CN117114213A - 一种村网共建便民网络服务方法及系统 - Google Patents

Abstract

本发明涉及公共服务数据预测技术领域，具体涉及一种村网共建便民网络服务方法及系统。该方法通过获取异常气象时刻，利用异常气象时刻对时域进行自适应分割，获取每个采集时刻的自适应噪声矩阵；进一步根据每种监测数据的波动特征，获取各自的波动特征参数；进一步结合邻域范围内其他采集时刻的气象监测数据和当前采集时刻的状态特征参数对气象状态进行评价，获取异常气象时刻并做出预测，发出预警通知。本发明对气象监测数据进行自适应分割，并根据各个监测指标的波动特征和相邻历史气象监测数据对当前气象状态进行综合评价，提升了异常判定的准确性，进而对待分析时间段划分更加准确，气象预测结果就更加准确，保证了服务质量。

Description

一种村网共建便民网络服务方法及系统

技术领域

本发明涉及公共服务数据预测技术领域，具体涉及一种村网共建便民网络服务方法及系统。

背景技术

村网是一种村级局域网，能够为村中居民提供农业信息化服务，如天气预报、病虫防治、市场波动等服务，帮助村民做出更好的决策；农业生产要求对作物的成长环境进行监测，用相较于人为经验更可靠的建模技术预测环境变化，能够减少主观误差，提高预测精度。

现有算法进行天气情况评估和预测时，是通过数值变化进行异常情况的识别，但部分异常气象情况改变速度快，不同监测指标之间的波动变化情况有差异；通过全局数据进行观测分析，异常数据容易被大批量的小幅波动掩盖，存在局部变化识别不明显的缺陷，导致状态评估不准确，不能准确识别出异常天气变化，并且对天气状态预测不准确，影响服务质量。

发明内容

为了解决现有方法对天气状态评估和预测准确性存在缺陷的技术问题，本发明的目的在于提供一种村网共建便民网络服务方法及系统，所采用的技术方案具体如下：

一种村网共建便民网络服务方法，所述方法包括：

根据预设采集频率获取村网所有监测指标数据的气象监测数据向量；

将工作开始时刻作为第一个异常气象时刻，以每个采集时刻与前一个异常气象时刻之间的时间段作为待分析时间段，利用分解时间序列算法获取待分析时间段内每个采集时刻的自适应噪声矩阵；在每个采集时刻的预设历史周期内，分析每种监测指标数据的波动特征，获取每个采集时刻的每种监测指标的波动特征参数；

根据每个预设邻域范围内历史采集时刻的所述气象监测数据向量和所述自适应噪声矩阵，利用预设预测方法获取每个采集时刻的预测状态特征参数；结合预设邻域范围内历史采集时刻的所述预测状态特征参数、所述波动特征参数、当前采集时刻的所述预测状态特征参数和实际采集到的所述气象监测数据向量，分析当前采集时刻的所述预测状态特征参数和实际采集到的所述气象监测数据向量的相似性，对当前采集时刻气象状态进行异常判别，若当前采集时刻为异常气象时刻，则反馈预警通知，并根据待分析时间段之间的数据获取气象预测数据。

进一步地，所述自适应噪声矩阵的获取方法包括：

使用分解时间序列算法获取每个采集时刻的所述气象监测数的残差，将残差的协方差矩阵作为自适应噪声矩阵。

进一步地，所述波动特征参数的获取方法包括：

根据波动特征参数计算公式获取每种监测指标的波动特征参数，所述波动特征参数计算公式包括：

；其中，表示监测指标在第个采集时刻下的波动特征参数；表示监测指标 的在第个采集时刻下的预设历史周期内历史数据的个数；表示在第个采集时刻下对应 的历史周期内历史数据中数据的序号；表示在第个采集时刻下对应的历史周期内历史 数据中第个数据的数值；表示监测指标在第个采集时刻下对应的历史周期内所 有历史数据的均值；表示监测指标在第个采集时刻下对应的历史周期内所有历史 数据的标准差；表示监测指标在第个采集时刻下对应的历史周期内历史数据 中第个极大值；表示监测指标在第个采集时刻下对应的历史周期内历史数据 中第个极小值；表示监测指标在第个采集时刻下对应的历史周期内历史数据中 极值的个数；表示监测指标在第个采集时刻下对应的历史周期内历史数 据的最大值；表示监测指标在第个采集时刻下对应的历史周期内历史数 据的最小值。

