CN115829172A - 污染预测方法、装置、计算机设备和存储介质 - Google Patents

污染预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115829172A
CN115829172A CN202310161342.0A CN202310161342A CN115829172A CN 115829172 A CN115829172 A CN 115829172A CN 202310161342 A CN202310161342 A CN 202310161342A CN 115829172 A CN115829172 A CN 115829172A
Authority
CN
China
Prior art keywords
candidate
monitoring
indexes
objects
index
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
CN202310161342.0A
Other languages
English (en)
Other versions
CN115829172B (zh
Inventor
林斯杰
胡清
刘毅
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202310161342.0A priority Critical patent/CN115829172B/zh
Publication of CN115829172A publication Critical patent/CN115829172A/zh
Application granted granted Critical
Publication of CN115829172B publication Critical patent/CN115829172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及一种污染预测方法、装置、计算机设备和存储介质。所述方法包括：根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定候选对象的趋势信息和候选指标的趋势信息；根据候选对象的趋势信息、候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度；根据每两个候选对象之间的影响度和每两个候选指标之间的影响度，在候选对象和候选指标中，确定满足转移条件的目标对象和目标指标；将时间段内对各目标对象进行监测得到的各目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果。采用本方法能够实现对污染的准确预测。

Description

污染预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及环境保护技术领域，特别是涉及一种污染预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
地下水是重要的饮用水源，占饮用水比例高，至今仍为一些地区的供水水源以及应急水源。同时，由于地下水一旦污染后就难以恢复的特点，使得开展地下水污染预警工作尤为重要。地下水污染预警是指在地下水污染监测数据基础上对地下水中污染物浓度数值和趋势进行预测，并结合污染风险计算、警度阈值划分、警情处置等方法的系统综合响应措施。地下水污染预警的基础是地下水污染预测。
因此，亟需一种能够对污染进行准确预测的污染预测方法。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对污染进行准确预测的污染预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种污染预测方法。所述方法包括：
根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息；
根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度；
根据所述每两个候选对象之间的影响度和所述每两个候选指标之间的影响度，在所述候选对象和所述候选指标中，确定满足转移条件的目标对象和目标指标；
将所述时间段内对各所述目标对象进行监测得到的各所述目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果；所述污染预测结果包括各所述目标对象的各所述目标指标对应的污染预测子结果。
在其中一个实施例中，所述方法还包括：
根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度；
若两个监测对象之间的第一相关度大于预设的第一阈值，则根据预设的剔除规则，在所述两个监测对象中，确定剔除对象；
若两个监测指标之间的第一相关度大于预设的第二阈值，则根据预设的剔除规则，在所述两个监测指标中，确定剔除指标；
根据所述监测对象、所述监测指标、所述剔除对象和所述剔除指标，确定候选对象和候选指标。
在其中一个实施例中，所述根据所述监测对象、所述监测指标、所述剔除对象和所述剔除指标，确定候选对象和候选指标包括：
将所述监测对象中的所述剔除对象剔除，得到剩余对象；将所述监测指标中的所述剔除指标剔除，得到剩余指标；
根据预设时间段内对各所述剩余对象进行监测得到的各所述剩余指标的监测值，确定所述剩余对象的趋势信息和所述剩余指标的趋势信息；
根据所述剩余对象的趋势信息和所述剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度；
若两个剩余对象之间的第二相关度大于预设的第三阈值，则将所述两个剩余对象作为候选对象；若两个剩余指标之间的第二相关度大于预设的第四阈值，则将所述两个剩余指标作为候选指标。
在其中一个实施例中，所述趋势信息为趋势序列；所述根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息包括：
针对每一个候选指标，根据在相邻监测时间对同一个候选对象进行监测得到的所述候选指标的两个监测值的差，确定所述候选对象中所述候选指标的趋势子序列；
将所述候选对象中各所述候选指标的趋势子序列，构成所述候选对象的趋势序列；
将各所述候选对象中所述候选指标的趋势子序列，构成所述候选指标的趋势序列。
在其中一个实施例中，所述根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度包括：
将所述候选对象的趋势信息和所述候选指标的趋势信息输入至隐马尔科夫模型，得到所述候选对象的概率转移矩阵和所述候选指标的概率转移矩阵；
基于所述候选对象的概率转移矩阵，得到每两个候选对象之间的影响度；基于所述候选指标的概率转移矩阵，得到每两个候选指标之间的影响度。
在其中一个实施例中，所述方法还包括：
将所述候选对象的概率转移矩阵转换成所述候选对象的概率转移网络，并将所述候选指标的概率转移矩阵转换成所述候选指标的概率转移网络；
