CN116502056B - 一种饮用水过滤方法及装置 - Google Patents

Abstract

本发明提供了一种饮用水过滤方法，包括：将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包输入至LSTM，以获得基准装置的过滤需求预测模型；将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量输入至过滤需求预测模型，以获得基准装置的后续接水需求量；基准装置依据后续接水需求量判断是否进行过滤和过滤量。过滤需求预测模型能够获知基准装置所在住户家庭的“刚性”饮水需求和“弹性”饮水需求的变化规律，从而使饮用水过滤装置的水箱中的饮用水水量尽可能恰好满足用户的下次用水，在尽可能能实时满足用户接水需求的基础上，减少自来水的过量过滤，减少水浪费。

Description

一种饮用水过滤方法及装置

技术领域

本发明涉及饮用水过滤控制方法领域，特别是涉及一种饮用水过滤方法及装置。

背景技术

饮用水过滤装置是一种对自来水进行过滤，从而直接获得饮用水的设备。饮用水过滤装置主要分为即时过滤和提前过滤两种类型。

即时过滤的工作过程是打开水龙头后自来水在短时间内经过滤芯等其他过滤组件，直接提供给住户饮用水，这种工作方式虽然十分方便，但是自来水的过滤效果和其在过滤组件中停留的时间长短具有很强的关联性，即时过滤的方式由于自来水在过滤组件中停留时间过短，往往过滤不够充分，得到的饮用水不够健康。

而提前过滤则是事先将自来水灌入饮用水过滤装置，饮用水过滤装置缓慢过滤自来水，然后将过滤得到的饮用水收集在水箱中，待用户需要饮水的时候再去水箱中接水。

上述过程可能存在如下两种情况：

1、为了满足用户接水需求的及时性，水箱中会储存大量过滤后的饮用水，在一段较长时间后，若用户因没有饮水需求或者饮水需求较小，则会导致水箱中的饮用水存放过久，为了安全性和卫生考虑，水箱中存放过久的水需要倒掉，由此造成了水资源的浪费；

2、为了减少水的浪费，水箱中仅存储少量过滤后的饮用水，但是若用户产生了大量接水的需求，饮用水过滤装置就无法满足。

基于此，如何使饮用水过滤装置的水箱中存放适量的水，在尽可能满足用户饮水需求的基础上降低水资源的浪费，是饮用水过滤装置实际使用过程中的一个重要研发方向。

发明内容

基于此，有必要针对饮用水过滤装置如何过滤适量自来水的问题，提供一种饮用水过滤方法及装置。

本发明提供的技术方案为：

一种饮用水过滤方法，包括：

每个饮用水过滤装置均上传地理位置坐标至云服务器；

云服务器依据接收到的地理位置坐标划分出至少两个地理集群，以使每个地理集群内具有至少两个饮用水过滤装置；

每个饮用水过滤装置获取用户历史接水数据组并上传至云服务器；

云服务器对接收到的用户历史接水数据组依据地理位置进行归类，以使每个地理集群获得对应的历史接水数据包；

选取其中一个饮用水过滤装置作为基准装置，基准装置获取的用户历史接水数据组为基准历史接水数据组；

将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包整合输入至LSTM，以获得基准装置的过滤需求预测模型；

将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至过滤需求预测模型，以获得基准装置的后续接水需求量；

基准装置依据后续接水需求量判断是否进行过滤和过滤量。

本发明将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包整合输入至LSTM，以获得基准装置的过滤需求预测模型，具体包括：

云服务器获取历史气温数据组并进行拟合，以获得气温变化拟合曲线，依据拟合曲线确定历史气温异常数据组；

基于历史气温异常数据组从基准历史接水数据组及历史接水数据包中筛选出第一训练集，其余作为第二训练集；

将第一训练集输入至第一LSTM网络，以获得第一过滤需求预测模型，将第二训练集输入至第二LSTM网络，以获得第二过滤需求预测模型；

将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至过滤需求预测模型，具体包括：

获取基准装置上传的当前气温数据组，基于气温变化拟合曲线判断当前气温数据组是否为气温异常数据组；

基于当前气温数据组是否为气温异常数据组的判断结果，将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至第一过滤需求预测模型或第二过滤需求预测模型。

