CN117309067B - 水资源实时监控方法、系统和电子设备 - Google Patents

Abstract

本发明公开了一种水资源实时监控方法、系统和电子设备，涉及智能化监控技术领域，其通过安装在水源地、输水管道、水厂、水库等关键节点的传感器实时采集水资源的流量、压力、水位、温度、浊度、pH值、电导率、余氯等参数，并在后端引入数据处理和分析算法来分别进行不同关键节点的水资源参数协同分析，以此来判断水资源在不同的关键节点流转过程中是否存在异常，例如，判断是否因管道泄漏而导致水资源被污染。这样，能够在水资源进行不同关键点流转的过程中利用多维度的水资源参数信息实时进行水污染的监测，这有助于及时发现和处理水资源污染事件，从而提高水资源异常监测的准确性和实时性，保障水质安全和供水可靠性。

Description

水资源实时监控方法、系统和电子设备

技术领域

本发明涉及智能化监控技术领域，尤其涉及一种水资源实时监控方法、系统和电子设备。

背景技术

水资源是人类生存和发展的重要基础，保障水资源的安全和质量是社会经济可持续发展的重要任务。然而，由于自然灾害、人为破坏、设备老化等原因，水资源在输送过程中可能会发生泄漏、污染等异常情况，给人民生活和生态环境带来严重危害。传统的水资源监控方法主要依赖人工巡检和离线水质分析，这种方式存在时间延迟大、监测范围有限等问题。

因此，为了能够实时监控水资源的状态，并及时发现和处理异常情况，期望一种水资源实时监控方案。

发明内容

本发明实施例提供一种水资源实时监控方法、系统和电子设备，其通过安装在水源地、输水管道、水厂、水库等关键节点的传感器实时采集水资源的流量、压力、水位、温度、浊度、pH值、电导率、余氯等参数，并在后端引入数据处理和分析算法来分别进行不同关键节点的水资源参数协同分析，以此来判断水资源在不同的关键节点流转过程中是否存在异常，例如，判断是否因管道泄漏而导致水资源被污染。这样，能够在水资源进行不同关键点流转的过程中利用多维度的水资源参数信息实时进行水污染的监测，这有助于及时发现和处理水资源污染事件，从而提高水资源异常监测的准确性和实时性，保障水质安全和供水可靠性。

本发明提供了一种水资源实时监控方法，其包括：

获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量；

将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量；

通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量；

计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。

本发明还提供了一种水资源实时监控系统，其包括：

数据获取模块，用于获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量；

向量排列模块，用于将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量；

特征提取模块，用于通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量；

水资源污染情况判断模块，用于计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。

本发明还提供了一种电子设备，其包括：

处理器；

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如所述的水资源实时监控方法。

本发明的有益效果：

通过安装在水源地、输水管道、水厂、水库等关键节点的传感器实时采集水资源的流量、压力、水位、温度、浊度、pH值、电导率、余氯等参数，并在后端引入数据处理和分析算法来分别进行不同关键节点的水资源参数协同分析，以此来判断水资源在不同的关键节点流转过程中是否存在异常，保障水质安全和供水可靠性。

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，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。在附图中：

图1为本发明实施例中提供的一种水资源实时监控方法的流程图。

图2为本发明实施例中提供的一种水资源实时监控方法的系统架构的示意图。

图3为本发明实施例中提供的一种水资源实时监控系统的框图。

图4为本发明实施例中提供的一种水资源实时监控方法的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅只是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

水资源在输送过程中可能会发生泄漏、污染等异常情况，给人民生活和生态环境带来严重危害，这些异常情况可以由多种原因引起，包括自然灾害、人为破坏和设备老化等。

首先，自然灾害是导致水资源输送过程中异常情况的常见原因之一。洪水、地震、飓风等自然灾害可能破坏水管道、水库和水处理设施，导致水资源泄漏和污染。洪水可以冲毁水管道和水库，使大量的水资源流失或被污染，地震和飓风也可能破坏水处理设施，使水源受到污染，无法供应清洁的饮用水。

其次，人为破坏也是水资源输送过程中异常情况的重要原因之一，恶意破坏水管道、水泵站和水处理设施可能导致水资源泄漏和污染。一些人可能故意破坏水管道，盗取水资源或破坏供水系统，以达到某种目的。此外，非法倾倒有害物质和工业废水也可能导致水资源污染，对人民生活和生态环境造成严重威胁。

最后，设备老化也是水资源输送过程中异常情况的一个重要因素，水管道、水泵站和水处理设施随着时间的推移会出现磨损和老化，导致泄漏和故障。老化设备可能无法正常运行，导致水资源供应中断或水质下降。

传统的水资源监控方法主要包括人工巡检和离线水质分析，这些方法在一定程度上可以监测水资源的异常情况，但也存在一些弊端。传统的水资源监控方法中，人工巡检是一种常见的方式，这通常涉及工作人员定期巡视水源、水管道和水处理设施，以寻找泄漏、破损或其他异常情况。然而，人工巡检存在时间延迟大的问题。由于巡检频率有限，异常情况可能在巡检之间的时间段内未被发现，从而延误了应对措施的采取。

离线水质分析是通过采集水样并将其送至实验室进行分析来评估水质状况，这种方法可以提供较为准确的水质数据，但也存在监测范围有限的问题。由于采样和分析需要时间，无法实时监测水质变化，尤其是在大规模供水系统中。此外，离线水质分析也无法提供即时的警报和响应机制，无法及时采取措施应对异常情况。

传统的水资源监控方法存在时间延迟大、监测范围有限等问题，这些弊端使得传统方法无法满足对水资源异常情况及时监测和响应的需求。为了解决这些问题，现代技术如物联网、传感器技术和数据分析等被广泛应用于水资源监控，以提高监测效率和准确性。

在本发明的一个实施例中，图1为本发明实施例中提供的一种水资源实时监控方法的流程图。图2为本发明实施例中提供的一种水资源实时监控方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的水资源实时监控方法，包括：110，获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量；120，将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量；130，通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量；140，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。

在所述步骤110中，获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量。确保传感器组的准确性和可靠性，以获取准确的参数值，传感器的安装位置和数量应合理选择，以覆盖关键节点，并确保数据采集的全面性。通过传感器组采集的参数值可以提供详细的水资源状态信息，包括流量、压力、水位等，为后续的监测和分析提供数据基础，这些参数值可以反映水资源在不同节点的物理特性和水质情况，帮助监测异常情况和污染事件。

在所述步骤120中，将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量，以得到第一水资源参数输入向量和第二水资源参数输入向量。确定参数样本维度的顺序和组织方式，以确保输入向量的准确性和一致性，确保参数值的归一化或标准化，以消除不同参数单位和范围的影响。将参数值排列为输入向量可以方便后续的特征提取和分析，输入向量的构建可以将不同参数的信息整合在一起，提供全面的水资源状态描述。

在所述步骤130中，通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取，以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量。选择合适的深度神经网络模型和特征提取方法，以确保从输入向量中提取到有意义的特征，对于不同的参数输入向量，可能需要调整网络结构和超参数的选择。通过特征提取，可以将原始参数值转化为更高层次的表示，捕捉到参数之间的关联和重要特征。特征提取后的向量可以更好地表达水资源的状态和特征，为后续的相关度计算和污染检测提供基础。

在所述步骤140中，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。选择合适的相关度计算方法，如相关系数、协方差等，以衡量特征向量之间的关联程度，设置适当的阈值或标准，以确定是否存在异常情况或污染事件。相关度计算可以量化不同参数之间的关系，判断水资源在流转过程中是否发生了异常或污染。通过相关度的分析，可以及时发现水资源的异常情况，采取相应的措施进行修复和处理，保障水质安全和供水系统的可靠性。

针对上述技术问题，在本申请的技术方案中，提出了一种水资源实时监控方法，其能够通过比较不同关键节点的水资源参数来分析判断水资源在从第一关键节点流入第二关键节点的过程中是否被污染。这是由于如果在水资源流动过程中发生管道泄漏、污染等异常情况，可能会导致水资源被污染，从而引起参数的异常变化。因此，通过比较关键节点的水资源参数，可以检测到水资源是否受到污染。特别地，在水资源实时监控中，关键节点是指水资源流动过程中的重要位置，例如水源地、水处理厂、供水管道等。

相应地，考虑到不同关键节点的水资源参数有多个参数项，如流量、压力、水位、温度、浊度、pH值、电导率和余氯量等，并且各个参数项之间具有着相互的关联关系，可以反映水资源的质量和流动状态。基于此，本申请的技术构思为通过安装在水源地、输水管道、水厂、水库等关键节点的传感器实时采集水资源的流量、压力、水位、温度、浊度、pH值、电导率、余氯等参数，并在后端引入数据处理和分析算法来分别进行不同关键节点的水资源参数协同分析，以此来判断水资源在不同的关键节点流转过程中是否存在异常，例如，判断是否因管道泄漏而导致水资源被污染。这样，能够在水资源进行不同关键点流转的过程中利用多维度的水资源参数信息实时进行水污染的监测，这有助于及时发现和处理水资源污染事件，从而提高水资源异常监测的准确性和实时性，保障水质安全和供水可靠性。

