1.一種基于BP人工神經網絡的城市積澇水位預報方法，其特征在于包括以下步驟：

⑴定義待預報積澇水位的城市區域為目標區域，獲取目標區域內的積澇預報點的數量并記為N個，將N個積澇預報點預先分成M個預報組，從M個預報組中任意選取一個預報組作為當前預報組，將當前預報組中的積澇預報點的數量記為N_cur個；

⑵定義N個積澇預報點對應的徑流匯集區為雨量觀測區，獲取雨量觀測區內全部雨量觀測站的數量并記為K個；獲取對目標區域內的N個積澇預報點有影響的潮河水位觀測點的數量并記為L個；

定義任意一個歷史整點起報時刻為0小時，定義位于該歷史整點起報時刻之前的多個觀測時刻為歷史過去觀測時刻：-120小時、-48小時、-24小時、-12小時、-6小時、-3小時、-2小時和-1小時，定義位于該歷史整點起報時刻之后的多個觀測時刻為歷史未來預報時刻：1小時、2小時、3小時、6小時、12小時、24小時和48小時，在歷史整點起報時刻中獲取符合如下條件的特定整點起報時刻：①特定整點起報時刻的未來48小時內，N個積澇預報點中至少有1個積澇預報點出現積水，N個積澇預報點記錄有特定整點起報時刻的積水深度和特定整點起報時刻的所有歷史未來預報時刻的積水深度；②K個雨量觀測站在特定整點起報時刻的每兩個相鄰的歷史過去觀測時刻之間的過去時間段和在歷史未來預報時刻的每兩個相鄰的歷史未來預報時刻之間的未來時間段均記錄有時段雨量值；③在特定整點起報時刻的L個潮河水位觀測點均記錄有水位觀測值；定義特定整點起報時刻的資料為歷史樣本，并定義特定整點起報時刻為歷史樣本起報時刻，將全部歷史樣本的數量記為C_s個，100≤C_s≤1000，歷史樣本起報時刻的集合T如下：T＝{T₁，T₂，...，T_i，...，T_Cs}，T_i表示該集合中的任意一個歷史樣本起報時刻，1≤i≤C_s；

⑶定義與歷史樣本起報時刻對應的預報時效的集合如下：1小時、2小時、3小時、6小時、12小時、24小時和48小時，定義LT為與歷史樣本起報時刻對應的預報時效的集合中的當前預報時效，LT的初值取為1小時；

⑷獲取LT對應的當前待訓練預報模型的參數如下：定義當前待處理的歷史樣本為當前歷史樣本，T_j為T中當前歷史樣本起報時刻，j的初始值為1，從當前歷史樣本獲取當前預報組中N_cur個積澇預報點在T_j+LT時刻的積水深度并定義為LT對應的待訓練預報模型中與當前歷史樣本對應的預報對象，然后從當前歷史樣本獲取LT對應的待訓練預報模型中的與當前歷史樣本對應的一組預報因子；

⑸將與當前歷史樣本對應的預報對象和與當前歷史樣本對應的一組預報因子進行歸一化處理，判斷是否滿足j＝C_s，若否則令j＝j+1，其中，“＝”為賦值符號，對步驟⑷中的j進行更新，重復執行步驟⑷，若是則將歸一化后的與C_s個歷史樣本對應的預報對象和歸一化后的與C_s個歷史樣本對應的C_s組預報因子組成LT對應的當前待訓練預報模型的當前訓練樣本集，并執行步驟⑹；

⑹采用前向3層網絡的BP人工神經網絡模型構造LT對應的當前待訓練預報模型，訓練精度的取值范圍設定為0.001～0.01，最大訓練次數的取值范圍設定為5000～10000次；

將當前訓練樣本集的數據輸入當前待訓練預報模型對當前待訓練預報模型進行訓練，判斷在未超出最大訓練次數的情況下是否滿足訓練精度，若是則得到當前待訓練預報模型的網絡權值，并得到與LT對應的訓練后的預報模型；若否則確定不對當前預報組在LT以后的預報時效的積澇水位進行預報；

判斷LT是否等于48小時，若否則將LT取為LT在與歷史樣本起報時刻對應的預報時效的集合中的下一個預報時效，重復執行步驟⑷，若是則執行步驟⑺；

⑺定義當前起報時刻為T₀，T₀為整點時刻，定義與T₀對應的預報時效集合如下：1小時、2小時、3小時、6小時、12小時、24小時和48小時，定義LT₁為T₀對應的預報時效的集合中的當前預報時效，LT₁的初值取為1小時；

⑻定義與LT₁的取值相同的LT對應的訓練后的預報模型為當前預報模型，獲取當前預報模型的當前預報因子；

⑼將當前預報模型的當前預報因子進行歸一化處理，將歸一化處理后的當前預報因子輸入到當前預報模型，將當前預報模型的輸出結果進行反歸一化處理即可得到N_cur個積澇預報點在LT₁的積澇水位預報值；

⑽判斷LT₁＝48小時是否成立，若否則將LT₁賦值為LT₁在T₀對應的預報時效的集合中的下一個預報時效，重復執行步驟⑻，若是則完成對當前預報組中的N_cur個積澇預報點的積澇水位預報。