CN117764517A - 一种水利数据与物联网数据模型的绑定方法、装置及系统 - Google Patents
一种水利数据与物联网数据模型的绑定方法、装置及系统 Download PDFInfo
- Publication number
- CN117764517A CN117764517A CN202311725494.5A CN202311725494A CN117764517A CN 117764517 A CN117764517 A CN 117764517A CN 202311725494 A CN202311725494 A CN 202311725494A CN 117764517 A CN117764517 A CN 117764517A
- Authority
- CN
- China
- Prior art keywords
- data
- water conservancy
- abnormal water
- internet
- things
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 202
- 238000013499 data model Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 173
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 24
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本申请涉及一种水利数据与物联网数据模型的绑定方法、装置及系统，方法包括响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据；使用位置数据将内容数据在物联网数据模型上进行位置绑定；根据内容数据和位置数据在物联网数据模型上划定影响范围以及根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定。本申请公开的水利数据与物联网数据模型的绑定方法、装置及系统，通过提供区域性模糊处理的方式来提高来自于不同终端的数据的协同性处理并从中发现数据间的关联性，给准确判断提供数据支撑。
Description
技术领域
本申请涉及数据处理技术领域，尤其是涉及一种水利数据与物联网数据模型的绑定方法、装置及系统。
背景技术
物联网数据模型是基于大量部署在各个地方的传感器在数字空间内生成的一个表征一个区域的数字模型，传感器连续和协同地监测周围的环境并连续不断的生成数据，这些数据源源不断的输入到物联网数据模型当中，可以使物联网数据模型在数据显示、数据处理和数据表达方面更具有优势。
物联网数据模型和水利监测设备、水文测站可以通过有机结合，实现更加高效、精准的水资源监测和管理。首先，物联网数据模型可以对水利监测设备和水文测站进行抽象化和标准化，将它们的功能和特性进行归纳和定义。这有助于各方用统一的语言描述、控制和理解这些设备的功能。其次，物联网数据模型可以提供一种通用的数据交换格式和协议，使得水利监测设备和水文测站可以方便地与其它系统进行数据交互和信息共享。这有助于实现数据的互通互联和共享，提高监测和管理效率。
再次，物联网数据模型可以通过参数化建模和数据驱动的方式，对水利监测设备和水文测站进行智能控制和优化管理。例如，通过对监测数据的分析和处理，可以及时发现异常情况并采取相应的措施进行处理；同时，通过对监测数据的挖掘和预测，可以实现水资源的高效利用和优化配置。最后，物联网数据模型还可以为水利监测设备和水文测站的维护和管理提供支持。例如，通过远程监控和管理，可以及时发现设备故障并采取相应的措施进行处理；同时，通过对设备运行数据的分析和处理，可以评估设备的性能和寿命，及时进行维修和更换。
物联网数据模型和水利监测设备、水文测站的有机结合可以实现更加高效、精准的水资源监测和管理，为水资源的可持续利用提供有力支持。物联网数据模型大致可以分为感知数据模型、物模型和事件模型三部分，感知数据模型依托于上文中记载的传感器，物模型则依托于感知数据模型，而事件模型则是感知数据模型中的各类事件的数据化表达。
对于区域性事件，感知数据模型会在短时间内收集到大量的与区域性事件关联的传感器的警报或者通讯，这会对管理者的判断造成影响，因此需要考虑进行数据的协同性处理。但是在现实情况中，受限于管理权限、安装时间、设备信号不同等多种因素的影响，数据协同性处理的实现还存在一定难度。
发明内容
本申请提供一种水利数据与物联网数据模型的绑定方法、装置及系统，通过提供区域性模糊处理的方式来提高来自于不同终端的数据的协同性处理并从中发现数据间的关联性，给准确判断提供数据支撑。
本申请的上述目的是通过以下技术方案得以实现的：
第一方面，本申请提供了一种水利数据与物联网数据模型的绑定方法，包括：
响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据，时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理；
使用位置数据将内容数据在物联网数据模型上进行位置绑定；
根据内容数据和位置数据在物联网数据模型上划定影响范围；以及
根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
