CN109637090A - 一种基于soa架构的灾害监测预警平台建设方法 - Google Patents

Abstract

本发明公开了一种基于SOA架构的灾害监测预警平台建设方法，解决了目前的地质灾害监测预警大多是通过人工巡查监测以及监测设备阈值报警进行预警，但由于诱发地质灾害的因素的多样性和不确定性，并且通常穿插交融着复杂的地理环境因素，对数据的管理与评价变得异常困难的缺陷。该项发明充分利用SOA架构的低耦合特点将AI预警服务更好的与监测系统结合，同时利用机器学习算法处理复杂数据和精确分类的优势，在风险源的危险性评价及监测对象评价的基础上,实时监测各个监测对象的数据，预测危险区内一定时段可能发生的一系列不同强度地质灾害的等级，针对不同风险区的特点提出减少风险的各项对策，为地质灾害监测预警提供辅助决策。

Description

一种基于SOA架构的灾害监测预警平台建设方法

技术领域

本发明涉及一种预警平台建设，尤其涉及一种基于SOA架构的灾害监测预警平台建设方法。

背景技术

随着互联网应用的的飞速发展，尤其是大型综合性系统变得越来越冗杂，其业务繁多，所以维护的成本变得相当巨大。

传统的系统架构有面向对象和面向构件等开发方式，但面向对象的复用机制是通过继承实现，其封装是对事物的抽象，所以难以形成大型的可复用模块；面向构件是对面向对象开发的延伸，它虽然更加强调松耦合，其复用性的实现方式是通过构件的包容和聚合实现。现有的构件技术都是和OS平台相关，所以导致产品的生产者和使用者之间是紧耦合的状态。

在传统的地质灾害预警系统中，多数都是人工进行判定，比如目前的地质灾害监测预警大多是通过人工巡查监测以及监测设备阈值报警进行预警，但由于诱发地质灾害的因素的多样性和不确定性，并且通常穿插交融着复杂的地理环境因素，对数据的管理与评价变得异常困难。同时，由于所有的问题都需要人来解决，由此会消耗大量的人力物力。

SOA体系架构及相关技术，目前主要应用在企业应用集成领域，它能够以服务的方式共享和复用企业现有应用资产，并能够以服务的方式构建新的业务流程，对企业流程进行灵活重构和优化，增强业务的敏捷性。本发明运用面向SOA架构的思想，将SpringMVC、MyBatis 结合起来，同时添加了AI预警的功能，使得整个系统更加全面合理。

Spring框架是由于软件开发的复杂性而创建的。Spring使用的是基本的JavaBean来完成以前只可能由EJB完成的事情。然而，Spring的用途不仅仅限于服务器端的开发。从简单性、可测试性和松耦合性角度而言，绝大部分Java应用都可以从Spring中受益。本发明中，Spring框架提供了构建 Web 应用程序的全功能MVC模块。它将项目的视图层、模型层、控制层分离开来进行管理维护。项目的表现层框架通过SpringMVC实现。

MyBatis 是一款优秀的持久层框架，它支持定制化 SQL、存储过程以及高级映射。MyBatis 避免了几乎所有的 JDBC 代码和手动设置参数以及获取结果集。MyBatis 可以使用简单的 XML 或注解来配置和映射原生信息，将接口和 Java 的 POJOs(Plain Old JavaObjects,普通的 Java对象)映射成数据库中的记录。数据持久层通过MyBatis实现。

发明内容

本发明的目的就在于提供一种解决上述问题，针对传统系统架构高耦合特性，无法解决信息孤岛的问题，统一性不高的缺点，采用SOA架构的特性，建立一套管理方便，维护容易，且增加了AI预警的功能，在减少了人去判定的频率的同时，还保证AI判定的精度尽可能的高的一种基于SOA架构的灾害监测预警平台建设方法。

为了实现上述目的，本发明采用的技术方案是这样的：一种基于SOA架构的灾害监测预警平台建设方法，包括SOA构架，所述SOA构架包括服务管理平台、数据层和基础设施层，所述服务管理平台包括数个业务系统，所述业务系统包括视图展示、业务逻辑处理、数据处理；所述数据层包括数据中心库和元数据库；

所述服务管理平台采用SpringMVC框架，所述数据层采用MyBatis架构；

所述业务系统的视图展示、业务逻辑处理由SpringMVC完成，数据库操作由MyBatis完成；

所述业务系统包括AI预警模块；

所述AI预警模块的构建包括以下步骤：

（1）确定一训练模型，所述训练模型采用DNN神经网络和KNN临近算法；

（2）建立历史表，所述历史表包括多行属性数据，每行属性数据包括监测点、监测设备、监测设备的属性处理、读取时间、预警等级，所述监测设备包括多种用于监测现场的多通道传感器和单通道传感器，所述监测设备的属性处理为用户根据传感器类型自定义的数据计算和存储方式，所述预警等级包括安全级、注意级、警示级、警戒级和警报级；

