CN116662919B - 水体逆流识别方法及装置、电子设备和存储介质 - Google Patents
水体逆流识别方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116662919B CN116662919B CN202310935838.9A CN202310935838A CN116662919B CN 116662919 B CN116662919 B CN 116662919B CN 202310935838 A CN202310935838 A CN 202310935838A CN 116662919 B CN116662919 B CN 116662919B
- Authority
- CN
- China
- Prior art keywords
- sequence
- water quality
- similarity
- determining
- time
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 471
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 148
- 238000012544 monitoring process Methods 0.000 claims abstract description 114
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 12
- 239000000356 contaminant Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims 2
- 231100000719 pollutant Toxicity 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 16
- 238000011109 contamination Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000011065 in-situ storage Methods 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 238000003911 water pollution Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 description 1
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 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
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及水体逆流识别方法及装置、电子设备和存储介质,属于数据处理领域。该方法包括:实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻;实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从第二序列中筛选出第二水质异常序列,确定各第二峰值时刻;确定至少一个第一峰值时刻,与各第二峰值时刻的第一差值;在至少一个第一差值大于零的情况下,确定第一水质异常序列与第二水质异常序列的相似度;根据相似度是否满足预设条件,确定是否发出水体逆流告警。由于本方法不需要测量流速,所以不受水环境限制。在不同水环境下可以及时发现水体逆流并告警。
Description
技术领域
本公开涉及数据处理领域,尤其涉及一种水体逆流识别方法及装置、电子设备和存储介质。
背景技术
随着水质监测技术的发展,原位水质在线监测技术已经成为水质监测的重要手段与方法,对于各种场景下水质状况的调查以及运行管理十分重要。
然而,由于监测环境恶劣以及水流流态的复杂性,常用的流量计不能完全覆盖所有检测点的流速测量。在实际监测过程中,所获数据可能无效,导致无法准确测量出水体逆流,以致无法对水体污染事件采取适当的应对措施。
发明内容
有鉴于此,本公开提出了一种水体逆流识别方案。
根据本公开的一方面,提供了一种水体逆流识别方法,包括:实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从所述第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻;实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从所述第二序列中筛选出第二水质异常序列,确定至少一个第二峰值时刻;确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;在至少一个所述第一差值大于零的情况下,确定所述第一水质异常序列与所述第二水质异常序列的相似度;根据所述相似度是否满足预设条件,确定是否发出水体逆流告警。
在一种可能的实现方式中,所述确定至少一个第一峰值时刻,包括:在所述第一水质异常序列中,确定至少一个第一峰值,所述第一峰值为所述第一水质异常序列的极值点;将所述第一峰值对应的时刻,确定为第一峰值时刻;所述确定至少一个第二峰值时刻,包括:在所述第二水质异常序列中,确定至少一个第二峰值,所述第二峰值为所述第二序列的极值点;将所述第二峰值对应的时刻,确定为第二峰值时刻。
在一种可能的实现方式中,所述确定所述第一水质异常序列与所述第二水质异常序列的相似度,包括:
根据所述第一水质异常序列、所述第二水质异常序列,确定第一矩阵,其中,第一矩阵中的元素xi,j,表征第一序列中的第i个水质数据与第二序列中的第j个水质数据之间的最小累积距离;在所述第一矩阵中,确定从起始元素x1,1到终止元素xs,t途经的元素之和最小的第一路径;所述起始元素、所述终止元素分别为所述第一矩阵中对角线端点的元素,s≥i,t≥j,i,j,s,t为正整数;对所述第一路径上的元素求和,将求和结果确定为表征所述相似度的第一指标,所述第一指标与所述相似度呈反比。
在一种可能的实现方式中,所述预设条件包括所述第一指标小于目标指标,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:在所述第一指标小于所述目标指标的情况下,发出水体逆流告警;在所述第一指标不小于所述目标指标的情况下,发出持续监测提示。
在一种可能的实现方式中,所述确定所述第一序列与所述第二序列的相似度,包括:在所述第一序列与所述第二序列中水质数据的数量相等的情况下,确定所述第一序列与所述第二序列的余弦相似度;将所述余弦相似度,确定为所述相似度。
在一种可能的实现方式中,所述预设条件包括相似度大于目标相似度,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:在所述相似度大于所述目标相似度的情况下,发出水体逆流告警;在所述相似度不大于所述目标相似度的情况下,发出持续监测提示。
