CN110334926A - 一种智能场景大数据分析系统 - Google Patents
一种智能场景大数据分析系统 Download PDFInfo
- Publication number
- CN110334926A CN110334926A CN201910546920.6A CN201910546920A CN110334926A CN 110334926 A CN110334926 A CN 110334926A CN 201910546920 A CN201910546920 A CN 201910546920A CN 110334926 A CN110334926 A CN 110334926A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality parameter
- data
- unit
- data analysis
- 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.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 178
- 238000012545 processing Methods 0.000 claims abstract description 26
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 12
- 239000001301 oxygen Substances 0.000 claims abstract description 12
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 12
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000013523 data management Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims 1
- 230000003862 health status Effects 0.000 abstract description 6
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010220 Pearson correlation analysis Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 208000015976 Corneal dystrophy-perceptive deafness syndrome Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- GQPLMRYTRLFLPF-UHFFFAOYSA-N nitrous oxide Inorganic materials [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Biomedical Technology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能场景大数据分析系统，包括水质参数采集模块、水质数据传输模块、水质数据分析处理模块和信息决策模块；所述水质参数采集模块为多功能参数采集装置，所述多功能参数采集装置包括溶氧量传感器单元、pH值传感器单元、总氨和亚硝态氮含量传感器单元、温度传感器单元，所述水质数据传输模块包括供电模块、存储单元和通信单元，所述水质数据分析处理模块包括数据预处理单元、数据处理单元和数据分析单元，所述信息决策模块包括数据管理单元和信息决策单元。本发明技术人员和养殖户来说方便使用，能够实现对池塘的科学管理，维护池塘生态环境的健康状况，避免池塘生态环境恶化造成严重后果。
Description
技术领域
本发明涉及场景监控领域，特别涉及一种智能场景大数据分析系统。
背景技术
我国是世界水产养殖大国，水产养殖产量占世界总产量的70％以上，其中池塘养殖是水产养殖中的重中之重。池塘中溶氧量、pH值、总氨和亚硝态氮含量和温度等技术指标对水产养殖很重要，但是水质有问题通常不会是只有一个指标有问题，养殖户也没办法真的判断出是因为具体哪些因素导致的，往往根据表象来用药，因此用药失误导致的严重后果也只能由自己来承担。鉴于此，针对上述问题提供一种智能场景大数据分析系统。
发明内容
本发明的目的在于提供一种智能场景大数据分析系统，该系统对于技术人员和养殖户来说方便使用，能够实现对池塘的科学管理，维护池塘生态环境的健康状况。
为了实现上述目的，本发明提供如下技术方案：
一种智能场景大数据分析系统，包括水质参数采集模块、水质数据传输模块、水质数据分析处理模块和信息决策模块；
