哈维飓风让德州哈里斯县遭遇了严重内涝，针对这种城市洪水的临近预报，传统水文水力模型显得有点慢半拍，计算效率低而且数据获取难。为了改变这种情况，本文把目光投向了深度学习，尤其是多源异构数据驱动的模型。不过现有的方法要么没法同时捕捉复杂的时空依赖关系，要么对人群感知数据的应用不够充分。为了弥补这个空白，研究人员提出了一个融合注意力机制与图卷积的时空深度学习模型，也就是ASTGCN。 这个模型把研究区域看成由人口普查小区组成的图网络，用空间邻近性还有像高程、土地利用、距河流距离这些静态特征来决定节点间的边权。模型的输入包括物理传感器数据，比如降雨和河流水位，还有人群感知数据，比如311报修、Twitter活动和手机轨迹。这些动态输入统一采样后按时间序列输入模型。为了提升对动态特征的建模能力，ASTGCN引入了时空注意力模块，还通过卷积方式提取时序和空间依赖信息，最后用全连接层输出每个小区在每个时间步的内涝状态。 考虑到洪涝事件中类别不均衡的问题，研究把任务改成了三分类（无内涝、中度内涝、严重内涝），并用准确率、精确率、召回率、F1分数这些指标来评估性能。在2017年8月31日，研究者把ASTGCN放到了哈维飓风引发的实际洪涝场景里进行了测试。从结果来看，这个模型确实提高了城市洪灾即时预警的准确性和覆盖能力。不过模型也有不足的地方，比如人群感知数据目前只在少数洪涝事件里才有完整记录，限制了它在不同时间和地区的泛化能力。另外，模型的计算量也比较大，以后还需要进一步优化算法效率。 UrbanWaterGroup的最新研究动态也提到了这一点。