CN116431973A - 一种水质变化趋势的确定方法、装置、设备和介质 - Google Patents
一种水质变化趋势的确定方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116431973A CN116431973A CN202310437048.8A CN202310437048A CN116431973A CN 116431973 A CN116431973 A CN 116431973A CN 202310437048 A CN202310437048 A CN 202310437048A CN 116431973 A CN116431973 A CN 116431973A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality index
- data
- prediction
- analysis
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 398
- 230000008859 change Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000000611 regression analysis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000001744 unit root test Methods 0.000 claims description 6
- 238000001134 F-test Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及水质评估技术领域，公开了一种水质变化趋势的确定方法、装置、设备和介质。依据水质指标数据集建立VAR向量自回归模型，以确定出最佳的可预测时间长度；依据水质指标数据集中每个水质指标对应的年均数据，分别对各水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据。在存在不符合预测要求的第二水质指标预测数据时，对各水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据。将水质指标数据集、第一水质指标预测数据、第二水质指标预测数据的RSR值进行线性分析，确定出各水质指标对应的量化变化趋势，提升了水质变化趋势分析的精密度。
Description
技术领域
本申请涉及水质评估技术领域，特别是涉及一种水质变化趋势的确定方法、装置、设备和介质。
背景技术
水资源对于世间万物都是不可缺少的，随着生活水平的提高，水污染也越来越严重，我们要避免因为水污染带来的伤害就必须采取措施，其中水质检测是不可缺少的环节。
常规技术中分析水质变化趋势的方法相对简单，通过定性分析现有水质指标不同时间所处环境质量类别的好坏，分析出水质变化趋势。或者半定量分析不同时间内现有水质指标数值上升、下降数量，从而得出水质变化趋势。但是这些分析方式准确性较低，参考价值不高。目前技术中评价水质综合变化趋势相对精密的方法是利用灰色预测或其它数学算法进行水质变化趋势分析。但是数学算法建模时，检验要求高，经常建模失败难以完成。灰色预测可以在时间序列上无限期预测，但是不能确定最佳的可预测时间长度，并且也会存在部分指标预测不准确的问题。
可见，如何提升水质变化趋势分析的精密度，是本领域技术人员需要解决的问题。
发明内容
本申请实施例的目的是提供一种水质变化趋势的确定方法、装置、设备和介质，可以提升水质变化趋势分析的精密度。
为解决上述技术问题，本申请实施例提供一种水质变化趋势的确定方法，包括：
依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；
依据所述水质指标数据集中每个水质指标对应的年均数据，分别对各所述水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据；
在存在不符合预测要求的第二水质指标数据的情况下，对各所述水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据；
将所述水质指标数据集、所述第一水质指标预测数据、所述第二水质指标预测数据的RSR值进行线性分析，以确定出各所述水质指标对应的变化趋势。
可选地，所述依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度包括：
对所述水质指标数据集中包含的月数据通过单位根检验的方式，构建VAR向量自回归模型；
在所述VAR向量自回归模型满足AR特征根检验的情况下，依据所述VAR向量自回归模型的水质指标预测结果的变化趋势，确定出可预测时间长度。
可选地，所述依据所述水质指标数据集中每个水质指标对应的年均数据，分别对各所述水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据包括：
对所述水质指标数据集中每个水质指标对应的月数据进行处理，以得到各所述水质指标对应的年均数据；
依据所述年均数据构建各所述水质指标各自对应的符合级比校验的灰色预测模型；
判断各所述灰色预测模型的后验差比值是否小于或等于设定的第一阈值并且平均拟合误差是否小于或等于设定的第二阈值；
在各所述灰色预测模型中存在后验差比值小于或等于设定的第一阈值并且平均拟合误差小于或等于设定的第二阈值的第一预测模型的情况下，将所述第一预测模型输出的处于可预测时间长度内的灰色预测数据作为第一水质指标预测数据。
