水数据为二维平面数据；初始模型获取单元，用于获取初始SWMM模型；模型搭建单元，用于基于所述处理后管网数据、所述处理后降雨数据以及所述子汇水区数据对所述初始SWMM模型进行配置，生成配置后模型。

在本发明实施例中，所述对所述原始管网数据进行预处理获得处理后管网数据，包括：基于预设数据处理脚本对所述原始管网数据进行编号缺省处理，获得处理后数据；基于所述预设数据处理脚本对所述处理后数据进行格式转换，获得转换后数据；基于所述转换后数据生成对应的拓扑模型，所述拓扑模型基于图数据库生成；获取SWMM模型的数据配置信息，基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据。

在本发明实施例中，所述数据配置信息包括必要数据属性和管道连通信息，所述基于所述数据配置信息和所述拓扑模型对所述转换后数据进行配置处理，生成处理后管网数据，包括：基于所述必要数据属性对所述转换后数据执行属性配置操作，生成第一配置后数据；基于所述管道连通信息对所述第一配置后数据执行管道配置操作，生成第二配置后数据；基于弱连接社区检测算法对所述第二配置后数据执行孤立数据配置操作，生成第三配置后数据；基于所述第三配置后数据提取节点参数数据和管渠参数数据，将所述节点参数数据和所述管渠参数数据作为处理后管网数据。

在本发明实施例中，所述对所述原始降雨数据进行预处理获得处理后降雨数据，包括：获取预设时间周期内采集的降雨数据；获取相邻两次采集的数据之间的缺失数据量；若所述缺失数据量小于等于预设值，则基于预设线性内插规则对相邻两次采集的数据进行处理，获得第一处理后数据；若所述缺失数据量大于预设值，则基于预设学习算法提取相邻两次采集的数据的数据特征，基于所述数据特征对相邻两次采集的数据进行处理，获得第二处理后数据；基于所述第一处理后数据或所述第二处理后数据生成处理后降雨数据。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。