本技术涉及水利工程领域，尤其涉及一种水利灾害预测方法及系统。
背景技术：
1、山洪是一种具有突发性、破坏性的自然灾害，给人民生命财产安全带来了严重威胁。准确预测山洪淹没区域对于提前采取防范措施、减少灾害损失具有重要意义。然而现在普遍使用的山洪淹没区域预测方法主要基于水动力模型来进行预测，但现有的水利灾害预测模型计算复杂度普遍较高，导致输出结果的耗时较长，为了解决上述问题，技术人员也开始使用深度学习算法来实现水利灾害的预测，深度学习算法能提升预测结果的输出速度，但深度学习算法也存在容易由于训练样本不足导致模型精度降低，导致无法输出准确的预测结果的问题，因此如何实现一种即可快速输出预测结果同时提升预测结果预测精度的水利灾害预测方法，成为了一个急需解决的问题。
技术实现思路
1、基于此，有必要针对上述问题，提出一种可同时提升预测结果的输出速度以及预测精度的水利灾害预测方法及系统。
2、本发明提供了一种水利灾害预测方法，用于对设定区域内的水利灾害进行预测，包括：
3、s1、获取设定区域的历史水利数据，所述历史水利数据用于通过预设二维水动力模型构建预测数据；
4、s2、将所述历史水利数据输入到所述二维水动力模型中进行数据预测，从而输出各个时间节点中所述设定区域的水利预测数据；
5、s3、根据各个所述水利预测数据构建卷积神经网络，从而生成最终评估模型；
6、s4、获取所述设定区域的当前水利数据，并将所述当前水利数据输入到所述最终评估模型进行预测，从而得出所述设定区域的预测结果。
7、进一步的，所述步骤s1，具体包括：
8、s1a，获取所述设定区域的所述历史水利数据，并判断所述历史水利数据中的各个数据字段是否存在缺失值；
9、s1b，若是，则当所述缺失值小于预设的设定阈值时，从所述历史水利数据中获取与所述数据字段对应的相关数据变量;
10、s1c，获取预设的回归系数以及误差项，并将所述相关数据变量、所述回归系数以及所述误差项输入到预设的缺失值补偿公式中进行推算，所述缺失值补偿公式具体体现为：
11、；
12、s1d，将所述缺失值替换为所述缺失值补偿公式输出的补偿值，从而实现对所述数据字段内所述缺失值的补充；
13、s1e，根据所述历史水利数据生成所述二维水动力模型。
14、如权利要求2所述的水利灾害预测方法，其特征在于，所述步骤s1d之后，还包括：
15、s1f，将各个所述数据字段进行排序后，推算各段所述数据字段对应的哈希值；
16、s1g，将所述哈希值相同的所述数据字段记为待合并数据；
17、s1h，保留经过排序后第一条出现的所述待合并数据后，删除其余所述待合并数据。
18、进一步的，步骤s1h之后，还包括：
19、s1i，获取各个所述数据字段的均值以及标准差；
20、s1j，根据所述均值以及所述标准差推算与所述数据字段匹配的上下限阈值，所述上下限阈值具体体现为；
21、s1k，当所述数据字段的数据点超出所述上下限阈值的设定范围时，将所述数据点记为异常值数据点，并判断所述异常值数据点是否在所述数据字段中形成连续的异常值段；
22、s1l，若是，则获取预设的三次样条插值公式，所述三次样条插值公式具体体现为：
23、；
24、其中，所述为已知不存在异常值的所述数据点，所述为预设的样条基函数，所述为输出的修正系数；
25、s1m，根据所述修正系数对所述异常值段进行异常值修正。
26、进一步的，所述步骤s2，具体包括：
27、s2a，设定所述二维水动力模型的输出间隔；
28、s2b，将所述历史水利数据输入到所述二维水动力模型中进行数据预测，并在每个所述输出间隔结束后输出一次所述水利预测数据；
29、s2c，将输出的各个所述水利预测数据以及与其匹配的所述时间节点记为所述设定区域在各个所述时间节点的所述水利预测数据。
30、进一步的，所述步骤s3，具体包括：
31、s3a，将所述水利预测数据转换为格式的输入数据矩阵，所述为矩阵水平方向的预设网格数量，所述为矩阵竖直方向的预设网格数量，所述为所述输入数据矩阵的第一预设通道数量；
32、s3b，将所述输入数据矩阵输入到设定的多项式拟合公式中进行训练，所述多项式拟合公式具体体现为：
33、；
34、其中，所述为预设的激活函数，所述以及所述分别为待调整的第一权重值以及第二权重值，所述以及所述分别为待调整的第一偏置系数以及第二偏置系数；
35、s3c，调整所述第一权重值、所述第二权重值、所述第一偏置系数以及所述第二偏置系数，从而拟合输入与输出之间的关系，所述输出为格式的输出数据矩阵，所述为所述输出数据矩阵的第二预设通道数量；
36、s3d，获取预设的卷积运算公式，所述卷积运算公式具体体现为：
37、；
38、其中，所述为输入数据，所述为预设的卷积核，所述以及所述分别为所述卷积核的设定水平尺寸以及设定垂直尺寸；
39、s3e，将所述卷积运算公式作为编码器，获取预设上采样卷积模块作为解码器，并根据所述编码器以及所述解码器组成所述最终评估模型。
40、进一步的，所述步骤s3之后，还包括：
41、s3f，推算各个所述输出数据矩阵在对应的所述时间节点的数据梯度，所述数据梯度具体体现为：
42、；
43、其中，所述为在第个所述时间节点中所述输出数据矩阵的梯度数值，所述为第个所述时间节点中所述输出数据矩阵的梯度数值，所述为预设的损失函数；
44、s3g，根据所述梯度数值推算所述输出数据矩阵的一阶矩估计值以及二阶矩估计值，预设的一阶矩估计值推算公式以及二阶矩估计值推算公式分别体现为：