在一种可能的实现方式中,所述方法还包括:在上游监测点位的污染结束时刻早于当前时刻的情况下,将上游监测点位的污染开始时刻至污染结束时刻确定为第一时间窗口;在上游监测点位的污染结束时刻晚于当前时刻的情况下,将上游监测点位的污染开始时刻至所述当前时刻确定为所述第一时间窗口;在所述第一时间窗口内,选取所述第一水质异常序列;在下游监测点位的污染结束时刻早于当前时刻的情况下,将下游监测点位的污染开始时刻至污染结束时刻确定为第二时间窗口;在下游监测点位的污染结束时刻晚于当前时刻的情况下,将下游监测点位的污染开始时刻至所述当前时刻确定为所述第二时间窗口;在所述第二时间窗口内,选取所述第二水质异常序列。
在一种可能的实现方式中,所述预设条件包括:预先为逆流预测模型设置的第一相似度阈值范围,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:所述逆流预测模型获取所述第一水质异常序列、所述第二水质异常序列; 在所述相似度落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出水体逆流告警;在所述相似度未落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出持续监测提示;所述逆流预测模型的训练过程,包括:获取所述第一水质异常序列、所述第二水质异常序列;确定所述第一水质异常序列样本与所述第二水质异常序列样本的相似度估计值;根据所述相似度估计值是否落入预设的第二相似度阈值范围,确定逆流判断结果;在所述逆流判断结果与实测值不同的情况下,调整所述第二相似度阈值范围。
根据本公开的另一方面,提供了一种水体逆流识别装置,包括:
第一峰值时刻确定单元,用于实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从所述第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻;
第二峰值时刻确定单元,用于实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从所述第二序列中筛选出第二水质异常序列,确定至少一个第二峰值时刻;
第一差值确定单元,用于确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;
相似度确定单元,用于在至少一个所述第一差值大于零的情况下,确定所述第一水质异常序列与所述第二水质异常序列的相似度;
水体逆流告警单元,用于根据所述相似度是否满足预设条件,确定是否发出水体逆流告警。
在一种可能的实现方式中,所述第一峰值时刻确定单元,包括:
第一峰值确定单元,用于在所述第一水质异常序列中,确定至少一个第一峰值,所述第一峰值为所述第一水质异常序列的极值点;
第一峰值时刻确定子单元,用于将所述第一峰值对应的时刻,确定为第一峰值时刻;
所述第二峰值确定单元,包括:
第二峰值确定单元,用于在所述第二水质异常序列中,确定至少一个第二峰值,所述第二峰值为所述第二序列的极值点;
第二峰值时刻确定子单元,用于将所述第二峰值对应的时刻,确定为第二峰值时刻。
在一种可能的实现方式中,所述相似度确定单元,包括:
第一矩阵确定单元,用于根据所述第一水质异常序列、所述第二水质异常序列,确定第一矩阵,其中,第一矩阵中的元素xi,j,表征第一序列中的第i个水质数据与第二序列中的第j个水质数据之间的最小累积距离;
第一路径确定单元,用于在所述第一矩阵中,确定从起始元素x1,1到终止元素xs,t途经的元素之和最小的第一路径;所述起始元素、所述终止元素分别为所述第一矩阵中对角线端点的元素,s≥i,t≥j,i,j,s,t为正整数;
第一指标确定单元,用于对所述第一路径上的元素求和,将求和结果确定为表征所述相似度的第一指标,所述第一指标与所述相似度呈反比。
在一种可能的实现方式中,所述预设条件包括所述第一指标小于目标指标,所述水体逆流告警单元,包括:
水体逆流警告子单元A,用于在所述第一指标小于所述目标指标的情况下,发出水体逆流告警;
监测提示单元A,用于在所述第一指标不小于所述目标指标的情况下,发出持续监测提示。
在一种可能的实现方式中,所述相似度确定单元,包括:
余弦相似度确定单元,用于在所述第一序列与所述第二序列中水质数据的数量相等的情况下,确定所述第一序列与所述第二序列的余弦相似度;
相似度确定子单元,用于将所述余弦相似度,确定为所述相似度。
在一种可能的实现方式中,所述预设条件包括相似度大于目标相似度,所述水体逆流警告单元,包括:
水体逆流警告子单元B,用于在所述相似度大于所述目标相似度的情况下,发出水体逆流告警;
监测提示单元B,用于在所述相似度不大于所述目标相似度的情况下,发出持续监测提示。
在一种可能的实现方式中,所述装置还包括:
第一时间窗口确定单元A,用于在上游监测点位的污染结束时刻早于当前时刻的情况下,将上游监测点位的污染开始时刻至污染结束时刻确定为第一时间窗口;
第一时间窗口确定单元B,用于在上游监测点位的污染结束时刻晚于当前时刻的情况下,将上游监测点位的污染开始时刻至所述当前时刻确定为所述第一时间窗口;
第一水质异常序列确定单元,用于在所述第一时间窗口内,选取所述第一水质异常序列;
第二时间窗口确定单元A,用于在下游监测点位的污染结束时刻早于当前时刻的情况下,将下游监测点位的污染开始时刻至污染结束时刻确定为第二时间窗口;
第二时间窗口确定单元B,用于在下游监测点位的污染结束时刻晚于当前时刻的情况下,将下游监测点位的污染开始时刻至所述当前时刻确定为所述第二时间窗口;
第二水质异常序列确定单元,用于在所述第二时间窗口内,选取所述第二水质异常序列。
在一种可能的实现方式中,所述预设条件包括:预先为逆流预测模型设置的第一相似度阈值范围,所述水体逆流告警单元,包括:
水质异常序列获取单元,用于所述逆流预测模型获取所述第一水质异常序列、所述第二水质异常序列;
水体逆流告警子单元C,用于在所述相似度落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出水体逆流告警;
监测提示单元C,用于在所述相似度未落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出持续监测提示;
所述逆流预测模型的训练过程,包括:
获取所述第一水质异常序列、所述第二水质异常序列;
确定所述第一水质异常序列样本与所述第二水质异常序列样本的相似度估计值;
根据所述相似度估计值是否落入预设的第二相似度阈值范围,确定逆流判断结果;
在所述逆流判断结果与实测值不同的情况下,调整所述第二相似度阈值范围。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
