CN115577861A - 一种漏水区域推荐方法、电子设备和存储介质 - Google Patents

一种漏水区域推荐方法、电子设备和存储介质 Download PDF

Info

Publication number
CN115577861A
CN115577861A CN202211553373.2A CN202211553373A CN115577861A CN 115577861 A CN115577861 A CN 115577861A CN 202211553373 A CN202211553373 A CN 202211553373A CN 115577861 A CN115577861 A CN 115577861A
Authority
CN
China
Prior art keywords
time interval
area
sub
water leakage
score
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
CN202211553373.2A
Other languages
English (en)
Other versions
CN115577861B (zh
Inventor
梁帆
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.)
Dongguan Prophet Big Data Co ltd
Original Assignee
Dongguan Prophet Big Data 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 Dongguan Prophet Big Data Co ltd filed Critical Dongguan Prophet Big Data Co ltd
Priority to CN202211553373.2A priority Critical patent/CN115577861B/zh
Publication of CN115577861A publication Critical patent/CN115577861A/zh
Application granted granted Critical
Publication of CN115577861B publication Critical patent/CN115577861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本申请涉及一种漏水区域推荐方法、电子设备和存储介质，该方法包括：确定n个子区域和
Figure DEST_PATH_IMAGE001
个检测区域；获取第一检测区域的历史维修记录以及对应的时间，确定基础、聚集和平均聚集时间间隔以及预测无漏、预测聚集和预测平均聚集时间间隔；根据当前时间与第一检测区域上一次维修记录的时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数；根据漏水预测得分指数确定第一子区域的漏水得分；根据第一子区域的历史维修记录的数量确定第一子区域的修正得分；根据漏水得分和修正得分确定漏水推荐得分；当漏水推荐得分大于预设阈值时，推荐漏水推荐得分对应的第一子区域。

Description

一种漏水区域推荐方法、电子设备和存储介质
技术领域
本申请涉及供水管网漏损管理技术领域，特别是涉及一种漏水区域推荐方法、电子设备和存储介质。
背景技术
供水管网漏损管理系统基于DMA （District Metering Area，独立分区计量）漏损管理技术，结合水司产销差管理工作需求和管网结构特点，对目标区域进行分区规划设计，通过评估筛选出漏水问题突出的区域进行重点管控，大幅缩短管网漏水排查时间，提高漏水管控工作效率。但当前系统仅能监测管道区域的漏水情况，无法实现精准定位，仍需要花费大量人工测漏时间对区域内的漏水情况进行排查。
发明内容
基于上述问题，本申请提供一种漏水区域推荐方法、电子设备和存储介质。
第一方面，本申请实施例提供一种漏水区域推荐方法，包括：
根据独立分区计量将城市供水管网划分为多个独自计量区域，根据社区分布将多个独自计量区域划分为n个子区域，根据n个子区域的历史维修记录将n个子区域划分为
Figure 752605DEST_PATH_IMAGE001
个检测区域，n和
Figure 590111DEST_PATH_IMAGE001
均为大于零的自然数；
获取
Figure 326861DEST_PATH_IMAGE001
个检测区域中第一检测区域的历史维修记录以及历史维修记录对应的时间，根据历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔；
根据基础时间间隔、聚集时间间隔和平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔；
获取当前时间与第一检测区域上一次维修记录的时间间隔，根据当前时间与第一检测区域上一次维修记录的时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数；
根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分；
根据第一子区域的历史维修记录的数量确定第一子区域的修正得分；
根据第一子区域的漏水得分和第一子区域的修正得分确定第一子区域的漏水推荐得分；
当第一子区域的漏水推荐得分大于第三判断阈值时，推荐漏水推荐得分对应的第一子区域。
进一步地，上述漏水区域推荐方法中，根据历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔，包括：
对历史维修记录对应的时间按照时间进行排序后，获取相邻两次维修记录的时间间隔集合
Figure 300633DEST_PATH_IMAGE002
，其中，k为时间间隔的序号，集合的元素数为
Figure 598890DEST_PATH_IMAGE003
，时间间隔的单位为天，确定基础时间间隔
Figure 189272DEST_PATH_IMAGE004
是通过如下公式确定的：
Figure 100002_DEST_PATH_IMAGE005
其中，
Figure 393027DEST_PATH_IMAGE006
为历史数据训练得到的第一修正常数，
Figure 221306DEST_PATH_IMAGE007
为历史数据训练得到的第二修正常数；
获取时间间隔
Figure 454579DEST_PATH_IMAGE008
大于设定的第一判断阈值
