城市雨水资源利用时空动态调配与交易方法及系统

摘要

本申请公开了一种城市雨水资源利用时空动态调配与交易方法及系统，所述方法包括构建支持向量机降雨预测模型，采集城市雨水收集系统的数据，构建城市雨水拓扑网络模型，并获得降雨‑雨水利用的关联关系；采用所述支持向量机降雨预测模型预测下一周期的降雨数据，并将获得的下一周期降雨数据输入城市雨水拓扑网络模型，得到雨水利用参数，判断该雨水利用参数是否达到雨水交易的预期值。本申请为城市雨水资源的时空动态调配、预测及利用提供了一种可行方案，提高了雨水的利用效率，获得了很好的经济、社会和环保效益。

说明书

技术领域

本发明涉及城市雨水资源利用仿真技术，属于G06F领域，特别是一种城市雨水资源利用时空动态调配与交易方法及系统。

背景技术

随着我国城市化进程的加快，城市生产、生活和生态用水需求也呈快速增长态势，充分利用城市雨水资源成为解决缺水城市用水需求增长问题的一条重要途径。我国地理气候类型复杂，降雨时空分布不均，不同地理气候类型缺水城市雨水资源禀赋与用水需求也有显著差异，针对不同气候地理类型缺水城市雨水资源特征，进行雨水资源利用研究十分必要。同时，如何识别城市雨水资源利用的地区性、工程性、技术性以及管理性等限制因素，解析限制性因素对城市雨水资源利用的约束机制，是保障城市雨水资源有效利用的前提。

城市雨水资源利用技术涉及水量预测、时空调控、量质调度以及利用方案决策等多个方面，我国城市雨水资源利用技术研究多以工程设计与技术集成应用为主，对雨水资源利用精准模拟、系统工程调控、优化决策、交易评估等支持技术等仍缺乏系统深入的研究。

故，需要研究一种新的技术方案。

发明内容

发明目的：提供一种城市雨水资源利用时空动态调配与交易方法，以解决目前城市水资源利用时空动态预测、调配和交易的问题。

技术方案：城市雨水资源利用时空动态调配与交易方法，包括：

S1、采集城市历史降雨数据，并分为月降雨训练集和月降雨测试集，各自形成月降雨量训练序列和月降雨测试序列；

S2、构建支持向量机降雨预测模型，以所述月降雨训练序列为输入数据训练所述支持向量机降雨预测模型，并通过所述月降雨测试序列对支持向量机降雨预测模型进行准确性校验，获得符合要求的支持向量机降雨预测模型；

S3、采集城市雨水收集系统的数据，构建城市雨水拓扑网络模型，所述城市雨水拓扑网络模型包括雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元；将预收集的城市雨水利用数据作为所述城市雨水拓扑网络模型的输入，优化城市雨水拓扑网络模型的参数，获得降雨-雨水利用的关联关系；

S4、获取当前的降雨数据和历史降雨数据作为输入数据，采用所述支持向量机降雨预测模型预测下一周期的降雨数据，并将获得的下一周期降雨数据输入城市雨水拓扑网络模型，结合降雨-雨水利用的关联关系，得到雨水利用参数，判断该雨水利用参数是否达到雨水交易的预期值。

根据本申请的一个方面，所述步骤S2中训练支持向量机降雨预测模型的过程如下：

将历史降雨数据分成若干个跨度相同顺次排列的时间周期，以第一个时间周期的降雨数据作为降雨训练集，对支持向量机降雨预测模型进行训练，获得第二个时间周期的降雨预测值，然后根据降雨预测值和降雨实测值的差值，对支持向量机降雨预测模型进行校正；

然后以第一时间周期和第二时间周期的降雨数据，对校正后的支持向量机降雨预测模型进行训练，获得第三时间周期的降雨预测值，然后根据降雨预测值和降雨实测值的差值，对支持向量机降雨预测模型进行校正；

重复上述过程，直至降雨预测值符合要求。

根据本申请的一个方面，所述步骤S2中判断所述支持向量机降雨预测模型是否符合要求的过程如下：

分别采用各个周期的月降雨训练集对支持向量机降雨预测模型进行训练，获得若干组下一周期的月度降雨预测值；分别根据历史降雨数据的月度降雨实测值和月度降雨预测值选择边缘分布函数，并通过权函数法估计函数参数，获得月度降雨实测值和月度降雨预测值的边缘概率分布函数；

利用Copula函数构建月度降雨实测值和月度降雨预测值的联合概率分布函数，通过边际推断法计算Copula函数的参数；获得Copula降雨联合概率分布函数，并以此计算支持向量机降雨预测模型的降雨预测值是否达到要求。

根据本申请的一个方面，所述步骤S3还包括对降雨-雨水利用关系的准确性进行检验：

S31、采集城市预定区域的GIS图，将雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元标注在所述GIS图中，构建各单元之间的连通关系和汇流关系，形成雨水汇流有向图；

S32、为雨水汇流有向图中的各个雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元分配效率系数，为雨水汇流有向图中的每个汇流关系分配汇流系数；

S33、将预收集的城市雨水利用数据作为雨水汇流有向图的输入，计算上述单元的效率系数和汇流系数；重复这一过程，直至效率系数和汇流系数收敛至预定范围；

S34、通过收敛后的效率系数和汇流系数计算降雨-雨水利用的关联关系，并基于此判断知识向量机模型获得的降雨-雨水利用的关联关系是否达到预定的准确度。

根据本申请的一个方面，所述步骤S4具体为：

S41、采集降雨交易合约内的降雨交易周期，并将其分成若干个连续的降雨交易合约履行时段，每个降雨交易合约履行时段划分为至少两个时间上连续的第一降雨交易单元和第二降雨交易单元；

S42、采用所述历史降雨数据，通过所述支持向量机降雨预测模型计算第一降雨交易单元的降雨预测值；然后通过降雨-雨水利用的关联关系计算第一降雨交易单元的降雨预测值对应的雨水利用参数，再计算该雨水利用参数占该降雨交易合约履行时段的总雨水利用参数的比值；若该比值位于预期范围内，则按照预定的方案履行雨水交易合约；

S43、若该比值低于预期范围，则采集当前降雨数据，通过神经网络模型对第二降雨交易单元的降雨进行预测，预判第二降雨交易单元的雨水利用参数，并计算第一降雨交易单元和第二降雨交易单元的雨水利用参数之和是否符合降雨交易合约履行时段的要求；若符合要求，则按照预定的方案履行雨水交易合约；

S44、若该比值高于预期范围，则采集当前降雨数据，通过神经网络模型对第二降雨交易单元的降雨进行预测，预判第二降雨交易单元的雨水利用参数，并计算其是否位于预期范围，以及第一降雨交易单元和第二降雨交易单元的雨水利用参数之和是否符合降雨交易合约履行时段的要求；

若位于预期范围且符合要求，则提高第一降雨交易单元的履约比例。

根据本申请的一个方面，所述步骤43中，若不符合要求，则构建降雨-雨水利用关联模型，根据已采集的历史降雨数据和雨水利用数据，挖掘降雨-雨水利用的关联规则，建立降雨-雨水利用关联模型的支持度和置信度；

采用训练好的降雨-雨水利用关联模型对第一降雨交易单元的降雨进行预测，并将预测值输入神经网络模型，对第二降雨交易单元的降雨进行预测；再通过预测值计算第一降雨交易单元和第二降雨交易单元的雨水利用参数之和是否符合降雨交易合约履行时段的要求；若仍不符合要求，则发出调整合约履行比例的提示。

根据本申请的一个方面，所述步骤S31还包括判断雨水汇流有向图是否存在环结构和可反向结构；

搜索雨水汇流有向图中的水流方向参数，一一判断各个汇流管道中是否存在表示水流方向相反的信息；若存在则进行标注；

搜索雨水汇流有向图中的水流方向参数，一一判断是否存在若干节点的水流方向参数形成环结构。

根据本申请的一个方面，所述步骤S44中，当第二降雨交易单元的雨水利用参数高于预期范围，且第一降雨交易单元和第二降雨交易单元的雨水利用参数之和超出合约要求时，调整所述城市雨水拓扑网络模型包括雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元的控制参数，提高雨水在各个单元中的总储量。

根据本申请的一个方面，采集当前降雨数据，判断降雨分布均匀度是否符合要求，若不符合要求，通过环结构调配雨水的存储位置。

根据本申请的一个方面，还提供一种系统，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项实施例所述的城市雨水资源利用时空动态调配与交易方法。