（3）查找历史表，对训练模型进行训练，得到训练后的预警模型，查找历史表的方式为：根据监测点查找对应监测设备，对单通道传感器，根据其所属通道，获取数据作为训练的历史数据，对多通道传感器，获取其数据变化最大的通道数据，作为训练的历史数据；再根据对当前监测点具体情况，对历史数据所属的预警等级进行划分；

（4）获取某一监测点的实时数据，并将该实时数据作为该预警模型的数据输入，数据经预警模型分类后输出预警等级，并根据预警等级触发报警。

作为优选：所述业务系统还包括独立的值班大厅，专家研判，巡查管理，应急管理，业主单位，工程项目，监测对象和设备资产。

作为优选：所述监测设备包括雨量计、水位计，雨量计的属性处理为计算日累积量、月累计量、季度累计量和年累积量，所述水位计的属性处理为计算日累计量和日变化速率。

与现有技术相比，本发明的优点在于：本发明采用SOA的设计思想构建系统架构，通过将数据、服务组件和应用三者单独分开，降低系统耦合度。它将应用程序的不同功能单元（称为服务）通过这些服务之间定义良好的接口和契约联系起来。这使得构建在各种这样的系统中的服务可以一种统一和通用的方式进行交互。系统中的各个功能模块和服务分别根据统一标准向数据总线进行注册，各子模块调用其他子模块时，并不关心是否要找到其他子模块，只找数据总线，数据总线再根据统一标准找其他子模块和服务，所以数据总线在这里充当一个指路人的作用。将机器学习预警算法封装成AI预警模块，使得AI预警与系统其他模块相对独立，便于后期对AI预警模块的升级调整。同时AI预警模块又通过数据总线与值班大厅，巡查管理，设备阈值预警等其他模块紧密联系。SOA的这种特性使得系统的各个模块和各项服务更加的独立，耦合度更松，更利于本平台的开发和维护。

本发明在预警系统中，添加了AI部分，人工智能会用算法将历史数据进行训练，得出一个训练模型，然后对当前的灾害预警做一个评级，人们可以根据不同的等级做出最合理的对应，该AI利用深度神经网络对历史监测数据进行训练，实现有监督机器学习；实时监测数据通过调用该训练模型，对数据进行实时分类判断，得出预警等级。

本系统整合了SpringMVC、 Mybatis、AI预警，整个系统非常易于管理，由于有AI预警的存在，可以节省很多人力，提高效率。

附图说明

图1为SOA设计架构图；

图2为基于SpringMVC,Mybatis系统架构图；

图3为基于SOA体系的模型图；

图4总线与各子系统的连接图；

图5为AI预警模块的模型图。

具体实施方式

下面将结合附图对本发明作进一步说明。

实施例1：参见图1到图5，一种基于SOA架构的灾害监测预警平台建设方法，包括SOA构架，所述SOA构架包括服务管理平台、数据层和基础设施层，所述服务管理平台包括数个业务系统，所述业务系统包括视图展示、业务逻辑处理、数据处理；所述数据层包括数据中心库和元数据库，所述服务管理平台采用SpringMVC框架，所述数据层采用MyBatis架构；

所述业务系统的视图展示、业务逻辑处理由SpringMVC完成，数据库操作由MyBatis完成；

所述业务系统包括AI预警模块；

所述AI预警模块的构建包括以下步骤：

（1）确定一训练模型，所述训练模型采用DNN神经网络和KNN临近算法；

（2）建立历史表，所述历史表包括多行属性数据，每行属性数据包括监测点、监测设备、监测设备的属性处理、读取时间、预警等级，所述监测设备包括多种用于监测现场的多通道传感器和单通道传感器，所述监测设备的属性处理为用户根据传感器类型自定义的数据计算和存储方式，所述预警等级包括安全级、注意级、警示级、警戒级和警报级；

（3）查找历史表，对训练模型进行训练，得到训练后的预警模型，查找历史表的方式为：根据监测点查找对应监测设备，

对单通道传感器，根据其所属通道，获取数据作为训练的历史数据，对多通道传感器，获取其数据变化最大的通道数据，作为训练的历史数据；再根据对当前监测点具体情况，对历史数据所属的预警等级进行划分；

（4）获取某一监测点的实时数据，并将该实时数据作为该预警模型的数据输入，数据经预警模型分类后输出预警等级，并根据预警等级触发报警。

本实施例中：所述业务系统还包括独立的值班大厅，专家研判，巡查管理，应急管理，业主单位，工程项目，监测对象和设备资产。

所述监测设备包括雨量计、水位计，雨量计的属性处理为计算日累积量、月累计量、季度累计量和年累积量，所述水位计的属性处理为计算日累计量和日变化速率。

本实施例中，Spring框架提供了构建 Web 应用程序的全功能 MVC 模块。它将项目的视图层,模型层,控制层分离开来进行管理维护。项目的表现层框架通过SpringMVC实现，数据持久层通过MyBatis实现。MyBatis支持定制化 SQL、存储过程以及高级映射，可以使用简单的 XML 或注解来配置和映射原生信息，将接口和 Java 的 POJOs (Plain OldJava Objects,普通的Java对象) 映射成数据库中的记录。平台有值班大厅，AI预警，专家研判，巡查管理，应急管理，业主单位，工程项目，监测对象，设备资产等功能。这些功能的视图展示和业务逻辑处理主要由SpringMVC来实现，而从数据库读取相应的记录数据，以及对数据库中数据进行的增删查改操作，这是由MyBatis来实现。使用SpringMVC + MyBatis的SOA架构能更好适应本平台的业务需求。

AI预警是通过利用机器学习算法对历史监测数据进行训练，实现有监督机器学习；实时监测数据通过调用该训练模型，对数据进行实时分类判断，得出预警等级。训练模型是以监测对象为单位，算法主要包括DNN深度神经网络、K-近邻算法，支持向量机和时间序列预测法等。其中，深度神经网络称为DNN算法，K-近邻算法称为KNN，支持向量机称为SVM。目前采用的主要是DNN和K-近邻算法。针对各监测对象的不同情况，DNN可调整神经网络的层数，各层节点数，迭代次数，KNN可调整K值。该系统的AI预警采用的是基于深度神经网络(DNN)，K最邻近算法(KNN)，时间序列预测算法，线性回归分析预测算法等，把这些算法整合起来进行的实时分类和预测。

在对模型的训练过程中，由于灾害数据，与季度的关联很高。模型训练数据的来源不是整个历史表，使用当前季度的数据，进行训练。训练样本划分采用季度数据中80%作为训练数据，20%作为测试数据。

模型参数的配置：DNN的输入维度是当前监测点对应的输入属性，层数为5，各层节点数：10,20,20,20,10，迭代次数为1000。KNN的K值为5，分类算法:是kd_tree。模型的参数是可以进行调整的。配置好模型参数后进行训练，得到改监测对象训练后的预警模型。

本发明充分利用SOA架构的低耦合特点将AI预警服务更好的与监测系统结合，同时利用机器学习算法处理复杂数据和精确分类的优势，在风险源的危险性评价及监测对象评价的基础上，实时监测各个监测对象的数据，预测危险区内一定时段可能发生的一系列不同强度地质灾害的等级，针对不同风险区的特点提出减少风险的各项对策，为地质灾害监测预警提供辅助决策。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于SOA架构的灾害监测预警平台建设方法，包括SOA构架，所述SOA构架包括服务管理平台、数据层和基础设施层，所述服务管理平台包括数个业务系统，所述业务系统包括视图展示、业务逻辑处理、数据处理；所述数据层包括数据中心库和元数据库，其特征在于：

所述服务管理平台采用SpringMVC框架，所述数据层采用MyBatis架构；

所述业务系统的视图展示、业务逻辑处理由SpringMVC完成，数据库操作由MyBatis完成；

所述业务系统包括AI预警模块；

所述AI预警模块的构建包括以下步骤：

（1）确定一训练模型，所述训练模型采用DNN神经网络和KNN临近算法；

（2）建立历史表，所述历史表包括多行属性数据，每行属性数据包括监测点、监测设备、监测设备的属性处理、读取时间、预警等级，所述监测设备包括多种用于监测现场的多通道传感器和单通道传感器，所述监测设备的属性处理为用户根据传感器类型自定义的数据计算和存储方式，所述预警等级包括安全级、注意级、警示级、警戒级和警报级；

（3）查找历史表，对训练模型进行训练，得到训练后的预警模型，查找历史表的方式为：根据监测点查找对应监测设备，对单通道传感器，根据其所属通道，获取数据作为训练的历史数据，对多通道传感器，获取其数据变化最大的通道数据，作为训练的历史数据；再根据对当前监测点具体情况，对历史数据所属的预警等级进行划分；

（4）获取某一监测点的实时数据，并将该实时数据作为该预警模型的数据输入，数据经预警模型分类后输出预警等级，并根据预警等级触发报警。

2.根据权利要求1所述的一种基于SOA架构的灾害监测预警平台建设方法，其特征在于：所述业务系统还包括独立的值班大厅，专家研判，巡查管理，应急管理，业主单位，工程项目，监测对象和设备资产。

3.根据权利要求1所述的一种基于SOA架构的灾害监测预警平台建设方法，其特征在于：所述监测设备包括雨量计、水位计，雨量计的属性处理为计算日累积量、月累计量、季度累计量和年累积量，所述水位计的属性处理为计算日累计量和日变化速率。