CN117911750B - 一种边缘智能数据处理方法及边缘服务器 - Google Patents
一种边缘智能数据处理方法及边缘服务器 Download PDFInfo
- Publication number
- CN117911750B CN117911750B CN202311784865.7A CN202311784865A CN117911750B CN 117911750 B CN117911750 B CN 117911750B CN 202311784865 A CN202311784865 A CN 202311784865A CN 117911750 B CN117911750 B CN 117911750B
- Authority
- CN
- China
- Prior art keywords
- precipitation
- road network
- probability
- determining
- unit
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000001556 precipitation Methods 0.000 claims abstract description 245
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 147
- 238000009825 accumulation Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000237502 Ostreidae Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020636 oyster Nutrition 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Environmental & Geological Engineering (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Environmental Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智慧城市管理技术领域,具体公开了一种边缘智能数据处理方法及边缘服务器,所述方法包括基于路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息。本发明在各个区域建立边缘端,由边缘端采集降水状态,根据降水状态模拟降水参数,确定不同降水量对应的积水点及其积水概率;在此基础上,读取天气预报信息,根据天气预报信息提前判定可能出现的积水点,进行实时监测识别,时效性极强。
Description
技术领域
本发明涉及智慧城市管理技术领域,具体是一种边缘智能数据处理方法及边缘服务器。
背景技术
城市积水问题会对交通造成一定的影响,因此,需要对积水进行实时管理,现有的积水查询过程主要依赖于城市居民的上报过程,由居民承担发现者的角色,这种方式当然是可行的,但是在时间上,总会有一定的迟滞性,并且发现者大概率受到了积水的影响,才会进行上报,如何提高积水识别过程的时效性是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种边缘智能数据处理方法及边缘服务器,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:
一种边缘智能数据处理方法,所述方法包括:
获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型;其中,所述位置信息包括高度信息;
基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;
根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;
根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息。
作为本发明进一步的方案:所述获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型的步骤包括:
获取城建路网的位置信息,根据所述位置信息查询遥感影像;
对所述遥感影像进行识别,确定城建路网的高度信息;其中,高度信息的精度由遥感影像采样精度确定;
根据城建路网构建平面图,在平面图中引入高度信息,得到三维模型,作为路网模型;
获取含有单位排水量的排水点位,插入所述路网模型;
其中,确定高度信息的过程为:
对遥感图像进行阴影提取,然后计算太阳方位角方向的阴影边长;
当卫星与太阳同侧时,
当卫星与太阳异侧时,H=L2×tanβ;
式中,α是卫星与建筑顶端的连线与地面间的夹角,β是太阳与建筑顶端的连线与地面间的夹角;L2为遥感图像中的阴影边长。
作为本发明进一步的方案:所述基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率的步骤包括:
遍历路网模型中的顶点,计算相邻顶点的高度差,根据所述高度差对各个顶点进行分类,得到区域切分信息;
计算各个区域的中心点,基于所述中心点确定边缘端;
基于边缘端记录各时刻的降水状态,根据所述各时刻的降水状态计算平均降水间隔;所述降水状态包括降水和未降水;
实时记录未降水时长,根据未降水时长确定降水概率;所述降水概率为未降水时长的增函数,当降水状态为降水时,未降水时长归零。
作为本发明进一步的方案:所述根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率的步骤包括:
查询各个区域的降水概率,根据所述降水概率确定各个区域的降水状态;其中,各个区域的降水状态至少确定一次;
将各个区域的降水状态插入路网模型,基于路网模型确定水流流向;
递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表;
统计所有积水表并计算平均值,得到平均积水表。
作为本发明进一步的方案:所述递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表的步骤包括:
根据预设的步长递增单位降水量,基于单位降水量及水流流向查询各个排水点处的单位积水量;
当检测到一个排水点处的单位积水量大于所述单位排水量时,记录降水量,并在路网模型中查询一次积水点,并递增一次积水概率;所述积水点为单位积水量大于预设的积水量阈值的点位;
统计降水量、积水点及其积水概率,构建积水表。
作为本发明进一步的方案:所述根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息的步骤包括:
获取天气预测信息,提取单位降水量,根据所述单位降水量在平均积水表中查询积水点及其积水概率;其中,天气预测信息的时间跨度为预设值;
根据所述积水概率确定采集频率;所述采集频率为积水概率的增函数;
查询积水点对应的边缘端,基于边缘端在所述采集频率下实时获取积水点图像;
对积水点图像进行识别,上报积水信息。
本发明技术方案还提供了一种边缘智能数据处理边缘服务器,所述边缘服务器包括:
路网模型构建模块,用于获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型;其中,所述位置信息包括高度信息;
降水概率确定模块,用于基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;
降水模拟模块,用于根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;
积水点识别模块,用于根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息。
作为本发明进一步的方案:所述路网模型构建模块包括:
影像获取单元,用于获取城建路网的位置信息,根据所述位置信息查询遥感影像;
高度提取单元,用于对所述遥感影像进行识别,确定城建路网的高度信息;其中,高度信息的精度由遥感影像采样精度确定;
建模执行单元,用于根据城建路网构建平面图,在平面图中引入高度信息,得到三维模型,作为路网模型;
排水参数插入单元,用于获取含有单位排水量的排水点位,插入所述路网模型;
其中,确定高度信息的过程为:
对遥感图像进行阴影提取,然后计算太阳方位角方向的阴影边长;
当卫星与太阳同侧时,
当卫星与太阳异侧时,H=L2×tanβ;
式中,α是卫星与建筑顶端的连线与地面间的夹角,β是太阳与建筑顶端的连线与地面间的夹角;L2为遥感图像中的阴影边长。
作为本发明进一步的方案:所述降水概率确定模块包括:
区域切分单元,用于遍历路网模型中的顶点,计算相邻顶点的高度差,根据所述高度差对各个顶点进行分类,得到区域切分信息;
边缘端确定单元,用于计算各个区域的中心点,基于所述中心点确定边缘端;
降水间隔计算单元,用于基于边缘端记录各时刻的降水状态,根据所述各时刻的降水状态计算平均降水间隔;所述降水状态包括降水和未降水;
时长应用单元,用于实时记录未降水时长,根据未降水时长确定降水概率;所述降水概率为未降水时长的增函数,当降水状态为降水时,未降水时长归零。
作为本发明进一步的方案:所述降水模拟模块包括:
状态判定单元,用于查询各个区域的降水概率,根据所述降水概率确定各个区域的降水状态;其中,各个区域的降水状态至少确定一次;
流向确定单元,用于将各个区域的降水状态插入路网模型,基于路网模型确定水流流向;
积水表构建单元,用于递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表;
积水表拟合单元,用于统计所有积水表并计算平均值,得到平均积水表。
与现有技术相比,本发明的有益效果是:本发明在各个区域建立边缘端,由边缘端采集降水状态,根据降水状态模拟降水参数,确定不同降水量对应的积水点及其积水概率;在此基础上,读取天气预报信息,根据天气预报信息提前判定可能出现的积水点,进行实时监测识别,时效性极强。
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,下面描述中的附图仅仅是本发明的一些实施例。
图1为边缘智能数据处理方法的流程框图。
图2为边缘智能数据处理方法的第一子流程框图。
图3为边缘智能数据处理方法的第二子流程框图。
