城市内涝积水对人们的生命财产安全构成了严重威胁,是困扰城市居民多年的问题,也是建设智慧城市急需解决的难题之一。随着传感器技术与物联网技术的迅速发展,人们逐渐将解决这一问题的关注点转移到对内涝点积水趋势的实时监测上。监测数据可以为洪涝预警和制定防灾减灾措施提供重要的参考依据,如何方便快速获取积水监测传感器数据并构建预测模型预测水位已成为新的研究热点。为了方便传感器监测数据的统一采集及远程高效获取,本文在物联网平台的基础上,设计并实现了一个适用于平台的数据存储系统。此系统能够应对平台中数据海量且快速增长的存储需求,并且提供了高效的数据检索功能,能够为预测模型的构建提供可靠的传感器时间序列数据基础。为了提高积水时间序列预测准确性,本文构建了一种组合的CNLSTM时序预测模型,对多变量时间序列进行建模预测。此模型使用卷积神经网络提取多变量数据之间的空间特征,长短时记忆网络提取时间特征预测积水水位。通过与单一的卷积神经网络和长短时记忆网络神经网络预测结果对比,验证了所提模型的有效性。进一步地,本文在CNLSTM模型上做出优化,针对模型对数据特征提取粒度不够细,对数据间线性关系不敏感的缺点,提出了CALNET时序预测模型。首先利用卷积神经网络分别提取多变量时间序列在空间维度和时间轴上的特征关系,得到具有时空相关性的特征向量,然后利用长短时记忆网络进行预测,同时引入了自回归线性组件以增加模型的线性敏感性。实验结果表明,CALNET模型的预测性能得到进一步提高。通过与传统的线性预测模型及BP神经网络对比,验证了所提模型的有效性和优越性。