一种基于图神经网络的城市内涝灾害演化路径提取方法

技术领域

本发明涉及路径提取技术领域，尤其涉及一种基于图神经网络的城市内涝灾害演化路径提取方法。

背景技术

“逢雨必涝”越来越成为我国大城市经常出现的城市病，考验着城市的防洪排涝能力。在城市地区，由于缺乏足够的排水通道，地表过度硬化和土地利用不当，导致大量降雨径流无法有效排泄，从而产生内涝风险，造成以下危害：⑴导致道路积水，使车辆无法正常行驶，从而造成交通堵塞和瘫痪；⑵雨水经过地表污染物的淋洗和排放后，会污染城市的土壤、河流等自然环境；⑶内涝会对城市的正常经济活动造成严重影响。例如郑州“7·20”特大暴雨期间，京广路隧道出口因洪涝而发生断路拥堵，入口区域被淹水倒罐，排水泵及配电设备进水停机。在多重因素作用下，最终导致京广隧道的灾难事件发生。

目前关于城市内涝灾害演化路径提取主要是利用复杂网络的静态拓扑结构指标计算，虽然已有的城市内涝灾害演化路径提取方法可以实现关键目标识别，但由于需要计算多个静态拓扑结构指标，指标表征结果可能相悖，需要人为判断，增加了时间成本，因此，该方法并不是最优算法，存在一定的耦合性,因此需要一种固体密度计检测用的标准物质方法及其系统。

发明内容

本发明的目的是要提供一种固体密度计检测用的标准物质方法及其系统。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括以下步骤：

A.构建城市内涝灾害网络图样本集；

B.对所述城市内涝灾害网络图样本集进行样本增强；

C.对增强后城市内涝灾害网络图样本进行图神经网络训练得到图神经网络模型

D.通过所述图神经网络模型预测提取演化路径。

进一步地，对所述城市内涝灾害网络图样本集的图像进行去噪和灰度图转换预处理，最终得到灰色图像数据集。

进一步地，在步骤A中所述构建城市内涝灾害网络图样本集的方法包括从国内公开灾害库中抽取内涝灾害报告，并从中提取二元数据对，所述二元数据对包括灾害类型、灾害发生地点和灾害影响，利用所述二元数据对构建灾害网络图，所述灾害网络图包括多条耦合的灾害链路用以表示不同灾害之间的影响和关联。

进一步地，在步骤B中所述样本增强的方法包括：

a从构建好的样本集中随机抽取灾害网络样本；

b对抽取的样本图进行节点和连线的删除和增加，以进行样本增强，扩充灾害网络图样本集；

进一步地，在步骤C中所述图神经网络训练的方法

包括将训练集作为输入，通过图神经网络的输入端输入；

计算训练样本节点的集聚系数作为节点的属性，所述集聚系数可以衡量节点在其邻节点中的重要性；

图神经网络中的编码器聚合节点n的周围节点信息，学习节点n的嵌入特征；嵌入特征表示节点在图中的属性或状态；

不断更新节点n的嵌入表示向量。

进一步地，所述的图神经网络预训练过程包括：输入端、propagation模块、输出端；其中，propagation模块包括aggregator、自注意力机制、updater、互信息计算，Aggregator模块用作聚合节点n周围的节点信息，学习节点n的嵌入表示。

进一步地，在步骤C中将所述将数据集进行训练集和测试集的划分，按照8-2分，即80％为训练集，20％为测试集。

进一步地，所述图神经网络的输入包括两个主要部分：特征矩阵X和邻接矩阵A，所述特征矩阵X是一个N×F的矩阵，其中N是图中的节点数，F是每个节点的输入特征数，所述特征矩阵X的每个节点的特征被表示为一个F维的向量，包括节点的集聚系数和出/入度，集聚系数可以衡量节点在其邻节点中的重要性，而出/入度则衡量节点与其他节点连接的紧密程度。

本发明的有益效果是：

本发明与现有技术相比，本发明具有以下技术效果：

1.本发明利用国内外城市内涝灾害报告中提取的风险要素及关联关系构建灾害网络，以满足灾害场景重构的需求，利用图神经网络的方法对城市内涝的灾害关键演化路径进行提取，可提升城市内涝防控关键目标防控的有效性。

2.本发明将复杂网络的静态结构拓扑指标作为节点的特征向量比简单的将邻结点数作为节点特征，信息量丰富，更利于灾害图特征的提取。

3.本发明利用图神经网络模型，对于灾害网络解释具有很好的适配性能，并且将注意力机制与互信息运用到图神经网络中，可以更好的提取灾害网络的关键信息，因此可以达到良好的效果。

