CN116186121A - 一种基于边缘算法的预警方法、系统及存储介质 - Google Patents
一种基于边缘算法的预警方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116186121A CN116186121A CN202310445733.5A CN202310445733A CN116186121A CN 116186121 A CN116186121 A CN 116186121A CN 202310445733 A CN202310445733 A CN 202310445733A CN 116186121 A CN116186121 A CN 116186121A
- Authority
- CN
- China
- Prior art keywords
- data
- difference
- early warning
- value
- edge
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Hydrology & Water Resources (AREA)
- Recording Measured Values (AREA)
Abstract
本发明涉及环境预警技术领域,尤其涉及一种基于边缘算法的预警方法、系统及存储介质,其中预警方法包括以下步骤:基于水文RS485传感器,获取异常传感数据,并集合为动态数据时间序列集;对动态数据时间序列集基于边缘算法进行监测;对获取的边缘水文异常数据采用Apriori算法进行关联度分析;将关联度A导入关联度预测数据库中进行差值计算;判断差值的误差值所处阈值范围;将差值判断结果导入云端数据存储模块;循环上述步骤。本发明通过引入边缘算法对水文数据进行监控预警,来最大程度实现数据监控的及时性,同时采用分析算法以及数据比对的处理逻辑,可以保证水文数据的判断准确以及处理结果准确。
Description
技术领域
本发明涉及预警技术领域,尤其涉及一种基于边缘算法的预警方法,还涉及一种系统及存储介质。
背景技术
边缘算法使计算、数据存储和处理能力更接近于操作点或事件点,其通过在边缘位置实时处理数据,就能够从互连设备和系统中更为迅速地获得洞察,其应用环境以及目的已经遍布很多行业,其中在水文监测方面具有重要作用。
当前,水文监测逐步向着智能化、无人化转变,通过边缘数据的感知、传输和处理,打造全方面一体化的水文实时监测物联网系统,可以实现对河道、水库、湖泊等水域的监测,获取流速、流量、降雨等数据,优化监测手段单一、效率成本不足等问题,更加突出数字化优势。
基于此,本领域技术人员亟需提供可以有效进行水文数据监测的方法,同时结合边缘算法实现有效监控和及时预警。
发明内容
发明人通过研究发现:水文数据的变化以及获取时必须基于动态环境,也就是无法通过固定的点位监测来实现数据的掌控以及分析,那么水文数据分析就需要保证实时性,边缘算法的介入可以有效实现,同时可以进行水文数据异常情况下的传感器等预警判断。
本发明的目的在于提供一种基于边缘算法的预警方法,来解决现有技术无法针对动态水文数据进行实时监控以及预警判断的技术问题。
据本发明的一个方面,提供一种基于边缘算法的预警方法,包括以下步骤:
步骤1.基于水文RS485传感器,获取异常传感数据,并集合为动态数据时间序列集;步骤2.对动态数据时间序列集基于边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据;步骤3.对获取的边缘水文异常数据采用Apriori算法进行关联度分析,得到关联度值A;步骤4.将关联度A导入关联度预测数据库中进行差值计算,得到差值B;步骤5.判断差值B的误差值所处阈值范围,当处于合格阈值范围时,无预警;当处于不合格阈值范围时,预警;步骤6.将差值B判断结果导入云端数据存储模块,备份记录;步骤7.循环上述步骤,直至完成水文RS485传感器的预警作业。
本发明的一些实施例中,步骤1中水文RS485传感器的异常数据获取为根据周围的水源的环境条件收集和生成的信息,收集到信息后将这些数据信息转换为多个动态数据点,多个动态数据点集合为动态数据时间序列集。
本发明的一些实施例中,步骤2中将对动态数据时间序列集采用边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据,其中水压、雨量以及流速的数据获取点为数据变化异常点。
本发明的一些实施例中,步骤3中Apriori算法会将获取的水文异常数据点数据按照如下公式进行分析:其中S为关联度;/>为数据点之间的数据点合集,表示水压、雨量以及流速任意两数据之间的合集;/>表示数据获取时间段。
本发明的一些实施例中,获取到关联度S后,进行标准分析后,得到关联度值A,其中标准分析为关联度S与本地数据库测定的理论关联度数据比对的过程,具体为:将关联度S与本地关联度进行误差计算,当误差小于1时,记录关联度,大于1时,放弃记录。
本发明的一些实施例中,步骤4中将关联度A导入关联度预测数据库中进行差值计算,计算采用布尔运算进行,具体为将关联度值A与关联度预测数据库中的数据值相减,得到差值B,该差值B大于1,则记录,反之,放弃记录。
本发明的一些实施例中,步骤5中将记录的差值B再次进行阈值范围判断,具体为当差值B处于0-0.5阈值内,为合格,无预警;当差值B处于0.51-1内,为不合格,触发预警。
本发明的一些实施例中,步骤6中将差值B判断结果导入云端数据存储模块,数据导入过程采用数据库读写原理进行。
据本发明的另一个方面,提供一种能实现上述任一项所述预警方法的系统,包括:获取单元,所述获取单元用于基于水文RS485传感器来获取异常传感数据,并集合为动态数据时间序列集;检测单元,所述检测单元用于对动态数据时间序列集基于边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据;分析单元,所述分析单元用于对获取的边缘水文异常数据采用Apriori算法进行关联度分析并得到关联度值A;计算单元,所述计算单元将关联度A导入关联度预测数据库中进行差值计算,得到差值B,并且判断差值B的误差值所处阈值范围;传输单元,所述传输单元用于将差值B判断结果导入云端数据存储模块;循环响应单元,用于循环作业发生与终止。
据本发明的再一个方面,提供一种存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述任一项所述的预警方法。
本发明与目前发明的技术相比,具有如下的优点和有益效果:本发明通过引入边缘算法对水文数据进行监控预警,来最大程度实现数据监控的及时性,同时采用分析算法以及数据比对的处理逻辑,可以保证水文数据的判断准确以及处理结果准确,大大方便了水文数据测定工作者的工作便利以及工作的完成效率。
附图说明
图1为本发明的预警方法流程图。
实施方式
请参考说明附图1,本实施例提供了一种基于边缘算法的预警方法、系统及存储介质,该基于边缘算法的预警方法已经处于实际使用阶段,其对应的系统及存储介质也进行配合使用。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
这里所使用的术语只用于描述特定实施例的目的而不试图限制本发明。如这里所使用的,单数形式“一”、“一个”和“该”旨在也包括多数形式,除非上下文清楚指明不是这样。将进一步理解,术语“包括”和“包含”当在这里使用时规定了所阐明特征、步骤、操作、元素和/或部件的存在,但是不排除一个或多个其它特征、步骤、操作、元素、部件和/或其组合的存在或添加。
除非相反定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属技术领域的普通技术人员通常理解的相同的含义。将进一步理解,诸如在常用词典里所定义的术语应当被解释为具有与其在相关领域的上下文中的意思相一致的意思,并且将不按照理想化的或非常正式意思来解释,除非特意在这里这样定义。
实施例
本实施例至少包括以下内容:一种基于边缘算法的预警方法,基于水文RS485传感器,获取异常传感数据,并集合为动态数据时间序列集,其中水文RS485传感器的异常数据获取为根据周围的水源的环境条件收集和生成的信息,环境条件至少包括温度、湿度等,获取过程需要湿度、温度等相应的传感器参与,将获取的信息传输到RS485传感器内进行数据异常反馈,收集到异常信息后将这些数据信息转换为多个动态数据点,多个动态数据点集合为动态数据时间序列集,将物理信号转换为数字数据为传感器工作方式之一,为现有技术,不进行阐述。
进一步的,对动态数据时间序列集基于边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据,其中实际作业中,水压信息包括不同时刻的水压力值,不同时间段的降雨量以及不同时间段的水流动速度,上述这些数据信息出现异常后,会及时被获取到,其中异常判断机制为结合标准理论值后的数据偏差判断。
再进一步的,对获取的边缘水文异常数据采用Apriori算法进行关联度分析,得到关联度值A,Apriori算法会将获取的水文异常数据点数据按照如下公式进行分析:其中X为某一水文数据信息,可以为水压、雨量或者流速,Y为某一水文数据信息,可以为水压、雨量或者流速,获取到X和Y的数据后,求并集后,进行统一时间段T的比较,得到一组关联S,实际作业中会得到多组关联度S。
更进一步的,获取到关联度S后,进行标准分析后,得到关联度值A,其中标准分析为关联度S与本地数据库测定的理论关联度数据比对的过程,具体为:将关联度S与本地关联度进行误差计算,当误差小于1时,记录关联度,大于1时,放弃记录,接着将关联度A导入关联度预测数据库中进行差值计算,得到差值B;需要说明的是,将关联度A导入关联度预测数据库中进行差值计算,计算采用布尔运算进行,具体为将关联度值A与关联度预测数据库中的数据值相减,得到差值B,该差值B大于1,则记录,反之,放弃记录。
再进一步的,判断差值B的误差值所处阈值范围,当处于合格阈值范围时,无预警;当处于不合格阈值范围时,预警。具体为:将记录的差值B再次进行阈值范围判断,具体为当差值B处于0-0.5阈值内,为合格,无预警;当差值B处于0.51-1内,为不合格,触发预警。
最后,将差值B判断结果导入云端数据存储模块,备份记录,数据导入过程采用数据库读写原理进行,接着循环上述步骤,直至完成水文RS485传感器的预警作业。
为了更好说明本发明的方法,基于同一构思下,本发明还提供了一种能实现上述任一项预警方法的系统,包括:
获取单元,获取单元用于基于水文RS485传感器来获取异常传感数据,并集合为动态数据时间序列集;
检测单元,检测单元用于对动态数据时间序列集基于边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据;
分析单元,分析单元用于对获取的边缘水文异常数据采用Apriori算法进行关联度分析并得到关联度值A;
计算单元,计算单元将关联度A导入关联度预测数据库中进行差值计算,得到差值B,并且判断差值B的误差值所处阈值范围;
传输单元,传输单元用于将差值B判断结果导入云端数据存储模块;
循环响应单元,用于循环作业发生与终止。
进一步为了说明本发明的预警方法,基于相同构思下,本发明还包括一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的预警方法,该计算机可读存储介质可以是上述实施方式中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质,计算机可读存储介质存储有一个或者一个以上程序,程序被一个或者一个以上的处理器用来执行描述于本发明的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于边缘算法的预警方法,其特征在于,包括以下步骤:
步骤1.基于水文RS485传感器,获取异常传感数据,并集合为动态数据时间序列集;
步骤2.对动态数据时间序列集基于边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据;
步骤3.对获取的边缘水文异常数据采用Apriori算法进行关联度分析,得到关联度值A;
步骤4.将关联度A导入关联度预测数据库中进行差值计算,得到差值B;
步骤5.判断差值B的误差值所处阈值范围,当处于合格阈值范围时,无预警;当处于不合格阈值范围时,预警;
步骤6.将差值B判断结果导入云端数据存储模块,备份记录;
步骤7.循环上述步骤,直至完成水文RS485传感器的预警作业。
2.根据权利要求1所述的预警方法,其特征在于,步骤1中水文RS485传感器的异常数据获取为根据周围的水源的环境条件收集和生成的信息,收集到信息后将这些数据信息转换为多个动态数据点,多个动态数据点集合为动态数据时间序列集。
3.根据权利要求1所述的预警方法,其特征在于,步骤2中将对动态数据时间序列集采用边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据,其中水压、雨量以及流速的数据获取点为数据变化异常点。
5.根据权利要求4所述的预警方法,其特征在于,获取到关联度S后,进行标准分析后,得到关联度值A,其中标准分析为关联度S与本地数据库测定的理论关联度数据比对的过程,具体为:将关联度S与本地关联度进行误差计算,当误差小于1时,记录关联度,大于1时,放弃记录。
6.根据权利要求1所述的预警方法,其特征在于,步骤4中将关联度A导入关联度预测数据库中进行差值计算,计算采用布尔运算进行,具体为将关联度值A与关联度预测数据库中的数据值相减,得到差值B,该差值B大于1,则记录,反之,放弃记录。
7.根据权利要求1所述的预警方法,其特征在于,步骤5中将记录的差值B再次进行阈值范围判断,具体为当差值B处于0-0.5阈值内,为合格,无预警;当差值B处于0.51-1内,为不合格,触发预警。
8.根据权利要求1所述的预警方法,其特征在于,步骤6中将差值B判断结果导入云端数据存储模块,数据导入过程采用数据库读写原理进行。
9.一种能实现权利要求1-8任一项所述预警方法的系统,其特征在于,包括:
获取单元,所述获取单元用于基于水文RS485传感器来获取异常传感数据,并集合为动态数据时间序列集;
检测单元,所述检测单元用于对动态数据时间序列集基于边缘算法进行监测,得到水压、雨量以及流速的边缘水文异常数据;
分析单元,所述分析单元用于对获取的边缘水文异常数据采用Apriori算法进行关联度分析并得到关联度值A;
计算单元,所述计算单元将关联度A导入关联度预测数据库中进行差值计算,得到差值B,并且判断差值B的误差值所处阈值范围;
传输单元,所述传输单元用于将差值B判断结果导入云端数据存储模块;
循环响应单元,用于循环作业发生与终止。
10.一种存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述权利要求1-8任一项所述的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445733.5A CN116186121A (zh) | 2023-04-24 | 2023-04-24 | 一种基于边缘算法的预警方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445733.5A CN116186121A (zh) | 2023-04-24 | 2023-04-24 | 一种基于边缘算法的预警方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116186121A true CN116186121A (zh) | 2023-05-30 |
Family
ID=86452442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310445733.5A Withdrawn CN116186121A (zh) | 2023-04-24 | 2023-04-24 | 一种基于边缘算法的预警方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186121A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311874A (zh) * | 2020-04-20 | 2020-06-19 | 宁波海洋研究院 | 一种基于浮标监测并联合机器学习进行科学预警方法 |
CN111882830A (zh) * | 2020-07-31 | 2020-11-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
US20210109248A1 (en) * | 2019-05-03 | 2021-04-15 | Sophia Wang | System, method, and device for real-time sinkhole detection |
CN112671863A (zh) * | 2020-12-15 | 2021-04-16 | 大连海事大学 | 一种基于边缘计算的智能航标系统 |
CN112711840A (zh) * | 2020-12-24 | 2021-04-27 | 武汉大学 | 一种基于云边协同的流域突发水污染溯源方法 |
CN112859700A (zh) * | 2021-01-22 | 2021-05-28 | 江苏智水智能科技有限责任公司 | 基于物联网技术的测控系统 |
CN113326783A (zh) * | 2021-06-01 | 2021-08-31 | 浪潮软件科技有限公司 | 一种水利行业的边缘预警方法 |
CN114116828A (zh) * | 2020-08-31 | 2022-03-01 | 中兴通讯股份有限公司 | 多维网络指标的关联规则分析方法、设备和存储介质 |
US20230089011A1 (en) * | 2021-09-20 | 2023-03-23 | Sas Institute Inc. | Process to Geographically Associate Potential Water Quality Stressors to Monitoring Stations |
-
2023
- 2023-04-24 CN CN202310445733.5A patent/CN116186121A/zh not_active Withdrawn
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210109248A1 (en) * | 2019-05-03 | 2021-04-15 | Sophia Wang | System, method, and device for real-time sinkhole detection |
CN111311874A (zh) * | 2020-04-20 | 2020-06-19 | 宁波海洋研究院 | 一种基于浮标监测并联合机器学习进行科学预警方法 |
CN111882830A (zh) * | 2020-07-31 | 2020-11-03 | 珠江水利委员会珠江水利科学研究院 | 城市内涝监测预报预警方法、装置、系统及存储介质 |
CN114116828A (zh) * | 2020-08-31 | 2022-03-01 | 中兴通讯股份有限公司 | 多维网络指标的关联规则分析方法、设备和存储介质 |
CN112671863A (zh) * | 2020-12-15 | 2021-04-16 | 大连海事大学 | 一种基于边缘计算的智能航标系统 |
CN112711840A (zh) * | 2020-12-24 | 2021-04-27 | 武汉大学 | 一种基于云边协同的流域突发水污染溯源方法 |
CN112859700A (zh) * | 2021-01-22 | 2021-05-28 | 江苏智水智能科技有限责任公司 | 基于物联网技术的测控系统 |
CN113326783A (zh) * | 2021-06-01 | 2021-08-31 | 浪潮软件科技有限公司 | 一种水利行业的边缘预警方法 |
US20230089011A1 (en) * | 2021-09-20 | 2023-03-23 | Sas Institute Inc. | Process to Geographically Associate Potential Water Quality Stressors to Monitoring Stations |
Non-Patent Citations (6)
Title |
---|
YAN L 等: "Research on Implementation Methods of Edge Computing in Intelligent Hydrology", PROCEEDINGS OF THE 13TH INTERNATIONAL CONFERENCE ON UBIQUITOUS INFORMATION MANAGEMENT AND COMMUNICATION (IMCOM), pages 211 - 224 * |
李晓春;张生;: "基于云模型的水闸泵站远程监测数据挖掘分析", 上海理工大学学报, no. 03, pages 94 - 100 * |
李正最;: "长期径流预报的灰色关联决策模型", 水电能源科学, no. 04, pages 46 - 52 * |
王立存;: "借助"新基建" 构建"新水文"――新时期水文现代化建设浅析", 河北水利, no. 06, pages 17 * |
石波 等: "HD-Apriori算法在水利普查数据处理中的应用研究", 信息技术, vol. 42, no. 6, pages 6 * |
邓颂霖 等: "复杂水情下基于Apriori算法的H-ADCP流速相关因素提取方法", 中国水利学会, pages 174 - 179 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112655004A (zh) | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 | |
Song et al. | Identifying performance anomalies in fluctuating cloud environments: A robust correlative-GNN-based explainable approach | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
US20160171037A1 (en) | Model change boundary on time series data | |
Li et al. | Fault analysis system for agricultural machinery based on big data | |
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
Kirchen et al. | Metrics for the evaluation of data quality of signal data in industrial processes | |
US20230017065A1 (en) | Computing an explainable event horizon estimate | |
TWI752638B (zh) | 行駛監控方法及系統 | |
CN112267972A (zh) | 一种风电机组功率曲线异常智能判定方法 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
CN117150283A (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
EP3933532B1 (en) | Data management system, data management method, and data management program | |
CN117556366A (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN116186121A (zh) | 一种基于边缘算法的预警方法、系统及存储介质 | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
CN115206040A (zh) | 核电取水口的生物入侵预警方法、装置及终端 | |
CN116862109A (zh) | 一种区域碳排放态势感知预警方法 | |
Karuna et al. | IoT-based Sun and Rain Detection System | |
CN116703638A (zh) | 大棚蔬菜种植管理系统及其方法 | |
JP2021092831A (ja) | 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム | |
Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
CN112418398A (zh) | 电力信息设备安全监测方法 | |
Peco Chacon et al. | Support vector machine and K-fold cross-validation to detect false alarms in wind turbines | |
Liu et al. | Polluted gas quantitative detection in multi-gas sensor based on bidirectional long-short term memory network |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230530 |
|
WW01 | Invention patent application withdrawn after publication |