CN117114206A - 一种煤矿水害指标数据趋势的计算方法 - Google Patents
一种煤矿水害指标数据趋势的计算方法 Download PDFInfo
- Publication number
- CN117114206A CN117114206A CN202311368706.9A CN202311368706A CN117114206A CN 117114206 A CN117114206 A CN 117114206A CN 202311368706 A CN202311368706 A CN 202311368706A CN 117114206 A CN117114206 A CN 117114206A
- Authority
- CN
- China
- Prior art keywords
- coal mine
- water damage
- index data
- damage index
- mine water
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 345
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 344
- 238000004364 calculation method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 145
- 230000000007 visual effect Effects 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000013097 stability assessment Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种煤矿水害指标数据趋势的计算方法，包括：采集全面的煤矿水害指标数据，并对煤矿水害指标数据进行预处理后进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数；基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型；基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，且将可视化展示结果反馈至管理终端。保障了水文趋势预测的准确性，也便于管理终端根据预测结果及时采取相应的措施。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种煤矿水害指标数据趋势的计算方法。
背景技术
目前，水文趋势分析作为矿区水资源管理的重要手段，旨在监测和预测地下水位、水质、渗流等变化趋势，以保障煤矿的运营安全和环境保护；
随着现代技术的不断发展，数据采集、分析和决策支持等方面得到了显著的提升，然而，现有的水文趋势分析方法仍存在以下问题；
1、依赖大量历史数据：通常需要大量历史数据来训练预测模型，这可能导致在短期内难以获得准确的预测结果，尤其是对于新的或变化剧烈的情况；
2、复杂模型和计算需求：使用复杂的机器学习模型可能需要大量计算资源，而这些资源在煤矿环境中可能不易获得，此外，这些复杂模型需要专业人员进行配置和维护，限制了实际应用的范围；
3、数据噪声和缺失：实际的传感器数据可能受到噪声和缺失的影响，这会影响模型的准确性和可靠性，尤其是对于需要稳定数据的趋势分析而言；
4、忽略非线性因素：现有方法可能过度关注线性趋势，而忽略了可能存在的非线性因素，导致对于复杂水文系统的预测不够准确；
因此，为了克服上述缺陷，本发明提供了一种煤矿水害指标数据趋势的计算方法。
发明内容
本发明提供一种煤矿水害指标数据趋势的计算方法，用以通过不同方式采集煤矿水害指标数据，保障了得到的数据的全面可靠性，其次，对得到的煤矿水害指标数据进行分析，实现对煤矿指标数据的数据特征以及数据之间的相关性进行确定，从而确保了得到的训练样本的准确可靠，为进行目标预测模型的构建提供了有效的数据支撑，最后，通过得到的训练样本对目标候选模型进行迭代训练，实现对目标预测模型进行准确的构建，且通过构建的目标预测模型对当前实时的煤矿水害指标数据进行分析，实现对煤矿水害指标数据在预设时间段后的水文趋势进行准确有效的预测，保障了水文趋势预测的准确性，也便于管理终端根据预测结果及时采取相应的措施，以保障煤矿的运营安全和环境保护。
本发明提供了一种煤矿水害指标数据趋势的计算方法，包括：
步骤1：基于预设互补方式采集全面的煤矿水害指标数据，并对煤矿水害指标数据进行预处理，得到标准煤矿水害指标数据，且对标准煤矿水害指标数据进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数；
步骤2：基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型；
步骤3：基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，且将可视化展示结果反馈至管理终端。
优选的，一种煤矿水害指标数据趋势的计算方法，步骤1中，基于预设互补方式采集全面的煤矿水害指标数据，包括：
获取预设监测区域内设置的目标传感器的数量以及属性信息，并对属性信息进行解析，确定不同目标传感器对应的设备类型，且基于设备类型以及目标传感器的数量在数据获取终端为每一目标传感器分配对应的通讯端口；
基于通讯端口构建目标传感器与数据获取终端之间的分布式通讯链路，并基于分布式通讯链路实时接收不同目标传感器采集到的第一煤矿水害指标数据，且对第一煤矿水害指标数据进行解析，得到不同第一煤矿水害指标数据的数据来源；
基于数据来源确定对应目标传感器的身份标签，并将身份标签与预设位置索引表进行匹配，且基于匹配结果确定目标传感器在预设监测区域的目标位置；
基于目标位置确定对预设监测区域的监测范围，并当监测范围未对预设监测区域安全覆盖时，基于数据获取终端控制遥感设备对未采集区域进行实时数据采集，得到第二煤矿水害指标数据，且将采集到的第二煤矿水害指标数据与第一煤矿水害指标数据进行汇总，得到最终的煤矿水害指标数据。
优选的，一种煤矿水害指标数据趋势的计算方法，得到最终的煤矿水害指标数据，包括：
获取得到的最终的煤矿水害指标数据，并基于煤矿水害指标数据的数据结构特征确定煤矿水害指标数据的数据类型集合；
将数据类型集合与预设采集数据类型指标进行匹配，并基于匹配结果确定采集到的煤矿水害指标数据的数据类型集合的全面程度，且当数据类型集合中的数据类型不全面时，基于匹配结果确定缺失数据类型；
基于缺失数据类型生成数据获取请求，并基于数据获取请求对数据共享平台进行访问，且在数据共享平台反馈允许通知后，对数据共享平台中共享的煤矿水害指标数据进行遍历；
基于遍历结果得到与缺失数据类型一致的目标共享煤矿水害指标数据，并对目标共享煤矿水害指标数据进行调取，得到全面的煤矿水害指标数据。
优选的，一种煤矿水害指标数据趋势的计算方法，煤矿水害指标数据包括：降雨量、水温、径流量以及水位。
优选的，一种煤矿水害指标数据趋势的计算方法，步骤1中，对煤矿水害指标数据进行预处理，得到标准煤矿水害指标数据，包括：
获取得到的煤矿水害指标数据，并对煤矿水害指标数据进行离散化处理，得到煤矿水害指标数据序列，且提取煤矿水害指标数据序列中各单体煤矿水害指标数据对应的目标时刻；
基于目标时刻将煤矿水害指标数据序列映射至预设二维坐标系，并基于映射结果得到煤矿水害指标数据的取值变化趋势，且基于取值变化趋势锁定煤矿水害指标数据序列中的孤立数据，同时，基于预设数据清洗规则对孤立数据进行清洗；
基于清洗结果根据目标时刻确定煤矿水害指标数据序列的连续性，并当存在目标时刻缺失时，判定煤矿水害指标数据序列中存在数据缺失，且基于缺失时刻提取相邻目标时刻的煤矿水害指标数据序列的目标取值；
基于相邻目标时刻的煤矿水害指标数据序列的目标取值确定当前数据片段的目标取值趋势，并基于目标取值趋势确定当前数据片段的目标均值，且基于目标均值对缺失时刻进行赋值，得到修复煤矿水害指标数据，同时，获取预设格式要求，并基于预设格式要求对修复煤矿水害指标数据进行格式归一化处理，得到标准煤矿水害指标数据。
优选的，一种煤矿水害指标数据趋势的计算方法，步骤1中，对标准煤矿水害指标数据进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数，包括：
获取对标准煤矿水害指标数据的分析要求，并对分析要求进行解析，确定对标准煤矿水害指标数据的分析维度，且基于每一分析维度的维度特征确定每一分析维度下的数据分析指标；
对得到的标准煤矿水害指标数据进行聚类处理，得到子标准煤矿水害指标数据集合，并基于每一分析维度下的数据分析指标分别对各子标准煤矿水害指标数据进行分析，得到各子标准煤矿水害指标数据集合对应的第一训练参数；
提取各子标准煤矿水害指标数据集合的属性信息，并对属性信息进行解析，确定每一子标准煤矿水害指标数据集合对应的气象因素以及气象因素的气象特征，同时，基于气象特征确定相邻时刻气象因素的相互作用关系，并基于相互作用关系确定不同气象因素之间的第一相关性；
基于第一训练参数以及气象特征确定气象因素与子标准煤矿水害指标数据集合之间的第二相关性，并将第一相关性和第二相关性进行综合，得到第二训练参数。
优选的，一种煤矿水害指标数据趋势的计算方法，步骤2中，基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型，包括：
获取得到的第一训练参数和第二训练参数，并将第一训练参数和第二训练参数进行综合，得到训练样本，同时，获取预设模型构建要求，并对预设模型构建要求进行解析，得到预期计算量；
基于预期计算量从模型框架库中选取目标候选模型集合，并基于训练样本对目标候选模型集合中各目标候选模型进行预设次数的迭代训练，其中，目标候选模型集合中包含的目标候选模型至少为一个；
获取每一次迭代训练后的各目标候选模型与预设模型构建要求的拟合度，并基于拟合度确定每一次迭代训练对应的模型训练权重，且将模型训练权重最大值对应的迭代训练结果确定为最终的待选取模型；
基于服务器获取历史检验数据，并基于历史检验数据对各待选取模型进行检验，得到各待选取模型对历史检验数据的第一趋势预测结果，且将第一趋势预测结果与历史检验数据对应的基准趋势结果进行匹配，得到各待选取模型的第一稳定评估参数；
提取各待选取模型的模型配置参数，并基于单次参数调整阈值对模型配置参数进行调整，且基于调整结果对历史检验数据进行分析，得到各待选取模型对历史检验数据的第二趋势预测结果；
将第一趋势预测结果和第二趋势预测结果进行差异比较，得到目标差异程度值，并基于目标差异程度值得到各待选取模型的第二稳定评估参数；
分别确定第一稳定评估参数和第二稳定评估参数对稳定性的影响权重，并基于影响权重对第一稳定评估参数和第二稳定评估参数进行加权平均，得到各待选取模型的稳定性；
基于取值递减顺序将各待选取模型的稳定性进行排序，并基于排序结果将稳定性最大值对应的待选取模型选定为目标预测模型。
优选的，一种煤矿水害指标数据趋势的计算方法，基于排序结果将稳定性最大值对应的待选取模型选定为目标预测模型，包括：
获取得到的目标预测模型，并提取目标预测模型的模型结构参数，且基于模型结构参数确定目标预测模型的模型结构属性；
基于模型结构属性确定目标预测模型中每一层的模型结构特征，并基于每一层的模型结构特征生成模型部署文件；
将模型部署文件传输至预设平台，并控制预设平台基于模型部署文件对目标预测模型进行部署，且基于部署结果在预设平台中对目标预测模型分配目标通讯端口；
基于通讯端口将预设平台上的目标预测模型与数据采集终端进行对接。
优选的，一种煤矿水害指标数据趋势的计算方法，步骤3中，基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，包括：
获取当前采集的实时的煤矿水害指标数据，并将实时的煤矿水害指标数据进行分类，得到子煤矿水害指标数据，且将子煤矿水害指标数据依次输入目标预测模型进行分析，得到各子煤矿水害指标数据在预设时间段后的目标取值；
基于各子煤矿水害指标数据在预设时间段后的目标取值得到对应的取值变化率，并基于取值变化率得到各子煤矿水害指标数据在预设时间段后的水文趋势；
提取各子煤矿水害指标数据的业务特征，并基于业务特征从预设图表库中匹配对应的目标可视化图表模板，且将各子煤矿水害指标数据在预设时间段后的水文趋势填充至对应的目标可视化图表模板，得到不同子煤矿水害指标数据在预设时间段后的水文趋势的可视化图表，其中，目标可视化图表模板包括趋势图以及散点图；
获取煤矿正常状态下对应的基准水文趋势指标值，并基于基准水文趋势指标值生成基准趋势曲线；
将基准趋势曲线与水文趋势的可视化图表进行重叠，并基于重叠结果将每一时刻下不同子煤矿水害指标数据在预设时间段后的水文趋势与基准趋势曲线进行差值比较，得到每一时刻下不同子煤矿水害指标数据在预设时间段后的水文趋势与基准趋势曲线的幅值差；
基于幅值差得到不同子煤矿水害指标数据在预设时间段后的水文趋势相对基准趋势曲线的波动类型以及波动程度，并将波动类型以及波动程度在水文趋势的可视化图表中进行标记，且基于标记结果得到水文趋势的目标可视化图表；
基于时间属性将同一时刻的目标可视化图表进行关联绑定，并基于关联绑定结果完成对水文趋势的可视化展示。
优选的，一种煤矿水害指标数据趋势的计算方法，步骤3中，将可视化展示结果反馈至管理终端，包括：
基于监测要求确定对可视化图表的管理终端集合，并分别确定管理终端集合中不同管理终端对应的通讯地址；
基于通讯地址构建分布式传输链路，并将得到水文趋势的可视化图表缓存至分布式传输链路中各传输链路的传输队列；
基于传输队列将得到水文趋势的可视化图表同步传输至对应的管理终端，完成对可视化展示结果的反馈。
与现有技术相比，本发明的有益效果如下：
1.通过不同方式采集煤矿水害指标数据，保障了得到的数据的全面可靠性，其次，对得到的煤矿水害指标数据进行分析，实现对煤矿指标数据的数据特征以及数据之间的相关性进行确定，从而确保了得到的训练样本的准确可靠，为进行目标预测模型的构建提供了有效的数据支撑，最后，通过得到的训练样本对目标候选模型进行迭代训练，实现对目标预测模型进行准确的构建，且通过构建的目标预测模型对当前实时的煤矿水害指标数据进行分析，实现对煤矿水害指标数据在预设时间段后的水文趋势进行准确有效的预测，保障了水文趋势预测的准确性，也便于管理终端根据预测结果及时采取相应的措施，以保障煤矿的运营安全和环境保护。
2.通过对将第一训练参数和第二训练参数进行综合，实现对训练样本进行准确有效的获取，其次，通过根据预设模型构建要求从模型框架库中选取目标候选模型集合，且通过训练样本对目标候选模型集合中各目标候选模型进行迭代训练，实现对训练效果最好的候选模型进行锁定，最后，通过调取历史检验数据对确定待选取模型进行稳定性测试，实现第待选取模型中稳定性效果最好的模型进行锁定，从而实现对目标预测模型进行准确有效的构建，保障了最终得到的目标预测模型的准确可靠性，也确保对水文趋势预测的准确性，便于管理终端根据预测结果及时采取相应的措施，以保障煤矿的运营安全和环境保护。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种煤矿水害指标数据趋势的计算方法的流程图；