Figure 1098DEST_PATH_IMAGE009
的序号集合
Figure 112273DEST_PATH_IMAGE010
，集合
Figure 326217DEST_PATH_IMAGE010
的元素个数为
Figure 733321DEST_PATH_IMAGE011
，获取
Figure 32715DEST_PATH_IMAGE012
与
Figure 682002DEST_PATH_IMAGE013
之间的时间间隔，通过如下公式确定聚集时间间隔
Figure 750452DEST_PATH_IMAGE014
和平均聚集时间间隔
Figure 826993DEST_PATH_IMAGE015
：
Figure 112218DEST_PATH_IMAGE016
Figure 100002_DEST_PATH_IMAGE017
。
进一步地，上述漏水区域推荐方法中，所述根据所述基础时间间隔、所述聚集时间间隔和所述平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔，包括：
汇总基础时间间隔
Figure 502880DEST_PATH_IMAGE004
、聚集时间间隔
Figure 691415DEST_PATH_IMAGE014
和平均聚集时间间隔
Figure 204436DEST_PATH_IMAGE015
得到了三个时间间隔子序列
Figure 714309DEST_PATH_IMAGE018
，其中集合
Figure 970978DEST_PATH_IMAGE019
元素个数为
Figure 748441DEST_PATH_IMAGE011
，
Figure 432363DEST_PATH_IMAGE020
集合元素个数为
Figure 161022DEST_PATH_IMAGE021
；
使用基于LSTM的训练模型对三个时间间隔子序列集合
Figure 221382DEST_PATH_IMAGE022
分别进行训练，得到三个时间间隔子序列集合的预测模型；
根据三个时间间隔子序列集合的预测模型得到第一检测区域
Figure 853352DEST_PATH_IMAGE023
的预测无漏时间间隔
Figure 708175DEST_PATH_IMAGE024
、预测聚集时间间隔
Figure 956754DEST_PATH_IMAGE025
、预测平均聚集时间间隔
Figure 791111DEST_PATH_IMAGE026
。
进一步地，上述漏水区域推荐方法中，获取当前时间与第一检测区域上一次维修记录的时间间隔，根据时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数，包括：
获取当前时间与第一检测区域
Figure 543167DEST_PATH_IMAGE023
上一次维修记录的时间间隔
Figure 568891DEST_PATH_IMAGE027
，根据时间间隔
Figure 39187DEST_PATH_IMAGE027
、基础时间间隔
Figure 910191DEST_PATH_IMAGE004
、预测无漏时间间隔
Figure 280867DEST_PATH_IMAGE024
、预测聚集时间间隔
Figure 743073DEST_PATH_IMAGE025
和预测平均聚集时间间隔
Figure 169506DEST_PATH_IMAGE025
确定第一检测区域
Figure 109780DEST_PATH_IMAGE023
的漏水预测得分指数
Figure 349611DEST_PATH_IMAGE028
是通过如下公式确定的：
Figure 717139DEST_PATH_IMAGE029
其中，
Figure 896447DEST_PATH_IMAGE030
Figure 100002_DEST_PATH_IMAGE031
Figure 843675DEST_PATH_IMAGE032
Figure 100002_DEST_PATH_IMAGE033
Figure 861047DEST_PATH_IMAGE034
Figure 665055DEST_PATH_IMAGE035
Figure 331660DEST_PATH_IMAGE036
Figure 613736DEST_PATH_IMAGE037
为设定的第二判断阈值。
进一步地，上述漏水区域推荐方法中，根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分，包括：
根据第一子区域内多个第一检测区域
Figure 816441DEST_PATH_IMAGE023
的漏水预测得分指数
Figure 260192DEST_PATH_IMAGE028
确定第一子区域的漏水得分
Figure 679672DEST_PATH_IMAGE038
是通过如下公式确定的：
Figure 499860DEST_PATH_IMAGE039
。
进一步地，上述漏水区域推荐方法中，所述根据第一子区域的历史维修记录的数量确定第一子区域的修正得分，包括：
统计第一子区域内近一年的维修记录数量
Figure 55607DEST_PATH_IMAGE040
及近三个月的维修记录数量
Figure 100002_DEST_PATH_IMAGE041
，根据所述近一年的维修记录数量
Figure 372056DEST_PATH_IMAGE040
及近三个月的维修记录数量
Figure 13253DEST_PATH_IMAGE041
确定第一子区域的修正得分，确定第一子区域的修正得分
Figure 902712DEST_PATH_IMAGE042
是通过如下公式确定的：
Figure 100002_DEST_PATH_IMAGE043
其中，
Figure 486533DEST_PATH_IMAGE044
为历史数据训练得到的第三修正常数，
Figure 537666DEST_PATH_IMAGE045
为历史数据训练得到的第四修正常数。
进一步地，上述漏水区域推荐方法中，根据第一子区域的漏水得分和所述第一子区域的修正得分确定第一子区域的漏水推荐得分，包括：
根据第一子区域的漏水得分
Figure 400580DEST_PATH_IMAGE038
和第一子区域的修正得分
Figure 795527DEST_PATH_IMAGE042
确定第一子区域的漏水推荐得分
Figure 60286DEST_PATH_IMAGE046
是通过如下公式确定的：
Figure 16740DEST_PATH_IMAGE047
。