本发明所述基准装置上安装有温度传感器，温度传感器电连接至云服务器，温度传感器随基准装置安装于室内，以将室内气温数据上传至云服务器，云服务器通过温度传感器获取室内的历史气温数据组。

本发明所述云服务器通过地理集群的室外气温以获得历史气温数据组。

本发明所述地理集群内饮用水过滤装置的数量和地理集群的面积正相关。

本发明所述饮用水过滤装置内安装有GPS，GPS电连接至云服务器。

一种装置，电连接至云服务器，从云服务器获取基准历史接水数据组及包含基准历史接水数据组的历史接水数据包，而后整合输入至LSTM，以获得基准装置的过滤需求预测模型；

从云服务器获取基准装置的当前接水量和基准装置所处地理集群对应的当前接水量，整合输入至过滤需求预测模型，以获得基准装置的后续接水需求量。

本发明的有益效果为：

将包含基准历史接水数据组的历史接水数据包输入至LSTM，可以使过滤需求预测模型对基准装置所在住户家庭在各个时间点“刚性”饮水需求量进行预测，在此过程中历史接水数据包内的基准历史接水数据组和其他用户历史接水数据组的波动部分进行对冲，由此也就获得了基准装置所在住户家庭的“刚性”饮水需求在时间尺度上的整体变化规律。

在此基础上，将基准历史接水数据组同步直接输入至LSTM，基准历史接水数据组反应的实际饮水需求的历史变化趋势，剔除基准装置所在住户家庭的“刚性”饮水需求在时间尺度上的变化趋势，即可较为准确地识别出基准历史接水数据组中属于“弹性”部分的饮水需求实际变化，即可获得基准装置所在住户家庭的“弹性”饮水需求变化趋势以及发生概率。

即通过将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包输入至LSTM，对基准装置所在住户家庭的“刚性”饮水需求和“弹性”饮水需求进行了剥离，从而对二者变化规律分别进行训练，过滤需求预测模型能够获知基准装置所在住户家庭的“刚性”饮水需求和“弹性”饮水需求的变化规律，从而使饮用水过滤装置的水箱中的饮用水水量尽可能恰好满足用户的下次用水，在尽可能能实时满足用户接水需求的基础上，减少自来水的过量过滤，减少水浪费。

附图说明

图1为本发明实施例1的饮用水过滤方法流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明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发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

实施例1：

本实施例提供了一种饮用水过滤方法，包括如下步骤：

步骤S1:每个饮用水过滤装置安装在对应的住户家庭中，在每个饮用水过滤装置中安装GPS模块，以获取每一个饮用水过滤装置所处的地理位置，GPS模块将饮用水过滤装置的地理位置坐标上传至云服务器。

步骤S2:云服务器通过获得的所有饮用水过滤装置的地理位置坐标，能够知晓所有饮用水过滤装置的位置排布，根据不同位置饮用水过滤装置的空间分布密度、小区范围、行政区域等条件，将一个涵盖所有饮用水过滤装置的区域划分出至少两个地理集群，满足每个地理集群内具有至少两个饮用水过滤装置。理想情况下，地理集群内饮用水过滤装置的数量越多越好，且地理集群应当具有的饮用水过滤装置数量的最小值应当与地理集群的占地面积呈正比。

作为一种较为理想的情况，一个小区即构成一个地理集群，本实施例也以该情况作为前提假定条件进行后续说明。

步骤S3:每个饮用水过滤装置可以通过记录其水箱中液位下降量和液位下降发生的时间，得到对应住户家庭的用户历史接水数据组，并将用户历史接水数据组上传至云服务器。用户历史接水数据组能够反应该住户家庭在对应时间产生的饮水需求量，将该住户家庭所有用户历史接水数据组组合分析，即可得到该住户家庭饮水需求的历史变化。

