用水的温度消耗量获取方法、装置、设备和介质
技术领域
本申请涉及数据处理技术领域,特别是涉及一种用水的温度消耗量获取方法、装置、设备和介质。
背景技术
随着科技的发展,智能家居的功能越来越丰富,因此越来越广泛地深入到人们日常生活的各个方面。
为了使得智能家居更加符合用户的个人使用习惯,通常智能家居可以对人们使用的习惯进行数据采集,然后依据用户的习惯提供更为便利的服务。例如,热水器可以通过检测用户用水的时间和用水的热量消耗来学习用户的用水行为,从而控制热水器按照用户的习惯在合适的时间对用水进行适当地加热或者保温。传统的方法是通过采集热水器的水温变化来确定各个时间段的用水的热量消耗量,然后将热量消耗量减去热水器加热的热量补充量,从而得到用户用水的热量消耗。
然而,传统的方法无法剔除自然降温所带来的影响,因此其确定的用户用水的热量消耗量不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的用水的温度消耗量获取方法、装置、设备和介质。
第一方面,本申请实施例提供一种用水的温度消耗量获取方法,所述方法包括:
获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度下降量基于时间的密度分布;
采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列;
将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
在其中一个实施例中,所述获取所述用水的可用降温数据序列,包括:
获取所述用水的初始降温数据序列;所述初始降温数据序列包括相邻时刻之间的温度下降量的集合;
将所述初始降温数据序列按照预设的降温步长进行拆解,得到离散化的所述可用降温数据序列。
在其中一个实施例中,所述将所述初始降温数据序列按照预设的降温步长进行拆解,得到离散化的所述可用降温数据序列,包括:
将所述初始降温数据序列按照所述降温步长进行向后拆解,得到基于时间分布的离散化的所述可用降温数据序列;
或者,
将所述初始降温数据序列中相邻时刻降温量为N个所述降温步长的数值,拆解为N个时间重叠的数据,得到所述可用降温数据序列;
其中,N为自然数。
在其中一个实施例中,所述获取所述用水的初始降温数据序列,包括:
获取所述用水的相邻时刻之间的温度差值序列;
将所述温度差值序列中大于零的数值归零,得到所述初始降温数据序列。
在其中一个实施例中,所述获取所述用水的相邻时刻之间的温度差值序列,包括:
获取所述用水的原始温度序列;
将所述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列;
将所述可用温度序列进行升降温统计,得到所述温度差值序列。
在其中一个实施例中,所述将所述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列,包括:
将所述原始温度序列按照所述时间步长,采用邻近优先复制的升采样方法,得到所述可用温度序列。
在其中一个实施例中,所述将所述可用温度序列进行升降温统计,得到所述温度差值序列,包括:
将所述可用温度序列中后一时刻的温度值减去与所述后一时刻相邻的前一时刻的温度值,得到所述温度差值序列。
在其中一个实施例中,所述基于密度的异常检测算法,包括:基于密度的噪声应用空间聚类算法DBSCAN、数据区分-基于密度的噪声应用空间聚类算法P-DBSCAN、映射化简-基于密度的噪声应用空间聚类算法MR-DBSCAN、粗糙集-基于密度的噪声应用空间聚类算法Rough-DBSCAN中的任意一个。
在其中一个实施例中,所述采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据之前,包括:
将所述可用降温数据序列进行增维处理,得到二维的所述可用降温数据序列表达。
第二方面,本申请实施例提供一种用水的温度消耗量获取装置,所述装置包括:
获取模块,用于获取模块,用于获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度基于时间的密度分布;
检测模块,用于采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
处理模块,用于从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列,并将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度下降量基于时间的密度分布;
采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列;
将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度下降量基于时间的密度分布;
采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列;
将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
上述用水的温度消耗量获取方法、装置、设备和介质,通过计算机设备可以获取用水的可用降温数据序列,并采用基于密度的异常检测算法对可用降温数据序列进行检测,得到可用降温数据序列中的异常降温数据,然后从可用降温数据序列中去除异常降温数据,得到用水的正常降温序列,最后将正常降温序列按照预设的时长进行统计,得到每个时长内的温度消耗总量。其中,由于可用降温数据序列用于表征用水的温度下降量基于时间的密度分布,计算机设备能够基于该一维的可用降温数据序列,采用基于密度的异常检测算法对其进行检测,从而得到表征自然降温的异常降温数据,并从可用降温数据序列中将异常降温数据去除。该方法实现了仅采用一维的数据,即可依据数据基于时间的密度分布,排除异常的数据,只保留需要的数据,得到正常降温序列,其避免了传统技术中直接采用水温变化来计算各个时间段的温度消耗量存在的不准确的问题,该方法所确定的用户用水行为导致的温度消耗量的准确度大大提高,同时,该方法采用一维的可用降温数据序列即可实现上述温度消耗量的确定,其数据量大大减少,因此大大减少了数据传输量,进而大大降低了系统开销。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例提供的用水的温度消耗量获取方法的流程示意图;
图2a为一个实施例中可用降温数据序列和正常降温序列的对比示意图;
图3为另一个实施例提供的用水的温度消耗量获取方法的流程示意图;
图3a为一个实施例提供的二维的可用降温数据序列的示意图;
图3b为根据图3a所得到的异常降温数据在二维的可用降温数据序列中的分布示意图;
图4为又一个实施例提供的用水的温度消耗量获取方法的流程示意图;
图5为又一个实施例提供的用水的温度消耗量获取方法的流程示意图;
图6为又一个实施例提供的用水的温度消耗量获取方法的流程示意图;
图6a为一个实施例提供的可用温度序列的示意图;
图6b为一个实施例提供的降温点在可用温度序列中的示意图;
图6c为根据图6b所得到的初始降温数据序列的示意图;
图6d为图6a中将升温和降温数据进行分类的示意图;
图7为一个实施例提供的用水的温度消耗量获取装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的用水的温度消耗量获取方法,可以适用于图1所示的计算机设备。该计算机设备可以设置在热水器上,还可以是云端的服务器,本实施例对此并不做限定。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的可用降温数据序列,有关可用降温数据序列的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的,该计算机设备可以是服务器,可以是台式机,可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。当然,输入装置和显示屏也可以不属于计算机设备的一部分,可以是计算机设备的外接设备。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以是用水的温度消耗量获取装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部,该计算机设备可以设置在终端,例如热水器上,也可以设置在服务器,例如云端的服务器。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的用水的温度消耗量获取方法的流程示意图。图2是计算机设备根据一维的温度变化数据确定一定时长内的用水的温度消耗总量的具体过程。如图2所示,该方法包括:
S101、获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度下降量基于时间的密度分布。
具体的,计算机设备能够获取用水的可用降温数据序列,可选地,其可以是根据获取的实测温度经过数据处理得到的,也可以是读取其他设备上存储的可用降温数据序列,对此本实施例不做限定。需要说明的是,该可用降温数据序列为一维的降温数据的数据集合,其能够表征用水的温度下降量基于时间的密度分布情况,例如一段时间内,用水的温度下降量分布密集,在另外一段时间内,用水的温度下降量分布稀疏。
S102、采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据。
具体的,计算机设备采用基于密度的异常检测算法对上述可用降温数据序列进行检测,例如,计算机设备采用基于密度的异常检测算法构建相应的检测模型,设置检测面积以及面积范围内的最小样本数,在样本构建的二维分布空间内进行随机固定面积(该面积为设置的检测面积)投影,若投影所覆盖的样本数小于设置的最小样本数,即认为该面积范围内的所有样本都为离群簇。所检测出的离群簇即为异常降温数据样本,其他为正常降温数据样本。需要说明的是,可用降温数据序列可包括上述检测出的异常降温数据以及正常降温数据,其中,用水的异常降温数据表征自然降温的数据,其它非异常降温数据,即正常降温数据则可以表征用户用水消耗降温的数据。
可选地,上述基于密度的异常检测算法,包括但不限于基于密度的噪声应用空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,简称DBSCAN)、数据区分-基于密度的噪声应用空间聚类算法(Parallel Aeallel ClusteringAlgorithmL-based DBSCAN,简称P-DBSCAN)、映射化简-基于密度的噪声应用空间聚类算法(MapReduce-based DBSCAN,简称MR-DBSCAN)、粗糙集-基于密度的噪声应用空间聚类算法(Rough-DBSCAN)中的任意一个。
S103、从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列。
具体的,计算机设备可以从上述可用降温数据序列中,将异常降温数据去除,即将自然降温所导致的影响去除,从而得到表征用户用水的温度消耗量的正常降温序列。可选地,其可以是将对应时刻的异常降温数据的降温数值从可用降温数据序列逐一减去,从而得到消除了自然降温影响的用水的正常降温序列。
例如,可以参见图2a所示,图2a为一个实施例中可用降温数据序列和去除了异常降温数据的正常降温序列的对比示意图。图2a中,横轴为时间轴,纵轴为降温总量。
S104、将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
具体的,计算机设备可以统计预设的时长内,正常降温序列中所有的时间点的降温总量,并将这些时间点的降温总量相加,从而得到该时长内的温度消耗总量。例如正常降温序列中4点到5点这一个小时的时长内包括五个时间点的降温总量,其可以表示为{2,1,2,4,5},对这一个小时内的所有时间点的降温总量进行统计,即2+1+2+4+5=14,得到4点到5点这个小时内的温度消耗总量。可选地,上述预设的时长可以是一个小时,两个小时或者其他时长,每个时长内的时间点的个数也可以根据需要进行选取,对此本实施例对此并不做限定。
可选地,计算机设备可以基于上述每个时长的温度消耗总量的多少,识别出用户的用水行为,例如每天四点到五点之间的用水的温度消耗总量大于一定的阈值则可以确定这个时间段为用水高峰期。可选地,计算机设备还可以根据用户的用水行为在匹配的时间之前,合理地对用水按照其温度消耗总量计算出需要加热的水量或者需要加热的温度并进行加热,从而在匹配用户的用水需求的情况下,避免热量的损耗和浪费,提高了资源的利用率。
本实施例中,计算机设备可以获取用水的可用降温数据序列,并采用基于密度的异常检测算法对可用降温数据序列进行检测,得到可用降温数据序列中的异常降温数据,然后从可用降温数据序列中去除异常降温数据,得到用水的正常降温序列,最后将正常降温序列按照预设的时长进行统计,得到每个时长内的温度消耗总量。其中,由于可用降温数据序列用于表征用水的温度下降量基于时间的密度分布,计算机设备能够基于该一维的可用降温数据序列,采用基于密度的异常检测算法对其进行检测,从而得到表征自然降温的异常降温数据,并从可用降温数据序列中将异常降温数据去除。该方法实现了仅采用一维的数据,即可依据数据基于时间的密度分布,排除异常的数据,只保留需要的数据,得到正常降温序列,其避免了传统技术中直接采用水温变化来计算各个时间段的温度消耗量存在的不准确的问题,该方法所确定的用户用水行为导致的温度消耗量的准确度大大提高,同时,该方法采用一维的可用降温数据序列即可实现上述温度消耗量的确定,其数据量大大减少,因此大大减少了数据传输量,进而大大降低了系统开销。
图3为另一个实施例提供的用水的温度消耗量获取方法的流程示意图。本实施例涉及的是计算机设备获取用水的可用降温数据序列的具体过程。如图3所示,上述实施例中的S101的实现过程可以包括:
S201、获取所述用水的初始降温数据序列;所述初始降温数据序列包括相邻时刻之间的温度下降量的集合。
具体的,计算机设备可以获取用水的初始降温数据序列。可选地,其可以是计算机设备基于用水的实测温度进行计算得到的,例如将相邻的后一时刻用水的温度减去其相邻的前一时刻用水的温度,得到这两个相邻时刻之间的温度差值,然后将每两个相邻时刻之间的温度差值中温度上升的数值去除,将温度下降的数值进行统计,得到上述初始降温数据序列。可选地,还可以是计算机设备直接获取其他测温设备每个时刻基于前一时刻的温度变化量中的温度下降时刻的数据,从而得到基于时间的温度下降量的集合,并将该集合作为初始降温数据序列。可选地,本步骤的一种可能的实现形式还可以如下述图4所示,此处暂不赘述。
需要说明的是,上述初始降温数据序列包括相邻时刻之间的温度下降量的集合,且其基于时间的先后顺序进行排列。
S202、将所述初始降温数据序列按照预设的降温步长进行拆解,得到离散化的所述可用降温数据序列。
具体的,计算机设备可以将初始降温数据序列按照预设的降温步长进行拆解,得到多个离散的降温数据段,作为可用降温数据序列。该预设的降温步长可以根据初始降温数据序列的长度以及实际需要进行选择,降温步长可为1度、3度、7度、15度等等,降温步长越短,则拆解后的可用降温数据序列越多。例如当该降温步长为1度的时候,计算机设备可以得到离散化的可用降温数据序列,该可用降温数据序列中的数值相邻数值之间差值为1。
可选地,本步骤中涉及的拆解的方式可以包括如图5所示的方式中的任意一种。如图5所示,可以包括S202A或者S202B:
S202A、将所述初始降温数据序列按照所述降温步长进行向后拆解,得到基于时间分布的离散化的所述可用降温数据序列。
具体的,计算机设备可以将上述初始降温数据序列按照上述降温步长进行向后拆解,从而得到基于时间分布的离散化的可用降温数据序列。其中,向后拆解为基于时间顺序的向后,即当前时刻的数据向下一个时刻或者后面的多个时刻进行拆解。例如,上述降温步长为1摄氏度的情况下,在时刻'2019-03-0109:08:07'的降温为3,因其大于1且为1的三倍,需要温差后向均匀拆解,拆解粒度为1,拆解完成后时刻'2019-03-01 09:08:07'、'2019-03-01 09:08:08'、'2019-03-01 09:08:09'的降温都为1。可以参见下述表1中,初始降温数据序列中的一部分数据拆解前后的数据变化。下述表1中的降温量的单位为摄氏度。当然,降温步长和时间点可以依据需要进行调整,表1中仅以示例的形式给出。
表1
S202B、将所述初始降温数据序列中相邻时刻降温量为N个所述降温步长的数值,拆解为N个时间重叠的数据,得到所述可用降温数据序列;其中,N为自然数。
具体的,计算机设备还可以将上述初始降温数据序列中相邻时刻的降温量为N个降温步长的数值,拆分为N个时间重叠的数据,这N个时间重叠的数据为N个相同时刻分别对应N个不同的数值,从而得到基于时间分布的离散化的可用降温数据序列。例如,降温步长为1摄氏度的情况下,在时刻'2019-03-01 09:08:07'的降温为3,因其大于1且为1的三倍,则拆解得到时刻'2019-03-01 09:08:07'、'2019-03-01 09:08:07'、'2019-03-01 09:08:07'的降温都为1摄氏度的三个时间重叠的数据,组成可用降温数据序列。该拆解方式得到的可用降温数据序列中同一个时刻可能对应多个数据。
图5所示的实现方式中,计算机设备可以采用上述将初始降温数据序列按照降温步长进行向后拆解,得到基于时间分布的离散化的可用降温数据序列,由于该方式能够将降温量大的时刻的降温量拆解至不同时刻,或者是采用将初始降温数据序列中相邻时刻降温量为N个降温步长的数值,拆解为N个时间重叠的数据,得到可用降温数据序列,其能够结合可考虑每个时刻的具体降温量并对其拆解,所得到的使得可用降温数据序列在能够应用于后续数据处理的同时,也能够体现基于降温量基于时间分布的密度特性,进而表征温度消耗的基于时间分布的密度特性。
本实施例中,计算机设备获取用水的初始降温数据序列,并将初始降温数据序列按照预设的降温步长进行拆解,得到离散化的可用降温数据序列。其中由于,初始降温数据序列包括相邻时刻之间的温度下降量的集合,因此,计算机设备能够采用上述初始降温数据序列并对其进行拆解,使之基于时间按照预设的降温步长进行分布,得到离散化的可用降温数据序列,其能够更加便于后续的数据处理,避免了降温幅度过大导致的数据处理异常的情况,使得数据处理的效率和准确率大大提高。
可选地,在上述实施例的基础上,S102的一种实现方式可以包括:将所述可用降温数据序列进行增维处理,得到二维的所述可用降温数据序列表达。具体的,计算机设备可以将一维的可用降温数据序列基于二维的坐标系进行排布,该二维的坐标系中横坐标和纵坐标所表征的参量一致,从而得到二维的可用降温数据序列的表达。如图3a所示,图3a为一个实施例提供的对可用降温数据序列进行增维处理之后所得到二维的可用降温数据序列的示意图。图3b为图3a中的二维的可用降温数据序列,采用了基于密度的异常检测算法进行检测得到的异常降温数据在二维的可用降温数据序列中的分布示意图,其中,虚线圈内的点即为异常降温数据。本实施例中,计算机设备通过将可用降温数据序列进行增维处理,得到二维的可用降温数据序列表达,由于二维数据的密度分布特征更为显著,因此基于该二维的可用降温数据序列采用基于密度的常检测算法进行检测,其能够更加准确的得到异常降温数据,进而使得所确定的温度消耗总量的准确度大大提高。
图4为又一个实施例提供的用水的温度消耗量获取方法的流程示意图。本实施例涉及的是计算机设备获取用水的初始降温数据序列的具体过程。可选地,在上述实施例的基础上,步骤S201可以如图4所示,包括:
S301、获取所述用水的相邻时刻之间的温度差值序列。
具体的,计算机设备可以获取用水的相邻时刻之间的温度差值序列,可选地,其可以是通过将每一时刻的温度与相邻时刻的温度进行差值计算得到,还可以是读取测温设备测量的每一时刻基于前一时刻的温度变化值,对此本实施例不做限定。需要说明的,该温度差值序列为基于实现先后顺序排列的数据,其可以包括温度下降的数值,也可以包括温度上升的数值。
可选地,该步骤S301的一种可能的实现方式可以如图6所示,包括:
S401、获取所述用水的原始温度序列。
具体的,计算机设备可以获取测温设备测量的用水的原始温度序列,该原始温度序列包括用水在每个采集时刻的用水的实际测量温度的集合。可选地,还可以是计算机设备读取其他设备中存储的原始温度序列,对此本实施例不做限定。
S402、将所述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列。
具体的,计算机设备可以对上述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列。例如,原始温度序列为每三秒采集一次所获取的数据,当时间步长为1秒的时候,计算机设备可以通过升采样,将每三秒采集的原始温度序列中相邻数据之间补充两个数值,生成相邻的时间间隔为1秒的数值,从而得到基于时间步长为1秒的可用温度序列。可选地,上述升采样可以是将原始温度序列中相邻的两个数值之间做线性插值,得到这两个数值之间的其他数值。可选地,计算机设备还可以对做线性插值所得到的新的数值进行取整操作,以去除小数位。
可选地,计算机设备还可以将所述原始温度序列按照所述时间步长,采用邻近优先复制的升采样方法,得到所述可用温度序列。具体的,邻近优先复制的升采样方法为,将原始温度序列中按照时间步长确定出需要补充数值的位置,然后将其距离最近的数值进行复制,得到新增的数据,从而形成可用温度序列。例如可以参见表2所示,原本2019-03-0109:08:08这个时刻没有数据,则将与其邻近的2019-03-01 09:08:08的温度进行复制,原本2019-03-01 09:08:09这个时刻也没有数据,则将与其邻近的2019-03-01 09:08:10的温度进行复制。采用邻近优先复制的升采样方法能够实现数据升采样,其运算简单且易于实现,因此计算效率和准确率大大提高。
表2
可选地,如图6a所示,为一个实施例提供的原始温度序列升采样之后所得到的可用温度序列的示意图。
S403、将所述可用温度序列进行升降温统计,得到所述温度差值序列。
具体的,计算机设备将上述可用温度序列进行升降温统计,其可以是将相邻时刻的温度进行差值计算,从而得到温度差值序列。该温度差值序列中可以包括升温的数值也可以包括降温的数值。
可选地,本步骤的一种可能的实现方式可以包括:将所述可用温度序列中后一时刻的温度值减去与所述后一时刻相邻的前一时刻的温度值,得到所述温度差值序列。具体的,计算机设备可以将上述可用温度序列中后一个时刻的温度值减去其相邻的前一时刻的温度值,从而得到每一时刻的温度差值序列。该温度差值序列基于时间顺序从早到晚排列,其能够体现温度随时间的变化量。采用该方法,计算机设备能够将可用温度序列中后一时刻的温度值减去与其相邻的前一时刻的温度值,得到温度差值序列,其算法简单易行,计算效率高且准确率高。
图6所示的实现方式中,计算机设备能够获取用水的原始温度序列,并将原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列,通过该升采样的处理,该可用温度序列的数据量大大增加,其能够更为突出的表征数据分布的密度。之后,计算机设备将可用温度序列进行升降温统计,得到温度差值序列,该易于实现,计算效率高且准确率高。
S302、将所述温度差值序列中大于零的数值归零,得到所述初始降温数据序列。
具体的,计算机设备可以将上述温度差值序列中大于零的数值归零。由于上述温度差值序列表征温度随时间变化量,当温度上升的时候,对应时刻的值为正值,当温度下降的时候,对应时刻的值为负值,这里将温度差值序列中大于零的数值设置为0,则可以去除升温的数据,只保留降温的数据,并对保留的降温的数据取绝对值,从而得到基于时间的初始降温数据序列,该初始降温数据序列能够表征每一时刻的降温量的多少。
可选地,如图6b所示,为一个实施例提供的降温点在可用温度序列的示意图,其中曲线上的数据表征温度下降的时刻,可以是上述图6a中温度下降的数据进行标记得到的。图6c为上述图6b提供中的温度下降的数据所生成的初始降温数据序列的示意图。可选地,还可以生成图6d,图6d为图6a中将升温和降温数据进行分类的示意图。
本实施例中,计算机设备获取用水的相邻时刻之间的温度差值序列,并将温度差值序列中大于零的数值归零,得到初始降温数据序列,从而去除了升温的数据,因此能够进基于降温的时候进行处理,进而使得数据处理更为便利,其结果也更为准确。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种用水的温度消耗量获取装置,包括:
获取模块100,用于获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度基于时间的密度分布;
检测模块200,用于采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
处理模块300,用于从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列,并将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
在一个实施例中,获取模块100,具体可以用于获取所述用水的初始降温数据序列;所述初始降温数据序列包括相邻时刻之间的温度下降量的集合;并将所述初始降温数据序列按照预设的降温步长进行拆解,得到离散化的所述可用降温数据序列。
在一个实施例中,获取模块100,具体可以用于将所述初始降温数据序列按照所述降温步长进行向后拆解,得到基于时间分布的离散化的所述可用降温数据序列;或者,将所述初始降温数据序列中相邻时刻降温量为N个所述降温步长的数值,拆解为N个时间重叠的数据,得到所述可用降温数据序列;其中,N为自然数。
在一个实施例中,获取模块100,具体可以用于获取所述用水的相邻时刻之间的温度差值序列;将所述温度差值序列中大于零的数值归零,得到所述初始降温数据序列。
在一个实施例中,获取模块100,具体可以用于获取所述用水的原始温度序列;将所述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列;将所述可用温度序列进行升降温统计,得到所述温度差值序列。
在一个实施例中,获取模块100,具体可以用于将所述原始温度序列按照所述时间步长,采用邻近优先复制的升采样方法,得到所述可用温度序列。
在一个实施例中,获取模块100,具体可以用于将所述可用温度序列中后一时刻的温度值减去与所述后一时刻相邻的前一时刻的温度值,得到所述温度差值序列。
在一个实施例中,所述基于密度的异常检测算法,包括:基于密度的噪声应用空间聚类算法DBSCAN、数据区分-基于密度的噪声应用空间聚类算法P-DBSCAN、映射化简-基于密度的噪声应用空间聚类算法MR-DBSCAN、粗糙集-基于密度的噪声应用空间聚类算法Rough-DBSCAN中的任意一个。
在一个实施例中,获取模块100,具体可以用于将所述可用降温数据序列进行增维处理,得到二维的所述可用降温数据序列表达。
关于用水的温度消耗量获取装置的具体限定可以参见上文中对于用水的温度消耗量获取方法的限定,在此不再赘述。上述用水的温度消耗量获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度下降量基于时间的密度分布;
采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列;
将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述用水的初始降温数据序列;所述初始降温数据序列包括相邻时刻之间的温度下降量的集合;
将所述初始降温数据序列按照预设的降温步长进行拆解,得到离散化的所述可用降温数据序列。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述初始降温数据序列按照所述降温步长进行向后拆解,得到基于时间分布的离散化的所述可用降温数据序列;
