CN115879747A - 一种数字化防汛抗旱调度方法和系统 - Google Patents
一种数字化防汛抗旱调度方法和系统 Download PDFInfo
- Publication number
- CN115879747A CN115879747A CN202310158801.XA CN202310158801A CN115879747A CN 115879747 A CN115879747 A CN 115879747A CN 202310158801 A CN202310158801 A CN 202310158801A CN 115879747 A CN115879747 A CN 115879747A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- drought
- monitoring data
- flood
- scheduling means
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种数字化防汛抗旱调度方法和系统,所述方法包括:步骤S1:作防汛抗旱调度数据采集并进行预处理;步骤S2:为所采集的防汛抗旱调度信息设置标签;步骤S3:拆分防汛抗旱调度信息以得到一个或多个调度手段;步骤S4:设置输入监测数据和输出监测数据;步骤S5:训练调度手段模型;步骤S6:获取适用于当前现场的防汛抗旱调度策略。本发明依托大数据分析技术,对现有的防汛抗旱预案业务过程进行统一整合和规范,对相关重点信息进行收集和电子化;实现基于调度手段的标准化流程处理,提高水旱灾害防御工作效率。
Description
技术领域
本发明属于防汛抗旱技术领域,尤其涉及一种数字化防汛抗旱调度方法和系统。
背景技术
水旱灾害防御调度指挥纷繁复杂,需要风情、雨情,水情,工情等数据的支撑, 除此之外,防汛抗旱相关方案预案(包括防汛抗旱应急预案、防御台风应急预案、洪水调度方案、蓄滞洪区运用预案、城市防洪预案、超标准洪水防御预案及各类水工程调度方案等)是有序应对洪涝干旱台风灾害的保障和依据,在历年灾害防范应对中发挥了至关重要的作用。
然而在实际工作中,由于预案存储的纸质化、分散性,相关信息来源多、缺乏一致性,数据交换共享不畅等等问题,无法满足新形势下高效、科学、规范的高要求。因此,如何实现预案高效化响应、规范化执行、科学化推演,成为亟需解决的问题。
进行水资源优化调度的方法有数学规划方法、网络流方法、大 系统分解协调方法和模拟技术。模拟技术是非常常用预测同步方法,还便于科学求解。因此,随着计算 机技术、信息化技术以及传感技术近年来地飞跃发展,目前已经在国内外广泛 应用。现有技术中,在进行防汛抗旱调度时,通常先进行数据收集和汇总,然后通过调度模型做科学分析和预测,最后,依据模型的输出给出合理的数据和适当的建议,但是这个方法面临三个问题,第一就是,水管部门常常需要对众多的水位点进行实时监测以及上报,由于监测点分散,分布范围广,监测的时效性、有效性、实时性都难以得到保障;第二个问题,也是最关键的问题就是,防汛抗旱工作本身的可预测性很差,静态预测很难取得较好的效果;第三个问题是一个根本问题,防汛抗旱可借鉴的数据不多,这就造成了样本数据非常有效,人工智能技术很难发挥有效的作用;基于上述问题,本发明依托大数据分析技术,对现有的防汛抗旱预案业务过程进行统一整合和规范,对相关重点信息进行收集和电子化;分析预案执行的每个关键缓环节,关联具体的防御处置行动,自动抓取、匹配相关信息,将预案执行和实施过程有机结合, 实现基于调度手段的标准化流程处理;统一实现防汛抗旱调度工作过程的管控和统计分析,提高水旱灾害防御工作效率。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种数字化防汛抗旱调度方法和系统,所述方法包含:
步骤S1:作防汛抗旱调度数据采集并进行预处理;
步骤S2:为所采集的防汛抗旱调度信息设置标签;其中:所述标签为包括防汛抗旱调度信息作用对象的属性和/或防汛抗旱调度中调度手段的属性;
步骤S3:基于所述标签的标签值在约束条件的限制下,按照最小标签单元拆分防汛抗旱调度信息以得到一个或多个调度手段;所述约束条件限制了可拆分标签类型及其拆分方式;
步骤S4:为每个调度手段设置与之对应的输入监测数据和输出监测数据;所述监测数据为监测装置获取到的监测值:输入监测数据是采用调度手段前作用对象的监测值;输出监测数据采用调度手段后作用对象的监测值;
步骤S5:将每个调度手段及其对应的输入监测数据和输出监测数据, 作用对象的属性、调度手段的属性作为训练样本,训练调度手段模型;其中:所述调度手段模型的输入参数是输入监测数据、作用对象的属性、调度手段的属性,输出是输出监测数据;
步骤S6:基于当前防汛抗旱调度作用现场的监测数据和调度手段模型获取适用于当前现场的防汛抗旱调度策略;具体为:设置短期调度目标,所述短期调度目标中包括短期的目标监测数据,将可使用调度手段做组合以构成组合调度手段集合,将作用现场的当前监测数据作为输入监测数据、组合调度手段集合中的每个组合调度手段的属性和作用现场的属性,输入调度手段模型以得到输出监测数据,比较输出监测数据和目标监测数据,选择最接近目标监测数据的组合调度手段;将输出监测数据作为新的输入监测数据,重复上述步骤直到所设置的短期调度目标是最终的调度目标监测数据为止;将得到的所有组合调度手段按照时间顺序组合起来后得到适用于当前现场的防汛抗旱调度策略。
进一步的,所述调度手段模型是神经网络模型。
进一步的,所述神经网络模型是卷积神经网络模型。
进一步的,将调度手段的属性、作用对象的属性作数值化后作为调度手段模型输入的一部分;将输入监测数据作为调度手段模型输入的另一部分。
进一步的,所述监测数据包括降雨量、蒸发量、航道水位、边界出入流量、水质、温度、和/或气候气象数据。
一种数字化防汛抗旱调度系统,包括:服务器和控制终端;所述服务器用于实现上述数字化防汛抗旱调度方法。
进一步的,所述服务器为云服务器。
一种执行设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的数字化防汛抗旱调度方法。
一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的数字化防汛抗旱调度方法。
一种云服务器,所述云服务器被配置为执行所述的数字化防汛抗旱调度方法。
本发明的有益效果包括:
(1)通过拆分调度信息形成作用范围较小的调度手段,从而在大大降低了调度信息的复杂度的同时大大增加了可借鉴调度信息的数量,为人工智能技术的发挥提供了良好的基础;对应的,根据当前作用现场实际监测情况和可用调度手段,利用人工智能技术充分利用大数据调度信息选择当前现场的防汛抗旱调度策略;
(2)基于数据类型之间的存在的天然的不同紧密程度的关联性,为不同情况下可能存在的不同数据类型的数据值做补充设置,弥补了监测时效性、有效性和实时性不足带来的问题;
(3)全面考虑数字化防汛抗旱的影响因素,构建包括输入监测数据、作用对象的属性、调度手段的属性和输出监测数据的神经网络模型,得到有效调度手段,为构建调度策略提供可扩充的、可量化的数字化手段。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1为本发明提供的数字化防汛抗旱调度方法示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定通过。
本发明提出一种数字化防汛抗旱调度方法和系统,所述方法包括如下步骤:
步骤S1:作防汛抗旱调度数据采集并进行预处理;具体为:收集历史防汛抗旱调度信息,保存收集到的信息;
优选的:跨区域、跨时间的从各个防汛抗旱信息库获取防汛抗旱调度信息,其中:防汛抗旱信息库用于保存重要的防汛抗旱相关日常信息和重点业务信息材料,为重要业务流程提供共享数据和服务;
步骤S2:为所采集的防汛抗旱调度信息设置标签;其中:所述标签为包括防汛抗旱调度信息作用对象的属性和/或防汛抗旱调度中调度手段的属性;例如;作用对象包括地理区域、地理类型、作用时间及其时间长度、河床地貌、农田分布等;调度手段包括调整出入流量、抬高闸门、抬高次数、闸门尺寸、抬高时间、闸门类型等;
步骤S3:基于所述标签的标签值在约束条件的限制下,按照最小标签单元拆分防汛抗旱调度信息以得到一个或多个调度手段;所述约束条件限制了可拆分标签类型及其拆分方式;例如:部分标签是可拆分的、第一部分标签需要和第二部分标签不可同时拆分、或特定标签可拆分的最小单元等;
优选的:基于作用对象属性的最小单元拆分防汛抗旱调度信息以得到针对所述作用对象的一个或多个调度手段;例如:所述拆分为按照最小时间单元拆分、按照区域大小拆分等;
优选的:每种标签的最小标签单元是不同的;
可替换的:采用人工的方式做拆分;针对一个作用对象的调度策略往往是复杂而可拆分的,因为防汛抗旱调度往往打的就是组合拳,真是利用这一特点,所以本发明通过拆分调度信息形成作用范围较小的调度手段,从而在大大降低了调度信息的复杂度的同时大大增加了可借鉴调度信息的数量,为人工智能技术的发挥提供了良好的基础;
步骤S4:为每个调度手段设置与之对应的输入监测数据和输出监测数据;所述监测数据为监测装置获取到的监测值:输入监测数据是采用调度手段前作用对象的监测值;输出监测数据采用调度手段后作用对象的监测值;
优选的:所述监测装置包括利用包含水位计、闸位仪、水质测定仪、摄像机、盐度计、温度计等;
优选的:所述监测数据包括降雨量、蒸发量、航道水位、边界出入流量、水质、温度、气候气象数据等;
所述步骤S4具体包括如下步骤:
步骤S41:针对每种监测数据类型,从历史防汛抗旱调度信息的历史监测数据中获取针对所述作用对象的实际监测数据;若获取成功,则用所述获取的实际监测数据设置输入监测数据和/或输出监测数据;若不成功,则将所述监测数据类型放入待设置数据类型集合;