图4为边缘智能数据处理方法的第三子流程框图。
图5为边缘智能数据处理方法的第四子流程框图。
图6为边缘智能数据处理边缘服务器的组成结构框图。
图7为高度信息计算过程的第一状态示意图。
图8为高度信息计算过程的第二状态示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为边缘智能数据处理方法的流程框图,本发明实施例中,一种边缘智能数据处理方法,所述方法包括:
步骤S100:获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型;其中,所述位置信息包括高度信息;
城建路网是城市的道路信息,在道路中设有排水点位,每个排水点位的排水效率为已知数据,统计城建路网以及含有排水效率的排水点位,可以构建路网模型。
步骤S200:基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;
边缘端是搭建在城市各处的计算机处理设备,它可以用于对各个区域内的数据进行处理,其需要进行的操作为,记录历史降水参数,并对历史降水参数进行分析,从而确定各个区域的降水概率。
步骤S300:根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;
根据各个区域的降水概率可以随机确定一些各个区域的降水参数,将降水参数引入路网模型,可以模拟出积水点及其积水概率。需要说明的是,所述积水点一般指的是一个小区域,并不是简单的一个点位,区域形状大都采用圆形区域。
步骤S400:根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息;
根据积水点及其积水概率确定最近的边缘端的采集频率,由采集频率获取积水点的图像,对图像进行识别,可以判断出是否存在积水,积水概率越大,采集频率越高。
需要说明的是,积水点图像由边缘端获取,获取方式可以是建立对路况摄像头的连接通道,借助路况摄像头获取积水点图像,还有一种方式是,设置与边缘端配套的无人机,由边缘端确定指向积水点的运动路径,并将运动路径发送至无人机,无人机沿运动路径运动,采集积水点图像。
图2为边缘智能数据处理方法的第一子流程框图,所述获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型的步骤包括:
步骤S101:获取城建路网的位置信息,根据所述位置信息查询遥感影像;
步骤S102:对所述遥感影像进行识别,确定城建路网的高度信息;其中,高度信息的精度由遥感影像采样精度确定;
步骤S103:根据城建路网构建平面图,在平面图中引入高度信息,得到三维模型,作为路网模型;
步骤S104:获取含有单位排水量的排水点位,插入所述路网模型;
其中,确定高度信息的过程为:
对遥感图像进行阴影提取,然后计算太阳方位角方向的阴影边长;
当卫星与太阳同侧时(如图7所示,圆形代表太阳,五角形代表卫星),
当卫星与太阳异侧时(如图8所示,圆形代表太阳,五角形代表卫星),H=L2×tanβ;
式中,α是卫星与建筑顶端的连线与地面间的夹角,β是太阳与建筑顶端的连线与地面间的夹角;L2为遥感图像中的阴影边长。计算过程中,卫星与建筑顶端的连线与地面间的夹角代表着遥感图像中能够显示的区域,当卫星与太阳同侧时,建筑阴影有一部分被建筑挡住,当卫星与太阳同侧时,能够获取到完整的建筑阴影。
上述内容对路网模型的构建过程进行了限定,首先,获取城建路网的位置信息,建立与卫星服务的连接通道,借助卫星服务可以查询位置信息的遥感图像;然后,对遥感图像地蚝识别,可以判断出城市路网中各点位的高度信息;需要说明的是,高度信息是各个点位的高度信息,各个点位之间的距离由遥感影像的精度确定,一般情况下,遥感影像中的各个像素点作为设定高度的点位。最后,结合高度信息和城建路网构建三维模型,查询已经备案的排水点位及其单位排水量,插入路网模型即可。
图3为边缘智能数据处理方法的第二子流程框图,所述基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率的步骤包括:
步骤S201:遍历路网模型中的顶点,计算相邻顶点的高度差,根据所述高度差对各个顶点进行分类,得到区域切分信息;
步骤S202:计算各个区域的中心点,基于所述中心点确定边缘端;
步骤S203:基于边缘端记录各时刻的降水状态,根据所述各时刻的降水状态计算平均降水间隔;所述降水状态包括降水和未降水;
步骤S204:实时记录未降水时长,根据未降水时长确定降水概率;所述降水概率为未降水时长的增函数,当降水状态为降水时,未降水时长归零。
在本发明技术方案的一个实例中,遍历路网模型中的最高点,计算相邻最高度的高度差,可以对路网模型的“上表面”进行切分,得到区域切分信息;区域切分过程主要考虑的是高度差,如果高度差相同或相近,那么他们就对应同一个区域(同一个平面或斜面),在各个区域中确定中心点,用以安装边缘端,基于边缘端可以记录各时刻的降水状态;为了降低边缘端的数据采集压力,将所述降水状态只限定为两种,一种是降水状态,另一种是未降水状态。
统计完降水状态后,可以实时计算出未降水时长,未降水时长越长,降水概率越高,也即,降水概率是未降水时长的增函数,最简单的一种方式是,降水概率采用等差数列进行递增,等差数列的首项为基准降水概率,公差表示每过一天,降水概率增加多少,这都与区域处的气候相关,由管理方预设获取并输入。
图4为边缘智能数据处理方法的第三子流程框图,所述根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率的步骤包括:
步骤S301:查询各个区域的降水概率,根据所述降水概率确定各个区域的降水状态;其中,各个区域的降水状态至少确定一次;
步骤S302:将各个区域的降水状态插入路网模型,基于路网模型确定水流流向;
步骤S303:递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表;
步骤S304:统计所有积水表并计算平均值,得到平均积水表。
查询各个区域的降水概率,由降水概率可以随机确定一些降水分布情况,也即,各个区域的降水状态;将降水状态插入路网模型,结合含有高度的路网模型,可以确定水流流向;在此状态下,不断地增加降水量,可以在路网模型模拟出以降水量为变化量的降水情况,由一张表格表示,称为积水表;循环执行步骤S301至步骤S303,可以得到多个基于同一概率下的降水分布情况及其积水表,统计多张积水表,计算均值或众值,可以确定一张平均积水表,用于表征该降水概率下,积水情况和降水量的关系。
作为本发明技术方案的一个优选实施例,所述递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表的步骤包括:
根据预设的步长递增单位降水量,基于单位降水量及水流流向查询各个排水点处的单位积水量;
当检测到一个排水点处的单位积水量大于所述单位排水量时,记录降水量,并在路网模型中查询一次积水点,并递增一次积水概率;所述积水点为单位积水量大于预设的积水量阈值的点位;
统计降水量、积水点及其积水概率,构建积水表。
上述内容提供了一种具体的积水表创建方案,其核心原理在于,不断地增加单位降水量,由单位降水量及水流流向,可以计算出各个排水点处的单位积水量(单位时间内,排水点处增加多少积水),当存在一个排水点处的单位积水量大于所述单位排水量时,就说明会有多余的积水,此时,极有可能生成积水点,就需要在路网模型中,根据地形条件查询凹处,也即,积水点,存在多余的积水的排水点越多,各个积水点的积水概率越大;最终,统计降水量、积水点及积水点处的积水概率,可以得到一张积水表。
图5为边缘智能数据处理方法的第四子流程框图,所述根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息的步骤包括:
步骤S401:获取天气预测信息,提取单位降水量,根据所述单位降水量在平均积水表中查询积水点及其积水概率;其中,天气预测信息的时间跨度为预设值;
步骤S402:根据所述积水概率确定采集频率;所述采集频率为积水概率的增函数;
步骤S403:查询积水点对应的边缘端,基于边缘端在所述采集频率下实时获取积水点图像;
步骤S404:对积水点图像进行识别,上报积水信息。
步骤S400是具体的应用过程,借助现有的天气服务获取天气预测信息,在现有的技术背景下,天气预测信息的准度大都很高,天气预测信息中含有预测的单位降水量,提取单位降水量,在已经生成的平均积水表中查询积水点及其积水概率;每个积水点的位置都是不同的,都有其对应的边缘端,查询积水点的积水概率,由积水概率确定采集频率,积水概率越大,采集频率越大,查询积水点对应的边缘端,由确定的采集频率获取积水点图像,进行积水识别,保证监测实时性的基础上,极大地提高了资源利用率,也即,在有限的资源条件下,对积水点进行识别。
图6为边缘智能数据处理边缘服务器的组成结构框图,本发明实施例中,一种边缘智能数据处理边缘服务器,所述边缘服务器10包括:
路网模型构建模块11,用于获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型;其中,所述位置信息包括高度信息;
降水概率确定模块12,用于基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;
降水模拟模块13,用于根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;
积水点识别模块14,用于根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息。
进一步的,所述路网模型构建模块11包括:
影像获取单元,用于获取城建路网的位置信息,根据所述位置信息查询遥感影像;
高度提取单元,用于对所述遥感影像进行识别,确定城建路网的高度信息;其中,高度信息的精度由遥感影像采样精度确定;
建模执行单元,用于根据城建路网构建平面图,在平面图中引入高度信息,得到三维模型,作为路网模型;
排水参数插入单元,用于获取含有单位排水量的排水点位,插入所述路网模型;
其中,确定高度信息的过程为:
对遥感图像进行阴影提取,然后计算太阳方位角方向的阴影边长;
当卫星与太阳同侧时,
当卫星与太阳异侧时,H=L2×tanβ;
式中,α是卫星与建筑顶端的连线与地面间的夹角,β是太阳与建筑顶端的连线与地面间的夹角;L2为遥感图像中的阴影边长。
具体的,所述降水概率确定模块12包括:
区域切分单元,用于遍历路网模型中的顶点,计算相邻顶点的高度差,根据所述高度差对各个顶点进行分类,得到区域切分信息;
边缘端确定单元,用于计算各个区域的中心点,基于所述中心点确定边缘端;
降水间隔计算单元,用于基于边缘端记录各时刻的降水状态,根据所述各时刻的降水状态计算平均降水间隔;所述降水状态包括降水和未降水;
时长应用单元,用于实时记录未降水时长,根据未降水时长确定降水概率;所述降水概率为未降水时长的增函数,当降水状态为降水时,未降水时长归零。
更进一步的,所述降水模拟模块13包括:
状态判定单元,用于查询各个区域的降水概率,根据所述降水概率确定各个区域的降水状态;其中,各个区域的降水状态至少确定一次;
流向确定单元,用于将各个区域的降水状态插入路网模型,基于路网模型确定水流流向;
积水表构建单元,用于递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表;
积水表拟合单元,用于统计所有积水表并计算平均值,得到平均积水表。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种边缘智能数据处理方法,其特征在于,所述方法包括:
获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型;其中,所述位置信息包括高度信息;
基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;
根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;
根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息;
所述根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率的步骤包括:
查询各个区域的降水概率,根据所述降水概率确定各个区域的降水状态;其中,各个区域的降水状态至少确定一次;
将各个区域的降水状态插入路网模型,基于路网模型确定水流流向;
递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表;
统计所有积水表并计算平均值,得到平均积水表;
所述递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表的步骤包括:
根据预设的步长递增单位降水量,基于单位降水量及水流流向查询各个排水点处的单位积水量;
当检测到一个排水点处的单位积水量大于所述单位排水量时,记录降水量,并在路网模型中查询一次积水点,并递增一次积水概率;所述积水点为单位积水量大于预设的积水量阈值的点位;
统计降水量、积水点及其积水概率,构建积水表;
所述根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息的步骤包括:
获取天气预测信息,提取单位降水量,根据所述单位降水量在平均积水表中查询积水点及其积水概率;其中,天气预测信息的时间跨度为预设值;
根据所述积水概率确定采集频率;所述采集频率为积水概率的增函数;
查询积水点对应的边缘端,基于边缘端在所述采集频率下实时获取积水点图像;
对积水点图像进行识别,上报积水信息。
2.根据权利要求1所述的边缘智能数据处理方法,其特征在于,所述获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型的步骤包括:
获取城建路网的位置信息,根据所述位置信息查询遥感影像;
对所述遥感影像进行识别,确定城建路网的高度信息;其中,高度信息的精度由遥感影像采样精度确定;
根据城建路网构建平面图,在平面图中引入高度信息,得到三维模型,作为路网模型;
获取含有单位排水量的排水点位,插入所述路网模型;
其中,确定高度信息的过程为:
对遥感图像进行阴影提取,然后计算太阳方位角方向的阴影边长;
当卫星与太阳同侧时,;
当卫星与太阳异侧时,;
式中,是卫星与建筑顶端的连线与地面间的夹角,是太阳与建筑顶端的连线与地面间的夹角;为遥感图像中的阴影边长。
3.根据权利要求1所述的边缘智能数据处理方法,其特征在于,所述基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率的步骤包括:
遍历路网模型中的顶点,计算相邻顶点的高度差,根据所述高度差对各个顶点进行分类,得到区域切分信息;
计算各个区域的中心点,基于所述中心点确定边缘端;
基于边缘端记录各时刻的降水状态,根据所述各时刻的降水状态计算平均降水间隔;所述降水状态包括降水和未降水;
实时记录未降水时长,根据未降水时长确定降水概率;所述降水概率为未降水时长的增函数,当降水状态为降水时,未降水时长归零。
4.一种边缘智能数据处理边缘服务器,其特征在于,所述边缘服务器用于执行如权利要求1至3一项所述的边缘智能数据处理方法,所述边缘服务器包括:
路网模型构建模块,用于获取城建路网的位置信息以及含有单位排水量的排水点位,构建路网模型;其中,所述位置信息包括高度信息;
降水概率确定模块,用于基于所述路网模型确定边缘端,基于边缘端记录历史降水参数,根据所有边缘端的历史降水参数确定各区域的降水概率;
