CN117830031A - 一种供水管网末梢水质浊度预测方法及相关设备 - Google Patents

一种供水管网末梢水质浊度预测方法及相关设备 Download PDF

Info

Publication number
CN117830031A
CN117830031A CN202410247586.5A CN202410247586A CN117830031A CN 117830031 A CN117830031 A CN 117830031A CN 202410247586 A CN202410247586 A CN 202410247586A CN 117830031 A CN117830031 A CN 117830031A
Authority
CN
China
Prior art keywords
water supply
supply network
monitoring
water quality
time sequence
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
Application number
CN202410247586.5A
Other languages
English (en)
Other versions
CN117830031B (zh
Inventor
王旭
王钊越
孙沛源
李奕璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Original Assignee
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology filed Critical Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority to CN202410247586.5A priority Critical patent/CN117830031B/zh
Publication of CN117830031A publication Critical patent/CN117830031A/zh
Application granted granted Critical
Publication of CN117830031B publication Critical patent/CN117830031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种供水管网末梢水质浊度预测方法及相关设备，所述方法包括：获取城市供水管网监测网络采集的历史数据集，分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；建立LSTM神经网络进行时序特征提取，并用深度神经网络网络进行特征融合，建立浊度预测模型；获取内部监测点位的目标监测数据，将目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度。本发明有效提高了供水管网末梢水质的评估精度，可准确预测城市供水管网末梢水质浊度变化，对保障饮用水质量安全具有重要意义。

Description

一种供水管网末梢水质浊度预测方法及相关设备
技术领域
本发明涉及水质监测技术领域，尤其涉及一种供水管网末梢水质浊度预测方法及相关设备。
背景技术
城市饮用水水质安全对居民生活质量和健康有着重要影响。然而，随着供水管网的老化与管网内部微生物的生长，饮用水水质在运输过程中会发生波动，对居民用水安全产生威胁。实时监测供水管网内部水质变化对保障居民用水安全有着重要的意义。
目前，城市水处理行业主要采用定点检测的方式实现供水管网末梢水质监测。然而，人工监测存在监测点位分布不均、监测频次低等问题，不能捕捉供水管网水质变化的实时动态，存在水质安全隐患。近年来，机器学习技术因具有预测速度快、预测准确率高的特点，已被运用于环境指标的实时评估与控制策略的动态生成。然而，该方法尚未大规模应用于供水管网末梢水质的实时评估。
目前，供水管网末梢水质实时评估面临两个方面的困难：其一，由于供水管网结构复杂，不同管段的水流变化会对管网输出水质产生不同程度的影响，不同管段水质与供水管网末梢水质的动态模式之间存在复杂的非线性关系，无法直接利用统计学手段加以描述。其二，供水管网内部工况是水流长期影响的结果，如何从长期监测数据中挖掘内部工况的长期变化规律，是现有方法面临的技术难点。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种供水管网末梢水质浊度预测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中供水管网结构复杂，且难以从长期监测数据中挖掘内部工况的长期变化规律，而导致的供水管网末梢水质的评估精度不够的问题。
为实现上述目的，本发明提供一种供水管网末梢水质浊度预测方法，所述一种供水管网末梢水质浊度预测方法包括如下步骤：
获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；
分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；
通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；
获取每个所述内部监测点位的目标监测数据，将所有所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
可选地，所述的供水管网末梢水质浊度预测方法，其中，所述获取城市供水管网监测网络采集的历史数据集，具体包括：
分别从本地存储设备中获取供水管网中不同监测点位在预设时间范围内的初始历史数据，并将每个监测点位的初始历史数据单独以表格文件的形式进行存储；
基于数据采集时间，对每个监测点位的初始历史数据进行数据对齐和去噪处理，得到中间数据，获取所述中间数据的缺失部分，通过数据填充方法对所述缺失部分进行数据填补，得到每个所述监测点位的历史数据；
整合每个所述监测点位的历史数据，得到所述历史数据集。
可选地，所述的供水管网末梢水质浊度预测方法，其中，所述第一监测数据包括供水管网中内部监测点位的水质、供水管网中内部监测点位的水量和供水管网中内部监测点位的水压；
所述第二监测数据包括供水管网中末梢监测点位的水质浊度。
可选地，所述的供水管网末梢水质浊度预测方法，其中，所述分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间，具体包括：
在所述历史数据集中获取所述第一监测数据和所述第二监测数据，根据所述第一监测数据和所述第二监测数据建立多个内部监测点位与末梢监测点位的数据对；
使用皮尔逊相关系数得到不同时延下多个所述数据对中所述第一监测数据与所述第二监测数据之间的时序相关性；
根据所有所述时序相关性，通过热力图得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间。
可选地，所述的供水管网末梢水质浊度预测方法，其中，所述通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，具体包括：
获取每个所述内部监测点位的影响持续时间，根据所有所述影响持续时间确定时序建模的时序长度，根据所述时序长度构建所述时序神经网络；
获取每个所述内部监测点位在所述历史数据集中对应的历史数据，根据所有所述影响持续时间，对所述历史数据进行时序划分，得到每个所述内部监测点位的时序信息；
将每个所述内部监测点位的时序信息依次作为所述时序神经网络的输入，并将每个时序神经网络的最后一层输出视为每个内部监测点位的时序特征，对每个内部监测点位的时序特征进行拼接处理，得到每个内部监测点位的完整时序特征集合。
可选地，所述的供水管网末梢水质浊度预测方法，其中，所述将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型，具体包括：
将所有所述完整时序特征集合作为深度神经网络模型的输入，得到由所述时序神经网络和所述深度神经网络构成的深度复合模型；
使用梯度下降算法对所述深度复合模型进行迭代训练，优化所述深度复合模型，得到所述供水管网末梢水质浊度预测模型。
可选地，所述的供水管网末梢水质浊度预测方法，其中，所述获取内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，具体包括：
将所述供水管网末梢水质浊度预测模型部署在云端，通过所述云端分别连接用户端与内部监测数据存储平台；
当接收到所述用户端发送的指令后，根据所述指令从所述内部监测数据存储平台中获取内部监测点位的目标监测数据；
将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，将所述目标水质浊度返回所述用户端进行可视化呈现。
此外，为实现上述目的，本发明还提供一种供水管网末梢水质浊度预测系统，其中，所述供水管网末梢水质浊度预测系统包括：
历史数据采集模块，用于获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；
影响持续时间计算模块，用于分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；
模型构建和训练模块，用于通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；
水质浊度预测模块，用于获取每个所述内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的供水管网末梢水质浊度预测程序，所述供水管网末梢水质浊度预测程序被所述处理器执行时实现如上所述的供水管网末梢水质浊度预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有供水管网末梢水质浊度预测程序，所述供水管网末梢水质浊度预测程序被处理器执行时实现如上所述的供水管网末梢水质浊度预测方法的步骤。
本发明中，通过获取城市供水管网监测网络采集的历史数据集，分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；建立LSTM神经网络进行时序特征提取，并用深度神经网络网络进行特征融合，建立浊度预测模型；获取内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度。本发明有效提高了供水管网末梢水质的评估精度，可准确预测城市供水管网末梢水质浊度变化，对保障饮用水质量安全具有重要意义。
附图说明
图1是本发明供水管网末梢水质浊度预测方法的较佳实施例的流程图；
图2是本发明供水管网末梢水质浊度预测方法的较佳实施例的原理框图；
图3是本发明供水管网末梢水质浊度预测系统的较佳实施例的原理示意图；
图4为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
本申请提供一种供水管网末梢水质浊度预测方法及相关设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明较佳实施例所述的供水管网末梢水质浊度预测方法，如图1和图2所示，所述供水管网末梢水质浊度预测方法包括以下步骤：
步骤S100、获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据。
城市供水管网是城市基础设施建设的重要组成部分，它主要包括输水管渠、配水管网、加压泵站、水塔、水池和管网附属设施等。城市供水管网监测系统适用于供水企业远程监测供水管网。供水调度人员在管网监测中心即可远程监测全市供水管网的压力状况，通过城市供水管网监测系统可以科学指挥各水厂启停供水设备、保障供水压力平衡，并及时发现和预测爆管事故。
具体地，分别从本地存储设备中获取供水管网中不同监测点位在预设时间范围内的初始历史数据，并将每个监测点位的初始历史数据单独以表格文件的形式进行存储。
可以理解的是，本申请可以从本地存储设备中获取城市供水管网监测网络采集的历史数据集，具体而言，获取管网内部不同监测点位连续三年（时间可以根据实际情况进行设置）的监测数据，并将每个监测点位的初始历史数据单独以表格文件的形式进行存储，方便后续对数据进行单独处理；其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据。
所述第一监测数据包括供水管网中内部监测点位的水质、供水管网中内部监测点位的水量和供水管网中内部监测点位的水压；所述第二监测数据包括供水管网中末梢监测点位的水质浊度。
进一步地，基于数据采集时间，对每个监测点位的初始历史数据进行数据对齐和去噪处理，得到中间数据，获取所述中间数据的缺失部分，通过数据填充方法对所述缺失部分进行数据填补，得到每个所述监测点位的历史数据。
可以理解的是，本申请针对每个监测点位的初始历史数据进行预处理，预处理的过程包括：基于数据采集时间，对每个监测点位的初始历史数据进行数据对齐，可以是基于python编程语言与pandas数据处理库进行数据对齐；针对对齐后的数据，利用去噪算法进行数据去噪，具体而言，将利用箱型图分析方法对噪声数据进行识别，并删除噪声数据；对于对齐和去噪处理后得到的中间数据，针对所述中间数据的缺失部分，使用数据填充方法对所述缺失部分进行数据填补，以保证时序建模连续性，具体而言，所采用的数据填充方法可包括：统计学数据填充（例如均值填充、中位数填充等）和基于机器学习模型的缺失值填补等方法。
最终，整合每个所述监测点位的历史数据，得到所述历史数据集，所述历史数据经过多次处理，能够为后续的计算提供更加合理和精确的数据。
步骤S200、分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间。
具体地，在所述历史数据集中获取所述第一监测数据和所述第二监测数据，根据所述第一监测数据和所述第二监测数据建立多个内部监测点位与末梢监测点位的数据对。
可以理解的是，整合每个所述监测点位的历史数据，得到所述历史数据集后，将所述历史数据分成两组，分别为供水管网中内部监测点位数据（即所述第一监测数据）与供水管网中末梢监测点位数据（即所述第二监测数据）；遍历所有供水管网中内部监测点位与供水管网中末梢监测点位，建立<内部监测点，末梢监测点>的数据对。具体而言，数据对可以以字典形式呈现，例如{{“内部监测点1”：{内部监测点1历史监测数据}，“末梢监测点1”：{供水管网中末梢监测点位数据}}。
进一步地，使用皮尔逊相关系数得到不同时延下多个所述数据对中所述第一监测数据与所述第二监测数据之间的时序相关性。
可以理解的是，对于所构建的所有数据对，利用皮尔逊相关系数（皮尔逊相关系数是一种度量两个变量间相关程度的方法，它是一个介于1和-1之间的值，其中1表示变量完全正相关，0表示无线性相关关系-1表示完全负相关），分析内部监测点位监测数据与供水管网末梢点位监测数据之间的时序相关性。
作为举例，对于一个时间序列[1，2，3，4，5，6，7，8]；将[1，2，3，4，5，6，7，8]时间节点的管网监测数据和[2，3，4，5，6，7，8，9]时间节点的管网末梢水质浊度监测数据计算相关性R1；再计算[1，2，3，4，5，6，7，8]时间节点和[3，4，5，6，7，8，9，10]的相关性R2；通过分析不同时延的相关性，能分析出不同时刻管道内部水况对管网末梢水质浊度的影响程度。
更进一步地，根据所述时序相关性，通过热力图得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间。
热力图（Heatmap）是一种用颜色表达数据密度的可视化工具。它将数据以不同颜色的热点形式呈现在二维空间中，用于展示数据的分布情况和集中程度，从而帮助我们观察数据的趋势和模式。
通过python绘图库获取得到热力图，通过热力图将所述时序相关性进行展示，以评估每个所述内部监测点位的水况波动（内部监测点位水质、水量、水压波动）对每个所述末梢监测点位的水质浊度的影响持续时间。
步骤S300、通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型。
所述通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，具体包括：
获取每个所述内部监测点位的影响持续时间，根据所有所述影响持续时间确定时序建模的时序长度，根据所述时序长度构建所述时序神经网络；
获取每个所述内部监测点位在所述历史数据集中对应的历史数据，根据所有所述影响持续时间，对所述历史数据进行时序划分，得到每个所述内部监测点位的时序信息；
将每个所述内部监测点位的时序信息依次作为所述时序神经网络的输入，并将每个时序神经网络的最后一层输出视为每个内部监测点位的时序特征，对每个内部监测点位的时序特征进行拼接处理，得到每个内部监测点位的完整时序特征集合。
可以理解的是，本申请针对每个内部监测点，根据所述影响持续时间，利用长短时记忆神经网络（Long Short-Term Memory，LSTM，是一种时间递归神经网络，适合被用于处理和预测时间序列中间隔和延迟非常长的重要事件）算法，建立时序神经网络，对内部监测点历史数据进行时序特征提取。
作为举例，假设内部监测点位一共有K个，依次遍历所有内部监测点位。将遍历到的监测点位标记为i；针对内部监测点位i，根据所述影响持续时间确定时序建模的时序长度，根据所述时序长度构建所述时序神经网络；获取所述历史数据集，在所述历史数据集中搜索识别监测点位i的历史数据，根据所述影响持续时间，对所述历史数据进行时序划分（例如预测t+1时刻的监测点位数据，那么会把前面t-N到t时刻的所有监测数据视为一个完整的输入数据，通过滑动窗口方法进行划分），得到每个所述内部监测点位的时序信息；将所述时序信息作为LSTM模型的输入，标记为LSTM(i)，重复上述的过程，将每个所述内部监测点位的时序信息依次作为所述时序神经网络的输入，直到i=K为止，最后将LSTM(1)……LSTM(K)的最后一层输出拼接为完整时序特征集合。
所述将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型，具体包括：
将所有所述完整时序特征集合作为深度神经网络模型的输入，得到由所述时序神经网络和所述深度神经网络构成的深度复合模型；
使用梯度下降算法对所述深度复合模型进行迭代训练，优化所述深度复合模型，得到所述供水管网末梢水质浊度预测模型。
可以理解的是，本申请对内部监测点历史数据进行时序特征提取之后，利用深度神经网络进行时序特征整合，以供水管网末梢水质浊度作为模型输出，通过迭代训练，建立供水管网末梢水质浊度预测模型。
具体地，将所述完整时序特征集合作为深度神经网络模型的输入，得到由所述时序神经网络和所述深度神经网络构成的深度复合模型，然后对所述深度复合模型的参数进行训练，作为举例，可以采用随机梯度下降法（SGD，Stochastic Gradient Descent，是一种简单但非常有效的方法，多用于支持向量机、逻辑回归等凸损失函数下的线性分类器的学习。并且SGD已成功应用于文本分类和自然语言处理中经常遇到的大规模和稀疏机器学习问题）训练所述参数；具体地，首先初始化参数，从所述训练集中随机选取一个样本，计算其对应的梯度，然后根据所述梯度更新所述深度复合模型的参数。
更进一步地，当所述参数的变化达到预设最大迭代次数时（也可以是预设一个预设值，当所述参数的变化小于预设值时），输出优化后的深度复合模型，并使用所述验证集来验证优化后的深度复合模型的性能，最终得到符合要求的所述供水管网末梢水质浊度预测模型。
步骤S400、获取每个所述内部监测点位的目标监测数据，将所有所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
具体地，将所述供水管网末梢水质浊度预测模型部署在云端，通过所述云端分别连接用户端与内部监测数据存储平台；
当接收到所述用户端发送的指令后，根据所述指令从所述内部监测数据存储平台中获取内部监测点位的目标监测数据；
将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，将所述目标水质浊度返回所述用户端进行可视化呈现。
可以理解的是，基于所述供水管网末梢水质浊度预测模型，以内部监测点位监测数据为输入，来预测供水管网末梢点位的水质浊度动态变化规律。具体而言，可以将所述供水管网末梢水质浊度预测模型部署在云端，直接连接用户端与内部监测数据存储平台。当用户需要调用评估功能时，从用户端发送指令到云平台，当云平台接收到用户端发送的指令后，根据所述指令从所述内部监测数据存储平台中获取内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型进行计算，得到供水管网末梢监测点位的目标水质浊度，并将结果（所述水质浊度）返回用户端进行可视化呈现。
综上所述，本发明通过获取城市供水管网监测网络采集的历史数据集，分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；建立LSTM神经网络进行时序特征提取，并用深度神经网络进行特征融合，建立浊度预测模型；获取内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度。本发明有效提高了供水管网末梢水质的评估精度，可准确预测城市供水管网末梢水质浊度变化，对保障饮用水质量安全具有重要意义。
进一步地，如图3所示，基于上述供水管网末梢水质浊度预测方法，本发明还相应提供了一种供水管网末梢水质浊度预测系统，其中，所述供水管网末梢水质浊度预测系统包括：
历史数据采集模块51，用于获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；
影响持续时间计算模块52，用于分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；
模型构建和训练模块53，用于通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；
水质浊度预测模块54，用于获取每个所述内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
进一步地，如图4所示，基于上述供水管网末梢水质浊度预测方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图4仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital， SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有供水管网末梢水质浊度预测程序40，该供水管网末梢水质浊度预测程序40可被处理器10所执行，从而实现本申请中供水管网末梢水质浊度预测方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述供水管网末梢水质浊度预测方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中供水管网末梢水质浊度预测程序40时实现以下步骤：
获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；
分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；
通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；
获取每个所述内部监测点位的目标监测数据，将所有所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
其中，所述获取城市供水管网监测网络采集的历史数据集，具体包括：
分别从本地存储设备中获取供水管网中不同监测点位在预设时间范围内的初始历史数据，并将每个监测点位的初始历史数据单独以表格文件的形式进行存储；
基于数据采集时间，对每个监测点位的初始历史数据进行数据对齐和去噪处理，得到中间数据，获取所述中间数据的缺失部分，通过数据填充方法对所述缺失部分进行数据填补，得到每个所述监测点位的历史数据；
整合每个所述监测点位的历史数据，得到所述历史数据集。
其中，所述第一监测数据包括供水管网中内部监测点位的水质、供水管网中内部监测点位的水量和供水管网中内部监测点位的水压；
所述第二监测数据包括供水管网中末梢监测点位的水质浊度。
其中，所述分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间，具体包括：
在所述历史数据集中获取所述第一监测数据和所述第二监测数据，根据所述第一监测数据和所述第二监测数据建立多个内部监测点位与末梢监测点位的数据对；
使用皮尔逊相关系数得到不同时延下多个所述数据对中所述第一监测数据与所述第二监测数据之间的时序相关性；
根据所有所述时序相关性，通过热力图得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间。
其中，所述通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，具体包括：
获取每个所述内部监测点位的影响持续时间，根据所有所述影响持续时间确定时序建模的时序长度，根据所述时序长度构建所述时序神经网络；
获取每个所述内部监测点位在所述历史数据集中对应的历史数据，根据所有所述影响持续时间，对所述历史数据进行时序划分，得到每个所述内部监测点位的时序信息；
将每个所述内部监测点位的时序信息依次作为所述时序神经网络的输入，并将每个时序神经网络的最后一层输出视为每个内部监测点位的时序特征，对每个内部监测点位的时序特征进行拼接处理，得到每个内部监测点位的完整时序特征集合。
其中，所述将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型，具体包括：
将所有所述完整时序特征集合作为深度神经网络模型的输入，得到由所述时序神经网络和所述深度神经网络构成的深度复合模型；
使用梯度下降算法对所述深度复合模型进行迭代训练，优化所述深度复合模型，得到所述供水管网末梢水质浊度预测模型。
其中，所述获取内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，具体包括：
将所述供水管网末梢水质浊度预测模型部署在云端，通过所述云端分别连接用户端与内部监测数据存储平台；
当接收到所述用户端发送的指令后，根据所述指令从所述内部监测数据存储平台中获取内部监测点位的目标监测数据；
将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，将所述目标水质浊度返回所述用户端进行可视化呈现。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有供水管网末梢水质浊度预测程序，所述供水管网末梢水质浊度预测程序被处理器执行时实现如上所述的供水管网末梢水质浊度预测方法的步骤。
综上所述，本发明提出了一种供水管网末梢水质浊度预测方法及相关设备，所述方法包括：获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；通过长短时记忆神经网络算法，根据影响持续时间，构建时序神经网络，通过时序神经网络提取每个内部监测点位的时序特征，将时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；获取内部监测点位的目标监测数据，将目标监测数据输入到供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度。本发明有效提高了供水管网末梢水质的评估精度，可准确预测城市供水管网末梢水质浊度变化，对保障饮用水质量安全具有重要意义。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种供水管网末梢水质浊度预测方法，其特征在于，所述的供水管网末梢水质浊度预测方法包括：
获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；
分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；
通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；
获取每个所述内部监测点位的目标监测数据，将所有所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
2.根据权利要求1所述的供水管网末梢水质浊度预测方法，其特征在于，所述获取城市供水管网监测网络采集的历史数据集，具体包括：
分别从本地存储设备中获取供水管网中不同监测点位在预设时间范围内的初始历史数据，并将每个监测点位的初始历史数据单独以表格文件的形式进行存储；
基于数据采集时间，对每个监测点位的初始历史数据进行数据对齐和去噪处理，得到中间数据，获取所述中间数据的缺失部分，通过数据填充方法对所述缺失部分进行数据填补，得到每个所述监测点位的历史数据；
整合每个所述监测点位的历史数据，得到所述历史数据集。
3.根据权利要求1所述的供水管网末梢水质浊度预测方法，其特征在于，所述第一监测数据包括供水管网中内部监测点位的水质、供水管网中内部监测点位的水量和供水管网中内部监测点位的水压；
所述第二监测数据包括供水管网中末梢监测点位的水质浊度。
4.根据权利要求1所述的供水管网末梢水质浊度预测方法，其特征在于，所述分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间，具体包括：
在所述历史数据集中获取所述第一监测数据和所述第二监测数据，根据所述第一监测数据和所述第二监测数据建立多个内部监测点位与末梢监测点位的数据对；
使用皮尔逊相关系数得到不同时延下多个所述数据对中所述第一监测数据与所述第二监测数据之间的时序相关性；
根据所有所述时序相关性，通过热力图得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间。
5.根据权利要求1所述的供水管网末梢水质浊度预测方法，其特征在于，所述通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，具体包括：
获取每个所述内部监测点位的影响持续时间，根据所有所述影响持续时间确定时序建模的时序长度，根据所述时序长度构建所述时序神经网络；
获取每个所述内部监测点位在所述历史数据集中对应的历史数据，根据所有所述影响持续时间，对所述历史数据进行时序划分，得到每个所述内部监测点位的时序信息；
将每个所述内部监测点位的时序信息依次作为所述时序神经网络的输入，并将每个时序神经网络的最后一层输出视为每个内部监测点位的时序特征，对每个内部监测点位的时序特征进行拼接处理，得到每个内部监测点位的完整时序特征集合。
6.根据权利要求5所述的供水管网末梢水质浊度预测方法，其特征在于，所述将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型，具体包括：
将所有所述完整时序特征集合作为深度神经网络模型的输入，得到由所述时序神经网络和所述深度神经网络构成的深度复合模型；
使用梯度下降算法对所述深度复合模型进行迭代训练，优化所述深度复合模型，得到所述供水管网末梢水质浊度预测模型。
7.根据权利要求6所述的供水管网末梢水质浊度预测方法，其特征在于，所述获取内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，具体包括：
将所述供水管网末梢水质浊度预测模型部署在云端，通过所述云端分别连接用户端与内部监测数据存储平台；
当接收到所述用户端发送的指令后，根据所述指令从所述内部监测数据存储平台中获取内部监测点位的目标监测数据；
将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到供水管网末梢监测点位的目标水质浊度，将所述目标水质浊度返回所述用户端进行可视化呈现。
8.一种供水管网末梢水质浊度预测系统，其特征在于，所述供水管网末梢水质浊度预测系统包括：
历史数据采集模块，用于获取城市供水管网监测网络采集的历史数据集，其中，所述历史数据集包括供水管网中内部监测点位的第一监测数据和供水管网中末梢监测点位的第二监测数据；
影响持续时间计算模块，用于分析不同时延下所述第一监测数据与所述第二监测数据之间的时序相关性，得到每个所述内部监测点位的水况波动对每个所述末梢监测点位的水质浊度的影响持续时间；
模型构建和训练模块，用于通过长短时记忆神经网络算法，根据所有所述影响持续时间，构建时序神经网络，通过所述时序神经网络提取每个所述内部监测点位的时序特征，将所有所述时序特征输入到深度神经网络，通过迭代训练得到供水管网末梢水质浊度预测模型；
水质浊度预测模块，用于获取每个所述内部监测点位的目标监测数据，将所述目标监测数据输入到所述供水管网末梢水质浊度预测模型中进行预测，得到所有所述供水管网末梢监测点位的目标水质浊度。
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的供水管网末梢水质浊度预测程序，所述供水管网末梢水质浊度预测程序被所述处理器执行时实现如权利要求1-7任一项所述的供水管网末梢水质浊度预测方法的步骤。
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存储有供水管网末梢水质浊度预测程序，所述供水管网末梢水质浊度预测程序被处理器执行时实现如权利要求1-7任一项所述的供水管网末梢水质浊度预测方法的步骤。
CN202410247586.5A 2024-03-05 2024-03-05 一种供水管网末梢水质浊度预测方法及相关设备 Active CN117830031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410247586.5A CN117830031B (zh) 2024-03-05 2024-03-05 一种供水管网末梢水质浊度预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410247586.5A CN117830031B (zh) 2024-03-05 2024-03-05 一种供水管网末梢水质浊度预测方法及相关设备

Publications (2)

Publication Number Publication Date
CN117830031A true CN117830031A (zh) 2024-04-05
CN117830031B CN117830031B (zh) 2024-06-14

Family

ID=90523121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410247586.5A Active CN117830031B (zh) 2024-03-05 2024-03-05 一种供水管网末梢水质浊度预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN117830031B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20220105530A (ko) * 2021-01-20 2022-07-27 코드비전 주식회사 수질 예측 방법 및 장치
WO2022160682A1 (zh) * 2021-01-27 2022-08-04 力合科技（湖南）股份有限公司 水质监测数据分析方法及装置、设备、存储介质
CN115345343A (zh) * 2022-05-05 2022-11-15 宁波水表(集团)股份有限公司 一种供水管网浊度的预测方法及预测装置
CN116307247A (zh) * 2023-04-11 2023-06-23 河北工程大学 空气质量的预测方法、模型的训练方法、设备及存储介质
CN117273203A (zh) * 2023-09-05 2023-12-22 内蒙古工业大学 一种基于GAT-Transformer时间序列模型的水质预测方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20220105530A (ko) * 2021-01-20 2022-07-27 코드비전 주식회사 수질 예측 방법 및 장치
WO2022160682A1 (zh) * 2021-01-27 2022-08-04 力合科技（湖南）股份有限公司 水质监测数据分析方法及装置、设备、存储介质
CN115345343A (zh) * 2022-05-05 2022-11-15 宁波水表(集团)股份有限公司 一种供水管网浊度的预测方法及预测装置
CN116307247A (zh) * 2023-04-11 2023-06-23 河北工程大学 空气质量的预测方法、模型的训练方法、设备及存储介质
CN117273203A (zh) * 2023-09-05 2023-12-22 内蒙古工业大学 一种基于GAT-Transformer时间序列模型的水质预测方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王钊越 等: "城市污水收集与处理系统碳排放监测评估技术研究进展", 《环境工程》, vol. 40, no. 6, 15 June 2022 (2022-06-15), pages 77 - 82 *
秦文虎;陈溪莹;: "基于长短时记忆网络的水质预测模型研究", 安全与环境学报, no. 01, 25 February 2020 (2020-02-25), pages 333 - 339 *
程郅涵;靳军涛;张金松;: "基于统计学方法的南方某市管网水水质特征研究", 环境影响评价, no. 01, 15 January 2020 (2020-01-15), pages 87 - 93 *

Also Published As

Publication number Publication date
CN117830031B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN113516297B (zh) 基于决策树模型的预测方法、装置和计算机设备
CN111144542B (zh) 油井产能预测方法、装置和设备
CN112528365B (zh) 一种地下基础设施结构健康演化趋势预测方法
CN112712209A (zh) 水库入库流量预测方法、装置、计算机设备及存储介质
CN112580329B (zh) 文本噪声数据识别方法、装置、计算机设备和存储介质
CN116189010B (zh) 一种基于卫星图谱的矿山生态识别预警方法及系统
CN112667878A (zh) 网页的文本内容提取方法、装置、电子设备及存储介质
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN117093477A (zh) 一种软件质量评估方法、装置、计算机设备及存储介质
CN116188995A (zh) 一种遥感图像特征提取模型训练方法、检索方法及装置
CN113835138B (zh) 基于深度编码解码网络预测页岩总有机碳含量的方法
CN103257000A (zh) 一种桥梁结构日照作用分析的极值温度预测方法
Zorn et al. Replacing energy simulations with surrogate models for design space exploration
CN117830031B (zh) 一种供水管网末梢水质浊度预测方法及相关设备
Lemos et al. thresholdmodeling: A Python package for modeling excesses over a threshold using the Peak-Over-Threshold Method and the Generalized Pareto Distribution
CN111290953B (zh) 分析测试日志的方法与装置
CN117391257A (zh) 一种道路拥堵情况的预测方法及装置
CN115511341B (zh) 一种库岸边坡时变失效概率评估方法及装置
CN115017015B (zh) 一种边缘计算环境下程序异常行为检测方法及系统
CN109657071A (zh) 词汇预测方法、装置、设备和计算机可读存储介质
CN115169731A (zh) 一种智慧校园能耗预测方法、装置、设备及介质
CN112561171B (zh) 一种滑坡的预测方法、装置、设备及存储介质
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
Verheugd Predicting water pipe failures: A Neural Hawkes Process approach
Tihi et al. SELECTION OF THE BEST ARIMA MODELS FOR URBAN DROUGHT PREDICTION

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