CN116050674A - 水利工程运行趋势预测方法以及装置 - Google Patents

水利工程运行趋势预测方法以及装置 Download PDF

Info

Publication number
CN116050674A
CN116050674A CN202310335148.XA CN202310335148A CN116050674A CN 116050674 A CN116050674 A CN 116050674A CN 202310335148 A CN202310335148 A CN 202310335148A CN 116050674 A CN116050674 A CN 116050674A
Authority
CN
China
Prior art keywords
monitoring data
type
target
model
hydraulic engineering
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
CN202310335148.XA
Other languages
English (en)
Other versions
CN116050674B (zh
Inventor
李双平
刘祖强
张斌
郑敏
陈远瞩
程渭炎
史波
李永华
唐朝
王华为
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.)
Changjiang Spatial Information Technology Engineering Co ltd
Original Assignee
Changjiang Spatial Information Technology Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changjiang Spatial Information Technology Engineering Co ltd filed Critical Changjiang Spatial Information Technology Engineering Co ltd
Priority to CN202310335148.XA priority Critical patent/CN116050674B/zh
Publication of CN116050674A publication Critical patent/CN116050674A/zh
Application granted granted Critical
Publication of CN116050674B publication Critical patent/CN116050674B/zh
Priority to US18/619,141 priority patent/US20240242157A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供水利工程运行趋势预测方法以及装置，其中水利工程运行趋势预测方法包括：获取待处理的初始监测数据，根据初始监测数据确定第一类监测数据和第二类监测数据；根据第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；基于第一类监测数据，根据目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，预设预测模型集合中的预测模型基于第二类监测数据进行训练。由此，通过组合目标非线性拟合模型与预设预测模型集合中的模型构建新的模型，并对目标水利工程的状态进行预测，提高了预测的精准度。

