CN110348617A - 一种基于机器学习的多级联排防洪系统、方法及存储介质 - Google Patents
一种基于机器学习的多级联排防洪系统、方法及存储介质 Download PDFInfo
- Publication number
- CN110348617A CN110348617A CN201910572221.9A CN201910572221A CN110348617A CN 110348617 A CN110348617 A CN 110348617A CN 201910572221 A CN201910572221 A CN 201910572221A CN 110348617 A CN110348617 A CN 110348617A
- Authority
- CN
- China
- Prior art keywords
- website
- draining
- flood
- hidden danger
- townhouse
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000005086 pumping Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000006424 Flood reaction Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于机器学习的多级联排防洪系统及方法，包括以下步骤1、获取每个排水站点的j个流量传感器所对应位置的流量值Gj；步骤2、根据每个排水站点的j个流量传感器所对应位置的流量值Gj计算每一个所述排水站点内的最大流量值Qn；步骤3、将Qn与第一阈值相比较，若Qn不大于第一阈值则处理模块判定为编号为n的排水站点不存在洪涝隐患，若Qn大于第一阈值则处理模块判定为编号为n的排水站点存在洪涝隐患，处理模块告知控制中心；步骤4、工作人员进行调度对洪涝隐患进行防治。本发明能够快而准确的对洪水的产生进行监测，从而提醒相关人员对洪水进行防治，能够在很大程度上减少因为洪水灾害带来的损失。
Description
技术领域
本发明涉及工业控制技术领域，尤其涉及一种基于机器学习的多级联排防洪系统、方法及存储介质。
背景技术
城市人口和财富高度集聚，是一定地域的政治、经济、文化中心，是现代社会发展的引领核心，城市一旦受灾，损失巨大。洪涝灾害是当前我国城市面临的最主要灾害之一，我国大多数城市都滨水而建，均面临洪水淹没和雨后内涝问题。具相关数据统计，我国660个城市中，就有500多个城市需要防洪，并且许多城市都不同程度地遭受过江河洪水的威胁。除洪水威胁外，近年来我国城市也频繁遭受暴雨所致的城区严重的内涝。因此，城市的防洪排涝问题形势严峻，必须全力应对，寻找成因，制定对策，以期切实有效地解决问题。城市防洪排涝是根据城市的自然地理位置以及江河洪水的特性，提高城市防洪标准，改善和提高城市防洪管理水平，改善河道行洪条件。通过建设必要的防洪、除涝、排水等设施，防治或减少洪涝造成的灾害，保障城市的正常运行和人民安居乐业。
目前市场上的防洪站点往往是通过聘请一些经验丰富的工程师，通过人为地进行判别，这样一来因为经验丰富的工程师是非常稀少的，另外通过人眼去判别人也是会疲劳的，可能会因为一些方面导致判断不准不够智能化，这样会造成一些不必要的损失。
当今市场急需一种能够智能监测洪水的精度高的防洪系统及方法，能够快而准确的对洪水的产生进行监测，从而提醒相关人员对洪水进行防治。
发明内容
本发明的目的是解决现有技术的不足，提供一种基于机器学习的多级联排防洪系统及方法。
为了实现上述目的，本发明采用以下的技术方案：
提出一种基于机器学习的多级联排防洪系统，包括：
n个排水站点，所述排水站点依次编号为1-n，所述排水站点均设置有j个流量传感器，所述排水站点两两相互连接形成排水网络；
所述j个流量传感器沿着流水方向等间距直线分布，所述j个流量传感器用于获取对应的所述排水站点内对应位置的流量值Gj；
GPRS通信模块，所述GPRS通信模块设置于每一个所述排水站点，用于使每一个排水站点与控制中心建立通信连接；
报警模块，所述报警模块设置于所述控制中心，用于当对应的所述排水站点存在洪涝隐患时进行报警；
处理模块，所述处理模块设置于每一个所述排水站点，所述处理模块用于计算每一个所述排水站点内的最大流量值Qn并将Qn分别与第一阈值相比较从而得出对应的排水站点是否存在洪涝隐患、将存在洪涝隐患的排水站点编号告知所述控制中心；
所述控制中心用于当处理模块告知存在洪涝隐患的排水站点编号时控制对应编号的报警模块进行报警同时生成日志文件。
进一步，所述报警模块包括蜂鸣器，所述蜂鸣器设置有n个，依次编号为1-n，所述控制中心将对应编号的所述排水站点与所述蜂鸣器建立通信连接。
还提出一种基于机器学习的多级联排防洪方法，应用于上述的一种基于机器学习的多级联排防洪系统，包括以下：
步骤1、获取每个排水站点的j个流量传感器所对应位置的流量值Gj；
步骤2、根据每个排水站点的j个流量传感器所对应位置的流量值Gj计算每一个所述排水站点内的最大流量值Qn；
步骤3、将Qn与第一阈值相比较，若Qn不大于第一阈值则处理模块判定为编号为n的排水站点不存在洪涝隐患，若Qn大于第一阈值则处理模块判定为编号为n的排水站点存在洪涝隐患，处理模块告知控制中心，控制中心控制对应编号n的报警模块进行报警同时生成日志文件；
步骤4、工作人员进行调度对洪涝隐患进行防治。
进一步，所述步骤2中计算每一个所述排水站点内的最大流量值Qn的方法为：
根据每一个流量传感器的读数值与其所在位置的关系，得出函数关系Gj＝f(xj),令Mj＝-Gj＝-f(xj)＝F(xj)；
将Mj＝F(xj)设置为一般的线性方程：Mj＝F(xj)＝k0+k1x1+…+kjxj，
其中每一项的系数kj由以下方式求出：
引入新的函数其中y为设定的实际值，i为设定的样本数量该函数表示的意义为预测值与实际值的偏离程度，由以上公式综合可以解出kj的近似值kj：为：
其中α为学习率可人为设定，而表示的是损失函数的权重梯度，进行化简得到：
可以得出:
kj：＝kj+α(y(i)-F(xj (i)))xj (i)
根据上述公式可以解出Mj的所有极小值，那么相对应的-Mj即为Gj的极大值，此时通过max{-Mj，Gj}即可求出最大流量值Qn。
进一步，所生成的日志文件具体指的是，记录对应编号n的站点出现洪涝隐患同时记录报警的时间。
进一步，相邻的所述排水站点之间互相能够进行水流通，工作人员在发现对应编号的站点出现洪涝隐患时，能够通过将该编号站点的水引流至相邻站点进行防治。
还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求3-6任一项所述方法的步骤。
本发明的有益效果为：本发明通过提出一种能够智能监测洪水的精度高的防洪系统及方法，能够快而准确的对洪水的产生进行监测，从而提醒相关人员对洪水进行防治，能够在很大程度上减少因为洪水灾害带来的损失。
附图说明
图1所示为一种基于机器学习的多级联排防洪方法的流程图；
图2所示为一个排水站点内的流量传感器的位置关系图；
图3所示为4个排水站点的连接关系示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
结合图1，本发明提出一种基于机器学习的多级联排防洪系统包括：
n个排水站点，所述排水站点依次编号为1-n，所述排水站点均设置有j个流量传感器，所述排水站点两两相互连接形成排水网络；结合图3，图3给出了4个排水站点：排水站点1、排水站点2、排水站点3以及排水站点4的连接关系，当发生意外时相互连接两个排水站点之间可以进行水流流通。
所述j个流量传感器沿着流水方向等间距直线分布，所述j个流量传感器用于获取对应的所述排水站点内对应位置的流量值Gj；具体的结合图2，可以清楚地看出同一排水站点中的j个流量传感器的排列方式。
GPRS通信模块，所述GPRS通信模块设置于每一个所述排水站点，用于使每一个排水站点与控制中心建立通信连接；
报警模块，所述报警模块设置于所述控制中心，用于当对应的所述排水站点存在洪涝隐患时进行报警；
处理模块，所述处理模块设置于每一个所述排水站点，所述处理模块用于计算每一个所述排水站点内的最大流量值Qn并将Qn分别与第一阈值相比较从而得出对应的排水站点是否存在洪涝隐患、将存在洪涝隐患的排水站点编号告知所述控制中心；
所述控制中心用于当处理模块告知存在洪涝隐患的排水站点编号时控制对应编号的报警模块进行报警同时生成日志文件。
作为本方案的优选实施例，所述报警模块包括蜂鸣器，所述蜂鸣器设置有n个，依次编号为1-n，所述控制中心将对应编号的所述排水站点与所述蜂鸣器建立通信连接。因为蜂鸣器相对来说性价比高，并且报警时的响动也较大容易起到提醒作用，另外将蜂鸣器与排水站点编号进行一一对应，容易让人们一眼就发现问题出在几号排水站，便于进行管理。
还提出一种基于机器学习的多级联排防洪方法，应用于上述的一种基于机器学习的多级联排防洪系统，包括以下：
步骤1、获取每个排水站点的j个流量传感器所对应位置的流量值Gj；
步骤2、根据每个排水站点的j个流量传感器所对应位置的流量值Gj计算每一个所述排水站点内的最大流量值Qn；
步骤3、将Qn与第一阈值相比较，若Qn不大于第一阈值则处理模块判定为编号为n的排水站点不存在洪涝隐患，若Qn大于第一阈值则处理模块判定为编号为n的排水站点存在洪涝隐患，处理模块告知控制中心，控制中心控制对应编号n的报警模块进行报警同时生成日志文件；
步骤4、工作人员进行调度对洪涝隐患进行防治。
其中的n和j均可以人为设置，一般通过一定的实验进行确定，因为n和j越大的话投入的成本相对来说就越高但是精度也越高，但是n和j越小的话投入的成本越低但是相对的精度也越低，所以如何找到一个最优的方案需要进行实验测定。具体需要根据城市的规模以及防治的强度来定，但是是可以确定的。
在一个具体的情况下，各个排水站点的流量传感器均正常工作，处理模块根据传感器获取的流量值Gj进行计算排水站点内的最大流量值Qn，并将Qn与第一阈值相比较，若Qn不大于第一阈值则处理模块判定为编号为n的排水站点不存在洪涝隐患，若Qn大于第一阈值则处理模块判定为编号为n的排水站点存在洪涝隐患，处理模块告知控制中心，控制中心控制对应编号n的报警模块进行报警同时生成日志文件。其中的第一阈值为通过实验测得的危险流量值，也可以通过往年的经验得到，是工作人员进行设定的。
作为本方案的优选实施例，所述步骤2中计算每一个所述排水站点内的最大流量值Qn的方法为：
根据每一个流量传感器的读数值与其所在位置的关系，具体为xj表示第j个流量传感器的位置值，位置值表示为：是以第一流量传感器为原点，各个流量传感器与第一流量传感器之间的直线距离，Gj为第j个流量传感器的具体读数值，则存在函数关系Gj＝f(xj),令Mj＝-Gj＝-f(xj)＝F(xj)；
将Mj＝F(xj)设置为一般的线性方程：Mj＝F(xj)＝k0+k1x1+…+kjxj，
其中每一项的系数kj由以下方式求出：
引入新的函数其中y为设定的实际值，i为设定的样本数量该函数表示的意义为预测值与实际值的偏离程度，由以上公式综合可以解出kj的近似值kj：为：
其中α为学习率可人为设定，而表示的是损失函数的权重梯度，进行化简得到：
可以得出:
kj：＝kj+α(y(i)-F(xj (i)))xj (i)
根据上述公式可以解出Mj的所有极小值，那么相对应的-Mj即为Gj的极大值，此时通过max{-Mj，Gj}即可求出最大流量值Qn。
具体的思想为，通过构建流量传感器读数与位置的函数关系式，并将其相反数构建新的函数关系式，通过用机器学习的方法求出新的函数关系式的所有局部最小值，并对新的函数关系式的所有局部最小值取其相反数即为流量传感器读数与位置的函数关系式的局部最大值，通过对流量传感器读数与位置的函数关系式的局部最大值与流量传感器读数值取最大值即可得到传感器读数与位置的函数关系式最大值。
作为本方案的优选实施例，所生成的日志文件具体指的是，记录对应编号n的站点出现洪涝隐患同时记录报警的时间。将每一次的报警信息都存储下来便于日后进行管理以及优化。
作为本方案的优选实施例，相邻的所述排水站点之间互相能够进行水流通，工作人员在发现对应编号的站点出现洪涝隐患时，能够通过将该编号站点的水引流至相邻站点进行防治。
还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求3-6任一项所述方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (7)
1.一种基于机器学习的多级联排防洪系统，其特征在于，包括：
n个排水站点，所述排水站点依次编号为1-n，所述排水站点均设置有j个流量传感器，所述排水站点两两相互连接形成排水网络；
所述j个流量传感器沿着流水方向等间距直线分布，所述j个流量传感器用于获取对应的所述排水站点内对应位置的流量值Gj；
GPRS通信模块，所述GPRS通信模块设置于每一个所述排水站点，用于使每一个排水站点与控制中心建立通信连接；
报警模块，所述报警模块设置于所述控制中心，用于当对应的所述排水站点存在洪涝隐患时进行报警；
处理模块，所述处理模块设置于每一个所述排水站点，所述处理模块用于计算每一个所述排水站点内的最大流量值Qn并将Qn分别与第一阈值相比较从而得出对应的排水站点是否存在洪涝隐患、将存在洪涝隐患的排水站点编号告知所述控制中心；
所述控制中心用于当处理模块告知存在洪涝隐患的排水站点编号时控制对应编号的报警模块进行报警同时生成日志文件。
2.根据权利要求1所述的一种基于机器学习的多级联排防洪系统，其特征在于，所述报警模块包括蜂鸣器，所述蜂鸣器设置有n个，依次编号为1-n，所述控制中心将对应编号的所述排水站点与所述蜂鸣器建立通信连接。
3.一种基于机器学习的多级联排防洪方法，其特征在于，应用于上述的一种基于机器学习的多级联排防洪系统，包括以下：
步骤1、获取每个排水站点的j个流量传感器所对应位置的流量值Gj；
步骤2、根据每个排水站点的j个流量传感器所对应位置的流量值Gj计算每一个所述排水站点内的最大流量值Qn；
步骤3、将Qn与第一阈值相比较，若Qn不大于第一阈值则处理模块判定为编号为n的排水站点不存在洪涝隐患，若Qn大于第一阈值则处理模块判定为编号为n的排水站点存在洪涝隐患，处理模块告知控制中心，控制中心控制对应编号n的报警模块进行报警同时生成日志文件；
步骤4、工作人员进行调度对洪涝隐患进行防治。
4.根据权利要求3所述的一种基于机器学习的多级联排防洪方法，其特征在于，所述步骤2中计算每一个所述排水站点内的最大流量值Qn的方法为：
根据每一个流量传感器的读数值与其所在位置的关系，得出函数关系Gj＝f(xj)，令Mj＝-Gj＝-f(xj)＝F(xj)；
将Mj＝F(xj)设置为一般的线性方程：Mj＝F(xj)＝k0+k1x1+…+kjxj，
其中每一项的系数kj由以下方式求出：
引入新的函数其中y为设定的实际值，i为设定的样本数量该函数表示的意义为预测值与实际值的偏离程度，由以上公式综合可以解出kj的近似值kj：为：
其中α为学习率可人为设定，而表示的是损失函数的权重梯度，进行化简得到：
可以得出：
kj：＝kj+α(y(i)-F(xj (i)))xj (i)
根据上述公式可以解出Mj的所有极小值，那么相对应的-Mj即为Gj的极大值，此时通过max{-Mj，Gj}即可求出最大流量值Qn。
5.根据权利要求3所述的一种基于机器学习的多级联排防洪方法，其特征在于，所生成的日志文件具体指的是，记录对应编号n的站点出现洪涝隐患同时记录报警的时间。
6.根据权利要求3所述的一种基于机器学习的多级联排防洪方法，其特征在于，相邻的所述排水站点之间互相能够进行水流通，工作人员在发现对应编号的站点出现洪涝隐患时，能够通过将该编号站点的水引流至相邻站点进行防治。
7.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求3-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572221.9A CN110348617A (zh) | 2019-06-28 | 2019-06-28 | 一种基于机器学习的多级联排防洪系统、方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572221.9A CN110348617A (zh) | 2019-06-28 | 2019-06-28 | 一种基于机器学习的多级联排防洪系统、方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348617A true CN110348617A (zh) | 2019-10-18 |
Family
ID=68176827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910572221.9A Pending CN110348617A (zh) | 2019-06-28 | 2019-06-28 | 一种基于机器学习的多级联排防洪系统、方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348617A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461533A (zh) * | 2020-03-31 | 2020-07-28 | 佛山科学技术学院 | 一种基于大数据的工业生产流水线的故障监测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040012491A1 (en) * | 2002-07-19 | 2004-01-22 | Kulesz James J. | System for detection of hazardous events |
| US7480577B1 (en) * | 2007-02-21 | 2009-01-20 | Murray F Feller | Multiple sensor flow meter |
| CN103572801A (zh) * | 2012-08-08 | 2014-02-12 | 青岛鑫源环保设备工程有限公司 | 自来水爆管监测系统 |
| US20150057595A1 (en) * | 2013-08-24 | 2015-02-26 | Alcon Research, Ltd. | Pressure-based flow rate measurement for ocular implants |
| CN105484801A (zh) * | 2016-01-04 | 2016-04-13 | 中国矿业大学(北京) | 基于图像和涌水量监测的井下水灾报警方法 |
| US20180371740A1 (en) * | 2017-06-27 | 2018-12-27 | Nch Corporation | Automated Plumbing System Sensor Warning System and Method |
| CN208983020U (zh) * | 2018-09-12 | 2019-06-14 | 安徽建筑大学 | 一种城市自来水管网监测系统 |
-
2019
- 2019-06-28 CN CN201910572221.9A patent/CN110348617A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040012491A1 (en) * | 2002-07-19 | 2004-01-22 | Kulesz James J. | System for detection of hazardous events |
| US7480577B1 (en) * | 2007-02-21 | 2009-01-20 | Murray F Feller | Multiple sensor flow meter |
| CN103572801A (zh) * | 2012-08-08 | 2014-02-12 | 青岛鑫源环保设备工程有限公司 | 自来水爆管监测系统 |
| US20150057595A1 (en) * | 2013-08-24 | 2015-02-26 | Alcon Research, Ltd. | Pressure-based flow rate measurement for ocular implants |