附图说明

图1为本发明基于图神经网络的城市内涝灾害演化路径提取方法的流程示意图；

图2为本发明基于图神经网络的城市内涝灾害演化路径提取方法的加载模型流程示意图。

具体实施方式

下面以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

本发明包括以下步骤：

如图1所示，A.构建城市内涝灾害网络图样本集；

首先，进行城市内涝灾害网络图样本集构建，样本集是由国内公开灾害库中的内涝灾害报告抽取二元数据对(风险因素，关联关系)构建而成的灾害网络图，每个图由多条灾害链路耦合而成。

B.对所述城市内涝灾害网络图样本集进行样本增强；

从样本集中随机抽取灾害网络样本，从样本图中随机删除和增加节点连线作图样本增强，扩充灾害网络图样本集，作为城市灾害内涝灾害网络样本库。

因实际使用的过程中均是在夜晚的场景下进行识别，为了匹配现场的摄像头设备以及实际部署的识别场景，本方案对数据库中的图像进行去噪和灰度图转换，最终得到一个灰色图像数据集，该数据集作为我们的实际使用的数据集。

C.对增强后城市内涝灾害网络图样本进行图神经网络训练得到图神经网络模型；将数据集进行训练集和测试集的划分，按照8-2分，即80％为训练集，20％为测试集，得到一个可用作灾害演化路径提取的数据库。

然后将训练集输入到图神经网络的输入端，计算训练样本节点的集聚系数与出/度的值作为节点的属性，图神经网络中的编码器聚合节点n的周围节点信息，学习节点n的嵌入特征，并不断的更新节点n的嵌入表示向量，对于节点n邻节点利用互信息计算对n的重要度，如果某一邻节点被移除后，互信息下降很多，则该邻点节对节点n很重要，需要保留，对节点n及其邻节点重复上述过程，完成GNN网络训练。实现演化路径的提取。

所用网络增强的方法解决小样本量无法满足图神经网络训练的需求，通过随机增加或删除两个节点间连线，增加了灾害网络图的数量，同时增加了灾害演化路径的数量，解决了小样本训练集的问题。

在本实施例子中，所述的图神经网络预训练过程包括：

输入端、propagation模块、输出端。

其中，propagation模块包括aggregator、自注意力机制、updater、互信息计算四个部分。

在本实施例子中，图神经网络的输入，给定图G＝(V,E)，输入的是X，A。一个输入维度为N×F的特征矩阵X，其中N是图网络中节点数，F是每个节点的输入特征数，这里特征向量用网络图的各节点的集聚系数及出/入度表示。因此，输入图的结构维度被表征为N×N的矩阵。

Aggregator模块用作聚合节点n周围的节点信息，学习节点n的嵌入表示。

注意力机制的思想，添加了SE注意力机制模块，SE注意力主要考虑到特征通道之间的关系，在通道上添加了注意力机制，其关键点在于通过不断学习的方式获取了每个特征通道的重要程度，利用重要程度抑制不重要的特征，突出重要特征。主要流程是通过squeeze操作首先对空间维度进行压缩，即对每个特征向量进行全局池化，平均成一个实数值，该值具有全局感受野。继而是excitation操作，首先对C个通道降维再扩展回C通道，增加了网络的非线性能力，该操作的主要目的是输出每个通道的重要性，并通过乘法加权的方式乘到之前的特征，从而达到加强重要特征，抑制不重要特征的目的。

updater模块迭代更新节点n的嵌入向量。

D.通过所述图神经网络模型预测提取演化路径。

利用互信息衡量节点对网络图的重要度，据此保留重要节点及其间连线实现灾害演化路径提取。对于节点n邻节点利用互信息计算对n的重要度，如果某一邻节点被移除后，互信息下降很多，则该邻点节对节点n很重要，需要保留，对节点n及其邻节点重复上述过程，完成演化路径的提取。

图神经网络的输出使用readout函数从最后一次迭代中聚合节点特征获取整个图的表征向量。

如图2所示，本发明最终的测试流程为加载模型，输入灾害网络图，设置特征向量函数，学习图结构特征，将节点的互信息作为学习函数，进行GNN网络预训练，输出灾害演化路径。

本发明利用国内外城市内涝灾害事故报告，人工梳理灾害的风险要素与关联关系形成二元序列对，利用python编程语言将二元序列对转成复杂网络图，形成城市涝灾害网络图的样本集，为了扩展灾害网络样本集的数据，对样本集中选取任意个灾害网络图，采用随机增加或删除节点连线的方式增加样本集的样本量将网络图作为图神经网络的输入，将节点的集聚系数与出/入度作为节点的特征向量，采用图神经网络对灾害图的网络结构进行学习，判断哪些节点及其边线构成灾害网络的核心子图，提取出演化路径。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。