CN108615054B - 排水管网节点间相似性衡量的综合指标构建方法 - Google Patents

排水管网节点间相似性衡量的综合指标构建方法 Download PDF

Info

Publication number
CN108615054B
CN108615054B CN201810349074.4A CN201810349074A CN108615054B CN 108615054 B CN108615054 B CN 108615054B CN 201810349074 A CN201810349074 A CN 201810349074A CN 108615054 B CN108615054 B CN 108615054B
Authority
CN
China
Prior art keywords
pipe network
similarity
node
nodes
monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810349074.4A
Other languages
English (en)
Other versions
CN108615054A (zh
Inventor
郭效琛
赵冬泉
杜鹏飞
李萌
郑钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810349074.4A priority Critical patent/CN108615054B/zh
Publication of CN108615054A publication Critical patent/CN108615054A/zh
Application granted granted Critical
Publication of CN108615054B publication Critical patent/CN108615054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种排水管网节点间相似性衡量的综合指标构建方法，包括：通过对排水管网进行在线监测或利用模型模拟，以得到管网节点对应监测指标的时间序列曲线；将时间序列曲线作为相似性衡量的对象，并利用皮尔逊相关系数和欧氏距离分别获取节点间相似性矩阵和距离矩阵；根据相似性矩阵和距离矩阵进行变化，以得到综合指标，并根据综合指标衡量管网节点间的相似性。该方法能够根据实际需求调整两部分所占权重，快速计算、动态评估，使相似性的定量化评估结果更符合排水管网节点特性，支持节点聚类等相关分析，方便准确，应用范围广。