有益效果：本申请为城市雨水资源的时空动态调配、预测及利用提供了一种可行方案，提高了雨水的利用效率，获得了很好的经济、社会和环保效益。同时，提供了一种雨水交易的新思路，能够解决当前存在的因降雨等原因导致交易价格评估困难的问题，为雨水价格弹性约定提供了解决方案。相关优点将在具体实施方式部分详细描述。

附图说明

图1是本发明的流程示意图。

图2是本发明训练支持向量机降雨预测模型的流程图。

图3是本发明对降雨-雨水利用关系的准确性进行检验的流程图。

图4是本发明评估雨水利用参数是否达到预期值的流程图。

具体实施方式

以下详细描述本申请的技术原理和技术细节。为了突出本申请的改进点，对于一些现有技术进行了略写，本领域的技术人员能够知晓相关技术内容，同时，结合本申请的技术内容，可以解决本申请提出的技术问题，并获得相应的技术效果。

如图1所示，城市雨水资源利用时空动态调配与交易方法，包括：

S1、采集城市历史降雨数据，并将城市历史降雨数据分为月降雨训练集和月降雨测试集，各自形成月降雨量训练序列和月降雨测试序列。

在实际实施工程中，对于不同的城市，分别进行采集，例如在年降雨量不同的城市，分别构建数据集，结合城市降雨的特点。基于不同城市的降雨数据进行训练，提高训练的准确性。降雨量随时间分布相似的城市，例如地理环境较为相似的城市，可以将其划分成一组，然后构建城市历史降雨数据。

S2、构建支持向量机降雨预测模型，以所述月降雨训练序列为输入数据训练所述支持向量机降雨预测模型，并通过所述月降雨测试序列对支持向量机降雨预测模型进行准确性校验，获得符合要求的支持向量机降雨预测模型。

S3、采集城市雨水收集系统的数据，构建城市雨水拓扑网络模型，所述城市雨水拓扑网络模型包括雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元；将预收集的城市雨水利用数据作为所述城市雨水拓扑网络模型的输入，优化城市雨水拓扑网络模型的参数，获得降雨-雨水利用的关联关系。

S4、获取当前的降雨数据作为输入数据，采用所述支持向量机降雨预测模型预测下一周期的降雨数据，并将获得的下一周期降雨数据输入城市雨水拓扑网络模型，结合降雨-雨水利用的关联关系，得到雨水利用参数，判断该雨水利用参数是否达到雨水交易的预期值。

简单地讲，这一步骤中，通过数字孪生的思想，建立数字化的模型，在这个城市雨水拓扑网络模型构建和优化完成后，给予一定的降雨数据作为输入，可以输出可利用的雨水量等参数。在一个极其简化的模型中，假设只有一个收集单元、存储单元、处理单元和输送单元，构成一个单一的降雨-雨水利用支路，则在各个环节上有一定的损失系数，最后降雨-雨水利用率为0.4-0.8 。则降雨量为100，则雨水利用率为40-80。当然，实际过程中，城市雨水拓扑网络模型是非常复杂的，因此需要通过神经网络进行优化训练，获得系统参数。

在这一实施例中，通过构建降雨预测模型，对城市降雨进行预测，然后根据预测结果对当前的雨水利用参数进行预判，并计算是否能够达到合约规定的数值。也就是说，如果采用现有技术，则一般是根据经验对雨水交易量和交易价格进行约定，如果天气变化较大，则无法完成交易合同的约定内容。例如在某些年份，降雨量相对历史降雨量，增加较大，而在另外一些年份，降雨量相对往年较少。因此，如果依照经验判断，则双方均倾向于作出有利于自己一方的决策，导致很难达到平衡点。不同城市的情况又各不相同，因此，各种不确定性参数导致雨水交易一直处于设想阶段，迟迟没法落地。而通过本实施例的方案，可以基于历史数据对当前和未来一段时间的降雨进行预估，然后集合当前的实时降雨数据对未来短期数据进行预测，从而大大提高降雨预测的准确性，减少因为降雨不确定性对雨水交易造成的影响。在实际工程中，可以在第一年的下半年根据历史降雨数据预测第二年的大致降雨量，然后设定一个基础价格。在第一年12月时，根据当前的降雨数据、天气数据和水文数据，预测第二年1月份的降雨数据，预测周期可以为15天或30天。在第二年1月份的时候，结合当前的降雨数据，预测第二年2月份的数据，以此类推。通过当前降雨数据、天气数据和水文数据，可以对未来一段时间的降雨进行预测，从而调整每段时间的交易参数，从而能够达到相对平衡的，提高交易的成功率。