在第一方面的一种可能的实现方式中，位于影响范围内的第二异常水利数据，其内容数据存在数值关联性，数值关联性包括范围波动性和方向变化性。
在第一方面的一种可能的实现方式中，动态时间段的长度确定方式包括：
在时间序列上划分出多个单位时间长度；
统计每一个单位时间长度内第二异常水利数据的出现次数；以及
在连续多个单位时间长度内第二异常水利数据的出现次数均小于设定次数或者在连续多个单位时间长度内第二异常水利数据的出现次数下降幅度大于设定幅度时动态时间段截止。
在第一方面的一种可能的实现方式中，对于位于影响范围外的第二异常水利数据，还包括：
将位于影响范围外的第二异常水利数据标记为第三异常水利数据；
在空间关联上，确定第三异常水利数据中的内容数据与位于影响范围内的第二异常水利数据中的内容数据的关联性，关联性包括范围波动性和方向变化性；
将存在关联性的第三异常水利数据转为第二异常水利数据并在物联网数据模型上进行位置绑定；以及
根据转为第二异常水利数据的第三异常水利数据调整影响范围。
在第一方面的一种可能的实现方式中，对于转为第二异常水利数据的第三异常水利数据，还包括：
根据转为第二异常水利数据的第三异常水利数据的内容数据和位置数据在物联网数据模型上划定影响范围；
根据影响范围对没有转为第二异常水利数据的第三异常水利数据进行筛选，将位于影响范围内的第三异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
在第一方面的一种可能的实现方式中，根据内容数据和位置数据在物联网数据模型上划定影响范围时包括：
以位置数据为基准确定环形影响区域，环形影响区域的数量为多个且环形影响区域的半径顺序增加；
在环形影响区域范围内确定关联区域；
在关联区域内对第二异常水利数据进行筛选，找到位于关联区域内的第二异常水利数据；
对不存在第二异常水利数据的关联区域进行舍弃处理；以及
根据关联区域的连贯性在物联网数据模型上划定影响范围。
在第一方面的一种可能的实现方式中，关联区域不再出现时，停止构建环形影响区域。
第二方面，本申请提供了一种水利数据与物联网数据模型的绑定装置，包括：
数据解析单元，用于响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据，时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理；
数据绑定单元，用于使用位置数据将内容数据在物联网数据模型上进行位置绑定；
范围选取单元，用于根据内容数据和位置数据在物联网数据模型上划定影响范围；以及
第一数据筛选单元，用于根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
第三方面，本申请提供了一种水利数据与物联网数据模型的绑定系统，所述系统包括：
一个或多个存储器，用于存储指令；以及
一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行如第一方面及第一方面任意可能的实现方式中所述的方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质包括：
程序，当所述程序被处理器运行时，如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
第五方面，本申请提供了一种计算机程序产品，包括程序指令，当所述程序指令被计算设备运行时，如第一方面及第一方面任意可能的实现方式中所述的方法被执行。
第六方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于实现上述各方面中所涉及的功能，例如，生成，接收，发送，或处理上述方法中所涉及的数据和/或信息。
该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
在一种可能的设计中，该芯片系统还包括存储器，该存储器，用于保存必要的程序指令和数据。该处理器和该存储器可以解耦，分别设置在不同的设备上，通过有线或者无线的方式连接，或者处理器和该存储器也可以耦合在同一个设备上。
附图说明
图1是本申请提供的一种水利数据与物联网数据模型的绑定方法的步骤流程示意框图。
图2是本申请提供的一种第一异常水利数据的解析过程示意图。
图3是本申请提供的一种数值关联性的原理性示意图。
图4是本申请提供的另一种数值关联性的原理性示意图。
图5是本申请提供的一种给出动态时间段的截止时间的原理性示意图。
图6是本申请提供的一种对位于影响范围外的第二异常水利数据进行处理的步骤流程示意框图。
图7是本申请提供的一种生成环形影响区域的示意图。
具体实施方式
以下结合附图，对本申请中的技术方案作进一步详细说明。
本申请公开了一种水利数据与物联网数据模型的绑定方法，请参阅图1，在一些例子中，绑定方法包括如下步骤：
S101，响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据，时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理；
S102，使用位置数据将内容数据在物联网数据模型上进行位置绑定；
S103，根据内容数据和位置数据在物联网数据模型上划定影响范围；以及
S104，根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