步骤S42:判断是否所有监测数据类型均处理完毕,如果是,则进入步骤S43;否则,返回步骤S41;
步骤S43: 从待设置数据类型集合中取出一个未设置数据类型;
步骤S45: 确定补集中每个数据类型和所述未设置数据类型之间的关联度;
优选的:所述关联性是指两个数据类型的数据值变化之间的敏感性和/或物理含义关联性;其中:变化敏感性是指第一数据类型对第二数据类型的变化敏感,当第二数据类型的数据值发生变化时,第一数据类型也随之发生变化;变化的大小描述了敏感性的程度,也就对应关联度大小的不同;关联度可以采用人工设定的方式,也可以通过测定敏感程度的方式设置;可以看出,由于数据类型之间是两两关联关系,因此,每种数据类型,为其设置的针对不同其他数据类型的关联度是不同的;
步骤S46:将所述关联性作为权重值,计算历史监测数据和待设置监测数据之间的相似度;将相似度小于相似度阈值的历史监测数据放入目标监测数据集合; 这里计算的实际上是所有补集中数据类型的数据值之间的相似度;而且针对每个待设置检测数据和历史监测数据来说都要重复这样的计算;
其中:c是待设置监测数据,h是第h个历史监测数据;是未设置数据类型u和补集/>中第tp数据类型之间的关联度;/>是待设置监测数据第tp数据类型的数据值;是第h个历史监测数据的第tp数据类型的数据值,/>是第tp数据类型的归一化调节系数;
优选的:所述历史监测数据是针对和当前作用对象的属性相似或者相同的作用对象的历史监测数据;
步骤S47:基于所述目标监测数据集合中所述未设置数据类型的数据值设置所述每个调度手段设置未设置数据类型的输入监测数据和输出监测数据;
优选的:选择相似度最高的历史监测数据所述未设置数据类型的数据值设置调度手段设置未设置数据类型的输入监测数据和输出监测数据;
优选的:获取目标监测数据集合中每个历史监测数据的作用对象,选择作用对象和当前调度手段作用对象最相似的历史监测数据进行设置;具体的设置方式是,用所述最相似的历史监测数据的未设置数据类型的数据值设置调度手段设置未设置数据类型的输入监测数据和输出监测数据;
步骤S48:判断是否待设置数据类型集合中所有数据类型均设置完毕,如果是,则本步骤结束;否则,返回步骤S43;
本发明基于数据类型之间的天然存在的不同紧密程度的关联性,为不同情况下可能存在的不同数据类型的数据值做补充设置,弥补了监测时效性、有效性和实时性不足带来的问题;
步骤S5:将每个调度手段及其对应的输入监测数据和输出监测数据, 作用对象的属性、调度手段的属性作为训练样本,训练调度手段模型;其中:所述调度手段模型的输入参数是输入监测数据、作用对象的属性、调度手段的属性,输出是输出监测数据;
优选的:所述调度手段模型是神经网络模型;
优选的:所述神经网络模型是卷积神经网络模型;
优选的:将调度手段的属性、作用对象的属性作数值化后作为调度手段模型输入的一部分;将输入监测数据作为调度手段模型输入的另一部分;
更进一步:所述神经网络模型是多层次神经网络模型,将所述一部分作为第一部分层次的输入, 将所述另一部分作为第二部分层次的输入;
可替换的:所述神经网络模型是反馈神经网络模型,将所述另一部分作为反馈神经网络模型的输入,将所述一部分作为反馈输入的权重值;
可替换的,所述步骤S5:将每个调度手段及其对应的输入监测数据和输出监测数据, 作用对象的属性、调度手段的属性作为训练样本,训练调度手段模型;其中:所述调度手段模型的输入参数是输入监测数据、作用对象的属性、输出监测数据;输出是调度手段的属性;
优选的:所述输入监测数据和输出监测数据以差值的方式作为调度手段模型的输入;
优选的:将作用对象的属性作数值化后作为调度手段模型输入的一部分;将调度手段属性作数值化后作为调度手段模型输出;
步骤S6:基于当前防汛抗旱调度作用现场的监测数据和调度手段模型获取适用于当前现场的防汛抗旱调度策略;具体为:设置短期调度目标,所述短期调度目标中包括短期的目标监测数据,将可使用调度手段做组合以构成组合调度手段集合,将作用现场的当前监测数据作为输入监测数据、组合调度手段集合中的每个组合调度手段的属性和作用现场的属性,输入调度手段模型以得到输出监测数据,比较输出监测数据和目标监测数据,选择最接近目标监测数据的组合调度手段;将输出监测数据作为新的输入监测数据,重复上述步骤直到所设置的短期调度目标是最终的调度目标监测数据为止;将得到的所有组合调度手段按照时间顺序组合起来后得到适用于当前现场的防汛抗旱调度策略;
优选的:可使用调度手段做组合以构成组合调度手段集合,这里的组合是随机组合;
可替换的:所述组合是专家人工组合;
可替换的;对应上述可替换的步骤S5,所述步骤S6具体包括如下步骤:
步骤S61:将当前防汛抗旱调度作用现场的当前监测数据和最终的调度目标监测数据之间的数据值区间作随意切分以形成多个中间监测数据;
可替换的:所述随意切分为按照预设的单位进行切分;针对每种不同的数据类型,其切分单元是不同的;
步骤S62:从作用现场的当前监测数据、多个中间监测数据中的一个、多个中间监测数据中的另一个、调度目标监测数据中选择两个分别作为输入监测数据和输出监测数据,输入到调度手段模型中以得到调度手段属性;重复步骤S62以得到多个调度手段,并将所述多个调度手段放入目标调度集合中;此时,输入监测数据并非一定要比输出监测数据更优,也就是说,这种方式可以获取局部并非最优而全局最优的调度策略;
步骤S63:若目标调度集合中的第一调度手段对应的输出监测数据等于目标调度集合中的第二调度手段对应的输入监测数据,则将两个调度手段连接以构成组合调度手段,并将所述组合调度手段放入目标调度集合中;重复步骤S63最终得到多个待选组合调度手段,所述多个待选组合调度手段的输入监测数据和输出监测数据分别等于作用现场的输入监测数据和最终的调度目标监测数据;
优选的:所述等于为约等于或者接近于;
步骤S64:从所述多个待选组合调度手段中选择一个最优的组合调度手段作为适用于当前现场的防汛抗旱调度策略;
优选的:通过比较现在可用的调度手段来得到最优的组合调度手段;
基于相同的发明构思,本发明还提供一种数字化防汛抗旱调度系统,所述系统包括:服务器和控制终端;所述服务器用于实现上述数字化防汛抗旱调度方法;所述控制终端用于发送数字化防汛抗旱调度请求至所述服务器;所述请求中作用现场的监测数据、最终的目标监测数据、作用现场属性,可用调度手段的属性等;
优选的:所述服务器为云服务器;所述服务器为一个或者多个;
优选的:所述控制终端是位于灾害防御调度指挥中心的计算终端、位于灾害防御调度现场的移动终端等;
优选的:所述系统还包括大数据服务器,所述大数据服务器用设置防汛抗旱信息库;
本发明依托大数据分析技术,对现有的防汛抗旱预案业务过程进行统一整合和规范,对相关重点信息进行收集和电子化;分析预案执行的每个关键缓环节,关联具体的防御处置行动,自动抓取、匹配相关信息,将预案执行和实施过程有机结合, 实现基于调度手段的标准化流程处理;统一实现防汛抗旱调度工作过程的管控和统计分析,提高水旱灾害防御工作效率。
术语“大数据服务器”、“云服务器”、“控制终端”或“移动终端”包涵用于处理数据的所有种类的装置、设备和机器,举例包括可编程处理器、计算机、片上系统、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件,所述装置还可以包括代码,创建用于所述计算机程序的执行环境,例如,构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施,诸如web服务、分布式计算、和网格计算基础设施。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写,包括汇编或解释语言、说明或过程性语言,且其可以以任何形式部署,包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中,在专用于所述程序的单个文件中,或者在多个协同文件中(例如,存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种数字化防汛抗旱调度方法,其特征在于,所述方法包含:
步骤S1:作防汛抗旱调度数据采集并进行预处理;
步骤S2:为所采集的防汛抗旱调度信息设置标签;其中:所述标签为包括防汛抗旱调度信息作用对象的属性和/或防汛抗旱调度中调度手段的属性;
步骤S3:基于所述标签的标签值在约束条件的限制下,按照最小标签单元拆分防汛抗旱调度信息以得到一个或多个调度手段;所述约束条件限制了可拆分标签类型及其拆分方式;
步骤S4:为每个调度手段设置与之对应的输入监测数据和输出监测数据;所述监测数据为监测装置获取到的监测值:输入监测数据是采用调度手段前作用对象的监测值;输出监测数据采用调度手段后作用对象的监测值;
步骤S5:将每个调度手段及其对应的输入监测数据和输出监测数据, 作用对象的属性、调度手段的属性作为训练样本,训练调度手段模型;其中:所述调度手段模型的输入参数是输入监测数据、作用对象的属性、调度手段的属性,输出是输出监测数据;
步骤S6:基于当前防汛抗旱调度作用现场的监测数据和调度手段模型获取适用于当前现场的防汛抗旱调度策略;具体为:设置短期调度目标,所述短期调度目标中包括短期的目标监测数据,将可使用调度手段做组合以构成组合调度手段集合,将作用现场的当前监测数据作为输入监测数据、组合调度手段集合中的每个组合调度手段的属性和作用现场的属性,输入调度手段模型以得到输出监测数据,比较输出监测数据和目标监测数据,选择最接近目标监测数据的组合调度手段;将输出监测数据作为新的输入监测数据,重复上述步骤直到所设置的短期调度目标是最终的调度目标监测数据为止;将得到的所有组合调度手段按照时间顺序组合起来后得到适用于当前现场的防汛抗旱调度策略。
2.根据权利要求1所述的数字化防汛抗旱调度方法,其特征在于,所述调度手段模型是神经网络模型。
3.根据权利要求2所述的数字化防汛抗旱调度方法,其特征在于,所述神经网络模型是卷积神经网络模型。
4.根据权利要求3所述的数字化防汛抗旱调度方法,其特征在于,将调度手段的属性、作用对象的属性作数值化后作为调度手段模型输入的一部分;将输入监测数据作为调度手段模型输入的另一部分。
5.根据权利要求4所述的数字化防汛抗旱调度方法,其特征在于,所述监测数据包括降雨量、蒸发量、航道水位、边界出入流量、水质、温度、和/或气候气象数据。
6.一种数字化防汛抗旱调度系统,其特征在于,包括:服务器和控制终端;所述服务器用于实现上述权利要求1-5中任一项所述的数字化防汛抗旱调度方法。
7.根据权利要求6所述的数字化防汛抗旱调度系统,其特征在于,所述服务器为云服务器。
8.一种执行设备,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-5中任一项所述的数字化防汛抗旱调度方法。
9.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1-5中任一项所述的数字化防汛抗旱调度方法。
10.一种云服务器,其特征在于,所述云服务器被配置为执行如权利要求1-5中任一项所述的数字化防汛抗旱调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158801.XA CN115879747B (zh) | 2023-02-24 | 2023-02-24 | 一种数字化防汛抗旱调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158801.XA CN115879747B (zh) | 2023-02-24 | 2023-02-24 | 一种数字化防汛抗旱调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879747A true CN115879747A (zh) | 2023-03-31 |
CN115879747B CN115879747B (zh) | 2023-05-16 |
Family
ID=85761625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310158801.XA Active CN115879747B (zh) | 2023-02-24 | 2023-02-24 | 一种数字化防汛抗旱调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879747B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3646726B1 (ja) * | 2004-04-14 | 2005-05-11 | 有限会社山口ティー・エル・オー | 防災事業支援システム |
CN105843942A (zh) * | 2016-04-01 | 2016-08-10 | 浙江大学城市学院 | 一种基于大数据技术的城市防汛决策支持系统 |
CN106203814A (zh) * | 2016-07-04 | 2016-12-07 | 安徽天达网络科技有限公司 | 一种城市防洪排涝调度管控系统 |
CN206077596U (zh) * | 2016-09-23 | 2017-04-05 | 安徽赛洋信息科技开发咨询有限公司 | 一种城市洪涝在线监测调度系统 |
CN106844531A (zh) * | 2016-12-29 | 2017-06-13 | 福建四创软件有限公司 | 一种基于网格的防汛指挥研判系统 |
CN107609707A (zh) * | 2017-09-20 | 2018-01-19 | 福建四创软件有限公司 | 一种洪水预报、防灾决策方法及系统 |
CN107657329A (zh) * | 2017-07-04 | 2018-02-02 | 江苏鸿利智能科技有限公司 | 基于极端气候条件下防汛防旱的智能调度决策方法 |
CN108806195A (zh) * | 2018-06-07 | 2018-11-13 | 安徽赛洋信息科技开发咨询有限公司 | 一种城市洪涝在线监测调度系统 |
CN109543912A (zh) * | 2018-11-29 | 2019-03-29 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
CN110322097A (zh) * | 2019-03-18 | 2019-10-11 | 特斯联(北京)科技有限公司 | 一种基于深度学习的城市防汛方法及系统 |
CN111077864A (zh) * | 2019-12-24 | 2020-04-28 | 上海水顿智能科技有限公司 | 一种智慧排水调度和分析方法及系统 |