在本公开实施例中,不用依赖测量水体流速,来判断是否发生水体逆流。而是,在上游监测点的水质数据按照时序排列构成的第一序列中,确定至少一个第一峰值时刻;在下游监测点的水质数据按照时序排列构成的第二水质异常序列中,确定至少一个第二峰值时刻;确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;在至少一个所述第一差值大于零的情况下,确定所述第一序列与所述第二水质异常序列的相似度;根据所述相似度是否满足预设条件,确定是否发出水体逆流告警。因此,使用本方法测量水体逆流,不受水环境、水流流态的限制。在不同水环境下可以及时发现水体逆流并告警,降低了水污染扩散的概率。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1提供本公开实施例的水体逆流识别方法的流程示意图。
图2提供本公开实施例的水体逆流识别装置的结构示意图。
图3提供本公开实施例的用于水体逆流识别的电子设备的结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
随着水质监测技术的发展,原位水质在线监测技术已经成为水质监测的重要手段与方法,对于各种场景下水质状况的调查以及运行管理十分重要。
水体逆流现象是造成水污染的一个重要原因。若可以及时发现水体逆流,就可以阻断水体进一步污染,保护水资源。
一般,可以通过测量监测点的流速,来判断是否发生了水体逆流。然而,通常监测环境较恶劣。在监测点设置的流量计受到环境的影响,可能无法正常运行。这就造成无法及时获得监测区域内的全部流速数据,或者获得的数据不准确、无效,因此,不能准确地监测水体逆流现象。
另外,水体的流态较复杂,例如:容易发生紊流现象。所以,仅通过流速,并不能够准确地判断出水体逆流。
随着光谱微型化与水质监测技术的迅速发展,原位水质在线监测设备日趋成熟,量子点光谱原位水质在线监测设备可以实现全过程、全时段、全流域监测,监测数据日益丰富,包括:水质化学需氧量、电导率等多项水质数据,不仅可以对全过程水质评价提供宝贵的数据,也成为了水质异常告警的重要基础。
图1提供本公开实施例的水体逆流识别方法的流程示意图。如图1所示,该方法包括:
以排水管网为例,在整个管网中,可以设置多个监测点。按照同一水流经过监测点的顺序,将水流先经过的监测点确定为上游监测点,将水流后经过的监测点确定为下游监测点。
在各监测点上可以按照预设时间间隔,采集水质数据。例如:可以设置时间间隔为1小时,所以,针对同一种水质数据,在一个监测点上,每天可以获得24个水质数据。其中,水质数据可以至少包括以下一种:水质化学需氧量(Chemical Oxygen Demand,COD)、浊度、高锰酸盐指数、总悬浮物、生物需氧量、总有机碳、硫酸盐含量、氯化物含量、溶解性铁含量、溶解性锰含量、溶解性铜含量、溶解性锌含量、硝酸盐含量、亚硝酸盐含量、总氮含量、氟化物含量、硒含量、总砷含量、总汞含量、总镉含量、铬含量、总铅含量、总氰化物、挥发酚含量、类大肠菌群含量、硫化物含量等。在各监测点上可以按照预设时间间隔采集不同的水质数据。
S11,实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从所述第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻。
在本公开实施例中,将上游监测点的一种水质数据按照采集的时刻进行排列,获得第一序列。例如:可以用(tm,x1,m)表示第一序列中的一个数值。其中,x1,m表示上游的第m个水质数据,tm表示采集x1,m的时刻,m为正整数。可以按照预先设定的第一规则,从第一序列中筛选出第一水质异常序列。第一规则可以根据水质数据的种类,和/或,水质数据的采集地点进行设置,本公开实施例对于第一规则不做限定。
在第一水质异常序列中,将水质数据的峰值对应的采集时刻,确定为第一峰值时刻。在第一序列中可以存在一个或多个第一峰值时刻。
S12,实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从所述第二序列中筛选出第二水质异常序列,确定至少一个第二峰值时刻。
在本公开实施例中,将下游监测点的一种水质数据按照采集的时刻进行排列,获得第二序列。例如:可以用(tn,x2 ,n)表示第二序列中的一个数值。其中,x2,n表示上游的第n个水质数据,tn表示采集x2,n的时刻,n为正整数。可以按照预先设定的第二规则,从第二序列中筛选出第二水质异常序列。第二规则可以根据水质数据的种类,和/或,水质数据的采集地点进行设置,本公开实施例对于第二规则不做限定。较佳的实时方式中,第一规则和第二规则相同。
第二水质异常序列中,将水质数据的峰值对应的采集时刻,确定为第二峰值时刻。在第二水质异常序列中可以存在一个或多个第二峰值时刻。
S13,确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值。
在第一水质异常序列中存在一个峰值,且第二水质异常序列中存在一个峰值的情况下,可以确定出一个第一差值。在第一水质异常序列中包含不止一个峰值,和/或,第二水质异常序列中包含不止一个峰值的情况下,分别确定第一水质异常序列中每一个第一峰值时刻与第二水质异常序列中每一个第二峰值时刻的第一差值,可以确定出多个第一差值。
S14,在至少一个所述第一差值大于零的情况下,确定所述第一水质异常序列与所述第二水质异常序列的相似度。
在第一差值大于零的情况下,说明污染水流可能先经过了下游,再经过上游。由于第一水质异常序列中,和/或,第二水质异常序列中不止存在一个峰值,所以,经过下游的污染水流与经过上游的污染水流不一定是同一水流。所以,在第一差值大于零的情况下,需要进一步确定第一序列与第二水质异常序列的相似度,以判断造成第一差值大于零的两个污染物水流是否为同一污染物水流。
S15,根据所述相似度是否满足预设条件,确定是否发出水体逆流告警。
如果第一水质异常序列与第二水质异常序列的相似度满足预设条件则说明发生了水体逆流。进而确定发出水体逆流告警。反之,则不发出水体逆流告警。
示例性地,在第一水质异常序列与第二水质异常序列的相似度达到预设的标准数值的情况下,说明第一水质异常序列与第二水质异常序列相似,则发出水体逆流警告。然而,在第一水质异常序列与第二水质异常序列的相似度未达到该预设的标准数值的情况下,说明第一水质异常序列与第二水质异常序列不相似,则不发出水体逆流告警。
在本公开实施例中,不用依赖测量水体流速,来判断是否发生水体逆流。而是,在上游监测点的水质数据按照时序排列构成的第一序列中,确定至少一个第一峰值时刻;在下游监测点的水质数据按照时序排列构成的第二水质异常序列中,确定至少一个第二峰值时刻;确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;在至少一个所述第一差值大于零的情况下,确定所述第一序列与所述第二水质异常序列的相似度;根据所述相似度是否满足预设条件,确定是否发出水体逆流告警。因此,提高了确定水体逆流的准确性。并且由于本方法不需要测量流速,所以不受水环境限制。在不同水环境下可以及时发现水体逆流并进行告警,降低了水污染扩散的概率。
在一种可能的实现方式中,所述确定至少一个第一峰值时刻,包括:在所述第一水质异常序列中,确定至少一个第一峰值,所述第一峰值为所述第一水质异常序列的极值点;将所述第一峰值对应的时刻,确定为第一峰值时刻;所述确定至少一个第二峰值时刻,包括:在所述第二水质异常序列中,确定至少一个第二峰值,所述第二峰值为所述第二水质异常序列的极值点;将所述第二峰值对应的时刻,确定为第二峰值时刻。
在本公开实施例中,可以分别确定出第一水质异常序列、第二水质异常序列中的极值点;将第一水质异常序列中的极值点作为第一峰值;将第一峰值对应的时刻作为第一峰值时刻;将第二水质异常序列中的极值点作为第二峰值;将第二峰值对应的时刻作为第二峰值时刻。
示例性地,可以遍历第一水质异常序列中的各水质数据。为了便于描述,将第一水质异常序列中的水质数据命名为第一水质数据。遍历过程中,在当前第一水质数据大于前一第一水质数据,且大于后一第一水质数据的情况下,将当前第一水质数据确定为一个第一峰值。在完成遍历第一水质异常序列后,可以确定出第一水质异常序列中的各第一峰值。将各第一峰值对应的时刻确定为第一峰值时刻。
可以遍历第二水质异常序列中的各水质数据。为了便于描述,将第二水质异常序列中的水质数据命名为第二水质数据。遍历过程中,在当前第二水质数据大于前一第二水质数据,且大于后一第二水质数据的情况下,将当前第二水质数据确定为一个第二峰值。在完成遍历第二水质异常序列后,可以确定出第二水质异常序列中的各第二峰值。将各第二峰值对应的时刻确定为第二峰值时刻。
示例性地,为了便于描述,将当前第一水质数据与前一第一水质数的连线的斜率命名为第一斜率;将当前第一水质数据与后一第一水质数的连线的斜率命名为第二斜率。遍历过程中,如果第一斜率为正数,第二斜率为负数,则将当前第一水质数据确定为一个第一峰值。在完成遍历第一水质异常序列后,可以确定出第一水质异常序列中的各第一峰值。将各第一峰值对应的时刻确定为第一峰值时刻。
为了便于描述,将当前第二水质数据与前一第二水质数的连线的斜率命名为第三斜率;将当前第二水质数据与后一第二水质数的连线的斜率命名为第四斜率。遍历过程中,如果第三斜率为正数,第四斜率为负数,则将当前第二水质数据确定为一个第二峰值。在完成遍历第二水质异常序列后,可以确定出第二水质异常序列中的各第二峰值。将各第二峰值对应的时刻确定为第二峰值时刻。
在本公开实施例中,可以通过分别在第一水质异常序列、第二水质异常序列中确定极值点的方法,自动地确定出第一峰值时刻和第二峰值时刻,提高了确定峰值时刻的效率。
在一种可能的实现方式中,所述确定所述第一水质异常序列与所述第二水质异常序列的相似度,包括:根据所述第一水质异常序列、所述第二水质异常序列,确定第一矩阵,其中,第一矩阵中的元素xi,j,表征第一水质异常序列中的第i个水质数据与第二水质异常序列中的第j个水质数据之间的最小累积距离;在所述第一矩阵中,确定从起始元素x1,1到终止元素xs,t途经的元素之和最小的第一路径;所述起始元素、所述终止元素分别为所述第一矩阵中对角线端点的元素,s≥i,t≥j,i,j,s,t为正整数;对所述第一路径上的元素求和,将求和结果确定为表征所述相似度的第一指标,所述第一指标与所述相似度呈反比。
第一矩阵可以为一个矩形。为了方便描述,将第一矩阵的四个角上的元素命名为角元素。起始元素可以为第一矩阵四个角元素中任意一个。终止元素可以为一个角元素,且与起始元素在同一对角线上。
第一矩阵可以包含t行、s列。单一的一个元素可以表示为xi,j,s≥i,t≥j,s,t,i,j均为正整数。xi,j表示从第一水质异常序列的第i个水质数据,到第二水质异常序列的第j个水质数据的最小累积距离。示例性地,起始元素位于第一矩阵的左上角,终止元素位于第一矩阵的右下角。为了下文便于描述,可以将在xi,j的左上方、上方、左方,且与xi,j相邻的三个元素中数值最小的元素命名为xi,j的最小相邻元素。那么,xi,j可以为第一水质异常序列的第i个水质数据与第二水质异常序列的第j个水质数据的距离,与xi,j的最小相邻元素之和。
例如:i=1,j=1,x1,1为第一矩阵中第一行与第一列相交的元素;即x1,1为第一矩阵中左上角的元素。在x1,1的左上方、上方、左方均没有元素,所以x1,1的最小相邻元素为0。x1,1可以为第一水质异常序列中第一个水质数据到第二水质异常序列中的第一个水质数据的距离与0之和。
再例如:i=2,j=3,在x2,3的左上方相邻元素为x1,2、上方相邻元素为x1,3、左方相邻元素为x2,2;可以从x1,2、x1,3、x2,2中确定数值最小的元素作为x2,3的最小相邻元素。x2,3可以为第一水质异常序列中第二个水质数据到第二水质异常序列中的第三个水质数据的距离,与x2,3的最小相邻元素之和。
在确定第一矩阵之后,可以确定出从起始元素x1,1到终止元素xs,t,途径的元素之和最小的第一路径。可以从xs,t开始,以xs,t作为当前元素,在xs,t的左上方、上方、左方三个方向的相邻元素中选择数值最小的元素作为新的当前元素。以此类推,直到以x1,1作为新的当前元素停止。在这个过程中,所有被确定过当前元素的元素可以构成一个从xs,t到x1,1的第一路径。
在本公开实施例中,可以对第一路径上的各元素求和,将求和结果确定为表征第一水质异常序列和第二水质异常序列的相似度的第一指标。第一指标的数值越小说明第一水质异常序列与第二水质异常序列越相似。反之,第一指标的数值越大说明第一水质异常序列与第二水质异常序列越不相似。无论第一水质异常序列和第二水质异常序列中水质数据的数量是否相同,均可以准确地指示出第一水质异常序列与第二水质异常序列的相似度。
在一种可能的实现方式中,所述预设条件包括所述第一指标小于目标指标,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:在所述第一指标小于所述目标指标的情况下,发出水体逆流告警;在所述第一指标不小于所述目标指标的情况下,发出持续监测提示。
在本公开实施例中,可以预先设置目标指标。该目标指标可以作为指示第一水质异常序列与第二水质异常序列处于不相似状态的一个下限指标。即,当第一指标等于或大于目标指标时,说明第一水质异常序列与第二水质异常序列不相似。
前述预设条件可以为:第一指标小于目标指标。若第一指标小于目标指标,则说明第一水质异常序列与第二水质异常序列相似。进而,可以判断出造成第一差值大于零的两个污染物水流是同一污染物水流,说明发生了逆流。因此,发出水体逆流告警。
若第一指标大于或等于目标指标,说明第一水质异常序列与第二水质异常序列不相似。进而,可以判断出造成第一差值大于零的两个污染物水流不是同一污染物水流,说明尚未发生逆流。因此,发出持续监测提示。
这样,可以使得工作人员及时得知是否发生了水体逆流,以及时采取相应措施,降低水体进一步污染的概率。
在一种可能的实现方式中,所述确定所述第一水质异常序列与所述第二水质异常序列的相似度,包括:在所述第一水质异常序列与所述第二水质异常序列中水质数据的数量相等的情况下,确定所述第一水质异常序列与所述第二水质异常序列的余弦相似度;将所述余弦相似度,确定为所述相似度。
如果,第一水质异常序列与第二水质异常序列中水质数据的数量相等,则可以不用构建第一矩阵。而是,直接计算第一水质异常序列与第二水质异常序列的余弦相似度。并且,将余弦相似度作为第一水质异常序列与第二水质异常序列的相似度。
在本公开实施例中,若第一水质异常序列与第二水质异常序列中水质数据的数量相等,通过计算余弦相似度来确定第一水质异常序列与第二水质异常序列相似度,提高了确定该相似度的效率。
在一种可能的实现方式中,所述预设条件包括相似度大于目标相似度,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:在所述相似度大于所述目标相似度的情况下,发出水体逆流告警;在所述相似度不大于所述目标相似度的情况下,发出持续监测提示。
在本公开实施例中,可以预先设置目标相似度。目标相似度可以作为指示第一水质异常序列与第二水质异常序列处于相似状态的一个下限指标。即,当第一水质异常序列和第二水质异常序列的相似度大于或等于目标相似度时,说明二者相似。
前述预设条件可以为:相似度大于目标相似度。若第一水质异常序列与第二水质异常序列的相似度大于目标相似度,则说明第一水质异常序列与第二水质异常序列相似。进而,可以判断出造成第一差值大于零的两个污染物水流是同一污染物水流,说明发生了逆流。因此,发出水体逆流告警。
若第一水质异常序列与第二水质异常序列的相似度不大于目标相似度,则说明第一水质异常序列与第二水质异常序列不相似。进而,可以判断出判断造成第一差值大于零的两个污染物水流不是同一污染物水流,说明尚未发生逆流。因此,发出持续监测提示。
这样,可以使得工作人员可以及时得知是否发生了水体逆流,以及时采取相应措施,降低水体进一步污染的概率。
在一种可能的实现方式中,所述方法还包括:在上游监测点位的污染结束时刻早于当前时刻的情况下,将上游监测点位的污染开始时刻至污染结束时刻确定为第一时间窗口;在上游监测点位的污染结束时刻晚于当前时刻的情况下,将上游监测点位的污染开始时刻至所述当前时刻确定为所述第一时间窗口;在所述第一时间窗口内,选取所述第一水质异常序列;在下游监测点位的污染结束时刻早于当前时刻的情况下,将下游监测点位的污染开始时刻至污染结束时刻确定为第二时间窗口;在下游监测点位的污染结束时刻晚于当前时刻的情况下,将下游监测点位的污染开始时刻至所述当前时刻确定为所述第二时间窗口;在所述第二时间窗口内,选取所述第二水质异常序列。
这里的当前时刻可以为选取第一水质异常序列,和/或,第二水质异常序列的时刻。
如果选取第一水质异常序列时,上游的污染已经结束了,那么,将上游监测点位的污染开始时刻至污染结束时刻确定为第一时间窗口。如果选取第一水质异常序列时,上游的污染尚未结束,那么,将上游监测点位的污染开始时刻至当前时刻确定为所述第一时间窗口。在第一时间窗口内,选取第一水质异常序列。
如果选取第二水质异常序列时,下游的污染已经结束了,那么,将下游监测点位的污染开始时刻至污染结束时刻确定为第二时间窗口。如果选取第二水质异常序列时,下游的污染尚未结束,那么,将下游监测点位的污染开始时刻至当前时刻确定为所述第二时间窗口。在第二时间窗口内,选取第二水质异常序列。
在本公开实施例中,无论污染过程是否结束均可以判断是否发生水体逆流,提高了本方法的适用性。另外,在污染过程中,可以及时的发现水体逆流;在污染结束后,仍然可以根据历史数据发现水体逆流现象。因此,本公开实施例中的方法可以及时发现水体逆流现象,降低进一步污染水体的概率。
在一种可能的实现方式中,所述预设条件包括:预先为逆流预测模型设置的第一相似度阈值范围,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:所述逆流预测模型获取所述第一水质异常序列、所述第二水质异常序列; 在所述相似度落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出水体逆流告警;在所述相似度未落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出持续监测提示;所述逆流预测模型的训练过程,包括:获取所述第一水质异常序列、所述第二水质异常序列;确定所述第一水质异常序列样本与所述第二水质异常序列样本的相似度估计值;根据所述相似度估计值是否落入预设的第二相似度阈值范围,确定逆流判断结果;在所述逆流判断结果与实测值不同的情况下,调整所述第二相似度阈值范围。
在本公开实施例中,可以利用逆流预测模型预测是否发生了水体逆流。逆流预测模型可以自动获取第一水质异常序列和第二水质异常序列,或,第一序列和第二序列。第一水质异常序列和第二水质异常序列,或,第一序列和第二序列也可以被手动输入至逆流预测模型中。逆流预测模型可以完成S15步骤,或者S11-S15步骤。逆流预测模型可以判断第一水质异常序列和第二水质异常序列的相似度是否落入预设的第一相似度阈值范围。如果落入,则说明发生了水体逆流。所以,逆流预测模型发出水体逆流告警。如果未落入,则说明尚未发生水体逆流。所以,逆流预测模型发出持续监测提示。
在本公开实施例中,针对未经训练的逆流预测模型,可以预先设置第二相似度阈值范围。该未经训练的逆流预测模型可以获取第一水质异常序列样本和第二水质异常序列样本。或者,人工手动将第一水质异常序列样本和第二水质异常序列样本输入至该未经训练的逆流预测模型。第一水质异常序列样本和第二水质异常序列样本,可以对应一个实测值。实测值可以是利用设备实测出的实测水体逆流结果。实测水体逆流结果可以包括:发生水体逆流,或未发生水体逆流。
未经训练的逆流预测模型可以确定出第一水质异常序列样本与第二水质异常序列样本的相似度估计值。再判断相似度估计值是否落入第二相似度阈值范围。如果落入,则逆流判断结果为发生水体逆流;如果未落入,则确定逆流判断结果为未发生水体逆流。然后,比较逆流判断结果与实测水体逆流结果是否一致。如果不一致,则调整第二相似度阈值范围,直至逆流预测模型达到预设标准,停止训练。例如,逆流判断结果与实测水体逆流结果一致,达到预设概率,停止训练;将训练后获得的第二相似度阈值范围作为本公实施例中的第一相似度阈值范围。如果逆流判断结果与实测水体逆流结果一致,且达到前述预设概率,则说明该未经训练的逆流预测模型已经满足使用需求,不用训练。
这样,可以将第一水质异常序列和第二水质异常序列输入至水体逆流模型,便可以判断出是否发生了水体逆流,提高了判断水体逆流的效率。
图2提供本公开实施例的水体逆流识别装置的结构示意图。该装置20包括:
第一峰值时刻确定单元21,用于实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从所述第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻;
第二峰值时刻确定单元22,用于实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从所述第二序列中筛选出第二水质异常序列,确定至少一个第二峰值时刻;