降水模拟模块,用于根据各区域的降水概率定时在路网模型中引入模拟降水参数,确定积水点及其积水概率;
积水点识别模块,用于根据所述积水概率确定采集频率,基于边缘端在所述采集频率下获取积水点图像,对积水点图像进行识别,上报积水信息。
5.根据权利要求4述的边缘智能数据处理边缘服务器,其特征在于,所述路网模型构建模块包括:
影像获取单元,用于获取城建路网的位置信息,根据所述位置信息查询遥感影像;
高度提取单元,用于对所述遥感影像进行识别,确定城建路网的高度信息;其中,高度信息的精度由遥感影像采样精度确定;
建模执行单元,用于根据城建路网构建平面图,在平面图中引入高度信息,得到三维模型,作为路网模型;
排水参数插入单元,用于获取含有单位排水量的排水点位,插入所述路网模型;
其中,确定高度信息的过程为:
对遥感图像进行阴影提取,然后计算太阳方位角方向的阴影边长;
当卫星与太阳同侧时,;
当卫星与太阳异侧时,;
式中,是卫星与建筑顶端的连线与地面间的夹角,是太阳与建筑顶端的连线与地面间的夹角;为遥感图像中的阴影边长。
6.根据权利要求4述的边缘智能数据处理边缘服务器,其特征在于,所述降水概率确定模块包括:
区域切分单元,用于遍历路网模型中的顶点,计算相邻顶点的高度差,根据所述高度差对各个顶点进行分类,得到区域切分信息;
边缘端确定单元,用于计算各个区域的中心点,基于所述中心点确定边缘端;
降水间隔计算单元,用于基于边缘端记录各时刻的降水状态,根据所述各时刻的降水状态计算平均降水间隔;所述降水状态包括降水和未降水;
时长应用单元,用于实时记录未降水时长,根据未降水时长确定降水概率;所述降水概率为未降水时长的增函数,当降水状态为降水时,未降水时长归零。
7.根据权利要求4述的边缘智能数据处理边缘服务器,其特征在于,所述降水模拟模块包括:
状态判定单元,用于查询各个区域的降水概率,根据所述降水概率确定各个区域的降水状态;其中,各个区域的降水状态至少确定一次;
流向确定单元,用于将各个区域的降水状态插入路网模型,基于路网模型确定水流流向;
积水表构建单元,用于递增单位降水量,根据所述单位降水量、水流流向及含有单位排水量的排水点位构建积水表;
积水表拟合单元,用于统计所有积水表并计算平均值,得到平均积水表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311784865.7A CN117911750B (zh) | 2023-12-24 | 2023-12-24 | 一种边缘智能数据处理方法及边缘服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311784865.7A CN117911750B (zh) | 2023-12-24 | 2023-12-24 | 一种边缘智能数据处理方法及边缘服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911750A CN117911750A (zh) | 2024-04-19 |
CN117911750B true CN117911750B (zh) | 2024-07-19 |
Family
ID=90692932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311784865.7A Active CN117911750B (zh) | 2023-12-24 | 2023-12-24 | 一种边缘智能数据处理方法及边缘服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911750B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779232A (zh) * | 2016-12-28 | 2017-05-31 | 合肥学院 | 一种城市内涝的建模预测方法 |
CN115186943A (zh) * | 2022-09-15 | 2022-10-14 | 广东广宇科技发展有限公司 | 一种城市排水内涝预测建模方法、系统、电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10025983B2 (en) * | 2015-09-21 | 2018-07-17 | The Climate Corporation | Ponding water detection on satellite imagery |
CN112016831A (zh) * | 2020-08-27 | 2020-12-01 | 西安易辑数字科技有限公司 | 一种基于ai智能预报的城市内涝落区的识别方法 |
CN113962996B (zh) * | 2021-12-22 | 2022-04-05 | 迈赫机器人自动化股份有限公司 | 用于雨天积水路面的积水智能化检测系统 |
CN114662797B (zh) * | 2022-05-16 | 2022-11-11 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市水灾预警方法和系统 |
CN115879363A (zh) * | 2022-10-09 | 2023-03-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于降雨量的积水预测方法 |
CN115689168A (zh) * | 2022-10-11 | 2023-02-03 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于积水预测的积水应急调度方法 |
CN115859676B (zh) * | 2022-12-23 | 2024-01-12 | 南京师范大学 | 一种顾及气候要素的多层次城市内涝耦合模拟方法 |
CN116227184A (zh) * | 2023-02-20 | 2023-06-06 | 湖南防灾科技有限公司 | 暴雨淹没预警方法及淹没预警系统 |
CN116611333B (zh) * | 2023-05-23 | 2023-11-14 | 中国水利水电科学研究院 | 一种城市洪涝风险点预测方法 |
-
2023
- 2023-12-24 CN CN202311784865.7A patent/CN117911750B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779232A (zh) * | 2016-12-28 | 2017-05-31 | 合肥学院 | 一种城市内涝的建模预测方法 |
CN115186943A (zh) * | 2022-09-15 | 2022-10-14 | 广东广宇科技发展有限公司 | 一种城市排水内涝预测建模方法、系统、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117911750A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
Kumar et al. | Automated road markings extraction from mobile laser scanning data | |
US8396293B1 (en) | Recognizing geometrically salient objects from segmented point clouds using strip grid histograms | |
CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
CN112016831A (zh) | 一种基于ai智能预报的城市内涝落区的识别方法 | |
CN105241524A (zh) | 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 | |
Aslani et al. | Automatic identification of utilizable rooftop areas in digital surface models for photovoltaics potential assessment | |
WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
CN114611834B (zh) | 一种基于多维特征分析的电力发电站选址评估规划方法 | |
CN116821272B (zh) | 一种城市内涝智慧监控预警方法及系统 | |
CN115471980B (zh) | 泥石流灾害预警方法 | |
CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
CN114722944A (zh) | 点云精度确定方法、电子设备及计算机存储介质 | |
CN210183356U (zh) | 一种海绵城市暴雨检测预警系统 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统 | |
CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
CN111738104A (zh) | 一种基于地理信息系统提取地形类别的方法 | |
CN117911750B (zh) | 一种边缘智能数据处理方法及边缘服务器 | |
CN114565603A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN117495095A (zh) | 一种基于雨水管网模型评估城市内涝风险的预警方法 | |
CN113496182B (zh) | 基于遥感影像的道路提取方法及装置、存储介质及设备 | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
CN103489189A (zh) | 基于交通路口视频的车道检测和分割方法 | |
CN114138926A (zh) | 一种人口分布格网大小确定方法及系统 | |
CN113722924A (zh) | 一种小流域地面雨量站密度的确定方法 |
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 |