Description

水利工程运行趋势预测方法以及装置
技术领域
本说明书实施例涉及计算机技术领域，特别涉及一种水利工程运行趋势预测方法。本说明书一个或者多个实施例同时涉及一种水利工程运行趋势预测装置，一种计算设备，以及一种计算机可读存储介质。
背景技术
水利工程是保障水安全的战略性基础设施，担负防洪、灌溉、发电、供水、通航等任务，水利工程安全监测作为水库水利工程运行状态的耳目，通过仪器监测和巡视检查等技术手段，能够及时发现异常情况并采取相应的处理措施，是工程安全运行的重要保障。建立准确有效的水利工程变形性态分析模型，是评价水利工程运行安全的重要手段。
变形监测数据的分析处理和预报模型对水利工程安全监测工作具有重要意义。目前，通常采用非线性模型、时间序列模型、灰色模型和神经网络模型等单一模型，对水利工程监测数据进行处理分析和预测预报，不同的计算方法具有不同的优点，在实际工程中也有一定的应用，但是这些方法也具有一定的局限性。亟需一种更好的方案。
发明内容
有鉴于此，本说明书施例提供了一种水利工程运行趋势预测方法。本说明书一个或者多个实施例同时涉及一种水利工程运行趋势预测装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面，提供了一种水利工程运行趋势预测方法，包括：
获取待处理的初始监测数据，并对所述初始监测数据进行粗差检验，确定第一监测数据；
基于预设数据检验算法，对所述第一监测数据进行数据检验，确定第二监测数据，其中，所述预设数据检验算法包括标准差检验、均值检验、对比法、相关分析法或包络线法；
对所述第二监测数据进行数据插补，并对插补处理后的监测数据进行过滤和预处理，获得目标监测数据。
根据本说明书实施例的第二方面，提供了一种水利工程运行趋势预测装置，包括：
数据获取模块，被配置为获取待处理的初始监测数据，并对所述初始监测数据进行粗差检验，确定第一监测数据；
数据检验模块，被配置为基于预设数据检验算法，对所述第一监测数据进行数据检验，确定第二监测数据，其中，所述预设数据检验算法包括标准差检验、均值检验、对比法、相关分析法或包络线法；
数据处理模块，被配置为对所述第二监测数据进行数据插补，并对插补处理后的监测数据进行过滤和预处理，获得目标监测数据。
根据本说明书实施例的第三方面，提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令时实现所述水利工程运行趋势预测方法的步骤。
根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现任意一项所述水利工程运行趋势预测方法的步骤。
本说明书实施例提供水利工程运行趋势预测方法以及装置，其中水利工程运行趋势预测方法包括：获取待处理的初始监测数据，根据初始监测数据确定第一类监测数据和第二类监测数据；根据第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；基于第一类监测数据，根据目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，预设预测模型集合中的预测模型基于第二类监测数据进行训练。由此，通过组合目标非线性拟合模型与预设预测模型集合中的模型构建新的模型，并对目标水利工程的状态进行预测，提高了预测的精准度。
附图说明
图1是本说明书一个实施例提供的一种水利工程运行趋势预测方法的系统总统架构图；
图2是本说明书一个实施例提供的一种水利工程运行趋势预测方法的流程图；
图3是本说明书一个实施例提供的一种水利工程运行趋势预测方法的整体功能流程示意图；
图4是本说明书一个实施例提供的一种水利工程运行趋势预测装置的结构示意图；
图5是本说明书一个实施例提供的一种计算设备的结构框图。
实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
现有的数学模型在进行水利工程安全趋势预测时，包括以下特点：（1）非线性模型则由于模型类型，存在着不同的局限性，如一些模型虽然能较好地解决小样本、非线性和高维模式识别等实际问题，但其核函数的选择对不同的样本数据非常重要，且会影响到预测精度。（2）灰色模型将原始数据序列累加以降低数据序列的随机性，不足是对于原始数据呈非指数增长的情况并不适用。（3）时间序列模型往往需要大量的样本数据作为计算基础，对于短数据序列，由于信息量较少，规律性不强，往往存在精度不足，稳定性不高等问题。（4）BP 神经网络模型采用梯度下降学习方法使得学习过程易陷入网络的局部极值点，导致模型的预测效果不够稳定。
基于此，开发一种精度高、稳定且智能的水利工程运行趋势预测预报组合模型建立方法很有必要。本说明书实施例提供的水利工程运行趋势预测方法的目的，是为了能够建立准确有效的水利工程变形性态分析评价及预测预报模型，提高水利工程变形预测精度和智能性。
在本说明书中，提供了一种水利工程运行趋势预测方法，本说明书同时涉及一种水利工程运行趋势预测装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种水利工程运行趋势预测方法的系统总统架构图。
具体的，水利工程运行趋势预测方法的系统可以为水利工程运行趋势预测预报智能组合模型系统，其中，包括非线性拟合模型、灰色模型、时间序列模型以及神经网络模型。上述的非线性拟合模型是通过智能匹配最优函数得到的，这里的智能匹配最优函数是在对数函数、指数函数、幂函数、多项式函数或者自定义函数中选择一个非线性函数作为非线性拟合模型。
本说明书实施例通过组合目标非线性拟合模型与预设预测模型集合中的模型构建新的模型，并对目标水利工程的状态进行预测，提高了预测的精准度。
图2示出了根据本说明书一个实施例提供的一种水利工程运行趋势预测方法的流程图，具体包括以下步骤。
步骤202：获取待处理的初始监测数据，根据所述初始监测数据确定第一类监测数据和第二类监测数据。
在一种可能的实现方式中，所述根据所述初始监测数据确定第一类监测数据和第二类监测数据，包括：对所述初始监测数据进行周期性检测，确定周期性数据和非周期性数据；对所述周期性数据进行周期性分解，确定周期项数据和趋势项数据；根据所述周期项数据确定所述第一类监测数据，并根据所述非周期性数据和所述趋势项数据确定第二类监测数据。初始监测数据可以为监测数据效应量序列的数据，第一类监测数据可以为周期项数据序列的数据，第二类监测数据可以为趋势项数据序列的数据。
在实际应用中，参见图3，一般监测数据效应量序列具有周期项与趋势项组成，按传统方法可对监测数据效应量序列分解成周期项数据序列与趋势项数据序列。一般趋势项数据用于构建预测模型可以获得较好的效果。
步骤204：根据所述第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，所述预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种。
在一种可能的实现方式中，所述根据所述第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型，包括：根据所述第二类监测数据，并通过目标系数指标从预设非线性拟合模型集合中确定目标非线性拟合模型。具体的，在构建水利工程运行趋势预测预报智能组合模型时，首先需要选择最优非线性拟合模型，即依据单效应量序列形态通过预设对数函数、指数函数、幂函数、多项式函数或者自定义函数的拟合，用标准差、相关系数和确定性系数等指标来优选一个非线性函数作为非线性拟合模型。
在一种可能的实现方式中，所述基于所述第一类监测数据，根据所述目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测，包括：根据所述目标非线性拟合模型与预设预测模型集合，并通过目标系数指标确定目标预测模型；基于所述第一类监测数据，以及所述目标预测模型对目标水利工程的状态进行预测。具体的，参见图3，对优选的非线性拟合模型与灰色模型GM（1,1）、时间序列模型ARIMA、神经网络模型BP等，用标准差、相关系数和确定性系数等指标单多目标优化，智能构建一种组合模型，用于效应量的外延预测。
本说明书实施例通过智能匹配用于单效应量拟合的最优非线性拟合模型，以及利用最优非线性拟合模型与单因素灰色模型、时间序列模型、神经网络模型等通过多目标优化来智能构建水利工程运行趋势预测预报智能组合模型系统，提高了对水利工程运行趋势预测的准确度，为监测数据在水利工程运行趋势分析中发挥重要作用。
步骤206：基于所述第一类监测数据，根据所述目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，所述预设预测模型集合中的预测模型基于所述第二类监测数据进行训练。
在一种可能的实现方式中，所述基于所述第一类监测数据，以及所述目标预测模型对目标水利工程的状态进行预测，包括：基于所述第一类监测数据，以及所述目标预测模型确定状态计算值；根据所述状态计算值与状态阈值确定所述目标水利工程的状态。参见图3，在完成组合模型的构建之后，通过智能组合模型系统外延预测值叠加效应量周期项的计算值，真正实现水利工程运行趋势的外延预测预报。通过与事先设定的阈值比较分析，可预知水利工程的运行安全状态。
本说明书实施例提供水利工程运行趋势预测方法以及装置，其中水利工程运行趋势预测方法包括：获取待处理的初始监测数据，根据初始监测数据确定第一类监测数据和第二类监测数据；根据第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；基于第一类监测数据，根据目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，预设预测模型集合中的预测模型基于第二类监测数据进行训练。由此，通过组合目标非线性拟合模型与预设预测模型集合中的模型构建新的模型，并对目标水利工程的状态进行预测，提高了预测的精准度。
与上述方法实施例相对应，本说明书还提供了水利工程运行趋势预测装置实施例，图4示出了本说明书一个实施例提供的一种水利工程运行趋势预测装置的结构示意图。如图4所示，该装置包括：
数据获取模块402，被配置为获取待处理的初始监测数据，根据所述初始监测数据确定第一类监测数据和第二类监测数据；
模型确定模块404，被配置为根据所述第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，所述预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；
状态预测模块406，被配置为基于所述第一类监测数据，根据所述目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，所述预设预测模型集合中的预测模型基于所述第二类监测数据进行训练。
可选地，所述数据获取模块402，进一步被配置为：
对所述初始监测数据进行周期性检测，确定周期性数据和非周期性数据；
对所述周期性数据进行周期性分解，确定周期项数据和趋势项数据；
根据所述周期项数据确定所述第一类监测数据，并根据所述非周期性数据和所述趋势项数据确定第二类监测数据。
可选地，所述模型确定模块404，进一步被配置为：
根据所述第二类监测数据，并通过目标系数指标从预设非线性拟合模型集合中确定目标非线性拟合模型。
可选地，所述状态预测模块406，进一步被配置为：
根据所述目标非线性拟合模型与预设预测模型集合，并通过目标系数指标确定目标预测模型；
基于所述第一类监测数据，以及所述目标预测模型对目标水利工程的状态进行预测。
可选地，所述状态预测模块406，进一步被配置为：
基于所述第一类监测数据，以及所述目标预测模型确定状态计算值；
根据所述状态计算值与状态阈值确定所述目标水利工程的状态。
可选地，所述模型确定模块404，进一步被配置为：
所述目标系数指标包括标准差、相关系数和确定性系数中的任意一种。
可选地，所述模型确定模块404，进一步被配置为：
所述预设预测模型集合包括灰色模型、时间序列模型和神经网络模型中的至少一种。
本说明书实施例提供水利工程运行趋势预测方法以及装置，其中水利工程运行趋势预测装置包括：获取待处理的初始监测数据，根据初始监测数据确定第一类监测数据和第二类监测数据；根据第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；基于第一类监测数据，根据目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，预设预测模型集合中的预测模型基于第二类监测数据进行训练。由此，通过组合目标非线性拟合模型与预设预测模型集合中的模型构建新的模型，并对目标水利工程的状态进行预测，提高了预测的精准度。
上述为本实施例的一种水利工程运行趋势预测装置的示意性方案。需要说明的是，该水利工程运行趋势预测装置的技术方案与上述的水利工程运行趋势预测方法的技术方案属于同一构思，水利工程运行趋势预测装置的技术方案未详细描述的细节内容，均可以参见上述水利工程运行趋势预测方法的技术方案的描述。
图5示出了根据本说明书一个实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网（PSTN）、局域网（LAN）、广域网（WAN）、个域网（PAN）或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口（例如，网络接口卡（NIC））中的一个或多个，诸如IEEE802.11无线局域网（WLAN）无线接口、全球微波互联接入（Wi-MAX）接口、以太网接口、通用串行总线（USB）接口、蜂窝网络接口、蓝牙接口、近场通信（NFC）接口，等等。
在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备（例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等）、移动电话（例如，智能手机）、可佩戴的计算设备（例如，智能手表、智能眼镜等）或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中，处理器520用于执行如下计算机可执行指令时实现所述数据处理方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的水利工程运行趋势预测方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述水利工程运行趋势预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于实现如前所述水利工程运行趋势预测方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的水利工程运行趋势预测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述水利工程运行趋势预测方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种水利工程运行趋势预测方法，其特征在于，包括：
获取待处理的初始监测数据，根据所述初始监测数据确定第一类监测数据和第二类监测数据；
根据所述第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，所述预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；
基于所述第一类监测数据，根据所述目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，所述预设预测模型集合中的预测模型基于所述第二类监测数据进行训练。
2.根据权利要求1所述的方法，其特征在于，所述根据所述初始监测数据确定第一类监测数据和第二类监测数据，包括：
对所述初始监测数据进行周期性检测，确定周期性数据和非周期性数据；
对所述周期性数据进行周期性分解，确定周期项数据和趋势项数据；
根据所述周期项数据确定所述第一类监测数据，并根据所述非周期性数据和所述趋势项数据确定第二类监测数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型，包括：
根据所述第二类监测数据，并通过目标系数指标从预设非线性拟合模型集合中确定目标非线性拟合模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一类监测数据，根据所述目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测，包括：
根据所述目标非线性拟合模型与预设预测模型集合，并通过目标系数指标确定目标预测模型；
基于所述第一类监测数据，以及所述目标预测模型对目标水利工程的状态进行预测。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一类监测数据，以及所述目标预测模型对目标水利工程的状态进行预测，包括：
基于所述第一类监测数据，以及所述目标预测模型确定状态计算值；
根据所述状态计算值与状态阈值确定所述目标水利工程的状态。
6.根据权利要求3或4所述的方法，其特征在于，所述目标系数指标包括标准差、相关系数和确定性系数中的任意一种。
7.根据权利要求1-5任意一项所述的方法，其特征在于，所述预设预测模型集合包括灰色模型、时间序列模型和神经网络模型中的至少一种。
8.一种水利工程运行趋势预测装置，其特征在于，包括：
数据获取模块，被配置为获取待处理的初始监测数据，根据所述初始监测数据确定第一类监测数据和第二类监测数据；
模型确定模块，被配置为根据所述第二类监测数据从预设非线性拟合模型集合中确定目标非线性拟合模型；其中，所述预设非线性拟合模型集合包括对数函数、指数函数、幂函数和多项式函数中的至少一种；
状态预测模块，被配置为基于所述第一类监测数据，根据所述目标非线性拟合模型与预设预测模型集合，对目标水利工程的状态进行预测；其中，所述预设预测模型集合中的预测模型基于所述第二类监测数据进行训练。
9.一种计算设备，其特征在于，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，其中，所述处理器执行所述计算机可执行指令时实现权利要求1至7的应用于水利工程运行趋势预测的步骤。
10.一种计算机可读存储介质，其特征在于，其存储有计算机指令，该计算机指令被处理器执行时实现权利要求1至7任意一项所述水利工程运行趋势预测方法的步骤。
CN202310335148.XA 2023-03-31 2023-03-31 水利工程运行趋势预测方法以及装置 Active CN116050674B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310335148.XA CN116050674B (zh) 2023-03-31 2023-03-31 水利工程运行趋势预测方法以及装置
US18/619,141 US20240242157A1 (en) 2023-03-31 2024-03-27 Water Conservancy Project Operation Trend Prediction Method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310335148.XA CN116050674B (zh) 2023-03-31 2023-03-31 水利工程运行趋势预测方法以及装置

Publications (2)

Publication Number Publication Date
CN116050674A true CN116050674A (zh) 2023-05-02
CN116050674B CN116050674B (zh) 2023-06-23

Family

ID=86113624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310335148.XA Active CN116050674B (zh) 2023-03-31 2023-03-31 水利工程运行趋势预测方法以及装置

Country Status (2)

Country Link
US (1) US20240242157A1 (zh)
CN (1) CN116050674B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118114035A (zh) * 2024-04-28 2024-05-31 交铁检验认证实验室(成都)有限公司 一种基于大数据的桥梁监测数据处理方法及设备
CN118227742A (zh) * 2024-05-24 2024-06-21 浙江口碑网络技术有限公司 数据趋势分析方法、装置、设备、存储介质及程序产品

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118643996A (zh) * 2024-08-16 2024-09-13 江西省水投科技有限公司 一种结合智能感知设备的水利工程物业化运行管理系统的运行方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177515A1 (en) * 2008-01-07 2009-07-09 Lawrence Rea Redd System and method for prioritizing the transformation activities to optimize the resulting infrastructure improvements
CN107784371A (zh) * 2016-08-24 2018-03-09 天津芯思科技有限公司 基于非线性拟合的风力偏航状态智能自适应控制方法
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
CN113806346A (zh) * 2021-08-25 2021-12-17 浙江浙能台州第二发电有限责任公司 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机
CN113987941A (zh) * 2021-10-29 2022-01-28 新智我来网络科技有限公司 时间序列预测方法、装置、计算机设备和可读存储介质
CN114912789A (zh) * 2022-05-10 2022-08-16 中国石油大学(北京) 一种钻井井下风险预警方法、设备及存储介质
CN115130658A (zh) * 2022-06-27 2022-09-30 武汉大学 基于非线性组合模型的水库滑坡位移预测方法及装置
WO2023007704A1 (ja) * 2021-07-30 2023-02-02 日本電信電話株式会社 予測装置、予測方法、及び、予測プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090177515A1 (en) * 2008-01-07 2009-07-09 Lawrence Rea Redd System and method for prioritizing the transformation activities to optimize the resulting infrastructure improvements
CN107784371A (zh) * 2016-08-24 2018-03-09 天津芯思科技有限公司 基于非线性拟合的风力偏航状态智能自适应控制方法
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
WO2023007704A1 (ja) * 2021-07-30 2023-02-02 日本電信電話株式会社 予測装置、予測方法、及び、予測プログラム
CN113806346A (zh) * 2021-08-25 2021-12-17 浙江浙能台州第二发电有限责任公司 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机
CN113987941A (zh) * 2021-10-29 2022-01-28 新智我来网络科技有限公司 时间序列预测方法、装置、计算机设备和可读存储介质
CN114912789A (zh) * 2022-05-10 2022-08-16 中国石油大学(北京) 一种钻井井下风险预警方法、设备及存储介质
CN115130658A (zh) * 2022-06-27 2022-09-30 武汉大学 基于非线性组合模型的水库滑坡位移预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李晓蕾: "基于灰色预测的空间多点残差修正模型研究", 《大地测量与地球动力学》, vol. 30, no. 5, pages 125 - 128 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118114035A (zh) * 2024-04-28 2024-05-31 交铁检验认证实验室(成都)有限公司 一种基于大数据的桥梁监测数据处理方法及设备
CN118227742A (zh) * 2024-05-24 2024-06-21 浙江口碑网络技术有限公司 数据趋势分析方法、装置、设备、存储介质及程序产品

Also Published As

Publication number Publication date
CN116050674B (zh) 2023-06-23
US20240242157A1 (en) 2024-07-18

Similar Documents

Publication Publication Date Title
CN116050674B (zh) 水利工程运行趋势预测方法以及装置
Tax Human activity prediction in smart home environments with LSTM neural networks
Guo et al. A feature fusion based forecasting model for financial time series
CN111401433A (zh) 用户信息获取方法、装置、电子设备及存储介质
CN114519610A (zh) 信息预测方法以及装置
CN108595892A (zh) 基于时间差分模型的软测量建模方法
CN112257928A (zh) 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN117041017A (zh) 数据中心的智能运维管理方法及系统
CN116338502A (zh) 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法
CN116934486A (zh) 一种基于深度学习的决策评估方法及系统
Tariq et al. Employing deep learning and time series analysis to tackle the accuracy and robustness of the forecasting problem
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
CN114726751A (zh) 资源质量监控的智能化预警方法、系统、设备和存储介质
CN114581119A (zh) 流量预测方法以及装置
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN117354172A (zh) 网络流量预测方法及系统
CN109919744B (zh) 基于神经网络的检测方法以及装置
CN116737521A (zh) 一种基于自监督对比学习的hpc作业功耗预测方法及系统
CN111340648A (zh) 一种基于物联网的能源管控方法及系统
CN112686330B (zh) Kpi异常数据检测方法及装置、存储介质及电子设备
CN112668770B (zh) 一种基于信息与波形总体相似度的电力负荷预测方法
CN114091903A (zh) 资损评估模型的训练方法及装置、资损评估方法及装置
CN114692987A (zh) 一种时序数据分析方法、装置、设备及存储介质
CN112668713A (zh) 一种能耗智能预测方法及系统
Fillah et al. Prediction of Water Quality Index using Deep Learning in Mining Company

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