Description

排水管网节点间相似性衡量的综合指标构建方法
技术领域
本发明涉及管网节点相似性识别技术领域，特别涉及一种排水管网节点间相似性衡量的综合指标构建方法。
背景技术
随着在线监测、互联网及计算机技术的发展，排水管网监测手段逐渐由传统的人工监测采样转变为了实时在线监测，数据形式由瞬时节点数据，转变为连续的时间序列。在进行排水管网监测点识别与优化、区域排水规律分析、管网诊断评估等方面，都需要对节点间的相关性进行识别。然而缺少一个针对排水管网节点的相似性衡量的定量化指标，不足以支撑节点间相关性的识别及后续的分析与计算。
现有技术中，对排水管网节点间相关性的识别基于人工采样的少量瞬时数据，与现有在线监测所得数据形式不符，对时间序列相似性的衡量指标未针对排水管网特性进行调整与优化，严重影响了排水管网节点间相似性衡量的准确性和全面性。主要缺点如下：
人工采样得到的排水管网监测数据，大多为某一场次降雨或旱季的瞬时数据，不具有连续性，在进行相似性衡量时，信息量极为有限；且在线监测设备的发展与应用，实时连续的时间序列将成为排水管网监测的主要数据形式。
目前没有单独针对排水管网节点间相似性衡量的指标，基于不同指标和方法所得到的结果具有较大差异，产生较强的不确定性，影响后续的计算与分析。
对时间序列相似性进行衡量的常用指标为皮尔逊相关系数和欧氏距离，其中皮尔逊相关系数侧重趋势相似性的衡量，欧氏距离则为绝对值差异性的衡量，对于排水管网节点而言，趋势相似和绝对值相近都是需要考虑的因素，采用单一指标进行相似性衡量影响了相似性识别的准确性和全面性。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种排水管网节点间相似性衡量的综合指标构建方法，该方法可以对于排水管网节点间相似性衡量的综合指标的构建具有快速计算、动态评估、方便准确、应用范围广的优点。
为达到上述目的，本发明实施例提出了一种排水管网节点间相似性衡量的综合指标构建方法，包括以下步骤：通过对排水管网进行在线监测或利用模型模拟，以得到管网节点对应监测指标的时间序列曲线；将所述时间序列曲线作为相似性衡量的对象，并利用皮尔逊相关系数和欧氏距离分别获取节点间相似性矩阵和距离矩阵；根据所述相似性矩阵和距离矩阵进行变化，以得到综合指标，并根据所述综合指标衡量所述管网节点间的相似性。
本发明实施例的排水管网节点间相似性衡量的综合指标构建方法，通过对排水管网监测得到管网节点对应监测指标的时间序列曲线，并利用皮尔逊相关系数和欧氏距离得到衡量衡量管网节点间的相似性的综合指标，具有能够根据实际需求调整两部分所占权重，快速计算、动态评估的优点，使相似性的定量化评估结果更符合排水管网节点特性，且支持节点聚类等相关分析，方便准确，应用范围广。
另外，根据本发明上述实施例的排水管网节点间相似性衡量的综合指标构建方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，根据所述排水管网的拓扑结构识别区域排水管网的关键节点，并安装在线监测设备，以对目标指标进行在线监测；对监测节点进行在线连续数据收集，以得到所述多个监测节点的时间序列曲线；建立区域排水管网模型，并根据已有的监测点数据对模型参数进行率定和验证；利用所述区域排水管网模型模拟得到所有节点对应监测指标的时间序列曲线。
进一步地，在本发明的一个实施例中，所述目标指标包括液位、流量、悬浮物浓度。
进一步地，在本发明的一个实施例中，所述关键节点包括管网关键连接点、下游汇流点、内涝点。
进一步地，在本发明的一个实施例中，衡量任意两个节点间的趋势相似性，将所述两个节点监测指标所对应的时间序列曲线分别作为两个变量，以计算变量间的皮尔逊相关系数，系数的计算公式为：
Figure BDA0001632889360000031
其中，X、Y分别为节点时间序列所对应的变量，rX,Y为皮尔逊相关系数，E表示数学期望，cov表示协方差，σ表示标准差，Xi表示一个节点各时刻所对应的监测值，Yi表示另一个节点各时刻所对应的监测值。
获取m个节点监测指标时间序列彼此间的皮尔逊相关系数，以构建相似性矩阵：
P0＝(rxy)m×m，
其中，rxy为节点时间序列彼此间的皮尔逊相关系数；
衡量所述任意两个节点间的绝对值距离，其中，将所述两个节点所对应的时间序列曲线分别作为两个空间点，以计算n维空间中两个点的欧氏距离，距离的计算公式为：