可选地，所述依据所述年均数据构建各所述水质指标各自对应的符合级比校验的灰色预测模型包括：
判断各所述水质指标对应的年均数据是否均位于设定区间内；
在各所述水质指标对应的年均数据均位于设定区间内的情况下，依据各所述水质指标对应的年均数据构建对应的灰色预测模型；
在存在所述水质指标对应的年均数据不位于设定区间内的情况下，对各所述水质指标对应的年均数据进行平移转换，以得到均位于设定区间内的新的年均数据；依据所述新的年均数据构建对应的灰色预测模型。
可选地，所述对各所述水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据包括：
在存在后验差比值大于设定的第一阈值或者平均拟合误差大于设定的第二阈值的第二预测模型的情况下，将第二目标预测模型对应的第二目标水质指标数据作为因变量，所述水质指标数据集中除所述第二目标水质指标数据外的剩余指标数据作为逐步回归分析的自变量，以建立逐步回归模型；其中，所述第二目标预测模型为所有所述第二预测模型中的任意一个第二预测模型；
在所述逐步回归模型的性能参数满足设定的阈值条件的情况下，将所述逐步回归模型确定出的处于可预测时间长度内的预测数据作为第二水质指标预测数据；其中，所述性能参数包括方差膨胀系数、F检验显著性水平和/或平均拟合误差。
可选地，还包括：
在所述逐步回归模型的性能参数不满足设定的阈值条件的情况下，选取所述水质指标数据集中与所述可预测时间长度匹配的年均数据作为第二水质指标预测数据。
可选地，在所述将所述水质指标数据集、所述第一水质指标预测数据、所述第二水质指标预测数据的RSR值进行线性分析，以确定出各所述水质指标对应的变化趋势之后，还包括：
在所述水质指标对应的变化趋势为上升趋势的情况下，判断所述水质指标在设定时间周期内是否达到预警值；
在所述水质指标在设定时间周期内达到预警值的情况下，进行预警提示。
本申请实施例还提供了一种水质变化趋势的确定装置，包括时间确定单元、第一分析单元、第二分析单元和趋势确定单元；
所述时间确定单元，用于依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；
所述第一分析单元，用于依据所述水质指标数据集中每个水质指标对应的年均数据，分别对各所述水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据；
所述第二分析单元，用于在存在不符合预测要求的第二水质指标数据的情况下，对各所述水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据；
所述趋势确定单元，用于将所述水质指标数据集、所述第一水质指标预测数据、所述第二水质指标预测数据的RSR值进行线性分析，以确定出各所述水质指标对应的变化趋势。
可选地，所述时间确定单元用于对所述水质指标数据集中包含的月数据通过单位根检验的方式，构建VAR向量自回归模型；在所述VAR向量自回归模型满足AR特征根检验的情况下，依据所述VAR向量自回归模型的水质指标预测结果的变化趋势，确定出可预测时间长度。
可选地，所述第一分析单元包括处理子单元、构建子单元、判断子单元和作为子单元；
所述处理子单元，用于对所述水质指标数据集中每个水质指标对应的月数据进行处理，以得到各所述水质指标对应的年均数据；
所述构建子单元，用于依据所述年均数据构建各所述水质指标各自对应的符合级比校验的灰色预测模型；
所述判断子单元，用于判断各所述灰色预测模型的后验差比值、是否小于或等于设定的第一阈值并且平均拟合误差是否小于或等于设定的第二阈值；
所述作为子单元，用于在各所述灰色预测模型中存在后验差比值小于或等于设定的第一阈值并且平均拟合误差小于或等于设定的第二阈值的第一预测模型的情况下，将所述第一预测模型输出的处于可预测时间长度内的灰色预测数据作为第一水质指标预测数据。
可选地，所述构建子单元用于判断各所述水质指标对应的年均数据是否均位于设定区间内；在各所述水质指标对应的年均数据均位于设定区间内的情况下，依据各所述水质指标对应的年均数据构建对应的灰色预测模型；
在存在所述水质指标对应的年均数据不位于设定区间内的情况下，对各所述水质指标对应的年均数据进行平移转换，以得到均位于设定区间内的新的年均数据；依据所述新的年均数据构建对应的灰色预测模型。
可选地，所述第二分析单元包括建立子单元和作为子单元；
所述建立子单元，用于在存在后验差比值大于设定的第一阈值或者平均拟合误差大于设定的第二阈值的第二预测模型的情况下，将第二目标预测模型对应的第二目标水质指标数据作为因变量，所述水质指标数据集中除所述第二目标水质指标数据外的剩余指标数据作为逐步回归分析的自变量，以建立逐步回归模型；其中，所述第二目标预测模型为所有所述第二预测模型中的任意一个第二预测模型；
所述作为子单元，用于在所述逐步回归模型的性能参数满足设定的阈值条件的情况下，将所述逐步回归模型确定出的处于可预测时间长度内的预测数据作为第二水质指标预测数据；其中，所述性能参数包括方差膨胀系数、F检验显著性水平和/或平均拟合误差。
可选地，还包括选取单元；
所述选取单元，用于在所述逐步回归模型的性能参数不满足设定的阈值条件的情况下，选取所述水质指标数据集中与所述可预测时间长度匹配的年均数据作为第二水质指标预测数据。
可选地，还包括判断单元和预警单元；
所述判断单元，用于在所述水质指标对应的变化趋势为上升趋势的情况下，判断所述水质指标在设定时间周期内是否达到预警值；
所述预警单元，用于在所述水质指标在设定时间周期内达到预警值的情况下，进行预警提示。
本申请实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上述水质变化趋势的确定方法的步骤。
本申请实施例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如上述水质变化趋势的确定方法的步骤。
由上述技术方案可以看出，依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；可预测时间长度表示在该可预测时间长度内对应的数据具有较高的精确性。依据水质指标数据集中每个水质指标对应的年均数据，分别对各水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据。灰色预测算法分析往往无法准确输出所有水质指标对应的预测数据，因此在存在不符合预测要求的第二水质指标数据的情况下，对各水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据。将水质指标数据集、第一水质指标预测数据、第二水质指标预测数据的RSR值进行线性分析，最终确定出各水质指标对应的变化趋势。在该技术方案中，利用VAR向量自回归模型可以确定出最佳的可预测时间长度。在灰度预测算法分析的基础上，对不符合预测要求的水质指标进行关联性分析，可以完成对所有水质指标的精准预测。在水质指标数据集的基础上结合第一水质指标预测数据、第二水质指标预测数据，实现了对数据集的有效扩充，提升了水质变化趋势分析的精密度。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种水质变化趋势的确定方法的流程图；
图2为本申请实施例提供的一种确定水质指标预测数据的方法的流程图；
图3为本申请实施例提供的一种水质指标综合变化趋势的示意图；
图4为本申请实施例提供的一种水质变化趋势的确定装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”，以及与“包括”和“具有”相关的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
接下来，详细介绍本申请实施例所提供的一种水质变化趋势的确定方法。图1为本申请实施例提供的一种水质变化趋势的确定方法的流程图，该方法包括：
S101：依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度。
水质指标数据集中可以包含长时间内采集的水质指标数据，在实际应用中，可以以月为基本单位，收集每个月的水质指标数据。例如，水质指标数据集中可以包含2016年至2022年中每个月对应的水质指标数据。
水质指标可以有多种，例如，溶解氧DO(mg/L)、高锰酸盐指数CODmn(mg/L)、氨氮NH3-N(mg/L)、氟化物F-(mg/L)、粪大肠菌群FC(个/L)、硫酸盐SO4 2-(mg/L)、硝酸盐NO3 -(mg/L)。
考虑到实际应用中，灰色预测模型输出的预测数据的时长非常长，但是随着时长的增长，预测数据的参考价值并不会随之升高。因此，本申请实施例提出了确定可预测时间长度的方式。
在具体实现中，可以对水质指标数据集中包含的月数据通过单位根检验的方式，构建VAR向量自回归模型；在VAR向量自回归模型满足AR特征根检验的情况下，依据VAR向量自回归模型的水质指标预测结果的变化趋势，确定出可预测时间长度。
单位根检验是指检验水质指标数据集中是否存在单位根，因为存在单位根表明水质指标数据集属于非平稳时间序列。
AR特征根检验用于判别VAR向量自回归模型是否平稳。如果所有水质指标数据均在单位圆内，即所有点均在圆内，说明VAR向量自回归模型具有稳定性，此时可以根据VAR向量自回归模型对水质指标的数值进行预测，基于预测数据的变化情况可以确定出最佳的可预测时间长度。
可预测时间长度表示在该可预测时间长度内对应的数据具有较高的精确性，在该可预测时间之后的数据与其前向相邻的数据相比变化率较低，说明可预测时间之后的数据并不具有太大的实际分析意义，因此只需对可预测时间长度内的预测数据进行分析即可。
举例说明，假设可预测时间长度为2年，水质指标数据集中包含了2016年至2022年的水质指标数据，依据S102和S103可以预测出2023年及其之后很多年的预测数据，按照可预测时间长度此时可以采用2023年和2024年这两年的预测数据执行S104的线性分析即可，无需再考虑2025年及其之后的预测数据。
S102：依据水质指标数据集中每个水质指标对应的年均数据，分别对各水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据。
灰色预测算法是一种对含有不确定因素的系统进行预测的方法。灰色预测算法通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。
在本申请实施例中，采用灰色预测算法对每个水质指标的年均数据进行分析，可以预测出每个水质指标的年度预测数据。
考虑到实际应用中，水质指标有多个，灰度预测算法往往无法准确预测出每个水质指标的预测数据，而预测数据的准确性会直接影响到后续变化趋势分析的精度，因此为了保证预测数据的准确性，可以设置预测要求。
预测要求可以包括对预测数据的级比值、后验差比值和平均拟合误差的评估。具体实现过程可以参见图2的介绍，在此不再赘述。
在本申请实施例中，可以只对可预测时间长度内的预测数据进行考虑。在可预测时间长度内的预测数据符合预测要求的情况下，说明该预测数据具有较高的准确性。为了便于区分，可以将符合预测要求并且处于可预测时间长度内的预测数据称作第一水质指标预测数据。将不符合预测要求的水质指标数据称作第二水质指标数据。
S103：在存在不符合预测要求的第二水质指标数据的情况下，对各水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据。
第二水质指标数据所对应的水质指标可以有一个或多个。为了便于区分，可以将第二水质指标数据所对应的水质指标统称为第二水质指标。
采用灰色预测算法无法准确预测出第二水质指标的预测数据，因此在本申请实施例中，可以在灰色预测算法的基础上结合逐步回归的方式分析其它水质指标与第二水质指标的关联性，对不满足灰色预测建模或建模后检验未通过的水质指标进行逐步回归算法分析，将某一水质指标作为因变量，在自动识别筛选其它显著关联水质指标作为逐步回归分析的自变量基础上建立逐步回归模型，同时删除与因变量没有显著关联水质指标。从而基于与第二水质指标具有显著关联的水质指标的预测数据，可以得到第二水质指标的预测数据。
S104：将水质指标数据集、第一水质指标预测数据、第二水质指标预测数据的RSR值进行线性分析，以确定出各水质指标对应的变化趋势。
每个水质指标有其对应的水质指标数据和预测数据。在本申请实施例中，可以单独对每个水质指标进行变化趋势的分析，也可以对所有水质指标进行综合分析。
以综合分析为例，可以采用秩和比综合评价法(RSR)实现对多个水质指标的综合分析，从而确定出所有水质指标的综合变化趋势。在具体实现中，可以采用熵权法计算权重值。
由上述技术方案可以看出，依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；可预测时间长度表示在该可预测时间长度内对应的数据具有较高的精确性。依据水质指标数据集中每个水质指标对应的年均数据，分别对各水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据。灰色预测算法分析往往无法准确输出所有水质指标对应的预测数据，因此在存在不符合预测要求的第二水质指标数据的情况下，对各水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据。将水质指标数据集、第一水质指标预测数据、第二水质指标预测数据的RSR值进行线性分析，最终确定出各水质指标对应的变化趋势。在该技术方案中，利用VAR向量自回归模型可以确定出最佳的可预测时间长度。在灰度预测算法分析的基础上，对不符合预测要求的水质指标进行关联性分析，可以完成对所有水质指标的精准预测。在水质指标数据集的基础上结合第一水质指标预测数据、第二水质指标预测数据，实现了对数据集的有效扩充，提升了水质变化趋势分析的精密度。
图2为本申请实施例提供的一种确定水质指标预测数据的方法的流程图，该方法包括：
S201：对水质指标数据集中每个水质指标对应的月数据进行处理，以得到各水质指标对应的年均数据。
对水质指标进行预测时可以以年为基本单位，每个水质指标的处理方式类似，以一个水质指标为例，可以以年为单位统计水质指标每年对应的月数据，对月数据累加之后求平均可以得到年均数据。每个水质指标都有其对应的年均数据。
S202：依据年均数据构建各水质指标各自对应的符合级比校验的灰色预测模型。
在本申请实施例中，可以分别对每个水质指标进行灰色预测算法分析，通过单一水质指标历史关联分析预测未来数据趋势，建模时需要对水质指标数据进行级比检验。级别校验可以包括判断各水质指标对应的年均数据是否均位于设定区间(e^(-2/(n+1)),e^(2/n+1))内。
在各水质指标对应的年均数据均位于设定区间内的情况下，表示通过级比检验，则说明该水质指标数据适合构建灰色预测模型，此时可以依据各水质指标对应的年均数据构建对应的灰色预测模型；
在存在水质指标对应的年均数据不位于设定区间内的情况下，表示未通过级比检验，此时可以对各水质指标对应的年均数据进行平移转换，以得到均位于设定区间内的新的年均数据；依据新的年均数据构建对应的灰色预测模型。
S203：判断各灰色预测模型的后验差比值是否小于或等于设定的第一阈值并且平均拟合误差是否小于或等于设定的第二阈值。
后验差比值指的是真实误差的方差同原始数据方差的比值。后验差比值越小越好。后验差比值可以验证灰色预测模型的精度，后验差比值越小，则说明灰色预测模型精度越高。一般后验差比值C值小于0.35则模型精度高，C值小于0.5说明模型精度合格，C值小于0.65说明模型精度基本合格，如果C值大于0.65，则说明模型精度不合格。
第一阈值和第二阈值的取值可以基于实际需求设置。例如，第一阈值可以设置为0.65，第二阈值可以设置为20％。
在存在后验差比值小于或等于设定的第一阈值并且平均拟合误差小于或等于设定的第二阈值的第一预测模型的情况下，说明第一预测模型可以用于水质指标的预测，此时可以执行S204。
在存在后验差比值大于设定的第一阈值或者平均拟合误差大于设定的第二阈值的第二预测模型的情况下，说明第二预测模型不适用于水质指标的预测，此时可以执行S205。
S204：将第一预测模型输出的处于可预测时间长度内的灰色预测数据作为第一水质指标预测数据。
在存在后验差比值小于或等于设定的第一阈值并且平均拟合误差小于或等于设定的第二阈值的第一预测模型的情况下，可以直接将第一预测模型输出的处于可预测时间长度内的灰色预测数据作为第一水质指标预测数据。
S205：将第二目标预测模型对应的第二目标水质指标数据作为因变量，水质指标数据集中除第二目标水质指标数据外的剩余指标数据作为逐步回归分析的自变量，以建立逐步回归模型。
在存在后验差比值大于设定的第一阈值或者平均拟合误差大于设定的第二阈值的第二预测模型的情况下，可以对多个水质指标进行逐步回归分析，从而确定出第二水质指标所对应的预测数据。
