CN116760871A - 基于多协议协同的智慧表务管理系统 - Google Patents

Abstract

本发明公开了一种基于多协议协同的智慧表务管理系统，该基于多协议协同的智慧表务管理系统包括获取模块、预测模块、筛选模块和提示模块，能够根据每一水表的历史协议配置信息、数据传输信息和安装信息，预测水表的工作状态和寿命信息，以筛选出待更换水表，且可以在更换水表时预测待更换水表对应的新安装水表对应的协议配置信息和寿命预测信息以向用户进行提示。可见，本发明能够根据多个水表的协议协同来实现更加智能的表务管理，提高表务管理的效率和效果。

Description

基于多协议协同的智慧表务管理系统

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于多协议协同的智慧表务管理系统。

背景技术

随着城市用水需求的提高和智慧水务意识的普及，越来越多的智能水表被应用在用水区域的监控中，这些智能水表一般采用物联网技术进行数据传输，以对用水区域的用水量进行监控。但现有技术在管理这些大量的智能水表时，一般仅采用用户自行监测或内置的简单的电路故障监测模块来进行管控，没有考虑到结合其数据传输特点和物联网协议特点来实现更加精准的管理，因此存在缺陷，亟待改进。

发明内容

本发明所要解决的技术问题在于，提供一种基于多协议协同的智慧表务管理系统，能够根据多个水表的协议协同来实现更加智能的表务管理，提高表务管理的效率和效果。

为了解决上述技术问题，本发明第一方面公开了一种基于多协议协同的智慧表务管理系统，所述系统包括：

获取模块，用于获取目标监测区域的多个水表的历史协议配置信息、数据传输信息和安装信息；

预测模块，用于根据每一所述水表的历史协议配置信息、数据传输信息和安装信息，预测每一所述水表的工作状态和寿命信息；

筛选模块，用于根据每一所述水表的工作状态和寿命信息，从所述多个水表中筛选出多个待更换水表；

提示模块，用于在任一所述待更换水表被更换时，根据该待更换水表对应的历史协议配置信息和寿命信息，预测该待更换水表对应的新安装水表对应的协议配置信息和寿命预测信息，以向用户进行提示。

在一个可选的实施方式中，所述安装信息包括安装位置、结构安装方式、通电安装方式和通信安装方式中的至少一种；和/或，所述协议配置信息包括协议类型、协议配置时间、协议安装方式中的至少一种；所述协议类型包括MQTT协议、CoAP协议、AMQP协议、XMPP协议、HTTP协议、DDS协议、ZigBee协议、LoRaWAN协议、NB-IoT协议中的至少一种。

在一个可选的实施方式中，所述预测模块具体用于执行以下步骤：

对于每一所述水表，根据该水表的数据传输信息，计算该水表的工作稳定性参数；

根据该水表的所述工作稳定性参数，以及该水表的所述历史协议配置信息对应的神经网络算法模型，预测该水表的工作状态；

根据该水表的所述工作状态，和该水表的所述安装信息对应的神经网络算法模型，预测该水表的寿命信息。

在一个可选的实施方式中，所述数据传输信息中包括该水表在历史时间段内的数据传输次数和数据传输量；所述预测模块根据该水表的数据传输信息，计算该水表的工作稳定性参数的具体方式，包括：

根据该水表所设置的物联网协议的协议类型所对应的协议水表传输数据库，计算该水表对应的数据传输频率参考值和数据传输速度参考值；

根据该水表在历史时间段内的数据传输次数，计算该水表的数据传输频率，并计算所述数据传输频率与所述数据传输频率参考值之间的频率差值；

根据该水表在历史时间段内的数据传输量，计算该水表的数据传输速度，并计算所述数据传输速度与所述数据传输速度参考值之间的速度差值；

计算所述速度差值和所述频率差值的加权求和平均值，得到该水表的工作稳定性参数。

在一个可选的实施方式中，所述数据传输信息中还包括该水表在历史时间段内的数据传输内容；所述预测模块计算所述速度差值和所述频率差值的加权求和平均值，得到该水表的工作稳定性参数的具体方式，包括：