第二方面，本发明实施例还提供了一种电子设备，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如上所述任一项所述的一种漏水区域推荐方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如上所述任一项所述的一种漏水区域推荐方法。
本申请实施例的优点在于：根据独立分区计量将城市供水管网划分为多个独自计量区域，根据社区分布将多个独自计量区域划分为n个子区域，根据n个子区域的历史维修记录将n个子区域划分为
Figure 101371DEST_PATH_IMAGE001
个检测区域；获取
Figure 568518DEST_PATH_IMAGE001
个检测区域中第一检测区域的历史维修记录以及历史维修记录对应的时间，根据历史维修记录以及历史维修记录对应的时间确定基础、聚集和平均聚集时间间隔；根据基础、聚集和平均聚集时间间隔确定预测无漏、预测聚集和预测平均聚集时间间隔；获取当前时间与第一检测区域上一次维修记录的时间间隔，根据当前时间与第一检测区域上一次维修记录的时间间隔、基础、预测无漏、预测聚集和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数；根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分；根据第一子区域的历史维修记录的数量确定第一子区域的修正得分；根据第一子区域的漏水得分和第一子区域的修正得分确定第一子区域的漏水推荐得分；当第一子区域的漏水推荐得分大于第三判断阈值时，推荐漏水推荐得分对应的第一子区域。通过推荐的第一子区域定位漏水位置，提高漏水位置的估算精度，有助于供水企业提高漏水探测修复效率。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种漏水区域推荐方法示意图；
图2是本公开实施例提供的一种电子设备的示意性框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵时做类似改进，因此本申请不受下面公开的具体实施的限制。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1为本申请实施例提供的一种漏水区域推荐方法示意图。
第一方面，本申请实施例提供一种漏水区域推荐方法，结合图1，包括S101至S108八个步骤：
第一方面，本申请实施例提供一种漏水区域推荐方法，包括S101至S108八个步骤：
S101：根据独立分区计量将城市供水管网划分为多个独自计量区域，根据社区分布将多个独自计量区域划分为n个子区域，根据n个子区域的历史维修记录将n个子区域划分为
Figure 953363DEST_PATH_IMAGE001
个检测区域，n和
Figure 346298DEST_PATH_IMAGE001
均为大于零的自然数。
具体的，本申请实施例中，根据独立分区计量将城市供水管网划分为多个独自计量区域，对独立计量区域根据区域内的社区分布将独自计量区域划分为n个子区域记为
Figure 183804DEST_PATH_IMAGE048
，其中i为子区域的序号，对于任一子区域
Figure 186133DEST_PATH_IMAGE048
，获取子区域的历史维修记录，将历史维修记录中每一次维修位置的坐标进行聚类，得到聚类中心及半径集合
Figure 159905DEST_PATH_IMAGE049
，其中
Figure 458162DEST_PATH_IMAGE023
为聚类中心坐标，
Figure 517385DEST_PATH_IMAGE050
为聚类区域半径，j为聚类区域的序号，根据聚类区域的个数
Figure 783458DEST_PATH_IMAGE001
将子区域
Figure 877315DEST_PATH_IMAGE048
划分为
Figure 877632DEST_PATH_IMAGE001
个检测区域。
另外，对于子区域
Figure 424151DEST_PATH_IMAGE048
中任一点
Figure DEST_PATH_IMAGE051
，点所属检测区域的判定方法如下：
当
Figure 112491DEST_PATH_IMAGE052
满足
Figure 562320DEST_PATH_IMAGE053
时，
Figure 467959DEST_PATH_IMAGE051
属于以
Figure 501774DEST_PATH_IMAGE023
为中心的检测区域；
反之，
Figure 151061DEST_PATH_IMAGE051
属于使得
Figure 452467DEST_PATH_IMAGE054
取得最小值的
Figure 529008DEST_PATH_IMAGE023
为中心的检测区域。
S102：获取
Figure 50119DEST_PATH_IMAGE001
个检测区域中第一检测区域的历史维修记录以及历史维修记录对应的时间，根据历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔。
具体的，本申请实施例中，第一检测区域是
Figure 503097DEST_PATH_IMAGE001
个检测区域中任意一个，根据历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔的方法下文详细介绍。
S103：根据基础时间间隔、聚集时间间隔和平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔。
具体的，本申请实施例中，根据基础时间间隔、聚集时间间隔和平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔的方法下文详细介绍。
S104：获取当前时间与第一检测区域上一次维修记录的时间间隔，根据当前时间与第一检测区域上一次维修记录的时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数。
具体的，本申请实施例中，根据当前时间与第一检测区域上一次维修记录的时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数的方法下文详细介绍。
S105：根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分。
S106：根据第一子区域的历史维修记录的数量确定第一子区域的修正得分。
S107：根据第一子区域的漏水得分和第一子区域的修正得分确定第一子区域的漏水推荐得分。
具体的，本申请实施例中，第一子区域是n个子区域中任意一个，确定第一子区域的漏水得分、第一子区域的修正得分和第一子区域的漏水推荐得分的方法下文详细介绍。