考虑到实际应用中，第二预测模型可能有多个，每个第二预测模型的处理方式类似，以所有第二预测模型中的任意一个第二预测模型即第二目标预测模型为例展开介绍。可以将第二目标预测模型所对应的水质指标称作第二目标水质指标，水质指标数据称作第二目标水质指标数据。
在具体实现中，可以将第二目标预测模型对应的第二目标水质指标数据作为因变量，水质指标数据集中除第二目标水质指标数据外的剩余指标数据作为逐步回归分析的自变量，从而建立逐步回归模型。
S206：在逐步回归模型的性能参数满足设定的阈值条件的情况下，将逐步回归模型确定出的处于可预测时间长度内的预测数据作为第二水质指标预测数据。
其中，性能参数可以包括方差膨胀系数(VIF)、F检验显著性水平和/或平均拟合误差。阈值条件中可以包含每个性能参数各自对应的阈值上限值，例如VIF对应的阈值上限值可以设置为10，F检验显著性水平可以转换得到p，p对应的阈值上限值可以设置为0.05，平均拟合误差对应的阈值上限值可以设置为20％。
举例说明，假设第二水质指标包括CODmn、NH3-N、FC。
以CODmn为例，可以将DO，NH3-N，F-，FC，NO3 -，SO4 2-作为自变量，而将CODmn作为因变量，进行逐步回归分析，具体回归方式可以为：逐步stepwise法。经过逐步回归模型自动识别，最终余下NO3 -这1项在模型中，R方值为0.632，意味着NO3 -可以解释CODmn的63.2％变化原因。而且逐步回归模型通过F检验，通过测试可知F＝8.586，p＝0.033<0.05，VIF＜10，没有共线性问题，说明逐步回归模型有效。
以NH3-N为例，可以将DO，F-，CODmn，FC，NO3 -，SO4 2-作为自变量，而将NH3-N作为因变量进行逐步回归分析，经过逐步回归模型自动识别，最终余下DO，NO3 -，SO4 2-一共3项在逐步回归模型中，R方值为0.990，意味着DO，NO3 -，SO4 2-可以解释NH3-N的99.0％变化原因。而且模型通过F检验，通过测试可知F＝97.430，p＝0.002<0.05，VIF＜10，没有共线性问题，说明逐步回归模型有效。
除了性能参数外，在本申请实施例中，也可以考虑逐步回归模型的可决定系数(R2)。
以FC为例，可以将DO，F-，CODmn，NH3-N，NO3 -，SO4 2-作为自变量，而将FC作为因变量进行逐步回归分析，经过逐步回归模型自动识别，最终余下DO，F-，NO3 -，SO4 2-一共4项在逐步回归模型中，R方值为0.999，意味着DO，F-，NO3 -，SO4 2-可以解释FC的99.9％变化原因。而且模型通过F检验，通过测试可知F＝644.427，p＝0.002<0.05，说明逐步回归模型有效。余下变量中最大VIF＝10.6，存在共线性问题，但综合考虑可决定系数R方值为0.999，且平均拟合误差1.55％，所以可以采纳拟合结果。
考虑到在实际应用中，可能会存在灰色预测模型和逐步回归模型均无法得到满足要求的预测数据，针对于该种情况，可以选取水质指标数据集中与可预测时间长度匹配的年均数据作为第二水质指标预测数据。
需要说明的是，在本申请实施例中，建立逐步回归模型，得到逐步回归方程之后，可以通过逐步回归模型分析出与第二目标水质指标具有显著关联的水质指标，如果具有显著关联的水质指标属于第一水质指标，则可以将第一水质指标预测数据代入逐步回归方程自变量中，从而得到第二水质指标预测数据。如果具有显著关联的水质指标不属于第一水质指标，则可以选取水质指标数据集中与可预测时间长度匹配的年均数据作为第二水质指标预测数据。
在本申请实施例中，通过对水质指标数据进行级比检验，可以保证利用合适的水质指标数据构建灰色预测模型。依赖于级比值、后验差比值和平均拟合误差对灰色预测模型进行评估，可以筛选出预测效果好的灰色预测模型。对于预测效果不好的水质指标通过逐步回归分析，可以得到所需的预测数据，有效的保证了预测数据的准确性，从而为后续的变化趋势分析提供了可靠的保障。
水质指标的变化趋势可以包含水质指标的含量呈现上升趋势还是下降趋势，以及在该趋势下对应的变化幅度。
图3为本申请实施例提供的一种水质指标综合变化趋势的示意图，图3中2016年至2022年已知的水质指标数据为水质指标数据集，2023年和2024年为预测数据。通过对2016年至2024年的数据进行RSR分析，可以得到RSR线性回归方程RSR＝0.0357×年度-71.699,通过计算可以R2＝0.8984。线性回归方程的斜率为正数，表示水质指标呈上升趋势。可决定系数R2为0.8984，根据相关系数检验临界值表可知显著性水平＜0.01，因此水质指标DO，FC，F-，CODmn，NH3-N，NO3 -，SO4 2-在2016年～2024年综合呈现显著上升趋势，但上升较为缓慢。
在申请实施例中，可以在水质指标对应的变化趋势为上升趋势的情况下，判断水质指标在设定时间周期内是否达到预警值；在水质指标在设定时间周期内达到预警值的情况下，说明在设定时间周期内水质指标的含量会超出安全范围，此时可以进行预警提示。
图4为本申请实施例提供的一种水质变化趋势的确定装置的结构示意图，包括时间确定单元41、第一分析单元42、第二分析单元43和趋势确定单元44；
时间确定单元41，用于依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；
第一分析单元42，用于依据水质指标数据集中每个水质指标对应的年均数据，分别对各水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据；