或者,
将所述初始降温数据序列中相邻时刻降温量为N个所述降温步长的数值,拆解为N个时间重叠的数据,得到所述可用降温数据序列;
其中,N为自然数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述用水的相邻时刻之间的温度差值序列;
将所述温度差值序列中大于零的数值归零,得到所述初始降温数据序列。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述用水的原始温度序列;
将所述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列;
将所述可用温度序列进行升降温统计,得到所述温度差值序列。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述原始温度序列按照所述时间步长,采用邻近优先复制的升采样方法,得到所述可用温度序列。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述可用温度序列中后一时刻的温度值减去与所述后一时刻相邻的前一时刻的温度值,得到所述温度差值序列。
在一个实施例中,所述基于密度的异常检测算法,包括:基于密度的噪声应用空间聚类算法DBSCAN、数据区分-基于密度的噪声应用空间聚类算法P-DBSCAN、映射化简-基于密度的噪声应用空间聚类算法MR-DBSCAN、粗糙集-基于密度的噪声应用空间聚类算法Rough-DBSCAN中的任意一个。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述可用降温数据序列进行增维处理,得到二维的所述可用降温数据序列表达。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取所述用水的可用降温数据序列;所述可用降温数据序列用于表征所述用水的温度下降量基于时间的密度分布;
采用基于密度的异常检测算法对所述可用降温数据序列进行检测,得到所述可用降温数据序列中的异常降温数据;
从所述可用降温数据序列中去除所述异常降温数据,得到所述用水的正常降温序列;
将所述正常降温序列按照预设的时长进行统计,得到每个所述时长内的温度消耗总量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述用水的初始降温数据序列;所述初始降温数据序列包括相邻时刻之间的温度下降量的集合;
将所述初始降温数据序列按照预设的降温步长进行拆解,得到离散化的所述可用降温数据序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述初始降温数据序列按照所述降温步长进行向后拆解,得到基于时间分布的离散化的所述可用降温数据序列;
或者,
将所述初始降温数据序列中相邻时刻降温量为N个所述降温步长的数值,拆解为N个时间重叠的数据,得到所述可用降温数据序列;
其中,N为自然数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述用水的相邻时刻之间的温度差值序列;
将所述温度差值序列中大于零的数值归零,得到所述初始降温数据序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述用水的原始温度序列;
将所述原始温度序列进行升采样,得到基于预设的时间步长的可用温度序列;
将所述可用温度序列进行升降温统计,得到所述温度差值序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述原始温度序列按照所述时间步长,采用邻近优先复制的升采样方法,得到所述可用温度序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述可用温度序列中后一时刻的温度值减去与所述后一时刻相邻的前一时刻的温度值,得到所述温度差值序列。
在一个实施例中,所述基于密度的异常检测算法,包括:基于密度的噪声应用空间聚类算法DBSCAN、数据区分-基于密度的噪声应用空间聚类算法P-DBSCAN、映射化简-基于密度的噪声应用空间聚类算法MR-DBSCAN、粗糙集-基于密度的噪声应用空间聚类算法Rough-DBSCAN中的任意一个。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述可用降温数据序列进行增维处理,得到二维的所述可用降温数据序列表达。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。