第一差值确定单元23,用于确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;
相似度确定单元24,用于在至少一个所述第一差值大于零的情况下,确定所述第一水质异常序列与所述第二水质异常序列的相似度;
水体逆流告警单元25,用于根据所述相似度是否满足预设条件,确定是否发出水体逆流告警。
在一种可能的实现方式中,所述第一峰值时刻确定单元21,包括:
第一峰值确定单元,用于在所述第一水质异常序列中,确定至少一个第一峰值,所述第一峰值为所述第一水质异常序列的极值点;
第一峰值时刻确定子单元,用于将所述第一峰值对应的时刻,确定为第一峰值时刻;
所述第二峰值确定单元22,包括:
第二峰值确定单元,用于在所述第二水质异常序列中,确定至少一个第二峰值,所述第二峰值为所述第二序列的极值点;
第二峰值时刻确定子单元,用于将所述第二峰值对应的时刻,确定为第二峰值时刻。
在一种可能的实现方式中,所述相似度确定单元24,包括:
第一矩阵确定单元,用于根据所述第一水质异常序列、所述第二水质异常序列,确定第一矩阵,其中,第一矩阵中的元素xi,j,表征第一序列中的第i个水质数据与第二序列中的第j个水质数据之间的最小累积距离;
第一路径确定单元,用于在所述第一矩阵中,确定从起始元素x1,1到终止元素xs,t途经的元素之和最小的第一路径;所述起始元素、所述终止元素分别为所述第一矩阵中对角线端点的元素,s≥i,t≥j;
第一指标确定单元,用于对所述第一路径上的元素求和,将求和结果确定为表征所述相似度的第一指标,所述第一指标与所述相似度呈反比。
在一种可能的实现方式中,所述预设条件包括所述第一指标小于目标指标,所述水体逆流告警单元25,包括:
水体逆流警告子单元A,用于在所述第一指标小于所述目标指标的情况下,发出水体逆流告警;
监测提示单元A,用于在所述第一指标不小于所述目标指标的情况下,发出持续监测提示。
在一种可能的实现方式中,所述相似度确定单元24,包括:
余弦相似度确定单元,用于在所述第一序列与所述第二序列中水质数据的数量相等的情况下,确定所述第一序列与所述第二序列的余弦相似度;
相似度确定子单元,用于将所述余弦相似度,确定为所述相似度。
在一种可能的实现方式中,所述预设条件包括相似度大于目标相似度,所述水体逆流警告单元25,包括:
水体逆流警告子单元B,用于在所述相似度大于所述目标相似度的情况下,发出水体逆流告警;
监测提示单元B,用于在所述相似度不大于所述目标相似度的情况下,发出持续监测提示。
在一种可能的实现方式中,所述装置20,还包括:
第一时间窗口确定单元A,用于在上游监测点位的污染结束时刻早于当前时刻的情况下,将上游监测点位的污染开始时刻至污染结束时刻确定为第一时间窗口;
第一时间窗口确定单元B,用于在上游监测点位的污染结束时刻晚于当前时刻的情况下,将上游监测点位的污染开始时刻至所述当前时刻确定为所述第一时间窗口;
第一水质异常序列确定单元,用于在所述第一时间窗口内,选取所述第一水质异常序列;
第二时间窗口确定单元A,用于在下游监测点位的污染结束时刻早于当前时刻的情况下,将下游监测点位的污染开始时刻至污染结束时刻确定为第二时间窗口;
第二时间窗口确定单元B,用于在下游监测点位的污染结束时刻晚于当前时刻的情况下,将下游监测点位的污染开始时刻至所述当前时刻确定为所述第二时间窗口;
第二水质异常序列确定单元,用于在所述第二时间窗口内,选取所述第二水质异常序列。
在一种可能的实现方式中,所述预设条件包括:预先为逆流预测模型设置的第一相似度阈值范围,所述水体逆流告警单25,包括:
水质异常序列获取单元,用于所述逆流预测模型获取所述第一水质异常序列、所述第二水质异常序列;
水体逆流告警子单元C,用于在所述相似度落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出水体逆流告警;
监测提示单元C,用于在所述相似度未落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出持续监测提示;
所述逆流预测模型的训练过程,包括:
获取所述第一水质异常序列、所述第二水质异常序列;
确定所述第一水质异常序列样本与所述第二水质异常序列样本的相似度估计值;
根据所述相似度估计值是否落入预设的第二相似度阈值范围,确定逆流判断结果;
在所述逆流判断结果与实测值不同的情况下,调整所述第二相似度阈值范围。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
图3提供本公开实施例的用于水体逆流识别的电子设备的结构示意图。例如,电子设备1900可以被提供为一服务器或终端设备。参照图3,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出接口1958(I/O接口)。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种水体逆流识别方法,其特征在于,包括:
实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从所述第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻;
实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从所述第二序列中筛选出第二水质异常序列,确定至少一个第二峰值时刻;
确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;
在至少一个所述第一差值大于零的情况下,确定所述第一水质异常序列与所述第二水质异常序列的相似度,以判断造成第一差值大于零的两个污染物水流是否为同一污染物水流;
根据所述相似度是否满足预设条件,确定是否发出水体逆流告警;
所述相似度是否满足预设条件,包括:所述相似度是否达到预设的标准数值。
2.根据权利要求1所述的方法,其特征在于,所述确定至少一个第一峰值时刻,包括:
在所述第一水质异常序列中,确定至少一个第一峰值,所述第一峰值为所述第一水质异常序列的极值点;
将所述第一峰值对应的时刻,确定为第一峰值时刻;
所述确定至少一个第二峰值时刻,包括:
在所述第二水质异常序列中,确定至少一个第二峰值,所述第二峰值为所述第二序列的极值点;
将所述第二峰值对应的时刻,确定为第二峰值时刻。
3.根据权利要求1所述的方法,其特征在于,所述确定所述第一水质异常序列与所述第二水质异常序列的相似度,包括:
根据所述第一水质异常序列、所述第二水质异常序列,确定第一矩阵,其中,第一矩阵中的元素xi,j,表征第一序列中的第i个水质数据与第二序列中的第j个水质数据之间的最小累积距离;
在所述第一矩阵中,确定从起始元素x1,1到终止元素xs,t途经的元素之和最小的第一路径;所述起始元素、所述终止元素分别为所述第一矩阵中对角线端点的元素,s≥i,t≥j,i,j,s,t为正整数;