S108：当第一子区域的漏水推荐得分大于第三判断阈值时，推荐漏水推荐得分对应的第一子区域。
具体的，本申请实施例中，第三判断阈值的大小根据实际情况灵活确定，通过判断第一子区域的漏水推荐得分与第三判断阈值的大小，确定是否推荐漏水推荐得分对应的第一子区域，可准确定位漏水位置，提高漏水估算精度，有助于供水企业提高漏水探测修复效率。
进一步地，上述漏水区域推荐方法中，根据历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔，包括：
对历史维修记录对应的时间按照时间进行排序后，获取相邻两次维修记录的时间间隔集合
Figure 193098DEST_PATH_IMAGE002
，其中，k为时间间隔的序号，集合的元素数为
Figure 440539DEST_PATH_IMAGE003
，时间间隔的单位为天，确定基础时间间隔
Figure 448947DEST_PATH_IMAGE004
是通过如下公式确定的：
Figure 440037DEST_PATH_IMAGE005
其中，
Figure 483079DEST_PATH_IMAGE006
为历史数据训练得到的第一修正常数，
Figure 399957DEST_PATH_IMAGE007
为历史数据训练得到的第二修正常数；
获取时间间隔
Figure 895660DEST_PATH_IMAGE008
大于设定的第一判断阈值
Figure 690441DEST_PATH_IMAGE009
的序号集合
Figure 587990DEST_PATH_IMAGE010
，集合
Figure 678699DEST_PATH_IMAGE010
的元素个数为
Figure 396119DEST_PATH_IMAGE011
，获取
Figure 729012DEST_PATH_IMAGE012
与
Figure 215488DEST_PATH_IMAGE013
之间的时间间隔，通过如下公式确定聚集时间间隔
Figure 474169DEST_PATH_IMAGE014
和平均聚集时间间隔
Figure 678885DEST_PATH_IMAGE015
：
Figure 81048DEST_PATH_IMAGE016
Figure 687609DEST_PATH_IMAGE017
。
具体的，本申请实施例中，第一判断阈值
Figure 397419DEST_PATH_IMAGE009
的大小可以根据实际情况灵活确定。
进一步地，上述漏水区域推荐方法中，所述根据所述基础时间间隔、所述聚集时间间隔和所述平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔，包括：
汇总基础时间间隔
Figure 355011DEST_PATH_IMAGE004
、聚集时间间隔
Figure 295285DEST_PATH_IMAGE014
和平均聚集时间间隔
Figure 21933DEST_PATH_IMAGE015
得到了三个时间间隔子序列
Figure 123881DEST_PATH_IMAGE018
，其中集合
Figure 67304DEST_PATH_IMAGE019
元素个数为
Figure 811269DEST_PATH_IMAGE011
，
Figure 126844DEST_PATH_IMAGE020
集合元素个数为
Figure 930852DEST_PATH_IMAGE021
；
使用基于LSTM的训练模型对三个时间间隔子序列集合
Figure 331877DEST_PATH_IMAGE022
分别进行训练，得到三个时间间隔子序列集合的预测模型；
根据三个时间间隔子序列集合的预测模型得到第一检测区域
Figure 380998DEST_PATH_IMAGE023
的预测无漏时间间隔
Figure 551079DEST_PATH_IMAGE024
、预测聚集时间间隔
Figure 525988DEST_PATH_IMAGE025
、预测平均聚集时间间隔
Figure 148731DEST_PATH_IMAGE026
。
进一步地，上述漏水区域推荐方法中，获取当前时间与第一检测区域上一次维修记录的时间间隔，根据时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数，包括：
获取当前时间与第一检测区域
Figure 733034DEST_PATH_IMAGE023
上一次维修记录的时间间隔
Figure 23201DEST_PATH_IMAGE027
，根据时间间隔
Figure 903432DEST_PATH_IMAGE027
、基础时间间隔
Figure 544629DEST_PATH_IMAGE004
、预测无漏时间间隔
Figure 434088DEST_PATH_IMAGE024
、预测聚集时间间隔
Figure 80226DEST_PATH_IMAGE025
和预测平均聚集时间间隔
Figure 131359DEST_PATH_IMAGE025
确定第一检测区域
Figure 259852DEST_PATH_IMAGE023
的漏水预测得分指数
Figure 421843DEST_PATH_IMAGE028
是通过如下公式确定的：
Figure 450716DEST_PATH_IMAGE029
其中，
Figure 407171DEST_PATH_IMAGE030
Figure 22960DEST_PATH_IMAGE031
Figure 988642DEST_PATH_IMAGE032
Figure 373487DEST_PATH_IMAGE033
Figure 533466DEST_PATH_IMAGE034
Figure 105393DEST_PATH_IMAGE035
Figure 874766DEST_PATH_IMAGE036
Figure 114117DEST_PATH_IMAGE037
为设定的第二判断阈值。
具体的，本申请实施例中，第二判断阈值
Figure 176489DEST_PATH_IMAGE037
的大小可以根据实际情况灵活确定。
进一步地，上述漏水区域推荐方法中，根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分，包括：
根据第一子区域内多个第一检测区域
Figure 235712DEST_PATH_IMAGE023
的漏水预测得分指数
Figure 543196DEST_PATH_IMAGE028
确定第一子区域的漏水得分
Figure 637054DEST_PATH_IMAGE038
是通过如下公式确定的：
Figure 127118DEST_PATH_IMAGE055
进一步地，上述漏水区域推荐方法中，所述根据第一子区域的历史维修记录的数量确定第一子区域的修正得分，包括：
统计第一子区域内近一年的维修记录数量
Figure 673636DEST_PATH_IMAGE040
及近三个月的维修记录数量
Figure 784812DEST_PATH_IMAGE041
，根据所述近一年的维修记录数量
Figure 733176DEST_PATH_IMAGE040
及近三个月的维修记录数量
Figure 904395DEST_PATH_IMAGE041
确定第一子区域的修正得分，确定第一子区域的修正得分
Figure 436745DEST_PATH_IMAGE042
是通过如下公式确定的：
Figure 351611DEST_PATH_IMAGE043
其中，
Figure 154482DEST_PATH_IMAGE044
为历史数据训练得到的第三修正常数，
Figure 231023DEST_PATH_IMAGE045
为历史数据训练得到的第四修正常数。
进一步地，上述漏水区域推荐方法中，根据第一子区域的漏水得分和所述第一子区域的修正得分确定第一子区域的漏水推荐得分，包括：
根据第一子区域的漏水得分
Figure 519178DEST_PATH_IMAGE038
和第一子区域的修正得分
Figure 972156DEST_PATH_IMAGE042
确定第一子区域的漏水推荐得分
Figure 895113DEST_PATH_IMAGE046
是通过如下公式确定的：
Figure 142554DEST_PATH_IMAGE047
。
具体的，本申请实施例中的漏水推荐得分
Figure 150962DEST_PATH_IMAGE046
是通过第一子区域的漏水得分
Figure 906166DEST_PATH_IMAGE038
和第一子区域的修正得分
Figure 683629DEST_PATH_IMAGE042
乘积确定的。
第二方面，本发明实施例还提供了一种电子设备，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如上所述任一项所述的一种漏水区域推荐方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如上所述任一项所述的一种漏水区域推荐方法。
图2是本公开实施例提供的一种电子设备的示意性框图。
如图2所示，电子设备包括：至少一个处理器201、至少一个存储器202和至少一个通信接口203。电子设备中的各个组件通过总线系统204耦合在一起。通信接口203，用于与外部设备之间的信息传输。可理解，总线系统204用于实现这些组件之间的连接通信。总线系统204除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图2中将各种总线都标为总线系统204。
可以理解，本实施例中的存储器202可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器202存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器（Media Player）、浏览器（Browser）等，用于实现各种应用业务。实现本申请实施例提供的一种漏水区域推荐方法中任一方法的程序可以包含在应用程序中。
在本申请实施例中，处理器201通过调用存储器202存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器201用于执行本申请实施例提供的一种漏水区域推荐方法各实施例的步骤。
根据独立分区计量将城市供水管网划分为多个独自计量区域，根据社区分布将多个独自计量区域划分为n个子区域，根据n个子区域的历史维修记录将n个子区域划分为
Figure 367551DEST_PATH_IMAGE001
个检测区域；
获取
Figure 128834DEST_PATH_IMAGE001
个检测区域中第一检测区域的历史维修记录以及历史维修记录对应的时间，根据历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔；
根据基础时间间隔、聚集时间间隔和平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔；
获取当前时间与第一检测区域上一次维修记录的时间间隔，根据当前时间与第一检测区域上一次维修记录的时间间隔、基础时间间隔、预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数；
根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分；
根据第一子区域的历史维修记录的数量确定第一子区域的修正得分；
根据第一子区域的漏水得分和第一子区域的修正得分确定第一子区域的漏水推荐得分；
当第一子区域的漏水推荐得分大于第三判断阈值时，推荐漏水推荐得分对应的第一子区域。
本申请实施例提供的一种漏水区域推荐方法中任一方法可以应用于处理器201中，或者由处理器201实现。处理器201可以是一种集成电路芯片，具有信号能力。在实现过程中，上述方法的各步骤可以通过处理器201中的硬件的集成逻辑电路或者软件形式的指令完成。上述器201可以是通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规器等。
本申请实施例提供的一种漏水区域推荐方法中任一方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器202，处理器201读取存储器202中的信息，结合其硬件完成一种漏水区域推荐方法的步骤。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
以上，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，可轻易想到各种等效的修改或替换，这些修改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权利要求的保护范围为准。

Claims (9)

1.一种漏水区域推荐方法，其特征在于，包括：
根据独立分区计量将城市供水管网划分为多个独自计量区域，根据社区分布将所述多个独自计量区域划分为n个子区域，根据所述n个子区域的历史维修记录将所述n个子区域划分为
Figure 565705DEST_PATH_IMAGE001
个检测区域，n和
Figure 863962DEST_PATH_IMAGE001
均为大于零的自然数；
获取所述
Figure 454344DEST_PATH_IMAGE001
个检测区域中第一检测区域的历史维修记录以及历史维修记录对应的时间，根据所述历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔；
根据所述基础时间间隔、所述聚集时间间隔和所述平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔；
获取当前时间与第一检测区域上一次维修记录的时间间隔，根据所述当前时间与第一检测区域上一次维修记录的时间间隔、所述基础时间间隔、所述预测无漏时间间隔、所述预测聚集时间间隔和所述预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数；
根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分；
根据第一子区域的历史维修记录的数量确定第一子区域的修正得分；
根据所述第一子区域的漏水得分和所述第一子区域的修正得分确定第一子区域的漏水推荐得分；
当所述第一子区域的漏水推荐得分大于第三判断阈值时，推荐所述漏水推荐得分对应的第一子区域。
2.根据权利要求1所述的一种漏水区域推荐方法，其特征在于，所述根据所述历史维修记录以及历史维修记录对应的时间确定基础时间间隔、聚集时间间隔和平均聚集时间间隔，包括：
对所述历史维修记录对应的时间按照时间进行排序后，获取相邻两次维修记录的时间间隔集合
Figure 496249DEST_PATH_IMAGE002
，其中，k为时间间隔的序号，集合的元素数为
Figure 88642DEST_PATH_IMAGE003
，时间间隔的单位为天，确定基础时间间隔
Figure 88959DEST_PATH_IMAGE004
是通过如下公式确定的：
Figure DEST_PATH_IMAGE005
其中，
Figure 838740DEST_PATH_IMAGE006
为历史数据训练得到的第一修正常数，
Figure 949916DEST_PATH_IMAGE007
为历史数据训练得到的第二修正常数；
获取时间间隔
Figure 665324DEST_PATH_IMAGE008
大于设定的第一判断阈值
Figure 570964DEST_PATH_IMAGE009
的序号集合
Figure 870358DEST_PATH_IMAGE010
，集合
Figure 785224DEST_PATH_IMAGE010
的元素个数为
Figure 588095DEST_PATH_IMAGE011
，获取
Figure 428750DEST_PATH_IMAGE012
与
Figure 949861DEST_PATH_IMAGE013
之间的时间间隔，通过如下公式确定聚集时间间隔
Figure 402839DEST_PATH_IMAGE014
和平均聚集时间间隔
Figure 591375DEST_PATH_IMAGE015
：
Figure 340282DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
。
3.根据权利要求1所述的一种漏水区域推荐方法，其特征在于，所述根据所述基础时间间隔、所述聚集时间间隔和所述平均聚集时间间隔确定预测无漏时间间隔、预测聚集时间间隔和预测平均聚集时间间隔，包括：
汇总基础时间间隔
Figure 551951DEST_PATH_IMAGE004
、聚集时间间隔
Figure 543041DEST_PATH_IMAGE014
和平均聚集时间间隔
Figure 586083DEST_PATH_IMAGE015
得到了三个时间间隔子序列
Figure 502962DEST_PATH_IMAGE018
，其中集合
Figure 998665DEST_PATH_IMAGE019
元素个数为
Figure 793446DEST_PATH_IMAGE011
，
Figure 690994DEST_PATH_IMAGE020
集合元素个数为
Figure 545818DEST_PATH_IMAGE021
；
使用基于LSTM的训练模型对所述三个时间间隔子序列集合
Figure 42001DEST_PATH_IMAGE022
分别进行训练，得到三个时间间隔子序列集合的预测模型；
根据所述三个时间间隔子序列集合的预测模型得到第一检测区域
Figure 640473DEST_PATH_IMAGE023
的预测无漏时间间隔
Figure 392528DEST_PATH_IMAGE024
、预测聚集时间间隔
Figure 418253DEST_PATH_IMAGE025
、预测平均聚集时间间隔
Figure 387084DEST_PATH_IMAGE026
。
4.根据权利要求1所述的一种漏水区域推荐方法，其特征在于，所述获取当前时间与第一检测区域上一次维修记录的时间间隔，根据所述时间间隔、所述基础时间间隔、所述预测无漏时间间隔、所述预测聚集时间间隔和所述预测平均聚集时间间隔确定第一检测区域的漏水预测得分指数，包括：
获取当前时间与第一检测区域
Figure 523667DEST_PATH_IMAGE023
上一次维修记录的时间间隔
Figure 864649DEST_PATH_IMAGE027
，根据所述时间间隔
Figure 326855DEST_PATH_IMAGE027
、所述基础时间间隔
Figure 284447DEST_PATH_IMAGE004
、所述预测无漏时间间隔
Figure 460606DEST_PATH_IMAGE024
、所述预测聚集时间间隔
Figure 187254DEST_PATH_IMAGE025
和所述预测平均聚集时间间隔
Figure 820361DEST_PATH_IMAGE025
确定第一检测区域
Figure 734090DEST_PATH_IMAGE023
的漏水预测得分指数
Figure 478055DEST_PATH_IMAGE028
是通过如下公式确定的：
Figure 823323DEST_PATH_IMAGE029
其中，
Figure 96173DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
Figure 966040DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
Figure 687265DEST_PATH_IMAGE034
Figure 388504DEST_PATH_IMAGE035
Figure 97834DEST_PATH_IMAGE036
Figure 251735DEST_PATH_IMAGE037
为设定的第二判断阈值。
5.根据权利要求1所述的一种漏水区域推荐方法，其特征在于，所述根据第一子区域内多个第一检测区域的漏水预测得分指数确定第一子区域的漏水得分，包括：
根据第一子区域内多个第一检测区域
Figure 836038DEST_PATH_IMAGE023
的漏水预测得分指数
Figure 126205DEST_PATH_IMAGE028
确定第一子区域的漏水得分
Figure 272016DEST_PATH_IMAGE038
是通过如下公式确定的：
Figure 913213DEST_PATH_IMAGE039
。
6.根据权利要求1所述的一种漏水区域推荐方法，其特征在于，所述根据第一子区域的历史维修记录的数量确定第一子区域的修正得分，包括：
统计第一子区域内近一年的维修记录数量
Figure 271513DEST_PATH_IMAGE040
及近三个月的维修记录数量
Figure DEST_PATH_IMAGE041
，根据所述近一年的维修记录数量
Figure 652072DEST_PATH_IMAGE040
及近三个月的维修记录数量
Figure 437625DEST_PATH_IMAGE041
确定第一子区域的修正得分，确定第一子区域的修正得分
Figure 566118DEST_PATH_IMAGE042
是通过如下公式确定的：
Figure DEST_PATH_IMAGE043
其中，
Figure 429907DEST_PATH_IMAGE044
为历史数据训练得到的第三修正常数，
Figure 960245DEST_PATH_IMAGE045
为历史数据训练得到的第四修正常数。
7.根据权利要求1所述的一种漏水区域推荐方法，其特征在于，所述根据所述第一子区域的漏水得分和所述第一子区域的修正得分确定第一子区域的漏水推荐得分，包括：
根据所述第一子区域的漏水得分
Figure 182279DEST_PATH_IMAGE038
和所述第一子区域的修正得分
Figure 798068DEST_PATH_IMAGE042
确定第一子区域的漏水推荐得分
Figure 253496DEST_PATH_IMAGE046
是通过如下公式确定的：
Figure 372762DEST_PATH_IMAGE047
。
8.一种电子设备，其特征在于，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至7任一项所述一种漏水区域推荐方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至7任一项所述一种漏水区域推荐方法。
CN202211553373.2A 2022-12-06 2022-12-06 一种漏水区域推荐方法、电子设备和存储介质 Active CN115577861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211553373.2A CN115577861B (zh) 2022-12-06 2022-12-06 一种漏水区域推荐方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211553373.2A CN115577861B (zh) 2022-12-06 2022-12-06 一种漏水区域推荐方法、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN115577861A true CN115577861A (zh) 2023-01-06
CN115577861B CN115577861B (zh) 2023-04-18

Family

ID=84590402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211553373.2A Active CN115577861B (zh) 2022-12-06 2022-12-06 一种漏水区域推荐方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN115577861B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855070A (zh) * 2023-03-01 2023-03-28 东莞先知大数据有限公司 一种水管漏水检测方法、装置、电子设备和存储介质
CN116123465A (zh) * 2023-04-11 2023-05-16 东莞先知大数据有限公司 一种管道漏损预警方法、电子设备和存储介质
CN116128375A (zh) * 2023-03-29 2023-05-16 东莞先知大数据有限公司 一种用户用水信用异常确定方法、装置、电子设备和介质
CN116188203A (zh) * 2023-05-04 2023-05-30 东莞先知大数据有限公司 一种用户水管漏水检测方法、装置、电子设备和存储介质
CN116245512A (zh) * 2023-03-15 2023-06-09 东莞先知大数据有限公司 一种易漏损区域推荐方法、装置、电子设备和存储介质
CN116293480A (zh) * 2023-03-15 2023-06-23 东莞先知大数据有限公司 一种暗管检测方法、装置、电子设备和存储介质
CN116293486A (zh) * 2023-03-15 2023-06-23 东莞先知大数据有限公司 一种水管探漏方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107676634A (zh) * 2017-10-19 2018-02-09 郑州尚润电子科技有限公司 供水管网漏损检测分析方法、装置及系统
US20180136076A1 (en) * 2015-05-13 2018-05-17 Nec Corporation Water-leak state estimation system, method, and recording medium
CN109595469A (zh) * 2018-12-29 2019-04-09 清华大学 输水管网的水压检测和水流系统及方法
CN110864225A (zh) * 2018-08-28 2020-03-06 中华电信股份有限公司 用于输配水网的监控系统及方法
CN114331128A (zh) * 2021-12-28 2022-04-12 上海思寒环保科技有限公司 一种基于物联网的智慧水务管理方法、系统、设备及介质
CN115136131A (zh) * 2022-05-16 2022-09-30 广东逸动科技有限公司 漏水检测方法、漏水检测装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136076A1 (en) * 2015-05-13 2018-05-17 Nec Corporation Water-leak state estimation system, method, and recording medium
CN107676634A (zh) * 2017-10-19 2018-02-09 郑州尚润电子科技有限公司 供水管网漏损检测分析方法、装置及系统
CN110864225A (zh) * 2018-08-28 2020-03-06 中华电信股份有限公司 用于输配水网的监控系统及方法
CN109595469A (zh) * 2018-12-29 2019-04-09 清华大学 输水管网的水压检测和水流系统及方法
CN114331128A (zh) * 2021-12-28 2022-04-12 上海思寒环保科技有限公司 一种基于物联网的智慧水务管理方法、系统、设备及介质
CN115136131A (zh) * 2022-05-16 2022-09-30 广东逸动科技有限公司 漏水检测方法、漏水检测装置、电子设备及存储介质

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855070A (zh) * 2023-03-01 2023-03-28 东莞先知大数据有限公司 一种水管漏水检测方法、装置、电子设备和存储介质
CN115855070B (zh) * 2023-03-01 2023-04-28 东莞先知大数据有限公司 一种水管漏水检测方法、装置、电子设备和存储介质
CN116245512A (zh) * 2023-03-15 2023-06-09 东莞先知大数据有限公司 一种易漏损区域推荐方法、装置、电子设备和存储介质
CN116293480A (zh) * 2023-03-15 2023-06-23 东莞先知大数据有限公司 一种暗管检测方法、装置、电子设备和存储介质
CN116293486A (zh) * 2023-03-15 2023-06-23 东莞先知大数据有限公司 一种水管探漏方法、装置、电子设备和存储介质
CN116293480B (zh) * 2023-03-15 2023-09-12 东莞先知大数据有限公司 一种暗管检测方法、装置、电子设备和存储介质
CN116245512B (zh) * 2023-03-15 2023-09-26 东莞先知大数据有限公司 一种易漏损区域推荐方法、装置、电子设备和存储介质
CN116128375A (zh) * 2023-03-29 2023-05-16 东莞先知大数据有限公司 一种用户用水信用异常确定方法、装置、电子设备和介质
CN116128375B (zh) * 2023-03-29 2023-08-18 东莞先知大数据有限公司 一种用户用水信用异常确定方法、装置、电子设备和介质
CN116123465A (zh) * 2023-04-11 2023-05-16 东莞先知大数据有限公司 一种管道漏损预警方法、电子设备和存储介质
CN116188203A (zh) * 2023-05-04 2023-05-30 东莞先知大数据有限公司 一种用户水管漏水检测方法、装置、电子设备和存储介质
CN116188203B (zh) * 2023-05-04 2023-08-18 东莞先知大数据有限公司 一种用户水管漏水检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN115577861B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115577861A (zh) 一种漏水区域推荐方法、电子设备和存储介质
CN108038040A (zh) 计算机集群性能指标检测方法、电子设备及存储介质
CN111242793B (zh) 医保数据异常的检测方法和装置
CN111754110A (zh) 基于人工智能的经营指标评价方法、装置、设备及介质
CN115370973B (zh) 供水漏损监测方法、装置、存储介质及电子设备
CN113505942A (zh) 项目工程造价预估方法、装置、电子设备及存储介质
Cheng et al. Integrating chaotic initialized opposition multiple-objective differential evolution and stochastic simulation to optimize ready-mixed concrete truck dispatch schedule
CN113807046A (zh) 一种测试激励优化回归验证方法、系统及介质
CN105302724A (zh) 一种基于混和效应移除的即时缺陷预测方法
CN111324781A (zh) 一种数据分析方法、装置及设备
CN115879748A (zh) 一种基于大数据的企业信息化管理集成平台
CN114429265A (zh) 一种基于栅格技术的企业画像服务构建方法、装置及设备
CN112633701B (zh) 基于区块链的交通工程道路裂缝的巡检方法及系统
CN108920601A (zh) 一种数据匹配方法及装置
JP7070535B2 (ja) システム、方法、および、プログラム
Fang et al. A data-driven smooth test of symmetry
CN107368941A (zh) 一种湿地生态系统服务价值大数据评估方法及装置
CN111639057A (zh) 日志消息处理方法、装置、计算机设备及存储介质
CN114022045A (zh) 一种区域经济发展水平确定方法、装置及终端设备
CN113935295A (zh) 一种估值表汇总方法、装置、设备及介质
CN110796178B (zh) 决策模型训练方法及样本特征选择方法、装置和电子设备
CN113220551A (zh) 指标趋势预测及预警方法、装置、电子设备及存储介质
US11281458B2 (en) Evaluation of developer organizations
CN116862135B (zh) 一种机械设备维修分析方法、系统及电子设备
CN114205733B (zh) 一种高速道路用户的异常感知事件定位方法

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