CN110378369A - 应用人工智能分析的广域水务状态可视化系统及方法 - Google Patents

Abstract

本发明公开了应用人工智能分析的广域水务状态可视化方法，包括如下步骤：首先算出水域的至少部分监测位点上传的水体参数历史数据的至少一项变化特征，得到各监测位点的由变化特征组成的指标向量，然后基于指标向量对监测位点按照水体参数的变化情况进行分类，得到多个类，之后在当前更新轮次下每个类包含的已更新数据的监测位点数量均不低于相应类的更新百分比或更新数量阈值的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果，最后显示水域分析结果。该方法能够使得系统能够在部分监测位点的水体参数采集和上传方面未能同步的情况下，不影响到当前更新轮次的参数分析及显示，保证工作人员能够按时了解水务情况。

Description

应用人工智能分析的广域水务状态可视化系统及方法

技术领域

本发明涉及水务监测技术领域，特别涉及应用人工智能分析的广域水务状态可视化系统，以及应用人工智能分析的广域水务状态可视化方法。

背景技术

在智慧城市的水务管理当中，可在水体范围内布设监测位点，通过多功能传感器设备在每个监测位点测量水质、流速等多种类型的水体参数，然后将水体参数上传到水务系统的平台服务器，进行分析与显示。

当面向空间分布非常广阔的水体，例如面向较大的湖泊，或者覆盖整个城市空间的水系时，为了保证数据的可靠性，在执行上述水务监测分析时需要布置足够数量和密度的监测位点。

然而，这也给水务系统的平台服务器进行水体参数的分析与显示带来一定的困难。由于所涉及的监测位点数量多且分布广泛，因此在水体参数的采集和上传方面不容易实现同步，平台服务器取得在同一轮监测中全部监测位点产生的水体参数会存在较大的时间差。

如果等待本轮监测中全部监测位点的水体参数上传完成后再统一进行分析和显示，会导致每一轮监测都会产生较长时间的延迟，大大降低了分析显示的更新率和实时性。

但是如果在获得最新上传的任一监测位点的水体参数后立即实时更新平台的分析与显示，可能导致在平台进行每轮分析和显示时，采信的水体参数实际上存在较大的时间差，而且时间差的累积会越来越大。比如A位点的每一轮采集和上传水体参数都比B位点要慢，这样如果不加处理的话，当对第n轮数据进行分析和显示的时候，平台可能会对第n轮的B位点水体参数和第n-1轮的A位点水体参数在同一轮进行分析和显示，导致分析结果和显示内容有误。因此A位点和B位点在水体参数的实际采集时间上存在的时间差会越来越大，最终直接影响分析与显示的真实性。

另外，对于平台的显示内容来说，数量众多的监测位点的水体参数如果直接叠加在水体地图上进行显示，其可视效果会较差，可能会让水务平台工作人员在观看时产生错误理解，并难以让工作人员发现广域水体当中值得关注的重点区域。

发明内容

(一)发明目的

基于此，为了尽量减少水体参数的采集和上传不同步对水务系统进行参数分析产生的延迟影响，保证水体参数分析显示的更新率和实时性以及真实性和准确性，本发明公开了以下技术方案。

(二)技术方案

作为本发明的第一方面，本发明公开了应用人工智能分析的广域水务状态可视化系统，包括：

特征计算模块，用于算出水域的至少部分监测位点上传的水体参数历史数据的至少一项变化特征，得到各所述监测位点的由所述变化特征组成的指标向量；

位点分类模块，用于基于所述指标向量对所述监测位点按照所述水体参数的变化情况进行分类，得到多个类；

参数分析模块，用于在当前更新轮次下每个所述类包含的已更新数据的监测位点数量均不低于相应所述类的更新百分比或更新数量阈值的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果；

状态显示设备，至少用于显示所述水域分析结果；

其中，所述类的所述更新百分比和更新数量阈值与该类包含的监测位点水体参数变化程度呈正比。

所述变化特征包括平均差、极差、变化率、标准差、方差中的至少一项。

在一种可能的实施方式中，所述水体参数历史数据包括：

之前一段连续的设定时段内所述监测位点上传的水体参数数据；或，

之前多个时间单位中每个时间单位的相应更新轮次时所述监测位点上传的水体参数数据。

在一种可能的实施方式中，所述位点分类模块包括：

聚类子模块，用于通过聚类算法对所述监测位点进行所述分类，得到所述多个类；和/或，

区间分类子模块，用于通过与所述水体参数变化特征的种类对应的特征区间对所述监测位点进行所述分类，得到所述多个类。

在一种可能的实施方式中，所述聚类子模块包括：

距离计算单元，用于将每个所述监测位点的变化特征视为一个簇，并依据各所述变化特征在历史数据图表上的位置信息计算每个簇与其他簇之间的距离；

簇合并单元，用于将相距最近的两个簇合并成一个新簇；

迭代计算单元，用于将所述新簇代入所述距离计算单元进行簇之间的距离计算，以使所述簇合并单元再次合并出新簇；

迭代终止单元，用于在所述簇的数量减少到与类数量阈值相等时，或者在当前存在的各簇之间的距离均超出距离阈值时，使所述迭代计算单元停止合并出新簇，并将当前存在的簇作为所述类。

在一种可能的实施方式中，所述距离计算单元计算两个所述簇之间距离的方式为：

计算其中一个所述簇内所有监测位点与另一个所述簇内所有监测位点之间距离的均值，并将所述均值作为簇间距离；或

以所述簇包含的各目标物中相距最远的两个目标物之间连线的中点作为所述簇的位置计算簇间距离；或

以能够包含所述簇内所有目标物的最小圆的圆心作为所述簇的位置计算簇间距离；或

以所述簇包含的所有目标物形成的多边形的中心作为所述簇的位置计算簇间距离。

在一种可能的实施方式中，该系统还包括：

参数处理模块，用于对所述水体参数历史数据的所述变化特征进行归一化或标准化处理，并将处理后的变化特征作为组成所述指标向量的元素。

在一种可能的实施方式中，该系统还包括再分类模块，所述再分类模块包括：

第一再分类单元，用于定期使所述位点分类模块重新对所述监测位点进行分类；或者，

第二再分类单元，用于监测每个所述类内的各所述监测位点在当前更新轮次下上传的水体参数的平均差，并在不同轮次下所述类的平均差之差超过差值阈值时使所述位点分类模块重新对所述监测位点进行分类。

在一种可能的实施方式中，所述参数分析模块还用于在当前更新轮次下任一所述类包含的已更新数据的监测位点数量不低于相应所述类的更新百分比或更新数量阈值的情况下，对该类包含的监测位点进行当前更新轮次的参数分析，并该类的类群分析结果；并且，

所述状态显示设备还用于显示各所述类群分析结果。

在一种可能的实施方式中，所述状态显示设备在显示所述分析结果时，对不同的所述类包含的监测位点附加不同的可视化标识。

作为本发明的第二方面，本发明还公开了应用人工智能分析的广域水务状态可视化方法，包括：

算出水域的至少部分监测位点上传的水体参数历史数据的至少一项变化特征，得到各所述监测位点的由所述变化特征组成的指标向量；

基于所述指标向量对所述监测位点按照所述水体参数的变化情况进行分类，得到多个类；

在当前更新轮次下每个所述类包含的已更新数据的监测位点数量均不低于相应所述类的更新百分比或更新数量阈值的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果；

显示所述水域分析结果；

其中，所述类的所述更新百分比和更新数量阈值与该类包含的监测位点水体参数变化程度呈正比。

在一种可能的实施方式中，所述变化特征包括平均差、极差、变化率、标准差、方差中的至少一项。

在一种可能的实施方式中，所述水体参数历史数据包括：

之前一段连续的设定时段内所述监测位点上传的水体参数数据；或，

之前多个时间单位中每个时间单位的相应更新轮次时所述监测位点上传的水体参数数据。

在一种可能的实施方式中，所述对所述监测位点进行分类并得到多个类包括：

通过聚类算法对所述监测位点进行所述分类，得到所述多个类；和/或，

通过与所述水体参数变化特征的种类对应的特征区间对所述监测位点进行所述分类，得到所述多个类。

在一种可能的实施方式中，所述通过聚类算法对所述监测位点进行所述分类包括：

将每个所述监测位点的变化特征视为一个簇，并依据各所述变化特征在历史数据图表上的位置信息计算每个簇与其他簇之间的距离；

将相距最近的两个簇合并成一个新簇；

代入所述新簇进行簇之间的距离计算，以再次合并出新簇；

在所述簇的数量减少到与类数量阈值相等时，或者在当前存在的各簇之间的距离均超出距离阈值时，停止合并出新簇，并将当前存在的簇作为所述类。

在一种可能的实施方式中，计算两个所述簇之间距离的方式为：

计算其中一个所述簇内所有监测位点与另一个所述簇内所有监测位点之间距离的均值，并将所述均值作为簇间距离；或

以所述簇包含的各目标物中相距最远的两个目标物之间连线的中点作为所述簇的位置计算簇间距离；或

以能够包含所述簇内所有目标物的最小圆的圆心作为所述簇的位置计算簇间距离；或

以所述簇包含的所有目标物形成的多边形的中心作为所述簇的位置计算簇间距离。

在一种可能的实施方式中，该方法还包括：

对所述水体参数历史数据的所述变化特征进行归一化或标准化处理，并将处理后的变化特征作为组成所述指标向量的元素。

在一种可能的实施方式中，该方法还包括：

定期重新对所述监测位点进行分类；或，

监测每个所述类内的各所述监测位点在当前更新轮次下上传的水体参数的平均差，并在不同轮次下所述类的平均差之差超过差值阈值时重新对所述监测位点进行分类。

在一种可能的实施方式中，该方法还包括：

在当前更新轮次下任一所述类包含的已更新数据的监测位点数量不低于相应所述类的更新百分比或更新数量阈值的情况下，对该类包含的监测位点进行当前更新轮次的参数分析，并该类的类群分析结果；

以及，显示各所述类群分析结果。

在一种可能的实施方式中，在显示所述分析结果时，对不同的所述类包含的监测位点附加不同的可视化标识。

(三)有益效果

本发明公开的应用人工智能分析的广域水务状态可视化系统及方法，能够在当前更新轮次下未能接收到一部分监测位点上传的数据时也能够保证及时对已接收到的更新数据进行分析并得到水域分析结果，并且水域分析结果和基于实际所有监测位点的数据进行分析得到的水域分析结果相近，使得系统能够在部分监测位点的水体参数采集和上传方面未能同步的情况下，不影响到当前更新轮次的参数分析及显示，保证了水体参数分析显示的更新率和实时性以及真实性和准确性，进而保证工作人员能够按时了解水务情况。

附图说明

以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。

图1是本发明公开的广域水务状态可视化系统实施例的结构框图。

图2是多个监测位点的历史极差数据的图表。

图3是本发明公开的广域水务状态可视化方法实施例的结构示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。

下面参考图1-图2详细描述本发明公开的广域水务状态可视化系统实施例。如图1所示，本实施例公开的系统主要包括有：特征计算模块、位点分类模块、参数分析模块以及状态显示设备。

特征计算模块用于算出水域的监测位点上传的水体参数历史数据的至少一项变化特征。以水域A为例，水域A内布设有n个监测位点ms，每个监测位点ms设置有相应的传感器，用于监测相应位点处的水体参数，例如水温、水含氧量、微生物含量等水质参数，以及水位、流量和流速等参数，这些参数的更新周期通常相同。监测位点的监测功能由能够实现相应监测功能的传感器来实现，各传感器与该可视化系统直接连接或通过中继设备间接连接，并按照预先设置的时间周期将采集到的数据上传给该可视化系统，每经过一个时间周期后就会到达需要上传采集的数据的时间点，在该时间点进行上传数据之后被称为进行了一个更新轮次。可视化系统会将接收到的数据进行存储并传输至特征计算模块进行变化特征的计算。

若全部n个监测位点均可能由于带宽不够、传输速率较低等原因而无法及时上传数据，则水域A的所有监测位点均参与该系统的实施，特征计算模块会算出全部监测位点的变化特征。

若出于某些原因使得工作人员认为其中m个监测位点不会发生无法及时上传数据的情况，例如该m个监测位点距离水务平台的物理距离较近并且采用光纤传输数据，则只有剩余的n-m个可能无法及时上传数据的监测位点参与该系统的实施。

传感器上传给该水务状态可视化系统的数据可以是在到达每个更新轮次的瞬间临时采集并上传的数据，也可以是在一个更新轮次内进行更小的周期性数据采集，并在到达每个更新轮次的瞬间将该轮次内采集的多个数据的平均值上传。

水体参数的变化特征是能够反映过去一段时间内水体参数变化情况的特征量，通过对过去一段时间的水体参数历史数据进行运算得出，例如极差rng和标准差std。特征计算模块得到各监测位点的变化特征后，进而得到各监测位点的指标向量。指标向量由相应监测位点的一项或多项变化特征组成。例如选取极差和标准差两项作为变化特征，则监测位点ms1的指标向量为多维向量

位点分类模块用于基于指标向量对监测位点按照水体参数的变化情况进行分类，得到多个类。由于指标向量能够反映过去一段时间内相应监测位点的水体参数变化情况，也就是反映出过去一段时间内相应监测位点的水体参数变化是否强烈，因此通过位点分类模块来对n个监测位点进行分类，每一类代表了一种水体参数变化的强烈程度，例如将水位变化程度分为变化强烈、变化适中、变化平缓三个类，或者分为更多个类，每个类代表的水体参数变化强烈程度都不相同，每个类也只包含符合该类所代表的水体参数变化强烈程度的监测位点，并且每个监测位点只能被归入其中一个类。例如变化强烈的类SC包含监测位点ms1-ms150，变化适中的类MC包含监测位点ms151-ms500，变化平缓的类LC包含监测位点ms501-ms1000，其中监测位点的总数量n＝1000。

参数分析模块用于在当前更新轮次下每个类包含的已更新数据的监测位点数量均不低于相应类的更新百分比的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果。

已更新数据的监测位点指的是系统已接收到上传的水位数据的监测位点。在每个类均被判定为已完成各自包含的监测位点更新百分比时，既可以开始对整个水域进行参数分析，而无需继续等待上传数据过程中发生延迟的监测位点。

而判定一个类是否完成更新要求的依据就是该类的更新百分比。设置更新百分比的原因是，系统未能及时接收到所有监测位点上传的数据时，也能够依据当前已经更新的数据对水域进行参数分析，同时保证分析出的结果与假设系统接收到所有监测位点上传的数据并进行分析后得到的结果之间不会出现较大偏差，使得得到的水域分析结果与基于全部数据进行分析得到的水域分析结果相近。可以理解的是，上述“所有监测位点”指的是所有参与变化特征计算、监测位点分类的监测位点。

类的更新百分比与该类包含的监测位点水体参数变化程度呈正比，也就是说，该类包含的监测位点的水体参数变化越强烈，该类的更新百分比越高。由于监测位点水体参数变化越强烈，则未能接收到该监测位点的数据并且未基于该监测位点数据进行参数分析得到的水域分析结果存在误差的可能性越大，而更新百分比越高，接收到的类内包含的监测位点上传的数据就要越多，使得水域分析结果与真正水域分析结果之间的误差越小。

由上可知，对于变化强烈的类SC来说，其更新百分比可设置为80％，较高的更新百分比能够保证水域分析结果的准确性和真实性；对于变化平缓的类LC来说，其更新百分比可设置为60％，因为由历史数据可知变化平缓类包含的600个监测位点，其变化程度并不强烈，甚至可能几乎没有变化，即使未能接收到例如其中40％的监测位点上传的数据，未基于该类中40％的数据所得到的水域分析结果和基于该类中40％的数据所得到的水域分析结果也不会有显著不同，因此变化程度最不强烈的LC类的更新百分比最低；对于变化适中的类MC来说，其更新百分比可设置为70％，由于MC类的变化程度位于强烈和平缓之间，因此其更新百分比也可以取值于SC类的更新百分比和LC类的更新百分比之间。

另外，还可以采用更新数量阈值来代替更新百分比作为判定能否开始对水域A进行当前轮次的参数分析，并且与更新百分比类似的是，类的更新数量阈值与该类包含的监测位点水体参数变化程度同样呈正比。例如，对于共有1000个监测位点的水域A来说，变化强烈的类SC包含150个监测位点，则更新数量阈值可以设置为120个；变化适中的类MC包含350个监测位点，则更新数量阈值可以设置为245个；变化平缓的类LC包含500个监测位点，则更新数量阈值可以设置为300个。相当于系统在得到共1000个监测位点中相应的665个监测位点数据即可开始进行参数分析。

状态显示设备通常包括一显示屏，用于显示对监测位点上传的水位数据进行分析后得到的水域分析结果。例如显示出水域A的水位图、水蓝图、水质情况的好坏等等。

该系统能够在当前更新轮次下未能接收到一部分监测位点上传的数据时也能够保证及时对已接收到的更新数据进行分析并得到水域分析结果，并且水域分析结果和基于实际所有监测位点的数据进行分析得到的水域分析结果相近，使得系统能够在部分监测位点的水体参数采集和上传方面未能同步的情况下，不影响到当前更新轮次的参数分析及显示，保证了水体参数分析显示的更新率和实时性以及真实性和准确性，进而保证工作人员能够按时了解水务情况。

在一种实施方式中，水体参数的变化特征包括平均差、极差、变化率、标准差、方差中的至少一项。例如某监测位点ms1的水位监测传感器每1分钟采集一次水位值并上传一次水位数据，则水体参数的变化特征可以通过之前20分钟之内更新的20个历史水位数据wl1-wl20得到。这20个数据具体见下表：

表1监测位点ms1在某20分钟内的水位数据

wl1	wl2	wl3	wl4	wl5	wl6	wl7	wl8	wl9	wl10
										35.5	35.6	35.7	35.6	35.6	35.2	35.1	35.1	35.1	35.3
wl11	wl12	wl13	wl14	wl15	wl16	wl17	wl18	wl19	wl20
										35.6	35.8	35.8	36.0	36.1	36.0	36.2	36.5	36.7	36.8

由表中数据可知，最大水位值wlmax＝36.8，最小水位值wlmin＝35.1，平均数Avgwl＝35.765。则平均差mnd＝0.4015，极差rng＝wlmax–wlmin＝1.7，变化率wlrt＝wlrng/wlmin＝4.84％，标准差std＝0.497，方差＝0.247。例如选取极差和标准差两项作为变化特征，则监测位点ms1的指标向量为多维向量

同理，对于水域A内的所有W个水位监测位点(W≤N)，特征计算模块可以得到各个水位监测位点的平均差、极差、变化率、标准差和方差中的一项或多项，也就得到了各个水位监测位点的指标向量。

在一种实施方式中，特征计算模块在算出水体参数的变化特征时所用到的水体参数历史数据，可以采用当前更新轮次之前一段连续的设定时段内监测位点上传的水体参数数据。

例如当前更新轮次R发生于T时刻，则在T时刻之间的h小时之内各监测位点上传的r轮数据作为水体参数历史数据，被特征计算模块用来计算相应监测位点水体参数的变化特征。

水体参数历史数据还可以采用当前更新轮次之前多个时间单位中每个时间单位的相应更新轮次时所述监测位点上传的水体参数数据。时间单位通常采用一日，也就是说，当前更新轮次R发生于T时刻时，将之前连续三十天内每天发生于T时刻的更新轮次时各监测位点上传的数据作为水体参数历史数据，被特征计算模块用来计算相应监测位点水体参数的变化特征。此种情况更加适用于与时间相关的水体参数，例如受到潮汐影响的水位即是其中之一。

无论是采用之前连续的一段设定时段，还是多个时间单位中每个时间单位，若有的监测位点并未能在设定时段或时间单位的每一轮都及时上传数据，并在T时刻也未能补齐之前未能及时上传的数据时，则忽略未能及时上传的轮次及数据，以已上传并正常接收到的数据进行变化特征的计算，也就是说，对于存在有未能及时上传数据的监测位点来说，其用于计算变化特征的样本数据比每轮均能及时上传数据的监测位点的样本数据少。

在一种实施方式中，位点分类模块包括区间分类子模块，用于通过与水体参数变化特征的种类对应的特征区间对监测位点进行分类，得到多个上文中所述的类。以选取极差和标准差两项作为变化特征为例，极差在区间[0，1]之间的监测位点会被分入变化平缓的类LC中，极差在区间(1，3]之间的监测位点会被分入变化适中的类MC中，极差在区间(3，+∞]之间的监测位点会被分入变化强烈的类SC中。对于监测位点ms1的指标向量其极差在(1，3]之间，属于变化程度适中类型的监测位点。标准差同理会有相应的区间来对监测位点进行分类。区间的端点是根据历史数据算出并预设的。

对于不同的变化特征，其各区间的端点与变化特征的本质相适应，极差的区间端点和标准差的区间端点不同。并且，对于不同的水体参数，变化特征的区间端点也不同，水位的极差区间端点和水温的极差区间端点不同。

在依据不同的变化特征进行分类并将某一监测位点归入相同的类中时，以该类为最终被归入的类，例如依据极差和标准差进行分类时，监测位点ms1均被分入变化适中的类MC中。若依据不同的变化特征进行分类时将同一监测位点分别归入不同的类时，可以从被归入的几个类中选择一个作为最终被归入的类，而选择的依据可以是变化特征之间的优先级。例如依据极差进行分类时，监测位点ms1被分入变化适中的类MC中，而依据标准差进行分类时，监测位点ms1被分入变化平缓的类LC中，则在标准差的优先级高于极差时，将依据标准差分类时归入的LC类作为监测位点ms1被归入的类。

区间分类子模块利用区间分类的方式对监测位点进行分类，能够在只需很小算力的情况下实现很快的分类速度。

对于上文中区间分类方式来说，由于水体参数的变化情况会随着节气等外部条件的变化而变化，因此区间的端点也需要进行适应性的变更，否则会影响分类的可靠性，进而影响到分析结果的真实性和准确性。因此，位点分类模块还包括聚类子模块，用于通过聚类算法对监测位点进行分类，得到多个上文中所述的类。聚类算法是一种将物理或抽象对象的集合分成由类似的对象组成的多个类的运算方法。聚类算法可以采用基于划分的K-means算法(K均值聚类算法)等。

以下以基于层次的凝聚层次聚类算法为例阐述如何对监测位点进行分类。具体的，聚类子模块包括距离计算单元、簇合并单元、迭代计算单元和迭代终止单元。

距离计算单元用于将每个监测位点的变化特征视为一个簇，并依据各变化特征在历史数据图表上的位置信息计算每个簇与其他簇之间的距离。图2示出了简化后的多个监测位点的历史极差数据的图表，其中，X轴为监测位点的序号，Y轴为监测位点过去一段时间的极差值，由特征计算模块算出监测位点ms1-ms5的极差rng1-rng5分别为1.7、2.5、0.4、1.6、6.4。可以理解的是，监测位点数量有很多，图2中仅示出了其中五个作为举例。距离计算单元算出每个监测位点分别与其他监测位点之间的距离。X轴中相邻监测位点之间的距离相同，并且尽量使X轴的长度缩短，以减小X轴长度给聚类带来的影响，使得簇与簇之间的距离尽量接近于簇与簇在Y轴上的差值，进而使得最终的聚类能够最大程度上只针对Y轴的数值，增加聚类结果的真实性。

簇合并单元用于将相距最近的两个簇合并成一个新簇。图2中的五个监测位点中，ms1和ms2之间距离最近，因此簇合并单元会将监测位点ms1和ms2合并成新簇。对于包含有多个监测位点的新簇，在计算其与其他簇之间的距离时，是计算该新簇内所有监测位点与另一个簇内所有监测位点之间距离的均值作为两个簇之间的距离，也可以采用其他方式进行距离计算，具体详见下文描述。

迭代计算单元用于将新簇代入距离计算单元进行簇之间的距离计算，以使簇合并单元再次合并出新簇。迭代计算单元每进行一次迭代，就会有两个簇合并形成新簇，无论这两个簇本身只包含一个监测位点还是包含多个监测位点，因此每进行一次迭代，簇的数量就会减少一个。例如，第二次迭代时，会将ms3和ms4合并成新簇，此时五个监测位点分为了三个簇，也就是分为了三类。

迭代终止单元用于在簇的数量减少到与类数量阈值相等时，使迭代计算单元停止合并出新簇，并将当前存在的簇作为类。例如类数量阈值为两类，则对于上述五个监测位点来说，经过了三次簇的合并之后，即满足了终止条件，此时剩余有两个簇，这两个簇分别作为聚类后分出的两个类，而每个簇内包含的之前被合并入其内的监测位点就是该簇对应的类包含的监测位点，以图2为例，则ms1-ms4被归入变化平缓的类，ms5被归入变化剧烈的类。

迭代终止单元也可以在当前存在的各簇之间的距离均超出距离阈值时，使迭代计算单元停止合并出新簇，并将当前存在的簇作为类。

簇之间的距离反映了簇的极差的差值大小，而每个簇都表示一个类，在类之间的距离超出距离阈值时，则表示已经将先存的各类中明显区分出了变化程度的不同，而距离阈值则是用于判定两个类的变化程度是否明显不同。对于极差来说，距离阈值就是极差之间的差值，由于X轴具有一定长度，因此距离阈值还会将X轴的长度考虑进来。

进一步的，可以将历史数据图设为只有Y轴而没有X轴，则此时所有的监测位点均位于Y轴上，ms1-ms5变为了p1-p5，由于各监测位点在X轴的值为0，因此在计算簇间距离时不会受到X轴方向上距离的影响，并且无论监测位点的数量有多少，聚类子模块均能准确地对其进行分类，消除了X轴上监测位点之间的距离带来的计算误差，不会因为X轴过长导致聚类结果不准确。

聚类子模块适用于对海量数据的运算分类，能够在不损失运算速度及分类可靠性的前提下对若干监测位点进行分类，同时无需更改区间端点的取值。

在一种实施方式中，距离计算单元可以通过计算其中一个簇内所有监测位点与另一个簇内所有监测位点之间距离的均值来计算两个簇之间距离，并将得到的均值作为两个簇之间的距离。距离计算单元也可以将簇包含的各目标物中相距最远的两个目标物之间连线的中点作为簇的位置计算簇间距离。距离计算单元还可以将能够包含簇内所有目标物的最小圆的圆心作为簇的位置计算簇间距离。距离计算单元还可以将簇包含的所有目标物形成的多边形的中心作为簇的位置计算簇间距离。

在一种实施方式中，该系统还包括：参数处理模块，用于对水体参数历史数据的变化特征进行归一化或标准化处理，并将处理后的变化特征作为组成指标向量的元素，相当于位点分类模块在分类时基于的指标向量是由经过参数处理模块归一化之后的变化特征组成的。在对上述监测位点ms1-ms5进行聚类之前，先将这五个监测位点的多个变化特征进行归一化，将监测位点的极差、标准差等变化特征从有量纲变为无量纲，并映射到(0，1)区间内。归一化的公式为：Xnew＝(X-Xmin)/(Xmax-Xmin)，其中X为变化特征进行归一化之前的数据，Xnew为归一化之后的数据，。标准化与归一化的目的类似，但计算方式不同，标准化的公式为：Xnew＝(X-μ)/σ，其中μ为均值，σ为标准差。

由于水体参数可能会随着环境而产生变化，监测位点的分类也会相应产生变化，因此在一种实施方式中，该系统还包括再分类模块，用于根据情况对位点分类模块得到的类以及类中包含的监测位点进行重新划分。