优选地，所述水质参数采集模块为多功能参数采集装置，所述多功能参数采集装置包括溶氧量传感器单元、pH值传感器单元、总氨和亚硝态氮含量传感器单元、温度传感器单元，用于对池塘中溶氧量、 pH值、总氨和亚硝态氮含量和温度进行实时监测；
优选地，所述水质数据传输模块包括供电模块、存储单元和通信单元，用于将采集的池塘水质参数通过通信单元发送至水质数据分析处理模块；
优选地，所述水质数据分析处理模块包括数据预处理单元、数据处理单元和数据分析单元，用于对接收到的水质数据进行处理、分析和反馈；
优选地，所述信息决策模块包括数据管理单元和信息决策单元，用于将分析后的数据构建水质综合评价模型，并将原始数据及分析结果加以显示和保存，为信息决策提供依据；
优选地，所述数据预处理单元包括数据清洗单元、数据规约单元和数据转换单元，所述数据预处理单元对水质数据转换后得到多个数据块，建立和所述多个所述初始数据集数量相同的多条数据处理线程，每条所述数据处理线程对应一个初始数据集处理任务，所述数据处理线程设定对应的水质数据阈值进行特征规约，当遍历到超过设定的水质数据阈值时，从所述预处理后的数据块中清洗掉不相关的数据，得到预处理后的水质参数数据；
优选地，所述数据处理单元将因子分析和随机森林算法结合得到各水质参数的因子隶属度，得到各项水质参数的指标评价值，计算各项水质参数的综合权重，得到各项水质参数的综合评价权重，利用随机森林算法进行统一化权重计算，得到各项水质参数的综合权重矩阵，将数据进行皮尔森相关性分析，得到每两项水质参数互相影响情况；
优选地，所述数据分析单元中还包括用于警告的信息系统，所述用于警告的信息系统包括邮件系统、短信系统、微信系统和QQ系统，将当前实际水质情况和预测水质情况发送到用户进行警告，方便运营人员即时发现问题；
优选地，所述用于警告的信息系统还包括各项水质参数阈值，所述溶氧量阈值为≥2mg/L，所述pH值阈值为6～9，所述总氨含量阈值为0.5～4mg/L，所述亚硝态氮含量阈值为0.1～0.4mg/L，所述温度阈值为20～30℃。
优选地，所述因子分析模型算法的步骤如下：
S1：将因子分析和随机森林算法结合得到某项水质参数的因子隶属度，如公式：
其中，x0为某项水质参数样本指标最小值，x1为某项水质参数样本指标最大值，x为某项水质参数样本值；
S2：根据上述公式对各项水质参数样本指标进行评价；
设B为各项水质参数样本集合，C为各项水质参数样本指标评价集合，建立如下公式：
其中，A为各项水质参数样本数值，m为各项水质参数样本数目， n为各项水质参数指标数目；
通过上述公式计算出各水质参数的因子隶属度，对应m个各项水质参数样本数目得到矩阵Dmn；
S3：计算综合权重：
单项水质参数指标权重如公式：
其中，Ak为当前某项水质参数样本数值，Ck为对应某项水质参数指标数值，
使用随机森林算法计算综合权重：
其中，为某项水质参数指标权重；
通过上述公式计算综合权重矩阵B：
B＝[B1,B2,...,Bm]，
S4：将矩阵Dmn与综合权重矩阵B复合计算，得到池塘水质当前状况。
优选地，所述皮尔森相关性分析的步骤如下：
S1：计算带权的每两项水质参数任意样本(x，y)两者之间的协方差：
cov(x,y)＝E[(x-μx)(y-μy)]
其中，cov(x,y)表示每两项水质参数任意样本(x，y)两者之间的协方差；
S2：计算带权的每两项水质参数任意样本(x，y)两者之间的标准差乘积：
其中，σxσy表示每两项水质参数任意样本(x，y)两者之间的标准差乘积；
S3：本皮尔森相关性系数
其中，ρx,y表示本皮尔森相关性系数。
优选地，所述水质综合评价模型的步骤如下：
S1：设预测目标与决策层中的决策指标N1,N2，...,Nm，目标与决策层中的数据块指标集合S1,S2,...,Sm,其中数据块指标集合Sm中有水质参数样本Ai1,Ai2,...Aim,i＝1,2,...,m；
S2：以决策指标Sb(b＝1,2,...,m)为基向量，以Ajk(k＝1,2,...,mk) 为特征向量，在基向量Sb下构造综合相关矩阵，计算Aij对Sm的影响力大小：
其中，Bij的列向量为Sm中的样本Ai1,Ai2,...Aim，Bmm的横向量为 Sm中的样本Aj1,Aj2,...,Ajmk；当Bij＝0时，Ajk不受Sm的中Ai1的影响，当Bij＝1时，Ajk受Sm的中Ai1的影响；
S3：根据构造矩阵Bij，预测各样本Ajk对Sm的影响概率FCij， i＝1,2,...,m,j＝1,2,...,m，构造影响概率关系矩阵FCij：
其中，在FCij中，每个横向量FCjmk与每个列向量Aim都对应一个 FCij，i＝1,2,...,m,j＝1,2,...,m；
S4：根据S3得到的概率关系矩阵确定模糊关系矩阵C，首先，将数据块中第i个样本的测试结果Ai作为第i个预测征兆Wi，将第n 个集合Sn作为第n个预测原因Yi，将第i个预测Ai对第n个预测原因的预测概率FCij，作为第i个预测征兆Wi属于第n个预测原因Yi的隶属度rij，i＝1,2,...,m,j＝1,2,...,m，然后将所得矩阵进行转置，得到模糊关系矩阵C：
S5：根据S4得到模糊关系矩阵C进行水质综合评价。