Figure BDA0001632889360000041
其中，X、Y分别为节点时间序列所对应的空间点，Xi为一个节点各时刻所对应的监测值，Yi为另一个节点各时刻所对应监测值；
获取所述m个节点监测指标时间序列彼此间的欧氏距离，以构建距离矩阵：
D0＝(dxy)m×m，
其中，dxy为节点时间序列彼此间的欧氏距离。
进一步地，在本发明的一个实施例中，对所述相似性矩阵P0进行变化得到新的相似性矩阵P1：
P1＝(1-rxy)m×m＝(sxy)m×m，
对所述新的相似性矩阵P1和所述距离矩阵D0进行线性比例变化：
Figure BDA0001632889360000042
Figure BDA0001632889360000043
其中，sxy为相似性矩阵P1的元素；pxy为节点时间序列相关性系数线性指标；qxy为节点时间序列欧氏距离线性指标；
构建综合距离矩阵M：
M＝αP′+βD′＝(mxy)m×m(其中，α+β＝1)，
其中，α和β分别为皮尔逊相关性系数和欧氏距离对综合距离矩阵的影响程度，mxy为节点时间序列彼此间的综合距离。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的排水管网节点间相似性衡量的综合指标构建方法的流程图；
图2为根据本发明一个实施例的排水管网节点间相似性衡量的综合指标构建方法的流程图；
图3为根据本发明一个实施例的在线监测节点位置示意图；
图4为根据本发明一个实施例的降雨时间序列曲线示意图；
图5为根据本发明一个实施例的在线监测点的液位时间序列示意图；
图6为根据本发明一个实施例的SWMM模型管网示意图；
图7为根据本发明一个实施例的代表节点位置示意图；
图8为根据本发明一个实施例的代表节点的时间序列曲线示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的排水管网节点间相似性衡量的综合指标构建方法。
图1是本发明实施例的排水管网节点间相似性衡量的综合指标构建方法的流程图。
如图1所示，该排水管网节点间相似性衡量的综合指标构建方法包括以下步骤：
在步骤S101中，通过对排水管网进行在线监测或利用模型模拟，以得到管网节点对应监测指标的时间序列曲线。
具体而言，根据排水管网的拓扑结构识别区域排水管网的关键节点，并安装在线监测设备，以对目标指标进行在线监测；对监测节点进行在线连续进行数据收集，以得到多个监测节点的时间序列曲线；建立区域排水管网模型，并根据已有的监测点数据对模型参数进行率定和验证；利用区域排水管网模型模拟得到所有节点对应监测指标的时间序列曲线。
在本发明的一个实施例中，如图2所示，根据管网拓扑结构分析和实地调研情况，识别区域排水管网的关键节点，安装在线监测设备，对流量、液位、悬浮物等部分或全部指标进行在线监测，时间间隔不大于1分钟；对所监测节点，进行实时连续的数据收集，得到所监测节点的时间序列曲线；根据收集的排水管网相关资料建立区域排水管网模型，并根据已有监测点数据对模型参数进行率定和验证；利用模型模拟，可得到其他节点对应监测指标的时间序列曲线。
其中，目标指标包括液位、流量、悬浮物浓度；关键节点的识别包括管网关键连接点、下游汇流点、内涝点。
在步骤S102中，将时间序列曲线作为相似性衡量的对象，并利用皮尔逊相关系数和欧氏距离分别获取节点间相似性矩阵和距离矩阵。
在本发明的一个实施例中，衡量任意两个节点间监测指标液位的趋势相似性，将两个节点液位所对应的时间序列曲线分别作为两个变量，计算变量间的皮尔逊相关系数：
Figure BDA0001632889360000071
其中，X、Y分别表示节点时间序列所对应的变量，rX,Y为皮尔逊相关系数，E表示数学期望，cov表示协方差，σ表示标准差，表示一个节点各时刻所对应的液位值，Yi表示另一个节点各时刻所对应的液位值。
进一步地，根据上述计算方法，求取m个节点液位时间序列彼此间的皮尔逊相关系数，构建相似性矩阵：
P0＝(rxy)m×m，
其中，rxy为节点液位时间序列彼此间的皮尔逊相关系数；
上述相似性矩阵对角线元素为1，取值范围为[-1，1]，即相似性越强，变化趋势越相似，则越接近1，变化趋势上关联性小则接近0，若呈现相反趋势则小于0，表现出一定的负相关；
衡量任意两个节点间的绝对值距离，将两个节点所对应的液位时间序列曲线分别作为两个空间点，计算n维空间中两个点的欧氏距离：
Figure BDA0001632889360000072