再分类模块包括第一再分类单元和第二再分类单元。第一再分类单元用于定期使位点分类模块重新对监测位点进行分类。例如每周重新进行一次监测位点的分类。

第二再分类单元用于监测每个类内的各监测位点在当前更新轮次下上传的水体参数的平均差，并在不同轮次下类的平均差之差超过差值阈值时使位点分类模块重新对监测位点进行分类。

例如SC类中包含有150个监测位点，在当前更新轮次下更新了140个监测位点，该140个监测位点在当次更新的数据的平均差为mnd1，与上次更新的数据的平均差为mnd0相比，其差值超出了预设的差值阈值，表示SC类中有一些监测点位的变化程度不再剧烈而较为平缓，也就是说，当前SC类中的有相当一部分数量的监测点位可能不属于SC类而属于MC或LC类。因此需要重新进行分类。

可以理解的是，平均差也可以采用标准差等其他能够表示数据离散程度的数值。

通过对监测位点的重新分类，使得监测位点能够始终归入到正确的类中，提高参数分析的真实性和准确性。

在一种实施方式中，参数分析模块还用于在当前更新轮次下任一类包含的已更新数据的监测位点数量不低于相应类的更新百分比或更新数量阈值的情况下，对该类包含的监测位点进行当前更新轮次的参数分析，并该类的类群分析结果。由于位点分类模块将监测位点分为了多个类，因此在任一个类在当前更新轮次下的监测位点更新数量达到了该类的更新要求时，可以先对该达到更新要求的类进行单独的参数分析，并将类群分析结果显示在状态显示设备上。当所有的类均达到了相应的更新要求后，每个类单独的参数分析也都完成并显示于状态显示设备上了，此时参数分析模块可以对整个水域进行参数分析并显示分析结果。也就是说，在进行水域参数分析之前，必定已经进行了各个类单独的类群参数分析，否则无法满足进行水域参数分析的条件。

在一种实施方式中，状态显示设备在显示水域分析结果或聚类分析结果时，对不同的类包含的监测位点附加不同的可视化标识。在上文中将监测位点分为SC、MC、LC三类的情况下，状态显示设备在显示不同类的监测位点时，可以利用颜色标识等方式来区分显示，例如SC、MC、LC三个类的监测位点在图中分别用黄、绿、蓝三种颜色表示。

通过附加可视化标识，能够提高水务分析的可视化效果，能够防止水务平台工作人员在观看时产生错误理解，并使得工作人员更容易发现广域水体当中值得关注的重点区域。

下面参考图3详细描述本发明公开的广域水务状态可视化方法实施例。本实施例用于实施前述的广域水务状态可视化系统实施例。如图3所示，本实施例公开的方法包括如下步骤：

步骤100，算出水域的至少部分监测位点上传的水体参数历史数据的至少一项变化特征，得到各监测位点的由变化特征组成的指标向量。

步骤200，基于指标向量对监测位点按照水体参数的变化情况进行分类，得到多个类。

步骤300，在当前更新轮次下每个类包含的已更新数据的监测位点数量均不低于相应类的更新百分比或更新数量阈值的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果。其中，类的更新百分比和更新数量阈值与该类包含的监测位点水体参数变化程度呈正比。

