城市内涝严重威胁着城市居民财产和生命安全,是城市化进程中亟待解决的难题。除了采取工程措施缓解内涝问题,城市内涝预警预测研究也逐步受到重视,传统的内涝预警预测研究多基于城市雨洪模型实现,但基础数据资料不足以及对水文物理过程认知有限等缺点限制着该类模型的应用。随着城市内涝监控云服务系统的开发与应用,城市内涝数据得到实时监测,基于数据驱动模型的内涝预警预测研究成为新趋势。城市内涝监控云服务系统在恶劣的室外测试环境下能够稳定可靠运行,是为城市内涝预警预测研究提供可靠的数据支撑的重要前提。本文在前期已完成城市内涝监控云服务系统实验室管网模型测试的基础上,对物联网测控终端、网络通讯模块及设备供电装置等设备进行选型与组装,并安装在代表性内涝点进行室外运行性能测试。测试结果表明,城市内涝监控云服务系统的实时性好、稳定性高、所选通讯方式性价较高、电池供电能力强,能够为城市内涝预警预测问题研究提供可靠的数据支撑。基于神经网络的城市内涝点降雨积水预测是以内涝点降雨积水监测数据为研究基础,以神经网络的非线性逼近能力进行数据分析、建模与预测的方法,该方法为城市内涝预测研究提供新的切入点。本文将Elman神经网络引入内涝点降雨积水预测研究,并采用粒子群优化算法优化神经网络输入层和隐含层神经元节点数。研究实例表明,Elman神经网络模型适用于城市内涝点降雨积水预测研究,随着预测时长的增加模型预测精度有所下降,但基本能够满足实际应用需求。同时,为了进一步提高模型预测精度,将回声状态网络引入内涝点降雨积水预测研究,采用回声状态网络动态逼近内涝点降雨积水函数映射关系。针对回声状态网络模型关键参数和时间序列嵌入维数选择主观性强的问题,采用粒子群优化算法对上述值进行联合优化以提高预测精度。并对比分析了回声状态网络、Elman神经网络和BP神经网络的预测效果,研究实例验证了回声状态网络在城市内涝点降雨积水预测中的适用性和优越性。