其中，X、Y分别表示节点液位时间序列所对应的空间点，Xi表示一个节点各时刻所对应的液位值，Yi表示另一个节点各时刻所对应的液位值。
根据上述计算方法，求取m个节点液位时间序列彼此间的欧氏距离，构建距离矩阵：
D0＝(dxy)m×m，
其中，dxy为节点液位时间序列彼此间的欧氏距离，上述距离矩阵对角线元素为0，两个节点间差异越大，则距离越远，取值范围为[0，+∞)。
步骤S103中，根据相似性矩阵和距离矩阵进行变化，以得到综合指标，并根据综合指标衡量管网节点间的相似性。
具体而言，对相似性矩阵P0进行变化得到新的相似性矩阵P1：
P1＝(1-rxy)m×m＝(sxy)m×m，
对新的相似性矩阵P1和距离矩阵D0进行线性比例变化：
Figure BDA0001632889360000081
Figure BDA0001632889360000082
其中，sxy为相似性矩阵P1的元素；pxy为节点时间序列相关性系数线性指标；qxy为节点液位时间序列欧氏距离线性指标。
构建综合距离矩阵M：
M＝αP′+βD′＝(mxy)m×m(其中，α+β＝1)，
其中，α和β分别为皮尔逊相关性系数和欧氏距离对综合距离矩阵的影响程度，nxy为节点液位时间序列彼此间的综合距离。
在本发明的一个实施例中，对相似性矩阵P0进行变化得到P1：
P1＝(1-rxy)m×m＝(sxy)m×m，
其中，矩阵P1的对角线元素为0，取值范围为[0，2]，即节点越相似，则数值越小，变化趋势差异大，则数值越大，与距离矩阵D0相一致。
进一步地，对新的相似性矩阵P1和距离矩阵D0进行线性比例变化：
Figure BDA0001632889360000083
Figure BDA0001632889360000091
经过线性比例变化，矩阵P′和D′的取值范围都为[0，1]，其中对角线上元素为0，节点X与节点Y间差异约大则pxy和qxy的值越接近于1，
进一步地，构建综合距离矩阵M：
M＝αP′+βD′＝(mij)m×m(其中，α+β＝1)，
其中，α和β分别表征了皮尔逊相关性系数和欧氏距离对综合距离矩阵的影响程度，通常取值为α＝0.5，β＝0.5。当更关注排水管网节点变化趋势是否一致时可增大α所占比例；反之，若更关注绝对数值的变化，则需要增大β所占比例。
为使本领域技术人员进一步理解本发明，将通过以下一个具体实施例对本发明的排水管网节点间相似性衡量的综合指标构建方法进行详细说明。
在本发明一个实施例中的步骤S101中，通过对排水管网进行在线监测或利用模型模拟，以得到管网节点对应监测指标的时间序列曲线，在本实施例中，其具体步骤为：
首先，进行区域调研，筛选关键节点。在本实施例中，Q市位于我国华北地区，研究区域覆盖面积为21.5平方公里。研究区域排水管网体制以分流制为主，考虑雨水管网情况，在管网连接点、下游汇流点和内涝点进行在线监测，包括节点492、506、624和725，位置如图3所示。
进一步地，在线监测数据收集。在本实施例中，例如在2017年7月14日降雨下，降雨时间变化曲线如图4所示，降雨持续时间84min，累积降雨量收集在线监测8.6mm。进一步地，在线监测点的液位变化曲线如图5所示。
进一步地，建立模型并进行率定和验证。在本实施例中，以已有的雨污水管网信息为基础，利用SWMM构建排水管网模型，共包含187个节点、192根连接管、17个排口，其排水管网拓扑关系如图6所示，根据已有的在线监测点流量数据对模型进行参数的设置。
进一步地，获得所有节点液位时间序列曲线。在本实施例中，利用验证后的模型，在2017年7月14日降雨下进行模拟，得到所有节点液位随时间变化的序列曲线，作为相关性识别的对象。
在本发明一个具体实施例中的步骤S102中，将液位时间序列曲线作为相似性衡量的对象，并利用皮尔逊相关系数和欧氏距离分别获取节点间相似性矩阵和距离矩阵。
在本实施例中，以节点463、493、519、641和687为例，5个节点位置如图7所示。5个节点在7月14日降雨情景下的液位时间序列如图8所示。
进一步地，计算皮尔逊相关系数。按照皮尔逊相关系数计算公式得到5个节点间彼此的皮尔逊相关系数，如下所示：
r463，91＝0.923；r463，519＝0.666；r463,641＝0.728；r463,688＝0.520；
r491，519＝0.506；r491，641＝0.816；r491，688＝0.334；