步骤400，显示水域分析结果。

在一种实施方式中，变化特征包括平均差、极差、变化率、标准差、方差中的至少一项。

在一种实施方式中，水体参数历史数据包括：

之前一段连续的设定时段内监测位点上传的水体参数数据，或，

之前多个时间单位中每个时间单位的相应更新轮次时监测位点上传的水体参数数据。

在一种实施方式中，对监测位点进行分类并得到多个类包括：

通过聚类算法对监测位点进行分类，得到多个类，和/或，

通过与水体参数变化特征的种类对应的特征区间对监测位点进行分类，得到多个类。

在一种实施方式中，通过聚类算法对监测位点进行分类包括：

步骤A1，将每个监测位点的变化特征视为一个簇，并依据各变化特征在历史数据图表上的位置信息计算每个簇与其他簇之间的距离。

步骤A2，将相距最近的两个簇合并成一个新簇。

步骤A3，代入新簇进行簇之间的距离计算，以再次合并出新簇。

步骤A4，在簇的数量减少到与类数量阈值相等时，或者在当前存在的各簇之间的距离均超出距离阈值时，停止合并出新簇，并将当前存在的簇作为类。

在一种实施方式中，计算两个簇之间距离的方式为：

计算其中一个簇内所有监测位点与另一个簇内所有监测位点之间距离的均值，并将均值作为簇间距离，或

以簇包含的各目标物中相距最远的两个目标物之间连线的中点作为簇的位置计算簇间距离，或

以能够包含簇内所有目标物的最小圆的圆心作为簇的位置计算簇间距离，或

以簇包含的所有目标物形成的多边形的中心作为簇的位置计算簇间距离。

在一种实施方式中，该方法还包括：

对水体参数历史数据的变化特征进行归一化或标准化处理，并将处理后的变化特征作为组成指标向量的元素。

在一种实施方式中，该方法还包括：

定期重新对监测位点进行分类，或，

监测每个类内的各监测位点在当前更新轮次下上传的水体参数的平均差，并在不同轮次下类的平均差之差超过差值阈值时重新对监测位点进行分类。

在一种实施方式中，该方法还包括：

在当前更新轮次下任一类包含的已更新数据的监测位点数量不低于相应类的更新百分比或更新数量阈值的情况下，对该类包含的监测位点进行当前更新轮次的参数分析，并该类的类群分析结果。

以及，显示各类群分析结果。

在一种实施方式中，在显示分析结果时，对不同的类包含的监测位点附加不同的可视化标识。

需要说明的是：在附图中，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。所描述的实施例是本发明一部分实施例，而不是全部的实施例，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。基于本发明中的实施例，本领域普通技术人员在没有作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。

在本文中，“第一”、“第二”等仅用于彼此的区分，而非表示它们的重要程度及顺序等。

本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种应用人工智能分析的广域水务状态可视化系统，其特征在于，包括：

特征计算模块，用于算出水域的至少部分监测位点上传的水体参数历史数据的至少一项变化特征，得到各所述监测位点的由所述变化特征组成的指标向量；

位点分类模块，用于基于所述指标向量对所述监测位点按照所述水体参数的变化情况进行分类，得到多个类；

参数分析模块，用于在当前更新轮次下每个所述类包含的已更新数据的监测位点数量均不低于相应所述类的更新百分比或更新数量阈值的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果；

状态显示设备，至少用于显示所述水域分析结果；

其中，所述类的所述更新百分比和更新数量阈值与该类包含的监测位点水体参数变化程度呈正比。

2.如权利要求1所述的系统，其特征在于，所述变化特征包括平均差、极差、变化率、标准差、方差中的至少一项。

3.如权利要求1所述的系统，其特征在于，所述位点分类模块包括：

聚类子模块，用于通过聚类算法对所述监测位点进行所述分类，得到所述多个类；和/或，

区间分类子模块，用于通过与所述水体参数变化特征的种类对应的特征区间对所述监测位点进行所述分类，得到所述多个类。

4.如权利要求1或3所述的系统，其特征在于，该系统还包括再分类模块，所述再分类模块包括：

第一再分类单元，用于定期使所述位点分类模块重新对所述监测位点进行分类；或者，

第二再分类单元，用于监测每个所述类内的各所述监测位点在当前更新轮次下上传的水体参数的平均差，并在不同轮次下所述类的平均差之差超过差值阈值时使所述位点分类模块重新对所述监测位点进行分类。

5.如权利要求1所述的系统，其特征在于，所述状态显示设备在显示所述分析结果时，对不同的所述类包含的监测位点附加不同的可视化标识。

6.一种应用人工智能分析的广域水务状态可视化方法，其特征在于，包括：

算出水域的至少部分监测位点上传的水体参数历史数据的至少一项变化特征，得到各所述监测位点的由所述变化特征组成的指标向量；

基于所述指标向量对所述监测位点按照所述水体参数的变化情况进行分类，得到多个类；

在当前更新轮次下每个所述类包含的已更新数据的监测位点数量均不低于相应所述类的更新百分比或更新数量阈值的情况下，对水域进行当前更新轮次的参数分析，并得到水域分析结果；

显示所述水域分析结果；

其中，所述类的所述更新百分比和更新数量阈值与该类包含的监测位点水体参数变化程度呈正比。

7.如权利要求6所述的方法，其特征在于，所述变化特征包括平均差、极差、变化率、标准差、方差中的至少一项。

8.如权利要求6所述的方法，其特征在于，所述对所述监测位点进行分类并得到多个类包括：

通过聚类算法对所述监测位点进行所述分类，得到所述多个类；和/或，

通过与所述水体参数变化特征的种类对应的特征区间对所述监测位点进行所述分类，得到所述多个类。

9.如权利要求6或8所述的方法，其特征在于，该方法还包括：

定期重新对所述监测位点进行分类；或，

监测每个所述类内的各所述监测位点在当前更新轮次下上传的水体参数的平均差，并在不同轮次下所述类的平均差之差超过差值阈值时重新对所述监测位点进行分类。

10.如权利要求6所述的方法，其特征在于，在显示所述分析结果时，对不同的所述类包含的监测位点附加不同的可视化标识。