CN113791186A - 一种选择水质异常报警监测因子的方法及其系统 - Google Patents

一种选择水质异常报警监测因子的方法及其系统 Download PDF

Info

Publication number
CN113791186A
CN113791186A CN202110926543.6A CN202110926543A CN113791186A CN 113791186 A CN113791186 A CN 113791186A CN 202110926543 A CN202110926543 A CN 202110926543A CN 113791186 A CN113791186 A CN 113791186A
Authority
CN
China
Prior art keywords
water quality
quality monitoring
factor
correlation
historical data
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
Application number
CN202110926543.6A
Other languages
English (en)
Other versions
CN113791186B (zh
Inventor
安新国
董雅欠
王正
胡晶泊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jinshui Yongli Technology Co ltd
Original Assignee
Beijing Jinshui Yongli Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jinshui Yongli Technology Co ltd filed Critical Beijing Jinshui Yongli Technology Co ltd
Priority to CN202110926543.6A priority Critical patent/CN113791186B/zh
Publication of CN113791186A publication Critical patent/CN113791186A/zh
Application granted granted Critical
Publication of CN113791186B publication Critical patent/CN113791186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Food Science & Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了一种选择水质异常报警监测因子的方法及其系统，其中选择水质异常报警监测因子的方法，具体包括以下步骤：获取水质监测因子的历史数据；对水质监测因子的历史数据集合进行预处理；根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；根据水质监测因子间的相关指标确定水质监测因子相关性临界值；根据相关性临界值选择满足条件的水质异常报警因子组合。本申请克服了单因子预警无法在水质超标前提前预警；同时通过选择多个相关程度高的水质监测因子组合，组成多因子水质异常报警因子组，依据报警因子监测数据变化趋势，实现对水质超标前的提前预警，提高水质异常报警的灵敏性。