对所述第一路径上的元素求和,将求和结果确定为表征所述相似度的第一指标,所述第一指标与所述相似度呈反比。
4.根据权利要求3所述的方法,其特征在于,所述预设条件包括所述第一指标小于目标指标,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:
在所述第一指标小于所述目标指标的情况下,发出水体逆流告警;
在所述第一指标不小于所述目标指标的情况下,发出持续监测提示。
5.根据权利要求1所述的方法,其特征在于,所述确定所述第一序列与所述第二序列的相似度,包括:
在所述第一序列与所述第二序列中水质数据的数量相等的情况下,确定所述第一序列与所述第二序列的余弦相似度;
将所述余弦相似度,确定为所述相似度。
6.根据权利要求5所述的方法,其特征在于,所述预设条件包括相似度大于目标相似度,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:
在所述相似度大于所述目标相似度的情况下,发出水体逆流告警;
在所述相似度不大于所述目标相似度的情况下,发出持续监测提示。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在上游监测点位的污染结束时刻早于当前时刻的情况下,将上游监测点位的污染开始时刻至污染结束时刻确定为第一时间窗口;
在上游监测点位的污染结束时刻晚于当前时刻的情况下,将上游监测点位的污染开始时刻至所述当前时刻确定为所述第一时间窗口;
在所述第一时间窗口内,选取所述第一水质异常序列;
在下游监测点位的污染结束时刻早于当前时刻的情况下,将下游监测点位的污染开始时刻至污染结束时刻确定为第二时间窗口;
在下游监测点位的污染结束时刻晚于当前时刻的情况下,将下游监测点位的污染开始时刻至所述当前时刻确定为所述第二时间窗口;
在所述第二时间窗口内,选取所述第二水质异常序列。
8.根据权利要求1所述的方法,其特征在于,所述预设条件包括:预先为逆流预测模型设置的第一相似度阈值范围,所述根据所述相似度是否满足预设条件,确定是否发出水体逆流告警,包括:
所述逆流预测模型获取所述第一水质异常序列、所述第二水质异常序列;
在所述相似度落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出水体逆流告警;
在所述相似度未落入所述第一相似度阈值范围的情况下,所述逆流预测模型发出持续监测提示;
所述逆流预测模型的训练过程,包括:
获取所述第一水质异常序列、所述第二水质异常序列;
确定所述第一水质异常序列样本与所述第二水质异常序列样本的相似度估计值;
根据所述相似度估计值是否落入预设的第二相似度阈值范围,确定逆流判断结果;
在所述逆流判断结果与实测值不同的情况下,调整所述第二相似度阈值范围。
9.一种水体逆流识别装置,其特征在于,包括:
第一峰值时刻确定单元,用于实时获取上游监测点的水质数据,并按照时序排列构成第一序列,从所述第一序列中筛选出第一水质异常序列,确定至少一个第一峰值时刻;
第二峰值时刻确定单元,用于实时获取下游监测点的水质数据,并按照时序排列构成第二序列,从所述第二序列中筛选出第二水质异常序列,确定至少一个第二峰值时刻;
第一差值确定单元,用于确定各所述第一峰值时刻,与各所述第二峰值时刻的第一差值;
相似度确定单元,用于在至少一个所述第一差值大于零的情况下,确定所述第一水质异常序列与所述第二水质异常序列的相似度,以判断造成第一差值大于零的两个污染物水流是否为同一污染物水流;
水体逆流告警单元,用于根据所述相似度是否满足预设条件,确定是否发出水体逆流告警;
所述相似度是否满足预设条件,包括:所述相似度是否达到预设的标准数值。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为在执行所述存储器存储的指令时,实现权利要求1至8中任意一项所述的方法。
11.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935838.9A CN116662919B (zh) | 2023-07-28 | 2023-07-28 | 水体逆流识别方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310935838.9A CN116662919B (zh) | 2023-07-28 | 2023-07-28 | 水体逆流识别方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662919A CN116662919A (zh) | 2023-08-29 |
CN116662919B true CN116662919B (zh) | 2023-10-20 |
Family
ID=87720944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310935838.9A Active CN116662919B (zh) | 2023-07-28 | 2023-07-28 | 水体逆流识别方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662919B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011047801A (ja) * | 2009-08-27 | 2011-03-10 | Shikoku Res Inst Inc | 水質監視装置 |
CN104615906A (zh) * | 2015-03-03 | 2015-05-13 | 中科宇图天下科技有限公司 | 一种基于单线河流快速逆流溯源的方法 |
CN109063071A (zh) * | 2018-07-24 | 2018-12-21 | 江苏卓易信息科技股份有限公司 | 一种基于拓扑关联的水污染溯源方法及设备 |
CN110082295A (zh) * | 2018-01-25 | 2019-08-02 | 芯视界(北京)科技有限公司 | 水质监测系统及方法 |
KR20210158285A (ko) * | 2020-06-23 | 2021-12-30 | 김용석 | 수질 모니터링 시스템의 메인터넌스 방법 |
CN115271375A (zh) * | 2022-06-29 | 2022-11-01 | 浙江同济科技职业学院 | 一种基于无人船的改进逆流搜索及污染源声明算法 |
CN115510568A (zh) * | 2021-06-07 | 2022-12-23 | 芯视界(北京)科技有限公司 | 管道故障检测方法及系统、电子设备和存储介质 |