在训练过程中，可以采用多种方法进行训练，例如直接将所有历史降雨数据作为训练集，然后选择连续一段时间的历史降雨数据作为训练数据，对后续一段时间的降雨数据进行预测。也可以将历史数据分成至少两个部分，一个部分作为训练集，一个部分作为测试集。通过训练集训练好的模型，通过测试集进行检测。经过多种方式的实验，提供一种效果较好的方式。具体如下：

根据本申请的一个方面，所述步骤S2中训练支持向量机降雨预测模型的过程如下：

将历史降雨数据分成若干个跨度相同顺次排列的时间周期，以第一个时间周期的降雨数据作为降雨训练集，对支持向量机降雨预测模型进行训练，获得第二个时间周期的降雨预测值，然后根据降雨预测值和降雨实测值的差值，对支持向量机降雨预测模型进行校正；

然后以第一时间周期和第二时间周期的降雨数据，对校正后的支持向量机降雨预测模型进行训练，获得第三时间周期的降雨预测值，然后根据降雨预测值和降雨实测值的差值，对支持向量机降雨预测模型进行校正；

重复上述过程，直至降雨预测值符合要求。

在上述实施例中，将历史降雨数据分成跨度相同的周期，将第1、3、5…周期的数据作为训练集，将2、4、6…的数据作为测试集。在开始时，以第一周期的数据作为训练集，获得训练模型，然后将第二周期的数据作为测试集，将预测输出的数据与实际数据进行对比，然后调整训练模型参数或者优化训练数据，从而对模型进行校正。在下一周期，将第1（和第2）周期的数据作为训练集，然后对模型进行训练，输出第三周期至少部分时段的预测数据，然后与实际降雨数据进行对比，然后再次对模型进行校正。

如此重复上述过程，通过训练、测试、优化数据和模型，反复训练，从而能够获得更准确的预测模型。

在实际预测过程中发现，现有的各种预测模型，并没有能够快速判断预测模型是否符合预期的方法。也就说，如何快速判断预测模型的预测效果达标，是目前各种训练模型没有提及的问题。实际上，为了提高预测的准确性，减少降雨预测的不确定性，提高交易成功率，是本申请要解决的一个核心问题。为此，提供了如下的方案。

根据本申请的一个方面，所述步骤S2中判断所述支持向量机降雨预测模型是否符合要求的过程如下：

分别采用各个周期的月降雨训练集对支持向量机降雨预测模型进行训练，获得若干组下一周期的月度降雨预测值；分别根据历史降雨数据的月度降雨实测值和月度降雨预测值选择边缘分布函数，并通过权函数法估计函数参数，获得月度降雨实测值和月度降雨预测值的边缘概率分布函数；

利用Copula函数构建月度降雨实测值和月度降雨预测值的联合概率分布函数，通过边际推断法计算Copula函数的参数；获得Copula降雨联合概率分布函数，并以此（Copula降雨联合概率分布函数）计算支持向量机降雨预测模型的降雨预测值是否达到要求。

在本实施例中，首先通过构建实测值和预测值的边缘概率分布函数，然后通过构建联合概率分布函数，通过联合概率分布函数的相关参数，分析预测值和实测值的关联性，如果关联性达到阈值，则可以判断预测值和实测值是否较为接近，从而判断降雨预测模型是否达标。因此，该实施例提供了一种判断降雨预测模型是否符合要求的渐变方法，通过分析联合分布函数的参数，即可判断是否达标，非常方便。

例如采用高斯Copula函数，可以类比二维高斯函数的形状来判断概率分布，从而分析两个分布的关联性 。

由于降雨和雨水利用之间的关联关系也较为复杂，为了提高对关系准确性的判断，提供了一种检验方法。

根据本申请的一个方面，所述步骤S3还包括对降雨-雨水利用关系的准确性进行检验：

S31、采集城市预定区域的GIS图，将雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元标注在所述GIS图中，构建各单元之间的连通关系和汇流关系，形成雨水汇流有向图；

S32、为雨水汇流有向图中的各个雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元分配效率系数，为雨水汇流有向图中的每个汇流关系分配汇流系数；

S33、将预收集的城市雨水利用数据作为雨水汇流有向图的输入，计算上述单元的效率系数和汇流系数；重复这一过程，直至效率系数和汇流系数收敛至预定范围；

S34、通过收敛后的效率系数和汇流系数计算降雨-雨水利用的关联关系，并基于此判断知识向量机模型获得的降雨-雨水利用的关联关系是否达到预定的准确度。

在降雨到雨水利用的过程中，至少包括多个雨水收集、雨水存储、雨水处理、管道运输过程，每个过程的效率均小于1。同时，各个单元之间存在连接关系，形成较为复杂的拓扑网络。因此，如何分析降雨-雨水利用关系各个环节的参数，以及整体的效率参数，是非常重要的。需要注意的是，由于本申请研究的是城市雨水资源，一般为平原区域，可以看作在一个平面上设置雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元，每个单元均具有效率系数和汇流系数。效率系数具体解释如下。

例如，雨水收集系统中的雨水收集效率系数η1主要和降雨中心的偏离程度、降雨范围、降雨强度分布有关。

例如，雨水收集系统的雨水收集装置与降雨中心偏离程度如何。降雨范围与雨水收集装置的范围比例，以及降雨强度随空间的分布。同时，上述参数还与降雨过程相关，也就是在时间上，也是变化的。

比如，某场雨以某某路225号为中心，方圆为1km，而雨水收集系统是否在这个降雨范围内，在这个降雨范围内的雨水收集装置有多少。如果在这个范围内，还需要考虑降雨在空间上的分布，是在1km范围内均匀分布的，还是中心特点别大，外周很小。

假如这场雨持续下了2小时，那上述降雨中心、降雨范围、降雨强度是不是随时间变化的，是不是前1小时和后1小时的完全不一样。

上述因素均影响收集效率，因此相对而言，非常复杂。

而雨水收集系统储水效率系数η2跟来水量、存储和调度量等三个因素相关。可以将每个雨水收集系统概化为一个储水箱。在某个实施例中，雨水收集系统总共能装100方水，这场雨的来水量是200方，那仅能装100方，多的100方就流掉了，这时候η2=0.5。再比如，还是这个100方的储水箱，又一场雨是下了100，但之前没及时处理（调度）上一场雨遗留下来的20方，那这次又浪费了20方，这时候η2=0.8方。

雨水处理效率系数η3和处理厂、处理装置的能力相关，也和雨水的储存、管道传输有关，比如每100方的雨水，按照处理厂、处理装置的能力能生产出来60方的可利用的干净水，但是如果水存储久了，变质了，或者在管道传输过程中受污染了，只能生产出来30方的可利用的干净水。

管道传输效率系数η4主要是雨水在管道传输过程中可能发生渗漏等等，例如100方的水，传输到处理厂可能只有80方了。

假如是一个单一的无支路的系统，则总系数是η=η1×η2×η3×η4。

而如果是多个支路组成的复杂网络系统，则总系数是非常复杂的。因此通过构建雨水汇流有向图，通过分批汇流系数，然后通过存储的数据对系统进行训练，获得整体的总系数。为后续的降雨-雨水利用提供一个较为准确的数据。在获得较为准确的降雨数据后，再结合较为准确的降雨-雨水关系，可以获得较为准确的雨水利用数据。经过上述两个过程，可以获得从降雨到最后雨水利用的整个链条上的预测数据。

需要注意的是，如果是区域起伏比较大，可能汇流关系没有平原的汇流关系复杂，对于部分单元而言，无法分配汇流系数，可以将汇流系数设定为0，从而可以通过上述方法来处理。

在使用该方法的过程中发现，如果雨水交易合约中的交易周期较长，则随着时间的延长，预测的精确性会下降，因此履约的不确定增加。为此，提供了如下的方案。

根据本申请的一个方面，所述步骤S4具体为：

S41、采集降雨交易合约内的降雨交易周期，并将其分成若干个连续的降雨交易合约履行时段，每个降雨交易合约履行时段划分为至少两个时间上连续的第一降雨交易单元和第二降雨交易单元；

S42、采用所述历史降雨数据，通过所述支持向量机降雨预测模型计算第一降雨交易单元的降雨预测值；然后通过降雨-雨水利用的关联关系计算第一降雨交易单元的降雨预测值对应的雨水利用参数，再计算该雨水利用参数占该降雨交易合约履行时段的总雨水利用参数的比值；若该比值位于预期范围内，则按照预定的方案履行雨水交易合约；

S43、若该比值低于预期范围，则采集当前降雨数据，通过神经网络模型对第二降雨交易单元的降雨进行预测，预判第二降雨交易单元的雨水利用参数，并计算第一降雨交易单元和第二降雨交易单元的雨水利用参数之和是否符合降雨交易合约履行时段的要求；若符合要求，则按照预定的方案履行雨水交易合约；

S44、若该比值高于预期范围，则采集当前降雨数据，通过神经网络模型对第二降雨交易单元的降雨进行预测，预判第二降雨交易单元的雨水利用参数，并计算其是否位于预期范围，以及第一降雨交易单元和第二降雨交易单元的雨水利用参数之和是否符合降雨交易合约履行时段的要求；

若位于预期范围且符合要求，则提高第一降雨交易单元的履约比例。

在本实施例中，通过将交易周期划分成若干个连续的履约周期，通过对每个履约周期进行划分，通过对每个履约周期进行估计，给出交易建议。因此通过这种方式，可以大大提高履约的成功率，因此交易双方的交易意向能够增加。

如果上述过程中，如果还存在问题，则通过关联规则的方法，采用历史降雨数据对当前降雨进行二次预测，通过支持向量机和关联规则两种预测方法，对雨水进行预测，提高预测的准确率，为后续的交易提供更加准确的判断依据。

根据本申请的一个方面，所述步骤43中，若不符合要求，则构建降雨-雨水利用关联模型，根据已采集的历史降雨数据和雨水利用数据，挖掘降雨-雨水利用的关联规则，建立降雨-雨水利用关联模型的支持度和置信度；

采用训练好的降雨-雨水利用关联模型对第一降雨交易单元的降雨进行预测，并将预测值输入神经网络模型，对第二降雨交易单元的降雨进行预测；再通过预测值计算第一降雨交易单元和第二降雨交易单元的雨水利用参数之和是否符合降雨交易合约履行时段的要求；若仍不符合要求，则发出调整合约履行比例的提示。

也就是说，在该实施例中，通过关联规则和神经网络联合使用，提高预测的准确性，为雨水交易提供更加准确的参数。

由于上述实施例中描述的原因，雨水收集系统与降雨分布并不完全重叠，因此会出现某个区域的雨水收集系统已经储满水，另外一个区域的雨水收集系统还存在余量。因此，根据雨水收集系统的拓扑关系，对雨水的存储进行调度。具体而言如下：

根据本申请的一个方面，所述步骤S31还包括判断雨水汇流有向图是否存在环结构和可反向结构；

搜索雨水汇流有向图中的水流方向参数，一一判断各个汇流管道中是否存在表示水流方向相反的信息；若存在则进行标注；

搜索雨水汇流有向图中的水流方向参数，一一判断是否存在若干节点的水流方向参数形成环结构。

在这一实施例中，通过判断雨水汇流有向图中是否存在环结构或者可反向结构。通过环结构和反向结构，可以在不同的储水装置之间进行调水，比如某个区域的储水箱已经超过阈值，则可以像其他区域的储水箱进行调水。从而提高系统整体的雨水收集存储效率。

通过上述方案，可以实现根据降雨数据，提前预判降雨区域，例如预判降雨主要集中于区域a，则通过系统将雨水收集系统中的水调往区域b，从而整体收集雨水的效率更高。也就说说，可以在空间上实现调水，实现更加均匀的分布。

根据本申请的一个方面，采集当前降雨数据，判断降雨分布均匀度是否符合要求，若不符合要求，通过环结构调配雨水的存储位置。

同时，如果当前交易周期的雨水交易已经达到要求，则可以通过平衡各个存储单元等中的雨水存量，为下一交易周期做准备。

根据本申请的一个方面，所述步骤S44中，当第二降雨交易单元的雨水利用参数高于预期范围，且第一降雨交易单元和第二降雨交易单元的雨水利用参数之和超出合约要求时，调整所述城市雨水拓扑网络模型包括雨水收集单元、雨水存储单元、雨水处理单元和雨水输送单元的控制参数，提高雨水在各个单元中的总储量。

根据本申请的一个方面，还提供一种系统，包括：

至少一个处理器；以及

与至少一个所述处理器通信连接的存储器；其中，

所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项实施例所述的城市雨水资源利用时空动态调配与交易方法。

换句话说，可以通过将上述方法做成软件模块，然后存储在硬件上，从而实现上述方法。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。