单个住户家庭的饮水需求在较长时间内存在稳定性，而在短时间内存在波动性。其稳定性来源于住户家庭的人员构成、人员年龄分布、身体状况、作息时间等条件在较长时间段内一般相对固定，因此饮水需求和需求发生时间在较长的时间尺度上存在周期性，提供了单个住户家庭“刚性”饮水需求的可预测性。

波动性来源于突发状况，例如个别家庭成员生病，造成饮水需求骤升或者骤降，因个别高温或低温天气，造成饮水需求骤升或骤降，又比如个别时候存在访客，也会造成饮水需求上升，若个别家庭成员出差，会造成短时间的饮水需求下降。上述原因提供了单个住户家庭“弹性”饮水需求，可以理解的是，“弹性”饮水需求量可正可负，即可能造成住户家庭的实际饮水需求上升，也和可能造成实际饮水需求下降。

一般情况下，单个住户家庭的人数不会超过六人，以一人一户，三人一户，四人一户等情况居多，即单个住户家庭的人数有限，即使只有个家庭成员的原因产生了“弹性”饮水需求，该“弹性”饮水需求相对“刚性”饮水需求而言也难以忽略，由此对住户家庭后续的实际饮水需求量和需求发生时间的预测造成了很大的困难，无法从住户家庭过往的实际饮水需求中将“弹性”饮水需求和“刚性”饮水需求进行明确分割。

综上所述，用户历史接水数据组对未来该住户家庭的用水需求同时存在可预知性和不可预知性，此外不可预知性和可预知性之间的程度比例相近，故而从用户历史接水数据组中，并不能识别出对应住户家庭的稳定饮水需求量和对应的需求发生时间，同时“弹性”饮水需求也无法被有效识别，也无法被预测。由此也就使得单个住户家庭的用户历史接水数据组无法直接对该住户家庭的后续饮水需求量和需求发生时间进行较为准确的预测，即存在较为严重的“测不准”问题，例如很难通过前一天住户家庭对第二天住户家庭的用水量进行预测，即使进行了预测偏差值也会很大。针对这一情况，本实施例通过后续步骤进行解决。

步骤S4:云服务器对接收到的用户历史接水数据组依据进行上传的饮用水过滤装置的地理位置进行归类，将位于同一个地理集群内的所有饮用水过滤装置上传的用户历史接水数据组打包组合，形成该地理集群对应的历史接水数据包。

由于本实施例一个小区即构成一个地理集群，因此同一个地理集群内的住户家庭的人员构成相似度也较高，例如若该小区靠近一高新区，则该小区住户家庭的人员构成大部分为一或两个年轻人，若该小区靠近一老城区，则该小区住户家庭的人员构成大部分为一或两个老年人。也因此，同一个地理集群内的不同住户家庭的“刚性”饮水需求量以及需求发生时间都相对接近。故而历史接水数据包内各个用户历史接水数据组之间存在较强的相似性，即“刚性”饮水需求的变化趋势接近。

地理集群虽然具有人员流动等因素造成其内部饮水需求发生波动，但是由于其内部人口众多，且地理集群内人数变化量相对其人口基数而言很小，使得不同住户家庭“弹性”饮水需求一定程度发生了相互抵消，因此地理集群内总饮水需求在较长时间内具有良好的周期性和稳定性，在短时间内的饮水需求变化较为平缓，总“弹性”饮水需求较少。同样由于内部人口众多的原因，整个地理集群内的总饮水需求较大，因此地理集群内部短期饮水需求波动相对整个地理集群内饮水需求量而言较小。经过该分析可知，不同住户家庭“弹性”饮水需求大部分发生抵消，故而地理集群的饮水需求总量和对应的需求发生时间实际上是由各个住户家庭长期稳定的饮水需求和具体需求发生时间进行决定的，不同住户家庭饮水的“弹性”饮水需求在地理集群的饮水需求总量中占比和影响都较小。

基于上述分析可知，通过历史接水数据包所反映的地理集群的饮水需求总量在时间尺度上的变化规律和单个住户家庭的“刚性”饮水需求之间存在较强的关联性。

历史接水数据包内的数据可以以矩阵形式表示，其中一列数据为需求发生时间。若历史接水数据包内矩阵仅为两列，则另一列的数据为不同需求发生时间下同一个地理集群内的饮水需求总量，该情况即对应本实施例的情况。

步骤S5:选取其中一个饮用水过滤装置作为基准装置，该基准装置即本实施例需要进行实际过滤控制的对象，相应的，基准装置获取的用户历史接水数据组为基准历史接水数据组。

步骤S6:将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包整合输入至LSTM，以获得基准装置的过滤需求预测模型。

基准历史接水数据组中的数据同样是以两列矩阵的形式进行表示的，其中一列为饮水需求发生时间，另一列为对应于不同饮水需求发生时间的饮水需求。

基准历史接水数据组和包含基准历史接水数据组的历史接水数据包整合，即构建一个三列矩阵，通过饮水需求发生时间整合，使其中一列为饮水需求发生时间，另外两列分别为基准装置所在用户以及基准装置所在地理集群在不同饮水需求发生时间下的饮水需求。

由前述可简单近似认为，地理集群的总饮水需求量为其内部各个住户家庭在同一时间点的“刚性”饮水需求量之和，基准装置所在住户家庭的“刚性”饮水需求的整体变化趋势和地理集群的总饮水需求量变化趋势大体应当保持一致。

若将包含基准历史接水数据组的历史接水数据包输入至LSTM，可以使过滤需求预测模型对基准装置所在住户家庭在各个时间点“刚性”饮水需求量进行预测，在此过程中历史接水数据包内的基准历史接水数据组和其他用户历史接水数据组的波动部分进行对冲，由此也就获得了基准装置所在住户家庭的“刚性”饮水需求在时间尺度上的整体变化规律。

将基准历史接水数据组随包含基准历史接水数据组的历史接水数据包直接输入至LSTM，基准历史接水数据组反应的实际饮水需求的历史变化趋势，剔除基准装置所在住户家庭的“刚性”饮水需求在时间尺度上的变化趋势，即可较为准确地识别出基准历史接水数据组中属于“弹性”部分的饮水需求实际变化，即可获得基准装置所在住户家庭的“弹性”饮水需求变化趋势以及发生概率。

即通过将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包整合后输入至LSTM，对基准装置所在住户家庭的“刚性”饮水需求和“弹性”饮水需求进行了剥离，过滤需求预测模型能够获知基准装置所在住户家庭的“刚性”饮水需求和“弹性”饮水需求的变化规律，从而能够对基准装置所在住户的“实际饮水需求”具备较为准确的预测能力。

步骤S7:将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至过滤需求预测模型，即可获得下一时间点基准装置所在住户家庭较为准确的“刚性”饮水需求和“弹性”饮水需求，从而获得基准装置所在的住户家庭在下一时间点的实际饮水需求量。

基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合方式可以参照基准历史接水数据组和包含基准历史接水数据组的历史接水数据包的整合方式，本实施例不再赘述。

步骤S8:基准装置通过比较当前水箱中剩余水量是否满足后续接水需求量，从而判断是否需要提前过滤自来水，以使水箱中剩余水量能够在后续接水需求发生时进行满足。

基准装置的水箱中存在水位传感器，以获知水箱中剩余的饮用水水量，如果该剩余水量小于预测得到的实际饮水需求量，则基准装置立刻开始自来水过滤，使得水箱中剩余的饮用水水量到达预测得到的实际饮水需求量。若该剩余水量等于或者大于预测得到的实际饮水需求量，则基准装置不需要进行自来水过滤，避免后续水箱中产生过量长期闲置的饮用水，造成水的浪费。

上述过程中，基准装置对自来水的过滤过程发生在用户两次接水之间的空档，以此保证了基准装置具有充足的时间对自来水进行过滤，保证了对自来水的过滤效果，此外还缩减了基准装置对自来水的过滤开始时间点和用户用水需求发生时间点之间的时间差，尽可能降低了饮用水在水箱中存留时间，减少了饮用水在水箱中的二次变质情况的发生。

实施例2：

地理集群中不同家庭住户的大部分“弹性”饮水需求能够相互对冲，但是存在一部分“弹性”饮水需求无法对冲，例如因个别天气炎热，由于地理集群为同一个小区，因此其内部不同的家庭住户的气温条件为一致，由此导致大部分家庭住户的“弹性”饮水需求都为正，这部分无法进行对冲的“弹性”饮水需求可能导致通过地理集群的历史接水数据包对基准装置所在家庭住户的“刚性”饮水需求进行预测的时候发生偏差。基于该情况，本实施例与实施例1的区别在于，饮用水过滤装置还将用户历史接水数据组对应时刻的气温数据上传至云服务器，由此导致步骤S6中LSTM的训练过程发生了变化。

具体的，步骤S6包括：

步骤S61：基准装置上安装有温度传感器，基准装置将历史气温数据组（至少包括气温数据和对应时刻）上传至云服务器，云服务器对接收到的历史气温数据组进行拟合，以获得气温在时间尺度上的变化趋势，即获得气温变化拟合曲线，依据拟合曲线确定历史气温异常数据组，其中历史气温异常数据组为其内部气温数据和气温变化拟合曲线之间具有较大偏差的历史气温数据组，此外，通过气温变化拟合曲线还能够对未来温度变化进行预测；

特别的，本实施例中温度传感器是通过基准装置安装于家庭住户的室内，因此历史气温数据组实际上代表的是室内温度，家庭住户的饮水需求发生地大部分是在其室内，而非室外，故而与饮水需求更为强相关的应当是室内温度，特别是极端气温的情况下，因室内空调的原因，室内外温差极大，室内外温差越大，则室外温度和室内温度二者与饮水需求的相关性差异越大，利用历史气温数据组进行后续饮水需求预测的准确性差异也就越大。

此外室内温度的变化相较室外温度变化更为平缓，因此气温变化拟合曲线的拟合度更高，相应的， 也就更容易识别出历史气温异常数据组。

步骤S62：从基准历史接水数据组及包含基准历史接水数据组的历史接水数据包中筛选出与历史气温异常数据组具有相同时间参数的部分整合，作为第一训练集，其余作为第二训练集；

步骤S63：将第一训练集输入至第一LSTM网络，以获得第一过滤需求预测模型，将第二训练集输入至第二LSTM网络，以获得第二过滤需求预测模型。

对应的，步骤S7包括：

步骤S71：获取基准装置上传的当前气温数据组（至少包括当前的气温数据和时间），将其与气温变化拟合曲线进行比较，根据当前气温数据组和气温变化拟合曲线之间的偏离程度，判断当前气温数据组是否为气温异常数据组，若偏离程度较大，则为气温异常数据组，若偏离程度较小，则为气温正常数据组；

步骤S72：若当前气温数据组为气温异常数据组，则将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量输入至第一过滤需求预测模型，第二过滤需求预测模型不输出结果；

若当前气温数据组为气温正常数据组，则将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量输入至第二过滤需求预测模型，第一过滤需求预测模型不输出结果。

与之对应的，步骤S8中，基准装置通过第一过滤需求预测模型或第二过滤需求预测模型输出的结果，判断是否需要提前过滤自来水。

本实施例的核心构思在于，通过气温变化拟合曲线作为判断气温数据是否异常的依据。当温数据组发生异常的情况下，历史接水数据包中不同家庭住户的“弹性”饮水需求无法对冲，由此基于历史接水数据包预测的家庭住户的“刚性”饮水需求变化趋势准确性已经发生下降，为此依据温数据组是否异常对历史接水数据包和基准历史接水数据组进行分类，将由气温异常带来的“弹性”饮水需求看做“刚性”饮水需求的一部分，依据当前气温是否异常，将当前接水量和基准装置所处地理集群对应的当前接水量输入输入至合适的过滤需求预测模型，从而提升预测准确性。

实施例3：

本实施例与实施例2的区别在于，步骤S61中，云服务器通过地理集群的室外气温以获得历史气温数据组，从而拟合得到气温变化拟合曲线，若地理集群的室外气温并非过高或者过低，则室内外温度差距不大，此时通过地理集群的室外气温和对应时刻构成历史气温数据组，可以应用于所有住户家庭，而不需要通过每个住户家庭的室内温度分别单独构建气温变化拟合曲线，从而降低计算量。

实施例4：

本实施例提供了一种装置，其电连接至云服务器，从云服务器获取基准历史接水数据组及包含基准历史接水数据组的历史接水数据包，而后整合输入至LSTM，以获得基准装置的过滤需求预测模型，以执行实施例1中的步骤S6；

从云服务器获取基准装置的当前接水量和基准装置所处地理集群对应的当前接水量，输入至过滤需求预测模型，以获得基准装置的后续接水需求量，以执行实施例1中的步骤S7。

以上所述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。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种饮用水过滤方法，其特征在于，包括：

每个饮用水过滤装置均上传地理位置坐标至云服务器；

云服务器依据接收到的地理位置坐标划分出至少两个地理集群，以使每个地理集群内具有至少两个饮用水过滤装置；

每个饮用水过滤装置获取用户历史接水数据组并上传至云服务器；

云服务器对接收到的用户历史接水数据组依据地理位置进行归类，以使每个地理集群获得对应的历史接水数据包；

选取其中一个饮用水过滤装置作为基准装置，基准装置获取的用户历史接水数据组为基准历史接水数据组；

将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包整合输入至LSTM，以获得基准装置的过滤需求预测模型，整合的过程包括构建一个三列矩阵输入至LSTM，三列矩阵的其中一列为饮水需求发生时间，另外两列分别为基准装置所在用户以及基准装置所在地理集群在不同饮水需求发生时间下的饮水需求；

将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至过滤需求预测模型，以获得基准装置的后续接水需求量；

基准装置依据后续接水需求量判断是否进行过滤和过滤量；

将基准历史接水数据组及包含基准历史接水数据组的历史接水数据包整合输入至LSTM，以获得基准装置的过滤需求预测模型，具体包括：

云服务器获取历史气温数据组并进行拟合，以获得气温变化拟合曲线，依据拟合曲线确定历史气温异常数据组；

基于历史气温异常数据组从基准历史接水数据组及历史接水数据包中筛选出第一训练集，其余作为第二训练集；

将第一训练集输入至第一LSTM网络，以获得第一过滤需求预测模型，将第二训练集输入至第二LSTM网络，以获得第二过滤需求预测模型；

将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至过滤需求预测模型，具体包括：

获取基准装置上传的当前气温数据组，基于气温变化拟合曲线判断当前气温数据组是否为气温异常数据组；

基于当前气温数据组是否为气温异常数据组的判断结果，将基准装置的当前接水量和基准装置所处地理集群对应的当前接水量整合输入至第一过滤需求预测模型或第二过滤需求预测模型。

2.根据权利要求1所述的饮用水过滤方法，其特征在于，所述基准装置上安装有温度传感器，温度传感器电连接至云服务器，温度传感器随基准装置安装于室内，以将室内气温数据上传至云服务器，云服务器通过温度传感器获取室内的历史气温数据组。

3.根据权利要求1所述的饮用水过滤方法，其特征在于，所述云服务器通过地理集群的室外气温以获得历史气温数据组。

4.根据权利要求1所述的饮用水过滤方法，其特征在于，所述地理集群内饮用水过滤装置的数量和地理集群的面积正相关。

5.根据权利要求1所述的饮用水过滤方法，其特征在于，所述饮用水过滤装置内安装有GPS，GPS电连接至云服务器。