CN117391261B - 一种基于低功耗超声波测量的物联网ai智慧水务系统 - Google Patents

Abstract

本发明公开了一种基于低功耗超声波测量的物联网AI智慧水务系统，具体涉及水务管理领域，是通过计算每个用户在单位周期内的Z分数的异常程度，相对于整体用户群体的平均水平评估用户用水行为的偏离程度，提高了用水监测系统对异常的准确性。通过构建预测模型，考虑历史同一周期用水数据以及整体无序度系数，提高了用水量预测准确性和个性化适应性。设定触发提醒的阈值时，综合考虑了用户个体历史行为和整体用水模式的无序度，减少了误报可能性。这一过程提高了系统的智能性和个性化适应性，为用户提供更符合实际需求的用水监测服务，同时减轻了用户的操作负担，提高了用水管理的效率。

Description

一种基于低功耗超声波测量的物联网AI智慧水务系统

技术领域

本发明涉及水务管理领域，更具体地说，本发明涉及一种基于低功耗超声波测量的物联网AI智慧水务系统。

背景技术

随着城市的蓬勃发展，供水设施日益采用智能化技术，开始采用低功耗超声波测量设备，以满足不断增长的用水需求。供水公司为了管理用户的水资源使用，通常会设定一个静态的余量触发值，一旦用户的水量余额达到这个固定值，系统便提前几天自动发送通知，提示用户需要尽快缴纳费用。然而，这种静态触发值在实际应用中存在一些明显的不足之处。

问题在于，城市中的居民和企业用户的用水习惯差异极大。一些用户可能以庞大的用水需求，如酒店、工厂或大型农田灌溉，而另一些用户则相对节约用水，如小户家庭或小型企业。这种差异导致了两种常见情况：首先，对于高用水量用户，他们可能在水源不足前的数天内就接到提醒，然而在提醒时，他们的剩余水量可能已经不足当天需求，这往往不足以引起用户足够的警觉；其次，对于低用水量用户，他们可能在提醒时才发现水源不足，导致用水突然中断，对其居住和生产带来极大不便。

这一现状凸显了供水系统的一些关键限制，特别是其缺乏适应多样用户用水需求的灵活性。因此，我们需要更智能、更个性化的方法，以更好地满足不同用户的需求，提前警报和避免用水中断，以提高供水系统的效率并确保用户的满意度。

为了解决上述问题，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供，通过计算每个用户在每个单位周期的Z分数的异常程度，相对于整体用户群体的平均水平评估用户用水行为的偏离程度。通过对异常程度值和异常程度阈值的比较，准确识别哪些用户在单位周期内用水行为偏离整体平均水平较远，从而被判定为异常。异常程度值越大表示用户用水行为与整体平均水平的偏离程度越大。系统根据异常程度对所有用户排序，确定检查优先级，提高用水监测系统对异常的准确性和敏感性。通过从云服务器获取异常和正常数据，计算熵值，线性归一化，得到整体无序度系数，与无序阈值比较生成信号，帮助明确用户用水行为的规律性和可预测性，提高用水管理效率。通过构建预测模型，综合考虑历史同一周期用水数据以及整体无序度系数，提高用水量预测准确性和个性化适应性。设定触发提醒阈值时，考虑用户个体历史行为和整体用水模式的无序度，减少误报可能性，提高系统的智能性和个性化适应性，为用户提供更贴近实际需求的用水监测服务，减轻操作负担，提高用水管理效率，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：包括云服务器、数据统计模块、状态识别模块、优先级别模块、有序总结模块、出示结果模块、动态调整模块：

云服务器用于存储和收发各种模块所需调取和处理过的数据；

数据统计模块通过计量设备收集历史用水数据，将历史用水数据发送至云服务器；

状态识别模块通过云服务器调取经过数据统计模块收集到的数据，计算得到Z分数，识别出历史用水数据中的异常数据和正常数据，并进行分类保存，将异常数据和正常数据分别发送至云服务器；

优先级别模块通过云服务器调取经过状态识别模块计算得到的Z分数，进一步计算得到异常程度系数，基于异常程度系数获得检查优先级；

有序总结模块通过云服务器调取经过状态识别模块处理的数据，对正常数据和异常数据分别计算得到对应的熵，将各自对应的熵加权求和，得出整体无序度系数，将整体无序度系数发送至出示结果模块；

出示结果模块对整体无序度系数进一步分析得出不可预测信号或可预测信号，将可预测信号发送至动态调整模块；

动态调整模块在基于同一历史时期的用水数据以及整体无序度系数，建立预测模型，预测用水量。

在一个优选的实施方式中，数据统计模块的运行过程如下：

设置定时任务，周期性地从计量设备中读取历史用水数据，使用物联网协议通过无线通信传输数据将历史用水数据上传到云服务器，云服务器对历史用水数据格式化为标准结构，同时对历史用水数据进行聚合。

在一个优选的实施方式中，状态识别模块的运行过程如下：

通过云服务器的API数据查询方式，获取用户单位周期用水数据，用水数据包含用户标识符，单位周期的总用水量以及对应的日期或周次；

将用户的历史数据按单位周期进行分组并对每个单位周期的数据求平均，得到基线表示正常的单位周期用水量；

将每个用户在单位周期内的用水量相加，然后除以用户数量，得到单位周期的平均用水量；对每个用户，计算其实际用水量与单位周期平均用水量之间的差异；将每个用户的差异值进行平方操作；将所有用户的平方差异值相加，然后除以用户数量，得到平方差异值的平均值；对平均平方差异值取平方根，得到单位周期基线的标准偏差；

对于每个用户，使用用户的用水量减去当前单位周期的基线再除以当前单位周期的基线的标准偏差得到标准化的Z分数；

使用得到的Z分数与区分阈值进行比较，如果Z分数大于等于区分阈值，则将数据标记为异常数据，否则，标记为正常数据。

在一个优选的实施方式中，优先级别模块的运行过程如下：

对所有用户在每个单位周期的Z分数进行求平均，得到整体Z分数的平均值，计算所有用户在每个单位周期的Z分数的标准差，得到整体Z分数的标准差，对于每个用户，使用以下公式计算其Z分数的异常程度：异常程度=∣用户的Z分数−整体Z分数的平均值∣/整体Z分数的标准差。

在一个优选的实施方式中，在获得异常程度后，将异常程度值和异常程度阈值进行比较，若异常程度值大于等于异常程度阈值；则根据计算得到的异常程度对所有用户进行排序，按照异常程度从高到低排序，排序序号即优先值，依据优先值确定优先检查顺序。

在一个优选的实施方式中，有序总结模块的运行过程如下：

从云服务器调取同一单位周期对应的异常数据和正常数据，构建异常数据集和正常数据集，对于每个数据集，分别计算对应的熵，得到异常熵和正常熵；将异常熵和正常熵的值进行线性归一化，确保在相同的尺度上；为每个归一化的异常熵和正常熵分配一个权重，反映其在整体无序系数中的重要性，按照权重进行加权求和，得到整体无序度系数。

在一个优选的实施方式中，出示结果模块的运行过程如下：

在获得整体无序度系数后，将整体无序度系数和无序阈值进行比较；若整体无序度系数大于等于无序阈值，生成不可预测信号；反之，如果整体无序度系数小于无序阈值，生成可预测信号。

在一个优选的实施方式中，动态调整模块的运行过程如下：

在获得可预测信号后，通过历史同一周期用水数据以及整体无序度系数构建预测模型，得到预测用水量，根据预测用水量确定触发提醒的阈值。

本发明一种基于低功耗超声波测量的物联网AI智慧水务系统的技术效果和优点：

1.本发明通过云服务器API查询方式获取用户的单位周期用水数据，并进行基线建模、标准化和异常检测，有助于提高水资源管理系统的效率和可靠性。通过建立正常用水行为的基线，使系统能够自动识别和标记异常用水行为，方便自动化区分异常数据，方便后续数据归类和分析。标准化Z分数的运用使不同用户在相同周期内的用水数据可在同一尺度上进行比较，而设定区分阈值则使系统更加智能地判断异常，进一步提升了系统的准确性和实时性；

本发明通过计算每个用户在每个单位周期的Z分数的异常程度，可以相对于整体用户群体的平均水平评估用户用水行为的偏离程度。这个过程通过对异常程度值和异常程度阈值的比较，能够准确识别哪些用户在单位周期内的用水行为偏离整体平均水平较远，从而被判定为异常。异常程度值越大表示用户用水行为与整体平均水平的偏离程度越大，因此，系统可以根据计算得到的异常程度对所有用户进行排序，并按照异常程度从高到低排序，将排序序号作为优先值，从而确定了用户用水行为的检查优先级。这个过程有助于智能化用水监测系统的管理，提高了对用户用水行为异常的准确性和敏感性，使得系统能够更精准地识别和优先处理潜在的问题用水情况；

本发明通过从云服务器获取异常和正常数据，分别计算对应熵值，进行线性归一化，并赋予权重后加权求和，得到整体无序度系数。将该系数与设定的无序阈值进行比较，生成相应的信号，帮助明确用户用水行为的规律性和可预测性。这一过程有益于在用水监测系统中实现智能判断，当整体无序度系数高于阈值时，系统发出不可预测信号，提示用水行为的不规律性，反之则发出可预测信号，指示用水行为相对有规律，有助于提高用水管理的效率，使系统更智能地应对用户用水行为的变化；

本发明通过构建预测模型，综合考虑历史同一周期用水数据以及整体无序度系数，可以提高用水量预测的准确性和个性化适应性。历史同一周期的用水数据为模型提供了基础，而整体无序度系数的引入则使模型能够更灵活地调整预测结果，以适应用户用水行为的复杂性和变化性。通过拟合历史数据并使用整体无序度系数进行修正，从而实现了对未来用水量更精准的预测。设定触发提醒的阈值时，不仅考虑了用户个体的历史行为，还考虑了整体用水模式的无序度，使提醒更符合实际情况，减少了误报的可能性。这一过程的有益效果在于提高了系统的智能性和个性化适应性，为用户提供更贴近实际需求的用水监测服务，同时减轻了用户的操作负担，提高了用水管理的效率。

附图说明

图1为本发明一种基于低功耗超声波测量的物联网AI智慧水务系统的结构示意图。

具体实施方式

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。

实施例1，图1给出了本发明一种基于低功耗超声波测量的物联网AI智慧水务系统，包括：云服务器、数据统计模块、状态识别模块、优先级别模块、有序总结模块、出示结果模块、动态调整模块。

云服务器用于存储和收发各种模块所需调取和处理过的数据；

数据统计模块通过计量设备收集历史用水数据，将历史用水数据发送至云服务器；

状态识别模块通过云服务器调取经过数据统计模块收集到的数据，计算得到Z分数，识别出历史用水数据中的异常数据和正常数据，并进行分类保存，将异常数据和正常数据分别发送至云服务器；

优先级别模块通过云服务器调取经过状态识别模块计算得到的Z分数，进一步计算得到异常程度系数，基于异常程度系数获得检查优先级；

有序总结模块通过云服务器调取经过状态识别模块处理的数据，对正常数据和异常数据分别计算得到对应的熵，将各自对应的熵加权求和，得出整体无序度系数，将整体无序度系数发送至出示结果模块；

出示结果模块对整体无序度系数进一步分析得出不可预测信号或可预测信号，将可预测信号发送至动态调整模块；

动态调整模块在基于同一历史时期的用水数据以及整体无序度系数，建立预测模型，预测用水量。

数据统计模块的运行过程如下：

对历史用水数据进行定时任务采集、物联网协议传输、云服务器上传、数据格式化、压缩和加密的步骤是为了确保数据的高效、安全和可用性。这样的处理流程不仅能够实现数据的实时更新和全球范围内的访问，还能提高数据的一致性和易处理性。在用户历史用水数据的分析过程中，聚合数据的必要性体现在减少冗余信息、简化数据集结构，从而提高状态识别模块的效率和准确性。这种处理方式不仅优化了数据传输和存储，还为后续的状态分析提供了更加精炼和有意义的数据基础。

设置定时任务，周期性地从计量设备中读取历史用水数据，例如每小时、每天或每月一次；

使用物联网协议（例如MQTT、CoAP）通过无线通信传输数据，确保设备和数据之间的实时连接；

将历史用水数据上传到云服务器，以便在任何地方都能够访问和处理数据。使用HTTPS或其他安全协议确保数据传输的安全性；

将历史用水数据格式化为标准结构，例如JSON或XML，以确保数据的一致性和易于处理；

同时对历史用水数据进行聚合，例如将分钟级别的数据聚合为小时级别。

执行上述步骤的有效果在于优化数据处理和传输流程，提高系统的效率和安全性。首先，设置定时任务定期从计量设备中读取历史用水数据，可以确保数据采集是有规律的，及时获取更新的用水信息。通过使用物联网协议（如MQTT、CoAP），实现无线通信可以保障设备与数据之间的实时连接，使得数据传输更加实时可靠；其次，将历史用水数据上传到云服务器，使用HTTPS或其他安全协议进行数据传输，有助于实现数据的远程访问和处理。这样的架构使得用户可以在任何地方访问和监控用水数据，同时通过采用安全协议，确保数据传输的保密性和完整性，有效应对潜在的安全威胁；第三，将历史用水数据格式化为标准结构（如JSON或XML），有助于确保数据的一致性和易于处理。标准结构的数据更容易被其他系统或模块识别和处理，提高了数据的可用性和可操作性；此外，在传输过程中对数据进行压缩以减少带宽占用，可以提高数据传输的效率，特别是在网络资源有限的情况下。同时，使用加密算法确保数据的安全传输，有助于防止数据在传输过程中被未授权方访问或篡改；最后，对历史用水数据进行聚合，例如将分钟级别的数据聚合为小时级别，有助于减少冗余信息，提高数据处理的效率。聚合后的数据更具概括性，同时可以降低对存储和计算资源的需求，使得状态识别模块更容易处理和分析这些数据，从而提高整个系统的性能。

状态识别模块的运行过程如下：

区分异常和正常数据在数据分析中具有重要意义。通过标识异常数据，我们能够识别出与正常模式不同的特殊情况或异常行为，从而及时发现潜在问题或异常事件。这有助于提高系统的安全性、稳定性和效率。在计量设备中，例如，异常用水行为可能表明漏水、故障或非正常操作，通过及时识别和处理这些异常情况，可以降低水资源浪费、提升设备运行效能，同时增强系统的可靠性和可维护性。因此，区分异常和正常数据在数据分析中是为了及早发现并处理潜在问题，从而保障系统的正常运行和数据的可靠性。

通过云服务器的API数据查询方式，获取用户单位周期用水数据，用水数据包含用户标识符，单位周期的总用水量以及对应的日期或周次；

将用户的历史数据按单位周期进行分组并对每个单位周期的数据求平均，得到基线表示正常的单位周期用水量。例如，如果我们想要创建一个每日基线，就需要把每日所有用户的所有用水记录加起来然后除以该日所有用户数量得出一个平均值。

将每个用户在单位周期内的用水量相加，然后除以用户数量，得到单位周期的平均用水量；对每个用户，计算其实际用水量与单位周期平均用水量之间的差异；将每个用户的差异值进行平方操作；将所有用户的平方差异值相加，然后除以用户数量，得到平方差异值的平均值；对平均平方差异值取平方根，得到单位周期基线的标准偏差；

通过计算单位周期基线的标准偏差，可以得到一个反映整个用户群体在单位周期内用水行为变异程度的量度，从而为后续的异常检测提供了基准。在标准化用户用水数据时，使用这个标准偏差将用户的用水量与整体用户群体的用水行为相比较，有助于识别是否存在异常用水行为。

对于每个用户，使用用户的用水量减去当前单位周期的基线再除以当前单位周期的基线的标准偏差得到标准化的Z分数；

通过Z分数，能够使得不同用户在相同的单位周期上的数据可以在相同的尺度上进行比较。

使用得到的Z分数与区分阈值进行比较，如果Z分数大于等于区分阈值，则将数据标记为异常数据，否则，标记为正常数据。

本发明通过云服务器API查询方式获取用户的单位周期用水数据，并进行基线建模、标准化和异常检测，有助于提高水资源管理系统的效率和可靠性。通过建立正常用水行为的基线，使系统能够自动识别和标记异常用水行为，方便自动化区分异常数据，方便后续数据归类和分析。标准化Z分数的运用使不同用户在相同周期内的用水数据可在同一尺度上进行比较，而设定区分阈值则使系统更加智能地判断异常，进一步提升了系统的准确性和实时性。

优先级别模块的运行过程如下：

对所有用户在每个单位周期的Z分数进行求平均，得到整体Z分数的平均值，计算所有用户在每个单位周期的Z分数的标准差，得到整体Z分数的标准差，对于每个用户，使用以下公式计算其Z分数的异常程度：异常程度=∣用户的Z分数−整体Z分数的平均值∣/整体Z分数的标准差；

异常程度反映了每个用户相对于整体平均值的偏离程度，越大表示越异常；

在获得异常程度后，将异常程度值和异常程度阈值进行比较，若异常程度值大于等于异常程度阈值，则表示相应用户在单位周期内的用水行为偏离整体用户群体的平均水平较远，被认为是异常的。具体来说，异常程度值越大，表示用户的用水行为与整体平均水平的偏离程度越大，即该用户在单位周期内的用水量相对较为异常，需要对计量设备进行检查，则根据计算得到的异常程度对所有用户进行排序，按照异常程度从高到低排序，排序序号即优先值，依据优先值确定优先检查顺序。

本发明通过计算每个用户在每个单位周期的Z分数的异常程度，可以相对于整体用户群体的平均水平评估用户用水行为的偏离程度。这个过程通过对异常程度值和异常程度阈值的比较，能够准确识别哪些用户在单位周期内的用水行为偏离整体平均水平较远，从而被判定为异常。异常程度值越大表示用户用水行为与整体平均水平的偏离程度越大，因此，系统可以根据计算得到的异常程度对所有用户进行排序，并按照异常程度从高到低排序，将排序序号作为优先值，从而确定了用户用水行为的检查优先级。这个过程有助于智能化用水监测系统的管理，提高了对用户用水行为异常的准确性和敏感性，使得系统能够更精准地识别和优先处理潜在的问题用水情况。

有序总结模块的运行过程如下：

从云服务器调取同一单位周期对应的异常数据和正常数据，构建异常数据集和正常数据集，对于每个数据集，分别计算对应的熵，得到异常熵和正常熵；

将异常熵和正常熵的值进行线性归一化，确保在相同的尺度上；

为每个归一化的异常熵和正常熵分配一个权重，反映其在整体无序系数中的重要性，按照权重进行加权求和，得到整体无序度系数，例如，可以通过以下计算公式得出：；

式中，表示整体无序度系数，/>和/>分别表示异常熵和正常熵，/>和/>分别表示异常熵和正常熵各自对应的权重值，且权重值均大于0。

整体无序度系数用于体现用户用水的可预见性和规律性，具体而言，整体无序度系数反映了正常数据和异常数据之间的无序度差异，从而帮助评估用户用水行为的可预见性和规律性。

越大的整体无序度系数表示正常数据和异常数据之间的无序度差异较大，意味着用户用水行为在某个周期内存在较大的波动或不规律性，使得异常数据在整体用水模式中更为突出，反映了用户用水存在一定的不可预测性或异常行为。

越小的整体无序度系数表示正常数据和异常数据之间的无序度差异较小。这表明用户用水行为相对稳定和可预测，用户用水具有较高的可预见性和规律性。

因此，整体无序度系数的大小可以作为评估用户用水行为规律性的指标。在异常检测的背景下，该系数越大意味着更容易识别出异常用水行为，而系数越小可能意味着用户用水行为更具规律性和可预测性。

出示结果模块的运行过程如下：

在获得整体无序度系数后，将整体无序度系数和无序阈值进行比较；

若整体无序度系数大于等于无序阈值，表示整体无序度较高，用户用水行为的不规律性较大，整体用水模式难以从中获取明显的规律和可预测性，表明用户用水行为相对复杂，存在较大的波动和变化，不容易通过常规的规律性建模来进行分析和预测，生成不可预测信号；

反之，如果整体无序度系数小于无序阈值，表示整体无序度较低，用户用水行为相对稳定和有规律，整体用水模式可能更容易被分析和预测，意味着用户的用水行为具有较高的可预测性，可以更容易地应用模型或规则来理解和预测用户未来的用水行为，生成可预测信号。

本发明通过从云服务器获取异常和正常数据，分别计算对应熵值，进行线性归一化，并赋予权重后加权求和，得到整体无序度系数。将该系数与设定的无序阈值进行比较，生成相应的信号，帮助明确用户用水行为的规律性和可预测性。这一过程有益于在用水监测系统中实现智能判断，当整体无序度系数高于阈值时，系统发出不可预测信号，提示用水行为的不规律性，反之则发出可预测信号，指示用水行为相对有规律，有助于提高用水管理的效率，使系统更智能地应对用户用水行为的变化。

动态调整模块的运行过程如下：

在获得可预测信号后，通过历史同一周期用水数据以及整体无序度系数构建预测模型，得到预测用水量，例如，可以通过以下公式计算得到：；

式中，表示预测用水量，/>是时间t的用水量，c是常数项，/>是自回归系数，是移动平均系数，/>是白噪声误差项，p是自回归阶数，q是移动平均阶数，是整体无序度系数，/>是无序阈值，/>是整体无序度系数与无序阈值比值的为修正量。

通过拟合历史同一周期的历史用水数据，并且使用整体无序度系数进行修正，确定合适的参数值，预测未来的用水量。

根据预测用水量确定触发提醒的阈值。举例来说，假设系统预测了未来一周每日的用水量，而用户希望在用水量超过正常水平的30%时接收提醒。如果系统预测某一天的用水量为100升，那么触发提醒的阈值可以设定为：阈值=100升×1.3=130升；

这样，当实际用水量超过130升时，系统就会触发提醒，提醒用户注意可能存在异常或高出平均水平的用水情况。

本发明通过构建预测模型，综合考虑历史同一周期用水数据以及整体无序度系数，可以提高用水量预测的准确性和个性化适应性。历史同一周期的用水数据为模型提供了基础，而整体无序度系数的引入则使模型能够更灵活地调整预测结果，以适应用户用水行为的复杂性和变化性。通过拟合历史数据并使用整体无序度系数进行修正，从而实现了对未来用水量更精准的预测。设定触发提醒的阈值时，不仅考虑了用户个体的历史行为，还考虑了整体用水模式的无序度，使提醒更符合实际情况，减少了误报的可能性。这一过程的有益效果在于提高了系统的智能性和个性化适应性，为用户提供更贴近实际需求的用水监测服务，同时减轻了用户的操作负担，提高了用水管理的效率。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和装置，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

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，本申请的技术方案本质上或者说对现有技术作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）执行本申请各个实施例所述的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (6)

1.一种基于低功耗超声波测量的物联网AI智慧水务系统，其特征在于，包括云服务器、数据统计模块、状态识别模块、优先级别模块、有序总结模块、出示结果模块、动态调整模块：

云服务器用于存储和收发各种模块所需调取和处理过的数据；

数据统计模块通过计量设备收集历史用水数据，将历史用水数据发送至云服务器；

状态识别模块通过云服务器调取经过数据统计模块收集到的历史用水数据，计算得到Z分数，识别出历史用水数据中的异常数据和正常数据，并进行分类保存，将异常数据和正常数据分别发送至云服务器；

优先级别模块通过云服务器调取经过状态识别模块计算得到的Z分数，进一步计算得到异常程度系数，基于异常程度系数获得检查优先级；

有序总结模块通过云服务器调取经过状态识别模块处理的正常数据和异常数据，对正常数据和异常数据分别计算得到对应的熵，将各自对应的熵加权求和，得出整体无序度系数，将整体无序度系数发送至出示结果模块；

出示结果模块对整体无序度系数进一步分析得出不可预测信号或可预测信号，将可预测信号发送至动态调整模块；

动态调整模块基于同一历史时期的历史用水数据以及整体无序度系数，建立预测模型，预测用水量；

状态识别模块的运行过程如下：

通过云服务器的API数据查询方式，获取用户单位周期的历史用水数据，历史用水数据包含用户标识符、单位周期的总用水量以及对应的日期或周次；

将用户的历史用水数据按单位周期进行分组并对每个单位周期的历史用水数据求平均，得到基线表示正常的单位周期用水量；

将每个用户在单位周期内的历史用水量相加，然后除以用户数量，得到单位周期的平均用水量；对每个用户，计算其实际历史用水量与单位周期平均用水量之间的差异值；将每个用户的差异值进行平方操作；将所有用户的平方差异值相加，然后除以用户数量，得到平方差异值的平均值；对平均平方差异值取平方根，得到单位周期基线的标准偏差；

对于每个用户，使用用户的用水量减去当前单位周期的基线再除以当前单位周期的基线的标准偏差得到标准化的Z分数；

使用得到的Z分数与区分阈值进行比较，如果Z分数大于等于区分阈值，则将历史用水数据标记为异常数据，否则，标记为正常数据；

动态调整模块的运行过程如下：

在获得可预测信号后，通过历史同一周期用水数据以及整体无序度系数构建预测模型，得到预测用水量，可以通过以下公式计算得到：

式中，Y表示预测用水量，X_t是时间t的用水量，c是常数项，是自回归系数，θ_j是移动平均系数，ε_t是白噪声误差项，p是自回归阶数，q是移动平均阶数，Overall DisorderCoeffcient是整体无序度系数，Disorder Threshold是无序阈值，/>是整体无序度系数与无序阈值比值的修正量；

通过拟合历史同一周期的历史用水数据，并且使用整体无序度系数进行修正，确定参数值，预测未来的用水量。

2.根据权利要求1所述的一种基于低功耗超声波测量的物联网AI智慧水务系统，其特征在于：

数据统计模块的运行过程如下：

设置定时任务，周期性地从计量设备中读取历史用水数据，使用物联网协议通过无线通信传输历史用水数据，将历史用水数据上传到云服务器，云服务器对历史用水数据格式化为标准结构，同时对历史用水数据进行聚合。

3.根据权利要求2所述的一种基于低功耗超声波测量的物联网AI智慧水务系统，其特征在于：

优先级别模块的运行过程如下：

对所有用户在每个单位周期的Z分数进行求平均，得到整体Z分数的平均值，计算所有用户在每个单位周期的Z分数的标准差，得到整体Z分数的标准差，对于每个用户，使用以下公式计算其Z分数的异常程度系数：异常程度系数＝∣用户的Z分数-整体Z分数的平均值∣/整体Z分数的标准差。

4.根据权利要求3所述的一种基于低功耗超声波测量的物联网AI智慧水务系统，其特征在于：

在获得异常程度系数后，将异常程度系数和异常程度系数阈值进行比较，若异常程度系数大于等于异常程度系数阈值；则根据计算得到的异常程度系数对所有用户进行排序，按照异常程度系数从高到低排序，排序序号即优先值，依据优先值确定优先检查顺序。

5.根据权利要求4所述的一种基于低功耗超声波测量的物联网AI智慧水务系统，其特征在于：

有序总结模块的运行过程如下：

从云服务器调取同一单位周期对应的异常数据和正常数据，构建异常数据集和正常数据集，对于每个数据集，分别计算对应的熵，得到异常熵和正常熵；将异常熵和正常熵的值进行线性归一化，确保在相同的尺度上；为每个归一化的异常熵和正常熵分配一个权重，反映其在整体无序系数中的重要性，按照权重进行加权求和，得到整体无序度系数。

6.根据权利要求5所述的一种基于低功耗超声波测量的物联网AI智慧水务系统，其特征在于：

出示结果模块的运行过程如下：

在获得整体无序度系数后，将整体无序度系数和无序阈值进行比较；若整体无序度系数大于等于无序阈值，生成不可预测信号；反之，如果整体无序度系数小于无序阈值，生成可预测信号。