机器学习模型与传统机理模型的融合

基于物理过程的各种数学模型在水力、市政、海洋等领域已经得到了很多年的发展和应用，随着这几年机器学习技术的大热，也有越来越多的人尝试将机器学习技术应用在水力、市政领域，但是这些尝试大部分集中在使用机器学习模型替代传统机理模型。那么以后的趋势会是机器学习模型替代机理模型，或是各自应用在不同领域？龙猫老师认为都不是的，以后的趋势必然是机器学习技术与传统数学模型融合StormSVM模型正是一个很好的例子，它将传统的内涝数学模型与机器学习技术SVM有机结合在一起

上次我们给大家带来了StormSVM的介绍（StormSVM—计算速度秒杀传统数学模型的实时城市内涝预报模型），大家反响非常热烈，这次我们带来了演讲和论文内容摘要翻译，希望能够更好的帮助大家了解这项技术

基于物理过程的数学模型已经广泛应用于城市内涝模拟中，但是数值模型在应用到实时内涝预报中，最大的瓶颈既是需要大量的计算资源和模拟时间，虽然有各种各样的简化模型技术被提出来，但是这些技术往往只能应用在满足一定前提条件的项目中

SVM作为一种机器学习技术，其即使在样本数量比较少的情况下，也能表现出良好的外推能力。但是和所有数据驱动模型一样，仍然需要一定量的数据支撑。而城市内涝积水的监测，往往成本好高，而且目前几乎没有城市进行长期大规模的监测，这导致直接采用监测数据建立SVM城市内涝模型非常困难，监测成本投入将会很高

为了解决这些问题，StormSVM技术提出了将水力模型与SVM模型结合起来的技术，由经过率定的水力模型生产数据提供给SVM模型进行训练，训练后的SVM模型可以提供与水力模型几乎精度的预报同时，仅仅消耗非常少的计算资源。