Page 211 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷第 6 期 单 晶等：城市内涝 ChebNet-LSTM 积水预测模型 1233

现 出 卓 越 的 性 能 ，具 有 最 低 的 MAE、MAPE 和 1.06 cm。综合评估各站点误差指标以及预测结
RMSE。GAT 模型的整体表现较为一般，各项指 果可知，ChebNet-LSTM 模型的预测值与真实值
标均未达到最佳水平，其 RMSE 值偏大；LSTM 偏差较小，对积水趋势有良好的预报能力。
模 型 在 MAE、RMSE 指 标 上 表 现 中 等 ，但 在 2）对 比 GAT、LSTM、STGCN 模 型 可 知 ，
MAPE 方面需要进一步改进；STGCN 模型在各 GAT 模 型 在 均 方 根 误 差 方 面 有 待 改 进 ；LSTM
个指标上均表现一般，其 MAPE 值是 4 种模型中 模 型 的 MAE 偏 小 ，但 是 其 MAPE 效 果 不 佳 ；
最差的，综合性能不佳。 STGCN 模型综合性能表现一般。
3）本文方法有效弥补了传统机器学习和卷
表 1 预测误差
积神经网络在积水深度预测中对时间和空间特
Table 1 Prediction Error
征建模不足的问题，为城市内涝的高效监测与安
监测站点 MAE/cm MAPE/% RMSE/cm
全预警提供了新的解决方案。然而，当前模型在
0 0.14 2.50 0.33
预测方面仍存在一定的偏差，特别是在积水深度
1 0.72 6.58 1.34
2 0.63 6.40 1.35 峰值的预测上存在不足。同时，在构建各积水监
3 0.55 6.71 0.94 测站点间的节点关系矩阵时，未充分考虑地形因
4 0.68 9.76 1.07 素对各监测站点积水深度的影响，后续需进一步
5 0.19 2.84 0.45
优化融合时空特征的 ChebNet-LSTM 模型，增强
6 0.25 4.20 0.55
其预测能力，提升模型的准确性和可靠性，更好
7 0.14 2.27 0.33
地服务于城市内涝监测预警工作。
8 0.74 7.44 1.31
9 3.74 25.17 4.93
参 考 文 献
10 0.52 7.04 0.80
11 0.47 5.65 0.78 ［1］ 黄震， 张学全， 张庭瑞， 等 . 暴雨内涝环境下城市
12 0.19 1.60 0.62 交通脆弱路段预测方法［J/OL］. 武汉理工大学学
13 0.17 2.39 0.51
报（交 通 科 学 与 工 程 版）， ［2024-12-17］. http：//
14 0.20 2.92 0.60
kns. cnki. net/kcms/detail/42. 1824. U. 20240102.
1045. 002. html.
表 2 评价指标 HUANG Zhen， ZHANG Xuequan， ZHANG Ting-
Table 2 Evaluation Metrics
rui， et al. Prediction Method of Urban Traffic Vul‑
模型 MAE/cm MAPE/% RMSE/cm nerable Sections in Rainstorm Waterlogging Environ‑
ChebNet-LSTM 0.62 6.23 1.06 ment［J/OL］. Journal of Wuhan University of Tech‑
GAT 1.18 6.79 4.48
nology（Transportation Science & Engineering），
LSTM 0.71 9.61 1.92
［2024-12-17］. http：//kns. cnki. net/kcms/detail/
STGCN 1.03 9.99 2.48
42. 1824. U. 20240102. 1045. 002. html.
［2］ 刘爱丽 . 城市洪涝模拟模型构建及其应用研究： 以
3 结 语 北京市凉水河流域为例［D］. 郑州： 华北水利水电

大学， 2023.
城市内涝积水深度预测意义重大，本文构建 LIU Aili. Research on the Construction and Appli‑
融 合 时 空 特 征 的 ChebNet-LSTM 模 型 ，利 用 cation of Urban Flood Simulation Model： Taking
LSTM 和节点关系矩阵分别提取时序与空间特 the Liangshui River Basin in Beijing as an Example
征并融合，解决了现有方法对时空特征考虑不足 ［D］. Zhengzhou： North China University of Water
的问题，性能优于 GAT、LSTM 和 STGCN 模型， Resources and Electric Power， 2023.
为城市内涝监测预警提供新途径，有助于提高城 ［3］ KAUR J， PARMAR K S， SINGH S. Autoregres‑
sive Models in Environmental Forecasting Time Se‑
市应对极端天气的能力和减少灾害风险。
ries： A Theoretical and Application Review［J］. En‑
1）ChebNet-LSTM 模 型 的 时 序 特 征 提 取 模
vironmental Science and Pollution Research Interna‑
块用 LSTM 克服传统网络问题，空间特征提取模
tional， 2023， 30（8）： 19617-19641.
块通过节点关系矩阵捕捉空间特征，融合模块结 ［4］ YUNUS K， THIRINGER T， CHEN P Y. ARI‑
合时空特征并借助残差与 ReLU 提升性能。模型 MA-Based Frequency-Decomposed Modeling of
的 MAE 为 0.62 cm，MAPE 为 6.23%，RMSE 为 Wind Speed Time Series［J］. IEEE Transactions on