与现有技术相比，本发明的有益效果是:通过对池塘中溶氧量、 pH值、总氨和亚硝态氮含量和温度进行实时监测，采集水质参数信息经过通信单元发送至水质数据分析处理模块，实现远程数据的采集，利用数据清洗单元、数据规约单元和数据转换单元对采集到的水质参数数据进行预处理，将因子分析和随机森林算法结合得到各水质参数的因子隶属度，得到各项水质参数的指标评价值，计算各项水质参数的综合权重，得到各项水质参数的综合评价权重，利用随机森林算法进行统一化权重计算，得到各项水质参数的综合权重矩阵，将数据进行皮尔森相关性分析，得到每两项水质参数互相影响情况，将分析后的数据构建水质综合评价模型，得到每种水质参数相互影响情况，为信息决策提供依据，同时，将当前实际水质情况和预测水质情况发送到用户进行警告，方便运营人员即时发现问题，实现池塘水质实时监测和时间关联的预测分析，维护池塘生态环境的健康状况，避免池塘生态环境恶化造成严重后果。
附图说明
图1为本发明实施例提供的一种智能场景大数据分析系统流程图；
图2为本发明实施例提供的一种智能场景大数据分析方法示意图。
图中：各项水质参数模块1、各项水质参数的综合评价权重模块 2、每两项水质参数互相影响关系模块3、池塘生态环境的实际健康状况模块4。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考附图1，一种智能场景大数据分析系统，包括水质参数采集模块、水质数据传输模块、水质数据分析处理模块和信息决策模块。
所述水质参数采集模块为多功能参数采集装置，所述多功能参数采集装置包括溶氧量传感器单元、pH值传感器单元、总氨和亚硝态氮含量传感器单元、温度传感器单元，用于对池塘中溶氧量、pH值、总氨和亚硝态氮含量和温度进行实时监测。
所述水质数据传输模块包括供电模块、存储单元和通信单元，用于将采集的池塘水质参数通过通信单元发送至水质数据分析处理模块，需要说明的是，通信单元为CDPD通信单元或Zigbee通信单元；所述存储单元为并行SRAM并使用外部串行EEPROM存储器，用于存储大量池塘水质原始数据；所述供电模块为POE供电器。
需要进一步说明的是，所述并行SRAM并使用外部串行EEPROM存储器有较丰富的硬件资源和接口，方便扩展外设，根据要求分别连接 CDPD通信单元或Zigbee通信单元和POE供电器，实现实时监测存储。
所述水质数据分析处理模块包括数据预处理单元、数据处理单元和数据分析单元，用于对接收到的水质数据进行处理、分析和反馈。
所述信息决策模块包括数据管理单元和信息决策单元，用于将分析后的数据构建水质综合评价模型，并将原始数据及分析结果加以显示和保存，为信息决策提供依据。
所述数据预处理单元包括数据清洗单元、数据规约单元和数据转换单元，所述数据预处理单元对水质数据转换后得到多个数据块，建立和所述多个所述初始数据集数量相同的多条数据处理线程，每条所述数据处理线程对应一个初始数据集处理任务，所述数据处理线程设定对应的水质数据阈值进行特征规约，当遍历到超过设定的水质数据阈值时，从所述预处理后的数据块中清洗掉不相关的数据，得到预处理后的水质参数数据。
所述数据处理单元将因子分析和随机森林算法结合得到各水质参数的因子隶属度，得到各项水质参数的指标评价值，计算各项水质参数的综合权重，得到各项水质参数的综合评价权重，利用随机森林算法进行统一化权重计算，得到各项水质参数的综合权重矩阵，将数据进行皮尔森相关性分析，得到每两项水质参数互相影响情况。
具体地，所述数据分析单元中还包括用于警告的信息系统，所述用于警告的信息系统包括邮件系统、短信系统、微信系统和QQ系统，将当前实际水质情况和预测水质情况发送到用户进行警告，方便运营人员即时发现问题。
所述用于警告的信息系统还包括各项水质参数阈值，所述溶氧量阈值为≥2mg/L，所述pH值阈值为6～9，所述总氨含量阈值为0.5～ 4mg/L，所述亚硝态氮含量阈值为0.1～0.4mg/L，所述温度阈值为 20～30℃。
所述因子分析模型算法的步骤如下：
S1：将因子分析和随机森林算法结合得到某项水质参数的因子隶属度，如公式：
其中，x0为某项水质参数样本指标最小值，x1为某项水质参数样本指标最大值，x为某项水质参数样本值；
S2：根据上述公式对各项水质参数样本指标进行评价；
设B为各项水质参数样本集合，C为各项水质参数样本指标评价集合，建立如下公式：
其中，A为各项水质参数样本数值，m为各项水质参数样本数目， n为各项水质参数指标数目；
通过上述公式计算出各水质参数的因子隶属度，对应m个各项水质参数样本数目得到矩阵Dmn；
S3：计算综合权重：
单项水质参数指标权重如公式：
其中，Ak为当前某项水质参数样本数值，Ck为对应某项水质参数指标数值，
使用随机森林算法计算综合权重：
其中，为某项水质参数指标权重；
通过上述公式计算综合权重矩阵B：
B＝[B1,B2,...,Bm]，
S4：将矩阵Dmn与综合权重矩阵B复合计算，得到池塘水质当前状况。
所述皮尔森相关性分析的步骤如下：
S1：计算带权的每两项水质参数任意样本(x，y)两者之间的协方差：
cov(x,y)＝E[(x-μx)(y-μy)]
其中，cov(x,y)表示每两项水质参数任意样本(x，y)两者之间的协方差；
S2：计算带权的每两项水质参数任意样本(x，y)两者之间的标准差乘积：
其中，σxσy表示每两项水质参数任意样本(x，y)两者之间的标准差乘积；
S3：本皮尔森相关性系数
其中，ρx,y表示本皮尔森相关性系数。
下面结合具体实施例对本发明进一步描述。
实施例1：
本发明实施例提供水质综合评价分析方法，包括：
S1：设预测目标与决策层中的决策指标N1,N2，...,Nm，目标与决策层中的数据块指标集合S1,S2,...,Sm,其中数据块指标集合Sm中有水质参数样本Ai1,Ai2,...Aim,i＝1,2,...,m；
S2：以决策指标Sb(b＝1,2,...,m)为基向量，以Ajk(k＝1,2,...,mk) 为特征向量，在基向量Sb下构造综合相关矩阵，计算Aij对Sm的影响力大小：
其中，Bij的列向量为Sm中的样本Ai1,Ai2,...Aim，Bmm的横向量为 Sm中的样本Aj1,Aj2,...,Ajmk；当Bij＝0时，Ajk不受Sm的中Ai1的影响，当Bij＝1时，Ajk受Sm的中Ai1的影响；
S3：根据构造矩阵Bij，预测各样本Ajk对Sm的影响概率FCij， i＝1,2,...,m,j＝1,2,...,m，构造影响概率关系矩阵FCij：
其中，在FCij中，每个横向量FCjmk与每个列向量Aim都对应一个FCij，i＝1,2,...,m,j＝1,2,...,m；
S4：根据S3得到的概率关系矩阵确定模糊关系矩阵C，首先，将数据块中第i个样本的测试结果Ai作为第i个预测征兆Wi，将第n 个集合Sn作为第n个预测原因Yi，将第i个预测Ai对第n个预测原因的预测概率FCij，作为第i个预测征兆Wi属于第n个预测原因Yi的隶属度rij，i＝1,2,...,m,j＝1,2,...,m，然后将所得矩阵进行转置，得到模糊关系矩阵C：
S5：根据S4得到模糊关系矩阵C进行水质综合评价。
实施例2
如图2，本发明实施例提供水质综合评价分析系统。
包括：各项水质参数构建模块1，将实时监测的各项水质参数根据具体情况和阈值进行分解，构建各项水质参数模块1；
各项水质参数的综合评价权重获得模块2，对各项水质参数进行计算分析得到各项水质参数的指标评价值，再通过随机森林算法进行统一化权重计算得到各项水质参数的综合评价权重；
每两项水质参数互相影响关系获得模块3，对进行每两项水质参数进行皮尔森相关性分析得到每两项水质参数互相影响情况；
池塘生态环境的实际健康状况确定模块4，根据每两项水质参数互相影响情况确定池塘生态环境的实际健康状况。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种智能场景大数据分析系统,其特征在于：包括水质参数采集模块、水质数据传输模块、水质数据分析处理模块和信息决策模块；
所述水质参数采集模块为多功能参数采集装置，所述多功能参数采集装置包括溶氧量传感器单元、pH值传感器单元、总氨和亚硝态氮含量传感器单元、温度传感器单元，用于对池塘中溶氧量、pH值、总氨和亚硝态氮含量和温度进行实时监测；
所述水质数据传输模块包括供电模块、存储单元和通信单元，用于将采集的池塘水质参数通过通信单元发送至水质数据分析处理模块；
所述水质数据分析处理模块包括数据预处理单元、数据处理单元和数据分析单元，用于对接收到的水质数据进行处理、分析和反馈；
所述信息决策模块包括数据管理单元和信息决策单元，用于将分析后的数据构建水质综合评价模型，并将原始数据及分析结果加以显示和保存，为信息决策提供依据。
2.根据权利要求1所述的一种智能场景大数据分析系统，其特征在于：所述数据预处理单元包括数据清洗单元、数据规约单元和数据转换单元，所述数据预处理单元对水质数据转换后得到多个数据块，建立和所述多个所述初始数据集数量相同的多条数据处理线程，每条所述数据处理线程对应一个初始数据集处理任务，所述数据处理线程设定对应的水质数据阈值进行特征规约，当遍历到超过设定的水质数据阈值时，从所述预处理后的数据块中清洗掉不相关的数据，得到预处理后的水质参数数据。
3.根据权利要求1所述的一种智能场景大数据分析系统，其特征在于：所述数据处理单元将因子分析和随机森林算法结合得到各水质参数的因子隶属度，得到各项水质参数的指标评价值，计算各项水质参数的综合权重，得到各项水质参数的综合评价权重，利用随机森林算法进行统一化权重计算，得到各项水质参数的综合权重矩阵，将数据进行皮尔森相关性分析，得到每两项水质参数互相影响情况。
4.根据权利要求1所述的一种智能场景大数据分析系统，其特征在于：所述数据分析单元中还包括用于警告的信息系统，所述用于警告的信息系统包括邮件系统、短信系统、微信系统和QQ系统，将当前实际水质情况和预测水质情况发送到用户进行警告，方便运营人员即时发现问题。