具体地，在本申请的技术方案中，首先，获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量。应可以理解，在实时监控水资源流转的过程中，通常需要采集多个参数数据来描述水资源的状态，这些参数包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量等。并且，还考虑到所述水资源在第一关键节点和第二关键节点的多个参数值都具有着关于该节点的关联关系，反映了该节点的水资源状态信息。因此，为了能够对于这些参数值进行关联分析，需要将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量，以此来分别整合所述第一关键节点和所述第二关键节点的多个参数值的样本分布信息。这样，可以将不同参数之间的关联性考虑在内，同时也方便进行后续的特征提取和相关度计算。

通过将多个参数值按照样本维度排列为输入向量，可以将不同参数值的样本分布信息整合在一起，这样做有助于综合考虑不同参数值之间的关系和变化趋势，提供更全面和准确的信息来描述水资源在第一关键节点和第二关键节点的状态。将参数值按样本维度排列为输入向量后，可以将这些向量作为特征提取器的输入，从而获得更全面的特征表示，通过深度神经网络等模型进行特征提取，可以学习到参数值之间的非线性关系和重要特征，进一步提高特征的表达能力和区分度。

将参数值按样本维度排列为输入向量后，可以更好地捕捉到参数之间的关联和变化趋势，有助于提高水资源监测的准确性，并增强对异常情况的监测能力，通过整合多个参数值的样本分布信息，可以降低噪声的影响，提高监测结果的鲁棒性和可靠性。将参数值按样本维度排列为输入向量后，可以简化数据处理和分析的过程，通过将参数值整合为向量形式，可以更方便地进行特征提取、相关度计算等操作，有助于降低计算复杂度，并提高数据处理的效率。

将水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量，可以整合多个参数值的样本分布信息，提供全面的特征表示，提高监测的准确性和鲁棒性，同时简化数据处理和分析过程，这种方法有助于改进水资源监测的效果，并提供更可靠的监测结果和决策依据。

然后，将所述第一水资源参数输入向量和所述第二水资源参数输入向量通过基于全连接层的特征提取器中进行特征提取，以分别提取出所述第一关键节点和所述第二关键节点的水资源参数数据协同关联特征信息，从而得到第一水资源参数关联特征向量和第二水资源参数关联特征向量。

其中，所述基于深度神经网络模型的特征提取器为基于全连接层的特征提取器。

全连接层的特征提取器可以学习到输入向量中不同参数之间的非线性关系和复杂模式，通过这种方式，可以捕捉到第一关键节点和第二关键节点水资源参数之间的潜在关联，包括相互作用、依赖关系等。全连接层可以通过多个神经元的组合，生成更高维度的特征表示，这样可以提高特征的表达能力，更好地描述水资源参数的综合特征。例如，可以通过全连接层的非线性变换，将原始参数值转化为更具表征性的特征。

全连接层可以通过降维操作，将输入向量的维度减少到更合适的大小。这有助于去除冗余信息和噪声，提取出更具代表性的特征，降低维度还有助于减少计算复杂度，并提高后续相关度计算的效率。通过基于全连接层的特征提取器，可以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量，特征向量包含了从原始参数值中提取的关联特征信息，更好地反映了水资源在不同节点之间的关系，这些关联特征向量可以作为后续相关度计算和污染检测的输入，提高水资源监控的准确性和效果。

通过基于全连接层的特征提取器进行特征提取，可以从第一关键节点和第二关键节点的水资源参数数据中提取出协同关联特征信息，从而得到更具代表性和准确性的关联特征向量，有助于提高水资源监控的效果，并及时发现异常情况和污染事件。

在水资源实时监控中，为了通过比较不同关键节点的参数值来判断水资源是否存在异常，例如是否受到污染，在本申请的技术方案中，进一步计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，以此来衡量所述第一关键节点和所述第二关键节点上的水资源参数关联协同特征之间的相似性或相关性，从而反映出这两个节点的水资源状态相似度是否一致，以便于判断水资源是否被污染。具体来说，如果所述相关度超过预定阈值，就可以认为水资源在从第一关键节点流转至第二关键节点的过程中存在异常，则可能因管道泄漏而导致水资源受到污染。

在本申请的一个具体实施例中，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染，包括：计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度；基于所述相关度与预定阈值之间的比较，确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。

其中，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度，包括：以如下相关度公式计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度；其中，所述相关度公式为：

；

其中，和/>分别表示所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量，/>和/>分别为两种不同的线性变换，/>表示所述相关度。

进一步地，响应于所述相关度小于所述预定阈值，确定所述水资源在从第一关键节点流转至第二关键节点的过程中被污染。

通过计算关联特征向量之间的相关度，可以量化第一关键节点和第二关键节点水资源参数之间的关联程度，相关度可以帮助识别参数之间的相互作用和依赖关系，揭示水资源在流转过程中的动态变化。通过相关度的分析，可以检测到异常的关联模式，提示可能存在的污染情况，如果相关度超过预设的阈值，可以发出污染预警信号，及时采取措施以防止污染的进一步扩散和影响。

基于关联特征向量的相关度计算可以提供更准确和全面的水资源监测结果，相比仅仅依靠单个参数的监测，关联度计算考虑了多个参数的综合影响，提高了监测的准确性。此外，通过特征提取和关联度计算，可以减少数据的维度，降低计算复杂度，提高监测的效率。通过实时计算关联度，可以及时发现水资源流转过程中的异常情况和潜在污染，这有助于快速响应并采取必要的控制措施，以防止水资源质量进一步受到损害，并保障供水系统的可靠性和安全性。

通过计算第一水资源参数关联特征向量和第二水资源参数关联特征向量之间的相关度，可以确定水资源在从第一关键节点流转至第二关键节点的过程中是否被污染，并提供准确的污染监测和预警，这种方法可以提高水资源监测的准确性、效率和响应能力，从而保障水质安全和供水系统的可靠性。

在本申请的一个实施例中，所述水资源实时监控方法，还包括训练步骤：用于对所述基于全连接层的特征提取器进行训练。所述训练步骤，包括：获取训练数据，所述训练数据包括由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的训练参数值，所述训练参数值包括训练流量、训练压力、训练水位、训练温度、训练浊度、训练pH值、训练电导率和训练余氯量；将所述水资源在第一关键节点和第二关键节点的训练参数值按照参数样本维度排列为训练输入向量以得到训练第一水资源参数输入向量和训练第二水资源参数输入向量；通过基于深度神经网络模型的特征提取器分别对所述训练第一水资源参数输入向量和所述训练第二水资源参数输入向量进行特征提取以得到训练第一水资源参数关联特征向量和训练第二水资源参数关联特征向量；计算所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的所述训练相关度；计算所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的预定损失函数值；计算所述训练相关度和所述预定损失函数值的加权和作为损失函数值来对所述基于全连接层的特征提取器进行训练。

特别地，在本申请的技术方案中，将所述训练第一水资源参数输入向量和所述训练第二水资源参数输入向量通过基于全连接层的特征提取器后，得到的所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量分别表达水资源在第一关键节点和第二关键节点的训练参数值的全局关联特征，由此，在计算所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的训练相关度时，如果能够提升所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的关键特征共享性，则能够提升所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的训练相关度的计算准确性。

也就是，考虑到基于全连接层的特征提取器对于不同参数分布的关联特征提取差异，需要避免所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间具有的关键特征共享性在各自特征提取下的特征共享分布稀疏化，基于此，本申请的申请人针对所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量设计了预定损失函数，表示为：以如下优化公式计算所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的预定损失函数值；其中，所述优化公式为：

；

其中，是所述训练第一水资源参数关联特征向量，且/>是所述训练第二水资源参数关联特征向量，/>和/>分别是特征向量的1范数和2范数，/>是界阈值超参数，且特征向量均为行向量形式，/>表示预定损失函数，/>是所述训练第二水资源参数关联特征向量的转置向量，/>表示按位置减法，/>表示向量乘法。

具体地，所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的共享关键特征的强化可以看作全局特征集合的分布信息压缩，通过在所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量间的结构表示来重构原始特征流形的相对形状关系的基础上进行关键特征的分布稀疏化控制，可以强化所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量间的共享关键特征，从而提升所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的训练相关度的计算准确性。这样，能够在水资源流转到不同关键点的过程中利用多维度的水资源参数信息实时进行水污染的监测，这有助于及时发现和处理水资源污染事件，从而提高水资源异常监测的准确性和实时性，保障水质安全和供水可靠性。

综上，基于本发明实施例的水资源实时监控方法被阐明，其能够在水资源进行不同关键点流转的过程中利用多维度的水资源参数信息实时进行水污染的监测，这有助于及时发现和处理水资源污染事件，从而提高水资源异常监测的准确性和实时性，保障水质安全和供水可靠性。

图3为本发明实施例中提供的一种水资源实时监控系统的框图。如图3所示，所述水资源实时监控系统200，包括：数据获取模块210，用于获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量；向量排列模块220，用于将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量；特征提取模块230，用于通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量；水资源污染情况判断模块240，用于计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。

本领域技术人员可以理解，上述水资源实时监控系统中的各个步骤的具体操作已经在上面参考图1到图2的水资源实时监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本发明实施例的水资源实时监控系统200可以实现在各种终端设备中，例如用于水资源实时监控的服务器等。在一个示例中，根据本发明实施例的水资源实时监控系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该水资源实时监控系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该水资源实时监控系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该水资源实时监控系统200与该终端设备也可以是分立的设备，并且该水资源实时监控系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

在本申请的一个实施例中，还提供一种电子设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如所述的水资源实时监控方法。

图4为本发明实施例中提供的一种水资源实时监控方法的应用场景图。如图4所示，在该应用场景中，首先，获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值（例如，如图4中所示意的C）；然后，将获取的参数值输入至部署有水资源实时监控算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于水资源实时监控算法对所述参数值进行处理，以确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种水资源实时监控方法，其特征在于，包括：

获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量；

将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量；

通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量；

计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染；

其中，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染，包括：

计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度；

基于所述相关度与预定阈值之间的比较，确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染；

其中，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度，包括：以如下相关度公式计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度；

其中，所述相关度公式为：

；

其中，和/>分别表示所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量，/>和/>分别为两种不同的线性变换，/>表示所述相关度。

2.根据权利要求1所述的水资源实时监控方法，其特征在于，所述基于深度神经网络模型的特征提取器为基于全连接层的特征提取器。

3.根据权利要求2所述的水资源实时监控方法，其特征在于，响应于所述相关度小于所述预定阈值，确定所述水资源在从第一关键节点流转至第二关键节点的过程中被污染。

4.根据权利要求3所述的水资源实时监控方法，其特征在于，还包括训练步骤：用于对所述基于全连接层的特征提取器进行训练。

5.根据权利要求4所述的水资源实时监控方法，其特征在于，所述训练步骤，包括：

获取训练数据，所述训练数据包括由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的训练参数值，所述训练参数值包括训练流量、训练压力、训练水位、训练温度、训练浊度、训练pH值、训练电导率和训练余氯量；

将所述水资源在第一关键节点和第二关键节点的训练参数值按照参数样本维度排列为训练输入向量以得到训练第一水资源参数输入向量和训练第二水资源参数输入向量；

通过基于深度神经网络模型的特征提取器分别对所述训练第一水资源参数输入向量和所述训练第二水资源参数输入向量进行特征提取以得到训练第一水资源参数关联特征向量和训练第二水资源参数关联特征向量；

计算所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的所述训练相关度；

计算所述训练第一水资源参数关联特征向量和所述训练第二水资源参数关联特征向量之间的预定损失函数值；

计算所述训练相关度和所述预定损失函数值的加权和作为损失函数值来对所述基于全连接层的特征提取器进行训练。

6.一种水资源实时监控系统，其特征在于，包括：

数据获取模块，用于获取由第一传感器组和第二传感器组采集的水资源在第一关键节点和第二关键节点的参数值，所述参数值包括流量、压力、水位、温度、浊度、pH值、电导率和余氯量；

向量排列模块，用于将所述水资源在第一关键节点和第二关键节点的参数值按照参数样本维度排列为输入向量以得到第一水资源参数输入向量和第二水资源参数输入向量；

特征提取模块，用于通过基于深度神经网络模型的特征提取器分别对所述第一水资源参数输入向量和所述第二水资源参数输入向量进行特征提取以得到第一水资源参数关联特征向量和第二水资源参数关联特征向量；

水资源污染情况判断模块，用于计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的相关度，并确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染；

其中，所述水资源污染情况判断模块，包括：

计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度；

基于所述相关度与预定阈值之间的比较，确定所述水资源在从第一关键节点流转至第二关键节点的过程中是否被污染；

其中，计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度，包括：以如下相关度公式计算所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量之间的所述相关度；

其中，所述相关度公式为：

；

其中，和/>分别表示所述第一水资源参数关联特征向量和所述第二水资源参数关联特征向量，/>和/>分别为两种不同的线性变换，/>表示所述相关度。

7.根据权利要求6所述的水资源实时监控系统，其特征在于，所述基于深度神经网络模型的特征提取器为基于全连接层的特征提取器。

8.一种电子设备，包括：

处理器；

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的水资源实时监控方法。