文献分享 | JOH：基于稀疏监测数据的时空图卷积网络在城市排水系统水位重建中的应用

本文提出了一种基于图神经网络的时空图卷积网络（STGCN）模型，用于重建城市排水管网（UDN）的实时信息系统。背景方面，传统的深度学习方法难以处理未观察到的数据，而水力模型则面临数据收集和实时性能的挑战。研究目的是通过从有限的监测数据和UDN拓扑中提取基本元素，有效重建未监测的节点数据。结果表明，STGCN模型仅使用七个监测节点就能重建527个未监测节点的水位，中位数平均绝对误差为0.038米，准确率为71.3%。结论显示，STGCN模型能够利用低监测节点密度和基本网络拓扑结构，精确重建未监测节点数据，为智能UDN中数据驱动的挑战提供切实可行的解决方案。被动掩码训练策略（PMTS）显著提升未监测节点的重构精度，有助于识别排水管网中的异常水位或突发情况，为后续综合调度、淹水预警与海绵城市建设等提供支撑。