根据该水表在历史时间段内的数据传输内容，以及该水表的所述协议类型对应的数据传输关键字规则，识别该水表的所述数据传输内容中的异常内容出现次数，并确定该水表对应的第一异常权重和第二异常权重；所述第一异常权重与所述异常内容出现次数成反比；所述第二异常权重与所述异常内容出现次数成正比；所述第一异常权重小于所述第二异常权重，且两者的差值与所述异常内容出现次数成正比；

计算所述频率差值和所述第一异常权重的第一乘积；

计算所述速度差值和所述第二异常权重的第二乘积；

计算所述第一乘积和所述第二乘积的平均值，得到该水表的工作稳定性参数。

在一个可选的实施方式中，所述预测模块根据该水表的所述工作稳定性参数，以及该水表的所述历史协议配置信息对应的神经网络算法模型，预测该水表的工作状态的具体方式，包括：

对每一候选神经网络模型，获取该候选神经网络模型对应的多个训练数据的协议配置信息；所述候选神经网络模型通过包括有多个训练工作稳定参数和对应的协议配置信息和对应的工作状态标注的训练数据集训练得到；

根据所述多个训练数据的协议配置信息，生成该候选神经网络模型对应的协议特征向量；

计算该水表的所述历史协议配置信息与所述协议特征向量的向量距离，得到该候选神经网络模型对应的相似度参数；

从多个所述候选神经网络模型中确定出所述相似度参数最高的候选神经网络模型，确定为目标神经网络模型；

将该水表的所述工作稳定性参数和所述历史协议配置信息，输入至所述目标神经网络模型，以得到输出的预测的该水表的工作状态。

在一个可选的实施方式中，所述根据该水表的所述工作状态，和该水表的所述安装信息对应的神经网络算法模型，预测该水表的寿命信息，包括：

将该水表的所述工作状态，输入至该水表的所述安装信息对应的神经网络算法模型，以得到输出的预测的该水表的寿命信息；所述安装信息对应的神经网络算法模型通过包括有多个同样符合所述安装信息的水表的训练工作状态数据和对应的寿命标注的训练数据集训练得到。

在一个可选的实施方式中，所述筛选模块具体用于执行以下步骤：

根据每一所述水表的安装位置和协议配置信息，对所述多个水表进行分组，得到多个水表组；每一所述水表组中包括有多个安装位置之间的距离小于距离阈值和协议配置信息之间的协议关联性符合强关联规则的水表；所述强关联规则用于限定至少两个水表的物联网协议之间存在直接通信可能性；

对于每一所述水表，计算该水表的所述工作状态和所述寿命信息的加权求和平均值，得到该水表对应的可用性参数；其中，所述寿命信息的权重大于所述工作状态的权重；

对于每一所述水表组，计算该水表组中的所有水表的所述可用性参数的平均值，得到该水表组对应的组可用性权重；

对于每一所述水表，计算该水表所属的所有所述水表组的所述组可用性权重的权重平均值，以及所述权重平均值与所述可用性参数的乘积，得到该水表对应的加权可用性参数；

将所述多个水表中所述加权可用性参数低于预设的参数阈值的水表确定为待更换水表，以筛选出多个待更换水表。

在一个可选的实施方式中，所述提示模块具体用于执行以下步骤：

将准备更换的任一所述待更换水表，确定为目标更换水表；

从历史水表更换数据库中，确定所述目标更换水表的水表类型对应的水表更换历史记录；

统计所述水表更换历史记录中所有变换协议配置信息的更换记录对应的下一次更换时间与当前更换时间之间的时间差的平均值，得到更换稳定性参数；

判断所述更换稳定性参数是否小于预设的稳定性阈值，若否，则将所述目标更换水表对应的历史协议配置信息确定为所述新安装水表对应的协议配置信息；若是，则将所述目标更换水表对应的新安装水表对应的所有可选协议配置信息中与所述历史协议配置信息不同的协议配置信息确定为所述新安装水表对应的协议配置信息；