CN112633636A (zh) * | 2020-11-30 | 2021-04-09 | 浙江嘉兴数字城市实验室有限公司 | 一种水灾害防御决策支持系统及方法 |
CN114139802A (zh) * | 2021-11-30 | 2022-03-04 | 贵州乌江水电开发有限责任公司 | 一种基于流域水情变化趋势分析模型的实时优化调度方法 |
CN114547096A (zh) * | 2022-02-24 | 2022-05-27 | 苏州亿博尔大数据科技有限公司 | 一种基于大数据预测的并行执行方法和系统 |
CN114880967A (zh) * | 2022-05-17 | 2022-08-09 | 河南华东工控技术有限公司 | 一种能够改善防汛排涝工作的城市排涝调度管控系统 |
CN115577939A (zh) * | 2022-10-10 | 2023-01-06 | 中水三立数据技术股份有限公司 | 基于水安全的城市防汛调度指挥系统 |
-
2023
- 2023-02-24 CN CN202310158801.XA patent/CN115879747B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3646726B1 (ja) * | 2004-04-14 | 2005-05-11 | 有限会社山口ティー・エル・オー | 防災事業支援システム |
CN105843942A (zh) * | 2016-04-01 | 2016-08-10 | 浙江大学城市学院 | 一种基于大数据技术的城市防汛决策支持系统 |
CN106203814A (zh) * | 2016-07-04 | 2016-12-07 | 安徽天达网络科技有限公司 | 一种城市防洪排涝调度管控系统 |
CN206077596U (zh) * | 2016-09-23 | 2017-04-05 | 安徽赛洋信息科技开发咨询有限公司 | 一种城市洪涝在线监测调度系统 |
CN106844531A (zh) * | 2016-12-29 | 2017-06-13 | 福建四创软件有限公司 | 一种基于网格的防汛指挥研判系统 |
CN107657329A (zh) * | 2017-07-04 | 2018-02-02 | 江苏鸿利智能科技有限公司 | 基于极端气候条件下防汛防旱的智能调度决策方法 |
CN107609707A (zh) * | 2017-09-20 | 2018-01-19 | 福建四创软件有限公司 | 一种洪水预报、防灾决策方法及系统 |
CN108806195A (zh) * | 2018-06-07 | 2018-11-13 | 安徽赛洋信息科技开发咨询有限公司 | 一种城市洪涝在线监测调度系统 |
CN109543912A (zh) * | 2018-11-29 | 2019-03-29 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
CN110322097A (zh) * | 2019-03-18 | 2019-10-11 | 特斯联(北京)科技有限公司 | 一种基于深度学习的城市防汛方法及系统 |
CN111077864A (zh) * | 2019-12-24 | 2020-04-28 | 上海水顿智能科技有限公司 | 一种智慧排水调度和分析方法及系统 |
CN112633636A (zh) * | 2020-11-30 | 2021-04-09 | 浙江嘉兴数字城市实验室有限公司 | 一种水灾害防御决策支持系统及方法 |
CN114139802A (zh) * | 2021-11-30 | 2022-03-04 | 贵州乌江水电开发有限责任公司 | 一种基于流域水情变化趋势分析模型的实时优化调度方法 |
CN114547096A (zh) * | 2022-02-24 | 2022-05-27 | 苏州亿博尔大数据科技有限公司 | 一种基于大数据预测的并行执行方法和系统 |
CN114880967A (zh) * | 2022-05-17 | 2022-08-09 | 河南华东工控技术有限公司 | 一种能够改善防汛排涝工作的城市排涝调度管控系统 |
CN115577939A (zh) * | 2022-10-10 | 2023-01-06 | 中水三立数据技术股份有限公司 | 基于水安全的城市防汛调度指挥系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115879747B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roura‐Pascual et al. | Spatially‐explicit sensitivity analysis for conservation management: exploring the influence of decisions in invasive alien plant management | |
Bendre et al. | Time series decomposition and predictive analytics using MapReduce framework | |
Babaei et al. | Risk assessment of agricultural water conveyance and delivery systems by fuzzy fault tree analysis method | |
CN114860833B (zh) | 应用于数字孪生水利工程的数据中台和数据处理方法 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
Ma et al. | How China’s linked urban–rural construction land policy impacts rural landscape patterns: A simulation study in Tianjin, China | |
Li et al. | A spatiotemporal directed graph convolution network for ultra-short-term wind power prediction | |
CN111083662A (zh) | 基于云计算的水质监测物联网系统 | |
CN110836683A (zh) | 河道管理方法、河道管理装置及终端 | |
Fielke et al. | Co-innovation to increase community resilience: influencing irrigation efficiency in the Waimakariri Irrigation Scheme | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
Dong et al. | Forecasting smart meter energy usage using distributed systems and machine learning | |
Raso et al. | Reservoir operation optimized for hydropower production reduces conflict with traditional water uses in the Senegal River | |
Parviz et al. | Development of precipitation forecast model based on artificial intelligence and subseasonal clustering | |
Ilkhani et al. | Extraction test cases by using data mining; reducing the cost of testing | |
Alvarez‐Guerra et al. | A SOM‐based methodology for classifying air quality monitoring stations | |
Chen et al. | Application of a decision tree method with a spatiotemporal object database for pavement maintenance and management | |
Alimul Haque et al. | Potential applications of the Internet of Things in sustainable rural development in India | |
CN113076855A (zh) | 一种分布式光伏资源整合方法、系统、装置及存储介质 | |
Iversen et al. | Resgen: Renewable energy scenario generation platform | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN115529315B (zh) | 一种云边协同系统 | |
CN115879747A (zh) | 一种数字化防汛抗旱调度方法和系统 | |
Rotondi et al. | Semantics for wastewater reuse in agriculture | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |