CN114331063A - 应用于智慧水务的大数据可视化处理方法及系统 - Google Patents
应用于智慧水务的大数据可视化处理方法及系统 Download PDFInfo
- Publication number
- CN114331063A CN114331063A CN202111548646.XA CN202111548646A CN114331063A CN 114331063 A CN114331063 A CN 114331063A CN 202111548646 A CN202111548646 A CN 202111548646A CN 114331063 A CN114331063 A CN 114331063A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- water
- decision
- state data
- water service
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种应用于智慧水务的大数据可视化处理方法及系统,在更新管线异常趋势决策模型时结合了相关参数评估指标和决策信息评估指标,同时结合了对应于各个水务场景标签下的多个水务管线状态数据进行分析,进而可以训练目标管线异常趋势决策模型对多个水务管线状态数据的学习平稳性,提高目标管线异常趋势决策模型的决策精度,提高目标管线异常趋势决策模型的管线异常趋势决策准确性,从而提高大数可视化的准确性。
Description
技术领域
本申请涉及大数据技术领域,具体而言,涉及一种应用于智慧水务的大数据可视化处理方法及系统。
背景技术
智慧水务可以通过智能传感节点进行各类水务管线状态的指标的监测和处理,随着深度学习技术的发展,基于智慧水务的云计算平台可以针对水务管线网的管线异常状态进行决策,并投放到可视化前端平台上进行展示,以便于相关人员及时进行关键事务的处理。然而在相关技术中,如何提高现有模型针对多个水务管线状态数据的学习平稳性,提高管线异常趋势决策模型的决策精度,是亟待进行优化的技术问题。
发明内容
本申请提供一种应用于智慧水务的大数据可视化处理方法及系统。
第一方面,本申请实施例提供一种应用于智慧水务的大数据可视化处理方法,应用于大数据可视化系统,包括:
获取目标水务管线网对应于各个水务场景标签下的多个水务管线状态数据,并将所述多个水务管线状态数据加载到管线异常趋势决策模型;
依据所述管线异常趋势决策模型确定第一管线异常趋势决策信息,并依据水务管线状态大数据确定持续性管线状态数据;
依据所述持续性管线状态数据之间的相关参数值确定相关参数评估指标,并依据所述第一管线异常趋势决策信息确定决策信息评估指标;
依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得被配置于管线异常趋势决策的目标管线异常趋势决策模型,并基于所述目标管线异常趋势决策模型进行管线异常趋势决策后将管线异常趋势进行可视化处理。
第二方面,本申请实施例提供一种大数据可视化系统,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现第一方面所述的应用于智慧水务的大数据可视化处理方法。
如上,本申请获取对应于各个水务场景标签下的多个水务管线状态数据,并将多个水务管线状态数据加载到管线异常趋势决策模型;依据管线异常趋势决策模型确定第一管线异常趋势决策信息,并依据水务管线状态大数据确定持续性管线状态数据;依据持续性管线状态数据之间的相关参数值确定相关参数评估指标,并依据第一管线异常趋势决策信息确定决策信息评估指标;依据相关参数评估指标和决策信息评估指标更新管线异常趋势决策模型的模型权重信息,获得被配置于管线异常趋势决策的目标管线异常趋势决策模型。在更新管线异常趋势决策模型时结合了相关参数评估指标和决策信息评估指标,同时结合了对应于各个水务场景标签下的多个水务管线状态数据进行分析,进而可以训练目标管线异常趋势决策模型对多个水务管线状态数据的学习平稳性,提高目标管线异常趋势决策模型的决策精度,提高目标管线异常趋势决策模型的管线异常趋势决策准确性,从而提高大数可视化的准确性。
附图说明
图1为本申请实施例提供的一种应用于智慧水务的大数据可视化处理方法步骤流程示意图;
图2为本申请的实施例提供的用于执行图1中的应用于智慧水务的大数据可视化处理方法的大数据可视化系统的结构示意框图。
具体实施方式
下面将依据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。通过本申请中的实施例,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,都属于本申请保护的范围。
步骤S110、大数据可视化系统获取对应于各个水务场景标签下的多个水务管线状态数据,并将所述多个水务管线状态数据加载到管线异常趋势决策模型。
一种示例性的设计思路中,对应于各个水务场景标签下的多个水务管线状态数据可以包括完成水务场景标签决策的第一水务管线状态数据和未完成水务场景标签决策的第二水务管线状态数据,管线异常趋势决策模型可以采用相关技术中任意自定义的深度学习网络。
示例性地,对于步骤S110中的获取对应于各个水务场景标签下的多个水务管线状态数据,并将所述多个水务管线状态数据加载到管线异常趋势决策模型而言,可以通过以下步骤S1100具体执行。
步骤S1100、获取第一数量个完成水务场景标签决策的第一水务管线状态数据和第二数量个未完成水务场景标签决策的第二水务管线状态数据,将所述第一数量个完成水务场景标签决策的第一水务管线状态数据和所述第二数量个未完成水务场景标签决策的第二水务管线状态数据加载到管线异常趋势决策模型;第一数量和第二数量均为正整数;所述第一数量个完成水务场景标签决策的第一水务管线状态数据分别携带了所对应的水务管线网的管线异常趋势分布;所述第一数量个完成水务场景标签决策的第一水务管线状态数据所携带的水务管线网和所述第二数量个未完成水务场景标签决策的第二水务管线状态数据所携带的水务管线网属于相同的水务管线网类别。
例如,水务场景标签可以包括城市水务场景标签和非城市水务场景标签。水务管线状态数据可以是住宅管线状态数据、商业管线状态数据。管线异常趋势分布用于区分不同的管线异常趋势特征向量,具体用于表征管线异常的趋势,例如向不同异常报警类型进行持续性异常的趋势,如加重,或者缓解趋势等。
步骤S120、大数据可视化系统依据所述管线异常趋势决策模型确定第一管线异常趋势决策信息,并依据水务管线状态大数据确定持续性管线状态数据。
一种示例性的设计思路中,第一管线异常趋势决策信息可以是管线异常趋势决策模型进行初步决策获得的,持续性管线状态数据可以是具有特定的持续性变化特征的水务管线状态数据。
示例性地,对于上述步骤S120所限定的依据所述管线异常趋势决策模型确定第一管线异常趋势决策信息,并依据水务管线状态大数据确定持续性管线状态数据而言,可以通过以下步骤S1200具体执行。
步骤S1200、在所述管线异常趋势决策模型中确定每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第一管线异常趋势决策信息,从水务管线状态大数据中获取所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据;所述水务管线状态大数据包括所述第一数量个完成水务场景标签决策的第一水务管线状态数据和所述第二数量个未完成水务场景标签决策的第二水务管线状态数据;所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据未携带所属完成水务场景标签决策的第一水务管线状态数据所携带的管线异常趋势分布。
示例性地,上述步骤S1200所限定的从水务管线状态大数据中获取所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据,可以包括以下步骤S121-步骤S124。
步骤S121、在所述管线异常趋势决策模型中生成所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量和每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量。
步骤S122、依据所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量和每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量,生成相关参数序列。
一种示例性的设计思路中,相关参数序列可以是态势向量的相关参数列表。
示例性地,上述步骤S122所限定的依据所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量和每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量,生成相关参数序列,可以包括以下步骤S1221-步骤S1224。
步骤S1221、获取对所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量进行关键向量提取后所获得的关键态势向量,获取对所述每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量进行关键向量提取后所获得的关键态势向量。
步骤S1222、获取包括所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量的第一态势向量有向图和包括所述每个未完成水务场景标签决策的第二水务管线状态数据的关键态势向量的第二态势向量有向图。
步骤S1223、对所述第一态势向量有向图和所述第二态势向量有向图进行聚合,获得目标态势向量有向图。
目标态势向量有向图通过将第一态势向量有向图和第二态势向量有向图进行融合获得。
步骤S1224、获取所述目标态势向量有向图的映射态势向量有向图,将所述第一态势向量有向图和所述映射态势向量有向图的相关参数信息确定为所述相关参数序列。
步骤S123、从所述相关参数序列中获取所述每个完成水务场景标签决策的第一水务管线状态数据分别与所述水务管线状态大数据中的水务管线状态数据之间的相关参数值。
例如,相关参数值可以是水务管线状态数据的相似度。
步骤S124、依据所述每个完成水务场景标签决策的第一水务管线状态数据分别与所述水务管线状态大数据中的水务管线状态数据之间的相关参数值,从所述水务管线状态大数据中确定所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据。
通过引入相关参数值进行量化分析,能够确保确定获得的每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据的准确性。
示例性地,所述第一数量个完成水务场景标签决策的第一水务管线状态数据包括完成水务场景标签决策的第一水务管线状态数据W,W为小于或等于第一数量的正整数。依据此,上述步骤SS124所限定的依据所述每个完成水务场景标签决策的第一水务管线状态数据分别与所述水务管线状态大数据中的水务管线状态数据之间的相关参数值,从所述水务管线状态大数据中确定所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据,可以包括以下步骤S1241-步骤S1243所限定的技术方案。
步骤S1241、从所述水务管线状态大数据中剔除与所述完成水务场景标签决策的第一水务管线状态数据W携带了相同管线异常趋势分布的水务管线状态数据,获得优化水务管线状态大数据。
例如,优化水务管线状态大数据可以理解为参考水务管线状态大数据,用于后续进行持续性管线状态数据的确定。
步骤S1242、依据所述完成水务场景标签决策的第一水务管线状态数据W分别与所述优化水务管线状态大数据中的每个水务管线状态数据之间的相关参数值的降序次序,对所述每个水务管线状态数据进行整理,获得优化水务管线状态数据序列。
示例性地,可以对所述每个水务管线状态数据进行排序,获得优化水务管线状态数据序列。
步骤S1243、获取持续性管线状态数据数量K,将所述优化水务管线状态数据序列中的前K个水务管线状态数据确定为所述完成水务场景标签决策的第一水务管线状态数据W的持续性管线状态数据;K为小于第一数量和第二数量之和的正整数。