5.根据权利要求4所述的一种智能场景大数据分析系统，其特征在于：所述用于警告的信息系统还包括各项水质参数阈值，所述溶氧量阈值为≥2mg/L，所述pH值阈值为6～9，所述总氨含量阈值为0.5～4mg/L，所述亚硝态氮含量阈值为0.1～0.4mg/L，所述温度阈值为20～30℃。
6.根据权利要求3所述的一种智能场景大数据分析系统，其特征在于：所述因子分析模型算法的步骤如下：
S1：将因子分析和随机森林算法结合得到某项水质参数的因子隶属度，如公式：
其中，x0为某项水质参数样本指标最小值，x1为某项水质参数样本指标最大值，x为某项水质参数样本值；
S2：根据上述公式对各项水质参数样本指标进行评价；
设B为各项水质参数样本集合，C为各项水质参数样本指标评价集合，建立如下公式：
其中，A为各项水质参数样本数值，m为各项水质参数样本数目，n为各项水质参数指标数目；
通过上述公式计算出各水质参数的因子隶属度，对应m个各项水质参数样本数目得到矩阵Dmn；
S3：计算综合权重：
单项水质参数指标权重如公式：
其中，Ak为当前某项水质参数样本数值，Ck为对应某项水质参数指标数值，
使用随机森林算法计算综合权重：
其中，为某项水质参数指标权重；
通过上述公式计算综合权重矩阵B：
B＝[B1,B2,...,Bm]，
S4：将矩阵Dmn与综合权重矩阵B复合计算，得到池塘水质当前状况。
7.根据权利要求3所述的一种智能场景大数据分析系统，其特征在于：所述皮尔森相关性分析的步骤如下：
S1：计算带权的每两项水质参数任意样本(x，y)两者之间的协方差：
cov(x,y)＝E[(x-μx)(y-μy)]
其中，cov(x,y)表示每两项水质参数任意样本(x，y)两者之间的协方差；
S2：计算带权的每两项水质参数任意样本(x，y)两者之间的标准差乘积：
其中，σxσy表示每两项水质参数任意样本(x，y)两者之间的标准差乘积；
S3：本皮尔森相关性系数
其中，ρx,y表示本皮尔森相关性系数。
8.根据权利要求3所述的一种智能场景大数据分析系统，其特征在于：所述水质综合评价模型的步骤如下：
S1：设预测目标与决策层中的决策指标N1,N2，...,Nm，目标与决策层中的数据块指标集合S1,S2,...,Sm,其中数据块指标集合Sm中有水质参数样本Ai1,Ai2,...Aim,i＝1,2,...,m；
S2：以决策指标Sb(b＝1,2,...,m)为基向量，以Ajk(k＝1,2,...,mk)为特征向量，在基向量Sb下构造综合相关矩阵，计算Aij对Sm的影响力大小：
其中，Bij的列向量为Sm中的样本Ai1,Ai2,...Aim，Bmm的横向量为Sm中的样本Aj1,Aj2,...,Ajmk；当Bij＝0时，Ajk不受Sm的中Ai1的影响，当Bij＝1时，Ajk受Sm的中Ai1的影响；
S3：根据构造矩阵Bij，预测各样本Ajk对Sm的影响概率FCij，i＝1,2,...,m,j＝1,2,...,m，构造影响概率关系矩阵FCij：
其中，在FCij中，每个横向量FCjmk与每个列向量Aim都对应一个FCij，i＝1,2,...,m,j＝1,2,...,m；
S4：根据S3得到的概率关系矩阵确定模糊关系矩阵C，首先，将数据块中第i个样本的测试结果Ai作为第i个预测征兆Wi，将第n个集合Sn作为第n个预测原因Yi，将第i个预测Ai对第n个预测原因的预测概率FCij，作为第i个预测征兆Wi属于第n个预测原因Yi的隶属度rij，i＝1,2,...,m,j＝1,2,...,m，然后将所得矩阵进行转置，得到模糊关系矩阵C：
S5：根据S4得到模糊关系矩阵C进行水质综合评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910546920.6A CN110334926B (zh) | 2019-06-24 | 2019-06-24 | 一种智能场景大数据分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910546920.6A CN110334926B (zh) | 2019-06-24 | 2019-06-24 | 一种智能场景大数据分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110334926A true CN110334926A (zh) | 2019-10-15 |
| CN110334926B CN110334926B (zh) | 2023-04-18 |
Family
ID=68142680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910546920.6A Active CN110334926B (zh) | 2019-06-24 | 2019-06-24 | 一种智能场景大数据分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334926B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110955649A (zh) * | 2019-10-30 | 2020-04-03 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产决策系统 |
