CN116384746A - 基于图算法的城市管网危险预警方法、系统及其应用 - Google Patents
基于图算法的城市管网危险预警方法、系统及其应用 Download PDFInfo
- Publication number
- CN116384746A CN116384746A CN202310356633.5A CN202310356633A CN116384746A CN 116384746 A CN116384746 A CN 116384746A CN 202310356633 A CN202310356633 A CN 202310356633A CN 116384746 A CN116384746 A CN 116384746A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- early warning
- graph
- knowledge graph
- predicted
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 125
- 239000010865 sewage Substances 0.000 claims abstract description 56
- 230000005855 radiation Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003911 water pollution Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000475481 Nebula Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了基于图算法的城市管网危险预警方法、系统及其应用,包括以下步骤:S00、获取验证后的结构化管网属性数据并写入图数据库,采用自底向上的三元组结构构建知识图谱实体关系模型;S10、基于知识图谱的图计算算法,对设定时间段内的排水负荷进行模拟预测;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;对知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测;S20、分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;S30、通过管网重要性规则输出预警信息。本申请解决了QV检测无法实时监控及预测未来管网突发的内涝、污水问题。
Description
技术领域
本申请涉及知识图谱技术领域,特别是涉及基于图算法的城市管网危险预警方法、系统及其应用。
背景技术
城市管网是城市重要的组成部分,但随着近年我国管网规模的扩张,管网病害现象愈发严重,因此城市管网预测预警成为城市治理的重要一环。
目前常规的预警方法还是通过QV检测,该方法效率低,且需耗费大量人工定期完成管网的实地检测,并无法及时反馈未来时间点的管网状态。
其次,部分管网预警的解决方案涉及数字孪生与GIS时空数据技术,其中融合了多种数据叠加包含排水口监控图像、多层水文拓扑图层叠加等;该方案需要大量的物联感知设备去获取实时的数值数据、图像和视频数据,并在方案前期需要巨大工作量去完成多种拓扑结构。
因此,亟待一种基于图算法的城市管网危险预警方法、系统及其应用,以实现对管网多级别、多类型预测预警。
发明内容
本申请实施例提供了基于图算法的城市管网危险预警方法及其应用,针对目前技术工作量巨大、效率低的问题。
本发明核心技术主要是将排水管网、河道水系、地形等多种拓扑结构简化为“外部环境-管网”的单一拓扑结构,并通过水位、水流量、水质等数据,通过图算法模拟未来一段时间内的管网情况,结合图算法计算得出的管网重要性程度,实现对管网多级别、多类型预测预警。
第一方面,本申请提供了基于图算法的城市管网危险预警方法,所述方法包括以下步骤:
S00、获取验证后的结构化管网属性数据并写入图数据库,采用自底向上的三元组结构构建知识图谱实体关系模型;
其中,该知识图谱实体关系模型的实体为管网关键节点和外部环境,关系为输入水流和输出水流;结构化管网属性数据至少包括污水浓度数据、管网水位数据以及管网进出水量数据;
S10、基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的排水负荷进行模拟预测,以得到预测管网水位值;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;对知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测,以得到预测管网污水浓度;
S20、分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;
S30、基于预测管网水位值、预测的污染源的辐射范围以及预测管网污水浓度,通过管网重要性规则输出预警信息。
进一步地,S00步骤中,实体中至少包含管网关键节点的管内流速、管内液体密度属性和外部环境的环境类型属性;关系中至少包含流入或流出水流两端所处关键节点的唯一标识、流入和出水量、流入和出水速、液体平均密度及管网间距属性。
进一步地,S00步骤中,通过获取非结构化图片或视频并与结构化管网属性数据进行比对,以验证结构化管网属性数据。
进一步地,S10步骤中,排水负荷预测的具体步骤为:
将各管网关键节点的现有水位量设为初始值,将外部环境和管网关键节点之间的输出和输入水流量作为传递权重;
迭代计算各管网关键节点的设定时刻水位值,并生成每个管网关键节点的输入和输出值,得到预测管网水位值。
进一步地,S10步骤中,预测污染源的辐射范围的具体步骤为:
通过水质检测装置获取流入管网的水质状况;
根据水质状况定位水质异常现象的第一个管网,并计算该管网到其他各管网的最短路径长度及其路径之和;
计算异常水质从第一个管网到其他管网所需的最短时间;
比较该最短时间与预测的时间距当前时间的时间差;
若小于该时间差,则说明位于污染源的辐射范围内,得到预测的污染源的辐射范围。
进一步地,S10步骤中,预测管网污水浓度的具体步骤为:
根据各管网现有污水量和现有水位值;
迭代多次计算各管网的污水浓度,得到预测管网污水浓度。
进一步地,S30步骤中,预警信息通过将管网经纬度信息转换为时空大数据,并按照预警等级和重要程度以及是否预警进行可视化展示。
第二方面,本申请提供了一种基于图算法的城市管网危险预警系统,包括:
采集模块,用于获取结构化管网属性数据和非结构化管网属性数据,并通过非结构化管网属性数据对结构化管网属性数据进行验证;
知识图谱模块,采用自底向上的三元组结构构建知识图谱实体关系模型;其中,该知识图谱实体关系模型的实体为管网关键节点和外部环境,关系为输入水流和输出水流;结构化管网属性数据至少包括污水浓度数据、管网水位数据以及管网进出水量数据;
计算模块,基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的排水负荷进行模拟预测,以得到预测管网水位值;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测,以得到预测管网污水浓度;分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;
输出模块,基于预测管网水位值、预测的污染源的辐射范围以及预测管网污水浓度,通过管网重要性规则输出预警信息。
第三方面,本申请提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述的基于图算法的城市管网危险预警方法。
第四方面,本申请提供了一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序包括用于控制过程以执行过程的程序代码,过程包括根据上述的基于图算法的城市管网危险预警方法。
本发明的主要贡献和创新点如下:1、与现有技术相比,本申请解决了QV检测无法实时监控及预测未来管网突发的内涝、污水问题;同时,简化了数字孪生方案中复杂的拓扑系统、减少所需的设备、终端机、并摆脱对SWMM模型(暴雨径流管理模型)的依赖;
2、与现有技术相比,本申请实现了对城市管网预警预测,并以管网节点、预警程度、管网重要性、预警类型作为输出进行呈现,并辅以通过时空数据完成的可视化图表进行展现;方法构建的知识图谱拓扑模型简单,所需参数较少且均为易获取数据;本专利整体方法简单易懂,在提高计算效率的同时也保证了较高的计算结果准确性;
3、与现有技术(自上而下方式创建知识图谱和未采用知识图谱技术)相比,本申请通过采用自底向上的方式构建知识图谱可以精细地建模实体之间的关系,从而提高知识图谱的精确度和可靠性;可以让知识图谱在逐步建立的过程中灵活地增加、修改或删除实体和关系,以适应不断变化的实际需求;通过逐步构建实体和关系,可以对每个三元组进行验证和审查,提高数据的质量和可信度;可以支持知识图谱的扩展,使其可以随着时间和需求的变化而不断增长;可以大大减少人工建模的工作量,提高效率和速度。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于图算法的城市管网危险预警方法的流程;
图2是本申请的简略流程;
图3是本申请的简略知识图谱图;
图4是计算管网连接数的过程图;
图5是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细的对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
目前常规的预警方法还是通过QV检测,该方法效率低,且需耗费大量人工定期完成管网的实地检测,并无法及时反馈未来时间点的管网状态。部分管网预警的解决方案涉及数字孪生与GIS时空数据技术,其中融合了多种数据叠加包含排水口监控图像、多层水文拓扑图层叠加等;该方案需要大量的物联感知设备去获取实时的数值数据、图像和视频数据,并在方案前期需要巨大工作量去完成多种拓扑结构。
基于此,本发明通过运用图算法,提取降雨、水位、流量、水质的海量数据对管网病害预测预警进行分析,结合管网拓扑结构的溯源分析和上下游节点点位关联分析,对多级预警管网进行智能定位;具体图算法包括了实体连接数、中介中心性和接近中心性等,以及对管网水位、污水范围、污水浓度的迭代计算;其中也涉及GIS数据处理、图数据库nGQL语言等内容。
实施例一
本申请旨在提出一种基于图算法的城市管网危险预警方法,具体地,参考图1-图2,所述方法包括以下步骤:
S00、获取验证后的结构化管网属性数据并写入图数据库,采用自底向上的三元组结构构建知识图谱实体关系模型;
其中,实体为管网关键节点和外部环境,关系为输入水流和输出水流,其中关系两端为不同管网关键节点;实体中包含管网关键节点的管内流速、管内液体密度属性和外部环境的环境类型属性;关系中包含流入或流出水流的两端所处关键节点的唯一标识、流入和出水量、流入和出水速、液体平均密度、管网间距属性;上述实体和关系使用图数据库Nebula进行存储;
在本实施例中,通过物联感知设备,包括管道液位检测仪、管道流量检测仪、水质原位检测仪、光电雨量计获取结构化管网属性数据,并通过排口视频监控设备获取非结构化图片或视频,验证结构化数据准确性;具体实现为以下步骤:
1)通过监控设备获取排口实时画面,获得排出口、排入口、井盖、河流水位、水库水位等特征信息,利用深度内卷积神经网络模型完成特征信息的提取,提取结果以离散数据形式呈现(此为现有技术,并非本申请所保护的技术点,这里不再赘述);
2)将非结构化数据提取结果与结构化数据进行比对,判断是否与物联感知设备结果相同(通过RNN结合逆透视变换校准得到的水位、排水口、入水口异常等信息与物联感知设备数据进行对比得出,例如:对比视频监控检测的井盖范围的水位(由逆透视变换方法获得),与井盖的水位监测仪数据,判断物联设备数据的准确性和及时性);
3)以视频监控结果为准,并通过逆透视变换校准结构化数据结果(现有技术,并非本申请所保护的技术点,这里不再赘述),将结果信息和时间信息存入图数据库中。
其中,结构化管网属性数据包括管网经度、纬度、管网节点的档期那水位、管网节点的污水浓度、管网节点流入量和流出量的属性数据,如此通过管网连接关系构建管网的拓扑关系(图2中的管网拓扑结构数据)。非结构化图片(Unstructured Image)指的是没有经过人工或自动标注和分类的图片数据,也就是没有被组织成特定的结构或格式的图片。
如此,如图3所示(仅展示部分,仅为示意),在输入水流关系表中提取图数据库实体表中对应实体的唯一id(唯一标识)为出发点,实体表中对应下游实体的唯一id为到达点;输出水流关系表则与之相反,流动关系表示实体间存在双向的水流情况完成如下实体关系模型的知识图谱。
S10、基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的排水负荷进行模拟预测,以得到预测管网水位值;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;对知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测,以得到预测管网污水浓度;
在本实施例中,基于知识图谱的图计算算法,对知识图谱中一段时间内的排水负荷进行模拟预测:
1)将各个管网关键节点的现有水位量设为初始PR值f,将外部环境和管网节点之间的输出和输入水流量w作为传递权重,迭代计算各节点的T时刻水位值,迭代次数t由预测的时间距当前时间的时间差Δt、平均水流速度s,管网间距l,管网关键节点数量N计算得出,具体公式如下:
其中,si中i表示第i个管网关键节点,li中i表示第i个管网关键节点。
2)生成每个管网关键节点p的输入、输出值,如下:
In(pn)=∑iwi+∑jwj,管网pi通向pn,外部环境pj通向pn;
Out(pn)=∑k-wk+∑l-wl,pn通向管网pk,pn通向外部环境pl。
设定水负荷预警参数m1(m1为段时间或迭代次数),判断水负荷值是否在连续m1个时刻达到Pnmax值的95%,若达到,则将管网id、预警时间(时刻T)、水负荷量(Pn)、预警时段(m1)存入高负荷预警数列中。
在本实施例中,预测污染源的辐射范围:
4)通过位于外部环境向管网输入水流位置的水质检测装置(或者叫水质原位检测仪),获取流入水质,判断是否存在污水废水超标、重金属残留、活性污泥中毒等情况,此过程由水质检测装置自动获取并分类,本申请不涉及此部分内容的具体实现过程,因此不再赘述。
5)定位水质异常现象流入的第一个管网n,计算各个管网到管网n的最短路径长度Li、此方法通过遍历管网ni到n的全部路径,求和得出遍历路径的管网间距之和∑jlj(j为路径中经过的管网节点)得出;
6)计算异常水质水流由管网n到达其他管网ni所需的最短时间t,t由其他管网到管网n的最短路径长度Li和平均水流速度s计算得出:
7)比较管网ni到达管网n所需的最短时间t与预测的时间T距当前时间的时间差Δt,若t≤Δt,则说明在预测的时间范围内,管网ni位于异常水质水流的辐射范围内,将管网ni的唯一id、预警时间(时刻T)存入污水辐射数列中。
在本实施例中,预测管网污水浓度:
8)基于知识图谱的图计算算法,对知识图谱中一段时间内的各管网ni的污水浓度进行模拟预测;迭代次数t如1)步骤中相同公式计算得出,管网ni的现有污水量为d,水位值是f,则在t次迭代之后,管网ni的污水浓度为:
9)比较管网ni的最高污水浓度阈值ρmax与t次迭代后的污水浓度ρt,若ρt>ρmax,则说明管网ni存在水污染现象,将管网ni的唯一id、预警时间T、污水浓度ρ存入水污染数列中;
10)最终得到三个数列分别为高负荷预警数列、污水辐射数列和水污染数列,后续步骤中会根据三个数列中的管网参数与管网的重要程度组合制定业务规则,返回预警。
S20、分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;
在本实施例中,按管网id分组聚类计算在水流输出关系表中起始点和到达点的计数,并将两个计数相加得出管网连接数,过程展示图4所示。
在本实施例中,遍历计算出经过各个管网id的最短路径数量及管网分布中全部的最短路径数量,定义管网中介中心性为以下公式:
其中,dij(n)为管网i至j中经过管网n的最短路径数量,dij为管网i至j的最短路径数量。较高的管网中介中心性意义在于此节点为其他管网最短路径中出现最多的节点,量化地说明了此节点充当其他节点相互连接的最短路径桥梁的次数。
在本实施例中,计算管网n到其他管网节点的距离,并求出平均距离的倒数,定义此指标为接近中心性,具体的公式如下:
其中,m为管网节点总量,dis(n,j)为管网n到j的距离。较高的管网接近中心性表示该节点到其他各个节点距离更近,此节点非常接近结合上的中心位置。
如此,管网连接数、管网中介中心性和接近中心性从多个维度对管网的重要性进行考量,考虑到管网布局多为从中心点向外辐射,则同一管网的三个统计维度在整体管网中的分位数可能接近,但也存在部分关键管网节点连接数或中介中心性更加突出的情况,因此按如下表1中的规则对管网重要性进行判断:
重要程度 | 规则 |
关键管网节点 | 管网连接数、管网中介中心性或接近中心性其一达到前15%分位 |
重要管网节点 | 管网连接数、管网中介中心性或接近中心性其一达到前50%分位 |
一般管网节点 | 除上述外其他管网节点 |
表1
其中,将管网重要性程度与三项预警数列结果合并,产生不同级别的预警信息,具体分类规则如下:
管网重要程度为关键管网且发生水位预警、污水辐射预警或污水浓度预警,则为高危预警;
管网重要程度为重要管网且发生水位预警、污水辐射预警或污水浓度预警,则为中危预警;
管网重要程度为一般管网且发生水位预警、污水辐射预警或污水浓度预警,则为轻微预警;
若各重要程度管网未发生任何预警,则为无预警。
S30、基于预测管网水位值、预测的污染源的辐射范围以及预测管网污水浓度,通过管网重要性规则输出预警信息。
在本实施例中,预警输出信息如下表2:
管网id | 预警级别 | 重要程度 | 水位预警 | 污水辐射预警 | 污水浓度预警 |
N1 | 高危预警 | 关键节点 | 无预警 | 预警 | 预警 |
N2 | 中危预警 | 重要管网 | 预警 | 无预警 | 无预警 |
…… | …… | …… | …… | …… | …… |
优选地,将管网经纬度信息转换为时空大数据,完成管网预警时空图的可视化展示。
实施例二
基于相同的构思,本申请还提出了一种基于图算法的城市管网危险预警系统,包括:
采集模块,用于获取结构化管网属性数据和非结构化管网属性数据,并通过非结构化管网属性数据对结构化管网属性数据进行验证;
知识图谱模块,采用自底向上的三元组结构构建知识图谱实体关系模型;其中,该知识图谱实体关系模型的实体为管网关键节点和外部环境,关系为输入水流和输出水流;结构化管网属性数据至少包括污水浓度数据、管网水位数据以及管网进出水量数据;
计算模块,基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的排水负荷进行模拟预测,以得到预测管网水位值;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测,以得到预测管网污水浓度;分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;
输出模块,基于预测管网水位值、预测的污染源的辐射范围以及预测管网污水浓度,通过管网重要性规则输出预警信息。
实施例三
本实施例还提供了一种电子装置,参考图5,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecificIntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(HardDiskDrive,简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-OnlyMemory,简称为ROM)和随机存取存储器(RandomAccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemo ry,简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory,简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-Onl yMemory,简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-Acc essMemory,简称为SRAM)或动态随机存取存储器(DynamicRandomAccessM emory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMe mory,简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRa ndom-AccessMemory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意基于图算法的城市管网危险预警方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是结构化管网属性数据等,输出的信息可以是预警信息等。
实施例四
本实施例还提供了一种可读存储介质,可读存储介质中存储有计算机程序,计算机程序包括用于控制过程以执行过程的程序代码,过程包括根据实施例一的基于图算法的城市管网危险预警方法。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,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,还可以作出若干变形和改进,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.基于图算法的城市管网危险预警方法,其特征在于,包括以下步骤:
S00、获取验证后的结构化管网属性数据并写入图数据库,采用自底向上的三元组结构构建知识图谱实体关系模型;
其中,该知识图谱实体关系模型的实体为管网关键节点和外部环境,关系为输入水流和输出水流;所述结构化管网属性数据至少包括污水浓度数据、管网水位数据以及管网进出水量数据;
S10、基于知识图谱的图计算算法,对所述知识图谱实体关系模型中设定时间段内的排水负荷进行模拟预测,以得到预测管网水位值;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;对所述知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测,以得到预测管网污水浓度;