根据所述目标对象的概率转移网络和所述目标指标的概率转移网络，分别构建对象有向图和指标有向图；所述对象有向图的节点为目标对象，所述对象有向图的边为两个目标对象之间的影响度；所述指标有向图的节点为目标指标，所述指标有向图的边为两个目标指标之间的影响度；
基于所述对象有向图和所述指标有向图，进行污染预警。
在其中一个实施例中，所述基于所述对象有向图和所述指标有向图，进行污染预警包括：
展示所述对象有向图和所述指标有向图；
响应于用户对目标有向图的选定操作，根据与所述选定操作选定的节点之间的影响度，以预设的显示效果展示所述节点的邻居节点；所述目标有向图包括所述对象有向图和所述指标有向图。
第二方面，本申请还提供了一种污染预测装置。所述装置包括：
第一确定模块，用于根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息；
第二确定模块，用于根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度；
第三确定模块，用于根据所述每两个候选对象之间的影响度和所述每两个候选指标之间的影响度，在所述候选对象和所述候选指标中，确定满足转移条件的目标对象和目标指标；
预测模块，用于将所述时间段内对各所述目标对象进行监测得到的各所述目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果；所述污染预测结果包括各所述目标对象的各所述目标指标对应的污染预测子结果。
在其中一个实施例中，所述装置还包括：
计算模块，用于根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度；
第四确定模块，用于若两个监测对象之间的第一相关度大于预设的第一阈值，则根据预设的剔除规则，在所述两个监测对象中，确定剔除对象；
第五确定模块，用于若两个监测指标之间的第一相关度大于预设的第二阈值，则根据预设的剔除规则，在所述两个监测指标中，确定剔除指标；
第六确定模块，用于根据所述监测对象、所述监测指标、所述剔除对象和所述剔除指标，确定候选对象和候选指标。
在其中一个实施例中，所述第六确定模块，具体用于：
将所述监测对象中的所述剔除对象剔除，得到剩余对象；将所述监测指标中的所述剔除指标剔除，得到剩余指标；
根据预设时间段内对各所述剩余对象进行监测得到的各所述剩余指标的监测值，确定所述剩余对象的趋势信息和所述剩余指标的趋势信息；
根据所述剩余对象的趋势信息和所述剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度；
若两个剩余对象之间的第二相关度大于预设的第三阈值，则将所述两个剩余对象作为候选对象；若两个剩余指标之间的第二相关度大于预设的第四阈值，则将所述两个剩余指标作为候选指标。
在其中一个实施例中，所述趋势信息为趋势序列；所述第一确定模块，具体用于：
针对每一个候选指标，根据在相邻监测时间对同一个候选对象进行监测得到的所述候选指标的两个监测值的差，确定所述候选对象中所述候选指标的趋势子序列；
将所述候选对象中各所述候选指标的趋势子序列，构成所述候选对象的趋势序列；
将各所述候选对象中所述候选指标的趋势子序列，构成所述候选指标的趋势序列。
在其中一个实施例中，所述第二确定模块，具体用于：
将所述候选对象的趋势信息和所述候选指标的趋势信息输入至隐马尔科夫模型，得到所述候选对象的概率转移矩阵和所述候选指标的概率转移矩阵；
基于所述候选对象的概率转移矩阵，得到每两个候选对象之间的影响度；基于所述候选指标的概率转移矩阵，得到每两个候选指标之间的影响度。
在其中一个实施例中，所述装置还包括：
转换模块，用于将所述候选对象的概率转移矩阵转换成所述候选对象的概率转移网络，并将所述候选指标的概率转移矩阵转换成所述候选指标的概率转移网络；
构建模块，用于根据所述目标对象的概率转移网络和所述目标指标的概率转移网络，分别构建对象有向图和指标有向图；所述对象有向图的节点为目标对象，所述对象有向图的边为两个目标对象之间的影响度；所述指标有向图的节点为目标指标，所述指标有向图的边为两个目标指标之间的影响度；
预警模块，用于基于所述对象有向图和所述指标有向图，进行污染预警。
在其中一个实施例中，所述预警模块，具体用于：
展示所述对象有向图和所述指标有向图；
响应于用户对目标有向图的选定操作，根据与所述选定操作选定的节点之间的影响度，以预设的显示效果展示所述节点的邻居节点；所述目标有向图包括所述对象有向图和所述指标有向图。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述污染预测方法、装置、计算机设备、存储介质和计算机程序产品，根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定候选对象的趋势信息和候选指标的趋势信息，再根据候选对象和候选指标的检测值的趋势，计算每两个候选对象之间的影响度和每两个候选指标之间的影响度，再通过影响度，筛选趋势相似度足够的目标对象和目标指标，再通过污染预测模型和时间段内对各目标对象进行监测得到的各目标指标的监测值，同时预测多个目标对象的多个目标指标的污染物浓度，实现对污染的准确预测。
附图说明
图1为一个实施例中污染预测方法的流程示意图；
图2为另一个实施例中污染预测方法的流程示意图；
图3为一个实施例中确定候选对象和候选指标步骤的流程示意图；
图4为一个实施例中确定候选对象的趋势信息和候选指标的趋势信息步骤的流程示意图；
图5为一个实施例中确定每两个候选对象之间的影响度和每两个候选指标之间的影响度步骤的流程示意图；
图6为另一个实施例中污染预测方法的流程示意图；
图7为一个实施例中对象有向图的示意图；
图8为一个实施例中指标有向图的示意图；
图9为一个实施例中污染预测子结果的示意图；
图10为一个实施例中进行污染预警的流程示意图；
图11为一个实施例中污染预测装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种污染预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定候选对象的趋势信息和候选指标的趋势信息。
在本申请实施例中，候选对象为待预测的监测对象。候选对象可以为监测对象，也可以为经过筛选的监测对象。候选目标为待预测的监测目标。候选指标可以为监测指标，也可以为经过筛选的监测指标。监测对象包括但不限于液体、气体等。例如，液体可以包括水体、液体产品等，气体可以包括空气、气体产品等。水体可以为地下水井、河水、河流废水等，也可以为抽样的液体产品如奶制品、液体燃料等；气体可以为空气、气体燃料等。监测指标可以包括酸碱度、离子浓度、硬度、可吸入颗粒物浓度等，具体指标可根据实际场景设置。例如，可以收集地下水污染监测数据，监测指标可以为被纳入《地下水质量标准》（GB14848-2017）的所有数值类型指标，监测指标可以包括额外监测指标，监测指标视地下水污染监测网大小而定。即监测指标视监测对象的监测网大小而定。候选对象的趋势信息用于表示对每个候选对象进行监测得到的各监测指标的监测值的变化趋势。候选指标的趋势信息用于表示对各候选对象进行监测得到的每个监测指标的监测值的变化趋势。趋势信息可以为趋势矩阵和趋势序列。
终端获取预设时间段内对各候选对象进行监测得到的各候选指标的监测值。然后，终端根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定对每个候选对象进行监测得到的各监测指标的监测值的变化趋势和对各候选对象进行监测得到的每个监测指标的监测值的变化趋势。然后，终端将对每个候选对象进行监测得到的各监测指标的监测值的变化趋势，作为候选对象的趋势信息。同时，终端将对各候选对象进行监测得到的每个监测指标的监测值的变化趋势，作为候选指标的趋势信息。
步骤102，根据候选对象的趋势信息、候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度。
在本申请实施例中，两个候选对象之间的影响度用于表示一个候选对象的污染状态对另一个候选对象的污染状态的影响程度。两个候选指标之间的影响度用于表示一个候选指标的状态对另一个候选指标的状态的影响程度。影响度可以为转移概率。影响度计算规则用于计算影响度。
终端根据候选对象的趋势信息、候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度。
在一个示例中，终端根据候选对象的趋势信息、候选指标的趋势信息和预设的转移概率计算规则，计算每两个候选对象之间的影响度和每两个候选指标之间的影响度。
步骤103，根据每两个候选对象之间的影响度和每两个候选指标之间的影响度，在候选对象和候选指标中，确定满足转移条件的目标对象和目标指标。
在本申请实施例中，转移条件用于在候选对象和候选指标中，筛选目标对象和目标指标。转移条件可以包括转移阈值。转移阈值可以包括第一转移阈值和第二转移阈值。第一转移阈值用于衡量两个候选对象的状态之间的影响程度是否足够。第二转移阈值用于衡量两个候选指标的状态之间的影响程度是否足够。第一转移阈值与第二转移阈值可以相同，也可以不同。例如，第一转移阈值和第二转移阈值可以均0。
终端将每两个候选对象之间的影响度与第一转移阈值进行比较。若两个候选对象之间的影响度大于第一转移阈值，则该两个候选对象满足转移条件，终端将该两个候选对象，作为目标对象。同时，终端将每两个候选指标之间的影响度与第二转移阈值进行比较。若两个候选指标之间的影响度大于第二转移阈值，则该两个候选指标满足转移条件，终端将该两个候选指标，作为目标指标。
步骤104，将该时间段内对各目标对象进行监测得到的各目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果。
其中，污染预测结果包括各目标对象的各目标指标对应的污染预测子结果。
在本申请实施例中，污染预测模型用于对多个监测对象的多个监测指标同时进行预测的预测模型。污染预测模型可以为机器学习模型。污染预测模型可以包括具有反向传播能力的时序模型。例如，污染预测模型可以为长短期记忆网络（Long Short-TermMemory，LSTM）、循环神经网络（Recurrent Neural Network，RNN）、反向传播神经网络（BackPropagation，BP）或其他常见用于时间序列预测的机器学习模型。优选的污染预测模型为带注意力机制的长短期记忆网络（long short-term memorywith Attention，LSTM-A）。优选的污染预测模型的训练集和测试集比例为7:3或更高。污染预测结果包括指标浓度数值和指标浓度数值对应的发生概率。
终端将该时间段内对各目标对象进行监测得到的各目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果。
上述污染预测方法中，根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定候选对象的趋势信息和候选指标的趋势信息，再根据候选对象和候选指标的检测值的趋势，计算每两个候选对象之间的影响度和每两个候选指标之间的影响度，再通过影响度，筛选趋势相似度足够的目标对象和目标指标，再通过污染预测模型和预设时间段内对各目标对象进行监测得到的各目标指标的监测值，同时预测多个目标对象的多个目标指标的污染物浓度，实现对污染的准确预测。而且，上述方法同时预测多个目标对象的多个目标指标的污染物浓度，不仅考虑了监测对象间和监测指标间的联合概率发生问题，其预测结果可解释性较好，提高了对污染预测的准确性，还提高了数据丰度，对稀疏数据下的地下水环境监测数据具有较好的扩展维度效果，能够进一步提高对污染预测的准确性。不仅如此，相较于现有的水质模型预测方法，上述方法不仅基于实际监测数据，并结合了机器学习，能够避免水质模型预测方法在建模过程中过度概化所导致污染物浓度预测偏差，能够进一步提高对污染预测的准确性，还计算过程简便快捷，对CPU、内存等计算资源消耗程度远小于水质模型预测方法，计算过程不需要使用GPU等显卡加速方法进行加速。
在一个实施例中，如图2所示，污染预测方法还包括以下步骤：
步骤201，根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度。
在本申请实施例中，两个监测对象之间的第一相关度用于表示两个监测对象之间的监测值线性相关度或相似度。两个监测指标之间的第一相关度用于表示两个监测指标之间的监测值线性相关度或相似度。可以理解的是，第一相关度可以为用于表示两个变量之间的线性相关度或相似度中的任意一种相关度，本申请不作限定。例如，第一相关度可以为皮尔逊相关度和Jaccard相似度。
终端可以对预设时间段内对各监测对象进行监测得到的各监测指标的初始值进行预处理，得到预设时间段内对各监测对象进行监测得到的各监测指标的监测值。例如，预处理可以为去空值和去错值。然后，终端根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度。
在一个示例中，终端根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值和皮尔逊相关度的计算规则，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度。
步骤202，若两个监测对象之间的第一相关度大于预设的第一阈值，则根据预设的剔除规则，在这两个监测对象中，确定剔除对象。
在本申请实施例中，第一阈值用于衡量两个监测对象是否过于相似。例如，第一阈值可以为0.9。剔除规则用于确定剔除对象和剔除指标。剔除对象为在监测对象中剔除的对象。剔除规则用于在二者中将其一作为剔除对象或剔除指标。剔除规则可以为二者中将其任一作为剔除对象或剔除指标，也可以为二者中将指定的一个作为剔除对象或剔除指标，本申请不作限定。
若两个监测对象之间的第一相关度大于预设的第一阈值，则终端根据预设的剔除规则，在这两个监测对象中，确定剔除对象。
步骤203，若两个监测指标之间的第一相关度大于预设的第二阈值，则根据预设的剔除规则，在两个监测指标中，确定剔除指标。
在本申请实施例中，第二阈值用于衡量两个监测指标是否过于相似。第一阈值与第二阈值可以相等，也可以不相等，可以根据实际情况进行调整。例如，第一阈值和第二阈值可以均为0.9。剔除指标为在监测指标中剔除的指标。
若两个监测指标之间的第一相关度大于预设的第二阈值，则终端根据预设的剔除规则，在两个监测指标中，确定剔除指标。
在一个实施例中，第二阈值为0.9。两个监测指标EC和Ca2+的皮尔逊相关度p=0.936，两个监测指标总碱度和HCO3 -的皮尔逊相关度p=0.981，两个监测指标Mg2+和总硬度的皮尔逊相关度p=0.944，这三组两个监测指标均大于预设的第二阈值，则终端分别将EC、总碱度和总硬度指标，作为剔除指标。
步骤204，根据监测对象、监测指标、剔除对象和剔除指标，确定候选对象和候选指标。
在本申请实施例中，终端根据监测对象、监测指标、剔除对象和剔除指标，确定候选对象和候选指标。
在一个示例中，终端可以将监测对象中的剔除对象剔除，得到候选对象。同时，终端可以将监测指标中的剔除指标剔除，得到候选指标。
在一个示例中，终端可以将监测对象中的剔除对象剔除，得到剩余对象。然后，终端对剩余对象进行筛选，得到候选对象。同时，终端可以将监测指标中的剔除指标剔除，得到剩余指标。然后，终端对剩余指标进行筛选，得到候选指标。
上述污染预测方法中，先根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度，再根据预设的剔除规则，将第一相关度大于预设阈值的监测对象和监测指标，分别作为剔除对象和剔除指标，再根据监测对象、监测指标、剔除对象和剔除指标，确定候选对象和候选指标。这样，剔除线性相关度过高的监测指标和监测对象，去除冗余，能够得到更加准确的目标对象和目标指标，降低相关度过高的监测指标间和监测对象间的不必要干扰，进一步提高对污染预测的准确性。
在一个实施例中，如图3所示，根据监测对象、监测指标、剔除对象和剔除指标，确定候选对象和候选指标的具体过程包括以下步骤：
步骤301，将监测对象中的剔除对象剔除，得到剩余对象。将监测指标中的剔除指标剔除，得到剩余指标。
在本申请实施例中，剩余对象为在监测对象中剔除掉剔除对象剩下的监测对象。剩余指标为在监测指标中剔除掉剔除指标剩下的监测指标。
终端将监测对象中的剔除对象剔除，得到剩余对象。同时，终端将监测指标中的剔除指标剔除，得到剩余指标。
步骤302，根据预设时间段内对各剩余对象进行监测得到的各剩余指标的监测值，确定剩余对象的趋势信息和剩余指标的趋势信息。
在本申请实施例中，终端获取预设时间段内对各剩余对象进行监测得到的各剩余指标的监测值。然后，终端根据预设时间段内对各剩余对象进行监测得到的各剩余指标的监测值，确定对每个剩余对象进行监测得到的各监测指标的监测值的变化趋势和对各剩余对象进行监测得到的每个监测指标的监测值的变化趋势。然后，终端将对每个剩余对象进行监测得到的各监测指标的监测值的变化趋势，作为剩余对象的趋势信息。同时，终端将对各剩余对象进行监测得到的每个监测指标的监测值的变化趋势，作为剩余指标的趋势信息。
步骤303，根据剩余对象的趋势信息和剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度。
在本申请实施例中，两个剩余对象之间的第二相关度用于表示两个剩余对象的监测值的变化趋势之间的线性相关度或相似度。两个剩余指标之间的第二相关度用于表示两个剩余指标的监测值的变化趋势之间的线性相关度或相似度。可以理解的是，第二相关度可以为用于表示两个变化趋势之间的线性相关度或相似度中的任意一种相关度，本申请不作限定。例如，趋势信息可以为趋势序列，第二相关度可以为两个序列之间的余弦夹角值。
终端根据剩余对象的趋势信息和剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度。
在一个示例中，趋势信息为一维布尔值趋势序列。终端根据剩余对象的趋势信息和剩余指标的趋势信息，分别计算任意两个剩余对象的趋势信息的余弦夹角值和任意两个剩余指标的趋势信息的余弦夹角值。然后，终端将任意两个剩余对象的趋势信息的余弦夹角值，作为该两个剩余对象之间的第二相关度。同时，终端将任意两个剩余指标的趋势信息的余弦夹角值，作为该两个剩余指标之间的第二相关度。
步骤304，若两个剩余对象之间的第二相关度大于预设的第三阈值，则将该两个剩余对象作为候选对象。若两个剩余指标之间的第二相关度大于预设的第四阈值，则将该两个剩余指标作为候选指标。
在本申请实施例中，第三阈值用于衡量两个监测对象的监测值的变化趋势是否不够相似。例如，第三阈值可以为0.7。第四阈值用于衡量两个监测指标的监测值的变化趋势是否不够相似。第三阈值与第四阈值可以相等，也可以不相等，可以根据实际情况进行调整。例如，第三阈值和第四阈值可以均为0.7。
若两个剩余对象之间的第二相关度大于预设的第三阈值，则终端将该两个剩余对象作为候选对象。若两个剩余指标之间的第二相关度大于预设的第四阈值，则终端将该两个剩余指标作为候选指标。
上述污染预测方法中，先将监测对象中的剔除对象剔除，得到剩余对象。将监测指标中的剔除指标剔除，得到剩余指标，再根据预设时间段内对各剩余对象进行监测得到的各剩余指标的监测值，确定剩余对象的趋势信息和剩余指标的趋势信息，再根据剩余对象的趋势信息和剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度，再将第二相关度大于预设阈值的剩余对象和剩余指标，分别作为监测对象和监测指标。这样，进一步剔除监测值的变化趋势的线性相关度不够的监测指标和监测对象，去除冗余，能够得到更加准确的目标对象和目标指标，降低变化趋势相关度不够的监测指标间和监测对象间的不必要干扰，进一步提高对污染预测的准确性。
在一个实施例中，趋势信息为趋势序列。如图4所示，根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定候选对象的趋势信息和候选指标的趋势信息的具体过程包括以下步骤：
步骤401，针对每一个候选指标，根据在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差，确定该候选对象中该候选指标的趋势子序列。
在本申请实施例中，针对每一个候选指标，终端根据在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差，确定该候选对象中该候选指标的趋势子序列。其中，趋势子序列用于表示一个候选对象中一个候选指标的监测值随时间的变化趋势。具体的，终端可以根据在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差的正负性，生成该候选对象中该候选指标的布尔值趋势子序列。
在一个示例中，若在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差为正，则终端确定该候选对象中该候选指标的布尔值趋势子序列中包含的元素为0。若在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差为负，则终端确定该候选对象中该候选指标的布尔值趋势子序列中包含的元素为1。