第二分析单元43，用于在存在不符合预测要求的第二水质指标数据的情况下，对各水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据；
趋势确定单元44，用于将水质指标数据集、第一水质指标预测数据、第二水质指标预测数据的RSR值进行线性分析，以确定出各水质指标对应的变化趋势。
可选地，时间确定单元用于对水质指标数据集中包含的月数据通过单位根检验的方式，构建VAR向量自回归模型；在VAR向量自回归模型满足AR特征根检验的情况下，依据VAR向量自回归模型的水质指标预测结果的变化趋势，确定出可预测时间长度。
可选地，第一分析单元包括处理子单元、构建子单元、判断子单元和作为子单元；
处理子单元，用于对水质指标数据集中每个水质指标对应的月数据进行处理，以得到各水质指标对应的年均数据；
构建子单元，用于依据年均数据构建各水质指标各自对应的符合级比校验的灰色预测模型；
判断子单元，用于判断各灰色预测模型的后验差比值是否小于或等于设定的第一阈值并且平均拟合误差是否小于或等于设定的第二阈值；
作为子单元，用于在存在后验差比值小于或等于设定的第一阈值并且平均拟合误差小于或等于设定的第二阈值的第一预测模型的情况下，将第一预测模型输出的处于可预测时间长度内的灰色预测数据作为第一水质指标预测数据。
可选地，构建子单元用于判断各水质指标对应的年均数据是否均位于设定区间内；在各水质指标对应的年均数据均位于设定区间内的情况下，依据各水质指标对应的年均数据构建对应的灰色预测模型；在存在水质指标对应的年均数据不位于设定区间内的情况下，对各水质指标对应的年均数据进行平移转换，以得到均位于设定区间内的新的年均数据；依据新的年均数据构建对应的灰色预测模型。
可选地，第二分析单元包括建立子单元和作为子单元；
建立子单元，用于在存在后验差比值大于设定的第一阈值或者平均拟合误差大于设定的第二阈值的第二预测模型的情况下，将第二目标预测模型对应的第二目标水质指标数据作为因变量，所述水质指标数据集中除所述第二目标水质指标数据外的剩余指标数据作为逐步回归分析的自变量，以建立逐步回归模型；其中，所述第二目标预测模型为所有所述第二预测模型中的任意一个第二预测模型；
作为子单元，用于在逐步回归模型的性能参数满足设定的阈值条件的情况下，将逐步回归模型确定出的处于可预测时间长度内的预测数据作为第二水质指标预测数据；其中，性能参数包括方差膨胀系数、F检验显著性水平和/或平均拟合误差。
可选地，还包括选取单元；
选取单元，用于在逐步回归模型的性能参数不满足设定的阈值条件的情况下，选取水质指标数据集中与可预测时间长度匹配的年均数据作为第二水质指标预测数据。
可选地，还包括判断单元和预警单元；
判断单元，用于在水质指标对应的变化趋势为上升趋势的情况下，判断水质指标在设定时间周期内是否达到预警值；
预警单元，用于在水质指标在设定时间周期内达到预警值的情况下，进行预警提示。
图4所对应实施例中特征的说明可以参见图1和与2所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；可预测时间长度表示在该可预测时间长度内对应的数据具有较高的精确性。依据水质指标数据集中每个水质指标对应的年均数据，分别对各水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据。灰色预测算法分析往往无法准确输出所有水质指标对应的预测数据，因此在存在不符合预测要求的第二水质指标数据的情况下，对各水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据。将水质指标数据集、第一水质指标预测数据、第二水质指标预测数据的RSR值进行线性分析，最终确定出各水质指标对应的变化趋势。在该技术方案中，利用VAR向量自回归模型可以确定出最佳的可预测时间长度。在灰度预测算法分析的基础上，对不符合预测要求的水质指标进行关联性分析，可以完成对所有水质指标的精准预测。在水质指标数据集的基础上结合第一水质指标预测数据、第二水质指标预测数据，实现了对数据集的有效扩充，提升了水质变化趋势分析的精密度。
图5为本申请实施例提供的一种电子设备的结构图，如图5所示，电子设备包括：存储器50，用于存储计算机程序；
处理器51，用于执行计算机程序时实现如上述实施例水质变化趋势的确定方法的步骤。
本实施例提供的电子设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器51可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器51可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器51也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器51可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器51还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器50可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器50还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器50至少用于存储以下计算机程序501，其中，该计算机程序被处理器51加载并执行之后，能够实现前述任一实施例公开的水质变化趋势的确定方法的相关步骤。另外，存储器50所存储的资源还可以包括操作系统502和数据503等，存储方式可以是短暂存储或者永久存储。其中，操作系统502可以包括Windows、Unix、Linux等。数据503可以包括但不限于质指标数据集等。