| CN111190887A (zh) * | 2019-12-31 | 2020-05-22 | 中国电子科技集团公司第三十六研究所 | 一种基于社会认知决策的数据分析方法和装置 |
| CN113129180A (zh) * | 2021-05-13 | 2021-07-16 | 贵阳业勤中小企业促进中心有限公司 | 一种搭建知识产权数据分析系统的方法 |
| NO20220185A1 (en) * | 2019-08-20 | 2022-02-10 | Rex Ind Co | Water quality management apparatus and method for aquaculture pond |
| CN117952254A (zh) * | 2024-01-10 | 2024-04-30 | 北京大学 | 一种基于人工智能的水处理工艺优化全流程模型系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218669A (zh) * | 2013-03-19 | 2013-07-24 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| KR20190023152A (ko) * | 2017-08-28 | 2019-03-08 | 주식회사 아르고테크놀리지 | 양식장 수질 모니터링 시스템 |
| CN109520567A (zh) * | 2018-11-27 | 2019-03-26 | 深圳先进技术研究院 | 一种海水养殖水质预警方法 |
-
2019
- 2019-06-24 CN CN201910546920.6A patent/CN110334926B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218669A (zh) * | 2013-03-19 | 2013-07-24 | 中山大学 | 一种智能的活鱼养殖水质综合预测方法 |
| KR20190023152A (ko) * | 2017-08-28 | 2019-03-08 | 주식회사 아르고테크놀리지 | 양식장 수질 모니터링 시스템 |
| CN109520567A (zh) * | 2018-11-27 | 2019-03-26 | 深圳先进技术研究院 | 一种海水养殖水质预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 夏勇: ""基于手机应用日志的用户基础属性预测", 《CNKI优秀硕士学位论文》 * |
| 王亦斌: ""随机森林与模糊识别耦合方法在河流健康评价中的应用"", 《江苏水利》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NO20220185A1 (en) * | 2019-08-20 | 2022-02-10 | Rex Ind Co | Water quality management apparatus and method for aquaculture pond |
| US11753312B2 (en) | 2019-08-20 | 2023-09-12 | Kasai Corporation | Water quality management apparatus and method for aquaculture pond |
| CN110955649A (zh) * | 2019-10-30 | 2020-04-03 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产决策系统 |
| CN110955649B (zh) * | 2019-10-30 | 2022-11-04 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产决策系统 |
| CN111190887A (zh) * | 2019-12-31 | 2020-05-22 | 中国电子科技集团公司第三十六研究所 | 一种基于社会认知决策的数据分析方法和装置 |
| CN111190887B (zh) * | 2019-12-31 | 2023-11-03 | 中国电子科技集团公司第三十六研究所 | 一种基于社会认知决策的污水ph值数据分析方法和装置 |
| CN113129180A (zh) * | 2021-05-13 | 2021-07-16 | 贵阳业勤中小企业促进中心有限公司 | 一种搭建知识产权数据分析系统的方法 |
| CN117952254A (zh) * | 2024-01-10 | 2024-04-30 | 北京大学 | 一种基于人工智能的水处理工艺优化全流程模型系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110334926B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110334926A (zh) | 一种智能场景大数据分析系统 | |
| CN107527114B (zh) | 一种基于大数据的线路台区异常分析方法 | |
| CN109165950A (zh) | 一种基于金融时间序列特征的异常交易识别方法，设备及可读存储介质 | |
| CN109800139A (zh) | 服务器健康度分析方法，装置，存储介质及电子设备 | |
| CN102789599B (zh) | 一种基于聚类分析和多属性决策的作业车间瓶颈识别方法 | |
| CN108874959A (zh) | 一种基于大数据技术的用户动态兴趣模型建立方法 | |
| CN102354337A (zh) | 一种可重构装配线多目标调度决策方法 | |
| Jiang et al. | DEA based on strongly efficient and inefficient frontiers and its application on port efficiency measurement | |
| Xiao et al. | Dynamic multi-attribute evaluation of digital economy development in China: A perspective from interaction effect | |
| Bhattacharya et al. | Forecasting India’s economic growth: a time-varying parameter regression approach | |
| CN107766204A (zh) | 一种检查集群健康状态的方法和系统 | |
| Wang | Efficient markets are more connected: An entropy-based analysis of the energy, industrial metal and financial markets | |
| CN113569345B (zh) | 一种基于多源信息融合的数控系统可靠性建模方法与装置 | |
| Nie et al. | A comprehensive evaluation of soil fertility of cultivated land: a GIS-based soil basic niche-fitness model | |
| He et al. | IMPACT OF AGRICULTURAL INDUSTRY AGGLOMERATION ON INCOME GROWTH: SPATIAL EFFECTS AND CLUSTERING DIFFERENCES. | |
| CN109858938A (zh) | 基于随机森林预测期货价格趋势的方法 | |
| CN106067096A (zh) | 一种数据处理方法、装置及系统 | |
| CN106127602A (zh) | 一种基于约简离群点算法的窃电辨识方法及装置 | |
| CN109376898A (zh) | 一种基于内外部指标影响的电量分析预测方法 | |
| CN110135592A (zh) | 分类效果确定方法、装置、智能终端及存储介质 | |
| Zhang et al. | Application of analytic network process in agricultural products logistics performance evaluation | |
| Fu et al. | Prediction of financial economic time series based on group intelligence algorithm based on machine learning | |
| CN105844396A (zh) | 一种基于企业生态系统理论的电力交易信息增值服务评价方法 | |
| Xie et al. | Walmart Sale Forecasting Model Based On LSTM And LightGBM | |
| Xu et al. | Development of marine engineering equipment manufacturing industry: A forecasting study through online data |
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 |