CN115827697A - 基于大数据的小区水资源智能管理系统及其管理方法 - Google Patents
基于大数据的小区水资源智能管理系统及其管理方法 Download PDFInfo
- Publication number
- CN115827697A CN115827697A CN202211592300.4A CN202211592300A CN115827697A CN 115827697 A CN115827697 A CN 115827697A CN 202211592300 A CN202211592300 A CN 202211592300A CN 115827697 A CN115827697 A CN 115827697A
- Authority
- CN
- China
- Prior art keywords
- data
- day
- feature
- scale
- vectors
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 306
- 238000007726 management method Methods 0.000 title claims description 103
- 238000005406 washing Methods 0.000 claims abstract description 33
- 239000013589 supplement Substances 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 216
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000004821 distillation Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 240000004760 Pimpinella anisum Species 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 28
- 238000000034 method Methods 0.000 description 17
- 239000002699 waste material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 239000002351 wastewater Substances 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000010865 sewage Substances 0.000 description 6
- 230000003213 activating effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000008213 purified water Substances 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 3
- 239000010806 kitchen waste Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009182 swimming Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于大数据的小区水资源智能管理系统及其管理方法，其以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。再以当天的天气、温度和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而来判断当天是否收集雨水和洗漱用水用于水资源补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当天是否收集雨水和洗漱用水的水资源智能管理方案。
Description
技术领域
本发明涉及建筑节能领域，且更为具体的涉及一种基于大数据的小区水资源智能管理系统及其管理方法。
背景技术
目前，智慧小区管理是一种新的理念，是新形势下社会管理创新的一种新模式。充分借助互联网、物联网打造的智能型管理方式，智慧小区管理系统将管理、安防、设备管理等系统融为一体，将物理楼宇抽象为数字楼宇、通过数字楼宇打通互联网人的数据和物联网物的数据、形成新的管理与运营模式，即通过数字化运营提升效能，对楼宇进行集中监管、能源管理、运维管理等，实现各系统联动控制、协同处置；降低能源消耗、运维成本，提升楼宇环境舒适度，延长设备设施寿命，打造安全、舒适、便捷、智慧的楼宇，实现精细化管理提升管理效率，通过智能化场景提升客户体验。
现在的楼宇供水存在着不够稳定的情况，在用水高峰期经常会出现水龙头无水的现象，导致人们不能正常使用水源，供水设施较为落后，同时净化水源浪费较大，制备一吨纯净水源往往需要用到三吨水，极大的浪费了资源，在当今水资源缺乏的情况下，不仅增加了经济成本，同时影响了水源的后期使用，并且小区的绿化要求要达到不低于30%的绿化率，需要大量的水资源来浇灌绿化植物，有的小区甚至还有景观河，更是需要大量的水资源，在小区日常运营过程中，都会用到水资源，就会产生厕所污水、厨房废水和洗漱废水，在雨天还会产生雨水，这些水资源都会以污水废水的形式浪费掉，大大造成了水资源的浪费。
因此，期望一种优化的基于大数据的小区水资源智能管理系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的小区水资源智能管理系统及其管理方法，其以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。再以当天的天气、温度和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而来判断当天是否收集雨水和洗漱用水用于水资源补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当天是否收集雨水和洗漱用水的水资源智能管理方案。
根据本申请的一个方面，提供了一种基于大数据的小区水资源智能管理系统，其包括：历史数据采集模块，用于获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；当前数据采集模块，用于获取当天的天气数据、温度数据和日期数据；天数据编码模块，用于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；天特征增强模块，用于分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；天关联特征提取模块，用于将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；当前数据编码模块，用于将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；查询模块，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
在上述基于大数据的小区水资源智能管理系统中，所述天数据编码模块，包括：嵌入编码单元，用于通过分别将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行独热编码，以将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及，上下文语义编码单元，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个天特征向量。
