多相似性度量驱动的集成即时学习模型在城市洪水快速预测中的应用研究

针对传统离线机器学习模型在在线预测中适应性差、过拟合及计算负荷大的问题，研究人员提出基于多相似性度量（E-JITL）的集成即时学习算法，通过动态选择历史样本构建局部模型，实现城市洪水高精度快速预测。该模型在长治市中心城区的应用中，淹没面积、水量和水深预测的RMLSE<0.06、MAPE<0.14、NSE>0.94，显著优于传统方法，为城市防洪决策提供实时数据支持。

　　

随着气候变化和城市化进程加速，极端降雨事件频发，城市内涝问题日益严峻。2020年中国洪灾直接经济损失达1097亿元，而传统数值模拟方法因计算复杂、耗时长，难以满足应急响应需求。机器学习技术虽在洪水预测中展现潜力，但静态全局模型面临适应性差、过拟合等挑战。如何突破这些限制，实现高效精准的动态预测，成为城市防洪领域的关键科学问题。

针对这一难题，长安大学的研究团队创新性地将集成学习与即时学习（Just-In-Time Learning, JITL）相结合，提出多相似性度量驱动的E-JITL算法。该研究以山西省长治市74.8 km²中心城区为对象，通过构建水文-水动力模型生成训练数据集，整合欧氏距离、马氏距离和角度相似性三种度量方法，动态选择历史样本建立局部加权偏最小二乘（LWPLS）模型，最终加权融合预测结果。

关键技术包括：1）基于GPU加速的水文-水动力模型生成多情景洪水数据；2）多相似性度量（S₁、S₂、S₃）协同筛选训练样本；3）LWPLS局部建模与集成预测框架；4）RMLSE（均方根对数误差）、MAPE（平均绝对百分比误差）和NSE（纳什效率系数）多指标验证体系。

研究结果

1. 水文-水动力模型验证
   利用2020年7月2日降雨和8个监测点水深数据校准模型，2023年8月23日狮子河排水口流量数据验证，NSE达0.91，确认模型可靠性。

2. E-JITL预测性能评估
   在花园街严重内涝区，E-JITL对积水深度预测的RMLSE（0.043）较单一相似性模型降低32%-58%，MAPE稳定在0.12以下，且实时更新耗时<15秒。

3. 相似性度量方法选择
   角度相似性（S₃）对空间分布异质性降雨的样本筛选效果最优，而欧氏距离（S₁）更适应均匀降雨情景，多方法融合使预测稳定性提升41%。

结论与意义
该研究通过E-JITL框架实现了三项突破：1）解决离线模型在动态系统中的性能退化问题，通过实时更新训练样本和参数，使MAPE降低至传统LSTM模型的1/3；2）创新性地融合多相似性度量，将空间距离与角度信息互补，使NSE从0.82提升至0.94；3）构建"数值模拟+即时学习"双驱动模式，预测效率较纯水动力模型提高两个数量级。

这项发表于《Journal of Hydrology》的成果，为智慧城市防洪提供了可扩展的技术范式。未来通过接入物联网实时监测数据，该算法有望在台风暴雨等极端事件中发挥关键预警作用。研究团队指出，进一步优化相似性度量的自适应权重分配，将是提升模型泛化能力的重要方向。