1.一种基于人工智能的精细化城市积水水位拟合方法，其特征在于，包括如下步骤：步骤1、采集城市积水监测站的积水水位监测信息、地面高程信息、经度信息、纬度信息和时间信息，剔除异常值后对数据进行标准化处理，构建无量纲化的水文特征数据库；

步骤2、基于图神经网络Graph Neural Network方法对步骤1中的数据库展开聚类分析，将具有相似水文特征的站点聚类到一起，包括：步骤2.1、假定研究区域 存在 个站点，构建基于站点分布的拓扑网络 ，拓扑网络主要由两部分组成，分别为节点 和边缘 ，其中，节点 代表研究区域中的站点，每个站点的特征向量如公式（2）所示；边缘 代表各个站点之间的相互联系；

步骤2.2、根据拓扑网络 ，构建相应的输入矩阵 ，输入矩阵 将拓扑网络 具象化，将n个站点组成 的二维矩阵，利用权重的大小表征不同节点间存在的上下游影响；

步骤2.3、构建图自编码器Graph Auto Encode，包括利用编码器Encode编译原始输入矩阵 的高维信息，以及利用反编码器Decode重构原始网络结构；首先，利用编码器将步骤

2.2中的输入矩阵 中的特征向量 投影至 维的编码空间 ，即 ；此时，考虑使用带有注意力机制的编码器，对邻域节点进行加权平均，其计算公式写为：其中，为 函数， 、 分别为节点 在编码器中第 层与第 层的信息，为节点 的邻域节点集合， 为节点 与邻域节点间 的注意力权重； 函数的计算公式为：之后，计算编码空间 内节点对之间的内积，获得重构后的原始网络 ；此时，图自编码器重构网络的误差表示为：步骤2.4、构建自训练聚类网络，假定聚类中心为 ，则节点 属于 类别的概率 表示为：其中， 为第k类聚类中心， 为节点 与聚类中心 间的欧式距离，表征两者间的相似性，在聚类问题中，需要迫使每个节点与相应的聚类中心趋于类内距离最小，且类间距离最大，而目标分布 被定义为:此时，利用KL散度刻画预测聚类分布 与目标分布 之间的误差，定义自训练的损失函数：则最终的损失函数 写为：

为权重系数， 为图自编码器重构网络的误差,通过最小化 训练模型，根据此时的判断节点 最可能所属的类别；

步骤3、基于步骤2中的聚类结果，对城市进行划分子区域，划分城市积水水位子区域；

步骤4、将所有站点的地面高程信息、经度信息、纬度信息、时间信息和目标站点以外的积水水位监测信息作为输入变量，目标站点积水水位作为输出变量，逐区构建个性化的水文概念模型，包括：在同一子区域下，将所有站点的地面高程信息、经度信息、纬度信息、时间信息和目标站点以外的积水水位监测信息作为输入变量，目标站点积水水位作为输出变量，基于神经网络逐区构建个性化的水文概念模型，输入变量可表示为：其中 分别表示积水水位监测信息、地面高程信息、经度信息、纬度信息和时间信息，表示该子区内积水站点数量，假设每个站点有 个积水数据，则共有个样本来训练模型，地面高程信息、经度信息、纬度信息的加入让模型有效提取积水水位的空间分布特征，而时间信息的加入则有利于捕捉积水水位的季节性变化和日变化特征，增强模型的拟合能力，神经网络的计算公式如下：， ，分别表示输入层、隐含层和输出层矢量，为隐藏层数量， 和 为每一层的训练参数， 表示激活函数，这也是神经网络的非线性来源，本方法拟采用的激活函数为ReLU函数：；

步骤5、基于步骤4中的逐区构建的水文概念模型，利用子区域内积水监测站的积水水位监测信息、地面高程信息、经度信息、纬度信息、时间信息和目标位置的地面高程信息、经度信息、纬度信息、时间信息，反衍各子区域任意位置积水水位。

2.根据权利要求1所述的基于人工智能的精细化城市积水水位拟合方法，其特征在于，步骤1中，所述标准化处理的计算公式为：式中， 为标准化后的结果， 表示 的平均值， 表示 的标准差；各变量标准化后构成所有积水站点的水文特征向量：

式中， 表示第k个积水站点的水文特征向量， 分别表示标准化后的积水水位监测信息、地面高程信息、经度信息、纬度信息和时间信息，由此构成无量纲化的水文特征数据库。