在上述基于大数据的小区水资源智能管理系统中，所述上下文语义编码单元，包括：自注意子单元，用于计算所述输入向量的序列与所述输入向量的序列中各个输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述输入向量的序列中各个输入向量进行加权以得到所述多个天特征向量。
在上述基于大数据的小区水资源智能管理系统中，所述天特征增强模块，包括：增强因子计算单元，用于以如下公式分别计算所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数；其中，所述公式为：
其中
是所述多个天特征向量中每个天特征向量的各个位置的特征值，
表示所述多个天特征向量中每个天特征向量特征值集合的方差，且
是所述多个天特征向量中各个天特征向量的长度；以及，增强因子作用单元，用于以所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为加权系数分别对所述多个天特征向量中各个天特征向量进行加权以得到所述多个增强天特征向量。
在上述基于大数据的小区水资源智能管理系统中，所述天关联特征提取模块，进一步用于使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；对所述多尺度特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
在上述基于大数据的小区水资源智能管理系统中，所述天关联特征提取模块，进一步用于：以如下公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；其中，所述公式为：
其中，
、
、
和
分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，
表示级联函数。
在上述基于大数据的小区水资源智能管理系统中，所述管理结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种基于大数据的小区水资源智能管理方法，其包括：获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；获取当天的天气数据、温度数据和日期数据；将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
在上述基于大数据的小区水资源智能管理方法中，所述将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量，包括：分别通过将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行独热编码，以将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及，使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个天特征向量。
在上述基于大数据的小区水资源智能管理方法中，所述分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量，包括：以如下公式分别计算所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数；其中，所述公式为：
其中
是所述多个天特征向量中每个天特征向量的各个位置的特征值，
表示所述多个天特征向量中每个天特征向量特征值集合的方差，且
是所述多个天特征向量中各个天特征向量的长度；以及，以所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为加权系数分别对所述多个天特征向量中各个天特征向量进行加权以得到所述多个增强天特征向量。
在上述基于大数据的小区水资源智能管理方法中，所述将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵，包括：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；对所述多尺度特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
在上述基于大数据的小区水资源智能管理方法中，所述将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵，包括：以如下公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；其中，所述公式为：
其中，
、
、
和
分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，
表示级联函数。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于大数据的小区水资源智能管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于大数据的小区水资源智能管理方法。
与现有技术相比，本申请提供的基于大数据的小区水资源智能管理系统及其管理方法，其以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。再以当天的天气、温度和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而来判断当天是否收集雨水和洗漱用水用于水资源补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当天是否收集雨水和洗漱用水的水资源智能管理方案。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于大数据的小区水资源智能管理系统的框图。
图2为根据本申请实施例的基于大数据的小区水资源智能管理系统的架构图。
图3为根据本申请实施例的基于大数据的小区水资源智能管理系统中天数据编码模块的框图。
图4为根据本申请实施例的基于大数据的小区水资源智能管理系统中上下文语义编码单元的框图。
图5为根据本申请实施例的基于大数据的小区水资源智能管理方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述：如上述背景技术所言，现在的楼宇供水存在着不够稳定的情况，在用水高峰期经常会出现水龙头无水的现象，导致人们不能正常使用水源，供水设施较为落后，同时净化水源浪费较大，制备一吨纯净水源往往需要用到三吨水，极大的浪费了资源，在当今水资源缺乏的情况下，不仅增加了经济成本，同时影响了水源的后期使用，并且小区的绿化要求要达到不低于30%的绿化率，需要大量的水资源来浇灌绿化植物，有的小区甚至还有景观河，更是需要大量的水资源，在小区日常运营过程中，都会用到水资源，就会产生厕所污水、厨房废水和洗漱废水，在雨天还会产生雨水，这些水资源都会以污水废水的形式浪费掉，大大造成了水资源的浪费。因此，期望一种优化的基于大数据的小区水资源智能管理系统。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为小区水资源的智能管理提供了新的解决思路和方案。
相应地，考虑到由于在一年的不同时间中，小区内的用水会存在波动，例如夏天的用水需求量大，而冬天的用水需求量相对较小。并且，考虑到在供水量充足的情况下，就没有必要收集雨水和洗漱用水来进行水资源补偿，而在水资源不充足的情况下，则需要收集雨水和洗漱用水来进行水资源补偿，以此确保水资源满足需求。基于此，在本申请的技术方案中，期望通过大数据分析当天的天气、温度、时间等数据，判断是否收集雨水和洗漱用水，并净化后用于浇灌绿化植物和流入景观河、景观水池或者游泳池等用水区域。
具体地，考虑到在对于是否收集雨水和洗漱用水进行监控时，各天的天气、温度和日期都与水资源是否充足有着关联性关系，因此，在本申请的技术方案中，采用基于深度学习的人工智能监控技术，以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据这些历史数据作为参照数据，以提取出所述历史数据中各个数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。并且以所述当天的天气数据、温度数据和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而以此来判断当天是否收集雨水和洗漱用水用于水资源补充。也就是，将基于深度学习的人工智能技术与大数据算法相结合，以此来构建当天是否收集雨水和洗漱用水的水资源智能管理方案。这样，能够智能地对于当天水资源是否充足进行准确地判断，进而实时对于是否收集雨水和洗漱用水用于水资源补充进行监控管理，以避免水资源的浪费。
具体地，在本申请的技术方案中，首先，获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据。然后，考虑到各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据之间存在着关联，因此，为了能够充分提取出这些数据间的全局关联特征以此来准确地建立各项数据与水资源是否充足标签的关联性数据库，进一步使用包含嵌入层的基于转换器的上下文编码器来对于所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据进行基于全局的上下文语义编码以分别提取所述历史数据中各个数据基于全局的上下文语义关联特征，从而得到多个天特征向量。
进一步地，将所述多个天特征向量二维排列为历史特征矩阵以整合所述小区历史数据中各天的各个数据的全局关联特征后，考虑到所述历史特征矩阵中的各个历史数据在不同天内的全局关联特征也具有着不同程度的关联性，因此，进一步将所述历史特征矩阵通过包含多个混合卷积层的卷积神经网络模型中进行处理，以提取出所述历史特征矩阵的多尺度隐含关联特征，从而得到多尺度历史关联特征矩阵，以此来作为所述历史数据的数据特征库。相应地，在本申请的一个具体示例中，在所述混合卷积层（mixed convolutionlayer，MCL）中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入的所述历史特征矩阵进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的关联特征信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将 4 个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。
特别地，在本申请的技术方案中，这里，对于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过基于转换器的上下文编码器得到的所述多个天特征向量，考虑到所述历史数据中的以上数据可能会存在数据缺失或者数据异常，尽管基于转换器的上下文编码器可以通过掩码机制来预测这些缺失或者异常数据的上下文语义影响，但仍然会影响所述多个天特征向量之间的信息聚合度。这样，将所述多个天特征向量直接排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型时，可能会影响所述多尺度历史关联特征矩阵的表达效果。
基于此，对于所述多个天特征向量中的每个天特征向量，分别计算其类小波函数族能量聚合的高频增强蒸馏因数，表示为：
也就是，考虑到特征分布的信息表示倾向于集中在高频分量上，即，信息倾向于分布在高维流形的流形边缘，由此使用类小波函数族能量聚合的高频增强蒸馏的方式，可以通过特征分布的集合方差的蒸馏来增强高维隐状态特征的高频分量，并约束其低频分量。这样，通过以所述类小波函数族能量聚合的高频增强蒸馏因数对所述多个天特征向量加权后再排列为所述历史特征矩阵，就可以通过恢复全精度信息表示空间中的基本信息的方式来增强所述多个天特征向量之间的信息聚合度，从而提升所述多尺度历史关联特征矩阵的表达效果，进而提高了后续分类的准确性。
进一步地，在对于当天的水资源是否充足进行判断时，可以首先获取当天的天气数据、温度数据和日期数据，并将所述当天的天气数据、温度数据和日期数据也通过所述包含嵌入层的基于转换器的上下文编码器中进行编码处理，以提取出所述当天数据基于全局的上下文关联特征，从而得到查询特征向量。然后，以所述查询向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量，以此来从历史数据特征库中查询出当天的水资源是否充足的标签数据特征，进而来对于当天的水资源是否充足进行准确判断。
接着，进一步将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。也就是，将所述所述分类特征向量通过分类器中进行分类处理来对于当天的水资源是否充足进行准确判断，进而就能够得到结果用于表示是否收集雨水和洗漱用水用于水资源补充的分类结果。这样，能够智能地对于当天水资源是否充足进行准确判断，进而实时对于当天是否收集雨水和洗漱用水用于水资源补充进行监控管理，以避免水资源的浪费。
基于此，本申请提出了一种基于大数据的小区水资源智能管理系统，其包括：历史数据采集模块，用于获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；当前数据采集模块，用于获取当天的天气数据、温度数据和日期数据；天数据编码模块，用于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；天特征增强模块，用于分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；天关联特征提取模块，用于将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；当前数据编码模块，用于将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；查询模块，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及，管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统：图1为根据本申请实施例的基于大数据的小区水资源智能管理系统的框图。如图1所示，根据本申请实施例的基于大数据的小区水资源智能管理系统100，包括：历史数据采集模块110，用于获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；当前数据采集模块120，用于获取当天的天气数据、温度数据和日期数据；天数据编码模块130，用于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；天特征增强模块140，用于分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；天关联特征提取模块150，用于将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；当前数据编码模块160，用于将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；查询模块170，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及，管理结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
图2为根据本申请实施例的基于大数据的小区水资源智能管理系统的架构图。如图2所示，在所述基于大数据的小区水资源智能管理系统的架构中，首先，获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据，同时，获取当天的天气数据、温度数据和日期数据。接着，将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量。然后，分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量。进而，将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵。接着，将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量。然后，将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量。进而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
在上述基于大数据的小区水资源智能管理系统100中，所述历史数据采集模块110，用于获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据。如上述背景技术所言，现在的楼宇供水存在着不够稳定的情况，在用水高峰期经常会出现水龙头无水的现象，导致人们不能正常使用水源，供水设施较为落后，同时净化水源浪费较大，制备一吨纯净水源往往需要用到三吨水，极大的浪费了资源，在当今水资源缺乏的情况下，不仅增加了经济成本，同时影响了水源的后期使用，并且小区的绿化要求要达到不低于30%的绿化率，需要大量的水资源来浇灌绿化植物，有的小区甚至还有景观河，更是需要大量的水资源，在小区日常运营过程中，都会用到水资源，就会产生厕所污水、厨房废水和洗漱废水，在雨天还会产生雨水，这些水资源都会以污水废水的形式浪费掉，大大造成了水资源的浪费。因此，期望一种优化的基于大数据的小区水资源智能管理系统。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为小区水资源的智能管理提供了新的解决思路和方案。
相应地，考虑到由于在一年的不同时间中，小区内的用水会存在波动，例如夏天的用水需求量大，而冬天的用水需求量相对较小。并且，考虑到在供水量充足的情况下，就没有必要收集雨水和洗漱用水来进行水资源补偿，而在水资源不充足的情况下，则需要收集雨水和洗漱用水来进行水资源补偿，以此确保水资源满足需求。基于此，在本申请的技术方案中，期望通过大数据分析当天的天气、温度、时间等数据，判断是否收集雨水和洗漱用水，并净化后用于浇灌绿化植物和流入景观河、景观水池或者游泳池等用水区域。同时，在实施上述方法时，供电系统也可以通过数据分析，在不同的用电情况下，提供不同的电能分配方式，多利用夜间电和太阳能发电，来处理雨水或洗漱用水，达到节能减排的目的。另外，通过小区内的供水排水管道以及雨水管道，收集雨水和洗漱用水，雨水收集管道和洗漱用水管道各自独立，且独立于其他废水管道，方便收集处理，处理后的净化水可以用于浇灌绿化植物和流入景观河、景观水池或者游泳池等用水区域，也可用于建立洗车站，给业主提供服务，从而达到了节能减排的目的。
具体地，考虑到在对于是否收集雨水和洗漱用水进行监控时，各天的天气、温度和日期都与水资源是否充足有着关联性关系，因此，在本申请的技术方案中，采用基于深度学习的人工智能监控技术，以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据这些历史数据作为参照数据，以提取出所述历史数据中各个数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。并且以所述当天的天气数据、温度数据和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而以此来判断当天是否收集雨水和洗漱用水用于水资源补充。也就是，将基于深度学习的人工智能技术与大数据算法相结合，以此来构建当天是否收集雨水和洗漱用水的水资源智能管理方案。这样，能够智能地对于当天水资源是否充足进行准确地判断，进而实时对于是否收集雨水和洗漱用水用于水资源补充进行监控管理，以避免水资源的浪费。具体地，在本申请的技术方案中，首先，获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据。其中，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据可以从大数据平台上获取。
在上述基于大数据的小区水资源智能管理系统100中，所述当前数据采集模块120，用于获取当天的天气数据、温度数据和日期数据。为了后续将当天的天气数据、温度数据和日期数据作为查询数据对于当天的水资源是否充足进行判断时，首先要获取上述这些数据。同样地，这些数据可以由大数据平台提供。
在上述基于大数据的小区水资源智能管理系统100中，所述天数据编码模块130，用于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量。考虑到各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据之间存在着关联，因此，为了能够充分提取出这些数据间的全局关联特征以此来准确地建立各项数据与水资源是否充足标签的关联性数据库，进一步使用包含嵌入层的基于转换器的上下文编码器来对于所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据进行基于全局的上下文语义编码以分别提取所述历史数据中各个数据基于全局的上下文语义关联特征，从而得到多个天特征向量。这里，天特征向量表示某一天中的天气、温度、日期和水资源是否充足的全局信息。
具体地，在本申请的一个示例中，所述上下文编码器包括嵌入层和转换器。其中，所述嵌入层的作用在于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列。这里，可以通过独热编码的方式，将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量。其中，独热编码（One-Hot Encoding），又称一位有效编码，其方法是使用N位表示状态的数字来对N个状态进行编码，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。也就是，独热编码只利用0和1来表示一些参数，使用N位表示状态的数字来对N个状态进行编码。通过这样的方式，将数据结构化，以便于后续对数据进行处理。
所述转换器的作用为对所述输入向量的序列进行基于全局的上下文语义编码（即，对所述输入向量的序列中各个输入向量基于所述输入向量的序列全局的上下文语义编码）以得到对应于所述输入向量的序列的多个天特征向量，其中，所述多个天特征向量中一个天特征向量对应于一天中天气、温度、日期和水资源是否充足的全局上下文特征。
图3为根据本申请实施例的基于大数据的小区水资源智能管理系统中天数据编码模块的框图。如图3所示，所述天数据编码模块130，包括：嵌入编码单元131，用于通过分别将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行独热编码，以将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及，上下文语义编码单元132，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个天特征向量。
图4为根据本申请实施例的基于大数据的小区水资源智能管理系统中上下文语义编码单元的框图。如图4所示，所述上下文语义编码单元132，包括：自注意子单元1321，用于计算所述输入向量的序列与所述输入向量的序列中各个输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1322，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1323，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1324，用于分别以所述多个概率值中各个概率值作为权重对所述输入向量的序列中各个输入向量进行加权以得到所述多个天特征向量。