45、；
46、其中，所述以及所述分别为预设的第一衰减率以及第二衰减率，所述以及所述分别为输出的所述一阶矩估计值以及所述二阶矩估计值；
47、s3h，对所述第一衰减率以及所述第二衰减率进行偏差矫正后更新所述最终评估模型在模型训练时使用的输入参数；
48、s3i，推算所述最终评估模型的损失函数，并在所述最终评估模型的训练过程中添加所述损失函数进行输出修正；
49、s3j，判断完成所述输出修正后所述最终评估模型输出的所述输出数据矩阵与所述水利预测数据之间的差值是否小于预设值，若是，则执行步骤s4。
50、进一步的，所述步骤s3h具体包括：
51、s3k，将所述第一衰减率输入到第一偏差纠正公式中进行推算，所述第一偏差纠正公式具体体现为：
52、；
53、s3l，将所述第二衰减率输入到第二偏差纠正公式中进行推算，所述第二偏差纠正公式具体体现为：
54、；
55、s3m，将经由偏差纠正后的第一纠正衰减率以及第二纠正衰减率输入到预设的更新参数推算公式中进行推算，从而更新所述最终评估模型在模型训练时使用的输入参数，所述更新参数推算公式具体体现为：
56、；
57、其中，所述为预设的学习率系数，所述为一预设常数，所述即为所述输入参数。
58、进一步的，所述步骤s3i具体包括：
59、s3n，获取预设的均方差推算公式，并将所述输入参数输入到所述均方差推算公式中进行推算，所述均方差推算公式具体体现为：
60、；
61、其中，所述指输入的样本数量，所述指所述二维水动力模型输出的所述水利预测数据，所述为所述最终评估模型输出的所述数据梯度，所述mse即为输出的均方差；
62、s3o，在所述最终评估模型进行迭代训练时最小化所述均方差mse，从而对所述最终评估模型进行更新优化。
63、本发明还提供了一种水利灾害预测系统，用于对设定区域内的水利灾害进行预测，其特征在于，包括：
64、信息获取单元，用于获取设定区域的历史水利数据，所述历史水利数据用于通过预设二维水动力模型构建预测数据；
65、历史预测单元，用于将所述历史水利数据输入到所述二维水动力模型中进行数据预测，从而输出各个时间节点中所述设定区域的水利预测数据；
66、模型构建单元，用于根据各个所述水利预测数据构建卷积神经网络，从而生成最终评估模型；
67、实时预测单元，用于获取所述设定区域的当前水利数据，并将所述当前水利数据输入到所述最终评估模型进行预测，从而得出所述设定区域的预测结果。
68、本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
69、s1、获取设定区域的历史水利数据，所述历史水利数据用于通过预设二维水动力模型构建预测数据；
70、s2、将所述历史水利数据输入到所述二维水动力模型中进行数据预测，从而输出各个时间节点中所述设定区域的水利预测数据；
71、s3、根据各个所述水利预测数据构建卷积神经网络，从而生成最终评估模型；
72、s4、获取所述设定区域的当前水利数据，并将所述当前水利数据输入到所述最终评估模型进行预测，从而得出所述设定区域的预测结果。
73、本发明还提供了一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
74、s1、获取设定区域的历史水利数据，所述历史水利数据用于通过预设二维水动力模型构建预测数据；
75、s2、将所述历史水利数据输入到所述二维水动力模型中进行数据预测，从而输出各个时间节点中所述设定区域的水利预测数据；
76、s3、根据各个所述水利预测数据构建卷积神经网络，从而生成最终评估模型；
77、s4、获取所述设定区域的当前水利数据，并将所述当前水利数据输入到所述最终评估模型进行预测，从而得出所述设定区域的预测结果。
78、上述的水利灾害预测方法及系统，通过获取设定区域的历史水利数据，再通过预设的二维水动力模型根据历史水利数据进行预测后输出的预测结果构建卷积神经网络，从而生成最终评估模型，并最终根据当前获取到的水利数据进行实时预测的方式实现了结合二维水动力模型以及卷积神经网络生成最终的最终评估模型，从而避免了使用单一二维水动力模型进行预测时预测效率较低的问题，同时通过历史水利数据构建最终评估模型，解决了评估模型容易由于训练样本不足导致模型精度下降的问题，实现了在提升预测结果的预测效率同时提升了预测结果的预测精度的效果。
1.一种水利灾害预测方法，用于对设定区域内的水利灾害进行预测，其特征在于，包括：
2.如权利要求1所述的水利灾害预测方法，其特征在于，所述步骤s1，具体包括：
3.如权利要求2所述的水利灾害预测方法，其特征在于，所述步骤s1d之后，还包括：
4.如权利要求3所述的水利灾害预测方法，其特征在于，步骤s1h之后，还包括：
5.如权利要求1所述的水利灾害预测方法，其特征在于，所述步骤s2，具体包括：
6.如权利要求1所述的水利灾害预测方法，其特征在于，所述步骤s3，具体包括：
7.如权利要求6所述的水利灾害预测方法，其特征在于，所述步骤s3之后，还包括：
8.如权利要求7所述的水利灾害预测方法，其特征在于，所述步骤s3h具体包括：
9.如权利要求7所述的水利灾害预测方法，其特征在于，所述步骤s3i具体包括：
10.一种水利灾害预测系统，用于对设定区域内的水利灾害进行预测，其特征在于，包括：