根据所述目标更换水表对应的历史协议配置信息和寿命信息，以及所述新安装水表对应的协议配置信息，预测所述新安装水表对应的寿命预测信息。

在一个可选的实施方式中，所述预测模块根据所述目标更换水表对应的历史协议配置信息和寿命信息，以及所述新安装水表对应的协议配置信息，预测所述新安装水表对应的寿命预测信息的具体方式，包括：

确定所述目标更换水表对应的新安装水表的安装信息；

计算所述目标更换水表的历史协议配置信息和所述新安装水表的协议配置信息之间的第一差异度；

计算所述目标更换水表的安装信息和所述新安装水表的安装信息之间的第二差异度；

将所述第一差异度和所述第二差异度的加权平均值输入至训练好的寿命预测神经网络模型中，以得到输出的寿命差异预测值；所述寿命预测神经网络模型通过包括有多个训练差异度信息和对应的寿命差异值标注的训练数据集训练得到；

计算所述目标更换水表的寿命信息和所述寿命差异预测值的和，确定为所述新安装水表的寿命预测信息。

与现有技术相比，本发明具有以下有益效果：

本发明能够基于水表的物联网协议配置和安装信息和数据传输信息来有效预测水表的状态和寿命，并预测出水表的更换信息，从而能够根据多个水表的协议协同来实现更加智能的表务管理，提高表务管理的效率和效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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是本发明实施例公开的一种基于多协议协同的智慧表务管理系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将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，所描述的实施例仅仅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，本领域普通技术人员在没有作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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或端没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或模块。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

具体的，请参阅图1，图1是本发明实施例公开的一种基于多协议协同的智慧表务管理系统的结构示意图。如图1所示，该基于多协议协同的智慧表务管理系统至少包括获取模块101、预测模块102、筛选模块103和提示模块104。

具体的，获取模块101用于获取目标监测区域的多个水表的历史协议配置信息、数据传输信息和安装信息。

具体的，预测模块102用于根据每一水表的历史协议配置信息、数据传输信息和安装信息，预测每一水表的工作状态和寿命信息。

具体的，筛选模块103用于根据每一水表的工作状态和寿命信息，从多个水表中筛选出多个待更换水表。

具体的，提示模块104用于在任一待更换水表被更换时，根据该待更换水表对应的历史协议配置信息和寿命信息，预测该待更换水表对应的新安装水表对应的协议配置信息和寿命预测信息，以向用户进行提示。

可选的，安装信息包括安装位置、结构安装方式、通电安装方式和通信安装方式中的至少一种。

可选的，协议配置信息包括协议类型、协议配置时间、协议安装方式中的至少一种。

可选的，协议类型包括MQTT协议、CoAP协议、AMQP协议、XMPP协议、HTTP协议、DDS协议、ZigBee协议、LoRaWAN协议、NB-IoT协议中的至少一种。

通过上述系统，能够基于水表的物联网协议配置和安装信息和数据传输信息来有效预测水表的状态和寿命，并预测出水表的更换信息，从而能够根据多个水表的协议协同来实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，预测模块102具体用于执行以下步骤：

对于每一水表，根据该水表的数据传输信息，计算该水表的工作稳定性参数；

根据该水表的工作稳定性参数，以及该水表的历史协议配置信息对应的神经网络算法模型，预测该水表的工作状态；

根据该水表的工作状态，和该水表的安装信息对应的神经网络算法模型，预测该水表的寿命信息。

通过上述模块，能够一步步借助神经网络算法预测出水表的工作状态和寿命信息，从而能够在后续根据这些信息实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，数据传输信息中包括该水表在历史时间段内的数据传输次数和数据传输量；预测模块102根据该水表的数据传输信息，计算该水表的工作稳定性参数的具体方式，包括：

