1.一种降雨对地下管廊影响的预测方法，其特征在于，包括如下步骤：

S1、将区域内地下管廊进行分段划分，得到若干个管廊分段；

S2、收集区域内所有管廊分段的基础信息，包括管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；

S3、对区域内所有管廊分段根据其基础信息划分为不同的影响预测等级；不同的管廊分段根据其影响预测等级对应的影响预测周期进行预测；

S4、从市政设施部门资料、气象部分及文献调研中，采集历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息；

历史地下管廊积水信息包括降雨开始前管廊分段内剩余积水量；历史地下管廊降雨信息包括降雨强度、降水时间，降雨强度为单位时间内的降雨量，降水时间为一定降雨强度下的降水历时时间；排水设施工作信息包括排水设施单位时间排水量、排水设施工作时间；

S5、计算临界有效积水量，临界有效积水量为反应当前降雨强度及排水量使得管廊分段内设备产生或可能产生浸水的等效降雨量；地下管廊的临界有效积水量We=Wi+Ir×t1‑Pd×t2；Wi为降雨开始前管廊分段内剩余积水量，Ir为降雨强度，t1为降雨强度为Ir时的降水历时，Pd为排水设施单位时间排水量，t2为排水设施工作时间；

S6、基于历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量分别对最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解应用进行训练，生成多个地下管廊积水预测模型；

S7、评估基于最近邻分类、深度波兹曼机、逻辑回归模型、卷积神经网络模型、时间序列聚类、随机森林、K均值分类、隐马尔可夫模型、张量分解训练生成的桥梁风险预测模型的性能，选择性能最好的地下管廊积水预测模型作为最终的积水影响预测模型；

S8、采集降雨信息、排水设施工作信息，并输入最终的积水影响预测模型，预测降雨对地下管廊的风险值。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤S5包括：构建卷积神经网络，卷积神经网络由输入层、卷积层、PReLU层、池化层、全连接层、输出层构成；具体包括5个卷积层，每个卷积层都附带一个带参数的非线性激活函数PReLU层，第一卷积层、第二个卷积层、第四个卷积层后连接有池化层，每一个池化层均采用最大池化的方法，第一卷积层与输入层连接，输入层输入的是需要处理的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量所对应的值，全连接层位于最后一个池化层和输出层之间，其中每一个神经元都与前一层的全部神经元相连接，并根据风险检测的需要，有针对性地将特征向量映射到输出层，输出层输出降雨对地下管廊的风险值；

利用大量的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量对卷积神经网络模型进行训练，计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，基于深度学习的风险预测通过不断对卷积神经网络进行训练，使损失函数降到预期值，生成最终的卷积神经网络模型。

3.根据权利要求1或2所述的预测方法，其特征在于，还包括步骤S9：基于步骤S7的积水影响预测模型，选择设定时间内的历史地下管廊积水信息、历史地下管廊降雨信息、排水设施工作信息、临界有效积水量信息，得到历史降雨风险值；

基于历史降雨风险值，对管廊分段进行风险分级，针对不同分级的管廊分段进行排水设施维护。

4.根据权利要求3所述的预测方法，其特征在于，还包括步骤S10：待步骤S9完成后，更新管廊分段的排水设施服役年限、排水设施单位时间排水量数据，并通过步骤S6、S7对最终的积水影响预测模型进行修正。

5.根据权利要求1 4任一项所述的预测方法，其特征在于，所述步骤S3中：

~

设置管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量的权重依次为1、m2、m3、m4、m5，其中m1+m2+m3+m4+m5=1；影响预测等级的估值N估为：N估=N1*m1+N2*m2+N3*m3+N4*m4+N5*m5；

其中，N1、N2、N3、N4、N5分别为管廊服役年限、管廊结构形式、管廊积水信息、排水设施服役年限、排水设施单位时间排水量；管廊服役年限的值为相应的服役年限，管廊结构型式的值根据管廊结构的不同进行赋值，管廊积水信息的值为赋予管廊分段的的值，排水设施服役年限的值为排水设施相应的服役年限，排水设施单位时间排水量的值为排水设施相应的单位时间排水量，排水量越大，等级值越小。