本发明涉及城市防洪减灾计算机模拟技术和机器学习，特别是一种城市内涝计算模型网格优化方法。
背景技术：
1、城市内涝模拟精度受地形精度和网格质量影响最大，网格的精度和尺度严重制约着洪涝模型模拟结果的准确度。由于城市地形的特殊性，精细化内涝模拟往往需要尺度更小的网格保证精度，但会导致模型计算速度降低，如何对网格进行高效优化，兼顾计算效率与计算精度，是一个亟需解决的难题。城市内涝模型计算网格优化一般通过人工调整，仅对重点关注区域进行局部加密，而且存在一定的主观性，无法完全保留城市地形有效信息，模拟结果精度难以保证。自适应网格剖分方法是通过在模型计算过程中根据相邻网格的水位梯度或高程梯度对网格进行粗化，实现了网格的自适应生成，提高了网格精度，但往往需要采用模型求解的结果作为输入来指导新网格生成，并指定时间步长来更新网格，然而洪涝灾害在初期的变化程度较大，网格更新时间步长难以满足实际需求，网格的不断更新对算力的要求也较高，计算速率显著下降。在这种网格剖分方法中也并未考虑不同土地利用类型等下垫面条件参数，仅仅考虑水位和高程的变化，部分粗化后的网格难以完全表现出城市地表实际情况。
2、因此，对于城市内涝模型的网格优化存在着计算精度和计算效率难以兼顾的问题，在此基础上提出一种新的网格自适应优化方法，在模拟开始前，充分挖掘建模区域特征，采用人工智能方法对网格进行自适应调整，既能提高网格的适应性，也避免模拟过程中网格更新引起计算速度下降的问题。深度强化学习方法结合了深度学习的感知能力和强化学习的决策能力，在处理复杂任务时具有更大的优势，已经有较为广泛的应用。k邻近算法(knn)是一种用于分类的机器学习算法，适用于多分类问题且准确度较高。图注意力网络(gat)是一种基于空间的图卷积网络，它的注意机制是在聚合特征信息时，将注意机制用于确定节点邻域的权重。通过knn对城市模型下垫面条件，如不同土地利用类型、不透水面等进行网格节点特征分类，并利用gat的多头注意力机制进行网格节点特征提取，gat可以提高模型性能并且保留节点与节点相邻点的信息，保障网格节点信息的连续性，在对网格进行优化的时候保留更多的有效信息。ddqn算法是一种基于价值的强化学习方法，给定一个策略求值函数，根据值函数来更新策略，即状态-动作价值函数(state-action valuefunction)，也叫q函数，具有强大的特征提取和泛化能力，并且具有稳定性，在处理复杂问题等方面具有显著的优势，ddqn是在此基础上借鉴双q学习网络的思想进行改进，提高了性能稳定性，降低了过高估计的风险。基于上述算法，可以用来解决网格优化问题，在保持目标属性计算的同时迭代粗化网格，通过k邻近算法(k-nearest neighbor，knn)和图注意力网络(graph attention network，gat)对初始网格节点文件进行特征分类和提取，利用ddqn方法对特征提取后的网格节点进行策略选择优化，能够在最大限度保留城市地形和下垫面信息的基础上提升模型精细化程度，提高计算效率，对于寻求城市内涝模拟精度与计算效率的平衡具有重要意义。
技术实现思路
1、基于上述现有技术存在的问题，本发明旨在提出一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，基于k邻近算法(knn)对网格节点进行分类，并使用图注意力网络(gat)对网格节点进行特征提取，ddqn对网格节点进行最优策略选取，实现高效率的网格尺度自适应优化，解决洪涝模型精度与计算效率相悖的难题。
2、本发明利用以下技术方案实现：
3、一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，包括：
4、步骤1，采用网格生成器生成研究区域内的初始网格，根据土地利用类型计算每个网格中的土地利用分布和占比，得到网格的初始状态s；
5、步骤2，根据包括不同下垫面类型、土地利用情况和特殊地物、易涝点、地下空间、特殊边界在内的这些特征对网格节点利用knn算法进行节点分类；
6、步骤3，将二维水动力模型的网格表示为图m＝(n,l)，n是网格中的节点总数，l是网格节点之间的连接边，所有节点n的特征包含节点高程、节点与相邻网格的高程梯度、节点分类，采用图注意力网络的多头注意力机制计算所有n个节点的节点特征向量h'i(k)，得到网格节点特征向量
7、步骤4，迭代地采用改进的深度q网络对其进行策略选择，包括以下处理：
8、在改进的深度q网络中使用当前状态s下的网格特征向量作为输入，得到改进的深度q网络的所有动作对应的动作价值函数q值输出，用ε贪婪法在当前动作价值函数q值输出中选择对应的动作a即要删除的网格节点；在当前状态s下执行当前动作a即删除网格节点的操作，重构剩余的网格节点，对应生成新网格状态s'，进而得到网格状态s'对应的特征向量和奖励函数r；更新当前网格状态s＝s'；
9、步骤5，判断是否满足迭代停止条件，若满足，则s'处于终止状态，当前轮迭代完毕，输出最终网格状态和节点选择方案q(s,a)。
10、与现有技术相比，本发明能够达成以下有益技术效果：
11、1)采用knn算法对网格节点进行特征分类，与现有的自适应网格剖分方法相比，考虑到了下垫面条件和地表信息的不同，提高了模型网格精度；
12、2)采用gat图注意力网络对原始网格数据进行特征提取，可以融合网格节点周边信息，在选择网格节点时更好的兼顾土地利用类型等参数，避免不合适的网格合并，保证了网格优化过程的合理性；
13、3)采用ddqn方法对网格优化过程进行训练，仅对网格节点进行选择移除，且只需要在模拟前进行优化，避免了模拟过程中对网格反复优化引起的计算效率下降问题，提高了网格优化效率。
1.一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，其特征在于，包括：
2.如权利要求1所述的一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，其特征在于，该方法进一步包括随机初始化动作价值函数q的所有参数θ，初始化目标动作价值函数q’的所有参数θ′＝θ，初始化经验池d，经验池容量为n，设定参数更新间隔c，每隔c步进行目标动作价值函数q’的参数更新，定义迭代停止判断条件为网格质量与网格最大尺度的函数。
3.如权利要求1所述的一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，其特征在于，二维水动力模型的网格节点特征提取进一步包括：
4.如权利要求1所述的一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，其特征在于，若不满足迭代停止条件，重复以下步骤：
5.如权利要求1所述的一种基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法，其特征在于，包括构建动作价值函数q，q(s，a)＝e[r+γmaxq′(s′，a′)]，q是给定当前网格状态s、当前策略选择a的期望值，r是奖励函数，q’是目标动作价值函数，与q相同，s’是目标网格状态，a’是目标动作价值函数的策略选择。