图2为本发明实施例中一种煤矿水害指标数据趋势的计算方法中步骤1的流程图；
图3为本发明实施例中一种煤矿水害指标数据趋势的计算方法中步骤2的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
本实施例提供了一种煤矿水害指标数据趋势的计算方法，如图1所示，包括：
步骤1：基于预设互补方式采集全面的煤矿水害指标数据，并对煤矿水害指标数据进行预处理，得到标准煤矿水害指标数据，且对标准煤矿水害指标数据进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数；
步骤2：基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型；
步骤3：基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，且将可视化展示结果反馈至管理终端。
该实施例中，煤矿水害指标数据包括：降雨量、水温、径流量以及水位。
该实施例中，预设互补方式是提前设定好的，包括自动监测、遥感技术以及数据共享，确保监测到的煤矿水害指标数据的全面性。
该实施例中，预处理指的是对得到煤矿水害指标数据进行清洗、数据质量控制、数据插补以及数据格式转换等，其中，标准煤矿水害指标数据即为对采集到的煤矿水害指标数据进行预处理后得到的数据，即对其中的错误数据进行清洗后以及缺失数据进行插补后得到的最终的数据。
该实施例中，第一训练参数指的是标准煤矿水害指标数据的数据特征，包括标准煤矿水害指标数据的取值范围以及标准煤矿水害指标数据的数据类型等。
该实施例中，第二训练参数指的是标准煤矿水害指标数据随气象数据的变化规律以及不同类型的标准煤矿水害指标数据之间的相关性。
该实施例中，训练样本指的是将第一训练参数和第二训练参数进行综合后得到的能够进行模型训练的所有参数。
该实施例中，目标候选模型是提前设定好的，是用于训练目标预测模型的框架，且至少为一个。
该实施例中，迭代训练指的是对目标候选模型进行多次数的训练，目的是选定最终适用于水文趋势预测的模型。
该实施例中，基于迭代训练后的各目标候选模型的稳定性选定目标预测模型指的是根据迭代训练结果选定模型预测稳定性最大值的目标候选模型框架的训练结果为最终的目标预测模型，其中，目标预测模型即为最终得到的能够进行水文趋势预测的模型。
该实施例中，预设时间段是提前设定好的，例如可以是一天或一周等。
该实施例中，水文趋势指的是地下水位、水质、渗流等变化趋势，从而便于综合分析煤矿当前所处的运行状态。
该实施例中，可视化展示指的是将得到的水文趋势采用图表的形式进行展示。
上述技术方案的有益效果是：通过不同方式采集煤矿水害指标数据，保障了得到的数据的全面可靠性，其次，对得到的煤矿水害指标数据进行分析，实现对煤矿指标数据的数据特征以及数据之间的相关性进行确定，从而确保了得到的训练样本的准确可靠，为进行目标预测模型的构建提供了有效的数据支撑，最后，通过得到的训练样本对目标候选模型进行迭代训练，实现对目标预测模型进行准确的构建，且通过构建的目标预测模型对当前实时的煤矿水害指标数据进行分析，实现对煤矿水害指标数据在预设时间段后的水文趋势进行准确有效的预测，保障了水文趋势预测的准确性，也便于管理终端根据预测结果及时采取相应的措施，以保障煤矿的运营安全和环境保护。
实施例2
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，如图2所示，步骤1中，基于预设互补方式采集全面的煤矿水害指标数据，包括：
步骤101：获取预设监测区域内设置的目标传感器的数量以及属性信息，并对属性信息进行解析，确定不同目标传感器对应的设备类型，且基于设备类型以及目标传感器的数量在数据获取终端为每一目标传感器分配对应的通讯端口；
步骤102：基于通讯端口构建目标传感器与数据获取终端之间的分布式通讯链路，并基于分布式通讯链路实时接收不同目标传感器采集到的第一煤矿水害指标数据，且对第一煤矿水害指标数据进行解析，得到不同第一煤矿水害指标数据的数据来源；
步骤103：基于数据来源确定对应目标传感器的身份标签，并将身份标签与预设位置索引表进行匹配，且基于匹配结果确定目标传感器在预设监测区域的目标位置；
步骤104：基于目标位置确定对预设监测区域的监测范围，并当监测范围未对预设监测区域安全覆盖时，基于数据获取终端控制遥感设备对未采集区域进行实时数据采集，得到第二煤矿水害指标数据，且将采集到的第二煤矿水害指标数据与第一煤矿水害指标数据进行汇总，得到最终的煤矿水害指标数据。
该实施例中，预设监测区域是在煤矿区内设定好的，是整体煤矿区中的一部分，且预设监测区域不唯一。
该实施例中，属性信息指的是预设个监测区域内目标传感器的设备类型，即确定目标传感器采集的数据类型。
该实施例中，通讯端口指的是在数据获取终端为每一目标传感器分配对应的数据交互端口，从而便于将目标传感器采集到的数据传输至数据获取终端。
该实施例中，第一煤矿水害指标数据指的是不同预设监测区域内目标传感器采集到的数据，即设备自动监测到的煤矿水害指标数据。
该实施例中，身份标签是用于区分不同目标传感器的标记符号，每一目标传感器对应一种身份标签。
该实施例中，预设位置索引表是提前设定好的，用于记录不同目标传感器在不同预设监测区域中的安装位置，其中，目标位置即为不同目标传感器的具体安装位置。
该实施例中，遥感设备是提前设定好的，是由数据获取终端进行控制的，目的是对未监测到的区域的煤矿指标数据进行监测，其中，第二煤矿水害指标数据即为通过遥感设备监测到的煤矿水害指标数据。
上述技术方案的有益效果是：通过在不同预设监测区域内的目标传感器进行煤矿水害指标数据的采集，并对采集到的煤矿水害指标数据针对的监测范围进行分析，实现在未对预设监测区域安全覆盖时采用遥感设备对未监测到的区域进行数据采集，保障了采集到的煤矿水害指标的全面性以及可靠性，为构建目标预测模型提供了便利与保障，也确保了最终预测到的水文趋势的准确可靠性。
实施例3
在实施例2的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，得到最终的煤矿水害指标数据，包括：
获取得到的最终的煤矿水害指标数据，并基于煤矿水害指标数据的数据结构特征确定煤矿水害指标数据的数据类型集合；
将数据类型集合与预设采集数据类型指标进行匹配，并基于匹配结果确定采集到的煤矿水害指标数据的数据类型集合的全面程度，且当数据类型集合中的数据类型不全面时，基于匹配结果确定缺失数据类型；
基于缺失数据类型生成数据获取请求，并基于数据获取请求对数据共享平台进行访问，且在数据共享平台反馈允许通知后，对数据共享平台中共享的煤矿水害指标数据进行遍历；
基于遍历结果得到与缺失数据类型一致的目标共享煤矿水害指标数据，并对目标共享煤矿水害指标数据进行调取，得到全面的煤矿水害指标数据。
该实施例中，数据结构特征指的是采集到的煤矿水害指标数据的结构特点，即数据的构成成分。
该实施例中，预设采集数据类型指标是提前设定好的，用于表征需要采集的煤矿水害指标数据的所有类型。
该实施例中，全面程度指的是煤矿水害指标数据的数据类型集合与预设采集数据类型指标的重合程度，重合程度越大即全面程度越大。
该实施例中，目标共享煤矿水害指标数据指的是采集到的煤矿水害指标数据中缺失数据类型对应的数据，即从数据共享平台中获取到的共享数据。
上述技术方案的有益效果是：通过对采集到的煤矿水害指标数据的类型进行分析，实现在煤矿水害指标数据存在缺失数据类型时，从数据共享平台中对缺失数据类型对应的目标共享煤矿水害指标数据进行准确有效的调取，保障了得到的煤矿水害指标数据的全面性，为进行目标预测模型的训练和构建提供了便利。
实施例4
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，煤矿水害指标数据包括：降雨量、水温、径流量以及水位。
实施例5
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，步骤1中，对煤矿水害指标数据进行预处理，得到标准煤矿水害指标数据，包括：
获取得到的煤矿水害指标数据，并对煤矿水害指标数据进行离散化处理，得到煤矿水害指标数据序列，且提取煤矿水害指标数据序列中各单体煤矿水害指标数据对应的目标时刻；
基于目标时刻将煤矿水害指标数据序列映射至预设二维坐标系，并基于映射结果得到煤矿水害指标数据的取值变化趋势，且基于取值变化趋势锁定煤矿水害指标数据序列中的孤立数据，同时，基于预设数据清洗规则对孤立数据进行清洗；
基于清洗结果根据目标时刻确定煤矿水害指标数据序列的连续性，并当存在目标时刻缺失时，判定煤矿水害指标数据序列中存在数据缺失，且基于缺失时刻提取相邻目标时刻的煤矿水害指标数据序列的目标取值；
基于相邻目标时刻的煤矿水害指标数据序列的目标取值确定当前数据片段的目标取值趋势，并基于目标取值趋势确定当前数据片段的目标均值，且基于目标均值对缺失时刻进行赋值，得到修复煤矿水害指标数据，同时，获取预设格式要求，并基于预设格式要求对修复煤矿水害指标数据进行格式归一化处理，得到标准煤矿水害指标数据。
该实施例中，离散化处理指的是将得到的煤矿水害指标数据拆分为多个独立的数据个体，即拆分为煤矿水害指标数据序列，不同时间点下对应相应独立的数据个体。
该实施例中，目标时刻指的是煤矿水害指标数据序列中不同单体煤矿水害指标数据对应的具体时间信息，其中，单体煤矿水害指标数据即为煤矿水害指标数据序列中的一个数据。
该实施例中，预设二维坐标系是提前设定好的。
该实施例中，孤立数据指的是煤矿水害指标数据序列中数据取值脱离取值变化趋势过大的煤矿水害指标数据，其中衡量脱离取值变化趋势的范围是通过预设衡量阈值进行限定的。
该实施例中，预设数据清洗规则是提前设定好的，用于对孤立数据进行清洗。
该实施例中，根据目标时刻确定煤矿水害指标数据序列的连续性指的是当每一目标时刻均有对应的煤矿水害指标数据时，即判定煤矿水害指标数据序列满足连续性。
该实施例中，缺失时刻指的是存在当前时刻无煤矿水害指标数据的具体时间信息。
该实施例中，预设格式要求是提前已知的，目的是将修复煤矿水害指标数据的数据格式转换为统一的格式，从而便于进行模型构建。
该实施例中，修复煤矿水害指标数据指的是对煤矿水害指标数据序列中缺失的数据进行插补后得到的数据。
上述技术方案的有益效果是：通过对得到的煤矿水害指标数据进行分析，实现对煤矿水害指标数据中的孤立数据进行准确有效的清洗，其次，对煤矿水害指标数据中的缺失数据进行插补，实现对煤矿水害指标数据进行准确可靠的预处理，为进行目标预测模型的训练和构建提供了便利与保障，也确保了对水文趋势预测的准确性。
实施例6
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，步骤1中，对标准煤矿水害指标数据进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数，包括：
获取对标准煤矿水害指标数据的分析要求，并对分析要求进行解析，确定对标准煤矿水害指标数据的分析维度，且基于每一分析维度的维度特征确定每一分析维度下的数据分析指标；
对得到的标准煤矿水害指标数据进行聚类处理，得到子标准煤矿水害指标数据集合，并基于每一分析维度下的数据分析指标分别对各子标准煤矿水害指标数据进行分析，得到各子标准煤矿水害指标数据集合对应的第一训练参数；
提取各子标准煤矿水害指标数据集合的属性信息，并对属性信息进行解析，确定每一子标准煤矿水害指标数据集合对应的气象因素以及气象因素的气象特征，同时，基于气象特征确定相邻时刻气象因素的相互作用关系，并基于相互作用关系确定不同气象因素之间的第一相关性；
基于第一训练参数以及气象特征确定气象因素与子标准煤矿水害指标数据集合之间的第二相关性，并将第一相关性和第二相关性进行综合，得到第二训练参数。
该实施例中，分析维度指的是对标准煤矿水害指标数据分析的方向和角度，从而便于对标准煤矿水害指标数据的训练参数进行确定。
该实施例中，维度特征指的是每一分析维度要实现的分析目的、分析精度以及分析的具体步骤等。
该实施例中，数据分析指标指的是每一分析维度下进行分析的具体参考依据，例如可以是衡量每一分析维度下数据的取值情况等。
该实施例中，子标准煤矿水害指标数据集合指的是对得到的标准煤矿水害指标数据进行聚类处理（分类）后得到的每一类别的煤矿水害指标数据。
该实施例中，各子标准煤矿水害指标数据集合的属性信息指的是各子标准煤矿水害指标数据集合的数据类型、包含的数据数量以及当前数据状态对应的气象因素和气象特征等。
该实施例中，气象特征指的是不同气象因素对应的具体气象情况，例如可以是下雨的程度等。
该实施例中，第一相关性指的是不同气象因素之间的关联关系，例如气温骤降以及刮风会产生降雨情况等。
该实施例中，第二相关性指的是气象因素与子标准煤矿水害指标数据之间的关联关系，从而便于确定标准煤矿水害指标数据的第二训练参数。
上述技术方案的有益效果是：通过确定对标准煤矿水害指标数据的分析要求，实现根据分析要求对标准煤矿水害指标数据进行分析，实现对标准煤矿水害指标数据的第一训练参数进行准确有效的确定，其次，通过确定每一子标准煤矿水害指标数据集合对应的气象因素以及气象因素的气象特征，实现对不同气象因素之间的第一相关性以及气象因素与子标准煤矿水害指标数据集合之间的第二相关性进行锁定，最后将第一相关性和第二相关性进行综合，实现对标准煤矿水害指标数据的第二训练参数进行准确有效的获取，为构建目标预测模型提供了可靠保障，实现对目标预测模型进行准确的构建。
实施例7
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，步骤2中，基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型，包括：
获取得到的第一训练参数和第二训练参数，并将第一训练参数和第二训练参数进行综合，得到训练样本，同时，获取预设模型构建要求，并对预设模型构建要求进行解析，得到预期计算量；
基于预期计算量从模型框架库中选取目标候选模型集合，并基于训练样本对目标候选模型集合中各目标候选模型进行预设次数的迭代训练，其中，目标候选模型集合中包含的目标候选模型至少为一个；
获取每一次迭代训练后的各目标候选模型与预设模型构建要求的拟合度，并基于拟合度确定每一次迭代训练对应的模型训练权重，且将模型训练权重最大值对应的迭代训练结果确定为最终的待选取模型；
基于服务器获取历史检验数据，并基于历史检验数据对各待选取模型进行检验，得到各待选取模型对历史检验数据的第一趋势预测结果，且将第一趋势预测结果与历史检验数据对应的基准趋势结果进行匹配，得到各待选取模型的第一稳定评估参数；
提取各待选取模型的模型配置参数，并基于单次参数调整阈值对模型配置参数进行调整，且基于调整结果对历史检验数据进行分析，得到各待选取模型对历史检验数据的第二趋势预测结果；
将第一趋势预测结果和第二趋势预测结果进行差异比较，得到目标差异程度值，并基于目标差异程度值得到各待选取模型的第二稳定评估参数；
分别确定第一稳定评估参数和第二稳定评估参数对稳定性的影响权重，并基于影响权重对第一稳定评估参数和第二稳定评估参数进行加权平均，得到各待选取模型的稳定性；
基于取值递减顺序将各待选取模型的稳定性进行排序，并基于排序结果将稳定性最大值对应的待选取模型选定为目标预测模型。
该实施例中，预设模型构建要求是提前设定好的，用于表征对目标预测模型构建的标准以及构建的具体步骤等。
该实施例中，预期计算量指的是在构建目标预测模型时的最大计算步骤，目的是确保构建的目标预测模型能够快速准确的对水文趋势进行预测。
该实施例中，目标候选模型集合指的是从模型框架库中选取的适合构建目标预测模型的所有候选模型。
该实施例中，预设次数是提前设定好的，用于表征对目标候选模型的训练次数。
该实施例中，拟合度指的是每一次迭代训练后的各目标候选模型与预设模型构建要求之间的相似程度，从而便于衡量当前训练结果是否满足预测要求。
该实施例中，模型训练权重是用于表征每一次迭代训练后目标目标候选模型满足预设模型构建要求的程度，取值越大越满足预设模型构建要求。
该实施例中，历史检验数据是提前已知的，且历史检验数据对应的水文趋势结果（即为基准趋势结果）也是已知的，用于对选定的待选取模型的预测性能进行校验。
该实施例中，第一趋势预测结果指的是待选取模型对历史检验数据进行分析后得到的预测结果。
该实施例中，第一稳定评估参数指的是将待选取模型对历史检验数据分析后的第一趋势预测结果与基准趋势结果进行匹配验证后得到的能够表征待选取模型对水文趋势预测准确性的程度参数。
该实施例中，模型配置参数指的是待选取模型在工作时的各模型结构参数以及执行运算操作时的运算参数。
该实施例中，单次参数调整阈值是提前设定好的，用于表征每次对待选取模型的模型配置参数调整的程度，目的是为了验证待选取模型的稳定性。
该实施例中，第二趋势预测结果指的是在对待选取模型的模型配置参数进行调整后对历史检验数据进行二次分析后得到的结果。
该实施例中，目标差异程度是用于表征第一趋势预测结果和第二趋势预测结果的差异情况，从而便于对待选取模型的稳定性进行确定。
该实施例中，第二稳定评估参数是根据目标差异程度值确定的，用于表征待选取模型在参数发生变化时对水文趋势预测的幅度变化情况。
该实施例中，影响权重是用于表征第一稳定评估参数和第二稳定评估参数对稳定性评估的影响程度。
上述技术方案的有益效果是：通过对将第一训练参数和第二训练参数进行综合，实现对训练样本进行准确有效的获取，其次，通过根据预设模型构建要求从模型框架库中选取目标候选模型集合，且通过训练样本对目标候选模型集合中各目标候选模型进行迭代训练，实现对训练效果最好的候选模型进行锁定，最后，通过调取历史检验数据对确定待选取模型进行稳定性测试，实现第待选取模型中稳定性效果最好的模型进行锁定，从而实现对目标预测模型进行准确有效的构建，保障了最终得到的目标预测模型的准确可靠性，也确保对水文趋势预测的准确性，便于管理终端根据预测结果及时采取相应的措施，以保障煤矿的运营安全和环境保护。
实施例8
在实施例7的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，基于排序结果将稳定性最大值对应的待选取模型选定为目标预测模型，包括：
获取得到的目标预测模型，并提取目标预测模型的模型结构参数，且基于模型结构参数确定目标预测模型的模型结构属性；
基于模型结构属性确定目标预测模型中每一层的模型结构特征，并基于每一层的模型结构特征生成模型部署文件；
将模型部署文件传输至预设平台，并控制预设平台基于模型部署文件对目标预测模型进行部署，且基于部署结果在预设平台中对目标预测模型分配目标通讯端口；
基于通讯端口将预设平台上的目标预测模型与数据采集终端进行对接。
该实施例中，模型结构参数指的是目标预测模型的结构成分以及每一结构在目标预测模型工作过程中所起的作用。
该实施例中，模型结构属性指的是目标预测模型的模型结构特征，从而便于将构建目标预测模型在平台中进行部署。
该实施例中，模型结构特征指的是目标预测模型中每一层的结构情况，目的是确保每一层在平台中的部署可靠性。
该实施例中，模型部署文件指的是根据模型结构特征确定的，用于向平台表征目标预测模型在部署时需要达到的要求，例如可以是部署环境要求以及参数适配要求等。
该实施例中，预设平台是提前设定好的，是目标预测模型的载体。
上述技术方案的有益效果是：通过确定目标预测模型的模型结构参数，实现根据模型结构参数对每一层模型结构特征进行准确有效的确定，其次，根据模型结构特征生成模型部署文件，实现根据模型部署文件将目标预测模型在预设平台中进行准确有效的部署，且在部署完成后对目标预测模型分配相应的通讯端口，最后，将目标预测模型与数据采集终端进行对接，便于将采集到的数据及时有效的传输至目标预测模型，从而提高了对煤矿水害指标数据分析的效率，也便于管理终端及时发现煤矿存在的异常现象，提高了影响响应效率。
实施例9
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，步骤3中，基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，包括：
获取当前采集的实时的煤矿水害指标数据，并将实时的煤矿水害指标数据进行分类，得到子煤矿水害指标数据，且将子煤矿水害指标数据依次输入目标预测模型进行分析，得到各子煤矿水害指标数据在预设时间段后的目标取值；
基于各子煤矿水害指标数据在预设时间段后的目标取值得到对应的取值变化率，并基于取值变化率得到各子煤矿水害指标数据在预设时间段后的水文趋势；
提取各子煤矿水害指标数据的业务特征，并基于业务特征从预设图表库中匹配对应的目标可视化图表模板，且将各子煤矿水害指标数据在预设时间段后的水文趋势填充至对应的目标可视化图表模板，得到不同子煤矿水害指标数据在预设时间段后的水文趋势的可视化图表，其中，目标可视化图表模板包括趋势图以及散点图；
获取煤矿正常状态下对应的基准水文趋势指标值，并基于基准水文趋势指标值生成基准趋势曲线；
将基准趋势曲线与水文趋势的可视化图表进行重叠，并基于重叠结果将每一时刻下不同子煤矿水害指标数据在预设时间段后的水文趋势与基准趋势曲线进行差值比较，得到每一时刻下不同子煤矿水害指标数据在预设时间段后的水文趋势与基准趋势曲线的幅值差；
基于幅值差得到不同子煤矿水害指标数据在预设时间段后的水文趋势相对基准趋势曲线的波动类型以及波动程度，并将波动类型以及波动程度在水文趋势的可视化图表中进行标记，且基于标记结果得到水文趋势的目标可视化图表；
基于时间属性将同一时刻的目标可视化图表进行关联绑定，并基于关联绑定结果完成对水文趋势的可视化展示。
该实施例中，子煤矿水害指标数据指的是将得到的实时的煤矿水害指标数据进行分类后得到的不同类型的煤矿水害指标数据。
该实施例中，目标取值指的是各子煤矿水害指标在预设时间段后的具体取值情况，从而便于根据目标取值对水文趋势进行预测。
该实施例中，取值变化率是用于表征不同子煤矿水害指标数据在一段时间后与当前取值的变化情况。
该实施例中，业务特征指的是不同子煤矿水害指标数据对应的业务类型，例如可以是地下水位或水质等。
该实施例中，预设图表库是提前设定好的，存储有不同的可视化图表模板。
该实施例中，目标可视化图标模板指的是适用于当前各子煤矿水害指标数据的可视化图表模板，是预设图表库中的一部分。
该实施例中，基准水文趋势指标值指的是煤矿在正常运行情况下水文趋势对应的正常取值，目的是为了确定预设时间段后的水文趋势的变化情况提供参考依据。
该实施例中，基准趋势曲线是根据基准水文趋势指标值生成的曲线段，目的是和水文趋势的可视化图表进行重合比较。
该实施例中，幅值差指的是同一时刻下预设时间段后的水文趋势与基准趋势曲线的取值的差值，目的是为了确定预设时间段后的水文趋势相对基准趋势曲线是上升还是下降。
该实施例中，目标可视化图标指的是将预设时间段后的水文趋势相对基准趋势曲线的波动类型以及波动程度在可视化图表中进行标记记录后得到的最终可视化图表。
上述技术方案的有益效果是：通过对采集到的实时的煤矿水害指标数据进行分类和分析，实现对不同子煤矿水害指标数据在预设时间段后的水文趋势进行准确有效的确定，其次，通过确定不同子煤矿水害指标数据的业务特征，实现从预设图标库中调取响应的目标可视化图标模板，实现通过目标可视化图标模板对相应的水文趋势进行可视化展示，从而便于管理人员对煤矿的水文趋势变化情况进行有效了解，也便于管理终端根据预测结果及时采取相应的措施。
实施例10
在实施例1的基础上，本实施例提供了一种煤矿水害指标数据趋势的计算方法，如图3所示，步骤3中，将可视化展示结果反馈至管理终端，包括：
步骤301：基于监测要求确定对可视化图表的管理终端集合，并分别确定管理终端集合中不同管理终端对应的通讯地址；
步骤302：基于通讯地址构建分布式传输链路，并将得到水文趋势的可视化图表缓存至分布式传输链路中各传输链路的传输队列；
步骤303：基于传输队列将得到水文趋势的可视化图表同步传输至对应的管理终端，完成对可视化展示结果的反馈。
该实施例中，管理终端集合指的是能够对可视化图标进行管理的所有终端，例如可以是各水文部门的监控终端。
上述技术方案的有益效果是：通过根据监测要求确定对可视化图表的管理终端集合，实现对各管理终端构建相应的传输链路，实现通过传输链路将水文趋势的可视化图表传输至相应的管理终端，便于管理终端及时对相应的水文趋势的可视化图表进行查看，也便于管理终端根据预测结果及时采取相应的措施。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种煤矿水害指标数据趋势的计算方法，其特征在于，包括：
步骤1：基于预设互补方式采集全面的煤矿水害指标数据，并对煤矿水害指标数据进行预处理，得到标准煤矿水害指标数据，且对标准煤矿水害指标数据进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数；
步骤2：基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型；
步骤3：基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，且将可视化展示结果反馈至管理终端。
2.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，步骤1中，基于预设互补方式采集全面的煤矿水害指标数据，包括：
获取预设监测区域内设置的目标传感器的数量以及属性信息，并对属性信息进行解析，确定不同目标传感器对应的设备类型，且基于设备类型以及目标传感器的数量在数据获取终端为每一目标传感器分配对应的通讯端口；
基于通讯端口构建目标传感器与数据获取终端之间的分布式通讯链路，并基于分布式通讯链路实时接收不同目标传感器采集到的第一煤矿水害指标数据，且对第一煤矿水害指标数据进行解析，得到不同第一煤矿水害指标数据的数据来源；
基于数据来源确定对应目标传感器的身份标签，并将身份标签与预设位置索引表进行匹配，且基于匹配结果确定目标传感器在预设监测区域的目标位置；
基于目标位置确定对预设监测区域的监测范围，并当监测范围未对预设监测区域安全覆盖时，基于数据获取终端控制遥感设备对未采集区域进行实时数据采集，得到第二煤矿水害指标数据，且将采集到的第二煤矿水害指标数据与第一煤矿水害指标数据进行汇总，得到最终的煤矿水害指标数据。
3.根据权利要求2所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，得到最终的煤矿水害指标数据，包括：
获取得到的最终的煤矿水害指标数据，并基于煤矿水害指标数据的数据结构特征确定煤矿水害指标数据的数据类型集合；
将数据类型集合与预设采集数据类型指标进行匹配，并基于匹配结果确定采集到的煤矿水害指标数据的数据类型集合的全面程度，且当数据类型集合中的数据类型不全面时，基于匹配结果确定缺失数据类型；
基于缺失数据类型生成数据获取请求，并基于数据获取请求对数据共享平台进行访问，且在数据共享平台反馈允许通知后，对数据共享平台中共享的煤矿水害指标数据进行遍历；
基于遍历结果得到与缺失数据类型一致的目标共享煤矿水害指标数据，并对目标共享煤矿水害指标数据进行调取，得到全面的煤矿水害指标数据。
4.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，煤矿水害指标数据包括：降雨量、水温、径流量以及水位。
5.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，步骤1中，对煤矿水害指标数据进行预处理，得到标准煤矿水害指标数据，包括：
获取得到的煤矿水害指标数据，并对煤矿水害指标数据进行离散化处理，得到煤矿水害指标数据序列，且提取煤矿水害指标数据序列中各单体煤矿水害指标数据对应的目标时刻；
基于目标时刻将煤矿水害指标数据序列映射至预设二维坐标系，并基于映射结果得到煤矿水害指标数据的取值变化趋势，且基于取值变化趋势锁定煤矿水害指标数据序列中的孤立数据，同时，基于预设数据清洗规则对孤立数据进行清洗；
基于清洗结果根据目标时刻确定煤矿水害指标数据序列的连续性，并当存在目标时刻缺失时，判定煤矿水害指标数据序列中存在数据缺失，且基于缺失时刻提取相邻目标时刻的煤矿水害指标数据序列的目标取值；
基于相邻目标时刻的煤矿水害指标数据序列的目标取值确定当前数据片段的目标取值趋势，并基于目标取值趋势确定当前数据片段的目标均值，且基于目标均值对缺失时刻进行赋值，得到修复煤矿水害指标数据，同时，获取预设格式要求，并基于预设格式要求对修复煤矿水害指标数据进行格式归一化处理，得到标准煤矿水害指标数据。
6.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，步骤1中，对标准煤矿水害指标数据进行分析，得到标准煤矿水害指标数据的第一训练参数和第二训练参数，包括：
获取对标准煤矿水害指标数据的分析要求，并对分析要求进行解析，确定对标准煤矿水害指标数据的分析维度，且基于每一分析维度的维度特征确定每一分析维度下的数据分析指标；
对得到的标准煤矿水害指标数据进行聚类处理，得到子标准煤矿水害指标数据集合，并基于每一分析维度下的数据分析指标分别对各子标准煤矿水害指标数据进行分析，得到各子标准煤矿水害指标数据集合对应的第一训练参数；
提取各子标准煤矿水害指标数据集合的属性信息，并对属性信息进行解析，确定每一子标准煤矿水害指标数据集合对应的气象因素以及气象因素的气象特征，同时，基于气象特征确定相邻时刻气象因素的相互作用关系，并基于相互作用关系确定不同气象因素之间的第一相关性；
基于第一训练参数以及气象特征确定气象因素与子标准煤矿水害指标数据集合之间的第二相关性，并将第一相关性和第二相关性进行综合，得到第二训练参数。
7.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，步骤2中，基于第一训练参数和第二训练参数构建训练样本，并基于训练样本对目标候选模型进行迭代训练，且基于迭代训练后的各目标候选模型的稳定性选定目标预测模型，包括：
获取得到的第一训练参数和第二训练参数，并将第一训练参数和第二训练参数进行综合，得到训练样本，同时，获取预设模型构建要求，并对预设模型构建要求进行解析，得到预期计算量；
基于预期计算量从模型框架库中选取目标候选模型集合，并基于训练样本对目标候选模型集合中各目标候选模型进行预设次数的迭代训练，其中，目标候选模型集合中包含的目标候选模型至少为一个；
获取每一次迭代训练后的各目标候选模型与预设模型构建要求的拟合度，并基于拟合度确定每一次迭代训练对应的模型训练权重，且将模型训练权重最大值对应的迭代训练结果确定为最终的待选取模型；
基于服务器获取历史检验数据，并基于历史检验数据对各待选取模型进行检验，得到各待选取模型对历史检验数据的第一趋势预测结果，且将第一趋势预测结果与历史检验数据对应的基准趋势结果进行匹配，得到各待选取模型的第一稳定评估参数；
提取各待选取模型的模型配置参数，并基于单次参数调整阈值对模型配置参数进行调整，且基于调整结果对历史检验数据进行分析，得到各待选取模型对历史检验数据的第二趋势预测结果；
将第一趋势预测结果和第二趋势预测结果进行差异比较，得到目标差异程度值，并基于目标差异程度值得到各待选取模型的第二稳定评估参数；
分别确定第一稳定评估参数和第二稳定评估参数对稳定性的影响权重，并基于影响权重对第一稳定评估参数和第二稳定评估参数进行加权平均，得到各待选取模型的稳定性；
基于取值递减顺序将各待选取模型的稳定性进行排序，并基于排序结果将稳定性最大值对应的待选取模型选定为目标预测模型。
8.根据权利要求7所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，基于排序结果将稳定性最大值对应的待选取模型选定为目标预测模型，包括：
获取得到的目标预测模型，并提取目标预测模型的模型结构参数，且基于模型结构参数确定目标预测模型的模型结构属性；
基于模型结构属性确定目标预测模型中每一层的模型结构特征，并基于每一层的模型结构特征生成模型部署文件；
将模型部署文件传输至预设平台，并控制预设平台基于模型部署文件对目标预测模型进行部署，且基于部署结果在预设平台中对目标预测模型分配目标通讯端口；
基于通讯端口将预设平台上的目标预测模型与数据采集终端进行对接。
9.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，步骤3中，基于目标预测模型对当前实时的煤矿水害指标数据进行分析，得到煤矿水害指标数据在预设时间段后的水文趋势，并将水文趋势进行可视化展示，包括：
获取当前采集的实时的煤矿水害指标数据，并将实时的煤矿水害指标数据进行分类，得到子煤矿水害指标数据，且将子煤矿水害指标数据依次输入目标预测模型进行分析，得到各子煤矿水害指标数据在预设时间段后的目标取值；
基于各子煤矿水害指标数据在预设时间段后的目标取值得到对应的取值变化率，并基于取值变化率得到各子煤矿水害指标数据在预设时间段后的水文趋势；
提取各子煤矿水害指标数据的业务特征，并基于业务特征从预设图表库中匹配对应的目标可视化图表模板，且将各子煤矿水害指标数据在预设时间段后的水文趋势填充至对应的目标可视化图表模板，得到不同子煤矿水害指标数据在预设时间段后的水文趋势的可视化图表，其中，目标可视化图表模板包括趋势图以及散点图；
获取煤矿正常状态下对应的基准水文趋势指标值，并基于基准水文趋势指标值生成基准趋势曲线；
将基准趋势曲线与水文趋势的可视化图表进行重叠，并基于重叠结果将每一时刻下不同子煤矿水害指标数据在预设时间段后的水文趋势与基准趋势曲线进行差值比较，得到每一时刻下不同子煤矿水害指标数据在预设时间段后的水文趋势与基准趋势曲线的幅值差；
基于幅值差得到不同子煤矿水害指标数据在预设时间段后的水文趋势相对基准趋势曲线的波动类型以及波动程度，并将波动类型以及波动程度在水文趋势的可视化图表中进行标记，且基于标记结果得到水文趋势的目标可视化图表，其中，波动类型包括上升和下降；
基于时间属性将同一时刻的目标可视化图表进行关联绑定，并基于关联绑定结果完成对水文趋势的可视化展示。
10.根据权利要求1所述的一种煤矿水害指标数据趋势的计算方法，其特征在于，步骤3中，将可视化展示结果反馈至管理终端，包括：
基于监测要求确定对可视化图表的管理终端集合，并分别确定管理终端集合中不同管理终端对应的通讯地址；
基于通讯地址构建分布式传输链路，并将得到水文趋势的可视化图表缓存至分布式传输链路中各传输链路的传输队列；
基于传输队列将得到水文趋势的可视化图表同步传输至对应的管理终端，完成对可视化展示结果的反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368706.9A CN117114206B (zh) | 2023-10-23 | 2023-10-23 | 一种煤矿水害指标数据趋势的计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368706.9A CN117114206B (zh) | 2023-10-23 | 2023-10-23 | 一种煤矿水害指标数据趋势的计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114206A true CN117114206A (zh) | 2023-11-24 |
| CN117114206B CN117114206B (zh) | 2024-01-26 |
Family
ID=88811304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368706.9A Active CN117114206B (zh) | 2023-10-23 | 2023-10-23 | 一种煤矿水害指标数据趋势的计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114206B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117453805A (zh) * | 2023-12-22 | 2024-01-26 | 石家庄学院 | 一种不确定性数据的可视化分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114251124A (zh) * | 2021-11-18 | 2022-03-29 | 煤炭科学技术研究院有限公司 | 矿井水害智能预警方法及装置 |
| WO2023061039A1 (zh) * | 2021-10-13 | 2023-04-20 | 中通服和信科技有限公司 | 基于物联网的尾矿库风险监测预警系统 |
| WO2023066409A1 (zh) * | 2022-02-28 | 2023-04-27 | 河南理工大学 | 一种矿井水害监测装置和方法 |
| CN116028798A (zh) * | 2023-02-21 | 2023-04-28 | 煤炭科学技术研究院有限公司 | 水害预警数据处理方法、装置、计算机设备和存储介质 |
| CN116090823A (zh) * | 2023-01-16 | 2023-05-09 | 煤炭科学技术研究院有限公司 | 煤矿灾害的风险监测方法、装置、电子设备及存储介质 |
| CN116658246A (zh) * | 2023-05-31 | 2023-08-29 | 中煤科工集团重庆研究院有限公司 | 一种煤矿水害监测预警系统及方法 |
| CN116777085A (zh) * | 2023-08-23 | 2023-09-19 | 北京联创高科信息技术有限公司 | 基于数据分析和机器学习技术的煤矿水害预测系统 |
-
2023
- 2023-10-23 CN CN202311368706.9A patent/CN117114206B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023061039A1 (zh) * | 2021-10-13 | 2023-04-20 | 中通服和信科技有限公司 | 基于物联网的尾矿库风险监测预警系统 |
| CN114251124A (zh) * | 2021-11-18 | 2022-03-29 | 煤炭科学技术研究院有限公司 | 矿井水害智能预警方法及装置 |
| WO2023066409A1 (zh) * | 2022-02-28 | 2023-04-27 | 河南理工大学 | 一种矿井水害监测装置和方法 |
| CN116090823A (zh) * | 2023-01-16 | 2023-05-09 | 煤炭科学技术研究院有限公司 | 煤矿灾害的风险监测方法、装置、电子设备及存储介质 |
| CN116028798A (zh) * | 2023-02-21 | 2023-04-28 | 煤炭科学技术研究院有限公司 | 水害预警数据处理方法、装置、计算机设备和存储介质 |
| CN116658246A (zh) * | 2023-05-31 | 2023-08-29 | 中煤科工集团重庆研究院有限公司 | 一种煤矿水害监测预警系统及方法 |
| CN116777085A (zh) * | 2023-08-23 | 2023-09-19 | 北京联创高科信息技术有限公司 | 基于数据分析和机器学习技术的煤矿水害预测系统 |
Non-Patent Citations (3)
| Title |
|---|
| DEJUN MIAO ETC.: "Research on coal mine hidden danger analysis and risk early warning technology based on data mining in China", PROCESS SAFETY AND ENVIRONMENTAL PROTECTION * |
| YE ZHANG ETC.: "Risk assessment of coal mine water inrush based on PCA‑DBN", SCIENTIFIC REPORTS * |
| 乔伟;靳德武;王皓;赵春虎;段建华;: "基于云服务的煤矿水害监测大数据智能预警平台构建", 煤炭学报, no. 07 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117453805A (zh) * | 2023-12-22 | 2024-01-26 | 石家庄学院 | 一种不确定性数据的可视化分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114206B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117114206B (zh) | 一种煤矿水害指标数据趋势的计算方法 | |
| CN108922123B (zh) | 一种矿山边坡滑移稳定性监测预警方法 | |
| AU2021236564A1 (en) | Devices, methods, and systems for determining environmental standard compliance | |
| CN115081963B (zh) | 一种地下水质风险分析方法及系统 | |
| CN109684774A (zh) | 一种梁式桥安全监测与评估装置 | |
| KR102669058B1 (ko) | 스마트 휴대기기를 활용한 시설물 안전점검 시스템 및 그 방법 | |
| CN109374631A (zh) | 一种隧道状态评测方法 | |
| CN115146230A (zh) | 一种古建筑健康监测系统、方法及设备 | |
| CN111698128A (zh) | 物联网网络质量检测方法、装置、计算机设备和存储介质 | |
| CN116989802B (zh) | 一种基于gis与bim模型的idc机房巡检计划配置策略方法 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
| KR20130127402A (ko) | 음극방식 관리장치의 ｃｉｐｓ 측정방법 | |
| EP4016408A1 (en) | Maintenance assistance system and maintenance assistance method | |
| Ben-Akiva et al. | Latent performance approach to infrastructure management | |
| Begeš et al. | Automatic weather stations and the quality function deployment method | |
| JP2021149156A5 (zh) | ||
| CN117952328B (zh) | 一种基于数据分析的自动化测试系统及方法 | |
| KR102394464B1 (ko) | IoT 시계열 소음 및 진동 데이터와 규제기준 그리고 민원정보를 활용한 종합 민원지수 산출 및 중점민원관리 시스템 및 방법 | |
| CN117035469B (zh) | 公铁联运枢纽功能区建设用地指标测算的方法及装置 | |
| CN117269011B (zh) | 基于激光光路测量系统的气象能见度判断方法 | |
| CN116879121B (zh) | 一种基于光纤传感技术的空气颗粒物浓度实时监测系统 | |
| KR102635926B1 (ko) | 시설물의 균열 계측 시스템 | |
| CN117835197B (zh) | 基于5g信息的气象信息服务系统和方法 | |
| Villa et al. | Machine Learning Framework for the Sustainable Maintenance of Building Facilities. Sustainability 2022, 14, 681 |
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 |