Page 204 - 《武汉大学学报（信息科学版）》2025年第6期

1226 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

The experimental results demonstrate that the ChebNet-LSTM model achieves outstanding predictive per‑
formance， with the water depth predictions showing mean absolute error of 0.62， mean absolute percentage
error of 6.23%， and root mean square error of 1.06. These evaluation metrics conclusively prove that the
proposed model maintains high accuracy and reliability in practical water accumulation depth prediction
tasks. Conclusions：： Comparative experiments with models such as graph attention network， LSTM， and
spatiotemporal graph convolutional network show that ChebNet-LSTM model outperforms these alterna‑
tives， effectively predicting waterlogging trends. The findings provide valuable support for urban drainage
planning and flood prevention decision-making， and offer a robust tool for managing urban waterlogging
risks.
Key words： urban flooding； waterlogging depth prediction； spatiotemporal feature； graph convolutional
network； long short-term memory network

暴雨内涝灾害是中国最主要的自然灾害之 堵塞系数作为影响因子，应用机器学习中的岭回
［1］
一，其特点是突发性强、危害性大、影响范围广 。 归 方 法 建 立 内 涝 点 积 水 深 度 的 预 报 方 程 ；文 献
随着全球气候变暖，城市化进程不断加快，各类 ［9］基于卷积神经网络算法改进损失函数，构建
极端气候事件频繁发生。提前预知、预判、预防 了城市内涝的积水分布快速预测模型，通过内涝
城市内涝风险，及时发布预警信息，是城市内涝 影响因子输入得到最大淹没水深的空间分布图。
［2］
风险管理工作中迫切需要解决的问题 。开发有 现有的积水预测方法大多数只考虑到积水
效精确的积水预测方法对于提高城市应对极端 深度的时间特征，存在一定的局限性。基于统计
天 气 事 件 的 能 力 、减 少 内 涝 灾 害 风 险 具 有 重 要 方法的经验模型通过建立降雨与积水深度之间
意义。 的关系模型来进行预测，在积水预测中考虑时间
在传统预测方法中，常用的时间序列预测模 和空间特征的能力有限，它们往往基于历史数据
［3］
型主要分为以下几种：自回归模型 、移动平均模 和 统 计 规 律 ，无 法 捕 捉 到 复 杂 的 时 间 和 空 间 特
型、自回归移动平均模型、差分自回归移动平均 征，导致预测结果的准确性有限；基于机器学习
［4］
模型 、灰色预测模型。统计方法因其数据获取 和传统的卷积神经网络的积水预测方法在提取
简便和操作灵活的特点，较早便在内涝风险预测 时间和空间特征时往往是分开处理的，无法充分
研究中得到了应用。文献［5］以降雨量和温度记 考虑二者的关联性。因此，针对现有技术方法在

录为研究对象，使用 ARIMA （autoregressive inte‑ 时间和空间特征上进行预测的局限性，本文构建
grated moving average）模型分别预测了长短期内 了一种融合时空特征的 ChebNet-LSTM 模型，该
的变化趋势，该结果有助于确定城市排水管理系 模型综合多源数据并运用多种算法，能够在短时
统的解决方案；文献［6］提出了 9 类影响因子的风 间内获得积水深度的预测结果，及时反映内涝发
险分析方法，考虑了自然气候条件、水文条件、地 展 趋 势 ，实 现 对 城 市 内 涝 的 有 效 、安 全 监 测 与
理条件以及人类活动对内涝灾害的影响，将各因 预警。
素通过 ArcGIS 加权叠加处理，对城市内涝进行
了预测。 1 研究方法
随着机器学习和深度学习技术的不断进步，
大量基于数据驱动的方法被应用于内涝预测领 1.1 整体技术思路
域。常见的机器学习模型涵盖了决策树、支持向 本文构建的模型包括积水深度时序特征提
量 机 、随 机 森 林 及 长 短 期 记 忆 网 络（long short- 取模块、积水深度空间特征提取模块和积水深度
term memory network，LSTM）等。文献［7］提出 特征融合模块。积水深度时序特征提取模块基
可 解 释 时 空 注 意 力 长 短 记 忆 网 络 模 型 ，融 合 于 LSTM 构建，它是一种特殊的循环神经网络，
LSTM 与注意力机制，通过动态注意力机制构建 主要目的是解决长序列数据训练过程中的梯度
模型，采用标准化数据，以变量控制法选定超参 消失和梯度爆炸问题 ［10］ ；积水深度空间特征提取
数，用 Adam 算法训练，应用于内涝预测并做可解 模块通过 ChebNet 学习节点特征表示，结合地理
释分析，实现注意力权重可视化阐释；文献［8］将 空间布局关联的节点关系矩阵，量化空间连接信
小时雨量数据、前一小时积水深度、滞后系数和 息，挖掘空间交互作用，精准把握积水深度分布