Description

一种选择水质异常报警监测因子的方法及其系统
技术领域
本申请涉及数据处理领域，具体地，涉及一种选择水质异常报警监测因子的方法及其系统。
背景技术
水环境质量预警是流域水环境管理实现精细化、科学化的核心。目前的水环境预警技术主要是以水质自动站实时数据监控为基础，基于预警模型对发现的水质异常现象发出预警。水环境预警又分为单因子预警和多因子预警，单因子预警模型是基于单一预警因子，当监测指标数据超出预警阈值时，进行水质报警；而多因子预警是首先选择合适的预警因子组合，然后通过预警模型，对因子组合的实时监测数据关系变化进行分析，判定预警因子组合的数据关系是否异常，并进行水质预警。多因子预警是通过监测多个水质指标组合变化趋势，实现水质超标前的提前预警。现有技术中确定预警因子组合的方式通常是依赖于环境学科知识和经验，辅以相关性分析进行选择，但是该种方式太过依赖历史经验，从而缺乏确定预警因子的准确性。
因此如何通过更加准确的方式获取预警因子，是本领域技术人员急需解决的问题。
发明内容
本申请提供了一种选择水质异常报警监测因子的方法，具体包括以下步骤：获取水质监测因子的历史数据集合；对水质监测因子的历史数据集合进行预处理；根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；根据水质监测因子间的相关指标确定水质监测因子相关性临界值；根据相关性临界值选择满足条件的水质异常报警因子组合。
如上的，其中，其中所有水质监测因子的历史数据集合定义为A＝{AP1，……APb}，APi(i＝1，2...b)为水质监测因子Pi的历史数据集合。
如上的，其中，对水质监测因子的历史数据集合进行预处理之前，还包括，确定水质监测因子的预处理数据序列。
如上的，其中，预处理过程具体表示为：
Figure BDA0003209438710000021
c＝1,2...m，其中Spi-c表示该水质监测因子Pi归一化后的值，max(APi)，min(APi)分别为水质监测因子Pi的历史数据的最大、最小值，c为自然数，aic∈Api，表示水质监测因子Pi的历史数据集合的第c条数据。
如上的，其中，任意两个水质监测因子之间的相关指标包括，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度。
如上的，其中，根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标，包括以下子步骤：计算任意两个水质监测因子之间的相关度；计算任意两个水质监测因子历史数据变化趋势的相似度；根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。
如上的，其中，相关度rij具体表示为：
Figure BDA0003209438710000022
其中，
Figure BDA0003209438710000023
为水质监测因子Pi的预处理数据序列Spi的均值，
Figure BDA0003209438710000024
为水质监测因子Pj的预处理数据序列Spj的均值，k为自然数，m为每个水质监测因子的数据条数。
如上的，其中，任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度Hij具体表示为：
Hij＝Hji＝max[h(Spi，Spj)，h(SpjSpi)]，j≠i
其中，
Figure BDA0003209438710000031
afi为预处理数据序列Spi中连续的f个数组成的序列，bfj为预处理数据序列Spj中连续的f个数组成的序列，
Figure BDA0003209438710000032
其中，afi-k表示水质监测因子Pi的历史数据集合，经过预处理后得到的预处理数据序列Spi中的连续f个数组成的数据序列的第k个值，bfj-k表示水质监测因子Pj的历史数据集合，经过预处理后得到的Spj中的连续f个数组成的数据序列的第k个值；同理，
Figure BDA0003209438710000033
Figure BDA0003209438710000034
如上的，其中，数据综合相关度wij表示为：
Figure BDA0003209438710000035
其中
Figure BDA0003209438710000036
Hij表示任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度α、β为相关度权重参数，满足α+β＝1，|rij|表示任意两个水质监测因子Pi，Pj之间的相关度的绝对值。
一种选择水质异常报警监测因子的系统，具体包括：获取单元，预处理单元、计算单元、确定单元以及选择单元；获取单元，用于获取水质监测因子的历史数据集合；预处理单元，用于对水质监测因子的历史数据集合进行预处理；计算单元，用于根据预处理的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；确定单元，用于确定水质监测因子相关性临界值；选择单元，用于根据相关性临界值选择满足条件的水质异常报警因子，组成预警因子组的集合。
本申请具有以下有益效果：
本申请提供的本申请提供的选择水质异常报警监测因子的方法及其系统，克服了单因子预警无法在水质超标前提前预警；同时通过选择多个亲密程度高的水质监测因子组合，组成多因子水质异常报警因子组，依据报警因子监测数据变化趋势，实现对水质超标前的提前预警，提高水质异常报警的灵敏性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的选择水质异常报警监测因子的方法流程图；
图2是根据本申请实施例提供的选择水质异常报警监测因子的系统的内部结构图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请涉及一种选择水质异常报警因子的方法及其系统。根据本申请，能够度量两个水质监测因子历史数据之间的亲密程度，选择亲密程度高的多因子水生态水质监测因子组合作为水质异常报警因子，提高确定水质异常报警因子的准确性。
实施例一