可以理解的是，终端可以用在前一个监测时刻的对一个候选对象进行监测得到的该候选指标的监测值减去在后一个监测时刻的对该候选对象进行监测得到的该候选指标的监测值，得到在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差，也可以用在后一个监测时刻的对一个候选对象进行监测得到的该候选指标的监测值减去在前一个监测时刻的对该候选对象进行监测得到的该候选指标的监测值，得到在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差。
步骤402，将候选对象中各候选指标的趋势子序列，构成候选对象的趋势序列。
在本申请实施例中，终端将候选对象中各候选指标的趋势子序列，构成该候选对象的趋势矩阵。然后，终端对该候选对象的趋势矩阵降维，得到该候选对象的趋势序列。
在一个示例中，终端将该候选对象的高维度布尔趋势矩阵逐行拼接，拉平为一维布尔趋势矩阵，得到该候选对象的趋势序列。
步骤403，将各候选对象中候选指标的趋势子序列，构成候选指标的趋势序列。
在本申请实施例中，终端将各候选对象中候选指标的趋势子序列，构成该候选指标的趋势矩阵。然后，终端对该候选指标的趋势矩阵降维，得到该候选指标的趋势序列。
在一个示例中，终端将该候选指标的高维度布尔趋势矩阵逐行拼接，拉平为一维布尔趋势矩阵，得到该候选指标的趋势序列。
上述污染预测方法中，针对每一个候选指标，根据在相邻监测时间对同一个候选对象进行监测得到的该候选指标的两个监测值的差，确定该候选对象中该候选指标的趋势子序列，再将候选对象中各候选指标的趋势子序列，构成候选对象的趋势序列，将各候选对象中候选指标的趋势子序列，构成候选指标的趋势序列。这样，将监测对象和监测指标的变化趋势布尔值化，再将得到的多维矩阵拉平为一维向量，不仅使得趋势信息更加形象直观，还使得确定趋势信息和后续第二相关度、影响度的计算过程更加简便快捷，进一步减少对CPU、内存等计算资源消耗程度。
在一个实施例中，如图5所示，根据候选对象的趋势信息、候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度的具体过程包括以下步骤：
步骤501，将候选对象的趋势信息和候选指标的趋势信息输入至隐马尔科夫模型，得到候选对象的概率转移矩阵和候选指标的概率转移矩阵。
在本申请实施例中，终端将候选对象的趋势信息输入至隐马尔科夫模型，得到候选对象的概率转移矩阵。同时，终端将候选指标的趋势信息输入至隐马尔科夫模型，得到候选指标的概率转移矩阵。其中，候选对象的概率转移矩阵用于表示任两个候选对象之间状态转移概率。候选指标的概率转移矩阵用于表示任两个候选指标之间状态转移概率。
步骤502，基于候选对象的概率转移矩阵，得到每两个候选对象之间的影响度。基于候选指标的概率转移矩阵，得到每两个候选指标之间的影响度。
在本申请实施例中，终端将候选对象的概率转移矩阵中每两个候选对象之间的状态转移概率，作为每两个候选对象之间的影响度。同时，终端将候选指标的概率转移矩阵中每两个候选指标之间的状态转移概率，作为每两个候选指标之间的影响度。
上述污染预测方法中，将候选对象的趋势信息和候选指标的趋势信息输入至隐马尔科夫模型，得到候选对象的概率转移矩阵和候选指标的概率转移矩阵，再基于候选对象的概率转移矩阵，得到每两个候选对象之间的影响度，基于候选指标的概率转移矩阵，得到每两个候选指标之间的影响度。这样，通过隐马尔科夫模型确定候选对象间的状态转移概率和候选指标间的状态转移概率，并将候选对象间的状态转移概率和候选指标间的状态转移概率，分别作为候选对象间的影响度和候选指标间的影响度，能够准确的表示一个候选对象的污染状态对另一个候选对象的污染状态的影响程度和一个候选指标的状态对另一个候选指标的状态的影响程度，还隐含对监测对象间、监测指标间的非线性关系和隐式概率关系的识别，比单独考虑单个监测对象的单个指标的概率模型更加完备，在概率计算上具有更高的可解释性和准确度。
在一个实施例中，如图6所示，污染预测方法还包括以下步骤：
步骤601，将候选对象的概率转移矩阵转换成候选对象的概率转移网络，并将候选指标的概率转移矩阵转换成候选指标的概率转移网络。
在本申请实施例中，终端将候选对象的概率转移矩阵转换成候选对象的概率转移网络。同时，终端将候选指标的概率转移矩阵转换成候选指标的概率转移网络。
步骤602，根据目标对象的概率转移网络和目标指标的概率转移网络，分别构建对象有向图和指标有向图。
其中，对象有向图的节点为目标对象，对象有向图的边为两个目标对象之间的影响度。指标有向图的节点为目标指标，指标有向图的边为两个目标指标之间的影响度。
在本申请实施例中，终端将目标对象作为对象有向图的节点。然后，终端根据目标对象的概率转移网络，确定每两个目标对象之间的影响度。然后，终端将每两个目标对象之间的影响度，分别作为对象有向图的每两个节点之间的边。同时，终端将目标指标作为指标有向图的节点。然后，终端根据目标指标的概率转移网络，确定每两个目标指标之间的影响度。然后，终端将每两个目标指标之间的影响度，分别作为指标有向图的每两个节点之间的边。
在一个实施例中，目标对象包括：监测井S02、监测井S05、监测井S12、监测井S14、监测井S17、监测井S19、监测井S23、监测井S27、监测井S47、监测井S48、监测井S49、监测井S52、监测井S53、监测井S55和监测井S58。对象有向图如图7所示。对象有向图的节点为目标对象，对象有向图的边为两个目标对象之间的影响度。例如，监测井S55与监测井S58之间的影响度为0.4。
在一个实施例中，目标指标包括：Al、HCO3 -、NH4 +、K+、Mg2+、TDS、Na+、Ca+、NO3 -、OD、Mn、F-和NO2 +。指标有向图如图8所示。指标有向图的节点为目标指标，指标有向图的边为两个目标指标之间的影响度。例如，HCO3 -与Mg2+之间的影响度为0.3。
步骤603，基于对象有向图和指标有向图，进行污染预警。
在本申请实施例中，终端基于对象有向图和指标有向图，进行污染预警。
在一个示例中，终端响应于用户对对象有向图和/或指标有向图的选定操作，进行污染预警。
在一个示例中，终端在对象有向图和指标有向图上显示污染预测结果，进行污染预警。
在一个示例中，终端根据污染预测结果，对满足预设的预警条件的目标对象和目标指标，基于对象有向图和指标有向图，进行污染预警。
上述污染预测方法中，将候选对象的概率转移矩阵转换成候选对象的概率转移网络，并将候选指标的概率转移矩阵转换成候选指标的概率转移网络，再根据目标对象的概率转移网络和目标指标的概率转移网络，分别构建对象有向图和指标有向图，再基于对象有向图和指标有向图，进行污染预警。这样，通过概率转移网络这种有向图，形象直观的对污染进行预警，能够提高污染预警的效率。
在一个实施例中，污染预测子结果可以包括多个指标浓度数值和各指标浓度数值对应的发生概率。目标对象为监测井S02，目标指标为硝酸根NO3-，监测井S02中硝酸根NO3-的污染预测子结果如图9所示。预测的监测井S02中硝酸根NO3-的指标浓度数值为3.28mg/L，其对应的发生概率为37.54%。预测的监测井S02中硝酸根NO3-的指标浓度数值为4.32mg/L，其对应的发生概率为36.77%。预测的监测井S02中硝酸根NO3-的指标浓度数值为6.43mg/L，其对应的发生概率为30.77%。预测的监测井S02中硝酸根NO3-的指标浓度数值为5.56mg/L，其对应的发生概率为100.00%。预测的监测井S02中硝酸根NO3-的指标浓度数值为5.42mg/L，其对应的发生概率为28.54%。预测的监测井S02中硝酸根NO3-的指标浓度数值为3.41mg/L，其对应的发生概率为1.37%。
在一个实施例中，如图10所示，基于对象有向图和指标有向图，进行污染预警的具体过程包括以下步骤：
步骤1001，展示对象有向图和指标有向图。
在本申请实施例中，终端展示对象有向图和指标有向图。例如，终端在显示屏上展示对象有向图和指标有向图。
步骤1002，响应于用户对目标有向图的选定操作，根据与选定操作选定的节点之间的影响度，以预设的显示效果展示节点的邻居节点。
其中，目标有向图包括对象有向图和指标有向图。
在本申请实施例中，终端响应于用户对目标有向图的选定操作，根据与选定操作选定的节点之间的影响度，以预设的显示效果展示节点的邻居节点。其中，预设的显示效果可以为不同的颜色，也可以为相同颜色的不同的亮度，也可以为相同的显示效果，也可以为其他的显示效果，本申请不作限定。
在一个示例中，终端响应于用户对目标有向图的选定操作，根据与选定操作选定的节点之间的影响度，以相同颜色的不同的亮度展示节点的邻居节点。具体的，邻居节点与选定操作选定的节点之间的影响度越大，显示该邻居节点的同种颜色的亮度越亮。
在一个示例中，终端响应于用户对目标有向图的选定操作，将各邻居节点与该选定操作选定的节点之间的影响度与预设的展示阈值分别进行比较。若邻居节点与该选定操作选定的节点之间的影响度大于预设的展示阈值，则终端以预设的相同的显示效果展示该邻居节点。若邻居节点与该选定操作选定的节点之间的影响度小于或等于预设的展示阈值，则终端不展示该邻居节点。
上述污染预测方法中，展示对象有向图和指标有向图，并响应于用户对目标有向图的选定操作，根据与选定操作选定的节点之间的影响度，以预设的显示效果展示节点的邻居节点。这样，通过目标有向图，根据节点之间的影响度，更加形象直观的对污染进行预警，能够进一步提高污染预警的效率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的污染预测方法的污染预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个污染预测装置实施例中的具体限定可以参见上文中对于污染预测方法的限定，在此不再赘述。
在一个实施例中，如图11所示，提供了一种污染预测装置1100，包括：第一确定模块1110、第二确定模块1120、第三确定模块1130和预测模块1140，其中：
第一确定模块1110，用于根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息；
第二确定模块1120，用于根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度；
第三确定模块1130，用于根据所述每两个候选对象之间的影响度和所述每两个候选指标之间的影响度，在所述候选对象和所述候选指标中，确定满足转移条件的目标对象和目标指标；
预测模块1140，用于将所述时间段内对各所述目标对象进行监测得到的各所述目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果；所述污染预测结果包括各所述目标对象的各所述目标指标对应的污染预测子结果。
可选的，所述装置1100还包括：
计算模块，用于根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度；
第四确定模块，用于若两个监测对象之间的第一相关度大于预设的第一阈值，则根据预设的剔除规则，在所述两个监测对象中，确定剔除对象；
第五确定模块，用于若两个监测指标之间的第一相关度大于预设的第二阈值，则根据预设的剔除规则，在所述两个监测指标中，确定剔除指标；
第六确定模块，用于根据所述监测对象、所述监测指标、所述剔除对象和所述剔除指标，确定候选对象和候选指标。
可选的，所述第六确定模块，具体用于：
将所述监测对象中的所述剔除对象剔除，得到剩余对象；将所述监测指标中的所述剔除指标剔除，得到剩余指标；
根据预设时间段内对各所述剩余对象进行监测得到的各所述剩余指标的监测值，确定所述剩余对象的趋势信息和所述剩余指标的趋势信息；
根据所述剩余对象的趋势信息和所述剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度；
若两个剩余对象之间的第二相关度大于预设的第三阈值，则将所述两个剩余对象作为候选对象；若两个剩余指标之间的第二相关度大于预设的第四阈值，则将所述两个剩余指标作为候选指标。
可选的，所述趋势信息为趋势序列；所述第一确定模块1110，具体用于：
针对每一个候选指标，根据在相邻监测时间对同一个候选对象进行监测得到的所述候选指标的两个监测值的差，确定所述候选对象中所述候选指标的趋势子序列；
将所述候选对象中各所述候选指标的趋势子序列，构成所述候选对象的趋势序列；
将各所述候选对象中所述候选指标的趋势子序列，构成所述候选指标的趋势序列。
可选的，所述第二确定模块1120，具体用于：
将所述候选对象的趋势信息和所述候选指标的趋势信息输入至隐马尔科夫模型，得到所述候选对象的概率转移矩阵和所述候选指标的概率转移矩阵；
基于所述候选对象的概率转移矩阵，得到每两个候选对象之间的影响度；基于所述候选指标的概率转移矩阵，得到每两个候选指标之间的影响度。
可选的，所述装置1100还包括：
转换模块，用于将所述候选对象的概率转移矩阵转换成所述候选对象的概率转移网络，并将所述候选指标的概率转移矩阵转换成所述候选指标的概率转移网络；
构建模块，用于根据所述目标对象的概率转移网络和所述目标指标的概率转移网络，分别构建对象有向图和指标有向图；所述对象有向图的节点为目标对象，所述对象有向图的边为两个目标对象之间的影响度；所述指标有向图的节点为目标指标，所述指标有向图的边为两个目标指标之间的影响度；
预警模块，用于基于所述对象有向图和所述指标有向图，进行污染预警。
可选的，所述预警模块，具体用于：
展示所述对象有向图和所述指标有向图；
响应于用户对目标有向图的选定操作，根据与所述选定操作选定的节点之间的影响度，以预设的显示效果展示所述节点的邻居节点；所述目标有向图包括所述对象有向图和所述指标有向图。
上述污染预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种污染预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种污染预测方法，其特征在于，所述方法包括：
根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息；
根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度；
根据所述每两个候选对象之间的影响度和所述每两个候选指标之间的影响度，在所述候选对象和所述候选指标中，确定满足转移条件的目标对象和目标指标；
将所述时间段内对各所述目标对象进行监测得到的各所述目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果；所述污染预测结果包括各所述目标对象的各所述目标指标对应的污染预测子结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预设时间段内对各监测对象进行监测得到的各监测指标的监测值，计算任意两个监测对象之间的第一相关度和任意两个监测指标之间的第一相关度；
若两个监测对象之间的第一相关度大于预设的第一阈值，则根据预设的剔除规则，在所述两个监测对象中，确定剔除对象；
若两个监测指标之间的第一相关度大于预设的第二阈值，则根据预设的剔除规则，在所述两个监测指标中，确定剔除指标；
根据所述监测对象、所述监测指标、所述剔除对象和所述剔除指标，确定候选对象和候选指标。
3.根据权利要求2所述的方法，其特征在于，所述根据所述监测对象、所述监测指标、所述剔除对象和所述剔除指标，确定候选对象和候选指标包括：
将所述监测对象中的所述剔除对象剔除，得到剩余对象；将所述监测指标中的所述剔除指标剔除，得到剩余指标；
根据预设时间段内对各所述剩余对象进行监测得到的各所述剩余指标的监测值，确定所述剩余对象的趋势信息和所述剩余指标的趋势信息；
根据所述剩余对象的趋势信息和所述剩余指标的趋势信息，计算任意两个剩余对象之间的第二相关度和任意两个剩余指标之间的第二相关度；
若两个剩余对象之间的第二相关度大于预设的第三阈值，则将所述两个剩余对象作为候选对象；若两个剩余指标之间的第二相关度大于预设的第四阈值，则将所述两个剩余指标作为候选指标。
4.根据权利要求1所述的方法，其特征在于，所述趋势信息为趋势序列；所述根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息包括：
针对每一个候选指标，根据在相邻监测时间对同一个候选对象进行监测得到的所述候选指标的两个监测值的差，确定所述候选对象中所述候选指标的趋势子序列；
将所述候选对象中各所述候选指标的趋势子序列，构成所述候选对象的趋势序列；
将各所述候选对象中所述候选指标的趋势子序列，构成所述候选指标的趋势序列。
5.根据权利要求1所述的方法，其特征在于，所述根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度包括：
将所述候选对象的趋势信息和所述候选指标的趋势信息输入至隐马尔科夫模型，得到所述候选对象的概率转移矩阵和所述候选指标的概率转移矩阵；
基于所述候选对象的概率转移矩阵，得到每两个候选对象之间的影响度；基于所述候选指标的概率转移矩阵，得到每两个候选指标之间的影响度。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将所述候选对象的概率转移矩阵转换成所述候选对象的概率转移网络，并将所述候选指标的概率转移矩阵转换成所述候选指标的概率转移网络；
根据所述目标对象的概率转移网络和所述目标指标的概率转移网络，分别构建对象有向图和指标有向图；所述对象有向图的节点为目标对象，所述对象有向图的边为两个目标对象之间的影响度；所述指标有向图的节点为目标指标，所述指标有向图的边为两个目标指标之间的影响度；
基于所述对象有向图和所述指标有向图，进行污染预警。
7.根据权利要求6所述的方法，其特征在于，所述基于所述对象有向图和所述指标有向图，进行污染预警包括：
展示所述对象有向图和所述指标有向图；
响应于用户对目标有向图的选定操作，根据与所述选定操作选定的节点之间的影响度，以预设的显示效果展示所述节点的邻居节点；所述目标有向图包括所述对象有向图和所述指标有向图。
8.一种污染预测装置，其特征在于，所述装置包括：
第一确定模块，用于根据预设时间段内对各候选对象进行监测得到的各候选指标的监测值，确定所述候选对象的趋势信息和所述候选指标的趋势信息；
第二确定模块，用于根据所述候选对象的趋势信息、所述候选指标的趋势信息和预设的影响度计算规则，确定每两个候选对象之间的影响度和每两个候选指标之间的影响度；
第三确定模块，用于根据所述每两个候选对象之间的影响度和所述每两个候选指标之间的影响度，在所述候选对象和所述候选指标中，确定满足转移条件的目标对象和目标指标；
预测模块，用于将所述时间段内对各所述目标对象进行监测得到的各所述目标指标的监测值输入至预先训练的污染预测模型，得到污染预测结果；所述污染预测结果包括各所述目标对象的各所述目标指标对应的污染预测子结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202310161342.0A 2023-02-24 2023-02-24 污染预测方法、装置、计算机设备和存储介质 Active CN115829172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310161342.0A CN115829172B (zh) 2023-02-24 2023-02-24 污染预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310161342.0A CN115829172B (zh) 2023-02-24 2023-02-24 污染预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115829172A true CN115829172A (zh) 2023-03-21
CN115829172B CN115829172B (zh) 2023-05-12

Family

ID=85522266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310161342.0A Active CN115829172B (zh) 2023-02-24 2023-02-24 污染预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115829172B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689114A (zh) * 2023-12-19 2024-03-12 青海省环境地质勘查局 一种面向地下水的污染监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019120037A1 (zh) * 2017-12-18 2019-06-27 Oppo广东移动通信有限公司 模型构建方法、网络资源预加载方法、装置、介质及终端
CN112100575A (zh) * 2020-09-11 2020-12-18 石化盈科信息技术有限责任公司 设备状态趋势预测方法、装置、计算机设备和存储介质