首先需要说明本申请公开的水利数据与物联网数据模型的绑定方法，应用于一个系统，系统可以是电脑、服务器和云服务器等多种类型，该系统可以部署在本地，也可以部署在云端。
在步骤S101中，系统会首先收到的第一异常水利数据，第一异常水利数据由部署的传感器生成，响应于收到的第一异常水利数据，系统会首先对第一异常水利数据进行解析，解析会得到内容数据与位置数据，如图2所示，内容数据表示异常的数据值，而位置数据则表示发送第一异常水利数据的传感器的所在位置。
解析完成后，在时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理，屏蔽处理的目的是不会在物联网数据模型上对第二异常水利数据进行显示。
例如在一个场景中，海量的第一异常水利数据发送至物联网数据模型，如果在此时进行绑定，则会引发物联网数据模型的大范围警报，这会直接影响管理者的判断。相反使用本申请提供的绑定方法，则能够通过区域性模糊处理和数据间的协同性处理方式来避免出现这种情况。
区域性模糊处理指的是对于第一异常水利数据，将来自于同一区域的第一异常水利数据，不进行判断，而是首先将其模糊的均认为是一类数据，然后在根据数据间的关联性对第一异常水利数据进行协同性处理，协同性处理需要借助第一异常水利数据在物联网数据模型上的关联性进行。
在步骤S102中，使用位置数据将内容数据在物联网数据模型上进行位置绑定，然后在S103中根据内容数据和位置数据在物联网数据模型上划定影响范围，以水利数据为例，存在上游直接影响下游的情况，那么根据位置数据，可以迅速确定内容数据的影响范围。
最后在步骤S104中根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定。这样就能够海量的第二异常水利数据中筛选得到有效的第二异常水利数据并将无效的第二异常水利数据进行舍弃。当然，此处的无效第二异常水利数据指的是与第一异常水利数据不存在关联。
此处还需要考虑到数据收到时间和距离间存在不对应的问题，对于两个区域上的异常水利数据，如果这两个区域存在重合，并且内容数据的类型相同且存在关联，则需要对这两个区域进行融合处理。
在一些例子中，位于影响范围内的第二异常水利数据，其内容数据存在数值关联性，数值关联性分为两种，分别是范围波动性(图3所示)和方向变化性(图4所示)。范围波动性指的是内容数据中的数值在一个范围的波动，而方向变化性指的是在一个固定的方向上具有增大或者减小的趋势。
数值关联性的作用是在位置数据的基础上，对内容数据进行划组或者说分类。根据前述内容中的记载可以看到，当系统收到一个第一异常水利数据时，对于该第一异常水利数据影响范围内的第二异常水利数据而言，都会先行进行屏蔽处理，然后再进行筛选和分类。
其中的筛选和分类就需要借助内容数据的数值关联性来实现，如果某个第二异常水利数据中的内容数据与第一异常水利数据中的内容数据存在数值关联性，则第二异常水利数据在物联网数据模型上进行位置绑定，反之则需要另外按照前述内容另行处理。
在一些例子中，对于动态时间段的长度确定方式，处理过程如下：
S201，在时间序列上划分出多个单位时间长度；
S202，统计每一个单位时间长度内第二异常水利数据的出现次数；以及
S203，在连续多个单位时间长度内第二异常水利数据的出现次数均小于设定次数或者在连续多个单位时间长度内第二异常水利数据的出现次数下降幅度大于设定幅度时动态时间段截止。
步骤S201至步骤S203中的内容，是对动态时间段的截止时间给出了具体的处理方式，处理方式是根据单位时间长度内第二异常水利数据的出现次数来确定，如图5所示，判定的条件有小于设定次数和出现次数下降幅度两种。
此处主要是考虑对于第二异常水利数据的屏蔽，不能进行无限期的屏蔽。因此在本申请中使用了动态时间段的方式来处理对第二异常水利数据的屏蔽时间。
在一些例子中，对于位于影响范围外的第二异常水利数据，请参阅图6，使用如下方式进行处理：
S301，将位于影响范围外的第二异常水利数据标记为第三异常水利数据；
S302，在空间关联上，确定第三异常水利数据中的内容数据与位于影响范围内的第二异常水利数据中的内容数据的关联性，关联性包括范围波动性和方向变化性；
S303，将存在关联性的第三异常水利数据转为第二异常水利数据并在物联网数据模型上进行位置绑定；以及
S304，根据转为第二异常水利数据的第三异常水利数据调整影响范围。
步骤S301至步骤S304中的内容，是对位于影响范围外的第二异常水利数据，使用内容数据的关联性进行再次筛选，然后将其与前述内容中的影响范围进行关联。
这主要是考虑到传感器部署的位置局限性和物联网数据模型表达的不全性等影响因素。传感器部署的位置局限性指的是传感器的部署无法实现完全覆盖，存在缺失区域和无法部署的区域；物联网数据模型表达的不全性指的是物联网数据模型与实际环境存在一定性的差异，例如地下暗河和水渗透等处于未知状态后者无法被传感器覆盖。
在一些例子中，对于转为第二异常水利数据的第三异常水利数据，还使用如下方式进行处理：
S401，根据转为第二异常水利数据的第三异常水利数据的内容数据和位置数据在物联网数据模型上划定影响范围；
S402，根据影响范围对没有转为第二异常水利数据的第三异常水利数据进行筛选，将位于影响范围内的第三异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
步骤S401和步骤S402中的内容是借助转为第二异常水利数据的第三异常水利数据对剩余的第三异常水利数据进行筛选，目的是将存在空间关联的第三异常水利数据也纳入到影响范围内，这样可以使存在关联的异常水利数据能够尽可能的进入到影响范围内。
在一些例子中，根据内容数据和位置数据在物联网数据模型上划定影响范围时包括：
S501，以位置数据为基准确定环形影响区域，环形影响区域的数量为多个且环形影响区域的半径顺序增加；
S502，在环形影响区域范围内确定关联区域；
S503，在关联区域内对第二异常水利数据进行筛选，找到位于关联区域内的第二异常水利数据；
S504，对不存在第二异常水利数据的关联区域进行舍弃处理；以及
S505，根据关联区域的连贯性在物联网数据模型上划定影响范围。
步骤S501至步骤S505中的内容，是使用多个环形影响区域来最终确定影响范围。请参阅图7，过程中，每一个环形影响区域的半径顺序增加，同时在环形影响区域范围内确定关联区域，关联区域指的是环形影响区域与互联网数据模型的重合区域，如果重合区域中存在第二异常水利数据，则产生下一个环形影响区域。
对于一个既定的影响范围而言，其位于两个环形影响区域内的部分存在连贯性，连贯性指的是两个环形影响区域内的部分实质上属于同一个影响范围。这种划定影响范围方式的优势在于能够有方向性的扩大影响范围，还不会产生遗漏现象；同时在某个方向上如果不再出现第二异常水利数据，则能够停止该方向上的继续搜索。
在一些可能的实现方式中，关联区域不再出现时，停止构建环形影响区域。
本申请还提供了一种水利数据与物联网数据模型的绑定装置，包括：
数据解析单元，用于响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据，时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理；
数据绑定单元，用于使用位置数据将内容数据在物联网数据模型上进行位置绑定；
范围选取单元，用于根据内容数据和位置数据在物联网数据模型上划定影响范围；以及
第一数据筛选单元，用于根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
在第一方面的一种可能的实现方式中，位于影响范围内的第二异常水利数据，其内容数据存在数值关联性，数值关联性包括范围波动性和方向变化性。
进一步地，包括：
时间划分单元，用于在时间序列上划分出多个单位时间长度；
统计单元，用于统计每一个单位时间长度内第二异常水利数据的出现次数；以及
时间截止单元，用于在连续多个单位时间长度内第二异常水利数据的出现次数均小于设定次数或者在连续多个单位时间长度内第二异常水利数据的出现次数下降幅度大于设定幅度时动态时间段截止。
进一步地，包括：
标记单元，用于将位于影响范围外的第二异常水利数据标记为第三异常水利数据；
关联性确定单元，用于在空间关联上，确定第三异常水利数据中的内容数据与位于影响范围内的第二异常水利数据中的内容数据的关联性，关联性包括范围波动性和方向变化性；
数据转换单元，用于将存在关联性的第三异常水利数据转为第二异常水利数据并在物联网数据模型上进行位置绑定；以及
范围调整单元，用于根据转为第二异常水利数据的第三异常水利数据调整影响范围。
进一步地，包括：
范围划定单元，用于根据转为第二异常水利数据的第三异常水利数据的内容数据和位置数据在物联网数据模型上划定影响范围；
第二数据筛选单元，用于根据影响范围对没有转为第二异常水利数据的第三异常水利数据进行筛选，将位于影响范围内的第三异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
进一步地，包括：
第一区域确定单元，用于以位置数据为基准确定环形影响区域，环形影响区域的数量为多个且环形影响区域的半径顺序增加；
第二区域确定单元，用于在环形影响区域范围内确定关联区域；
第三数据筛选单元，用于在关联区域内对第二异常水利数据进行筛选，找到位于关联区域内的第二异常水利数据；
舍弃单元，用于对不存在第二异常水利数据的关联区域进行舍弃处理；以及
第三区域确定单元，用于根据关联区域的连贯性在物联网数据模型上划定影响范围。
进一步地，关联区域不再出现时，停止构建环形影响区域。
在一个例子中，以上任一装置中的单元可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个专用集成电路(application specificintegratedcircuit，ASIC)，或，一个或多个数字信号处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)，或这些集成电路形式中至少两种的组合。
再如，当装置中的单元可以通过处理元件调度程序的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，CPU)或其它可以调用程序的处理器。再如，这些单元可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
在本申请中可能出现的对各种消息/信息/设备/网元/系统/装置/动作/操作/流程/概念等各类客体进行了赋名，可以理解的是，这些具体的名称并不构成对相关客体的限定，所赋名称可随着场景，语境或者使用习惯等因素而变更，对本申请中技术术语的技术含义的理解，应主要从其在技术方案中所体现/执行的功能和技术效果来确定。
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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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、装置和方法，可以通过其它的方式实现。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，机械或其它的形式。
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。
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。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
还应理解，在本申请的各个实施例中，第一、第二等只是为了表示多个对象是不同的。例如第一时间窗和第二时间窗只是为了表示出不同的时间窗。而不应该对时间窗的本身产生任何影响，上述的第一、第二等不应该对本申请的实施例造成任何限制。
还应理解，在本申请的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
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计算机可读存储介质中，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方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，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。
本申请还提供了一种水利数据与物联网数据模型的绑定系统，所述系统包括：
一个或多个存储器，用于存储指令；以及
一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行如上述内容中所述的方法。
本申请还提供了一种计算机程序产品，该计算机程序产品包括指令，当该指令被执行时，以使得该绑定系统执行对应于上述方法的绑定系统的操作。
本申请还提供了一种芯片系统，该芯片系统包括处理器，用于实现上述内容中所涉及的功能，例如，生成，接收，发送，或处理上述方法中所涉及的数据和/或信息。
该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
上述任一处提到的处理器，可以是一个CPU，微处理器，ASIC，或一个或多个用于控制上述的反馈信息传输的方法的程序执行的集成电路。
在一种可能的设计中，该芯片系统还包括存储器，该存储器，用于保存必要的程序指令和数据。该处理器和该存储器可以解耦，分别设置在不同的设备上，通过有线或者无线的方式连接，以支持该芯片系统实现上述实施例中的各种功能。或者，该处理器和该存储器也可以耦合在同一个设备上。
可选地，该计算机指令被存储在存储器中。
可选地，该存储器为该芯片内的存储单元，如寄存器、缓存等，该存储器还可以是该终端内的位于该芯片外部的存储单元，如ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM等。
可以理解，本申请中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
非易失性存储器可以是ROM、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electricallyEPROM，EEPROM)或闪存。
易失性存储器可以是RAM，其用作外部高速缓存。RAM有多种不同的类型，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器。
本具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种水利数据与物联网数据模型的绑定方法，其特征在于，包括：
响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据，时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理；
使用位置数据将内容数据在物联网数据模型上进行位置绑定；
根据内容数据和位置数据在物联网数据模型上划定影响范围；以及
根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
2.根据权利要求1所述的水利数据与物联网数据模型的绑定方法，其特征在于，位于影响范围内的第二异常水利数据，其内容数据存在数值关联性，数值关联性包括范围波动性和方向变化性。
3.根据权利要求1所述的水利数据与物联网数据模型的绑定方法，其特征在于，动态时间段的长度确定方式包括：
在时间序列上划分出多个单位时间长度；
统计每一个单位时间长度内第二异常水利数据的出现次数；以及
在连续多个单位时间长度内第二异常水利数据的出现次数均小于设定次数或者在连续多个单位时间长度内第二异常水利数据的出现次数下降幅度大于设定幅度时动态时间段截止。
4.根据权利要求1至3中任意一项所述的水利数据与物联网数据模型的绑定方法，其特征在于，对于位于影响范围外的第二异常水利数据，还包括：
将位于影响范围外的第二异常水利数据标记为第三异常水利数据；
在空间关联上，确定第三异常水利数据中的内容数据与位于影响范围内的第二异常水利数据中的内容数据的关联性，关联性包括范围波动性和方向变化性；
将存在关联性的第三异常水利数据转为第二异常水利数据并在物联网数据模型上进行位置绑定；以及
根据转为第二异常水利数据的第三异常水利数据调整影响范围。
5.根据权利要求4所述的水利数据与物联网数据模型的绑定方法，其特征在于，对于转为第二异常水利数据的第三异常水利数据，还包括：
根据转为第二异常水利数据的第三异常水利数据的内容数据和位置数据在物联网数据模型上划定影响范围；
根据影响范围对没有转为第二异常水利数据的第三异常水利数据进行筛选，将位于影响范围内的第三异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
6.根据权利要求1所述的水利数据与物联网数据模型的绑定方法，其特征在于，根据内容数据和位置数据在物联网数据模型上划定影响范围时包括：
以位置数据为基准确定环形影响区域，环形影响区域的数量为多个且环形影响区域的半径顺序增加；
在环形影响区域范围内确定关联区域；
在关联区域内对第二异常水利数据进行筛选，找到位于关联区域内的第二异常水利数据；
对不存在第二异常水利数据的关联区域进行舍弃处理；以及
根据关联区域的连贯性在物联网数据模型上划定影响范围。
7.根据权利要求6所述的水利数据与物联网数据模型的绑定方法，其特征在于，关联区域不再出现时，停止构建环形影响区域。
8.一种水利数据与物联网数据模型的绑定装置，其特征在于，包括：
数据解析单元，用于响应于收到的第一异常水利数据，对第一异常水利数据进行解析，得到内容数据与位置数据，时间序列上，对于位于第一异常水利数据之后的动态时间段内的第二异常水利数据进行屏蔽处理；
数据绑定单元，用于使用位置数据将内容数据在物联网数据模型上进行位置绑定；
范围选取单元，用于根据内容数据和位置数据在物联网数据模型上划定影响范围；以及
第一数据筛选单元，用于根据影响范围对第二异常水利数据进行筛选，将位于影响范围内的第二异常水利数据在物联网数据模型上进行位置绑定；
其中，影响范围以位置数据在物联网数据模型上的空间关联确定。
9.一种水利数据与物联网数据模型的绑定系统，其特征在于，所述系统包括：
一个或多个存储器，用于存储指令；以及
一个或多个处理器，用于从所述存储器中调用并运行所述指令，执行如权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括：
程序，当所述程序被处理器运行时，如权利要求1至7中任意一项所述的方法被执行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311725494.5A CN117764517A (zh) | 2023-12-14 | 2023-12-14 | 一种水利数据与物联网数据模型的绑定方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311725494.5A CN117764517A (zh) | 2023-12-14 | 2023-12-14 | 一种水利数据与物联网数据模型的绑定方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764517A true CN117764517A (zh) | 2024-03-26 |
Family
ID=90321076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311725494.5A Pending CN117764517A (zh) | 2023-12-14 | 2023-12-14 | 一种水利数据与物联网数据模型的绑定方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764517A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120185184A1 (en) * | 2011-01-18 | 2012-07-19 | TaKaDu Ltd. | System and method for identifying likely geographical locations of anomalies in a water utility network |
| CN110995759A (zh) * | 2019-12-23 | 2020-04-10 | 中国联合网络通信集团有限公司 | 物联网的接入方法以及装置 |
| CN114202150A (zh) * | 2021-10-28 | 2022-03-18 | 贵州优特云科技有限公司 | 一种基于物联网的信息可视化的方法以及相关装置 |
| CN115830263A (zh) * | 2023-02-16 | 2023-03-21 | 四川省地质调查研究院 | 一种水文地质动态三维模型构建方法及系统 |
-
2023
- 2023-12-14 CN CN202311725494.5A patent/CN117764517A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120185184A1 (en) * | 2011-01-18 | 2012-07-19 | TaKaDu Ltd. | System and method for identifying likely geographical locations of anomalies in a water utility network |
| CN110995759A (zh) * | 2019-12-23 | 2020-04-10 | 中国联合网络通信集团有限公司 | 物联网的接入方法以及装置 |
| CN114202150A (zh) * | 2021-10-28 | 2022-03-18 | 贵州优特云科技有限公司 | 一种基于物联网的信息可视化的方法以及相关装置 |
| CN115830263A (zh) * | 2023-02-16 | 2023-03-21 | 四川省地质调查研究院 | 一种水文地质动态三维模型构建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3085117B1 (en) | Sensor network | |
| CN104049575A (zh) | 在过程控制系统中收集并且向大数据机器递送数据 | |
| EP4167149A1 (en) | Method and apparatus for building predictive model, computing device, and storage medium | |
| Yang et al. | Spatiotemporal context awareness for urban traffic modeling and prediction: sparse representation based variable selection | |
| EP2905931B1 (en) | Method and apparatus for determining data flow rate of service access port | |
| US8040231B2 (en) | Method for processing alarm data to generate security reports | |
| Khedkar et al. | Prediction of traffic generated by IoT devices using statistical learning time series algorithms | |
| CN112751729A (zh) | 日志监控方法、装置、介质及电子设备 | |
| CN103312566B (zh) | 检测报文端口拥塞的方法及装置 | |
| CN112434260B (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| EP3923517A1 (en) | System and method for predicting and handling short-term overflow | |
| Al-Dabbagh et al. | Reliability modeling of networked control systems using dynamic flowgraph methodology | |
| CN110247816A (zh) | 指标监控方法及装置 | |
| US11394612B2 (en) | Distributed systems and extracting configurations for edge servers using driving scenario awareness | |
| CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
| CN115396324A (zh) | 一种网络安全态势感知预警处理系统 | |
| CN113344737B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
| CN117040141B (zh) | 电力智能网关的安全监测系统及方法 | |
| Mahmood et al. | Optimization of Routes in the Internet of Things | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN117555684A (zh) | 边缘计算与云计算相融合的方法、系统、设备及介质 | |
| CN117764517A (zh) | 一种水利数据与物联网数据模型的绑定方法、装置及系统 | |
| CN111123778B (zh) | 监控车辆使用状况的方法、装置及电子设备 | |
| US20170059744A1 (en) | Storm Confirmation and Path Prediction System | |
| CN107580329B (zh) | 一种网络分析优化方法及装置 |
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 |