r519，641＝0.674；r519，688＝0.980；r641，688＝0.554。
其中，节点和自身的皮尔逊相关系数都为1。
进一步地，构建相似性矩阵。
根据彼此相关系数，得到5个节点的相似性矩阵P0，如表1所示：
表1
节点 463 491 519 641 688
463 1 0.923 0.666 0.728 0.520
491 0.923 1 0.506 0.816 0.334
519 0.666 0.506 1 0.674 0.980
641 0.728 0.816 0.674 1 0.554
688 0.520 0.334 0.980 0.554 1
进一步地，计算节点间欧氏距离：
d463，491＝1.034；r463，519＝1.742；r463，641＝20.873；r463，688＝2.042；
r491，519＝2.059；r491，641＝20.194；r491，688＝2.611；
r519，641＝20.535；r519，688＝1.660；r641，688＝22.083。
其中，节点和自身的欧氏距离都为0。
进一步地，构建节点间距离矩阵。
根据彼此欧氏距离，得到5个节点的距离矩阵D0，如表2所示：
表2
节点 463 491 519 641 688
463 0 1.034 1.742 20.873 2.042
491 1.034 0 2.059 20.194 2.611
519 1.742 2.059 0 20.535 1.660
641 20.873 20.194 20.535 0 22.083
688 2.042 2.611 1.660 22.083 0
在步骤S103中，根据相似性矩阵和距离矩阵进行变化，以得到综合指标，并根据综合指标衡量管网节点间的相似性，具体为：
在本实施例中，根据相似性矩阵和距离矩阵进行变化，以得到综合指标，并根据综合指标衡量管网节点间的相似性。
通过对P0进行矩阵变化得到P1如表3所示，其中：
P1＝(1-rxy)m×m＝(sxy)m×m，
表3
节点 463 491 519 641 688
463 0 0.077 0.334 0.272 0.480
491 0.077 0 0.495 0.184 0.666
519 0.334 0.495 0 0.326 0.020
641 0.272 0.184 0.326 0 0.446
688 0.480 0.666 0.020 0.446 0
进一步地，在本实施例中，对矩阵P1和D0进行线性比例变化得到P′和D′：
Figure BDA0001632889360000111
Figure BDA0001632889360000121
其中P′为表4：
表4
节点 463 491 519 641 688
463 0 0.115 0.502 0.408 0.722
491 0.115 0 0.743 0.277 1
519 0.502 0.743 0 0.489 0.030
641 0.408 0.277 0.489 0 0.670
688 0.722 1 0.030 0.670 0
矩阵D′为表5：
节点 463 491 519 641 688
463 0 0.047 0.079 0.945 0.093
491 0.047 0 0.093 0.914 0.118
519 0.079 0.093 0 0.930 0.075
641 0.945 0.914 0.930 0 1
688 0.093 0.118 0.075 1 0
进一步地，在本实施例中，构建综合距离矩阵M：
M＝αP′+βD′＝(mij)m×m(其中，α+β＝1)，
在本实施例中取α＝β＝0.5，即认为趋势和绝对值相似所占比重一样，得到综合距离矩阵M为表6：
表6
节点 463 491 519 641 688
463 0 0.081 0.290 0.677 0.407
491 0.081 0 0.418 0.596 0.559
519 0.290 0.418 0 0.710 0.052
641 0.677 0.596 0.710 0 0.835
688 0.407 0.596 0.052 0.835 0
根据综合距离矩阵M可以得到节点间相似性衡量的综合指标，以作为排水管网节点间相关性识别的依据。