WO2021109578A1 (zh) * 2019-12-02 2021-06-10 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
CN114066037A (zh) * 2021-11-10 2022-02-18 北京师范大学 一种基于人工智能的流域污染溯源预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019120037A1 (zh) * 2017-12-18 2019-06-27 Oppo广东移动通信有限公司 模型构建方法、网络资源预加载方法、装置、介质及终端
WO2021109578A1 (zh) * 2019-12-02 2021-06-10 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
CN112100575A (zh) * 2020-09-11 2020-12-18 石化盈科信息技术有限责任公司 设备状态趋势预测方法、装置、计算机设备和存储介质
CN114066037A (zh) * 2021-11-10 2022-02-18 北京师范大学 一种基于人工智能的流域污染溯源预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUAN YANG等: "Reliable Data Storage in Heterogeneous Wireless Sensor Networks by Jointly Optimizing Routing and Storage Node Deployment", 《TSINGHUA SCIENCE AND TECHNOLOGY》 *
张茜等: "基于BP神经网络马尔科夫模型的漳泽水库水质预测", 《黑龙江大学工程学报》 *
王腾等: "基于马尔可夫链的河流水质污染预测模型研究", 《安徽农业科学》 *
魏恒: "基于BP人工神经网络的大庆水库水质预测研究", 《中国优秀硕士学位论文全文数据库（电子期刊）医药卫生科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689114A (zh) * 2023-12-19 2024-03-12 青海省环境地质勘查局 一种面向地下水的污染监测系统

Also Published As

Publication number Publication date
CN115829172B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Wu et al. Examining the sensitivity of spatial scale in cellular automata Markov chain simulation of land use change
US20160292182A1 (en) Activity Based Analytics
CN115577114A (zh) 一种基于时序知识图谱的事件检测方法和装置
Huynh et al. Context-similarity collaborative filtering recommendation
Kamran et al. Decision support system for the prediction of mine fire levels in underground coal mining using machine learning approaches
CN115829172B (zh) 污染预测方法、装置、计算机设备和存储介质
Liu et al. Modeling the effect of scale on clustering of spatial points
CN117198421A (zh) 海洋环境智能探测系统及其方法
Yang et al. Fill in the blank: transferrable deep learning approaches to recover missing physical field information
CN117391466A (zh) 一种新型矛盾纠纷案件的预警方法和系统
CN116127312A (zh) 应急预案确定方法、装置、计算机设备和存储介质
CN116152637A (zh) 自动驾驶感知模型的评测方法、计算机设备和存储介质
Tat et al. A new type of multivariate records: depth-based records
CN115310672A (zh) 城市发展预测模型的构建方法、城市发展预测方法及装置
Clémençon et al. Building confidence regions for the ROC surface
Shi et al. On the complexity of bayesian generalization
Rajadevi et al. Prediction of crime occurrence using multinomial logistic regression
Bonabi Mobaraki et al. A demonstration of interpretability methods for graph neural networks
Zhou et al. MFF-Net: A multitask feature fusion network in dual-frequency domains for detecting smoke from one single picture
Borgonovo Mind the assumptions: quantify uncertainty and assess sensitivity
CN117874530B (zh) 对抗样本检测方法、装置、设备、介质和产品
Hsu Emerging Methods in Predictive Analytics: Risk Management and Decision-Making: Risk Management and Decision-Making
Kumar et al. A Modified Deep Learning Based Convolutional Neural Network Model for Facial Emotion Prediction
Geng et al. Dispersion Complex Network-Transition Entropy: A Novel Metric for Nonlinear Signal Processing
CN118820305A (zh) 案件分析方法、设备、存储介质及程序产品

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