进一步地，所述对当前采集时刻气象状态进行异常判别的方法包括：

根据相同采集时刻所有监测指标的所述波动特征参数，获取每个采集时刻的波动特征向量；获取当前采集时刻的相似性参数；当所述相似性参数小于等于预设异常阈值时，认为当前采集时刻为异常气象时刻。

进一步地，所述相似性参数的获取方法包括：

根据相似性参数计算公式获取当前采集时刻的相似性参数；相似性参数计算公式包括：

；其中表示当前采集时刻的相似 性参数；表示相似性运算符，用于获取括号内数据的相似性；表示当前采 集时刻在时序上相邻的前一时刻的预测状态特征参数；表示点乘符号；表示当前采 集时刻在时序上相邻的前一时刻的所述波动特征向量；表示当前采集时刻的所述预测 状态特征参数；表示的所述气象监测数据向量。

进一步地，所述预设预测方法为扩展卡尔曼滤波方法。

进一步地，所述气象监测数据的监测指标种类包括温度、湿度、气压、风速、风向、降水量。

进一步地，所述预设邻域范围包括当前采集时刻及其时序上相邻的上一采集时刻。

进一步地，所述预设历史周期为24小时。

本发明还提出了一种村网共建便民网络服务系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述方法的步骤。

本发明具有如下有益效果：

本发明通过将每个采集时刻的气象监测数据转化为气象监测数据向量，有利于对气象数据进行分析处理，更好的捕捉气象数据的变化特征，为后续判别天气异常状态做准备；进一步通过异常气象时刻对气象监测数据在时域上进行自适应分割，避免了根据全局数据监测分析，不能及时识别局部气象变化，导致评估和预测结果不准确的问题，提升了方法的可靠性，进而提升服务质量；进一步根据每种监测指标的波动特征获取各自的波动特征参数，便于对天气变化的异常状态进行更加准确的评估，使得待分析时间段划分更加合理，提升预测结果的可信度，提升服务方法的质量；进一步根据相邻采集时刻的气象监测数据利用预设预测方法预测每个时刻的预测状态特征参数，进而结合邻域内其他采集时刻的气象监测数据以及波动特征参数，综合分析当前采集时刻的预测状态特征参数和实际采集到的气象监测数据向量的相似性，可以对当前采集时刻气象状态进行准确判别，使得能够及时发现异常天气状态，使得待分析时间段的划分更加准确，获取的自适应噪声矩阵更加准确，进而预测结果更加准确，提升服务方法的质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种村网共建便民网络服务方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种村网共建便民网络服务方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种村网共建便民网络服务方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供一种村网共建便民网络服务方法的流程图，具体包括：

步骤S1：根据预设采集频率获取村网所有监测指标数据的气象监测数据向量。

通过不同监测指标的气象监测数据，可以对天气的变化进行异常监控和预测，气象监测数据向量可以反映出天气的具体状态，有利于根据气象监测数据向量对天气的状态进行判定，便于村民对农事活动、出行等做出规划。

在本发明一个实施例中，预设采集频率为1分钟1次，通过气象传感器获取气象监 测数据。气象传感器包括温度传感器、湿度传感器、气压传感器、风速和风向传感器、降水传 感器；气象监测数据的监测指标种类包括温度、湿度、气压、风速、风向、降水量，将每个采集 时刻的气象监测数据中所有种类的数据组建为一个向量，将向量作为气象监测数据向量， 例如采集时刻的气象监测数据向量为：

其中，表示采集时刻的气象监测数据向量；表示温度、表示湿度、表示气 压、表示风速、表示风向、表示降水量；角标位置为向量转置符。

在本发明其他实施例中，气象传感器及其不同的监测指标以及采集频率可以根据实施者实际所需情况自行选择和设定。

步骤S2：将工作开始时刻作为第一个异常气象时刻，以每个采集时刻与前一个异常气象时刻之间的时间段作为待分析时间段，利用分解时间序列算法获取待分析时间段内每个采集时刻的自适应噪声矩阵；在每个采集时刻的预设历史周期内，分析每种监测指标数据的波动特征，获取每个采集时刻的每种监测指标的波动特征参数。

根据异常气象时刻可以对时域进行自适应划分，使得通过分解时间序列算法处理的待分析时间段更加合理，获得的自适应噪声矩阵更加合理，使得后续预测天气状态、判别异常气象时刻更加准确；因为不同监测指标的数据波动范围和频率不同，所以对每种监测指标的波动特征进行分析，获取每种监测指标的波动特征参数，以便提升服务的准确性，同时为分析天气的状态做准备。

分解时间序列算法将复杂的时间序列数据分解成不同的成分，从而更好地理解和 分析数据的内在结构和特征，有助于更好地应对数据分析和决策；残差成分通常包括噪声 或异常。通过分析残差，可以检测异常值，有助于监测和管理风险；而协方差可以反映出不 同监测指标之间的关联和变化，所以在本发明一个优选实施例中，将工作开始时刻作为第 一个异常气象时刻，以每个采集时刻与前一个异常气象时刻之间的时间段作为待分析时间 段，利用分解时间序列算法获取每个采集时刻的气象监测数的残差，将残差的协方差矩阵 作为自适应噪声矩阵。例如，在气象监测数据初期，记气象传感器工作的开始时刻为，假 设下一个异常气象时刻为，那么在时刻及其以前，均以时刻为起点获取待分析时间 段，比如与之间的某一时刻，时刻的待分析时间段就为到；当判定为异常 气象时刻之后，对后续采集时刻的气象数据异常判断时，就以时刻为起点获取待分析时 间段。

在本发明一个实施例中，采用STL（Seasonal and Trend decomposition usingLoess）分解方法获取气象监测数据的残差，在本发明其他实施例中，实施者可采用Holt-Winters方法、分解回归模型等其他分解时间序列算法，STL方法已是本领域技术人员所熟知的技术手段，在此不再进行赘述。

因为不同监测指标的自身的波动范围和频率存在差异，例如风速这一检测指标允许短时间的大幅变化，不会产生严重的影响；但温度大幅波动会产生较大的影响，所以通过历史数据中各项监测指标的波动范围和频率计算各自波动特征参数，有利于后续对异常气象判断更准确，待分析时间段划分更准确，最终提升服务质量。在发明一个优选实施例中，波动特征参数的获取方法包括：根据波动特征参数计算公式获取每种监测指标的波动特征参数，波动特征参数计算公式包括：

其中，表示监测指标在第个采集时刻下的波动特征参数；表示监 测指标的在第个采集时刻下的预设历史周期内历史数据的个数；表示在第个采集时 刻下对应的历史周期内历史数据中数据的序号；表示在第个采集时刻下对应的历史周 期内历史数据中第个数据的数值；表示监测指标在第个采集时刻下对应的历史 周期内所有历史数据的均值；表示监测指标在第个采集时刻下对应的历史周期内 所有历史数据的标准差；表示监测指标在第个采集时刻下对应的历史周期内 历史数据中第个极大值；表示监测指标在第个采集时刻下对应的历史周期内 历史数据中第个极小值；表示监测指标在第个采集时刻下对应的历史周期内历 史数据中极值的个数；表示监测指标在第个采集时刻下对应的历史周期 内历史数据的最大值；表示监测指标在第个采集时刻下对应的历史周期 内历史数据的最小值。

波动特征参数计算公式中，每个数据与所有数据的均值的差异越大，与标准差的 比值就越大，反映出当前监测指标的波动情况越明显，通过四次方将差异进一步放大，便于 对小幅波动情况进行准确判断；每一对同次序的极大值与极小值的差值越大，说明数据的 波动越大，越接近于最值的差值，历史数据中出现较大波动的次数越多，波动特征参数就越 大。在本发明一个实施例中，预设历史周期为24小时，例如采集时刻的预设历史周期就为到，的预设历史周期就为到；在本发明其他实施例中，实施者 可自行调整历史周期长度。

步骤S3：根据每个预设邻域范围内历史采集时刻的气象监测数据向量和自适应噪声矩阵，利用预设预测方法获取每个采集时刻的预测状态特征参数；结合预设邻域范围内历史采集时刻的预测状态特征参数、波动特征参数、当前采集时刻的预测状态特征参数和实际采集到的气象监测数据向量，分析当前采集时刻的预测状态特征参数和实际采集到的气象监测数据向量的相似性，对当前采集时刻气象状态进行异常判别，若当前采集时刻为异常气象时刻，则反馈预警通知，并根据待分析时间段之间的数据获取气象预测数据。

天气状态具有一定的季节性和周期性，并且天气状态会在相近的时间段内保持一定的一致性，所以可以通过每个采集时刻的相邻历史采集时刻的天气状态的特征来获取每个采集时刻的预测状态特征参数；结合预设邻域范围内其他采集时刻的气象监测数据向量、波动特征参数，分析当前采集时刻的预测状态特征参数和实际采集到的气象监测数据向量的相似性，相似性越大，说明当前状态处于稳定或正常气象状态的可能性越高，不会被认定为异常气象时刻的可能性越高；相似性越小，说明当前气象状态异常可能性越大，越有可能被认定为异常气象时刻。

在本发明一个实施例中，预设预测方法为扩展卡尔曼滤波（Extended KalmanFilter，EKF），通过将当前采集时刻的气象监测数据向量与自适应噪声矩阵输入扩展卡尔曼滤波器，能够得到时序上相邻的下一采集时刻的预测状态特征参数，扩展卡尔曼滤波已是本领域技术人员所熟知的技术手段，在此不再进行赘述；在本发明其他实施例中，实施者可选用神经网络预测方法等其他预测方法进行预测。

波动特征参数代表了对应监测指标的波动特征，所以获取由相同采集时刻所有波动特征参数构成的波动特征向量，以便对当前采集时刻的预测状态特征参数进行修正，使其更符合实际波动情况；通过比较当前采集时刻的预测数据与采集数据的偏差，即比较当采集时刻的预测状态特征参数与气象监测数据向量的相似性，可以对当前气象状态做出判别，当相似性较低时，说明当前时刻的预测状态特征参数与气象监测数据向量出现了明显的差异，气象数据出现了明显的异常变化，认为气象状态异常。

优选地，在本发明一个实施例中，对当前采集时刻气象状态进行异常判别的方法包括：根据相同采集时刻所有监测指标的波动特征参数，获取每个采集时刻的波动特征向量；获取当前采集时刻的相似性参数；当相似性参数小于等于预设异常阈值时，认为当前采集时刻为异常气象时刻。

波动特征向量代表了对应采集时刻气象监测数据的波动特征，预测状态特征参数代表了预测的天气状态监测数据，根据邻域内其他采集时刻的预测状态特征参数与波动特征参数对当前采集时刻的预测状态特征参数进行赋权，使其更符合实际数据波动情况，进而比较当采集时刻的预测状态特征参数与气象监测数据向量的相似性，获得相似性参数。优选地，在本发明一个实施例中，根据相似性参数计算公式获取当前采集时刻的相似性参数；相似性参数计算公式包括：

其中表示当前采集时刻的相似性参数；表示相似性运算符，用 于获取括号内数据的相似性；表示当前采集时刻在时序上相邻的前一时刻的预测状 态特征参数；表示点乘符号；表示当前采集时刻在时序上相邻的前一时刻的波动特 征向量；表示当前采集时刻的预测状态特征参数；表示的气象监测数据向量。

相似性参数计算公式中，是由序号的采集时刻的气象监测数据获得 的预测状态特征参数，、和的尺寸大小为，的尺寸大小为 ，通过点乘将前一时刻的预测状态特征参数与波动特征参数相关联，并扩充为大小 的矩阵，再与相点乘，获得新的的向量，从而比较两个向量的相似性；为监测 指标的个数。当相似性参数越接近于1时，说明当前时刻的预测状态特征参数与气象监测数 据向量越相似，当前状态处于稳定气象状态的可能性就越高；当异常评价参数小于等于0 时，说明当前时刻的预测状态特征参数与气象监测数据向量出现了明显的差异，气象数据 出现了明显的异常变化，当前时刻的气象状态异常可能性就越高，认为当前采集时刻为异 常气象时刻。

在本发明一个实施例中，预设邻域范围包括当前采集时刻及其时序上相邻的上一 采集时刻，，计算相似性的方法为余弦相似度算法，预设异常阈值为0；将波动特征 参数按照与气象监测数据向量内数据相同顺序建立波动特征向量，如：。需要说明的是，余弦相似度算法已是本领域技术 人员所熟知的方法，在此不再进行赘述。

获得异常气象时刻之后，就需要向用户反馈预警通知，为用户提供及时预警信息，避免对用户造成损失。在本发明一个实施例中，根据当前异常气象时刻的自适应噪声矩阵和气象监测数据向量，利用扩展卡尔曼滤波器获取下一采集时刻的预测状态特征参数；将当前异常气象时刻的气象监测数据向量及其下一采集时刻的预测状态特征参数，输入控制设备并发出预警通知。

综上所述，本发明针对通过全局数据进行异常天气状态评估不准确，影响服务质量的技术问题，通过获取异常气象时刻，利用异常气象时刻对时域进行自适应分割，以便分解时间序列算法能更好的捕获气象数据的局部特征，获取每个采集时刻的自适应噪声矩阵；进一步根据每种监测数据的波动特征，获取各自的波动特征参数；进一步结合邻域范围内其他采集时刻的气象监测数据和当前采集时刻的状态特征参数对气象状态进行评价，获取异常气象时刻，最后做出预测并发出预警通知。本发明对气象监测数据进行自适应分割，并根据各个监测指标的波动特征和相邻历史气象监测数据对当前气象状态进行综合评价，提升了异常判定的准确性，进而对待分析时间段划分更加准确，气象预测结果就更加准确，保证了服务质量。

本发明一个实施例提供了一种村网共建便民网络服务系统，该系统包括存储器、处理器和计算机程序，其中存储器用于存储相应的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器中运行时能够实现步骤S1到S3所描述的方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求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。

Claims (10)

1.一种村网共建便民网络服务方法，其特征在于，所述方法包括：

根据预设采集频率获取村网所有监测指标数据的气象监测数据向量；

将工作开始时刻作为第一个异常气象时刻，以每个采集时刻与前一个异常气象时刻之间的时间段作为待分析时间段，利用分解时间序列算法获取待分析时间段内每个采集时刻的自适应噪声矩阵；在每个采集时刻的预设历史周期内，分析每种监测指标数据的波动特征，获取每个采集时刻的每种监测指标的波动特征参数；

根据每个预设邻域范围内历史采集时刻的所述气象监测数据向量和所述自适应噪声矩阵，利用预设预测方法获取每个采集时刻的预测状态特征参数；结合预设邻域范围内历史采集时刻的所述预测状态特征参数、所述波动特征参数、当前采集时刻的所述预测状态特征参数和实际采集到的所述气象监测数据向量，分析当前采集时刻的所述预测状态特征参数和实际采集到的所述气象监测数据向量的相似性，对当前采集时刻气象状态进行异常判别，若当前采集时刻为异常气象时刻，则反馈预警通知，并根据待分析时间段之间的数据获取气象预测数据。

2.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述自适应噪声矩阵的获取方法包括：

使用分解时间序列算法获取每个采集时刻的所述气象监测数的残差，将残差的协方差矩阵作为自适应噪声矩阵。

3.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述波动特征参数的获取方法包括：

根据波动特征参数计算公式获取每种监测指标的波动特征参数，所述波动特征参数计算公式包括：

；其中，/>表示监测指标/>在第/>个采集时刻下的波动特征参数；/>表示监测指标/>的在第/>个采集时刻下的预设历史周期内历史数据的个数；/>表示在第/>个采集时刻下对应的历史周期内历史数据中数据的序号；/>表示在第/>个采集时刻下对应的历史周期内历史数据中第/>个数据的数值；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内所有历史数据的均值；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内所有历史数据的标准差；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内历史数据中第/>个极大值；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内历史数据中第/>个极小值；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内历史数据中极值的个数；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内历史数据的最大值；/>表示监测指标/>在第/>个采集时刻下对应的历史周期内历史数据的最小值。

4.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述对当前采集时刻气象状态进行异常判别的方法包括：

根据相同采集时刻所有监测指标的所述波动特征参数，获取每个采集时刻的波动特征向量；获取当前采集时刻的相似性参数；当所述相似性参数小于等于预设异常阈值时，认为当前采集时刻为异常气象时刻。

5.根据权利要求4中所述的一种村网共建便民网络服务方法，其特征在于，所述相似性参数的获取方法包括：

根据相似性参数计算公式获取当前采集时刻的相似性参数；相似性参数计算公式包括：

；其中/>表示当前采集时刻/>的相似性参数；/>表示相似性运算符，/>用于获取括号内数据的相似性；/>表示当前采集时刻在时序上相邻的前一时刻的预测状态特征参数；/>表示点乘符号；/>表示当前采集时刻在时序上相邻的前一时刻的所述波动特征向量；/>表示当前采集时刻的所述预测状态特征参数；/>表示的所述气象监测数据向量。

6.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述预设预测方法为扩展卡尔曼滤波方法。

7.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述气象监测数据的监测指标种类包括温度、湿度、气压、风速、风向、降水量。

8.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述预设邻域范围包括当前采集时刻及其时序上相邻的上一采集时刻。

9.根据权利要求1中所述的一种村网共建便民网络服务方法，其特征在于，所述预设历史周期为24小时。

10.一种村网共建便民网络服务系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。