本实施例是基于数据相关性和轨迹相似性算法，辩证分析任意两因子之间的间亲密程度，利用95百分位数算法计算出水质监测因子异常报警因子组合的亲密度临界值，选择两因子间亲密程度大于临界值的水质监测因子作为多因子水质异常报警因子组。
如图1所示，是本申请提供的一种选择水质异常报警因子的方法，具体包括以下步骤：
步骤S110：获取水质监测因子的历史数据集合。
具体地，从外部获取水质监测因子的历史数据，并对其进行整理形成历史数据集合。其中所有水质监测因子的历史数据集合定义为A＝{AP1，……APb}，其中APi(i＝1，2...b)为水质监测因子Pi的历史数据集合，APi＝[ai1，ai2，……aim]，aim表示水质监测因子Pi的历史数据集合的第m条数据，m为每个水质监测因子的数据条数。
步骤S120：对水质监测因子的历史数据集合进行预处理。
其中进行预处理之前，还包括，确定水质监测因子Pi的预处理数据序列，水质监测因子Pi的预处理数据序列为：Spi＝[Spi-1，Spi-2，……，Spi-m]。
具体地，对所有水质监测因子的预处理数据序列进行处理，具体进行归一化处理，将水质监测因子预处理数据序列中的数据映射到0-1范围之内。
其中预处理过程具体表示为：
Figure BDA0003209438710000051
其中Spi-c表示该水质监测因子Pi归一化后的值，max(APi)，min(APi)分别为水质监测因子Pi的历史数据的最大、最小值，c为自然数,aic∈Api，表示水质监测因子Pi的历史数据集合的第c条数据。
步骤S130：根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标。
具体地，相关指标具体为，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度。
其中步骤S130具体包括以下子步骤：
步骤S1301：计算任意两个水质监测因子之间的相关度。
计算任意两个水质监测因子Pi，Pj之间的相关度，其中相关度rij具体表示为：
Figure BDA0003209438710000061
其中，
Figure BDA0003209438710000062
为水质监测因子Pi的预处理数据序列Spi的均值，
Figure BDA0003209438710000063
为水质监测因子Pj的预处理数据序列Spj的均值，k为自然数，m为每个水质监测因子的数据条数。
进一步地，将历史数据集合中任意两个水质监测因子计算得出的所有相关度构成相关度集合R。
步骤S1302：计算任意两个水质监测因子历史数据变化趋势的相似度。
具体地，任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度Hij具体表示为：
Hij＝max[h(Spi,Spj),h(Spj,Spi)],j≠i
其中，
Figure BDA0003209438710000064
afi为序列Spi中连续的f个数组成的序列，bfj为序列Spj中连续的f个数组成的序列，
Figure BDA0003209438710000065
其中，afi-k表示水质监测因子Pi的历史数据集合，经过预处理后得到的Spi中的连续f个数组成的数据序列的第k个值，bfj-k表示水质监测因子Pj的历史数据集合，经过预处理后得到的Spj中的连续f个数组成的数据序列的第k个值。同理，
Figure BDA0003209438710000066
进一步地，将历史数据集合中所有任意两个水质监测因子所计算得出的相似度H构成相似度集合G。
步骤S1303：根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。
具体地，数据综合相关度wij表示为：
Figure BDA0003209438710000071
其中
Figure BDA0003209438710000072
Hij表示任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度α、β为相关度权重参数，满足α+β＝1，|rij|表示任意两个水质监测因子Pi，pj之间的相关度的绝对值。
进一步地，所有数据综合相关度按照从小到大排列构成数据综合相关度集合W。
步骤S140：根据相关指标确定水质监测因子相关性临界值。
具体地，根据数据综合相关度集合W确定水质监测因子相关性临界值。
其中水质监测因子的相关性临界值c具体表示为：
c＝gW[l+2]+(1-g)W[l+1]
e＝(q-1)*0.95
其中，q为集合W中元素个数，l为e的整数部分，g为e的小数部分。W[l]为集合W的第l个数值。
步骤S150：根据相关性临界值选择满足条件的水质异常报警因子组合。
具体地，根据水质监测因子的相关性临界值c和数据综合相关度集合W，选择满足条件的水质异常报警因子作为水质异常报警监测因子，具体根据以下条件进行水质异常报警监测因子的选择，进一步确定水质报警监测因子集合L。
L＝{(Pi，Pj)|wij＞＝c}
其中，wij表示数据综合相关度，若任意两个水质监测因子Pi，Pj之间的数据综合相关度大于相关性临界值，则该任意两个水质监测因子作为水质异常报警监测因子，反之则不能作为水质异常报警监测因子。多个符合条件的水质异常报警监测因子组成水质报警监测因子集合L。
实施例二
如图2所示，本申请提供一种选择水质异常报警水质监测因子系统，具体包括：获取单元210、预处理单元220、计算单元230、确定单元240以及选择单元250。
获取单元210用于获取水质监测因子的历史数据。
预处理单元220与获取单元210连接，用于对水质监测因子的历史数据集合进行预处理。
计算单元230与预处理单元220连接，用于根据预处理的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标。
其中计算单元230具体包括以下子模块：相关度计算模块、相似度计算模块、数据综合相关度计算模块。
其中，相关度计算模块用于计算任意两个水质监测因子之间的相关度。
相似度计算模块用于计算任意两个水质监测因子历史数据变化趋势的相似度。
数据综合相关度计算模块与相似度计算模块和相关度计算模块连接，用于根据任意两个水质监测因子的相关度和相似度确定数据综合相关度。