CN116046048A (zh) * | 2023-02-24 | 2023-05-02 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动的污水处理传感器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9476740B2 (en) * | 2014-09-18 | 2016-10-25 | Mueller International, Llc | Reverse flow detection and annunciation |
-
2023
- 2023-07-28 CN CN202310935838.9A patent/CN116662919B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011047801A (ja) * | 2009-08-27 | 2011-03-10 | Shikoku Res Inst Inc | 水質監視装置 |
CN104615906A (zh) * | 2015-03-03 | 2015-05-13 | 中科宇图天下科技有限公司 | 一种基于单线河流快速逆流溯源的方法 |
CN110082295A (zh) * | 2018-01-25 | 2019-08-02 | 芯视界(北京)科技有限公司 | 水质监测系统及方法 |
CN109063071A (zh) * | 2018-07-24 | 2018-12-21 | 江苏卓易信息科技股份有限公司 | 一种基于拓扑关联的水污染溯源方法及设备 |
KR20210158285A (ko) * | 2020-06-23 | 2021-12-30 | 김용석 | 수질 모니터링 시스템의 메인터넌스 방법 |
CN115510568A (zh) * | 2021-06-07 | 2022-12-23 | 芯视界(北京)科技有限公司 | 管道故障检测方法及系统、电子设备和存储介质 |
CN115271375A (zh) * | 2022-06-29 | 2022-11-01 | 浙江同济科技职业学院 | 一种基于无人船的改进逆流搜索及污染源声明算法 |
CN116046048A (zh) * | 2023-02-24 | 2023-05-02 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据驱动的污水处理传感器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Pattern Recognition Techniques for the Evaluation of Spatial and Temporal Variations in Water Quality.;Wunderlin Daniel Alberto;Water Research;第35卷(第12期);2881-2894 * |
倒流防止器在城市供水管网的应用;林海;王琳;蔡文;季能平;;城镇供水(第02期);27-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN116662919A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
US11029300B2 (en) | Detecting contamination sources in liquid distribution systems | |
JP2019209271A (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
CN113240211B (zh) | 废水排放预测方法、装置、计算机设备和存储介质 | |
CN105279386A (zh) | 一种指标异常数据确定的方法及装置 | |
KR102430010B1 (ko) | 수질 모니터링 시스템의 메인터넌스 방법 | |
CN116990479B (zh) | 一种基于Zigbee技术的水质监测方法、系统、设备及介质 | |
CN115510568A (zh) | 管道故障检测方法及系统、电子设备和存储介质 | |
CN114418214A (zh) | 管网淤堵分析方法、装置、计算机设备及存储介质 | |
CN116662919B (zh) | 水体逆流识别方法及装置、电子设备和存储介质 | |
JP2019163995A (ja) | 劣化診断システム、抵抗値推定方法、およびコンピュータープログラム | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN115510892A (zh) | 污染类型识别方法及装置、电子设备和存储介质 | |
WO2015039693A1 (en) | Method and system for data quality assessment | |
CN116704710A (zh) | 告警方法及装置、电子设备和存储介质 | |
US11193920B2 (en) | Method for the automated in-line detection of deviations of an actual state of a fluid from a reference state of the fluid on the basis of statistical methods, in particular for monitoring a drinking water supply | |
CN105187821A (zh) | 一种视频质量智能诊断分析系统 | |
Do et al. | Proactive detection of wastewater overflows for smart sanitary sewer systems: Case study in South Australia | |
CN110120893B (zh) | 一种定位网络系统安全问题的方法及装置 | |
Yang et al. | Sewer pipe defects diagnosis assessment using multivariate analysis on CCTV video imagery | |
CN118136145A (zh) | 溢流污染监测方法、装置及电子设备 | |
de Vitry et al. | Calibrating urban flood models with qualitative probabilistic flooding information extracted from CCTV footage | |
CN114938339B (zh) | 一种数据处理方法和相关装置 | |
CN116166924B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN118130744B (zh) | 排水管网监测方法及装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |