CN116757898B - 一种基于预测比对的汛期污染强度核算方法及系统 - Google Patents

一种基于预测比对的汛期污染强度核算方法及系统 Download PDF

Info

Publication number
CN116757898B
CN116757898B CN202311050075.6A CN202311050075A CN116757898B CN 116757898 B CN116757898 B CN 116757898B CN 202311050075 A CN202311050075 A CN 202311050075A CN 116757898 B CN116757898 B CN 116757898B
Authority
CN
China
Prior art keywords
data
rainfall
data packet
time
hydrologic
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
Application number
CN202311050075.6A
Other languages
English (en)
Other versions
CN116757898A (zh
Inventor
李文攀
白雪
解鑫
谭伟
阮家鑫
李晓明
王蕾
严伟君
柳蕊
安新国
胡小燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jinshui Yongli Technology Co ltd
CHINA NATIONAL ENVIRONMENTAL MONITORING CENTRE
Original Assignee
Beijing Jinshui Yongli Technology Co ltd
CHINA NATIONAL ENVIRONMENTAL MONITORING CENTRE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jinshui Yongli Technology Co ltd, CHINA NATIONAL ENVIRONMENTAL MONITORING CENTRE filed Critical Beijing Jinshui Yongli Technology Co ltd
Priority to CN202311050075.6A priority Critical patent/CN116757898B/zh
Publication of CN116757898A publication Critical patent/CN116757898A/zh
Application granted granted Critical
Publication of CN116757898B publication Critical patent/CN116757898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于预测比对的汛期污染强度核算方法及系统，其中，基于预测比对的汛期污染强度核算系统，包括：用户端：发送核算请求，接收汛期污染强度；监测节点：实时采集水质数据并存储；允许核算中心获取水质数据包；核算中心：接收核算请求，根据核算请求获取水质数据包；对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包，根据待核算数据包获得任务序列和预测数据包；按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送。本申请能够避免核算结果因同一个监测节点在汛期时间节点，未降水和未引入外源污染时，但水质数据发生微量变化而造成核算不准确的情况。

Description

一种基于预测比对的汛期污染强度核算方法及系统
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于预测比对的汛期污染强度核算方法及系统。
背景技术
汛期污染强度是指某断面汛期首要污染物浓度与考核目标浓度限值的比值。其中，汛期涵盖河流一年中有规律发生洪水的时期以及河水上涨至回落到某一水位的时段。汛期污染强度主要反映监测断面汛期污染程度与水质目标之间的差距，有利于精准识别平时水环境质量较好、汛期污染物浓度大幅上升的情形，分清相关行政区域面源污染防治责任。
对于断面而言，在没有外源污染的时候，水质数据基本是稳定的，但降水形成的地表径流会将陆地上的污染源引入到河流中，因此会导致水质指标数据的升高。但当前通常是基于实际采集的无外源污染的未降雨水质数据和实际采集的降雨水质数据进行汛期污染强度核算，其得出的核算结果存在因同一个监测节点在汛期时间节点，未降水和未引入外源污染时，但水质数据发生微量变化而造成核算不准确的情况。
发明内容
本申请的目的在于提供一种基于预测比对的汛期污染强度核算方法及系统，能够避免核算结果因同一个监测节点在汛期时间节点，未降水和未引入外源污染时，但水质数据发生微量变化而造成核算不准确的情况。
为达到上述目的，本申请提供一种基于预测比对的汛期污染强度核算系统，包括：至少一个用户端、多个监测节点和核算中心；其中，用户端：用于发送核算请求，接收汛期污染强度；监测节点：用于实时采集水文数据，并存储；允许核算中心获取水质数据包；核算中心：用于执行如下步骤：接收核算请求，根据核算请求获取水质数据包，其中，核算请求至少包括：用户ID、待核算流域数据和时间区间；水质数据包至少包括：实测数据包和历史数据包；对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包；将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
如上的，其中，核算中心至少包括：收发单元、获取单元、预分析单元、预测单元和比对分析单元；其中，收发单元：用于接收核算请求，并发送至获取单元；用于接收并发送汛期污染强度；获取单元：根据核算请求从监测节点中获取水质数据包，并将水质数据包发送至预分析单元；预分析单元：用于对水质数据包进行预分析，获得待核算数据包，并将待核算数据包发送预测单元；预测单元：用于将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；比对分析单元：用于按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并将汛期污染强度发送至收发单元。
如上的，其中，核算中心还包括存储单元，用于存储核算历史数据包，其中，核算历史数据包至少包括：用户端名称、核算请求时间、核算请求、水质数据包和汛期污染强度。
如上的，其中，获取单元至少包括：分析模块、第一获取模块和第二获取模块；其中，分析模块：根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点；第一获取模块：从每个遍历监测节点中获取位于时间区间内的水文数据，并将所有的水文数据作为实测数据包，其中，实测数据包中的每个水文数据均至少包括：降雨水质数据、降雨节点水体容积、降雨节点位置和降雨采集时间；第二获取模块：根据时间区间确定历史时间区间，从每个遍历监测节点中获取位于历史时间区间内的水文数据，并将所有的水文数据作为历史数据包，其中，历史数据包中的每个水文数据均至少包括：未降雨水质数据、未降雨节点水体容积、未降雨节点位置和未降雨采集时间。
本申请还提供一种基于预测比对的汛期污染强度核算方法，包括如下步骤：接收核算请求，根据核算请求获取水质数据包，其中，核算请求至少包括：用户ID、待核算流域数据和时间区间；水质数据包至少包括：实测数据包和历史数据包；对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包；将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
如上的，其中，根据核算请求获取水质数据包的子步骤如下：根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点；从每个遍历监测节点中获取位于时间区间内的水文数据，并将所有的水文数据作为实测数据包，其中，实测数据包中的每个水文数据均至少包括：降雨水质数据、降雨节点水体容积、降雨节点位置和降雨采集时间；根据时间区间确定历史时间区间，从每个遍历监测节点中获取位于历史时间区间内的水文数据，并将所有的水文数据作为历史数据包，其中，历史数据包中的每个水文数据均至少包括：未降雨水质数据、未降雨节点水体容积、未降雨节点位置和未降雨采集时间。
如上的，其中，对水质数据包进行预分析，获得待核算数据包的子步骤如下：根据预设的第一间隔时间，并按照时间顺序对时间区间进行分解，获得多个时间节点，每个时间节点对应一个时间序列和需求时间；根据时间节点对实测数据包进行分析，获得每个时间节点所对应的降雨水文数据，并将所有降雨水文数据作为降雨数据包；对历史数据包进行异常处理，获得未降雨数据包；将未降雨数据包和降雨数据包作为待核算数据包。
如上的，其中，根据时间节点对实测数据包进行分析，获得每个时间节点所对应的降雨水文数据，并将所有降雨水文数据作为降雨数据包的子步骤如下：S221：将时间节点按照时间顺序排列后，依次根据时间序列对实测数据包中的所有水文数据进行筛选，若实测数据包中具有降雨采集时间与需求时间相同的水文数据，则将降雨采集时间与需求时间相同的水文数据作为该需求时间对应的时间节点的降雨水文数据，并将该需求时间对应的时间序列作为当前时间序列，执行S222；若实测数据包中不具有降雨采集时间与需求时间相同的水文数据，则对该需求时间对应的时间节点进行标记，并将该需求时间对应的时间序列作为当前时间序列，执行S222；S222：对当前时间序列进行判断，若当前时间序列的值小于时间序列的总数，则执行S221；若当前时间序列的值等于时间序列的总数，则完成筛选，执行S223；S223：对每个时间节点进行标记识别，若具有至少一个标记，则将没有对应的降雨水文数据的时间节点作为原始节点，将原始节点按照时间顺序排列后，依次根据原始节点的时间序列对实测数据包进行扩展分析，获得每个原始节点的扩展数据，并将扩展数据作为降雨水文数据，执行S224；若无标记，则直接执行S224；S224：将所有的降雨水文数据作为降雨数据包。
如上的，其中，子汛期污染强度的表达式如下：；其中，/>为第/>个子汛期污染强度，/>为第/>个降雨水文数据中的降雨水质数据；/>为第/>个预测水文数据中的未降雨水质数据；/>为第/>个降雨水文数据中的降雨节点水体容积；/>为第/>个预测水文数据中的未降雨节点水体容积。
如上的，其中，平均汛期污染强度的表达式如下：；其中，/>为待核算流域的平均汛期污染强度；/>为第/>个子汛期污染强度，/>，/>为子汛期污染强度的总个数。
本申请能够避免核算结果因同一个监测节点在汛期时间节点，未降水和未引入外源污染时，但水质数据发生微量变化而造成核算不准确的情况。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为基于预测比对的汛期污染强度核算系统一种实施例的结构示意图；
图2为基于预测比对的汛期污染强度核算方法一种实施例的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本申请提供一种基于预测比对的汛期污染强度核算系统，其特征在于，包括：至少一个用户端1、多个监测节点2和核算中心3。
其中，用户端1：用于发送核算请求，接收汛期污染强度。
监测节点2：用于实时采集水文数据，并存储；允许核算中心3获取水质数据包。
核算中心3：用于执行如下步骤：
接收核算请求，根据核算请求获取水质数据包，其中，核算请求至少包括：用户ID、待核算流域数据和时间区间；水质数据包至少包括：实测数据包和历史数据包；
对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包；
将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；
按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
进一步的，核算中心3至少包括：收发单元、获取单元、预分析单元、预测单元和比对分析单元。
其中，收发单元：用于接收核算请求，并发送至获取单元；用于接收并发送汛期污染强度。
获取单元：根据核算请求从监测节点中获取水质数据包，并将水质数据包发送至预分析单元。
预分析单元：用于对水质数据包进行预分析，获得待核算数据包，并将待核算数据包发送预测单元。
预测单元：用于将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包。
比对分析单元：用于按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并将汛期污染强度发送至收发单元。
进一步的，核算中心3还包括存储单元，用于存储核算历史数据包，其中，核算历史数据包至少包括：用户端名称、核算请求时间、核算请求、水质数据包和汛期污染强度。
进一步的，获取单元至少包括：分析模块、第一获取模块和第二获取模块。
其中，分析模块：根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点。
第一获取模块：从每个遍历监测节点中获取位于时间区间内的水文数据，并将所有的水文数据作为实测数据包，其中，实测数据包中的每个水文数据均至少包括：降雨水质数据、降雨节点水体容积、降雨节点位置和降雨采集时间。
第二获取模块：根据时间区间确定历史时间区间，从每个遍历监测节点中获取位于历史时间区间内的水文数据，并将所有的水文数据作为历史数据包，其中，历史数据包中的每个水文数据均至少包括：未降雨水质数据、未降雨节点水体容积、未降雨节点位置和未降雨采集时间。
如图2所示，本申请提供一种基于预测比对的汛期污染强度核算方法，包括如下步骤：
S1：接收核算请求，根据核算请求获取水质数据包，其中，核算请求至少包括：用户ID、待核算流域数据和时间区间；水质数据包至少包括：实测数据包和历史数据包。
其中，待核算流域数据至少包括：流域名称、上节点位置和下节点位置。
流域名称为：待核算流域所在的流域的名称。
上节点位置为：待核算流域中需要进行核算的河段的上游节点的位置。
下节点位置为：待核算流域中需要进行核算的河段的下游节点的位置。
时间区间为需要进行汛期污染强度核算的时间范围。
进一步的，时间区间的表达式为：
；
其中，为时间区间；/>为需要进行汛期污染强度核算的开始时间；/>为需要进行汛期污染强度核算的终止时间。
进一步的，根据核算请求获取水质数据包的子步骤如下：
S11：根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点。
进一步的，根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点的子步骤如下：
S111：将流域名称与待核算流域数据中的流域名称一致的流域确定为待核算流域。
S112：将位于上节点位置和下节点位置之间的待核算流域的流经区域作为核算流域区域。
S113：将位于核算流域区域内的所有监测节点均作为遍历监测节点。
S12：从每个遍历监测节点中获取位于时间区间内的水文数据，并将所有的水文数据作为实测数据包，其中，实测数据包中的每个水文数据均至少包括：降雨水质数据、降雨节点水体容积、降雨节点位置和降雨采集时间。
具体的，降雨水质数据为遍历监测节点在时间区间内实时采集的水质数据，包括一种或多种污染物浓度。
降雨节点水体容积为遍历监测节点在时间区间内获取的该遍历监测节点监测的流域断面的径流容积。
降雨节点位置为遍历监测节点监测的流域断面的位置。
降雨采集时间为遍历监测节点在时间区间内采集水文数据的具体时间。
S13：根据时间区间确定历史时间区间，从每个遍历监测节点中获取位于历史时间区间内的水文数据，并将所有的水文数据作为历史数据包，其中，历史数据包中的每个水文数据均至少包括：未降雨水质数据、未降雨节点水体容积、未降雨节点位置和未降雨采集时间。
具体的，未降雨水质数据为遍历监测节点在历史时间区间内实时采集的水质数据，包括一种或多种污染物浓度。
未降雨节点水体容积为遍历监测节点在历史时间区间内获取的该遍历监测节点监测的流域断面的径流容积。
未降雨节点位置为遍历监测节点监测的流域断面的位置。
未降雨采集时间为遍历监测节点在历史时间区间内采集水文数据的具体时间。
历史时间区间为需要进行汛期污染强度核算的时间区间向前推移预设时长后得到的时间范围，即：历史时间区间为与需要进行汛期污染强度核算的时间区间相邻的无外源污染（未降雨）的时间范围。
进一步的，历史时间区间的表达式为：
；
其中，为历史时间区间；/>为需要进行汛期污染强度核算的开始时间/>的前一个相邻的时间；/>为需要向前推移的预设时长；/>表示以/>为起始节点向前推移一个预设时长/>后得到的时间。
预设时长根据实际情况设定，可以为m秒、m分钟、m小时、m天、m周、m月或m年。
S14：将实测数据包和历史数据包作为水质数据包。
S2：对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包。
进一步的，对水质数据包进行预分析，获得待核算数据包的子步骤如下：
S21：根据预设的第一间隔时间，并按照时间顺序对时间区间进行分解，获得多个时间节点，每个时间节点对应一个时间序列和需求时间。
具体的，时间顺序即为将需要进行汛期污染强度核算的开始时间作为起始时间节点，将需要进行汛期污染强度核算的终止时间/>作为末始时间节点，根据预设的第一间隔时间/>从/>至/>进行分解。预设的第一间隔时间/>根据实际情况设定，可以为m秒、m分钟、m小时、m天、m周、m月或m年。
起始时间节点为第一个时间节点，第一个时间节点的时间序列为1，第二个时间节点的时间序列为2，第三个时间节点的时间序列为3，终止时间为最后一个时间节点，最后一个时间节点的时间序列为n。时间序列的总数为n。
第一个时间节点与第二时间节点之间间隔一个预设的第一间隔时间，最后一个时间节点与倒数第二个时间节点之间间隔的时间小于或等于一个预设的第一间隔时间。
需求时间为每个时间节点所对应的具体时间。例如：第二个时间节点的需求时间为在第一个时间节点的具体时间上往后推移一个第一间隔时间后得到的具体时间。第三个时间节点的需求时间为在第二个时间节点的需求时间上往后推移一个第一间隔时间后得到的具体时间。
S22：根据时间节点对实测数据包进行分析，获得每个时间节点所对应的降雨水文数据，并将所有降雨水文数据作为降雨数据包。
进一步的，根据时间节点对实测数据包进行分析，获得每个时间节点所对应的降雨水文数据，并将所有降雨水文数据作为降雨数据包的子步骤如下：
S221：将时间节点按照时间顺序排列后，依次根据时间序列对实测数据包中的所有水文数据进行筛选，若实测数据包中具有降雨采集时间与需求时间相同的水文数据，则将降雨采集时间与需求时间相同的水文数据作为该需求时间对应的时间节点的降雨水文数据，并将该需求时间对应的时间序列作为当前时间序列，执行S222；若实测数据包中不具有降雨采集时间与需求时间相同的水文数据，则对该需求时间对应的时间节点进行标记，并将该需求时间对应的时间序列作为当前时间序列，执行S222。
具体的，将时间节点按照时间顺序排列后，依次根据时间序列对实测数据包中的所有水文数据进行筛选，能够有效地避免遗漏对时间节点的筛选处理。
当前时间序列为本轮筛选时，在步骤S221中刚完成一次筛选的时间序列，例如：本轮筛选时，在步骤S221中，根据第一个时间节点的时间序列对实测数据包中的所有水文数据进行筛选，则第一个时间节点的时间序列即为当前时间序列。本轮筛选时，在步骤S221中，根据第n个时间节点的时间序列对实测数据包中的所有水文数据进行筛选，则第n个时间节点的时间序列即为当前时间序列。
S222：对当前时间序列进行判断，若当前时间序列的值小于时间序列的总数，则执行S221；若当前时间序列的值等于时间序列的总数，则完成筛选，执行S223。
S223：对每个时间节点进行标记识别，若具有至少一个标记，则将没有对应的降雨水文数据的时间节点作为原始节点，将原始节点按照时间顺序排列后，依次根据原始节点的时间序列对实测数据包进行扩展分析，获得每个原始节点的扩展数据，并将扩展数据作为降雨水文数据，执行S224；若无标记，则直接执行S224。
具体的，将原始节点按照时间顺序排列后，依次根据原始节点的时间序列对实测数据包进行扩展分析，能够有效地避免遗漏对原始节点的扩展分析。
进一步的，根据原始节点的时间序列对实测数据包进行扩展分析，获得扩展数据的子步骤如下：
S2231：将原始节点的需求时间作为起始时间，向前推移一个第二间隔时间，获得第一趋势区间，对第一趋势区间中的所有水文数据进行分析计算，获得第一扩展数据。
进一步的，第一扩展数据的表达式如下：
；
其中，为第一扩展数据；/>为原始节点的前一个无标记的时间节点的降雨水文数据；/>为第一趋势区间中的第/>个水文数据；/>为第一趋势区间中的第/>个水文数据；/>，/>为第一趋势区间中的水文数据的总个数；/>为水文数据/>的降雨采集时间；/>为水文数据/>的降雨采集时间；/>为第二间隔时间；/>为原始节点的时间序列，/>，n为时间序列的总数；/>为原始节点的前一个无标记的时间节点与原始节点之间间隔的第二间隔时间的个数。
具体的，表示水文数据/>和水文数据/>之间的变化数据；/>为水文数据/>和水文数据/>之间的变化时间。
S2232：将原始节点的需求时间作为起始时间，向后推移一个第二间隔时间，获得第二趋势区间，对第二趋势区间中的所有水文数据进行分析计算，获得第二扩展数据。
进一步的，第二扩展数据的表达式如下：
；
其中，为第二扩展数据；/>为原始节点的后一个无标记的时间节点的降雨水文数据；/>为第二趋势区间中的第/>个水文数据；/>为第二趋势区间中的第/>个水文数据；/>，/>为第二趋势区间中的水文数据的总个数；/>为水文数据/>的降雨采集时间；/>为水文数据/>的降雨采集时间；/>为第二间隔时间；/>为原始节点的时间序列，/>，n为时间序列的总数；/>为原始节点的后一个无标记的时间节点与原始节点之间间隔的第二间隔时间的个数。
具体的，表示水文数据/>和水文数据/>之间的变化数据；/>为水文数据/>和水文数据/>之间的变化时间。
S2233：根据第一扩展数据和第二扩展数据生成扩展数据。
进一步的，扩展数据的表达式如下：
；
其中，为第/>个原始节点的扩展数据；/>为第一扩展数据；/>为第二扩展数据。
S224：将所有的降雨水文数据作为降雨数据包。
S23：对历史数据包进行异常处理，获得未降雨数据包。
进一步的，对历史数据包进行异常处理，获得未降雨数据包的子步骤如下：
S231：将历史数据包中的所有水文数据按照采集顺序进行排列，并对每个水文数据进行采集序列标记，采集序列按照采集顺序依次递增。
具体的，采集顺序即为将作为起始时间节点，将/>作为末始时间节点，根据未降雨采集时间将历史数据包中的所有水文数据按照从起始时间节点向末始时间节点方向进行排列。历史数据包中的一个水文数据对应一个采集序列，采集序列的值按照采集顺序依次递增。
S232：根据采集序列依次对水文数据进行变化趋势分析，获得变化趋势值。
进一步的，变化趋势值的表达式如下：
；
其中，为历史数据包中的第/>个水文数据的变化趋势值；/>为历史数据包中的第/>个水文数据；/>为历史数据包中的第/>个水文数据；/>为历史数据包中的第/>个水文数据；/>为水文数据/>的未降雨采集时间；/>为水文数据/>的未降雨采集时间；/>为水文数据/>的未降雨采集时间。
具体的，表示水文数据/>和水文数据/>之间的变化数据；表示水文数据/>和水文数据/>之间的变化数据；/>表示水文数据和水文数据/>之间的变化时间；/>表示水文数据/>和水文数据/>之间的变化时间。
S233：根据待核算流域的趋势阈值对变化趋势值进行判断，获得判断结果，若变化趋势值大于趋势阈值，则生成的判断结果为异常，将历史数据包中异常的水文数据作为待更换节点，执行S234；若变化趋势值小于或等于趋势阈值，则生成的判断结果为无异常，直接将历史数据包中的所有水文数据均作为未降雨水文数据，执行S235。
进一步的，待核算流域的趋势阈值的表达式如下：
；
其中，为待核算流域的趋势阈值；/>为待核算流域在无外源污染（未降雨）的情况下，相邻的水文数据之间的最大变化趋势；/>为调节参数。
具体的，根据待核算流域采集的历史的水文数据获得。/>根据实际情况设定，随着时间的流逝，流域当前的河段数据和水文数据均会产生微小的变化，因此，设置调节参数/>对根据历史的水文数据获得的最大变化趋势进行调节，从而提高用于进行异常分析的最大变化趋势的准确性。
S234：获取历史数据包的单位变化数据，根据单位变化数据对待更换节点进行处理，获得更换数据，并将更换数据作为未降雨水文数据，执行S235。
进一步的，单位变化数据的表达式如下：
；
其中，为单位变化数据；/>为历史数据包中的第/>个水文数据；/>为历史数据包中的第/>个水文数据，/>，/>为历史数据包中的水文数据的总数；/>为水文数据/>的未降雨采集时间；/>为水文数据/>的未降雨采集时间。
具体的，表示水文数据/>和水文数据/>之间的变化数据；表示水文数据/>和水文数据/>之间的变化时间。
进一步的，更换数据的表达式如下：
；
其中，为历史数据包中的第/>个存在异常的水文数据对应的更换数据；/>为历史数据包中，第/>个存在异常的水文数据之前的第一个无异常的水文数据；/>，为历史数据包中的水文数据的总数；/>为水文数据/>的未降雨采集时间；/>为水文数据/>的未降雨采集时间；/>为单位变化数据。
具体的，表示水文数据/>和水文数据/>之间的变化时间。
S235：将所有的未降雨水文数据作为未降雨数据包。
S24：将未降雨数据包和降雨数据包作为待核算数据包。
S3：将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包。
具体的，将未降雨数据包和任务序列输入至预先训练好的预测模型中，预测模型根据未降雨数据包中的所有未降雨水文数据分别求取任务序列中的每一个需求时间对应的预测水文数据。
进一步的，每一个需求时间对应的预测水文数据为预测模型分别根据每个未降雨水文数据获得的该需求时间对应的所有预测水文数据的均值。
S4：按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度。
进一步的，将任务序列与需求时间相对应的预测水文数据和降雨水文数据进行比对分析，获得子汛期污染强度。
其中，子汛期污染强度的表达式如下：
；
其中，为第/>个子汛期污染强度，/>为第/>个降雨水文数据中的降雨水质数据；/>为第/>个预测水文数据中的未降雨水质数据；/>为第/>个降雨水文数据中的降雨节点水体容积；/>为第/>个预测水文数据中的未降雨节点水体容积。
具体的，未降雨水质数据表示预测的未降雨采集时间，未降雨节点位置的污染浓度，该污染物浓度为该未降雨节点位置不同水深层级的污染物浓度的均值。
未降雨节点水体容积表示预测的未降雨采集时间，未降雨节点位置的水体容积。
降雨水质数据表示降雨采集时间，降雨节点位置的污染浓度，该污染物浓度为该降雨节点位置不同水深层级的污染物浓度的均值。
降雨节点水体容积表示降雨采集时间，降雨节点位置的水体容积。
进一步的，平均汛期污染强度的表达式如下：
；
其中，为待核算流域的平均汛期污染强度；/>为第/>个子汛期污染强度，，/>为子汛期污染强度的总个数。
本申请能够避免核算结果因同一个监测节点在汛期时间节点，未降水和未引入外源污染时，但水质数据发生微量变化而造成核算不准确的情况。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种基于预测比对的汛期污染强度核算系统，其特征在于，包括：至少一个用户端、多个监测节点和核算中心；
其中，用户端：用于发送核算请求，接收汛期污染强度；
监测节点：用于实时采集水文数据，并存储；允许核算中心获取水质数据包；
核算中心：用于执行如下步骤：
接收核算请求，根据核算请求获取水质数据包，其中，核算请求至少包括：用户ID、待核算流域数据和时间区间；水质数据包至少包括：实测数据包和历史数据包；
对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包；
将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；
按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度；
其中，子汛期污染强度的表达式如下：
；
其中，为第/>个子汛期污染强度，/>为第/>个降雨水文数据中的降雨水质数据；为第/>个预测水文数据中的未降雨水质数据；/>为第/>个降雨水文数据中的降雨节点水体容积；/>为第/>个预测水文数据中的未降雨节点水体容积；
平均汛期污染强度的表达式如下：
；
其中，为待核算流域的平均汛期污染强度；/>，/>为子汛期污染强度的总个数。
2.根据权利要求1所述的基于预测比对的汛期污染强度核算系统，其特征在于，核算中心至少包括：收发单元、获取单元、预分析单元、预测单元和比对分析单元；
其中，收发单元：用于接收核算请求，并发送至获取单元；用于接收并发送汛期污染强度；
获取单元：根据核算请求从监测节点中获取水质数据包，并将水质数据包发送至预分析单元；
预分析单元：用于对水质数据包进行预分析，获得待核算数据包，并将待核算数据包发送预测单元；
预测单元：用于将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；
比对分析单元：用于按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并将汛期污染强度发送至收发单元。
3.根据权利要求2所述的基于预测比对的汛期污染强度核算系统，其特征在于，核算中心还包括存储单元，用于存储核算历史数据包，其中，核算历史数据包至少包括：用户端名称、核算请求时间、核算请求、水质数据包和汛期污染强度。
4.根据权利要求3所述的基于预测比对的汛期污染强度核算系统，其特征在于，获取单元至少包括：分析模块、第一获取模块和第二获取模块；
其中，分析模块：根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点；
第一获取模块：从每个遍历监测节点中获取位于时间区间内的水文数据，并将所有的水文数据作为实测数据包，其中，实测数据包中的每个水文数据均至少包括：降雨水质数据、降雨节点水体容积、降雨节点位置和降雨采集时间；
第二获取模块：根据时间区间确定历史时间区间，从每个遍历监测节点中获取位于历史时间区间内的水文数据，并将所有的水文数据作为历史数据包，其中，历史数据包中的每个水文数据均至少包括：未降雨水质数据、未降雨节点水体容积、未降雨节点位置和未降雨采集时间。
5.一种基于预测比对的汛期污染强度核算方法，其特征在于，包括如下步骤：
接收核算请求，根据核算请求获取水质数据包，其中，核算请求至少包括：用户ID、待核算流域数据和时间区间；水质数据包至少包括：实测数据包和历史数据包；
对水质数据包进行预分析，获得待核算数据包，其中，待核算数据包至少包括：未降雨数据包和降雨数据包；
将降雨数据包中的每个降雨水文数据的需求时间均作为任务序列；将未降雨数据包和任务序列输入至预先训练好的预测模型中，由预测模型生成任务序列对应的预测水文数据，将所有的预测水文数据作为预测数据包；
按照任务序列对预测数据包和降雨数据包进行分析，获得汛期污染强度，并发送，其中，汛期污染强度至少包括：多个子汛期污染强度和平均汛期污染强度；
其中，子汛期污染强度的表达式如下：
；
其中，为第/>个子汛期污染强度，/>为第/>个降雨水文数据中的降雨水质数据；为第/>个预测水文数据中的未降雨水质数据；/>为第/>个降雨水文数据中的降雨节点水体容积；/>为第/>个预测水文数据中的未降雨节点水体容积；
平均汛期污染强度的表达式如下：
；
其中，为待核算流域的平均汛期污染强度；/>，/>为子汛期污染强度的总个数。
6.根据权利要求5所述的基于预测比对的汛期污染强度核算方法，其特征在于，根据核算请求获取水质数据包的子步骤如下：
根据核算请求中的待核算流域数据从多个监控节点中确定至少一个监控节点为遍历监测节点；
从每个遍历监测节点中获取位于时间区间内的水文数据，并将所有的水文数据作为实测数据包，其中，实测数据包中的每个水文数据均至少包括：降雨水质数据、降雨节点水体容积、降雨节点位置和降雨采集时间；
根据时间区间确定历史时间区间，从每个遍历监测节点中获取位于历史时间区间内的水文数据，并将所有的水文数据作为历史数据包，其中，历史数据包中的每个水文数据均至少包括：未降雨水质数据、未降雨节点水体容积、未降雨节点位置和未降雨采集时间。
7.根据权利要求6所述的基于预测比对的汛期污染强度核算方法，其特征在于，对水质数据包进行预分析，获得待核算数据包的子步骤如下：
根据预设的第一间隔时间，并按照时间顺序对时间区间进行分解，获得多个时间节点，每个时间节点对应一个时间序列和需求时间；
根据时间节点对实测数据包进行分析，获得每个时间节点所对应的降雨水文数据，并将所有降雨水文数据作为降雨数据包；
对历史数据包进行异常处理，获得未降雨数据包；
将未降雨数据包和降雨数据包作为待核算数据包。
8.根据权利要求7所述的基于预测比对的汛期污染强度核算方法，其特征在于，根据时间节点对实测数据包进行分析，获得每个时间节点所对应的降雨水文数据，并将所有降雨水文数据作为降雨数据包的子步骤如下：
S221：将时间节点按照时间顺序排列后，依次根据时间序列对实测数据包中的所有水文数据进行筛选，若实测数据包中具有降雨采集时间与需求时间相同的水文数据，则将降雨采集时间与需求时间相同的水文数据作为该需求时间对应的时间节点的降雨水文数据，并将该需求时间对应的时间序列作为当前时间序列，执行S222；若实测数据包中不具有降雨采集时间与需求时间相同的水文数据，则对该需求时间对应的时间节点进行标记，并将该需求时间对应的时间序列作为当前时间序列，执行S222；
S222：对当前时间序列进行判断，若当前时间序列的值小于时间序列的总数，则执行S221；若当前时间序列的值等于时间序列的总数，则完成筛选，执行S223；
S223：对每个时间节点进行标记识别，若具有至少一个标记，则将没有对应的降雨水文数据的时间节点作为原始节点，将原始节点按照时间顺序排列后，依次根据原始节点的时间序列对实测数据包进行扩展分析，获得每个原始节点的扩展数据，并将扩展数据作为降雨水文数据，执行S224；若无标记，则直接执行S224；
S224：将所有的降雨水文数据作为降雨数据包。
CN202311050075.6A 2023-08-21 2023-08-21 一种基于预测比对的汛期污染强度核算方法及系统 Active CN116757898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311050075.6A CN116757898B (zh) 2023-08-21 2023-08-21 一种基于预测比对的汛期污染强度核算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311050075.6A CN116757898B (zh) 2023-08-21 2023-08-21 一种基于预测比对的汛期污染强度核算方法及系统

Publications (2)

Publication Number Publication Date
CN116757898A CN116757898A (zh) 2023-09-15
CN116757898B true CN116757898B (zh) 2023-11-14

Family

ID=87948258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311050075.6A Active CN116757898B (zh) 2023-08-21 2023-08-21 一种基于预测比对的汛期污染强度核算方法及系统

Country Status (1)

Country Link
CN (1) CN116757898B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118258976B (zh) * 2024-05-31 2024-08-06 国家海洋环境监测中心 一种基于北斗短报文的海域水质监测方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021003768A1 (zh) * 2019-07-08 2021-01-14 大连理工大学 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法
CN115856237A (zh) * 2022-11-18 2023-03-28 中国科学院城市环境研究所 一种基于水质监测指标的汛期污染强度计算方法及装置
CN115965496A (zh) * 2022-11-29 2023-04-14 中国环境科学研究院 流域水环境智慧化管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021003768A1 (zh) * 2019-07-08 2021-01-14 大连理工大学 基于前期降雨和上下游拓扑关系的农村基层洪涝预警方法
CN115856237A (zh) * 2022-11-18 2023-03-28 中国科学院城市环境研究所 一种基于水质监测指标的汛期污染强度计算方法及装置
CN115965496A (zh) * 2022-11-29 2023-04-14 中国环境科学研究院 流域水环境智慧化管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丹汉江流域非点源污染定量化与控制研究进展;李亚娇;张子航;李家科;郝改瑞;;水资源与水工程学报(第02期);全文 *

Also Published As

Publication number Publication date
CN116757898A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN112883644B (zh) 一种动态水环境管理方法
CN116757898B (zh) 一种基于预测比对的汛期污染强度核算方法及系统
CN104280526B (zh) 水质自动在线监测设备测量误差的分析和估计方法
CN112529240B (zh) 一种大气环境数据的预测方法、系统、装置及存储介质
CN117807382B (zh) 基于智慧物联的排水管网污染监测数据智能处理方法
JP2007205001A (ja) 流量予測装置
CN117113236B (zh) 一种智慧城市监控系统及数据处理方法
CN116823067B (zh) 管网水质清污状态的确定方法、装置及电子设备
CN114169242A (zh) 一种基于参数不确定性分析河道生态增氧的智能控制算法
CN114858207A (zh) 一种基于软测量的河道排污口网格化溯源排查方法
CN112287299A (zh) 河流健康变化定量归因方法、装置及系统
CN116956120A (zh) 一种基于改进的tft模型对水质非平稳时间序列的预测方法
CN118084098A (zh) 智慧水厂的水处理系统及方法
CN117390594A (zh) 一种水质监测预警方法及系统
CN116576553B (zh) 一种空气调节机数据优化采集方法及系统
CN117310118A (zh) 一种地下水污染可视化监测方法
CN117196883A (zh) 一种基于人工智能的污水处理决策优化方法及系统
CN117079460A (zh) 一种面向时间序列的arima模型对城市短时交通流预测的方法
CN117233342A (zh) 一种基于置信区间算法的入河排污口精准监测方法及系统
CN116757897B (zh) 一种基于数据分解的汛期污染强度分析方法及系统
JP2001027634A (ja) 水質監視システム
CN113361772A (zh) 一种混流管网水量的预测方法及装置
CN118348935B (zh) 一种污水处理的智能监控预警系统
CN115081345B (zh) 一种用于溢流雨污水的处理工艺优化的方法及系统
KR101500795B1 (ko) 우수 유입 시설 관리 지원 방법, 우수 유입 시설 관리 지원 장치, 우수 유입 시설 관리 지원 시스템

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