本发明实施例的排水管网节点间相似性衡量的综合指标构建方法，通过对排水管网监测得到管网节点对应监测指标的时间序列曲线，并利用皮尔逊相关系数和欧氏距离得到衡量衡量管网节点间的相似性的综合指标，具有能够根据实际需求调整两部分所占权重，快速计算、动态评估的优点，使相似性的定量化评估结果更符合排水管网节点特性，且支持节点聚类等相关分析，方便准确，应用范围广。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种排水管网节点间相似性衡量的综合指标构建方法，其特征在于，包括以下步骤：
通过对排水管网进行在线监测或利用模型模拟，以得到管网节点对应监测指标的时间序列曲线；
将所述时间序列曲线作为相似性衡量的对象，并利用皮尔逊相关系数和欧氏距离分别获取节点间相似性矩阵和距离矩阵，其中，进一步包括：
衡量任意两个节点间的趋势相似性，将所述两个节点监测指标所对应的时间序列曲线分别作为两个变量，以计算变量间的皮尔逊相关系数，系数的计算公式为：
Figure FDA0002386205230000011
其中，X、Y分别为节点时间序列所对应的变量，rX，Y为皮尔逊相关系数，E表示数学期望，cov表示协方差，σ表示标准差，Xi表示一个节点各时刻所对应的监测值，Yi表示另一个节点各时刻所对应的监测值；
获取m个节点监测指标时间序列彼此间的皮尔逊相关系数，以构建相似性矩阵：
P0＝(rxy)m×m，
其中，rxy为节点时间序列彼此间的皮尔逊相关系数；
衡量所述任意两个节点间的绝对值距离，其中，将所述两个节点监测指标所对应的时间序列曲线分别作为两个空间点，以计算n维空间中两个点的欧氏距离，距离的计算公式为：
Figure FDA0002386205230000021
其中，X、Y分别为节点时间序列所对应的空间点，Xi为一个节点各时刻所对应的监测值，Yi为另一个节点各时刻所对应的监测值；
获取所述m个节点监测指标时间序列彼此间的欧氏距离，以构建距离矩阵：
D0＝(dxy)m×m，
其中，dxy为节点时间序列彼此间的欧氏距离；
根据所述相似性矩阵和距离矩阵进行变化，以得到综合指标，并根据所述综合指标衡量所述管网节点间的相似性，其中，进一步包括：
对所述相似性矩阵P0进行变化得到新的相似性矩阵P1：
P1＝(1-rxy)m×m＝(sxy)m×m，
对所述新的相似性矩阵P1和所述距离矩阵D0进行线性比例变化：
Figure FDA0002386205230000022
Figure FDA0002386205230000023
其中，sxy为相似性矩阵P1的元素；pxy为节点时间序列相关性系数线性指标；qxy为节点时间序列欧氏距离线性指标；
构建综合距离矩阵M：
M＝αP′+βD′＝(mxy)m×m(其中，α+β＝1)，
其中，α和β分别为皮尔逊相关性系数和欧氏距离对综合距离矩阵的影响程度，mxy为节点时间序列彼此间的综合距离。
2.根据权利要求1所述的排水管网节点间相似性衡量的综合指标构建方法，其特征在于，所述通过对排水管网进行在线监测或利用模型模拟，以得到管网节点对应监测指标的时间序列曲线，进一步包括：
根据所述排水管网的拓扑结构识别区域排水管网的关键节点，并安装在线监测设备，以对目标指标进行在线监测；
对监测节点进行在线连续数据收集，以得到所述多个监测节点的时间序列曲线；
建立区域排水管网模型，并根据已有的监测点数据对模型参数进行率定和验证；
利用所述区域排水管网模型模拟得到所有节点对应监测指标的时间序列曲线。
3.根据权利要求2所述的排水管网节点间相似性衡量的综合指标构建方法，其特征在于，所述目标指标包括液位、流量、悬浮物浓度。
4.根据权利要求2所述的排水管网节点间相似性衡量的综合指标构建方法，其特征在于，所述关键节点包括管网关键连接点、下游汇流点、内涝点。
CN201810349074.4A 2018-04-18 2018-04-18 排水管网节点间相似性衡量的综合指标构建方法 Active CN108615054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810349074.4A CN108615054B (zh) 2018-04-18 2018-04-18 排水管网节点间相似性衡量的综合指标构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810349074.4A CN108615054B (zh) 2018-04-18 2018-04-18 排水管网节点间相似性衡量的综合指标构建方法

Publications (2)

Publication Number Publication Date
CN108615054A CN108615054A (zh) 2018-10-02
CN108615054B true CN108615054B (zh) 2020-06-05

Family

ID=63660139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810349074.4A Active CN108615054B (zh) 2018-04-18 2018-04-18 排水管网节点间相似性衡量的综合指标构建方法

Country Status (1)

Country Link
CN (1) CN108615054B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543729A (zh) * 2018-11-08 2019-03-29 山东农业大学 基于特征参数聚类的时间序列数据土地覆被分类方法
CN111400371A (zh) * 2020-03-13 2020-07-10 上海电力大学 一种基于电压相关性校验的户变关系识别方法
CN114999021A (zh) * 2022-05-17 2022-09-02 中联重科股份有限公司 用于确定油温异常原因的方法、处理器、装置及存储介质
CN116701970B (zh) * 2023-06-12 2024-06-04 宁波大学 基于双层相似度聚类的排水管网监测点优化布置方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810467A (zh) * 2013-11-01 2014-05-21 中南民族大学 基于自相似数编码的异常区域检测方法
CN104239722A (zh) * 2014-09-18 2014-12-24 山东大学 一种基于因素间相关关系识别的预测方法
CN104361591A (zh) * 2014-11-13 2015-02-18 环境保护部卫星环境应用中心 电厂温排水监测中区域替代基准温度的获取方法和系统
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN106484971A (zh) * 2016-09-23 2017-03-08 北京清控人居环境研究院有限公司 一种排水管网监测点的自动识别方法
CN107194498A (zh) * 2017-04-28 2017-09-22 河海大学 一种水文监测网络的优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089250B2 (en) * 2003-10-08 2006-08-08 International Business Machines Corporation Method and system for associating events

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810467A (zh) * 2013-11-01 2014-05-21 中南民族大学 基于自相似数编码的异常区域检测方法
CN104239722A (zh) * 2014-09-18 2014-12-24 山东大学 一种基于因素间相关关系识别的预测方法
CN104361591A (zh) * 2014-11-13 2015-02-18 环境保护部卫星环境应用中心 电厂温排水监测中区域替代基准温度的获取方法和系统
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN106484971A (zh) * 2016-09-23 2017-03-08 北京清控人居环境研究院有限公司 一种排水管网监测点的自动识别方法
CN107194498A (zh) * 2017-04-28 2017-09-22 河海大学 一种水文监测网络的优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卫星遥测数据的时间序列相似性度量方法研究;陈静;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160215(第2期);C031-406 *

Also Published As

Publication number Publication date
CN108615054A (zh) 2018-10-02

Similar Documents

Publication Publication Date Title
CN108615054B (zh) 排水管网节点间相似性衡量的综合指标构建方法
CN108593990B (zh) 一种基于电能用户用电行为模式的窃电检测方法和应用
CN102235575A (zh) 用于检查管道泄露的数据处理方法及系统
KR101908865B1 (ko) 기온 측정 자료의 품질 분석방법
CN112035448A (zh) 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN105445431A (zh) 一种城市地表水水质分析方法
CN115388344B (zh) 一种基于分布式协调检测的管道泄漏监测方法
CN114662895A (zh) 管网综合风险评估方法及装置
CN113887007A (zh) 一种基于物联网的城市排水监测系统及方法
CN117469603B (zh) 一种基于大数据学习的多水厂供水系统压力优化控制方法
CN111160680A (zh) 一种基于信息同化融合的农业干旱评估方法
CN109115807A (zh) 一种土壤水分自动观测数据异常值检测方法及系统
CN117216703A (zh) 一种输水管网运行数据异常检测及校正方法
CN109242540A (zh) 一种基于大数据的二手房价格指数计算方法
CN115854999A (zh) 基于场景自适应的h-adcp断面平均流速自校正方法
CN111429028A (zh) 一种适用于山区地形的输电线路覆冰灾害风险评估方法
CN116151013A (zh) 小流域城市河道设计洪水的推求方法
CN112780953B (zh) 一种基于模式检测的独立计量区域管网漏损检测方法
Men et al. Study on the spatial pattern of rainfall erosivity based on geostatistics in Hebei Province, China
CN108595814B (zh) 一种基于实测的多年降水数据模拟逐日降水量的方法
CN113418146A (zh) 一种用于供水管网的漏损辅助定位控制方法
CN104569340B (zh) 地下环境质量测定方法及装置
CN113111590A (zh) 一种基于人工神经网络的城市洪涝模型径流敏感参数识别方法
CN108170951A (zh) 基于采样数据时空匹配示踪试验的纵向离散系数确定方法
CN111256745A (zh) 一种便携式空气质量监测仪数据校准方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant