CN117350601A - 水质预测方法、装置、电子设备及存储介质 - Google Patents
水质预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117350601A CN117350601A CN202311657887.7A CN202311657887A CN117350601A CN 117350601 A CN117350601 A CN 117350601A CN 202311657887 A CN202311657887 A CN 202311657887A CN 117350601 A CN117350601 A CN 117350601A
- Authority
- CN
- China
- Prior art keywords
- water quality
- air
- index
- quality index
- relation
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 230000035772 mutation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水质预测方法,涉及水质监测技术领域,包括获取空气以及水质的历史数据,基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;基于所述空气水质指标关系组确定第一映射关系,获取基于空气水质指标关系组确定的空气指标实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。通过本申请确定空气水质指标关系组,并引入了滞后项,考虑到了水质指标以及空气指标中的相关性,提升了水质预测的准确性。
Description
技术领域
本发明涉及DLNMs计算机模型应用的技术领域,尤其是涉及一种水质预测方法、装置、电子设备及存储介质。
背景技术
大气污染和水质之间的关系是环境领域中的重要研究方向之一。两者之间的内部联系和相互影响的关系较为复杂,现在通用技术包括使用计算机模拟,建立大气污染和水质之间的定量模型。这些模型可以基于物质平衡、质量传递等原理,模拟和预测大气污染物输入对水体的污染程度和水质参数的变化产生的影响。这些模型可以是物理模型、统计模型或机器学习模型,如多元线性回归、人工神经网络、支持向量机等。但是现有的方法涵盖空气和水质模型需要参数多、模型大,运行十分困难。这些方法通常需要大量的监测数据来支持分析和建模。然而,获取高质量和全面的数据可能面临挑战,包括数据缺失、数据不一致和数据采集频率的限制等,且监测数据中存在的误差、噪声和不准确性可能会对分析结果产生影响。低质量的数据可能导致误导性的关联结果或无法检测到真实的关联性,由此可知,针对于大气污染和水质之间的关系的表征,准确性有待提高,由此,相关技术中,基于大气参数对水质参数的预测有待提高。
发明内容
有鉴于此,本发明的目的在于提供一种水质预测方法,以提升水质参数预测的准确性。
第一方面,本发明实施例提供了一种水质预测方法,包括:
获取空气以及水质的历史数据,所述空气以及水质的历史数据包括:至少一个空气指标历史数据以及至少一个水质指标历史数据;
基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;
基于所述空气水质指标关系组确定第一映射关系,所述第一映射关系为针对于空气水质指标关系组的相关性关系、滞后性关系;
获取所述空气水质指标关系组中空气指标的实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。
通过本申请之中确定空气水质指标关系组,并引入了滞后项,考虑到了水质指标以及空气指标中的相关性,提升了水质预测的准确性。
一种可能的方式是,所述基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组的步骤中;
确定至少一个第一MIC参数;
确定第二MIC参数,所述第二MIC参数为所述至少一个第一MIC参数的最大值;
基于所述第二MIC参数确定所述空气水质指标关系组;
其中,所述第一MIC参数基于任一空气指标历史数据以及任一水质指标历史数据确定,所述任一空气指标历史数据存在于所述至少一个空气指标历史数据之中,所述任一水质指标历史数据存在于至少一个水质指标历史数据之中;
采用如下公式确定所述第一MIC参数:
;
—水质空气指标的概率关系;
—空气指标历史数据;
—水质指标历史数据;
;
—空气指标以及水质指标的联合概率;
—空气指标概率;
—水质指标概率。
一种可能的方式是,所述基于所述空气水质指标关系组确定第一映射关系的步骤包括:
基于所述空气水质指标关系组构建DLNMs模型;
基于所述DLNMs模型输出第二映射关系;
基于预设区间,第二映射关系中针对于空气水质指标关系组的相关性数值,确定第一映射关系;
所述第二映射关系包括所述第一映射关系,所述第一映射关系的针对于空气水质指标关系组的相关性数值在预设区间内。
一种可能的方式是,获取所述空气水质指标关系组中空气指标实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果的步骤中,所述回归方程如下:
;
—回归系数;
—水质指标的预测结果;
—空气水质指标关系组中空气指标实时数据基于第一映射关系确定的滞后值;
—空气水质指标关系组中的空气指标实时数据;
—误差项。
一种可能的方式是,获取基于空气水质指标关系确定的空气指标实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果的步骤之后,所述方法还包括:
确定置信区间,水质指标的实际结果与所述水质指标的预测结果进行比对生成比对结果;
若比对结果在置信区间外,则判断水质突变因素除大气因素外,存在其他因素。
一种可能的方式是,确定置信区间,与所述于空气水质指标关系确定的水质指标的预测结果进行比对的步骤之后,
若所述水质指标的预测结果在置信区间内,则设置门限阈值,判定针对于空气水质指标关系组的相关性数值是否大于门限阈值;
若大于,则所述水质指标的预测结果准确;
若小于,则所述水质指标的预测结果不准确。
一种可能的方式是,采用如下方式确实置信区间:
在预设时间段内,基于所述水质指标的预测结果确定针对于水质指标的预测结果移动平均和针对于水质指标的预测结果的移动标准差;
基于所述针对于水质指标的预测结果移动平均、所述针对于水质指标的预测结果的移动标准差以及预设阈值倍数确定置信区间。
第二方面,本申请提供了一种水质预测装置,包括:
获取模块:用于获取空气以及水质的历史数据,所述空气以及水质的历史数据包括:至少一个空气指标历史数据以及至少一个水质指标历史数据;
第一确定模块:用于基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;
第二确定模块:用于基于所述空气水质指标关系组确定第一映射关系,所述第一映射关系为针对于空气水质指标关系组的相关性关系、滞后性关系;
输出模块:用于获取所述空气水质指标关系组中空气指标的实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。
本申请第二方面的效果与第一方面类似,在此不做赘述。
本发明的其他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在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种水质预测方法流程图;
图2为本发明实施例提供的第一映射确定流程图;
图3为本发明实施例提供的一种水质预测装置结构图。
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,下面将结合附图对本发明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,本领域普通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。
目前,针对于大气污染和水质之间的关系,现在通用技术包括使用计算机模拟,建立大气污染和水质之间的定量模型。但是现有的方法涵盖空气和水质模型需要参数多、模型大,运行十分困难。这些方法通常需要大量的监测数据来支持分析和建模。然而,获取高质量和全面的数据可能面临挑战,包括数据缺失、数据不一致和数据采集频率的限制等,且监测数据中存在的误差、噪声和不准确性可能会对分析结果产生影响。低质量的数据可能导致误导性的关联结果或无法检测到真实的关联性,由此可知,针对于大气污染和水质之间的关系的表征,准确性有待提高,由此,相关技术中,基于大气参数对水质参数的预测有待提高。基于此,本发明实施例提供的一种水质预测方法、装置以及系统,可以更加提升对于大气污染和水质之间的关系的表征的准确性,进一步提升水质参数的预测的准确性。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种水质预测方法进行详细介绍。
图1为本申请提供的一种水质预测方法流程图,具体包括如下步骤:
S1:获取空气以及水质的历史数据。
具体的,在此步骤中,一种可实现的方式是,确定水质监测站点,并选择该水质监测站点最近的空气质量监测站点,基于此可以确定空气以及水质的历史数据。
在此空气以及水质的历史数据之中,空气指标可以包括但不限于:TSP (totalsuspended particulate,总悬浮颗粒物)、PM2.5,水质指标包括但不限于:COD、氨氮。
由此可知,前述空气以及水质的历史数据包括:至少一个空气指标历史数据以及至少一个水质指标历史数据。
S2:基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;
具体的,在此步骤中,针对于每个水质指标历史数据,确定其与每个空气指标历史数据之间的关系,继续以前述空气指标历史数据为TSP数据 、PM2.5数据,水质指标数据为:COD数据、氨氮数据为例,在此,针对于TSP数据,分别求取其与COD数据、氨氮数据的MIC值,针对于PM2.5数据,分别求取其与COD数据、氨氮数据的MIC值,基于此可以确定四个不同的MIC值,基于该四个MIC之中的最大值,确定空气水质指标关系组。
具体的,假定PM2.5数据与COD数据之间的MIC值最大,则PM2.5的历史数据与 COD的历史数据为空气水质指标关系组。
进一步的,以求取PM2.5数据COD数据为例,以及可采用如下公式求取MIC值:
;
—水质空气指标的概率关系;
—空气指标历史数据;
—水质指标历史数据;
;
—空气指标以及水质指标的联合概率;
—空气指标概率;
—水质指标概率。
基于此可知,在此步骤包括:
确定至少一个第一MIC参数;
可理解的,在此,至少一个第一MIC参数代表着前述示例确定的四个MIC值。
确定第二MIC参数,第二MIC参数为所述至少一个第一MIC参数的最大值;
可理解的,在此,第二MIC参数代表着四个MIC值之中的最大值。
基于所述第二MIC参数确定所述空气水质指标关系组;
可理解的,所述第一MIC参数基于任一空气指标历史数据以及任一水质指标历史数据确定。
也就是说,在此第一MIC参数是基于一个空气指标历史数据以及一个水质指标历史数据求取而得。
所述任一空气指标历史数据存在于所述至少一个空气指标历史数据之中,所述任一水质指标历史数据存在于至少一个水质指标历史数据之中;
采用如下公式确定所述第一MIC参数:
;
—水质空气指标的概率关系;
—空气指标历史数据;
—水质指标历史数据;
;
—空气指标以及水质指标的联合概率;
—空气指标概率
—水质指标概率。
S3:基于所述空气水质指标关系组确定第一映射关系,
需要说明的是,所述第一映射关系为针对于空气水质指标关系组的相关性关系、滞后性关系;
基于前述,构建了空气水质指标关系组,在此基于空气水质指标关系组构建DLNMs模型,并求取空气水质指标关系组的相关性数值、滞后值之间的映射关系。
当获取了映射关系后,在此构建回归方程,利用该回归刚才对水质指标进行预测。
在此,为了提升预测的准确性,在本申请提供的实施例中,针对于冗余无效的数据进行了剔除,具体的,当确定了空气水质指标关系组中,相关性关系、滞后性关系之后,代入线性回归方程,在给定空气水质指标关系组中空气指标的实时数据后,即可生成水质指标的预测结果。
在本申请提供的实施例中,为了进一步提升预测算法的准确性,在此针对于冗余数据进行了剔除,具体的,在此利用相关性数值进行冗余数据的提取。
具体的,当构建出了空气水质指标关系组中,相关性数值、空气指标数据、滞后值之间的映射关系后,提取相关性数值在5%的部分,重新确定映射关系。
由此可知,请参照他所述基于所述空气水质指标关系组确定第一映射关系的步骤包括:
S301:基于所述空气水质指标关系组构建DLNMs模型;
在此,针对于利用空气水质指标关系组构建DLNMs模型的方式,相关文献中已有所记载,在此不再赘述。
S302:基于所述DLNMs模型输出第二映射关系;
需要说明的是,在此第二映射关系可理解为前述空气水质指标关系组中,相关性关系、滞后性关系的所有映射关系。
S303:基于预设区间,第二映射关系中针对于空气水质指标关系组的相关性关系,确定第一映射关系。
需要说明的是,预设区间对应前述中针对于空气水质指标关系组的相关性数值的最大5%的部分。
由此可知所述第二映射关系包括所述第一映射关系,所述第一映射关系的针对于空气水质指标关系组的相关性数值在预设区间内。
基于此,构建了针对于空气水质指标关系组的相关性关系、滞后性关系。
S4:获取所述空气水质指标关系组中,空气指标实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。
在此,一种可能的方式是,所述回归方程如下:
;
—回归系数;
—水质指标的预测结果;
—空气水质指标关系组中空气指标实时数据基于第一映射关系确定的滞后值;
—空气水质指标关系组中的空气指标实时数据;
—误差项。
在前述实施例的基础上,在此利用线性回归方程,即可利用实时空气指标对水质指标进行预测。
在本申请提供的实施例中,基于最相关的关系组,并引入了滞后项,考虑到了水质指标以及空气指标中的相关性,提升了水质预测的准确性。
在前述实施例的基础上,本申请提供的实施例之中,还可以利用水质指标的预测结果对水质突变来源进行判定。
首先确定置信区间,并将水质指标的实际结果与所述水质指标的预测结果进行比对生成比对结果,若此比对结果在置信区间外,则说明水质突变因素除大气因素外,存在其他因素。
由此,考虑水质突变时,即在采集空气指标时同时采集水质指标,并将空气指标与水质指标相关联,对该水质指标是否与大气污染有关的研判更加准确。
针对于置信区间的确定方式,相关技术中,采用固定阈值,在此容易收到数据波动的影响而产生误报警。
为了解决此问题,采用滑窗的方式对设置置信区间,实现对阈值(即后述置信区间)的自适应设置、
具体的,在预设时间段内,也可叫计算滑动窗口(例如10小时内),基于所述水质指标的预测结果确定针对于水质指标的预测结果移动平均和针对于水质指标的预测结果的移动标准差。
进而基于所述针对于水质指标的预测结果移动平均、所述针对于水质指标的预测结果的移动标准差以及预设阈值倍数确定置信区间。
具体的,置信区间可以采用如下方式确定:
;
—置信区间;
—针对于水质指标的预测结果移动平均;
—预设阈值倍数;
—针对于水质指标的预测结果的移动标准差。
在此,若水质指标的预测结果在置信区间内,在本申请提供的实施例之中,则对前述水质指标的预测结果进行校验,具体可采用如下方式:
设置门限阈值,判定针对于空气水质指标关系组的相关性数值是否大于门限阈值。
结合前述,针对于空气水质指标关系组的相关性数值是可以通过空气水质指标关系组构建DLNMs模型生成。
具体针对于空气水质指标关系组的相关性数值的生成方式请参照前述,在此不再赘述。
若大于,则所述水质指标的预测结果准确,若小于,则所述水质指标的预测结果不准确。
示例性的,假定门限阈值为1,在此,若针对于空气水质指标关系组的相关性数值大于1,则说明水质指标的预测结果是准确的,反之,则随之指标的预测结果是不准确的,在此可对DLNMs模型进行进一步训练。
通过本申请提供的实施例,首先确定最相关的关系组,并引入了滞后项,考虑到了水质指标以及空气指标中的相关性,提升了水质预测的准确性。
其次,在考虑水质突变时,即在采集空气指标时同时采集水质指标,并将空气指标与水质指标相关联,对该水质指标是否与大气污染有关的研判更加准确。
最后,相关技术中,传统水质突变采固定的阈值,容易受到数据波动而产生误报警,在此,本申请采用滑窗的方式,针对于预设时间段求移动平均以及移动标准差,对置信区间进行自适应设置。
图3为本申请提供的一种水质预测装置结构图,包括:
获取模块:用于获取空气以及水质的历史数据,所述空气以及水质的历史数据包括:至少一个空气指标历史数据以及至少一个水质指标历史数据;
第一确定模块:用于基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;
第二确定模块:用于基于所述空气水质指标关系组确定第一映射关系,所述第一映射关系为针对于空气水质指标关系组的相关性数值、空气指标数据、滞后值的关系;
输出模块:用于获取所述空气水质指标关系组中,空气指标实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
参见图3,本发明实施例还提供一种电子设备100,包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序401,所述处理器40在接收到执行指令后,执行所述程序401,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的水质预测方法、装置以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种水质预测方法,其特征在于,包括:
获取空气以及水质的历史数据,所述空气以及水质的历史数据包括:至少一个空气指标历史数据以及至少一个水质指标历史数据;
基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;
基于所述空气水质指标关系组确定第一映射关系,所述第一映射关系为针对于空气水质指标关系组的相关性关系、滞后性关系;
获取所述空气水质指标关系组中空气指标的实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。
2.根据权利要求1所述的,其特征在于,所述基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组的步骤中;
确定至少一个第一MIC参数;
确定第二MIC参数,所述第二MIC参数为所述至少一个第一MIC参数的最大值;
基于所述第二MIC参数确定所述空气水质指标关系组;
其中,所述第一MIC参数基于任一空气指标历史数据以及任一水质指标历史数据确定;
采用如下公式确定所述第一MIC参数:
;
—水质空气指标的概率关系;
—空气指标历史数据;
—水质指标历史数据;
;
—空气指标以及水质指标的联合概率;
—空气指标概率;
—水质指标概率。
3.根据权利要求1所述的方法,其特征在于,所述基于所述空气水质指标关系组确定第一映射关系的步骤包括:
基于所述空气水质指标关系组构建DLNMs模型;
基于所述DLNMs模型输出第二映射关系;
基于预设区间和第二映射关系中针对于空气水质指标关系组的相关性关系,确定第一映射关系;
所述第二映射关系包括所述第一映射关系,所述第一映射关系的针对于空气水质指标关系组的相关性数值在预设区间内。
4.根据权利要求1所述的方法,其特征在于,获取所述空气水质指标关系组中空气指标的实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果的步骤中,所述回归方程如下:
;
—回归系数;
—水质指标的预测结果;
—空气水质指标关系组中空气指标的实时数据基于第一映射关系确定的滞后值;
—空气水质指标关系组中空气指标的实时数据;
—误差项。
5.根据权利要求1至4任一项所述的方法,其特征在于,获取所述空气水质指标关系组中空气指标的实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果的步骤之后,所述方法还包括:
确定置信区间,将水质指标的实际结果与所述水质指标的预测结果进行比对生成比对结果;
若比对结果在置信区间外,则判断水质突变因素除大气因素外,存在其他因素。
6.根据权利要求5所述的方法,其特征在于,确定置信区间,将水质指标的实际结果与所述水质指标的预测结果进行比对生成比对结果的步骤之后,
若所述水质指标的预测结果在置信区间内,则设置门限阈值,判定针对于空气水质指标关系组的相关性数值是否大于门限阈值;
若大于,则所述水质指标的预测结果准确;
若小于,则所述水质指标的预测结果不准确。
7.根据权利要求5所述的方法,其特征在于,采用如下方式确实置信区间:
在预设时间段内,基于所述水质指标的预测结果确定针对于水质指标的预测结果移动平均、针对于水质指标的预测结果的移动标准差;
基于所述针对于水质指标的预测结果移动平均、针对于水质指标的预测结果的移动标准差以及预设阈值倍数确定置信区间。
8.一种水质预测装置,其特征在于,包括:
获取模块:用于获取空气以及水质的历史数据,所述空气以及水质的历史数据包括:至少一个空气指标历史数据以及至少一个水质指标历史数据;
第一确定模块:用于基于所述至少一个空气指标历史数据以及所述至少一个水质指标历史数据确定空气水质指标关系组;
第二确定模块:用于基于所述空气水质指标关系组确定第一映射关系,所述第一映射关系为针对于空气水质指标关系组的相关性关系、滞后性关系;
输出模块:用于获取所述空气水质指标关系组中空气指标的实时数据,基于所述第一映射关系构建回归方程,生成水质指标的预测结果。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有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上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657887.7A CN117350601B (zh) | 2023-12-06 | 2023-12-06 | 水质预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657887.7A CN117350601B (zh) | 2023-12-06 | 2023-12-06 | 水质预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350601A true CN117350601A (zh) | 2024-01-05 |
CN117350601B CN117350601B (zh) | 2024-04-16 |
Family
ID=89367189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657887.7A Active CN117350601B (zh) | 2023-12-06 | 2023-12-06 | 水质预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350601B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
WO2020213614A1 (ja) * | 2019-04-15 | 2020-10-22 | 国立研究開発法人理化学研究所 | 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体 |
CN113744083A (zh) * | 2021-08-27 | 2021-12-03 | 暨南大学 | 一种基于环境不平衡数据的水质预测方法 |
CN114022052A (zh) * | 2022-01-04 | 2022-02-08 | 北京英视睿达科技股份有限公司 | 水质异常监测方法、装置、存储介质及计算机设备 |
CN114723188A (zh) * | 2022-06-09 | 2022-07-08 | 广东盈峰科技有限公司 | 水质预测方法、装置、计算机设备和存储介质 |
WO2022217839A1 (zh) * | 2021-04-14 | 2022-10-20 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
CN116362363A (zh) * | 2021-12-27 | 2023-06-30 | 腾讯科技(深圳)有限公司 | 一种水质预测方法、装置、设备及存储介质 |
-
2023
- 2023-12-06 CN CN202311657887.7A patent/CN117350601B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
WO2020213614A1 (ja) * | 2019-04-15 | 2020-10-22 | 国立研究開発法人理化学研究所 | 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体 |
WO2022217839A1 (zh) * | 2021-04-14 | 2022-10-20 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
CN113744083A (zh) * | 2021-08-27 | 2021-12-03 | 暨南大学 | 一种基于环境不平衡数据的水质预测方法 |
CN116362363A (zh) * | 2021-12-27 | 2023-06-30 | 腾讯科技(深圳)有限公司 | 一种水质预测方法、装置、设备及存储介质 |
CN114022052A (zh) * | 2022-01-04 | 2022-02-08 | 北京英视睿达科技股份有限公司 | 水质异常监测方法、装置、存储介质及计算机设备 |
CN114723188A (zh) * | 2022-06-09 | 2022-07-08 | 广东盈峰科技有限公司 | 水质预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
ALBERTO QUEVEDO-CASTRO ET AL.: ""Modeling the effect of climate change scenarios on water quality for tropical reservoirs"", 《JOURNAL OF ENVIRONMENTAL MANAGEMENT》, vol. 322 * |
孙兆兵;王保良;冀海峰;黄志尧;李海青;: "基于概率组合的水质预测方法", 中国环境科学, no. 10, 20 October 2011 (2011-10-20) * |
程晓丽: ""经济社会发展视角下衡水湖流域水质影响因素与预测研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, vol. 2023, no. 02 * |
顾杰;王嘉;邓俊晖;: "基于ARIMA模型与BP神经网络算法的水质预测", 电脑编程技巧与维护, no. 03, 18 March 2020 (2020-03-18) * |
Also Published As
Publication number | Publication date |
---|---|
CN117350601B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
US8041597B2 (en) | Self-calibrating outlier model and adaptive cascade model for fraud detection | |
CN110266552B (zh) | 流量异常检测的方法、模型训练方法和装置 | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN116432091B (zh) | 基于小样本的设备故障诊断方法、模型的构建方法及装置 | |
TWI710970B (zh) | 無監督模型評估方法、裝置、伺服器及可讀儲存媒體 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN113409167A (zh) | 一种水质异常分析方法及装置 | |
CN114970717A (zh) | 时序数据异常检测方法、电子设备及计算机存储介质 | |
CN117350601B (zh) | 水质预测方法、装置、电子设备及存储介质 | |
CN113111585A (zh) | 一种智能机柜故障预测方法、系统及智能机柜 | |
CN111623993A (zh) | 挖掘机的发动机健康度评估方法、装置及电子设备 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
US20220058075A1 (en) | Identifying faults in system data | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN116088333A (zh) | 工业设备控制方法、装置、计算机设备、存储介质和产品 | |
CN109960626A (zh) | 端口异常的识别方法、装置、设备及介质 | |
CN113505039A (zh) | 一种通信故障分析方法、设备及系统 | |
CN117235434B (zh) | 林业碳汇项目基线构建方法、系统、终端及介质 | |
CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 | |
CN115830874B (zh) | 一种交通流基本图的拟合性能评价方法及系统 | |
CN118278258A (zh) | 一种模拟报警关联的方法和装置 | |
US20230366708A1 (en) | Apparatus, method, and computer readable medium |
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 |