S20、分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;
S30、基于所述预测管网水位值、预测的污染源的辐射范围以及所述预测管网污水浓度,通过所述管网重要性规则输出预警信息。
2.如权利要求1所述的基于图算法的城市管网危险预警方法,其特征在于,S00步骤中,所述实体中至少包含管网关键节点的管内流速、管内液体密度属性和外部环境的环境类型属性;所述关系中至少包含流入或流出水流两端所处关键节点的唯一标识、流入和出水量、流入和出水速、液体平均密度及管网间距属性。
3.如权利要求1所述的基于图算法的城市管网危险预警方法,其特征在于,S00步骤中,通过获取非结构化图片或视频并与所述结构化管网属性数据进行比对,以验证所述结构化管网属性数据。
4.如权利要求2所述的基于图算法的城市管网危险预警方法,其特征在于,S10步骤中,排水负荷预测的具体步骤为:
将各管网关键节点的现有水位量设为初始值,将外部环境和管网关键节点之间的输出和输入水流量作为传递权重;
迭代计算各管网关键节点的设定时刻水位值,并生成每个管网关键节点的输入和输出值,得到预测管网水位值。
5.如权利要求1所述的基于图算法的城市管网危险预警方法,其特征在于,S10步骤中,预测污染源的辐射范围的具体步骤为:
通过水质检测装置获取流入管网的水质状况;
根据水质状况定位水质异常现象的第一个管网,并计算该管网到其他各管网的最短路径长度及其路径之和;
计算异常水质从第一个管网到其他管网所需的最短时间;
比较该最短时间与预测的时间距当前时间的时间差;
若小于该时间差,则说明位于污染源的辐射范围内,得到预测的污染源的辐射范围。
6.如权利要求1所述的基于图算法的城市管网危险预警方法,其特征在于,S10步骤中,预测管网污水浓度的具体步骤为:
根据各管网现有污水量和现有水位值;
迭代多次计算各管网的污水浓度,得到预测管网污水浓度。
7.如权利要求1-6任一项所述的基于图算法的城市管网危险预警方法,其特征在于,S30步骤中,所述预警信息通过将管网经纬度信息转换为时空大数据,并按照预警等级和重要程度以及是否预警进行可视化展示。
8.基于图算法的城市管网危险预警系统,其特征在于,包括:
采集模块,用于获取结构化管网属性数据和非结构化管网属性数据,并通过非结构化管网属性数据对结构化管网属性数据进行验证;
知识图谱模块,采用自底向上的三元组结构构建知识图谱实体关系模型;其中,该知识图谱实体关系模型的实体为管网关键节点和外部环境,关系为输入水流和输出水流;结构化管网属性数据至少包括污水浓度数据、管网水位数据以及管网进出水量数据;
计算模块,基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的排水负荷进行模拟预测,以得到预测管网水位值;基于管网的水流速度和各管网之间的路径,预测污染源的辐射范围;基于知识图谱的图计算算法,对知识图谱实体关系模型中设定时间段内的各管网的污水浓度进行模拟预测,以得到预测管网污水浓度;分别计算管网连接数、管网中介中心性以及接近中心性识别重要网关节点,并依据计算结果制订管网重要性规则;
输出模块,基于预测管网水位值、预测的污染源的辐射范围以及预测管网污水浓度,通过管网重要性规则输出预警信息。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的基于图算法的城市管网危险预警方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至7任一项所述的基于图算法的城市管网危险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356633.5A CN116384746A (zh) | 2023-04-04 | 2023-04-04 | 基于图算法的城市管网危险预警方法、系统及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356633.5A CN116384746A (zh) | 2023-04-04 | 2023-04-04 | 基于图算法的城市管网危险预警方法、系统及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384746A true CN116384746A (zh) | 2023-07-04 |
Family
ID=86962970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310356633.5A Pending CN116384746A (zh) | 2023-04-04 | 2023-04-04 | 基于图算法的城市管网危险预警方法、系统及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384746A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079182A (zh) * | 2023-07-31 | 2023-11-17 | 上海启呈信息科技有限公司 | 一种基于大数据分析的管网管理方法及系统 |
CN117609218A (zh) * | 2024-01-19 | 2024-02-27 | 深圳市环水管网科技服务有限公司 | 基于动态知识库的排水管网gis数据质量控制方法及系统 |
-
2023
- 2023-04-04 CN CN202310356633.5A patent/CN116384746A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079182A (zh) * | 2023-07-31 | 2023-11-17 | 上海启呈信息科技有限公司 | 一种基于大数据分析的管网管理方法及系统 |
CN117079182B (zh) * | 2023-07-31 | 2024-02-23 | 上海启呈信息科技有限公司 | 一种基于大数据分析的管网管理方法及系统 |
CN117609218A (zh) * | 2024-01-19 | 2024-02-27 | 深圳市环水管网科技服务有限公司 | 基于动态知识库的排水管网gis数据质量控制方法及系统 |
CN117609218B (zh) * | 2024-01-19 | 2024-04-30 | 深圳市环水管网科技服务有限公司 | 基于动态知识库的排水管网gis数据质量控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116384746A (zh) | 基于图算法的城市管网危险预警方法、系统及其应用 | |
Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
US11494853B2 (en) | Method for acquiring water leakage amount of leakage area in water distribution system | |
CN111291145B (zh) | 无线热点与兴趣点的映射方法、装置和存储介质 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
Abdollahi et al. | Probabilistic event based rainfall-runoff modeling using copula functions | |
Zanfei et al. | Novel approach for burst detection in water distribution systems based on graph neural networks | |
US20170236226A1 (en) | Computerized systems, processes, and user interfaces for globalized score for a set of real-estate assets | |
Zhang et al. | Detecting colocation flow patterns in the geographical interaction data | |
Taravatrooy et al. | A novel hybrid entropy-clustering approach for optimal placement of pressure sensors for leakage detection in water distribution systems under uncertainty | |
CN110245393A (zh) | 规划建设的cad图纸审查方法、装置、设备以及存储介质 | |
CN115388344A (zh) | 一种基于分布式协调检测的管道泄漏监测方法 | |
de Assis et al. | Geographical prioritization of social network messages in near real-time using sensor data streams: an application to floods. | |
CN114458970B (zh) | 一种基于分区计量的远程监测处理方法和装置 | |
Mu et al. | Multistage iterative fully automatic partitioning in water distribution systems | |
CN116542692A (zh) | 网点选址方法、装置、电子设备及计算机可读存储介质 | |
CN115267950B (zh) | 一种初期雨水量化方法、装置、存储介质及电子设备 | |
Cipolla et al. | Identification of spatio-temporal outliers through minimum spanning tree | |
Liu et al. | Spatial fuzzy clustering approach to characterize flood risk in urban storm water drainage systems | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN114493242A (zh) | 一种管网供水异常定位处理方法和系统 | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
Rahman et al. | MDLpark: Available Parking Prediction for Smart Parking Through Mobile Deep Learning | |
CN113496305A (zh) | 数据处理方法及装置 | |
CN105824871A (zh) | 一种图片检测方法与设备 |
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 |