在一些实施例中，电子设备还可包括有显示屏52、输入输出接口53、通信接口54、电源55以及通信总线56。
本领域技术人员可以理解，图5中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的组件。
可以理解的是，如果上述实施例中的水质变化趋势的确定方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述水质变化趋势的确定方法的步骤。
以上对本申请实施例所提供的一种水质变化趋势的确定方法、装置、设备和介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上对本申请所提供的一种水质变化趋势的确定方法、装置、设备和介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种水质变化趋势的确定方法，其特征在于，包括：
依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；
依据所述水质指标数据集中每个水质指标对应的年均数据，分别对各所述水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据；
在存在不符合预测要求的第二水质指标数据的情况下，对各所述水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据；
将所述水质指标数据集、所述第一水质指标预测数据、所述第二水质指标预测数据的RSR值进行线性分析，以确定出各所述水质指标对应的变化趋势。
2.根据权利要求1所述的水质变化趋势的确定方法，其特征在于，所述依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度包括：
对所述水质指标数据集中包含的月数据通过单位根检验的方式，构建VAR向量自回归模型；
在所述VAR向量自回归模型满足AR特征根检验的情况下，依据所述VAR向量自回归模型的水质指标预测结果的变化趋势，确定出可预测时间长度。
3.根据权利要求1所述的水质变化趋势的确定方法，其特征在于，所述依据所述水质指标数据集中每个水质指标对应的年均数据，分别对各所述水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据包括：
对所述水质指标数据集中每个水质指标对应的月数据进行处理，以得到各所述水质指标对应的年均数据；
依据所述年均数据构建各所述水质指标各自对应的符合级比校验的灰色预测模型；
判断各所述灰色预测模型的后验差比值是否小于或等于设定的第一阈值并且平均拟合误差是否小于或等于设定的第二阈值；
在各所述灰色预测模型中存在后验差比值小于或等于设定的第一阈值并且平均拟合误差小于或等于设定的第二阈值的第一预测模型的情况下，将所述第一预测模型输出的处于可预测时间长度内的灰色预测数据作为第一水质指标预测数据。
4.根据权利要求3所述的水质变化趋势的确定方法，其特征在于，所述依据所述年均数据构建各所述水质指标各自对应的符合级比校验的灰色预测模型包括：
判断各所述水质指标对应的年均数据是否均位于设定区间内；
在各所述水质指标对应的年均数据均位于设定区间内的情况下，依据各所述水质指标对应的年均数据构建对应的灰色预测模型；
在存在所述水质指标对应的年均数据不位于设定区间内的情况下，对各所述水质指标对应的年均数据进行平移转换，以得到均位于设定区间内的新的年均数据；依据所述新的年均数据构建对应的灰色预测模型。
5.根据权利要求3所述的水质变化趋势的确定方法，其特征在于，所述对各所述水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据包括：
在存在后验差比值大于设定的第一阈值或者平均拟合误差大于设定的第二阈值的第二预测模型的情况下，将第二目标预测模型对应的第二目标水质指标数据作为因变量，所述水质指标数据集中除所述第二目标水质指标数据外的剩余指标数据作为逐步回归分析的自变量，以建立逐步回归模型；其中，所述第二目标预测模型为所有所述第二预测模型中的任意一个第二预测模型；
在所述逐步回归模型的性能参数满足设定的阈值条件的情况下，将所述逐步回归模型确定出的处于可预测时间长度内的预测数据作为第二水质指标预测数据；其中，所述性能参数包括方差膨胀系数、F检验显著性水平和/或平均拟合误差。
6.根据权利要求5所述的水质变化趋势的确定方法，其特征在于，还包括：
在所述逐步回归模型的性能参数不满足设定的阈值条件的情况下，选取所述水质指标数据集中与所述可预测时间长度匹配的年均数据作为第二水质指标预测数据。
7.根据权利要求1至6任意一项所述的水质变化趋势的确定方法，其特征在于，在所述将所述水质指标数据集、所述第一水质指标预测数据、所述第二水质指标预测数据的RSR值进行线性分析，以确定出各所述水质指标对应的变化趋势之后，还包括：
在所述水质指标对应的变化趋势为上升趋势的情况下，判断所述水质指标在设定时间周期内是否达到预警值；
在所述水质指标在设定时间周期内达到预警值的情况下，进行预警提示。
8.一种水质变化趋势的确定装置，其特征在于，包括时间确定单元、第一分析单元、第二分析单元和趋势确定单元；
所述时间确定单元，用于依据水质指标数据集建立VAR向量自回归模型，以确定出可预测时间长度；