可以理解,通过对持续性管线状态数据数量K进行量化,能够确保持续性管线状态数据之间的强相关性。
一种示例性的设计思路中,步骤S1200所限定的在所述管线异常趋势决策模型中确定每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第一管线异常趋势决策信息,可以包括:在所述管线异常趋势决策模型中生成所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量;对所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量进行关键向量提取,获得所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量;依据所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量,确定所述每个完成水务场景标签决策的第一水务管线状态数据的第一管线异常趋势决策信息。
一种示例性的设计思路中,所述第一数量个完成水务场景标签决策的第一水务管线状态数据包括完成水务场景标签决策的第一水务管线状态数据W,W为小于或等于第一数量的正整数;所述管线异常趋势决策模型的模型权重信息包括决策映射单元的模型权重信息;所述第一数量个完成水务场景标签决策的第一水务管线状态数据共携带了b种管线异常趋势分布,一种管线异常趋势分布对应一种管线异常趋势特征向量,b为小于或等于第一数量的正整数。依据此,上述步骤所限定的依据所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量,确定所述每个完成水务场景标签决策的第一水务管线状态数据的第一管线异常趋势决策信息,可以包括以下内容:对所述决策映射单元的模型权重信息进行关键向量提取,获得所述决策映射单元的关键模型权重信息;依据所述完成水务场景标签决策的第一水务管线状态数据W的关键态势向量和所述关键模型权重信息,确定所述完成水务场景标签决策的第一水务管线状态数据W所对应的水务管线网为b种管线异常趋势特征向量中的每种管线异常趋势特征向量的支持度;将所述完成水务场景标签决策的第一水务管线状态数据W所对应的水务管线网为所述每种管线异常趋势特征向量的支持度,确定为所述完成水务场景标签决策的第一水务管线状态数据W的第一管线异常趋势决策信息。
示例性地,确定所述完成水务场景标签决策的第一水务管线状态数据W所对应的水务管线网为b种管线异常趋势特征向量中的每种管线异常趋势特征向量的支持度可以理解为确定所述完成水务场景标签决策的第一水务管线状态数据W所对应的水务管线网为b种管线异常趋势特征向量中的每种管线异常趋势特征向量的概率。
步骤S130、大数据可视化系统依据所述持续性管线状态数据之间的相关参数值确定相关参数评估指标,并依据所述第一管线异常趋势决策信息确定决策信息评估指标。
一种示例性的设计思路中,评估指标可以理解为损失函数,相关参数评估指标可以理解为相关参数之间的损失函数值,决策信息评估指标可以理解为决策信息的损失函数值。依据此,上述步骤S130所限定的依据所述持续性管线状态数据之间的相关参数值确定相关参数评估指标,并依据所述第一管线异常趋势决策信息确定决策信息评估指标,可以通过以下步骤S1300具体执行。
步骤S1300、依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值确定相关参数评估指标,依据所述每个完成水务场景标签决策的第一水务管线状态数据对应的第一管线异常趋势决策信息和所携带的管线异常趋势分布确定决策信息评估指标。
其中,相关参数评估指标和决策信息评估指标分别对应不同的损失函数,具体不作限定。
一种示例性的设计思路中,步骤S1300所限定的依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值确定相关参数评估指标,可以包括以下步骤S131-步骤S133所限定的技术方案。
步骤S131、依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值,分别确定所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的均值相关参数值。
步骤S132、依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的均值相关参数值生成均值相关参数值序列。
步骤S133、将所述均值相关参数值序列的离散值,确定为所述相关参数评估指标。
例如,离散值可以理解是方差或者方差函数。
步骤S140、大数据可视化系统依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得被配置于管线异常趋势决策的目标管线异常趋势决策模型,并基于所述目标管线异常趋势决策模型进行管线异常趋势决策后将管线异常趋势进行可视化处理。
一种示例性的设计思路中,上述步骤S140所限定的依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得被配置于管线异常趋势决策的目标管线异常趋势决策模型,可以包括步骤S1400所限定的技术方案。
步骤S1400、依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得目标管线异常趋势决策模型;所述目标管线异常趋势决策模型用于对属于所述水务管线网类别的水务管线网进行管线异常趋势决策。
一种示例性的设计思路中,上述步骤S1400所限定的依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得目标管线异常趋势决策模型,可以包括以下步骤S141-步骤S143。
步骤S141、对所述相关参数评估指标和所述决策信息评估指标进行加权,获得目标评估指标。
示例性地,可以将所述相关参数评估指标和所述决策信息评估指标进行求和意得到目标损失。
步骤S142、依据所述目标评估指标优化所述管线异常趋势决策模型的模型权重信息。
步骤S143、在将所述管线异常趋势决策模型的模型权重信息优化到收敛条件时,将模型权重信息满足所述收敛条件的所述管线异常趋势决策模型确定为所述目标管线异常趋势决策模型。
一种示例性的设计思路中,该方法还可以包括以下内容:将所述第一数量个完成水务场景标签决策的第一水务管线状态数据加载到基础管线异常趋势决策模型;在所述基础管线异常趋势决策模型中确定所述每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第二管线异常趋势决策信息;依据所述每个完成水务场景标签决策的第一水务管线状态数据对应的第二管线异常趋势决策信息和所述每个完成水务场景标签决策的第一水务管线状态数据所携带的管线异常趋势分布,优化所述基础管线异常趋势决策模型的模型权重信息,获得所述管线异常趋势决策模型。
其中,通过管线异常趋势分布可以提高模型权重信息的精准度,从而减少模型权重信息的工作量。
在上述内容的基础上,该方法还可以包括以下内容:获取第一候选水务管线状态数据以及与所述第一候选水务管线状态数据相关联的水务管线网类别;获取所述水务管线网类别所指示的目标水务管线网的目标水务管线网态势向量;将所述第一候选水务管线状态数据加载到所述目标管线异常趋势决策模型,在所述目标管线异常趋势决策模型中生成所述第一候选水务管线状态数据的水务管线态势向量;如果分析到所述第一候选水务管线状态数据的水务管线态势向量与所述目标水务管线网态势向量存在相关时,确定所述第一候选水务管线状态数据中的水务管线网为所述目标水务管线网,确定对所述第一候选水务管线状态数据中的水务管线网的水务管线网管线异常趋势决策完成。
示例性地,在确定对所述第一候选水务管线状态数据中的水务管线网的水务管线网管线异常趋势决策完成之后,可以依据预先建立的管线异常趋势特征向量匹配表确定第一候选水务管线状态数据对应的管线异常趋势特征向量,从而提高管线异常趋势特征向量的分析效率。
示例性地,该方法还可以包括以下内容:获取第二候选水务管线状态数据;将所述第二候选水务管线状态数据加载到所述目标管线异常趋势决策模型,在所述目标管线异常趋势决策模型中生成所述第二候选水务管线状态数据的水务管线态势向量;依据所述第二候选水务管线状态数据的水务管线态势向量,从至少两种管线异常趋势特征向量中确定所述第二候选水务管线状态数据中的水务管线网的管线异常趋势特征向量。
一种示例性的设计思路中,在确定出第二候选水务管线状态数据中的水务管线网的管线异常趋势特征向量之后,该方法还可以包括针对第二候选水务管线状态数据中的水务管线网的管线异常趋势特征向量进行记录的执行步骤。
一种示例性的设计思路中,在上述步骤所限定的“依据所述第二候选水务管线状态数据的水务管线态势向量,从至少两种管线异常趋势特征向量中确定所述第二候选水务管线状态数据中的水务管线网的管线异常趋势特征向量”的步骤之后,该方法还包括:通过所述管线异常趋势特征向量生成第二候选水务管线状态数据中的候选水务管线网的数据库。
本申请可以获取第一数量个完成水务场景标签决策的第一水务管线状态数据和第二数量个未完成水务场景标签决策的第二水务管线状态数据,将第一数量个完成水务场景标签决策的第一水务管线状态数据和第二数量个未完成水务场景标签决策的第二水务管线状态数据加载到管线异常趋势决策模型;在管线异常趋势决策模型中确定每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第一管线异常趋势决策信息,从水务管线状态大数据中获取每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据;水务管线状态大数据包括第一数量个完成水务场景标签决策的第一水务管线状态数据和第二数量个未完成水务场景标签决策的第二水务管线状态数据;每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据未携带所属完成水务场景标签决策的第一水务管线状态数据所携带的管线异常趋势分布;依据每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值确定相关参数评估指标,依据每个完成水务场景标签决策的第一水务管线状态数据对应的第一管线异常趋势决策信息和所携带的管线异常趋势分布确定决策信息评估指标;依据相关参数评估指标和决策信息评估指标更新管线异常趋势决策模型的模型权重信息,获得目标管线异常趋势决策模型。
基于以上步骤,本实施例通过完成水务场景标签决策的第一水务管线状态数据的决策信息评估指标训练管线异常趋势决策模型的基础上,还引入了未完成水务场景标签决策的第二水务管线状态数据对管线异常趋势决策模型协同训练。而通过未完成水务场景标签决策的第二水务管线状态数据相关的相关参数评估指标来训练管线异常趋势决策模型,可以使得管线异常趋势决策模型对水务管线状态数据中水务管线网的各种管线异常趋势特征向量进行分析的决策性能稳定,提高目标管线异常趋势决策模型的管线异常趋势决策准确性。
基于同一发明构思,本申请实施例还提供一种大数据可视化系统,参阅图2,图2为本申请实施例提供的大数据可视化系统100的结构图,大数据可视化系统100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central ProcessingUnits,CPU)112(例如,一个或一个以上处理器)和存储器111,。其中,存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块,各个模块可以包括对大数据可视化系统100中的一系列指令操作。更进一步地,中央处理器112可以设置为与存储器111通信,在大数据可视化系统100上执行存储器111中的一系列指令操作。
大数据可视化系统100还可以包括一个或一个以上电源,一个或一个以上通信单元113,一个或一个以上传递到输出接口,和/或,一个或一个以上操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述实施例中由大数据可视化系统所执行的步骤可以依据图2所示的大数据可视化系统结构。
另外,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,各个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (10)
1.一种应用于智慧水务的大数据可视化处理方法,应用于大数据可视化系统,其特征在于,包括:
获取目标水务管线网对应于各个水务场景标签下的多个水务管线状态数据,并将所述多个水务管线状态数据加载到管线异常趋势决策模型;
依据所述管线异常趋势决策模型确定第一管线异常趋势决策信息,并依据水务管线状态大数据确定持续性管线状态数据;
依据所述持续性管线状态数据之间的相关参数值确定相关参数评估指标,并依据所述第一管线异常趋势决策信息确定决策信息评估指标;
依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得被配置于管线异常趋势决策的目标管线异常趋势决策模型,并基于所述目标管线异常趋势决策模型进行管线异常趋势决策后将管线异常趋势进行可视化处理。
2.根据权利要求1所述的应用于智慧水务的大数据可视化处理方法,其特征在于,获取对应于各个水务场景标签下的多个水务管线状态数据,并将所述多个水务管线状态数据加载到管线异常趋势决策模型,包括:
获取第一数量个完成水务场景标签决策的第一水务管线状态数据和第二数量个未完成水务场景标签决策的第二水务管线状态数据,将所述第一数量个完成水务场景标签决策的第一水务管线状态数据和所述第二数量个未完成水务场景标签决策的第二水务管线状态数据加载到管线异常趋势决策模型;所述第一数量个完成水务场景标签决策的第一水务管线状态数据分别携带了所对应的水务管线网的管线异常趋势分布;所述第一数量个完成水务场景标签决策的第一水务管线状态数据所携带的水务管线网和所述第二数量个未完成水务场景标签决策的第二水务管线状态数据所携带的水务管线网属于相同的水务管线网类别;
依据所述管线异常趋势决策模型确定第一管线异常趋势决策信息,并依据水务管线状态大数据确定持续性管线状态数据,包括:
在所述管线异常趋势决策模型中确定每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第一管线异常趋势决策信息,从水务管线状态大数据中获取所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据;所述水务管线状态大数据包括所述第一数量个完成水务场景标签决策的第一水务管线状态数据和所述第二数量个未完成水务场景标签决策的第二水务管线状态数据;所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据未携带所属完成水务场景标签决策的第一水务管线状态数据所携带的管线异常趋势分布;
依据所述持续性管线状态数据之间的相关参数值确定相关参数评估指标,并依据所述第一管线异常趋势决策信息确定决策信息评估指标,包括:
依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值确定相关参数评估指标,依据所述每个完成水务场景标签决策的第一水务管线状态数据对应的第一管线异常趋势决策信息和所携带的管线异常趋势分布确定决策信息评估指标;
依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得被配置于管线异常趋势决策的目标管线异常趋势决策模型,包括:
依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得目标管线异常趋势决策模型;所述目标管线异常趋势决策模型用于对属于所述水务管线网类别的水务管线网进行管线异常趋势决策。
3.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述方法还包括:
将所述第一数量个完成水务场景标签决策的第一水务管线状态数据加载到基础管线异常趋势决策模型;
在所述基础管线异常趋势决策模型中确定所述每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第二管线异常趋势决策信息;
依据所述每个完成水务场景标签决策的第一水务管线状态数据对应的第二管线异常趋势决策信息和所述每个完成水务场景标签决策的第一水务管线状态数据所携带的管线异常趋势分布,优化所述基础管线异常趋势决策模型的模型权重信息,获得所述管线异常趋势决策模型。
4.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述在所述管线异常趋势决策模型中确定每个完成水务场景标签决策的第一水务管线状态数据所对应的水务管线网的第一管线异常趋势决策信息,包括:
在所述管线异常趋势决策模型中生成所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量;
对所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量进行关键向量提取,获得所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量;
依据所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量,确定所述每个完成水务场景标签决策的第一水务管线状态数据的第一管线异常趋势决策信息;
其中,所述第一数量个完成水务场景标签决策的第一水务管线状态数据包括完成水务场景标签决策的第一水务管线状态数据W,W为小于或等于第一数量的正整数;所述管线异常趋势决策模型的模型权重信息包括决策映射单元的模型权重信息;所述第一数量个完成水务场景标签决策的第一水务管线状态数据共携带了b种管线异常趋势分布,一种管线异常趋势分布对应一种管线异常趋势特征向量,b为小于或等于第一数量的正整数;
所述依据所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量,确定所述每个完成水务场景标签决策的第一水务管线状态数据的第一管线异常趋势决策信息,包括:
对所述决策映射单元的模型权重信息进行关键向量提取,获得所述决策映射单元的关键模型权重信息;
依据所述完成水务场景标签决策的第一水务管线状态数据W的关键态势向量和所述关键模型权重信息,确定所述完成水务场景标签决策的第一水务管线状态数据W所对应的水务管线网为b种管线异常趋势特征向量中的每种管线异常趋势特征向量的支持度;
将所述完成水务场景标签决策的第一水务管线状态数据W所对应的水务管线网为所述每种管线异常趋势特征向量的支持度,确定为所述完成水务场景标签决策的第一水务管线状态数据W的第一管线异常趋势决策信息。
5.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述方法还包括:
获取第一候选水务管线状态数据以及与所述第一候选水务管线状态数据相关联的水务管线网类别;
获取所述水务管线网类别所指示的目标水务管线网的目标水务管线网态势向量;
将所述第一候选水务管线状态数据加载到所述目标管线异常趋势决策模型,在所述目标管线异常趋势决策模型中生成所述第一候选水务管线状态数据的水务管线态势向量;
如果分析到所述第一候选水务管线状态数据的水务管线态势向量与所述目标水务管线网态势向量存在相关时,确定所述第一候选水务管线状态数据中的水务管线网为所述目标水务管线网,确定对所述第一候选水务管线状态数据中的水务管线网的水务管线网管线异常趋势决策完成。
6.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述方法还包括:
获取第二候选水务管线状态数据;
将所述第二候选水务管线状态数据加载到所述目标管线异常趋势决策模型,在所述目标管线异常趋势决策模型中生成所述第二候选水务管线状态数据的水务管线态势向量;
依据所述第二候选水务管线状态数据的水务管线态势向量,从至少两种管线异常趋势特征向量中确定所述第二候选水务管线状态数据中的水务管线网的管线异常趋势特征向量。
7.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述从水务管线状态大数据中获取所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据,包括:
在所述管线异常趋势决策模型中生成所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量和每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量;
依据所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量和每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量,生成相关参数序列;
从所述相关参数序列中获取所述每个完成水务场景标签决策的第一水务管线状态数据分别与所述水务管线状态大数据中的水务管线状态数据之间的相关参数值;
依据所述每个完成水务场景标签决策的第一水务管线状态数据分别与所述水务管线状态大数据中的水务管线状态数据之间的相关参数值,从所述水务管线状态大数据中确定所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据;
其中,所述第一数量个完成水务场景标签决策的第一水务管线状态数据包括完成水务场景标签决策的第一水务管线状态数据W,W为小于或等于第一数量的正整数;
所述依据所述每个完成水务场景标签决策的第一水务管线状态数据分别与所述水务管线状态大数据中的水务管线状态数据之间的相关参数值,从所述水务管线状态大数据中确定所述每个完成水务场景标签决策的第一水务管线状态数据的持续性管线状态数据,包括:
从所述水务管线状态大数据中剔除与所述完成水务场景标签决策的第一水务管线状态数据W携带了相同管线异常趋势分布的水务管线状态数据,获得优化水务管线状态大数据;
依据所述完成水务场景标签决策的第一水务管线状态数据W分别与所述优化水务管线状态大数据中的每个水务管线状态数据之间的相关参数值的降序次序,对所述每个水务管线状态数据进行整理,获得优化水务管线状态数据序列;
获取持续性管线状态数据数量K,将所述优化水务管线状态数据序列中的前K个水务管线状态数据确定为所述完成水务场景标签决策的第一水务管线状态数据W的持续性管线状态数据;K为小于第一数量和第二数量之和的正整数;
其中,所述依据所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量和每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量,生成相关参数序列,包括:
获取对所述每个完成水务场景标签决策的第一水务管线状态数据的水务管线态势向量进行关键向量提取后所获得的关键态势向量,获取对所述每个未完成水务场景标签决策的第二水务管线状态数据的水务管线态势向量进行关键向量提取后所获得的关键态势向量;
获取包括所述每个完成水务场景标签决策的第一水务管线状态数据的关键态势向量的第一态势向量有向图和包括所述每个未完成水务场景标签决策的第二水务管线状态数据的关键态势向量的第二态势向量有向图;
对所述第一态势向量有向图和所述第二态势向量有向图进行聚合,获得目标态势向量有向图;
获取所述目标态势向量有向图的映射态势向量有向图,将所述第一态势向量有向图和所述映射态势向量有向图的相关参数信息确定为所述相关参数序列。
8.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值确定相关参数评估指标,包括:
依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的相关参数值,分别确定所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的均值相关参数值;
依据所述每个完成水务场景标签决策的第一水务管线状态数据与相对应的持续性管线状态数据之间的均值相关参数值生成均值相关参数值序列;
将所述均值相关参数值序列的离散值,确定为所述相关参数评估指标。
9.根据权利要求2所述的应用于智慧水务的大数据可视化处理方法,其特征在于,所述依据所述相关参数评估指标和所述决策信息评估指标更新所述管线异常趋势决策模型的模型权重信息,获得目标管线异常趋势决策模型,包括:
对所述相关参数评估指标和所述决策信息评估指标进行加权,获得目标评估指标;
依据所述目标评估指标优化所述管线异常趋势决策模型的模型权重信息;
在将所述管线异常趋势决策模型的模型权重信息优化到收敛条件时,将模型权重信息满足所述收敛条件的所述管线异常趋势决策模型确定为所述目标管线异常趋势决策模型。
10.一种大数据可视化系统,其特征在于,包括:
处理器;
存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时实现权利要求1-9中任意一项所述的应用于智慧水务的大数据可视化处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548646.XA CN114331063B (zh) | 2021-12-17 | 2021-12-17 | 应用于智慧水务的大数据可视化处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548646.XA CN114331063B (zh) | 2021-12-17 | 2021-12-17 | 应用于智慧水务的大数据可视化处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331063A true CN114331063A (zh) | 2022-04-12 |
CN114331063B CN114331063B (zh) | 2022-12-13 |
Family
ID=81052205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111548646.XA Active CN114331063B (zh) | 2021-12-17 | 2021-12-17 | 应用于智慧水务的大数据可视化处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331063B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971435A (zh) * | 2022-08-01 | 2022-08-30 | 武汉易维科技股份有限公司 | 智慧水务云服务方法、装置、设备及介质 |
CN117094496A (zh) * | 2023-08-03 | 2023-11-21 | 北京市市政工程设计研究总院有限公司广东分院 | 基于机理和机器学习预测下的专家规则的调度运营系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872657A (zh) * | 2017-01-05 | 2017-06-20 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
CN107194621A (zh) * | 2017-07-14 | 2017-09-22 | 水联网技术服务中心(北京)有限公司 | 一种供水管网管理系统和方法 |
CN107967486A (zh) * | 2017-11-17 | 2018-04-27 | 江苏大学 | 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 |
WO2020079650A1 (en) * | 2018-10-18 | 2020-04-23 | Aquarius Spectrum Ltd. | System and method for mechanical failure classification, condition assessment and remediation recommendation |
CN111738852A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 业务数据处理方法、装置和服务器 |
CN112468443A (zh) * | 2020-10-28 | 2021-03-09 | 南京代威科技有限公司 | 一种通过大数据态势分析实现优化决策的方法与系统 |
CN112947080A (zh) * | 2021-02-04 | 2021-06-11 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估系统 |
CN113098888A (zh) * | 2021-04-15 | 2021-07-09 | 恒安嘉新(北京)科技股份公司 | 异常行为预测方法、装置、设备及存储介质 |
CN113657780A (zh) * | 2021-08-23 | 2021-11-16 | 武汉博水信息科技有限公司 | 一种多维指标综合漏损指数统一评定警示系统和方法 |
-
2021
- 2021-12-17 CN CN202111548646.XA patent/CN114331063B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872657A (zh) * | 2017-01-05 | 2017-06-20 | 河海大学 | 一种多变量水质参数时序数据异常事件检测方法 |
CN107194621A (zh) * | 2017-07-14 | 2017-09-22 | 水联网技术服务中心(北京)有限公司 | 一种供水管网管理系统和方法 |
CN107967486A (zh) * | 2017-11-17 | 2018-04-27 | 江苏大学 | 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 |
WO2020079650A1 (en) * | 2018-10-18 | 2020-04-23 | Aquarius Spectrum Ltd. | System and method for mechanical failure classification, condition assessment and remediation recommendation |
CN111738852A (zh) * | 2020-06-19 | 2020-10-02 | 中国工商银行股份有限公司 | 业务数据处理方法、装置和服务器 |
CN112468443A (zh) * | 2020-10-28 | 2021-03-09 | 南京代威科技有限公司 | 一种通过大数据态势分析实现优化决策的方法与系统 |
CN112947080A (zh) * | 2021-02-04 | 2021-06-11 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估系统 |
CN113098888A (zh) * | 2021-04-15 | 2021-07-09 | 恒安嘉新(北京)科技股份公司 | 异常行为预测方法、装置、设备及存储介质 |
CN113657780A (zh) * | 2021-08-23 | 2021-11-16 | 武汉博水信息科技有限公司 | 一种多维指标综合漏损指数统一评定警示系统和方法 |
Non-Patent Citations (6)
Title |
---|
CHU XIAOJUN等: "Immunomodulatory effects of small whey peptide and its infant formulamilk powder", 《JOURNAL OF CHINESE INSTITUTE OF FOOD SCIENCE AND TECHNOLOGY》 * |
DI WU等: "Quality Risk Analysis for Sustainable Smart Water Supply Using Data Perception", 《IEEE TRANSACTIONS ON SUSTAINABLE COMPUTING 》 * |
XU YAN等: "Leakage Diagnosis of Water Supply Network by SVM", 《2020 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND COMPUTER ENGINEERING (ICAICE)》 * |
张一航: "基于WebGIS的城市供水调度系统研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
蔡华强: "城市供水管网DMA实时建模及应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵晓东: "南昌市居民用水智慧水务管网系统的研究与分析", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971435A (zh) * | 2022-08-01 | 2022-08-30 | 武汉易维科技股份有限公司 | 智慧水务云服务方法、装置、设备及介质 |
CN117094496A (zh) * | 2023-08-03 | 2023-11-21 | 北京市市政工程设计研究总院有限公司广东分院 | 基于机理和机器学习预测下的专家规则的调度运营系统 |
CN117094496B (zh) * | 2023-08-03 | 2024-05-07 | 北京市市政工程设计研究总院有限公司 | 基于机理和机器学习预测下的专家规则的调度运营系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114331063B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11416867B2 (en) | Machine learning system for transaction reconciliation | |
CN114331063B (zh) | 应用于智慧水务的大数据可视化处理方法及系统 | |
CN102855259B (zh) | 大规模数据聚类分析的并行化 | |
CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN114185761A (zh) | 日志采集方法、装置及设备 | |
CN117236656B (zh) | 工程项目的信息化管理方法及系统 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN113144624A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN110880117A (zh) | 虚假业务识别方法、装置、设备和存储介质 | |
CN116342164A (zh) | 目标用户群体的定位方法、装置、电子设备及存储介质 | |
CN115619539A (zh) | 贷前风险评价方法以及装置 | |
CN114139636B (zh) | 异常作业处理方法及装置 | |
CN114048325A (zh) | 基于知识图谱的案件处理方法及装置、存储介质 | |
CN115130003A (zh) | 模型处理方法、装置、设备及存储介质 | |
CN114282875A (zh) | 流程审批确定性规则和语义自学习结合判定方法及装置 | |
CN111722977A (zh) | 系统巡检方法、装置及电子设备 | |
CN112527622A (zh) | 一种性能测试结果分析方法和装置 | |
CN110458383A (zh) | 需求处理服务化的实现方法、装置及计算机设备、存储介质 | |
CN115641149B (zh) | 一种定制化数据资产估值方法 | |
CN114596124B (zh) | 一种电子商城商品促销量数据处理方法、系统及电商平台 | |
CN117975204B (zh) | 一种模型训练方法、缺陷检测方法以及相关装置 | |
CN114897617A (zh) | 金融风控场景的模型评估方法、装置、设备以及存储介质 | |
CN114021790A (zh) | 城市经济预测方法、装置、电子设备及相关产品 | |
CN115758181A (zh) | 一种故障处置推荐方法及装置 | |
CN118193391A (zh) | 一种测试知识推荐方法及相关装置 |
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 |