| CN105484801A (zh) * | 2016-01-04 | 2016-04-13 | 中国矿业大学(北京) | 基于图像和涌水量监测的井下水灾报警方法 |
| US20180371740A1 (en) * | 2017-06-27 | 2018-12-27 | Nch Corporation | Automated Plumbing System Sensor Warning System and Method |
| CN208983020U (zh) * | 2018-09-12 | 2019-06-14 | 安徽建筑大学 | 一种城市自来水管网监测系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461533A (zh) * | 2020-03-31 | 2020-07-28 | 佛山科学技术学院 | 一种基于大数据的工业生产流水线的故障监测方法及系统 |
| CN111461533B (zh) * | 2020-03-31 | 2023-04-25 | 佛山科学技术学院 | 一种基于大数据的工业生产流水线的故障监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107256327B (zh) | 一种传染病防控方法及系统 | |
| Van Patten et al. | A microspatial analysis of robbery: Prospective hot spotting in a small city | |
| CN101976061A (zh) | 重大环境风险源监控系统构建方法 | |
| CN104318058B (zh) | 基于雨量监测的泥石流预警方法 | |
| CN110225457A (zh) | 共享单车的监管方法、装置、服务器及可读存储介质 | |
| CN116821750A (zh) | 一种基于人工智能的数据安全风险监测追溯系统 | |
| CN108805407A (zh) | 一种基于大数据的电网工程安全评估系统 | |
| CN109672663A (zh) | 一种安全威胁事件的闭环式网络安全监管方法及系统 | |
| CN202976409U (zh) | 一种放射源多重定位监管系统 | |
| CN104202719A (zh) | 基于位置可信度的人数测定和人群态势监测方法及系统 | |
| CN109961240A (zh) | 一种对监控车辆综合风险的判断方法 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| CN110348617A (zh) | 一种基于机器学习的多级联排防洪系统、方法及存储介质 | |
| CN110448849A (zh) | 一种基于机器学习的消火栓压力监测系统及方法 | |
| CN111652522A (zh) | 一种关于自然保护地的生态风险评估方法 | |
| Chen et al. | Truth Discovery Technology for Mobile Crowd Sensing in Water Quality Monitoring | |
| Zhou et al. | Real‐time prediction and ponding process early warning method at urban flood points based on different deep learning methods | |
| CN116702645B (zh) | 一种中小河流警戒水位拟定方法、系统及可读存储介质 | |
| Lokhande et al. | Evaluation of practical framework for industrial noise mapping: A case study | |
| CN115187048B (zh) | 轨道线路多域限界异物侵限事件状况识别方法及系统 | |
| CN116668954A (zh) | 基于电子围栏的人员管理方法、装置、终端及存储介质 | |
| Dom et al. | Spatial mapping of temporal risk characteristic of dengue cases in Subang Jaya | |
| CN115187090A (zh) | 基于模糊评价算法的防涝数据处理方法及装置 | |
| Kim et al. | Selection Method for Installation of Reduction Facilities to Prevention of Roe Deer (Capreouls pygargus) Road-kill in Jeju Island | |
| Yucemen et al. | Seismic hazard analysis with randomly located sources |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |