CN117875789A - 一种用于海绵城市排水效果评估的数据处理方法及装置 - Google Patents
一种用于海绵城市排水效果评估的数据处理方法及装置 Download PDFInfo
- Publication number
- CN117875789A CN117875789A CN202410093710.7A CN202410093710A CN117875789A CN 117875789 A CN117875789 A CN 117875789A CN 202410093710 A CN202410093710 A CN 202410093710A CN 117875789 A CN117875789 A CN 117875789A
- Authority
- CN
- China
- Prior art keywords
- water
- pipeline
- data
- drainage
- sensing data
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 107
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 title claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 530
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000001556 precipitation Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 abstract description 13
- 238000004590 computer program Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003657 drainage water Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于海绵城市排水效果评估的数据处理方法及装置，该方法包括：获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据；基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据；根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景；基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数。可见，本发明能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种用于海绵城市排水效果评估的数据处理方法及装置。
背景技术
海绵城市作为一种新兴的城市规划概念的出现，对于城市排水用水的效果提出了新的要求。但现有技术中，海绵城市的排水效果如何进行有效的预估，仍然缺乏更加具体的技术方案，大部分仅能通过排水管道的传感器或者是人工进行的积水情况分析来实现。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种用于海绵城市排水效果评估的数据处理方法及装置，能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
为了解决上述技术问题，本发明第一方面公开了一种用于海绵城市排水效果评估的数据处理方法，所述方法包括：
获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据；
基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据；
根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景；
基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数。
作为一个可选的实施方式，在本发明第一方面中，所述水场景包括天气场景和/或生产场景；所述天气场景包括暴雨场景、高温场景、高湿度场景和高风速场景中的至少一种；所述生产场景包括大量用水场景、水循环高复用率场景、水循环低复用率场景和大量产水场景中的至少一种。
作为一个可选的实施方式，在本发明第一方面中，所述输水管道传感数据包括所述目标城市区域的用于输送中间水产物的多个输水管道的水传感数据；所述水传感数据包括水流量数据、水质数据、水温数据和水流速数据；
所述基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据，包括：
根据每一所述输水管道对应的所述水传感数据中的数据获取设备的设备参数，确定每一所述输水管道对应的管道参数；
根据每一所述输水管道对应的所述管道参数和所述水传感数据，基于神经网络算法，确定每一所述输水管道对应的管道水存量数据；
计算所有所述输水管道的管道水存量数据的加权计算值，得到所述目标城市区域在所述历史时间段的水存量数据。
作为一个可选的实施方式，在本发明第一方面中，所述根据每一所述输水管道对应的所述水传感数据中的数据获取设备的设备参数，确定每一所述输水管道对应的管道参数，包括：
对于每一所述输水管道，将该输水管道对应的每一所述水传感数据对应的数据获取设备的设备参数，输入至预设的参数匹配关系数据库中，以得到每一所述水传感数据对应的设备位置和设备类型；
对所有所述水传感数据对应的所述设备位置进行几何中心计算，得到该输水管道对应的管道位置；
对所有所述水传感数据对应的所述设备位置进行连接，得到该输水管道对应的管道形状；
根据预设的类型位置匹配规则，计算每一所述水传感数据对应的所述设备位置和所述设备类型对应的管道类型，将所有所述水传感数据对应的所述管道类型中的众数项，确定为该输水管道对应的管道类型。
作为一个可选的实施方式，在本发明第一方面中，所述根据每一所述输水管道对应的所述管道参数和所述水传感数据，基于神经网络算法，确定每一所述输水管道对应的管道水存量数据，包括：
对于每一所述输水管道，根据该输水管道对应的管道类型，确定该输水管道对应的水存量预测神经网络；所述水存量预测神经网络通过包括有多个同一所述管道类型的训练管道位置、训练管道形状和训练水传感数据和对应的管道水存量标注；
将该输水管道的所述管道位置、所述管道形状和所述水传感数据，输入至所述水存量预测神经网络，以得到该输水管道对应的管道水存量数据。
作为一个可选的实施方式，在本发明第一方面中，所述计算所有所述输水管道的管道水存量数据的加权计算值，得到所述目标城市区域在所述历史时间段的水存量数据，包括：
对于每一所述输水管道，计算该输水管道的所述管道位置与最近的用水设备的设备位置之间的位置距离；
计算该输水管道的所述管道形状对应的形状复杂度；
计算该输水管道的管道水存量数据和第一权重和第二权重的乘积值；所述第一权重和所述位置距离成反比；所述第二权重和所述形状复杂度成反比；
计算所有所述输水管道的所述乘积值的和，得到所述目标城市区域在所述历史时间段的水存量数据。
作为一个可选的实施方式，在本发明第一方面中，所述根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景，包括：
计算所述降水传感数据在所述历史时间段的降水数据变化参数；
计算所述输水管道传感数据中在所述历史时间段的输水数据变化参数；
将所述降水数据变化参数和所述输水数据变化参数输入至训练好的水场景预测神经网络，以得到所述目标城市区域在所述历史时间段的水场景；所述水场景预测神经网络通过包括有多个训练降水数据变化参数和训练输水数据变化参数和对应的水场景标注的训练数据集训练得到。
作为一个可选的实施方式，在本发明第一方面中，所述排水管道传感数据包括所述目标城市区域的用于排放水产物的多个排水管道的水传感数据；
所述基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数，包括：
根据每一所述排水管道对应的管道参数和水传感数据，计算每一所述排水管道对应的管道排水量参数；
计算所有所述排水管道对应的管道排水量参数的和，得到区域排水量参数；
计算所述区域排水量参数和所述水存量数据的比值，得到第一排水参数；
根据预设的场景和排水参数的对应数学关系模型，确定所述水场景对应的第二排水参数；
计算所述第一排水参数和所述第二排水参数的差值，得到所述目标城市区域对应的排水效果参数。
本发明第二方面公开了一种用于海绵城市排水效果评估的数据处理装置，所述装置包括：
获取模块，用于获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据；
确定模块，用于基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据；
预测模块，用于根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景；
计算模块，用于基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数。
作为一个可选的实施方式，在本发明第二方面中，所述水场景包括天气场景和/或生产场景；所述天气场景包括暴雨场景、高温场景、高湿度场景和高风速场景中的至少一种；所述生产场景包括大量用水场景、水循环高复用率场景、水循环低复用率场景和大量产水场景中的至少一种。
作为一个可选的实施方式，在本发明第二方面中，所述输水管道传感数据包括所述目标城市区域的用于输送中间水产物的多个输水管道的水传感数据；所述水传感数据包括水流量数据、水质数据、水温数据和水流速数据；
所述确定模块基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据的具体方式，包括：
根据每一所述输水管道对应的所述水传感数据中的数据获取设备的设备参数，确定每一所述输水管道对应的管道参数；
根据每一所述输水管道对应的所述管道参数和所述水传感数据，基于神经网络算法，确定每一所述输水管道对应的管道水存量数据；
计算所有所述输水管道的管道水存量数据的加权计算值，得到所述目标城市区域在所述历史时间段的水存量数据。
作为一个可选的实施方式，在本发明第二方面中，所述确定模块根据每一所述输水管道对应的所述水传感数据中的数据获取设备的设备参数，确定每一所述输水管道对应的管道参数的具体方式，包括：
对于每一所述输水管道，将该输水管道对应的每一所述水传感数据对应的数据获取设备的设备参数，输入至预设的参数匹配关系数据库中，以得到每一所述水传感数据对应的设备位置和设备类型；
对所有所述水传感数据对应的所述设备位置进行几何中心计算，得到该输水管道对应的管道位置；
对所有所述水传感数据对应的所述设备位置进行连接，得到该输水管道对应的管道形状；
根据预设的类型位置匹配规则，计算每一所述水传感数据对应的所述设备位置和所述设备类型对应的管道类型，将所有所述水传感数据对应的所述管道类型中的众数项，确定为该输水管道对应的管道类型。
作为一个可选的实施方式，在本发明第二方面中，所述确定模块根据每一所述输水管道对应的所述管道参数和所述水传感数据，基于神经网络算法，确定每一所述输水管道对应的管道水存量数据的具体方式，包括：
对于每一所述输水管道，根据该输水管道对应的管道类型，确定该输水管道对应的水存量预测神经网络；所述水存量预测神经网络通过包括有多个同一所述管道类型的训练管道位置、训练管道形状和训练水传感数据和对应的管道水存量标注；
将该输水管道的所述管道位置、所述管道形状和所述水传感数据，输入至所述水存量预测神经网络，以得到该输水管道对应的管道水存量数据。
作为一个可选的实施方式，在本发明第二方面中，所述确定模块计算所有所述输水管道的管道水存量数据的加权计算值，得到所述目标城市区域在所述历史时间段的水存量数据的具体方式，包括：
对于每一所述输水管道，计算该输水管道的所述管道位置与最近的用水设备的设备位置之间的位置距离；
计算该输水管道的所述管道形状对应的形状复杂度；
计算该输水管道的管道水存量数据和第一权重和第二权重的乘积值；所述第一权重和所述位置距离成反比；所述第二权重和所述形状复杂度成反比；
计算所有所述输水管道的所述乘积值的和，得到所述目标城市区域在所述历史时间段的水存量数据。
作为一个可选的实施方式，在本发明第二方面中，所述预测模块根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景的具体方式，包括：
计算所述降水传感数据在所述历史时间段的降水数据变化参数；
计算所述输水管道传感数据中在所述历史时间段的输水数据变化参数；
将所述降水数据变化参数和所述输水数据变化参数输入至训练好的水场景预测神经网络，以得到所述目标城市区域在所述历史时间段的水场景；所述水场景预测神经网络通过包括有多个训练降水数据变化参数和训练输水数据变化参数和对应的水场景标注的训练数据集训练得到。
作为一个可选的实施方式，在本发明第二方面中，所述排水管道传感数据包括所述目标城市区域的用于排放水产物的多个排水管道的水传感数据；
所述计算模块基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数的具体方式，包括：
根据每一所述排水管道对应的管道参数和水传感数据，计算每一所述排水管道对应的管道排水量参数；
计算所有所述排水管道对应的管道排水量参数的和，得到区域排水量参数；
计算所述区域排水量参数和所述水存量数据的比值，得到第一排水参数；
根据预设的场景和排水参数的对应数学关系模型，确定所述水场景对应的第二排水参数；
计算所述第一排水参数和所述第二排水参数的差值，得到所述目标城市区域对应的排水效果参数。
本发明第三方面公开了另一种用于海绵城市排水效果评估的数据处理装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的用于海绵城市排水效果评估的数据处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
可见，本发明实施例能够有效利用城市区域中的多种水传感数据来对城区区域对应的水存量和水场景进行预测，并进一步分析其排水效果，从而能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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。
图1是本发明实施例公开的一种用于海绵城市排水效果评估的数据处理方法的流程示意图。
图2是本发明实施例公开的一种用于海绵城市排水效果评估的数据处理装置的结构示意图。
图3是本发明实施例公开的另一种用于海绵城市排水效果评估的数据处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第二”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种用于海绵城市排水效果评估的数据处理方法及装置，能够有效利用城市区域中的多种水传感数据来对城区区域对应的水存量和水场景进行预测，并进一步分析其排水效果，从而能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种用于海绵城市排水效果评估的数据处理方法的流程示意图。其中，图1所描述的用于海绵城市排水效果评估的数据处理方法应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图1所示，该用于海绵城市排水效果评估的数据处理方法可以包括以下操作：
101、获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据。
可选的，降水传感数据可以由设置在收集降水的容器或用于测算降水量的容器内的传感器组来获取。
可选的，输水管道传感数据包括目标城市区域的用于输送中间水产物的多个输水管道的水传感数据。
可选的，排水管道传感数据包括目标城市区域的用于排放水产物的多个排水管道的水传感数据。
可选的，水传感数据可以由设置在管道内的传感器组来获得，其可以包括水流量数据、水质数据、水温数据和水流速数据。
可选的，具体的输水管道或排水管道的划分和限定，可以由操作人员对于海绵城市中的不同管道的预先划分和数据调研确定。
102、基于输水管道传感数据，根据预设的数据算法，确定目标城市区域在历史时间段的水存量数据。
103、根据降水传感数据和输水管道传感数据，基于场景预测算法，预测目标城市区域在历史时间段的水场景。
可选的，水场景包括天气场景和/或生产场景。
可选的，天气场景包括暴雨场景、高温场景、高湿度场景和高风速场景中的至少一种。
可选的，生产场景包括大量用水场景、水循环高复用率场景、水循环低复用率场景和大量产水场景中的至少一种。
104、基于水场景以及预设的场景和排水效果的对应数学关系模型，根据排水管道传感数据和水存量数据，计算目标城市区域对应的排水效果参数。
可见，上述发明实施例能够有效利用城市区域中的多种水传感数据来对城区区域对应的水存量和水场景进行预测，并进一步分析其排水效果，从而能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
作为一个可选的实施例，上述步骤中的，基于输水管道传感数据，根据预设的数据算法，确定目标城市区域在历史时间段的水存量数据，包括：
根据每一输水管道对应的水传感数据中的数据获取设备的设备参数，确定每一输水管道对应的管道参数；
根据每一输水管道对应的管道参数和水传感数据，基于神经网络算法，确定每一输水管道对应的管道水存量数据；
计算所有输水管道的管道水存量数据的加权计算值，得到目标城市区域在历史时间段的水存量数据。
通过上述实施例，能够实现根据神经网络来预测水存量数据，从而能够通过管道数据测算到精确的水存量，以便于对城市的水存量情况进行监控，进一步在后续计算中可以基于此分析排水效果，能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
作为一个可选的实施例，上述步骤中的，根据每一输水管道对应的水传感数据中的数据获取设备的设备参数，确定每一输水管道对应的管道参数，包括：
对于每一输水管道，将该输水管道对应的每一水传感数据对应的数据获取设备的设备参数，输入至预设的参数匹配关系数据库中，以得到每一水传感数据对应的设备位置和设备类型；
对所有水传感数据对应的设备位置进行几何中心计算，得到该输水管道对应的管道位置；
对所有水传感数据对应的设备位置进行连接，得到该输水管道对应的管道形状；
根据预设的类型位置匹配规则，计算每一水传感数据对应的设备位置和设备类型对应的管道类型，将所有水传感数据对应的管道类型中的众数项，确定为该输水管道对应的管道类型。
可选的，可以根据平均位置算法或是形状几何中心算法来对所有水传感数据对应的设备位置进行几何中心计算。
可选的，设备参数可以为设备的ID或其他标识参数，参数匹配关系数据库可以由设备提供商或设备维护商根据历史的设备安装数据记录来确定，其可以为根据设备安装数据记录计算得到的预测模型，也可以为多个数据项直接的对应关系表。
通过上述实施例，能够实现根据每一水传感数据对应的设备位置和设备类型来计算每一管道的管道形状和管道类型，从而能够通过数据获取数据的参数来对应计算得到精确的管道参数，以便于后续对城市的水存量情况进行监控，进一步在后续计算中可以基于此分析排水效果，能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
作为一个可选的实施例，上述步骤中的，根据每一输水管道对应的管道参数和水传感数据，基于神经网络算法，确定每一输水管道对应的管道水存量数据，包括：
对于每一输水管道，根据该输水管道对应的管道类型，确定该输水管道对应的水存量预测神经网络；水存量预测神经网络通过包括有多个同一管道类型的训练管道位置、训练管道形状和训练水传感数据和对应的管道水存量标注；
将该输水管道的管道位置、管道形状和水传感数据，输入至水存量预测神经网络，以得到该输水管道对应的管道水存量数据。
可选的，本发明中的预测算法或神经网络均可以为CNN结构、RNN结构或随机森林的算法模型，并通过相应的梯度下降算法和损失函数进行训练直至收敛，本发明不作限定。
通过上述实施例，能够实现基于神经网络算法，确定每一输水管道对应的管道水存量数据，从而能够预测得到精确的水存量数据，以便于对城市的水存量情况进行监控，进一步在后续计算中可以基于此分析排水效果，能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
作为一个可选的实施例，上述步骤中的，计算所有输水管道的管道水存量数据的加权计算值，得到目标城市区域在历史时间段的水存量数据，包括：
对于每一输水管道，计算该输水管道的管道位置与最近的用水设备的设备位置之间的位置距离；
计算该输水管道的管道形状对应的形状复杂度；
计算该输水管道的管道水存量数据和第一权重和第二权重的乘积值；第一权重和位置距离成反比；第二权重和形状复杂度成反比；
计算所有输水管道的乘积值的和，得到目标城市区域在历史时间段的水存量数据。
可选的，形状复杂度可以通过图像复杂度算法来实现，或是对管道形状中的曲率变化的计算来实现。
可选的，第一权重和第二权重，可以通过权重确定算法根据上述比例关系来计算，操作人员可以根据具体的实施情况进行调整。
通过上述实施例，能够基于预设的比例关系计算所有输水管道的管道水存量数据的加权计算值，从而充分考虑到管道的形状复杂度和与用水设备的位置差对最终水存量计算的负面影响，以预测得到精确的水存量数据，以便于对城市的水存量情况进行监控，进一步在后续计算中可以基于此分析排水效果，能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
作为一个可选的实施例，上述步骤中的，根据降水传感数据和输水管道传感数据，基于场景预测算法，预测目标城市区域在历史时间段的水场景，包括：
计算降水传感数据在历史时间段的降水数据变化参数；
计算输水管道传感数据中在历史时间段的输水数据变化参数；
将降水数据变化参数和输水数据变化参数输入至训练好的水场景预测神经网络，以得到目标城市区域在历史时间段的水场景；水场景预测神经网络通过包括有多个训练降水数据变化参数和训练输水数据变化参数和对应的水场景标注的训练数据集训练得到。
通过上述实施例，能够基于神经网络算法来根据降水数据变化参数和输水数据变化参数预测目标城市区域在历史时间段的水场景，从而充分考虑到降水变化和输水变化以预测得到精确的水场景，以便于对城市的水场景进行监控，进一步在后续计算中可以基于此分析排水效果，能够更加精准和全面地对城市区域的存水和排水情况进行监控，提高排水效果分析的效率和效果。
作为一个可选的实施例，上述步骤中的， 基于水场景以及预设的场景和排水效果的对应数学关系模型，根据排水管道传感数据和水存量数据，计算目标城市区域对应的排水效果参数，包括：
根据每一排水管道对应的管道参数和水传感数据，计算每一排水管道对应的管道排水量参数；
计算所有排水管道对应的管道排水量参数的和，得到区域排水量参数；
计算区域排水量参数和水存量数据的比值，得到第一排水参数；
根据预设的场景和排水参数的对应数学关系模型，确定水场景对应的第二排水参数；
计算第一排水参数和第二排水参数的差值，得到目标城市区域对应的排水效果参数。
具体的，根据每一排水管道对应的管道参数和水传感数据，计算每一排水管道对应的管道排水量参数的方式，可以通过训练好的神经网络算法来实现，或是通过预先设定的数据关系模型来设定，例如通过历史数据或实验数据基于多项式拟合算法来拟合得到相应的数学关系模型。
具体的，第一排水参数用于表征城市区域的排水充分程度，其与水存量成反比，和排水量成正比，而第二排水参数用于表征城市区域的标准排水充分程度，其可以通过场景来确定。具体的，场景和排水参数的对应数学关系模型可以通过训练好的神经网络模型或多项式拟合的数学关系式模型来实现。
通过上述实施例，能够基于实时的排水充分程度和标准的排水充分程度的计算和求差，来测算目标城市区域对应的排水效果参数，从而可以基于此分析排水效果，能够更加精准和全面地对城市区域的排水情况进行监控，提高排水效果分析的效率和效果。
实施例二
请参阅图2，图2是本发明实施例公开的一种用于海绵城市排水效果评估的数据处理装置的结构示意图。其中，图2所描述的用于海绵城市排水效果评估的数据处理装置应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图2所示，该用于海绵城市排水效果评估的数据处理装置可以包括：
获取模块201，用于获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据；
确定模块202，用于基于输水管道传感数据，根据预设的数据算法，确定目标城市区域在历史时间段的水存量数据；
预测模块203，用于根据降水传感数据和输水管道传感数据，基于场景预测算法，预测目标城市区域在历史时间段的水场景；
计算模块204，用于基于水场景以及预设的场景和排水效果的对应数学关系模型，根据排水管道传感数据和水存量数据，计算目标城市区域对应的排水效果参数。
作为一个可选的实施例，水场景包括天气场景和/或生产场景；天气场景包括暴雨场景、高温场景、高湿度场景和高风速场景中的至少一种；生产场景包括大量用水场景、水循环高复用率场景、水循环低复用率场景和大量产水场景中的至少一种。
作为一个可选的实施例，输水管道传感数据包括目标城市区域的用于输送中间水产物的多个输水管道的水传感数据；水传感数据包括水流量数据、水质数据、水温数据和水流速数据；
确定模块202基于输水管道传感数据，根据预设的数据算法，确定目标城市区域在历史时间段的水存量数据的具体方式，包括：
根据每一输水管道对应的水传感数据中的数据获取设备的设备参数，确定每一输水管道对应的管道参数；
根据每一输水管道对应的管道参数和水传感数据，基于神经网络算法，确定每一输水管道对应的管道水存量数据；
计算所有输水管道的管道水存量数据的加权计算值，得到目标城市区域在历史时间段的水存量数据。
作为一个可选的实施例，确定模块202根据每一输水管道对应的水传感数据中的数据获取设备的设备参数，确定每一输水管道对应的管道参数的具体方式，包括：
对于每一输水管道，将该输水管道对应的每一水传感数据对应的数据获取设备的设备参数，输入至预设的参数匹配关系数据库中，以得到每一水传感数据对应的设备位置和设备类型；
对所有水传感数据对应的设备位置进行几何中心计算，得到该输水管道对应的管道位置；
对所有水传感数据对应的设备位置进行连接，得到该输水管道对应的管道形状；
根据预设的类型位置匹配规则，计算每一水传感数据对应的设备位置和设备类型对应的管道类型，将所有水传感数据对应的管道类型中的众数项，确定为该输水管道对应的管道类型。
作为一个可选的实施例，确定模块202根据每一输水管道对应的管道参数和水传感数据，基于神经网络算法，确定每一输水管道对应的管道水存量数据的具体方式，包括：
对于每一输水管道，根据该输水管道对应的管道类型，确定该输水管道对应的水存量预测神经网络；水存量预测神经网络通过包括有多个同一管道类型的训练管道位置、训练管道形状和训练水传感数据和对应的管道水存量标注；
将该输水管道的管道位置、管道形状和水传感数据，输入至水存量预测神经网络，以得到该输水管道对应的管道水存量数据。
作为一个可选的实施例，确定模块202计算所有输水管道的管道水存量数据的加权计算值，得到目标城市区域在历史时间段的水存量数据的具体方式，包括：
对于每一输水管道，计算该输水管道的管道位置与最近的用水设备的设备位置之间的位置距离；
计算该输水管道的管道形状对应的形状复杂度；
计算该输水管道的管道水存量数据和第一权重和第二权重的乘积值；第一权重和位置距离成反比；第二权重和形状复杂度成反比；
计算所有输水管道的乘积值的和，得到目标城市区域在历史时间段的水存量数据。
作为一个可选的实施例，预测模块203根据降水传感数据和输水管道传感数据，基于场景预测算法，预测目标城市区域在历史时间段的水场景的具体方式，包括：
计算降水传感数据在历史时间段的降水数据变化参数；
计算输水管道传感数据中在历史时间段的输水数据变化参数；
将降水数据变化参数和输水数据变化参数输入至训练好的水场景预测神经网络，以得到目标城市区域在历史时间段的水场景；水场景预测神经网络通过包括有多个训练降水数据变化参数和训练输水数据变化参数和对应的水场景标注的训练数据集训练得到。
作为一个可选的实施例，排水管道传感数据包括目标城市区域的用于排放水产物的多个排水管道的水传感数据；
计算模块204基于水场景以及预设的场景和排水效果的对应数学关系模型，根据排水管道传感数据和水存量数据，计算目标城市区域对应的排水效果参数的具体方式，包括：
根据每一排水管道对应的管道参数和水传感数据，计算每一排水管道对应的管道排水量参数；
计算所有排水管道对应的管道排水量参数的和，得到区域排水量参数；
计算区域排水量参数和水存量数据的比值，得到第一排水参数；
根据预设的场景和排水参数的对应数学关系模型，确定水场景对应的第二排水参数；
计算第一排水参数和第二排水参数的差值，得到目标城市区域对应的排水效果参数。
上述实施例中的模块和步骤的具体的技术细节和技术效果，可以参照实施例一中的相应的表述，在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的又一种用于海绵城市排水效果评估的数据处理装置。图3所描述的用于海绵城市排水效果评估的数据处理装置应用于数据处理芯片、处理终端或处理服务器（其中，该处理服务器可以为本地服务器或云服务器）中。如图3所示，该用于海绵城市排水效果评估的数据处理装置可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
其中，处理器302调用存储器301中存储的可执行程序代码，用于执行实施例一所描述的用于海绵城市排水效果评估的数据处理方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的用于海绵城市排水效果评估的数据处理方法的步骤。
实施例五
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的用于海绵城市排水效果评估的数据处理方法的步骤。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的，因此，装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray， FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后应说明的是：本发明实施例公开的一种用于海绵城市排水效果评估的数据处理方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；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；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种用于海绵城市排水效果评估的数据处理方法，其特征在于，所述方法包括：
获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据；
基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据；
根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景；
基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数。
2.根据权利要求1所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述水场景包括天气场景和/或生产场景；所述天气场景包括暴雨场景、高温场景、高湿度场景和高风速场景中的至少一种；所述生产场景包括大量用水场景、水循环高复用率场景、水循环低复用率场景和大量产水场景中的至少一种。
3.根据权利要求1所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述输水管道传感数据包括所述目标城市区域的用于输送中间水产物的多个输水管道的水传感数据；所述水传感数据包括水流量数据、水质数据、水温数据和水流速数据；
所述基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据，包括：
根据每一所述输水管道对应的所述水传感数据中的数据获取设备的设备参数，确定每一所述输水管道对应的管道参数；
根据每一所述输水管道对应的所述管道参数和所述水传感数据，基于神经网络算法，确定每一所述输水管道对应的管道水存量数据；
计算所有所述输水管道的管道水存量数据的加权计算值，得到所述目标城市区域在所述历史时间段的水存量数据。
4.根据权利要求3所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述根据每一所述输水管道对应的所述水传感数据中的数据获取设备的设备参数，确定每一所述输水管道对应的管道参数，包括：
对于每一所述输水管道，将该输水管道对应的每一所述水传感数据对应的数据获取设备的设备参数，输入至预设的参数匹配关系数据库中，以得到每一所述水传感数据对应的设备位置和设备类型；
对所有所述水传感数据对应的所述设备位置进行几何中心计算，得到该输水管道对应的管道位置；
对所有所述水传感数据对应的所述设备位置进行连接，得到该输水管道对应的管道形状；
根据预设的类型位置匹配规则，计算每一所述水传感数据对应的所述设备位置和所述设备类型对应的管道类型，将所有所述水传感数据对应的所述管道类型中的众数项，确定为该输水管道对应的管道类型。
5.根据权利要求3所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述根据每一所述输水管道对应的所述管道参数和所述水传感数据，基于神经网络算法，确定每一所述输水管道对应的管道水存量数据，包括：
对于每一所述输水管道，根据该输水管道对应的管道类型，确定该输水管道对应的水存量预测神经网络；所述水存量预测神经网络通过包括有多个同一所述管道类型的训练管道位置、训练管道形状和训练水传感数据和对应的管道水存量标注；
将该输水管道的所述管道位置、所述管道形状和所述水传感数据，输入至所述水存量预测神经网络，以得到该输水管道对应的管道水存量数据。
6.根据权利要求3所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述计算所有所述输水管道的管道水存量数据的加权计算值，得到所述目标城市区域在所述历史时间段的水存量数据，包括：
对于每一所述输水管道，计算该输水管道的所述管道位置与最近的用水设备的设备位置之间的位置距离；
计算该输水管道的所述管道形状对应的形状复杂度；
计算该输水管道的管道水存量数据和第一权重和第二权重的乘积值；所述第一权重和所述位置距离成反比；所述第二权重和所述形状复杂度成反比；
计算所有所述输水管道的所述乘积值的和，得到所述目标城市区域在所述历史时间段的水存量数据。
7.根据权利要求1所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景，包括：
计算所述降水传感数据在所述历史时间段的降水数据变化参数；
计算所述输水管道传感数据中在所述历史时间段的输水数据变化参数；
将所述降水数据变化参数和所述输水数据变化参数输入至训练好的水场景预测神经网络，以得到所述目标城市区域在所述历史时间段的水场景；所述水场景预测神经网络通过包括有多个训练降水数据变化参数和训练输水数据变化参数和对应的水场景标注的训练数据集训练得到。
8.根据权利要求7所述的用于海绵城市排水效果评估的数据处理方法，其特征在于，所述排水管道传感数据包括所述目标城市区域的用于排放水产物的多个排水管道的水传感数据；
所述基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数，包括：
根据每一所述排水管道对应的管道参数和水传感数据，计算每一所述排水管道对应的管道排水量参数；
计算所有所述排水管道对应的管道排水量参数的和，得到区域排水量参数；
计算所述区域排水量参数和所述水存量数据的比值，得到第一排水参数；
根据预设的场景和排水参数的对应数学关系模型，确定所述水场景对应的第二排水参数；
计算所述第一排水参数和所述第二排水参数的差值，得到所述目标城市区域对应的排水效果参数。
9.一种用于海绵城市排水效果评估的数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标城市区域在历史时间段的降水传感数据、输水管道传感数据和排水管道传感数据；
确定模块，用于基于所述输水管道传感数据，根据预设的数据算法，确定所述目标城市区域在所述历史时间段的水存量数据；
预测模块，用于根据所述降水传感数据和所述输水管道传感数据，基于场景预测算法，预测所述目标城市区域在所述历史时间段的水场景；
计算模块，用于基于所述水场景以及预设的场景和排水效果的对应数学关系模型，根据所述排水管道传感数据和所述水存量数据，计算所述目标城市区域对应的排水效果参数。
10.一种用于海绵城市排水效果评估的数据处理装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的用于海绵城市排水效果评估的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410093710.7A CN117875789B (zh) | 2024-01-23 | 2024-01-23 | 一种用于海绵城市排水效果评估的数据处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410093710.7A CN117875789B (zh) | 2024-01-23 | 2024-01-23 | 一种用于海绵城市排水效果评估的数据处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117875789A true CN117875789A (zh) | 2024-04-12 |
| CN117875789B CN117875789B (zh) | 2024-06-18 |
Family
ID=90581152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410093710.7A Active CN117875789B (zh) | 2024-01-23 | 2024-01-23 | 一种用于海绵城市排水效果评估的数据处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875789B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118443900A (zh) * | 2024-05-09 | 2024-08-06 | 广东贝源检测技术股份有限公司 | 水环境评估方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115563540A (zh) * | 2022-10-21 | 2023-01-03 | 城云科技（中国）有限公司 | 结合多源数据和深度学习的城市内涝预测方法及其应用 |
| CN115635486A (zh) * | 2022-12-23 | 2023-01-24 | 国网浙江宁波市鄞州区供电有限公司 | 地下式无人电力站自动化监测、检修及抗灾机器人系统 |
| CN116485034A (zh) * | 2023-05-15 | 2023-07-25 | 深圳市嘉闰州生态建工有限公司 | 一种城市排水量预测方法及系统 |
| CN116700039A (zh) * | 2023-08-04 | 2023-09-05 | 山东科能电气设备有限公司 | 一种城市应急排水系统的控制方法、系统、设备及介质 |
| CN116821272A (zh) * | 2023-08-30 | 2023-09-29 | 中交第四航务工程勘察设计院有限公司 | 一种城市内涝智慧监控预警方法及系统 |
-
2024
- 2024-01-23 CN CN202410093710.7A patent/CN117875789B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115563540A (zh) * | 2022-10-21 | 2023-01-03 | 城云科技（中国）有限公司 | 结合多源数据和深度学习的城市内涝预测方法及其应用 |
| CN115635486A (zh) * | 2022-12-23 | 2023-01-24 | 国网浙江宁波市鄞州区供电有限公司 | 地下式无人电力站自动化监测、检修及抗灾机器人系统 |
| CN116485034A (zh) * | 2023-05-15 | 2023-07-25 | 深圳市嘉闰州生态建工有限公司 | 一种城市排水量预测方法及系统 |
| CN116700039A (zh) * | 2023-08-04 | 2023-09-05 | 山东科能电气设备有限公司 | 一种城市应急排水系统的控制方法、系统、设备及介质 |
| CN116821272A (zh) * | 2023-08-30 | 2023-09-29 | 中交第四航务工程勘察设计院有限公司 | 一种城市内涝智慧监控预警方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118443900A (zh) * | 2024-05-09 | 2024-08-06 | 广东贝源检测技术股份有限公司 | 水环境评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117875789B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117875789B (zh) | 一种用于海绵城市排水效果评估的数据处理方法及装置 | |
| CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
| CN114866608B (zh) | 智慧水务数据处理平台 | |
| CN114880733B (zh) | 智慧水务水力模型数据处理方法及装置 | |
| CN110634030B (zh) | 应用的业务指标挖掘方法、装置及设备 | |
| CN117010571A (zh) | 一种业务量的预测方法、装置及设备 | |
| CN113849166B (zh) | 智慧水环境积木式零代码开发平台 | |
| CN117390585A (zh) | 基于三维全连接融合的时序数据预测方法及模型训练方法 | |
| CN116823521B (zh) | 基于ai算法的智能二次供水终端控制系统 | |
| CN116579762B (zh) | 一种冷却塔智慧运维平台 | |
| CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
| CN117515131A (zh) | 一种行星减速器磨损监控的方法、装置、存储介质、设备 | |
| CN113902356B (zh) | 区域流量数据分析方法及装置 | |
| CN116151466A (zh) | 一种企业风险预警模型的训练方法、装置、介质及设备 | |
| CN112712561B (zh) | 一种建图方法、装置、存储介质及电子设备 | |
| CN116699998B (zh) | 基于ai算法的无人值守加压站控制系统 | |
| CN116909238B (zh) | 基于数字孪生的智慧水厂综合管理系统 | |
| CN118246610B (zh) | 基于大数据的微藻浓度预测方法及系统 | |
| CN117077058B (zh) | 基于用水数据分析的智慧营业收费管理系统 | |
| CN116379832B (zh) | 一种冷却塔智慧控制系统 | |
| CN117406628B (zh) | 一种基于传感监测的实验室通风控制系统 | |
| CN116777010B (zh) | 一种模型训练的方法以及任务执行方法及装置 | |
| CN117393140B (zh) | 基于历史数据的智能指环控制方法及装置 | |
| CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
| CN118195591B (zh) | 基于维修记录的指环质量监控方法及系统 |
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 |