1.基于改进卷积神经网络的城市积水水位预测方法，其特征在于，包括：获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；

基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；

将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；

将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。

2.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据通过以下方法得到：通过城市积水监测站实时采集当前积水水位，从地理空间数据云开放平台获取城市地面高程数据，通过气象部门的数据接口获取未来预设时间内的降水预报数据。

3.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述雨带通过以下方法进行识别：通过MODE空间检验技术对未来预设时间内的降水预报数据进行特征提取从而识别雨带；

先进行空间平滑，其计算公式如下：

其中， 是滤波函数， 是原始预报场， 是滤波后的降水场， 和是格点坐标，R是卷积半径；

然后进行降水阈值控制，其计算公式如下：

其中， 是掩膜场，T是降水阈值；

最后进行雨带识别，其计算公式如下：

其中， 是识别出的雨带。

4.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述雨带的对象属性包括质心位置、面积、降水强度，通过以下方法提取：选取雨带的几何中心作为质心位置，通过雨带范围内的网格数表征面积，降水强度取雨带范围内降水量的第10百分位。

5.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述预处理包括去除异常值和对数据进行标准化处理，标准化处理的公式如下：其中， 是标准化后的结果， 是 的平均值， 是 的标准差， 是数据的值。

6.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述基于改进卷积神经网络的深度学习模型包括卷积层、池化层、展开层和全连接层，在最后的全连接层中加入雨带的对象属性，且将TS评分作为模型的损失函数。

7.根据权利要求6所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述TS评分的计算公式如下：其中，是正确预报的次数，是空报次数，是漏报次数。

8.根据权利要求1所述的基于改进卷积神经网络的城市积水水位预测方法，其特征在于，所述基于改进卷积神经网络的深度学习模型的训练方法包括：获取历史的积水水位、城市地面高程数据、降水预报数据并进行标准化后将其放入构建好的水文特征数据集；

基于降水预报数据识别出雨带后提取雨带的对象属性，进行标准化后和水文特征数据集共同构成训练集；

使用所述训练集对所述深度学习模型进行训练，得到训练好的深度学习模型。

9.基于改进卷积神经网络的城市积水水位预测系统，其特征在于，包括：实时数据获取模块：用于获取当前积水水位、城市地面高程数据、未来预设时间内的降水预报数据；

雨带对象属性提取模块：用于基于未来预设时间内的降水预报数据识别出目标站点周围的雨带，提取雨带的对象属性；

输入变量构建模块：用于将降水预报数据、城市地面高程数据、雨带的对象属性进行预处理后组成输入变量；

积水水位预测模块：用于将输入变量输入到预训练好的基于改进卷积神经网络的深度学习模型中，得到所述未来预设时间内目标站点的积水变率，结合当前积水水位得到所述未来预设时间内的积水水位。