在上述基于大数据的小区水资源智能管理系统100中，所述天特征增强模块140，用于分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量。这里，对于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过基于转换器的上下文编码器得到的所述多个天特征向量，考虑到所述历史数据中的以上数据可能会存在数据缺失或者数据异常，尽管基于转换器的上下文编码器可以通过掩码机制来预测这些缺失或者异常数据的上下文语义影响，但仍然会影响所述多个天特征向量之间的信息聚合度。这样，将所述多个天特征向量直接排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型时，可能会影响所述多尺度历史关联特征矩阵的表达效果。基于此，对于所述多个天特征向量中的每个天特征向量，分别计算其类小波函数族能量聚合的高频增强蒸馏因数。
具体地，在本申请实施例中，所述天特征增强模块140，包括：增强因子计算单元，用于以如下公式分别计算所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数；其中，所述公式为：
其中
是所述多个天特征向量中每个天特征向量的各个位置的特征值，
表示所述多个天特征向量中每个天特征向量特征值集合的方差，且
是所述多个天特征向量中各个天特征向量的长度；以及，增强因子作用单元，用于以所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为加权系数分别对所述多个天特征向量中各个天特征向量进行加权以得到所述多个增强天特征向量。
也就是，考虑到特征分布的信息表示倾向于集中在高频分量上，即，信息倾向于分布在高维流形的流形边缘，由此使用类小波函数族能量聚合的高频增强蒸馏的方式，可以通过特征分布的集合方差的蒸馏来增强高维隐状态特征的高频分量，并约束其低频分量。这样，通过以所述类小波函数族能量聚合的高频增强蒸馏因数对所述多个天特征向量加权后再排列为所述历史特征矩阵，就可以通过恢复全精度信息表示空间中的基本信息的方式来增强所述多个天特征向量之间的信息聚合度，从而提升所述多尺度历史关联特征矩阵的表达效果，进而提高了后续分类的准确性。
在上述基于大数据的小区水资源智能管理系统100中，所述天关联特征提取模块150，用于将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵。也就是，将所述多个天特征向量二维排列为历史特征矩阵以整合所述小区历史数据中各天的各个数据的全局关联特征后，考虑到所述历史特征矩阵中的各个历史数据在不同天内的全局关联特征也具有着不同程度的关联性，因此，进一步将所述历史特征矩阵通过包含多个混合卷积层的卷积神经网络模型中进行处理，以提取出所述历史特征矩阵的多尺度隐含关联特征，从而得到多尺度历史关联特征矩阵，以此来作为所述历史数据的数据特征库。相应地，在本申请的一个具体示例中，在所述混合卷积层（mixed convolution layer，MCL）中，此模块的设计包括并联的四个分支，由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成，分别对输入的所述历史特征矩阵进行操作，将空洞卷积三个分支的扩张率分别设置为2、3、4，通过不同扩张率的设置可获得不同感受域的关联特征信息，即可得到不同尺度的特征图，在扩大感受野的同时，又避免了下采样损失信息，接着将 4 个分支特征图进行融合，使得采样更为密集，既拥有了高层特征，也没有增加额外的参数量。
具体地，在本申请实施例中，所述天关联特征提取模块150，进一步用于使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；对所述多尺度特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
具体地，在本申请实施例中，所述天关联特征提取模块150，进一步用于：以如下公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；其中，所述公式为：
其中，
、
、
和
分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，
表示级联函数。
在上述基于大数据的小区水资源智能管理系统100中，所述当前数据编码模块160，用于将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量。也就是，将所述当天的天气数据、温度数据和日期数据也通过所述包含嵌入层的基于转换器的上下文编码器中进行编码处理，以提取出所述当天数据基于全局的上下文关联特征，从而得到查询特征向量。
在上述基于大数据的小区水资源智能管理系统100中，所述查询模块170，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量。这里，将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量，表示将所述多尺度历史关联特征矩阵中的参考信息，也就是各个历史数据的全局关联特征映射至所述查询特征向量当中，使得所述分类特征向量包含所述查询特征和参考特征，也就是当天各项数据间的关联以及历史数据间的全局关联信息。也就是说，从历史数据特征库中查询出当天的水资源是否充足的标签数据特征。
在上述基于大数据的小区水资源智能管理系统100中，所述管理结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。也就是，将所述所述分类特征向量通过分类器中进行分类处理来对于当天的水资源是否充足进行准确判断，进而就能够得到结果用于表示是否收集雨水和洗漱用水用于水资源补充的分类结果。这样，能够智能地对于当天水资源是否充足进行准确判断，进而实时对于当天是否收集雨水和洗漱用水用于水资源补充进行监控管理，以避免水资源的浪费。
具体地，在本申请实施例中，所述管理结果生成模块180，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的所述基于大数据的小区水资源智能管理系统100被阐明，其以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。再以当天的天气、温度和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而来判断当天是否收集雨水和洗漱用水用于水资源补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当天是否收集雨水和洗漱用水的水资源智能管理方案。
如上所述，根据本申请实施例的基于大数据的小区水资源智能管理系统100可以实现在各种终端设备中，例如具有基于大数据的小区水资源智能管理功能的服务器等。在一个示例中，根据本申请实施例的基于大数据的小区水资源智能管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于大数据的小区水资源智能管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于大数据的小区水资源智能管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的小区水资源智能管理系统100与该终端设备也可以是分立的设备，并且该基于大数据的小区水资源智能管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图5为根据本申请实施例的基于大数据的小区水资源智能管理方法的流程图。如图5所示，根据本申请实施例的所述基于大数据的小区水资源智能管理方法，包括步骤：S110，获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；S120，获取当天的天气数据、温度数据和日期数据；S130，将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；S140，分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；S150，将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；S160，将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；S170，将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及，S180，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
在一个示例中，在上述基于大数据的小区水资源智能管理方法中，所述将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量，包括：分别通过将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行独热编码，以将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及，使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个天特征向量。
在一个示例中，在上述基于大数据的小区水资源智能管理方法中，所述分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量，包括：以如下公式分别计算所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数；其中，所述公式为：
其中
是所述多个天特征向量中每个天特征向量的各个位置的特征值，
表示所述多个天特征向量中每个天特征向量特征值集合的方差，且
是所述多个天特征向量中各个天特征向量的长度；以及，以所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为加权系数分别对所述多个天特征向量中各个天特征向量进行加权以得到所述多个增强天特征向量。
在一个示例中，在上述基于大数据的小区水资源智能管理方法中，所述将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵，包括：使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；对所述多尺度特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
在一个示例中，在上述基于大数据的小区水资源智能管理方法中，所述将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵，包括：以如下公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；其中，所述公式为：
其中，
、
、
和
分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，
表示级联函数。
综上，根据本申请实施例的所述基于大数据的小区水资源智能管理方法被阐明，其以小区的天气数据、温度数据、日期数据和水资源是否充足的标签数据作为历史参照数据，并提取出各个历史参照数据的基于全局的动态变化多尺度关联特征，进而以此来构建历史参照数据中的多尺度数据关联特征与水资源是否充足的标签之间的数据特征库。再以当天的天气、温度和日期数据在高维空间中的全局关联特征作为查询特征，以此来从数据特征库中查询出当天的水资源是否充足的标签数据特征，进而来判断当天是否收集雨水和洗漱用水用于水资源补充。这样，将基于深度学习的人工智能技术与大数据算法相结合，构建当天是否收集雨水和洗漱用水的水资源智能管理方案。
示例性电子设备：下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于大数据的小区水资源智能管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如小区历史数据以及当天的天气数据、温度数据和日期数据等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于大数据的小区水资源智能管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于大数据的小区水资源智能管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种基于大数据的小区水资源智能管理系统，其特征在于，包括：历史数据采集模块，用于获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；当前数据采集模块，用于获取当天的天气数据、温度数据和日期数据；天数据编码模块，用于将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；天特征增强模块，用于分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；天关联特征提取模块，用于将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；当前数据编码模块，用于将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；查询模块，用于将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
2.根据权利要求1所述的基于大数据的小区水资源智能管理系统，其特征在于，所述天数据编码模块，包括：嵌入编码单元，用于通过分别将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行独热编码，以将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及上下文语义编码单元，用于使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个天特征向量。
3.根据权利要求2所述的基于大数据的小区水资源智能管理系统，其特征在于，所述上下文语义编码单元，包括：自注意子单元，用于计算所述输入向量的序列与所述输入向量的序列中各个输入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述输入向量的序列中各个输入向量进行加权以得到所述多个天特征向量。
4.根据权利要求3所述的基于大数据的小区水资源智能管理系统，其特征在于，所述天特征增强模块，包括：增强因子计算单元，用于以如下公式分别计算所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数；其中，所述公式为：
其中
是所述多个天特征向量中每个天特征向量的各个位置的特征值，
表示所述多个天特征向量中每个天特征向量特征值集合的方差，且
是所述多个天特征向量中各个天特征向量的长度；以及增强因子作用单元，用于以所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为加权系数分别对所述多个天特征向量中各个天特征向量进行加权以得到所述多个增强天特征向量。