所述第一分析单元，用于依据所述水质指标数据集中每个水质指标对应的年均数据，分别对各所述水质指标进行灰色预测算法分析，以得到符合预测要求并且处于可预测时间长度内的第一水质指标预测数据；
所述第二分析单元，用于在存在不符合预测要求的第二水质指标数据的情况下，对各所述水质指标进行关联性分析，以得到符合关联性要求并且处于可预测时间长度内的第二水质指标预测数据；
所述趋势确定单元，用于将所述水质指标数据集、所述第一水质指标预测数据、所述第二水质指标预测数据的RSR值进行线性分析，以确定出各所述水质指标对应的变化趋势。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至7任意一项所述水质变化趋势的确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7任意一项所述水质变化趋势的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437048.8A CN116431973A (zh) | 2023-04-21 | 2023-04-21 | 一种水质变化趋势的确定方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437048.8A CN116431973A (zh) | 2023-04-21 | 2023-04-21 | 一种水质变化趋势的确定方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116431973A true CN116431973A (zh) | 2023-07-14 |
Family
ID=87085223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310437048.8A Pending CN116431973A (zh) | 2023-04-21 | 2023-04-21 | 一种水质变化趋势的确定方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116431973A (zh) |
-
2023
- 2023-04-21 CN CN202310437048.8A patent/CN116431973A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102797B (zh) | 语音识别测试方法、装置、计算机设备及存储介质 | |
| CN109976998B (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
| CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN114091443B (zh) | 基于深度学习的网络信息传播指标体系构建及评估方法 | |
| CN110188862B (zh) | 用于数据处理的模型超参数的搜索方法、装置、系统 | |
| CN110333991B (zh) | 云平台任务最大资源使用率预测方法 | |
| CN106405427A (zh) | 基于神经网络与Maternard核函数GPR的锂电池健康状态预测方法 | |
| CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
| CN114047452A (zh) | 一种确定电池循环寿命的方法及装置 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN111191836A (zh) | 一种井漏预测方法、装置及设备 | |
| CN116413604A (zh) | 一种电池参数监测方法、系统、装置及存储介质 | |
| CN112184415A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN116431973A (zh) | 一种水质变化趋势的确定方法、装置、设备和介质 | |
| CN108446213A (zh) | 一种静态代码质量分析方法和装置 | |
| CN116384680A (zh) | 研发质量的可视化监测方法、装置、设备及可读存储介质 | |
| CN115994093A (zh) | 测试用例推荐方法和装置 | |
| CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| CN112149833B (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN110991641A (zh) | 一种油藏类型分析方法、装置及电子设备 | |
| CN112434839B (zh) | 一种配电变压器重过载风险的预测方法及电子设备 | |
| Colani | Defining and modeling uncertainty | |
| CN114386525B (zh) | 一种评估标准的自适应调整方法、装置、设备和存储介质 | |
| CN113742216B (zh) | 一种检测机器学习引擎的效率的方法、装置和存储介质 | |
| CN116128367A (zh) | 一种软件质量预测方法、装置、电子设备及存储介质 |
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 |