确定单元240与计算单元230连接，用于确定水质监测因子相关性临界值。
选择单元250与确定单元240连接，用于根据相关性临界值选择满足条件的水质异常报警因子，组成预警因子组的集合。
本申请具有以下有益效果：
本申请提供的选择水质异常报警监测因子的方法及其系统，克服了单因子预警无法在水质超标前提前预警；同时通过选择多个亲密程度高的水质监测因子组合，组成多因子水质异常报警因子组，依据报警因子监测数据变化趋势，实现对水质超标前的提前预警，提高水质异常报警的灵敏性。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种选择水质异常报警监测因子的方法，其特征在于，具体包括以下步骤：
获取水质监测因子的历史数据集合；
对水质监测因子的历史数据集合进行预处理；
根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；
根据水质监测因子间的相关指标确定水质监测因子相关性临界值；
根据相关性临界值选择满足条件的水质异常报警监测因子组合。
2.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，其中所有水质监测因子的历史数据集合定义为A＝{AP1，……APb}，APi(i＝1，2...b)为水质监测因子Pi的历史数据集合。
3.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，对水质监测因子的历史数据集合进行预处理之前，还包括，确定水质监测因子的预处理数据序列。
4.如权利要求3所述的选择水质异常报警监测因子的方法，其特征在于，预处理过程具体表示为：
Figure FDA0003209438700000011
其中Spi-c表示该水质监测因子Pi归一化后的值，max(APi)，min(APi)分别为水质监测因子Pi的历史数据的最大、最小值，c为自然数，aic∈Api，表示水质监测因子Pi的历史数据集合的第c条数据。
5.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，任意两个水质监测因子之间的相关指标包括，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度。
6.如权利要求5所述的选择水质异常报警监测因子的方法，其特征在于，根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标，包括以下子步骤：
计算任意两个水质监测因子之间的相关度；
计算任意两个水质监测因子历史数据变化趋势的相似度；
根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。
7.如权利要求6所述的选择水质异常报警监测因子的方法，其特征在于，相关度rij具体表示为：
Figure FDA0003209438700000021
其中，
Figure FDA0003209438700000022
为水质监测因子Pi的预处理数据序列Spi的均值，
Figure FDA0003209438700000023
为水质监测因子Pj的预处理数据序列Spj的均值，k为自然数，m为每个水质监测因子的数据条数。
8.如权利要求6所述的选择水质异常报警监测因子的方法，其特征在于，任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度Hij具体表示为：
Hij＝Hji＝max[h(Spi，Spj)，h(SpjSpi)]，j≠i
其中，
Figure FDA0003209438700000024
afi为预处理数据序列Spi中连续的f个数组成的序列，bfj为预处理数据序列Spj中连续的f个数组成的序列，
Figure FDA0003209438700000025
其中，afi-k表示水质监测因子Pi的历史数据集合，经过预处理后得到的预处理数据序列Spi中的连续f个数组成的数据序列的第k个值，bfj-k表示水质监测因子Pj的历史数据集合，经过预处理后得到的Spj中的连续f个数组成的数据序列的第k个值；同理，
Figure FDA0003209438700000026
Figure FDA0003209438700000027
9.如权利要求6所述的选择水质异常报警监测因子的方法，其特征在于，数据综合相关度wij表示为：
Figure FDA0003209438700000031
其中
Figure FDA0003209438700000032
Hij表示任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度α、β为相关度权重参数，满足α+β＝1，|rij|表示任意两个水质监测因子Pi，Pj之间的相关度的绝对值。
10.一种选择水质异常报警监测因子的系统，其特征在于，具体包括：获取单元，预处理单元、计算单元、确定单元以及选择单元；
获取单元，用于获取水质监测因子的历史数据集合；
预处理单元，用于对水质监测因子的历史数据集合进行预处理；
计算单元，用于根据预处理的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；
确定单元，用于确定水质监测因子相关性临界值；
选择单元，用于根据相关性临界值选择满足条件的水质异常报警因子，组成预警因子组的集合。
CN202110926543.6A 2021-08-12 2021-08-12 一种选择水质异常报警监测因子的方法及其系统 Active CN113791186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110926543.6A CN113791186B (zh) 2021-08-12 2021-08-12 一种选择水质异常报警监测因子的方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110926543.6A CN113791186B (zh) 2021-08-12 2021-08-12 一种选择水质异常报警监测因子的方法及其系统

Publications (2)

Publication Number Publication Date
CN113791186A true CN113791186A (zh) 2021-12-14
CN113791186B CN113791186B (zh) 2024-06-25

Family

ID=78875984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110926543.6A Active CN113791186B (zh) 2021-08-12 2021-08-12 一种选择水质异常报警监测因子的方法及其系统

Country Status (1)

Country Link
CN (1) CN113791186B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258403A (zh) * 2023-01-19 2023-06-13 河南省新乡水文水资源勘测局 一种基于大数据的水质监测预警方法及系统
CN118296543A (zh) * 2024-06-05 2024-07-05 清华大学 基于水质因子相关性的水质预警方法、装置及设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999709A (zh) * 2012-12-20 2013-03-27 中国环境科学研究院 一种农业活动区地下水风险分级分区评价方法
CN106339536A (zh) * 2016-08-19 2017-01-18 南华大学 基于水污染指数法和云模型的水质综合评价方法
CN106570591A (zh) * 2016-11-08 2017-04-19 北京师范大学 基于水质监测及源解析的傍河水源地水质安全预警方法
CN108665106A (zh) * 2018-05-15 2018-10-16 中国农业大学 一种水产养殖溶解氧预测方法及装置
CN109342674A (zh) * 2018-08-31 2019-02-15 河海大学 湖泊水质在线监测分析系统
CN109580509A (zh) * 2018-12-03 2019-04-05 北京英视睿达科技有限公司 全光谱水质监测方法和系统
CN110675036A (zh) * 2019-09-09 2020-01-10 河海大学 一种基于随机森林优化微生物指数的高原河流生态健康评价方法
CN111080464A (zh) * 2019-11-27 2020-04-28 中国农业大学 一种池塘养殖水质关键因子预测方法及装置
CN112148987A (zh) * 2020-10-12 2020-12-29 平安科技（深圳）有限公司 基于目标对象活跃度的消息推送方法及相关设备
CN112233734A (zh) * 2020-09-30 2021-01-15 山东大学 基于机器学习的水质数据推演获取方法及系统
CN112529147A (zh) * 2020-10-19 2021-03-19 北京工业大学 断面水质中的氨氮含量预测方法及装置
CN112966891A (zh) * 2021-01-23 2021-06-15 成都市环境保护科学研究院(成都市固体废物管理中心) 一种河流水环境质量预测方法
CN113159456A (zh) * 2020-09-30 2021-07-23 中科三清科技有限公司 水质预测方法、装置、电子设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999709A (zh) * 2012-12-20 2013-03-27 中国环境科学研究院 一种农业活动区地下水风险分级分区评价方法
CN106339536A (zh) * 2016-08-19 2017-01-18 南华大学 基于水污染指数法和云模型的水质综合评价方法
CN106570591A (zh) * 2016-11-08 2017-04-19 北京师范大学 基于水质监测及源解析的傍河水源地水质安全预警方法
CN108665106A (zh) * 2018-05-15 2018-10-16 中国农业大学 一种水产养殖溶解氧预测方法及装置
CN109342674A (zh) * 2018-08-31 2019-02-15 河海大学 湖泊水质在线监测分析系统
CN109580509A (zh) * 2018-12-03 2019-04-05 北京英视睿达科技有限公司 全光谱水质监测方法和系统
CN110675036A (zh) * 2019-09-09 2020-01-10 河海大学 一种基于随机森林优化微生物指数的高原河流生态健康评价方法
CN111080464A (zh) * 2019-11-27 2020-04-28 中国农业大学 一种池塘养殖水质关键因子预测方法及装置
CN112233734A (zh) * 2020-09-30 2021-01-15 山东大学 基于机器学习的水质数据推演获取方法及系统
CN113159456A (zh) * 2020-09-30 2021-07-23 中科三清科技有限公司 水质预测方法、装置、电子设备及存储介质
CN112148987A (zh) * 2020-10-12 2020-12-29 平安科技（深圳）有限公司 基于目标对象活跃度的消息推送方法及相关设备
CN112529147A (zh) * 2020-10-19 2021-03-19 北京工业大学 断面水质中的氨氮含量预测方法及装置
CN112966891A (zh) * 2021-01-23 2021-06-15 成都市环境保护科学研究院(成都市固体废物管理中心) 一种河流水环境质量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
代志会;杨默;: "滨海城市饮用水水源水质评价方法筛选", 建筑与预算, no. 03, pages 54 - 59 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258403A (zh) * 2023-01-19 2023-06-13 河南省新乡水文水资源勘测局 一种基于大数据的水质监测预警方法及系统
CN116258403B (zh) * 2023-01-19 2023-09-15 河南省新乡水文水资源勘测局 一种基于大数据的水质监测预警方法及系统
CN118296543A (zh) * 2024-06-05 2024-07-05 清华大学 基于水质因子相关性的水质预警方法、装置及设备

Also Published As

Publication number Publication date
CN113791186B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN111506478A (zh) 基于人工智能实现告警管理控制的方法
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN113791186A (zh) 一种选择水质异常报警监测因子的方法及其系统
CN109086470A (zh) 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN115122155B (zh) 基于工业互联网大数据的机床远程诊断方法及系统
CN110297207A (zh) 智能电表的故障诊断方法、系统及电子装置
CN105488592A (zh) 一种光伏电站发电量预测的方法
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN113344133A (zh) 一种时序行为异常波动检测方法及系统
CN113887749A (zh) 基于云边协同的电力物联网多维度监控处置方法、设备及平台
CN117056688A (zh) 一种基于数据分析的新材料生产数据管理系统及方法
CN113936132A (zh) 基于计算机视觉的化工厂水体污染检测方法与系统
CN114151293B (zh) 风机变桨系统的故障预警方法、系统、设备及存储介质
CN117576632B (zh) 基于多模态ai大模型的电网监控火灾预警系统及方法
CN118280069A (zh) 一种基于gis的电网灾害监测及预警系统
CN112069633B (zh) 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法
CN117708720A (zh) 一种基于知识图谱的设备故障诊断系统
CN113092083A (zh) 一种基于分形维数和神经网络的机泵故障诊断方法和装置
CN117648312A (zh) 一种适用于qg-svm算法模型的超参自动调整法及系统
CN115186935A (zh) 一种机电设备非线性故障预测方法及系统
CN111931798B (zh) 进行冷头状态分类检测和寿命预测的方法
CN117808157B (zh) 基于智能识别的未报备停电行为预测分析系统
CN117527523B (zh) 一种基于云计算的服务器安全监控系统
CN115329148B (zh) 一种基于多重大数据处理的数据筛选整合方法及系统
CN115604745A (zh) 高维kpi的异常检测方法、装置、计算机可读介质及设备

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