5.根据权利要求4所述的基于大数据的小区水资源智能管理系统，其特征在于，所述天关联特征提取模块，进一步用于使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行：基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图；基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图，其中，所述第二卷积核为具有第一空洞率的空洞卷积核；基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图，其中，所述第三卷积核为具有第二空洞率的空洞卷积核；基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图，其中，所述第四卷积核为具有第三空洞率的空洞卷积核；将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；对所述多尺度特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行激活处理以得到激活特征图；其中，所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度历史关联特征矩阵。
6.根据权利要求5所述的基于大数据的小区水资源智能管理系统，其特征在于，所述天关联特征提取模块，进一步用于：以如下公式将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到多尺度特征图；其中，所述公式为：
其中，
、
、
和
分别表示所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图，
表示级联函数。
7.根据权利要求6所述的基于大数据的小区水资源智能管理系统，其特征在于，所述管理结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种基于大数据的小区水资源智能管理方法，其特征在于，包括：获取小区历史数据，所述小区历史数据包括各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据；获取当天的天气数据、温度数据和日期数据；将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量；分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量；将所述多个增强天特征向量二维排列为历史特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度历史关联特征矩阵；将所述当天的天气数据、温度数据和日期数据通过所述包含嵌入层的基于转换器的上下文编码器以得到查询特征向量；将所述查询特征向量与所述多尺度历史关联特征矩阵进行相乘以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否收集雨水和洗漱用水用于水资源补充。
9.根据权利要求8所述的基于大数据的小区水资源智能管理方法，其特征在于，所述将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别通过包含嵌入层的基于转换器的上下文编码器以得到多个天特征向量，包括：通过分别将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据通过所述基于转换器的上下文编码器的嵌入层进行独热编码，以将所述历史数据中各天的天气数据、温度数据、日期数据和水资源是否充足的标签数据分别转化为输入向量以获得输入向量的序列；以及使用所述基于转换器的上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个天特征向量。
10.根据权利要求9所述的基于大数据的小区水资源智能管理方法，其特征在于，所述分别对所述多个天特征向量中各个天特征向量进行特征级数据增强以得到多个增强天特征向量，包括：以如下公式分别计算所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数；其中，所述公式为：
其中
是所述多个天特征向量中每个天特征向量的各个位置的特征值，
表示所述多个天特征向量中每个天特征向量特征值集合的方差，且
是所述多个天特征向量中各个天特征向量的长度；以及以所述多个天特征向量中各个天特征向量的类小波函数族能量聚合的高频增强蒸馏因数作为加权系数分别对所述多个天特征向量中各个天特征向量进行加权以得到所述多个增强天特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592300.4A CN115827697B (zh) | 2022-12-13 | 2022-12-13 | 基于大数据的小区水资源智能管理系统及其管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592300.4A CN115827697B (zh) | 2022-12-13 | 2022-12-13 | 基于大数据的小区水资源智能管理系统及其管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115827697A true CN115827697A (zh) | 2023-03-21 |
| CN115827697B CN115827697B (zh) | 2024-03-01 |
Family
ID=85546584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211592300.4A Active CN115827697B (zh) | 2022-12-13 | 2022-12-13 | 基于大数据的小区水资源智能管理系统及其管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115827697B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739219A (zh) * | 2023-06-29 | 2023-09-12 | 安徽鼎硕新材料有限公司 | 熔喷布生产管理系统及其方法 |
| CN117077870A (zh) * | 2023-10-12 | 2023-11-17 | 北京德润誉达科技有限公司 | 一种基于人工智能的水资源数字化管理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019153101A (ja) * | 2018-03-05 | 2019-09-12 | 三菱電機株式会社 | シミュレーション装置およびそのシミュレーション装置を用いた雨水監視システム |
| CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN111626518A (zh) * | 2020-05-29 | 2020-09-04 | 上海交通大学 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
| CN115439270A (zh) * | 2022-09-02 | 2022-12-06 | 宁夏水投云澜科技股份有限公司 | 基于降水与地下水均衡的人饮工程供水方法及系统 |
-
2022
- 2022-12-13 CN CN202211592300.4A patent/CN115827697B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019153101A (ja) * | 2018-03-05 | 2019-09-12 | 三菱電機株式会社 | シミュレーション装置およびそのシミュレーション装置を用いた雨水監視システム |
| CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN111626518A (zh) * | 2020-05-29 | 2020-09-04 | 上海交通大学 | 基于深度学习神经网络的城市天级需水量在线预测方法 |
| CN115439270A (zh) * | 2022-09-02 | 2022-12-06 | 宁夏水投云澜科技股份有限公司 | 基于降水与地下水均衡的人饮工程供水方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116739219A (zh) * | 2023-06-29 | 2023-09-12 | 安徽鼎硕新材料有限公司 | 熔喷布生产管理系统及其方法 |
| CN117077870A (zh) * | 2023-10-12 | 2023-11-17 | 北京德润誉达科技有限公司 | 一种基于人工智能的水资源数字化管理方法 |
| CN117077870B (zh) * | 2023-10-12 | 2023-12-22 | 北京德润誉达科技有限公司 | 一种基于人工智能的水资源数字化管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115827697B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115827697B (zh) | 基于大数据的小区水资源智能管理系统及其管理方法 | |
| Gao et al. | Interpretable deep learning model for building energy consumption prediction based on attention mechanism | |
| Ifaei et al. | An optimal renewable energy management strategy with and without hydropower using a factor weighted multi-criteria decision making analysis and nation-wide big data-Case study in Iran | |
| CN110490385A (zh) | 一种综合能源系统中电负荷和热负荷的联合预测方法 | |
| Liu et al. | Short-term load forecasting of multi-energy in integrated energy system based on multivariate phase space reconstruction and support vector regression mode | |
| Peng et al. | Dual-stage attention-based long-short-term memory neural networks for energy demand prediction | |
| Danandeh Mehr | Drought classification using gradient boosting decision tree | |
| Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
| Kosana et al. | Hybrid convolutional Bi-LSTM autoencoder framework for short-term wind speed prediction | |
| CN115951883A (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
| Zemzami et al. | Improvement of artificial neural networks to predict daily streamflow in a semi-arid area | |
| Bi et al. | Accurate water quality prediction with attention-based bidirectional LSTM and encoder–decoder | |
| Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
| Tian et al. | Urban ecological security assessment and path regulation for ecological protection-A case study of Shenzhen, China | |
| Huang et al. | A deep learning neural network for the residential energy consumption prediction | |
| Bai et al. | An attention mechanism-based deep regression approach with a sequence decomposition-granularity reconstruction-integration model for urban daily water supply forecasting | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| Zhang et al. | Building Energy Consumption Prediction Based on Temporal-Aware Attention and Energy Consumption States | |
| Wu et al. | Forecast of short‐term electricity price based on data analysis | |
| CN115296424A (zh) | 一种基于融合终端的分布式电源综合监测系统及方法 | |
| Liu et al. | Long-term prediction for autumn flood season in danjiangkou reservoir basin based on osr-bp neural network | |
| Zhu et al. | Priority power generation allocation method for reservoir power stations based on the priority index | |
| Wu et al. | Short-term Bus Passenger Flow Forecast Based on CNN-BiLSTM | |
| CN111598145A (zh) | 基于混合概率标签时变约束分配的非侵入式负荷监测方法 | |
| Cao et al. | A long-term operational scheme for hybrid hydro-photovoltaic (PV) systems that considers the uncertainties in reservoir inflow and solar radiation based on scenario trees |
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 |