CN115762059A - 智能防汛预警方法、装置、存储介质及电子设备 - Google Patents
智能防汛预警方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115762059A CN115762059A CN202211302817.5A CN202211302817A CN115762059A CN 115762059 A CN115762059 A CN 115762059A CN 202211302817 A CN202211302817 A CN 202211302817A CN 115762059 A CN115762059 A CN 115762059A
- Authority
- CN
- China
- Prior art keywords
- water level
- historical data
- data
- reservoir
- weather
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请关于一种智能防汛预警方法、装置、存储介质及电子设备。具体方案为：获取水库的水情历史数据；确定水库的天气预测数据；将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型；获取水位预测模型输出的目标位置水位预测值；将目标位置水位预测值与预设水位阈值进行比对，得到比对结果；响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。本申请可以提高水库防汛预警的准确性。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种智能防汛预警方法、装置、存储介质及电子设备。
背景技术
相关技术中，水库重要站点的水位预测是水库防洪中的重要问题,目前主要采用水动力学方法计算水位的预测值。但是由于采用水动力学方法对输入数据的准确性要求较高,而实时调度情况下又很难完全保证数据的准确性,因此容易造成较大的水位计算误差。
发明内容
为此，本申请提供一种智能防汛预警方法、装置、存储介质及电子设备。本申请的技术方案如下：
根据本申请实施例的第一方面，提供一种智能防汛预警方法，所述方法包括：
获取水库的水情历史数据；其中，所述水情历史数据包括入库流量历史数据和坝前水位历史数据；
确定水库的天气预测数据；
将所述入库流量历史数据、所述坝前水位历史数据和所述天气数据输入至预训练的水位预测模型；
获取所述水位预测模型输出的水库的目标位置水位预测值；
将所述目标位置水位预测值与预设水位阈值进行比对，得到比对结果；
响应于所述比对结果为所述目标位置水位预测值未落入所述预设水位阈值内，发出预警信号。
根据本申请的一个实施例，所述确定水库的天气预测数据，包括：
分别获取温度历史数据和降雨量历史数据；
将所述坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型；
获取所述最小二乘支持向量机预测模型输出的至少一个天气类型和所述至少一个天气类型各自对应的概率值；
将所述至少一个天气类型和所述至少一个天气类型各自对应的概率值确定为所述天气预测数据。
根据本申请的一个实施例，所述水位预测模型为长短期神经网络模型。
根据本申请实施例的第二方面，提供一种智能防汛预警装置，所述装置包括：
第一获取模块，用于获取水库的水情历史数据；其中，所述水情历史数据包括入库流量历史数据和坝前水位历史数据；
确定模块，用于确定水库的天气预测数据；
输入模块，用于将所述入库流量历史数据、所述坝前水位历史数据和所述天气数据输入至预训练的水位预测模型；
第二获取模块，用于获取所述水位预测模型输出的水库的目标位置水位预测值；
比对模块，用于将所述目标位置水位预测值与预设水位阈值进行比对，得到比对结果；
预警模块，用于响应于所述比对结果为所述目标位置水位预测值未落入所述预设水位阈值内，发出预警信号。
根据本申请的一个实施例，所述确定模块包括：
第一获取子模块，用于分别获取温度历史数据和降雨量历史数据；
输入子模块，用于将所述坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型；
第二获取子模块，用于获取所述最小二乘支持向量机预测模型输出的至少一个天气类型和所述至少一个天气类型各自对应的概率值；
确定子模块，用于将所述至少一个天气类型和所述至少一个天气类型各自对应的概率值确定为所述天气预测数据。
根据本申请的一个实施例，所述水位预测模型为长短期神经网络模型。
根据本申请实施例的第三方面，提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面中任一项所述的方法。
根据本申请实施例的第四方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。
根据本申请实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面任一项所述的卸车流程方案生成方法的步骤。
本申请的实施例提供的技术方案至少带来以下有益效果：
通过通过获取水库的水情历史数据；确定水库的天气预测数据；将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型；获取水位预测模型输出的目标位置水位预测值；将目标位置水位预测值与预设水位阈值进行比对，得到比对结果；响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。从而从水库运行的历史数据中挖掘知识,学习入库流量和坝前水位到目标站点水位的映射关系,不需要使用地形资料等数据,既可提升水位预测的精确度，进而提高水库防汛预警的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定。
图1为本申请实施例中的一种智能防汛预警方法的流程图；
图2为本申请实施例中的另一种智能防汛预警方法的流程图；
图3为本申请实施例中的一种智能防汛预警装置的结构框图；
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，相关技术中，水库重要站点的水位预测是水库防洪中的重要问题,目前主要采用水动力学方法计算水位的预测值。但是由于采用水动力学方法对输入数据的准确性要求较高,而实时调度情况下又很难完全保证数据的准确性,因此容易造成较大的水位计算误差。
基于上述问题，本申请提出了一种智能防汛预警方法、装置、存储介质及电子设备，可以实现通过获取水库的水情历史数据；确定水库的天气预测数据；将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型；获取水位预测模型输出的目标位置水位预测值；将目标位置水位预测值与预设水位阈值进行比对，得到比对结果；响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。从而从水库运行的历史数据中挖掘知识,学习入库流量和坝前水位到目标站点水位的映射关系,不需要使用地形资料等数据,既可提升水位预测的精确度，进而提高水库防汛预警的准确性。
图1为本申请实施例中的一种智能防汛预警方法的流程图。
如图1所示，该智能防汛预警方法包括：
步骤101，获取水库的水情历史数据。
其中，在本申请实施例中，水情历史数据包括入库流量历史数据和坝前水位历史数据。
作为一种可能实施的示例，服务器可以获取预设时间段内的水库中水情历史数据。其中，水情历史数据包括入库流量历史数据和坝前水位历史数据。
可以理解的是，入库流量历史数据和坝前水位历史数据均与水库的目标位置水位存在映射关系。
可选的，可以将水库的水情历史数据预先存储在历史数据库中。上述历史数据库可以是分布式数据库，能够有效地存储海量水情数据并应对数据的快速增长，同时利用大数据分析引擎对海量历史水情数据进行数据治理。
步骤102，确定水库的天气预测数据。
可以理解的是，天气变化可以对水库的水位变化造成影响，例如，雨天水库的水位上升较快，高温天气由于水的挥发到时水位下降，因此，天气数据与水库的目标位置水位预测值存在映射关系。
作为一种可能实施的示例，服务器可以预先对水库的天气进行预测，从而确定水库的天气预测数据。
步骤103，将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型。
作为一种可能实施的示例，可以预先对水情历史数据作为数据集，将数据集划分为训练集、验证集和测试集，基于训练集和验证集对上述水位预测模型进行训练。将测试集中的入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型，以使水位预测模型基于入库流量历史数据、坝前水位历史数据和天气数据对水库的目标位置水位进行预测。
步骤104，获取水位预测模型输出的水库的目标位置水位预测值。
作为一种可能实施的示例，服务器获取水位预测模型基于入库流量历史数据、坝前水位历史数据和天气数据对水库的目标位置水位进行预测后输出的水库的目标位置水位预测值。
步骤105，将目标位置水位预测值与预设水位阈值进行比对，得到比对结果。
需要说明的是，预设水位阈值可以是根据实际需求和水库的实际情况预先设定的安全水位阈值。
作为一种可能实施的示例，将目标位置水位预测值与预设水位阈值进行比对，确定目标位置水位预测值是否落入预设水位阈值范围内。
步骤106，响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。
作为一种可能实施的示例，响应于比对结果为目标位置水位预测值未落入预设水位阈值内，服务器发出预警信号，从而实现水库的防汛预警。
根据本申请实施例的智能防汛预警方法，通过获取水库的水情历史数据；确定水库的天气预测数据；将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型；获取水位预测模型输出的目标位置水位预测值；将目标位置水位预测值与预设水位阈值进行比对，得到比对结果；响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。从而从水库运行的历史数据中挖掘知识,学习入库流量和坝前水位到目标站点水位的映射关系,不需要使用地形资料等数据,既可提升水位预测的精确度，进而提高水库防汛预警的准确性。
图2为本申请实施例中的另一种智能防汛预警方法的流程图。
如图2所示，该智能防汛预警方法包括：
步骤201，获取水库的水情历史数据。
其中，在本申请实施例中，水情历史数据包括入库流量历史数据和坝前水位历史数据；
在本申请的实施例中，步骤201可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤202，分别获取温度历史数据和降雨量历史数据。
可以理解的是，天气变化可以对水库的水位变化造成影响，例如，雨天水库的水位上升较快，高温天气由于水的挥发到时水位下降，因此，天气数据与水库的目标位置水位预测值存在映射关系。
作为一种可能实施的示例，可以通过检测设备对水库的温度和降雨量进行检测。检测设备将检测到的温度数据和降雨量数据发送至服务器，服务器对上述数据进行存储，从而得到温度历史数据和降雨量历史数据。
步骤203，将坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型。
作为一种可能实施的示例，服务器将坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型。
可以理解的是，最小二乘支持向量机(least squares support veotor maohine,LSSVM)是一种遵循结构风险最小化(structural risk minimization,SRM)原则的核函数学习机器,其算法是最小二乘法，其原理是结构风险最小化。
步骤204，获取最小二乘支持向量机预测模型输出的至少一个天气类型和至少一个天气类型各自对应的概率值。
作为一种可能实施的示例，最小二乘支持向量机预测模型基于坝前水位历史数据、温度历史数据和降雨量历史数据对水库的天气进行预测，从而得到至少一个天气类型和至少一个天气类型各自对应的概率值并进行输出。
举例来说，最小二乘支持向量机预测模型基于坝前水位历史数据、温度历史数据和降雨量历史数据对水库的天气进行预测，输出结果为未来6个小时水库的天气是晴天的概率为10％，水库的天气是阴天的概率为30％，水库的天气是小雨的概率为15％，水库的天气是大雨的概率为45％。
步骤205，将至少一个天气类型和至少一个天气类型各自对应的概率值确定为天气预测数据。
作为一种可能实施的示例，服务器将至少一个天气类型和至少一个天气类型各自对应的概率值确定为天气预测数据。
步骤206，将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型。
在本申请的实施例中，步骤206可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤207，获取水位预测模型输出的水库的目标位置水位预测值。
在本申请的实施例中，步骤207可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤208，将目标位置水位预测值与预设水位阈值进行比对，得到比对结果。
在本申请的实施例中，步骤208可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
步骤209，响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。
在本申请的实施例中，步骤209可以分别采用本申请的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。
根据本申请实施例的智能防汛预警方法，通过分别获取温度历史数据和降雨量历史数据；将坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型；获取最小二乘支持向量机预测模型输出的至少一个天气类型和至少一个天气类型各自对应的概率值；将至少一个天气类型和至少一个天气类型各自对应的概率值确定为天气预测数据。从而将天气与目标位置水位的映射关系作为一个水位预测模型的输入，提高了水库的目标位置水位预测的准确性。
图3为本申请实施例中的一种智能防汛预警装置的结构框图。
如图3所示，该智能防汛预警装置包括：
第一获取模块301，用于获取水库的水情历史数据；其中，水情历史数据包括入库流量历史数据和坝前水位历史数据；
确定模块302，用于确定水库的天气预测数据；
输入模块303，用于将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型；
第二获取模块304，用于获取水位预测模型输出的水库的目标位置水位预测值；
比对模块305，用于将目标位置水位预测值与预设水位阈值进行比对，得到比对结果；
预警模块306，用于响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。
在本申请一些实施例中，确定模块302包括：
第一获取子模块，用于分别获取温度历史数据和降雨量历史数据；
输入子模块，用于将坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型；
第二获取子模块，用于获取最小二乘支持向量机预测模型输出的至少一个天气类型和至少一个天气类型各自对应的概率值；
确定子模块，用于将至少一个天气类型和至少一个天气类型各自对应的概率值确定为天气预测数据。
在本申请一些实施例中，水位预测模型为长短期神经网络模型。
根据本申请实施例的智能防汛预警装置，通过获取水库的水情历史数据；确定水库的天气预测数据；将入库流量历史数据、坝前水位历史数据和天气数据输入至预训练的水位预测模型；获取水位预测模型输出的目标位置水位预测值；将目标位置水位预测值与预设水位阈值进行比对，得到比对结果；响应于比对结果为目标位置水位预测值未落入预设水位阈值内，发出预警信号。从而从水库运行的历史数据中挖掘知识,学习入库流量和坝前水位到目标站点水位的映射关系,不需要使用地形资料等数据,既可提升水位预测的精确度。
图4为本申请实施例提供的电子设备的结构示意图。如图4所示，该电子设备可以包括：收发器41、处理器42、存储器43。
处理器42执行存储器存储的计算机执行指令，使得处理器42执行上述实施例中的方案。处理器42可以是通用处理器，包括中央处理器CPU、网络处理器(network processor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列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。
存储器43通过系统总线与处理器42连接并完成相互间的通信，存储器43用于存储计算机程序指令。
收发器41可以用于获取待运行任务和待运行任务的配置信息。
系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)。
本申请实施例提供的电子设备，可以是上述实施例的终端设备。
本申请实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中消息处理方法的技术方案。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例消息处理方法的技术方案。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中消息处理方法的技术方案。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种智能防汛预警方法，其特征在于，所述方法包括：
获取水库的水情历史数据；其中，所述水情历史数据包括入库流量历史数据和坝前水位历史数据；
确定水库的天气预测数据；
将所述入库流量历史数据、所述坝前水位历史数据和所述天气数据输入至预训练的水位预测模型；
获取所述水位预测模型输出的水库的目标位置水位预测值；
将所述目标位置水位预测值与预设水位阈值进行比对，得到比对结果；
响应于所述比对结果为所述目标位置水位预测值未落入所述预设水位阈值内，发出预警信号。
2.根据权利要求1所述的方法，其特征在于，所述确定水库的天气预测数据，包括：
分别获取温度历史数据和降雨量历史数据；
将所述坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型；
获取所述最小二乘支持向量机预测模型输出的至少一个天气类型和所述至少一个天气类型各自对应的概率值；
将所述至少一个天气类型和所述至少一个天气类型各自对应的概率值确定为所述天气预测数据。
3.根据权利要求1所述的方法，其特征在于，所述水位预测模型为长短期神经网络模型。
4.一种智能防汛预警装置，其特征在于，所述装置包括：
第一获取模块，用于获取水库的水情历史数据；其中，所述水情历史数据包括入库流量历史数据和坝前水位历史数据；
确定模块，用于确定水库的天气预测数据；
输入模块，用于将所述入库流量历史数据、所述坝前水位历史数据和所述天气数据输入至预训练的水位预测模型；
第二获取模块，用于获取所述水位预测模型输出的水库的目标位置水位预测值；
比对模块，用于将所述目标位置水位预测值与预设水位阈值进行比对，得到比对结果；
预警模块，用于响应于所述比对结果为所述目标位置水位预测值未落入所述预设水位阈值内，发出预警信号。
5.根据权利要求1所述的装置，其特征在于，所述确定模块包括：
第一获取子模块，用于分别获取温度历史数据和降雨量历史数据；
输入子模块，用于将所述坝前水位历史数据、温度历史数据和降雨量历史数据输入至预训练的最小二乘支持向量机预测模型；
第二获取子模块，用于获取所述最小二乘支持向量机预测模型输出的至少一个天气类型和所述至少一个天气类型各自对应的概率值；
确定子模块，用于将所述至少一个天气类型和所述至少一个天气类型各自对应的概率值确定为所述天气预测数据。
6.根据权利要求1所述的装置，其特征在于，所述水位预测模型为长短期神经网络模型。
7.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
9.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至3任一项所述的卸车流程方案生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211302817.5A CN115762059A (zh) | 2022-10-24 | 2022-10-24 | 智能防汛预警方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211302817.5A CN115762059A (zh) | 2022-10-24 | 2022-10-24 | 智能防汛预警方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115762059A true CN115762059A (zh) | 2023-03-07 |
Family
ID=85352944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211302817.5A Pending CN115762059A (zh) | 2022-10-24 | 2022-10-24 | 智能防汛预警方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762059A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及系统平台 |
-
2022
- 2022-10-24 CN CN202211302817.5A patent/CN115762059A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及系统平台 |
| CN117689501B (zh) * | 2024-02-03 | 2024-05-14 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及系统平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
| CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
| CN114548832B (zh) | 一种基于大数据的风电设备状态评估方法及系统 | |
| CN109886477B (zh) | 水污染的预测方法、装置及电子设备 | |
| CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN112565187B (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
| CN111767957B (zh) | 一种日志异常的检测方法、装置、存储介质及电子设备 | |
| CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
| CN115762059A (zh) | 智能防汛预警方法、装置、存储介质及电子设备 | |
| CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN113449703A (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
| CN116089231A (zh) | 一种故障告警方法、装置、电子设备及存储介质 | |
| CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
| CN116911824A (zh) | 基于电力大数据的智能决策方法及系统 | |
| CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
| CN115542930A (zh) | 一种隧洞动水环境下的水下机器人控制方法、装置、设备和介质 | |
| CN113515684A (zh) | 一种异常数据检测方法及装置 | |
| CN116658489B (zh) | 一种基于数字孪生的液压系统故障诊断方法及系统 | |
| CN116521761B (zh) | 基于人工智能的传感器运行行为挖掘方法及系统 | |
| CN117523844A (zh) | 一种异常车辆的确定方法、装置、车辆及存储介质 | |
| CN118230094A (zh) | 一种线路缺陷检测模型确定方法、装置、设备及介质 | |
| CN118210670A (zh) | 日志异常检测方法、装置、电子设备及存储介质 | |
| CN116980307A (zh) | 运维故障分析方法、装置及计算机设备 |
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 |