根据该水表所设置的物联网协议的协议类型所对应的协议水表传输数据库，计算该水表对应的数据传输频率参考值和数据传输速度参考值；

根据该水表在历史时间段内的数据传输次数，计算该水表的数据传输频率，并计算数据传输频率与数据传输频率参考值之间的频率差值；

根据该水表在历史时间段内的数据传输量，计算该水表的数据传输速度，并计算数据传输速度与数据传输速度参考值之间的速度差值；

计算速度差值和频率差值的加权求和平均值，得到该水表的工作稳定性参数。

可选的，可以根据协议水表传输数据库中多个同类型水表的数据传输频率和数据传输速度的平均统计值，来确定数据传输频率参考值和数据传输速度参考值。

通过上述模块，能够计算速度差值和频率差值的加权求和平均值，得到该水表的工作稳定性参数，以便于后续借助神经网络算法预测出水表的工作状态和寿命信息，从而能够根据这些信息实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，数据传输信息中还包括该水表在历史时间段内的数据传输内容；预测模块102计算速度差值和频率差值的加权求和平均值，得到该水表的工作稳定性参数的具体方式，包括：

根据该水表在历史时间段内的数据传输内容，以及该水表的协议类型对应的数据传输关键字规则，识别该水表的数据传输内容中的异常内容出现次数，并确定该水表对应的第一异常权重和第二异常权重；第一异常权重与异常内容出现次数成反比；第二异常权重与异常内容出现次数成正比；第一异常权重小于第二异常权重，且两者的差值与异常内容出现次数成正比；

计算频率差值和第一异常权重的第一乘积；

计算速度差值和第二异常权重的第二乘积；

计算第一乘积和第二乘积的平均值，得到该水表的工作稳定性参数。

通过上述模块，能够更加精确地确定出加权权重，该异常权重的设置机理在于有效根据异常内容出现次数来调整频率差异和速度差异的权重，以计算速度差值和频率差值的加权求和平均值，得到该水表的工作稳定性参数，以便于后续借助神经网络算法预测出水表的工作状态和寿命信息，从而能够根据这些信息实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，预测模块102根据该水表的工作稳定性参数，以及该水表的历史协议配置信息对应的神经网络算法模型，预测该水表的工作状态的具体方式，包括：

对每一候选神经网络模型，获取该候选神经网络模型对应的多个训练数据的协议配置信息；候选神经网络模型通过包括有多个训练工作稳定参数和对应的协议配置信息和对应的工作状态标注的训练数据集训练得到；

根据多个训练数据的协议配置信息，生成该候选神经网络模型对应的协议特征向量；

计算该水表的历史协议配置信息与协议特征向量的向量距离，得到该候选神经网络模型对应的相似度参数；

从多个候选神经网络模型中确定出相似度参数最高的候选神经网络模型，确定为目标神经网络模型；

将该水表的工作稳定性参数和历史协议配置信息，输入至目标神经网络模型，以得到输出的预测的该水表的工作状态。

可选的，可以根据向量特征计算算法或是向量特征提取神经网络来根据多个训练数据的协议配置信息生成候选神经网络模型对应的协议特征向量，以及在计算向量距离前，也应该用同一类型的算法或神经网络来根据水表的历史协议配置信息生成对应的特征向量以用于计算向量距离。

通过上述模块，能够从多个候选神经网络模型中确定出相似度参数最高的候选神经网络模型，确定为目标神经网络模型，以便于后续借助这一神经网络模型更加精准地预测出水表的工作状态，从而能够根据这些信息实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，根据该水表的工作状态，和该水表的安装信息对应的神经网络算法模型，预测该水表的寿命信息，包括：

将该水表的工作状态，输入至该水表的安装信息对应的神经网络算法模型，以得到输出的预测的该水表的寿命信息；安装信息对应的神经网络算法模型通过包括有多个同样符合安装信息的水表的训练工作状态数据和对应的寿命标注的训练数据集训练得到。

通过上述模块，能够将该水表的工作状态，输入至该水表的安装信息对应的神经网络算法模型，以得到输出的预测的该水表的寿命信息，从而能够根据这些信息实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，筛选模块103具体用于执行以下步骤：

根据每一水表的安装位置和协议配置信息，对多个水表进行分组，得到多个水表组；每一水表组中包括有多个安装位置之间的距离小于距离阈值和协议配置信息之间的协议关联性符合强关联规则的水表；强关联规则用于限定至少两个水表的物联网协议之间存在直接通信可能性；

对于每一水表，计算该水表的工作状态和寿命信息的加权求和平均值，得到该水表对应的可用性参数；其中，寿命信息的权重大于工作状态的权重；

对于每一水表组，计算该水表组中的所有水表的可用性参数的平均值，得到该水表组对应的组可用性权重；

对于每一水表，计算该水表所属的所有水表组的组可用性权重的权重平均值，以及权重平均值与可用性参数的乘积，得到该水表对应的加权可用性参数；

将多个水表中加权可用性参数低于预设的参数阈值的水表确定为待更换水表，以筛选出多个待更换水表。

通过上述模块，能够计算水表的加权可用性参数，将多个水表中加权可用性参数低于预设的参数阈值的水表确定为待更换水表，以有效地筛选出多个待更换水表，从而能够根据这些信息实现更加智能的表务管理，提高表务管理的效率和效果。

在一个可选的实施例中，提示模块104具体用于执行以下步骤：

将准备更换的任一待更换水表，确定为目标更换水表；

从历史水表更换数据库中，确定目标更换水表的水表类型对应的水表更换历史记录；

统计水表更换历史记录中所有变换协议配置信息的更换记录对应的下一次更换时间与当前更换时间之间的时间差的平均值，得到更换稳定性参数；

判断更换稳定性参数是否小于预设的稳定性阈值，若否，则将目标更换水表对应的历史协议配置信息确定为新安装水表对应的协议配置信息；若是，则将目标更换水表对应的新安装水表对应的所有可选协议配置信息中与历史协议配置信息不同的协议配置信息确定为新安装水表对应的协议配置信息；

根据目标更换水表对应的历史协议配置信息和寿命信息，以及新安装水表对应的协议配置信息，预测新安装水表对应的寿命预测信息。

在一个可选的实施例中，预测模块102根据目标更换水表对应的历史协议配置信息和寿命信息，以及新安装水表对应的协议配置信息，预测新安装水表对应的寿命预测信息的具体方式，包括：

确定目标更换水表对应的新安装水表的安装信息；

计算目标更换水表的历史协议配置信息和新安装水表的协议配置信息之间的第一差异度；

计算目标更换水表的安装信息和新安装水表的安装信息之间的第二差异度；

将第一差异度和第二差异度的加权平均值输入至训练好的寿命预测神经网络模型中，以得到输出的寿命差异预测值；寿命预测神经网络模型通过包括有多个训练差异度信息和对应的寿命差异值标注的训练数据集训练得到；

计算目标更换水表的寿命信息和寿命差异预测值的和，确定为新安装水表的寿命预测信息。

通过上述模块，能够预测待更换水表对应的新安装水表对应的协议配置信息和寿命预测信息以向用户进行提示，从而能够使得换表用户或工作人员有效预知换表操作的可能结果，以便于其在换表时进行决策或对换表操作进行更好地调整。

上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后应说明的是：本发明实施例公开的一种基于多协议协同的智慧表务管理系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种基于多协议协同的智慧表务管理系统，其特征在于，所述系统包括：

获取模块，用于获取目标监测区域的多个水表的历史协议配置信息、数据传输信息和安装信息；

预测模块，用于根据每一所述水表的历史协议配置信息、数据传输信息和安装信息，预测每一所述水表的工作状态和寿命信息；

筛选模块，用于根据每一所述水表的工作状态和寿命信息，从所述多个水表中筛选出多个待更换水表；

提示模块，用于在任一所述待更换水表被更换时，根据该待更换水表对应的历史协议配置信息和寿命信息，预测该待更换水表对应的新安装水表对应的协议配置信息和寿命预测信息，以向用户进行提示。

2.根据权利要求1所述的基于多协议协同的智慧表务管理系统，其特征在于，所述安装信息包括安装位置、结构安装方式、通电安装方式和通信安装方式中的至少一种；和/或，所述协议配置信息包括协议类型、协议配置时间、协议安装方式中的至少一种；所述协议类型包括MQTT协议、CoAP协议、AMQP协议、XMPP协议、HTTP协议、DDS协议、ZigBee协议、LoRaWAN协议、NB-IoT协议中的至少一种。

3.根据权利要求1所述的基于多协议协同的智慧表务管理系统，其特征在于，所述预测模块具体用于执行以下步骤：

对于每一所述水表，根据该水表的数据传输信息，计算该水表的工作稳定性参数；

根据该水表的所述工作稳定性参数，以及该水表的所述历史协议配置信息对应的神经网络算法模型，预测该水表的工作状态；

根据该水表的所述工作状态，和该水表的所述安装信息对应的神经网络算法模型，预测该水表的寿命信息。

4.根据权利要求3所述的基于多协议协同的智慧表务管理系统，其特征在于，所述数据传输信息中包括该水表在历史时间段内的数据传输次数和数据传输量；所述预测模块根据该水表的数据传输信息，计算该水表的工作稳定性参数的具体方式，包括：

根据该水表所设置的物联网协议的协议类型所对应的协议水表传输数据库，计算该水表对应的数据传输频率参考值和数据传输速度参考值；

根据该水表在历史时间段内的数据传输次数，计算该水表的数据传输频率，并计算所述数据传输频率与所述数据传输频率参考值之间的频率差值；

根据该水表在历史时间段内的数据传输量，计算该水表的数据传输速度，并计算所述数据传输速度与所述数据传输速度参考值之间的速度差值；

计算所述速度差值和所述频率差值的加权求和平均值，得到该水表的工作稳定性参数。

5.根据权利要求4所述的基于多协议协同的智慧表务管理系统，其特征在于，所述数据传输信息中还包括该水表在历史时间段内的数据传输内容；所述预测模块计算所述速度差值和所述频率差值的加权求和平均值，得到该水表的工作稳定性参数的具体方式，包括：

根据该水表在历史时间段内的数据传输内容，以及该水表的所述协议类型对应的数据传输关键字规则，识别该水表的所述数据传输内容中的异常内容出现次数，并确定该水表对应的第一异常权重和第二异常权重；所述第一异常权重与所述异常内容出现次数成反比；所述第二异常权重与所述异常内容出现次数成正比；所述第一异常权重小于所述第二异常权重，且两者的差值与所述异常内容出现次数成正比；

计算所述频率差值和所述第一异常权重的第一乘积；

计算所述速度差值和所述第二异常权重的第二乘积；

计算所述第一乘积和所述第二乘积的平均值，得到该水表的工作稳定性参数。

6.根据权利要求3所述的基于多协议协同的智慧表务管理系统，其特征在于，所述预测模块根据该水表的所述工作稳定性参数，以及该水表的所述历史协议配置信息对应的神经网络算法模型，预测该水表的工作状态的具体方式，包括：

对每一候选神经网络模型，获取该候选神经网络模型对应的多个训练数据的协议配置信息；所述候选神经网络模型通过包括有多个训练工作稳定参数和对应的协议配置信息和对应的工作状态标注的训练数据集训练得到；

根据所述多个训练数据的协议配置信息，生成该候选神经网络模型对应的协议特征向量；

计算该水表的所述历史协议配置信息与所述协议特征向量的向量距离，得到该候选神经网络模型对应的相似度参数；

从多个所述候选神经网络模型中确定出所述相似度参数最高的候选神经网络模型，确定为目标神经网络模型；

将该水表的所述工作稳定性参数和所述历史协议配置信息，输入至所述目标神经网络模型，以得到输出的预测的该水表的工作状态。

7.根据权利要求3所述的基于多协议协同的智慧表务管理系统，其特征在于，所述根据该水表的所述工作状态，和该水表的所述安装信息对应的神经网络算法模型，预测该水表的寿命信息，包括：

将该水表的所述工作状态，输入至该水表的所述安装信息对应的神经网络算法模型，以得到输出的预测的该水表的寿命信息；所述安装信息对应的神经网络算法模型通过包括有多个同样符合所述安装信息的水表的训练工作状态数据和对应的寿命标注的训练数据集训练得到。

8.根据权利要求1所述的基于多协议协同的智慧表务管理系统，其特征在于，所述筛选模块具体用于执行以下步骤：

根据每一所述水表的安装位置和协议配置信息，对所述多个水表进行分组，得到多个水表组；每一所述水表组中包括有多个安装位置之间的距离小于距离阈值和协议配置信息之间的协议关联性符合强关联规则的水表；所述强关联规则用于限定至少两个水表的物联网协议之间存在直接通信可能性；

对于每一所述水表，计算该水表的所述工作状态和所述寿命信息的加权求和平均值，得到该水表对应的可用性参数；其中，所述寿命信息的权重大于所述工作状态的权重；

对于每一所述水表组，计算该水表组中的所有水表的所述可用性参数的平均值，得到该水表组对应的组可用性权重；

对于每一所述水表，计算该水表所属的所有所述水表组的所述组可用性权重的权重平均值，以及所述权重平均值与所述可用性参数的乘积，得到该水表对应的加权可用性参数；

将所述多个水表中所述加权可用性参数低于预设的参数阈值的水表确定为待更换水表，以筛选出多个待更换水表。

9.根据权利要求1所述的基于多协议协同的智慧表务管理系统，其特征在于，所述提示模块具体用于执行以下步骤：

将准备更换的任一所述待更换水表，确定为目标更换水表；

从历史水表更换数据库中，确定所述目标更换水表的水表类型对应的水表更换历史记录；

统计所述水表更换历史记录中所有变换协议配置信息的更换记录对应的下一次更换时间与当前更换时间之间的时间差的平均值，得到更换稳定性参数；

判断所述更换稳定性参数是否小于预设的稳定性阈值，若否，则将所述目标更换水表对应的历史协议配置信息确定为所述新安装水表对应的协议配置信息；若是，则将所述目标更换水表对应的新安装水表对应的所有可选协议配置信息中与所述历史协议配置信息不同的协议配置信息确定为所述新安装水表对应的协议配置信息；

根据所述目标更换水表对应的历史协议配置信息和寿命信息，以及所述新安装水表对应的协议配置信息，预测所述新安装水表对应的寿命预测信息。

10.根据权利要求9所述的基于多协议协同的智慧表务管理系统，其特征在于，所述预测模块根据所述目标更换水表对应的历史协议配置信息和寿命信息，以及所述新安装水表对应的协议配置信息，预测所述新安装水表对应的寿命预测信息的具体方式，包括：

确定所述目标更换水表对应的新安装水表的安装信息；

计算所述目标更换水表的历史协议配置信息和所述新安装水表的协议配置信息之间的第一差异度；

计算所述目标更换水表的安装信息和所述新安装水表的安装信息之间的第二差异度；

将所述第一差异度和所述第二差异度的加权平均值输入至训练好的寿命预测神经网络模型中，以得到输出的寿命差异预测值；所述寿命预测神经网络模型通过包括有多个训练差异度信息和对应的寿命差异值标注的训练数据集训练得到；

计算所述目标更换水表的寿命信息和所述寿命差异预测值的和，确定为所述新安装水表的寿命预测信息。