CN117990187A - 基于人工智能的地下水水位动态监测方法 - Google Patents
基于人工智能的地下水水位动态监测方法 Download PDFInfo
- Publication number
- CN117990187A CN117990187A CN202410404946.8A CN202410404946A CN117990187A CN 117990187 A CN117990187 A CN 117990187A CN 202410404946 A CN202410404946 A CN 202410404946A CN 117990187 A CN117990187 A CN 117990187A
- Authority
- CN
- China
- Prior art keywords
- sampling period
- real
- time data
- data curve
- curve
- 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
- 239000003673 groundwater Substances 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 281
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 119
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 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
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及电数字数据处理领域,具体涉及基于人工智能的地下水水位动态监测方法,包括:获取当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线;根据当前采样周期实时数据曲线上的水位数据的差异,获得当前采样周期实时数据曲线和每个历史采样周期实时数据曲线波动评价;根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,获得每个时刻水位数据调整后的异常程度;根据每个时刻水位数据调整后的异常程度,获得异常水位,完成地下水水位动态监测。本发明通过去水位数据的分析,提高了地下水水位监测的准确性。
Description
技术领域
本发明涉及电数字数据处理领域,具体涉及基于人工智能的地下水水位动态监测方法。
背景技术
对于地下水水位的监测有助于了解地下水与地表水之间的相互关系,预防地下水过度提取对河流、湖泊等地表水体的影响。而降雨以及人工抽取等会引起地下水水位短期内波动异常,而对这种异常波动情况的监测,可以评估地下水资源的可持续性,建立早期预警系统,通过监测异常波动及时识别潜在的问题,有助于采取紧急措施以减轻可能的影响;
目前基于历史水位数据通过变形位置分析实时水位的异常波动情况时,由于只对比了当前某时刻水位数据与历史数据的波动相似性,而没有考虑到整体数据的波动情况对实时水位数据的影响,会导致当前时刻的水位波动异常分析结果不够准确。
发明内容
本发明提供基于人工智能的地下水水位动态监测方法,以解决现有的问题。
本发明的基于人工智能的地下水水位动态监测方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的地下水水位动态监测方法,该方法包括以下步骤:
获取地下水水位实时数据曲线;其中地下水水位实时数据曲线的横轴为时间,纵轴为水位数据;
将地下水水位实时数据曲线等分为若干个曲线段,从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线;
根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价;
根据当前采样周期实时数据曲线的波动评价的获取方式,得到每个历史采样周期实时数据曲线的波动评价;
将当前采样周期实时数据曲线中的最后一个时刻,记为目标时刻;
根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价;
根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度;
根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测。
进一步地,所述将地下水水位实时数据曲线等分为若干个曲线段,包括的具体步骤如下:
将地下水水位实时数据曲线等分为时间范围大小为N的曲线段,所述N为预设的周期大小。
进一步地,所述从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线,包括的具体步骤如下:
在地下水水位实时数据曲线中,将最后一个曲线段,记为当前采样周期实时数据曲线,将不是最后一个的其它曲线段,记为历史采样周期实时数据曲线。
进一步地,所述根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
将当前采样周期实时数据曲线中水位数据的最大值与最小值的差值,记为第一差异;根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价。
进一步地,所述根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
其中,为当前采样周期实时数据曲线的波动评价,/>为当前采样周期实时数据曲线中第/>个水位数据,/>为当前采样周期实时数据曲线中水位数据的数量,/>为当前采样周期实时数据曲线中所有水位数据的均值,/>为当前采样周期实时数据曲线中所有水位数据的标准差,/>与/>分别为当前采样周期实时数据曲线中水位数据的最大值和最小值,/>为绝对值函数,/>表示线性归一化函数,/>为第一差异。
进一步地,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
对当前采样周期实时数据曲线与第个历史采样周期实时数据曲线进行/>算法的匹配,得到若干个匹配对;
对于任意一个匹配对,若匹配对中的数据点数量等于2,则匹配对中数据点为正常点,若匹配对中的数据点数量大于2,则匹配对中的数据点为变形点;
使用算法分别分解出当前采样周期实时数据曲线和所有历史采样周期实时数据曲线的趋势项;
若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价;
若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价。
进一步地,所述若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
其中,为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>和/>的最小夹角的余弦值,/>为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,/>为第/>个历史采样周期实时数据曲线中的最后一时刻的数据点到倒数第二时刻的数据点的方向,/>为当前采样周期实时数据曲线中的目标时刻数据对应在其趋势项中的数据值,/>为第/>个历史采样周期实时数据曲线中的最后一时刻数据对应在其趋势项中的数据值,/>为当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻,/>为目标时刻。
进一步地,所述若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
其中,为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>和/>的最小夹角的余弦值,/>为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,/>为第/>个历史采样周期实时数据曲线中的最后一时刻的数据点到倒数第二时刻的数据点的方向,/>为当前采样周期实时数据曲线中的目标时刻数据对应在其趋势项中的数据值,/>为第/>个历史采样周期实时数据曲线中的最后一时刻数据对应在其趋势项中的数据值,/>为当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量。
进一步地,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度,包括的具体步骤如下:
其中,为当前采样周期实时数据曲线的目标时刻水位数据调整后的异常程度,/>为当前采样周期实时数据曲线的波动评价,/>为第/>个历史采样周期实时数据曲线的波动评价,/>为历史采样周期实时数据曲线的数量,/>为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>函数,/>为绝对值函数。
进一步地,所述根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测,包括的具体步骤如下:
根据目标时刻水位数据调整后的异常程度的获取方式,得到目标时刻之后若干时刻水位数据调整后的异常程度;
将目标时刻与目标时刻之后若干时刻水位数据调整后的异常程度组成的序列,记为水位异常程度序列;
使用训练后的时序神经网络对水位异常程度序列进行运算,得到水位异常程度序列中异常水位对应的时刻。
本发明的技术方案的有益效果是:获取地下水水位实时数据曲线,将地下水水位实时数据曲线等分为若干个曲线段,从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线,便于更好的对水位数据监测;根据当前采样周期实时数据曲线中的水位数据的差异,得到每个历史采样周期实时数据曲线波动评价,根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中每个时刻的局部异常评价;根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中每个时刻的局部异常评价,获得每个时刻水位数据调整后的异常程度,根据每个时刻水位数据调整后的异常程度,获得异常水位,提高了监测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,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为本发明基于人工智能的地下水水位动态监测方法的步骤流程图;
图2为本实施例中两条数据曲线中对应相似数据对齐时产生的扭曲变形图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的地下水水位动态监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的地下水水位动态监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的地下水水位动态监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取地下水水位实时数据曲线;其中地下水水位实时数据曲线的横轴为时间,纵轴为水位数据;将地下水水位实时数据曲线等分为若干个曲线段,从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线。
本实施例通过钻探或挖掘地下水井的方式,并在水井中安装水位计来测量地下水水位的实时数据变化,水位数据的采集以一个月为一个周期,采集间隔为6小时,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
以6小时为数据采集间隔,采集地下水水位实时数据曲线,该曲线的横轴为时间,纵轴为水位数据;
将地下水水位实时数据曲线等分为时间范围大小为N的曲线段,所述N为预设的周期大小,为1个月;
在地下水水位实时数据曲线中,将最后一个曲线段,记为当前采样周期实时数据曲线,将不是最后一个的其它曲线段,记为历史采样周期实时数据曲线。所需说明的是:等分时从当前时刻开始,保障当前采样周期实时数据曲线的时间范围大小为N。
至此,获取当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线。
步骤S002:根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价;根据当前采样周期实时数据曲线的波动评价的获取方式,得到每个历史采样周期实时数据曲线的波动评价。
需要说明的是,为了能够将整体的数据波动结合进来,本步骤通过分析当前采样周期实时数据曲线上的水位数据波动情况,获得当前采样周期实时数据曲线的波动评价。
具体的,为了衡量整体的数据波动,对于当前采样周期实时数据曲线上的水位数据波动情况进行分析,则当前采样周期实时数据曲线的波动评价的计算公式如下:
其中,为当前采样周期实时数据曲线的波动评价,/>为当前采样周期实时数据曲线中第/>个水位数据,/>表示当前采样周期实时数据曲线中的水位数据数量,/>为当前采样周期实时数据曲线中所有水位数据的均值,/>为当前采样周期实时数据曲线中所有水位数据的标准差,/>与/>分别为当前采样周期实时数据曲线中水位数据的最大值和最小值,/>为绝对值函数,/>表示线性归一化函数,/>为第一差异。
代表了曲线中任意数据点与数据平均值的差异和,其可以反映整体的数据波动程度,若此差异和越大说明曲线中数据点与平均值的差异越大,那么对应的数据曲线的整体波动程度越大,波动评价越高,/>代表了数据曲线的变异系数,通过标准差与均值之比来表示,反映了数据的相对变异水平,当变异系数较大时,即数据的离散程度相对较高、波动程度越大,那么对应的波动评价也越大,反之波动评价越小。最后结合数据曲线的极差/>,其反映了数据的最大波动范围,若数据波动程度越大那么此范围也会越大,波动评价也越大。
至此,获得当前采样周期实时数据曲线波动评价;根据当前采样周期实时数据曲线波动评价的获取方式,得到每个历史采样周期实时数据曲线波动评价。
步骤S003:将当前采样周期实时数据曲线中的最后一个时刻,记为目标时刻;根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价。
需要说明的是,本步骤对当前采样周期的实时水位数据建立局部异常评价指标,由于历史采样周期实时数据曲线在一定程度上表示了数据的正常波动,那么通过当前采样周期实时数据曲线与历史采样周期实时数据曲线中对应的数据进行对比,若与历史采样周期实时数据曲线的差异大则说明当前采样周期实时数据曲线上的数据存在异常的可能性大,借助算法来匹配两条数据曲线,其中,/>算法为公知技术,具体方法在此不做介绍,根据匹配结果中变形的位置与当前采集周期内实时数据的关系并结合实时数据在两条曲线对应位置处的趋势差异建立关于当前采样周期实时数据曲线的局部异常评价。
首先对每个历史采样周期实时数据曲线以及当前采样周期实时数据曲线使用进行相似性匹配,通过/>建立动态规划矩阵来对齐两数据曲线中相似的数据点,在对齐时会产生不自然的扭曲变形情况,如图2所示,/>算法通过累积动态规划矩阵的某一行列数来解释另一数据行列的数据变化,因此产生这个扭曲变形的位置就代表了两条数据曲线不对等的位置,反映在场景中就是当前采样周期实时数据曲线中的当前时刻的水位数据相对于历史拟合水位数据存在异常的波动情况,而要衡量当前采样周期实时数据曲线中的当前时刻数据的异常评价则需要判断此时刻数据是否处于变形位置内,若处于变形位置内则根据变形位置的规模大小确定异常评价大小,若不处于变形位置内则根据其与最近变形位置的距离差异大小确定异常评价大小,若某时刻的数据处于变形位置内或者离最近的变形位置距离越近则说明数据越异常,反之则越正常。
具体的,对当前采样周期实时数据曲线与第个历史采样周期实时数据曲线进行DTW算法的匹配,得到若干个匹配对;若任意一个匹配对中的数据点数量等于2,则该匹配对中数据点为正常点,若匹配对中的数据点数量大于2,则该匹配对中的数据点为变形点。DTW匹配存在“一对一”和“一对多”的关系,故匹配对中的数据点包括当前采样周期实时数据曲线上的若干个数据点和第/>个历史采样周期实时数据曲线上的若干个数据点。
将当前采样周期实时数据曲线中的最后一个时刻记为目标时刻,借助算法分解出当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线的趋势项,其中/>算法为公知技术,具体方法在此不做介绍,若当前采样周期实时数据曲线中的目标时刻的数据点为正常点时,则当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价的计算公式为:
若当前采样周期实时数据曲线中的目标时刻的数据点为变形点时,则当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价的计算公式为:
其中,为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>和/>的最小夹角的余弦值,/>为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,/>为第/>个历史采样周期实时数据曲线中的最后一时刻的数据点到倒数第二时刻的数据点的方向,/>为当前采样周期实时数据曲线中的目标时刻数据对应在其趋势项中的数据值,/>为第/>个历史采样周期实时数据曲线中的最后一时刻数据对应在其趋势项中的数据值,/>为当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,/>为当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻,/>为目标时刻。
与/>都代表了当前采样周期实时数据曲线和历史数据周期拟合数据曲线在目标时刻的趋势差异,若/>的值越小,同时当前采样周期实时数据曲线和历史数据周期拟合数据曲线在目标时刻趋势项上的差异越小即比值/>越接近1,就说明目标时刻时的水位数据与历史拟合水位数据的趋向走势越相似,则代表了目标时刻的水位数据为异常水位数据的可能性越小。
结合匹配结果,若当前采集周期内目标时刻数据处于变形位置内,则说明产生了水位异常情况,那么变形规模越大即/>的值越大就说明目标时刻水位数据越异常,反之越正常。若当前采集周期内目标时刻数据处于变形位置内,则可根据目标时刻与最近的变形位置/>的距离来表示,若此距离越近即/>越小说明目标时刻的水位数据离发生异常的水位数据越近,那么目标时刻的水位数据的异常可能性更大。
根据上述方式,获得当前采样周期实时数据曲线与每个历史的采样周期实时数据曲线中目标时刻的局部异常评价。
至此,获得当前采样周期实时数据曲线与每个历史的采样周期实时数据曲线中目标时刻的局部异常评价。
步骤S004:根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度。
需要说明的是,经过上述步骤已经得到了关于两条曲线的整体波动评价以及当前采样周期内目标时刻的局部异常评价,本实施例将整体波动评价对局部异常评价进行加权调整,从而在兼顾整体与局部的水位数据特征的情况下更准确的表现出实时数据的异常程度。
具体的,对于当前采样周期实时数据曲线的目标时刻的水位数据来说,调整后的异常程度可表示为:
其中,为当前采样周期实时数据曲线的目标时刻水位数据调整后的异常程度,/>为当前采样周期实时数据曲线的波动评价,/>为第/>个历史采样周期实时数据曲线的波动评价,/>为历史采样周期实时数据曲线的数量,/>为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>函数,/>为绝对值函数,/>为当前采样周期实时数据曲线上数据相对于历史采样周期实时数据曲线上数据的整体波动差异,此差异的大小代表了当前采样周期实时数据曲线的目标时刻的水位数据与正常水位数据的异常程度差距,因此可以将其作为权值对局部异常评价加权得到最终的异常程度/>。
至此,获得目标时刻水位数据调整后的异常程度,并且未来每采集一时刻的水位数据,按照上述方式,得到其调整后的异常程度。
步骤S005:根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测。
根据目标时刻水位数据调整后的异常程度的获取方式,得到目标时刻之后若干时刻水位数据调整后的异常程度。将目标时刻与目标时刻之后若干时刻水位数据调整后的异常程度组成的序列,记为水位异常程度序列。
本实施例使用时序神经网络对水位异常程度序列进行分析,获取水位异常程度序列中异常水位对应的时刻。
具体过程为:神经网络的输入为异常水位,神经网络的输出为水位异常程度序列中异常水位对应的时刻。所需说明的是:本实施例中的神经网络模型是双向循环神经网络,其他实施例中可以使用其他模型,本实施例不进行限定。
训练集为采集的三个月的地下水水位实时数据曲线中每一时刻水位数据调整后的异常程度,以每一时刻水位是否正常作为样本的标签,如水位正常标注为1、水位异常标注为2,利用上述获得的数据集训练该神经网络,使用的损失函数为交叉熵损失函数,具体训练过程是公知的,本实施例不进行具体赘述。
其中,训练集的采集数据时长为三个月,标签的规则为,本实施例预设的异常程度阈值,以此为例进行叙述,当任意一时刻水位数据调整后的异常程度小于预设的异常程度阈值/>时,判定该时刻的水位正常,将该时刻标注为1,当任意一时刻水位数据调整后的异常程度大于等于预设的异常程度阈值/>时,判定该时刻的水位异常,将该时刻标注为2,以此为例进行叙述。
至此,本发明完成。
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,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于人工智能的地下水水位动态监测方法,其特征在于,该方法包括以下步骤:
获取地下水水位实时数据曲线;其中地下水水位实时数据曲线的横轴为时间,纵轴为水位数据;
将地下水水位实时数据曲线等分为若干个曲线段,从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线;
根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价;
根据当前采样周期实时数据曲线的波动评价的获取方式,得到每个历史采样周期实时数据曲线的波动评价;
将当前采样周期实时数据曲线中的最后一个时刻,记为目标时刻;
根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价;
根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度;
根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测。
2.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述将地下水水位实时数据曲线等分为若干个曲线段,包括的具体步骤如下:
将地下水水位实时数据曲线等分为时间范围大小为N的曲线段,所述N为预设的周期大小。
3.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线,包括的具体步骤如下:
在地下水水位实时数据曲线中,将最后一个曲线段,记为当前采样周期实时数据曲线,将不是最后一个的其它曲线段,记为历史采样周期实时数据曲线。
4.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
将当前采样周期实时数据曲线中水位数据的最大值与最小值的差值,记为第一差异;根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价。
5.根据权利要求4所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
其中,为当前采样周期实时数据曲线的波动评价,/>为当前采样周期实时数据曲线中第/>个水位数据,/>为当前采样周期实时数据曲线中水位数据的数量,/>为当前采样周期实时数据曲线中所有水位数据的均值,/>为当前采样周期实时数据曲线中所有水位数据的标准差,/>与/>分别为当前采样周期实时数据曲线中水位数据的最大值和最小值,/>为绝对值函数,/>表示线性归一化函数,/>为第一差异。
6.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
对当前采样周期实时数据曲线与第个历史采样周期实时数据曲线进行/>算法的匹配,得到若干个匹配对;
对于任意一个匹配对,若匹配对中的数据点数量等于2,则匹配对中数据点为正常点,若匹配对中的数据点数量大于2,则匹配对中的数据点为变形点;
使用算法分别分解出当前采样周期实时数据曲线和所有历史采样周期实时数据曲线的趋势项;
若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价;
若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价。
7.根据权利要求6所述基于人工智能的地下水水位动态监测方法,其特征在于,所述若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
其中,为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>和/>的最小夹角的余弦值,/>为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,/>为第/>个历史采样周期实时数据曲线中的最后一时刻的数据点到倒数第二时刻的数据点的方向,/>为当前采样周期实时数据曲线中的目标时刻数据对应在其趋势项中的数据值,/>为第/>个历史采样周期实时数据曲线中的最后一时刻数据对应在其趋势项中的数据值,/>为当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻,/>为目标时刻。
8.根据权利要求6所述基于人工智能的地下水水位动态监测方法,其特征在于,所述若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
其中,为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>和/>的最小夹角的余弦值,/>为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,/>为第/>个历史采样周期实时数据曲线中的最后一时刻的数据点到倒数第二时刻的数据点的方向,/>为当前采样周期实时数据曲线中的目标时刻数据对应在其趋势项中的数据值,/>为第/>个历史采样周期实时数据曲线中的最后一时刻数据对应在其趋势项中的数据值,/>为当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量。
9.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度,包括的具体步骤如下:
其中,为当前采样周期实时数据曲线的目标时刻水位数据调整后的异常程度,/>为当前采样周期实时数据曲线的波动评价,/>为第/>个历史采样周期实时数据曲线的波动评价,/>为历史采样周期实时数据曲线的数量,/>为当前采样周期实时数据曲线与第/>个历史的采样周期实时数据曲线中目标时刻的局部异常评价,/>为/>函数,/>为绝对值函数。
10.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测,包括的具体步骤如下:
根据目标时刻水位数据调整后的异常程度的获取方式,得到目标时刻之后若干时刻水位数据调整后的异常程度;
将目标时刻与目标时刻之后若干时刻水位数据调整后的异常程度组成的序列,记为水位异常程度序列;
使用训练后的时序神经网络对水位异常程度序列进行运算,得到水位异常程度序列中异常水位对应的时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404946.8A CN117990187A (zh) | 2024-04-07 | 2024-04-07 | 基于人工智能的地下水水位动态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404946.8A CN117990187A (zh) | 2024-04-07 | 2024-04-07 | 基于人工智能的地下水水位动态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117990187A true CN117990187A (zh) | 2024-05-07 |
Family
ID=90896260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410404946.8A Pending CN117990187A (zh) | 2024-04-07 | 2024-04-07 | 基于人工智能的地下水水位动态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117990187A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419441A (zh) * | 2007-10-26 | 2009-04-29 | 上海宝信软件股份有限公司 | 用于监控系统的历史数据采集方法 |
US20160203696A1 (en) * | 2013-09-26 | 2016-07-14 | Nec Corporation | Anomalous tide level fluctuation sensing device, anomalous tide level fluctuation sensing method, and anomalous tide level fluctuation sensing program |
CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
CN111753461A (zh) * | 2020-05-12 | 2020-10-09 | 中山大学 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
CN113916318A (zh) * | 2021-08-31 | 2022-01-11 | 福建枋洋水利投资发展有限公司 | 一种基于水情监测的大坝安全监测方法 |
CN115060452A (zh) * | 2022-08-19 | 2022-09-16 | 中国航空工业集团公司沈阳空气动力研究所 | 一种应用于大型风洞喷管型面全景误差检测方法 |
CN115659070A (zh) * | 2022-12-28 | 2023-01-31 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
-
2024
- 2024-04-07 CN CN202410404946.8A patent/CN117990187A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419441A (zh) * | 2007-10-26 | 2009-04-29 | 上海宝信软件股份有限公司 | 用于监控系统的历史数据采集方法 |
US20160203696A1 (en) * | 2013-09-26 | 2016-07-14 | Nec Corporation | Anomalous tide level fluctuation sensing device, anomalous tide level fluctuation sensing method, and anomalous tide level fluctuation sensing program |
CN107229715A (zh) * | 2017-05-31 | 2017-10-03 | 福州大学 | 时序数值型遥感专题数据变化过程的地图可视化表达方法 |
CN111753461A (zh) * | 2020-05-12 | 2020-10-09 | 中山大学 | 潮汐水位修正方法、目标余水位获取方法、装置和设备 |
CN113916318A (zh) * | 2021-08-31 | 2022-01-11 | 福建枋洋水利投资发展有限公司 | 一种基于水情监测的大坝安全监测方法 |
CN115060452A (zh) * | 2022-08-19 | 2022-09-16 | 中国航空工业集团公司沈阳空气动力研究所 | 一种应用于大型风洞喷管型面全景误差检测方法 |
CN115659070A (zh) * | 2022-12-28 | 2023-01-31 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
Non-Patent Citations (2)
Title |
---|
LONGLONG JING; YINGLI TIAN: "Self-Supervised Visual Feature Learning With Deep Neural Networks: A Survey", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 43, no. 11, 4 May 2020 (2020-05-04), pages 4037, XP011880853, DOI: 10.1109/TPAMI.2020.2992393 * |
熊淑钰: "大型活动下轨道交通站点客流时空演变特征及预测方法", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 July 2023 (2023-07-15), pages 033 - 502 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160620B (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
CN115987295B (zh) | 基于物联网的农作物监控数据高效处理方法 | |
CN112712209B (zh) | 水库入库流量预测方法、装置、计算机设备及存储介质 | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN112966891A (zh) | 一种河流水环境质量预测方法 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN115423163A (zh) | 一种流域短期洪水事件预测方法、装置及终端设备 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN115267945A (zh) | 一种基于图神经网络的雷电预警方法与系统 | |
CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN112288744B (zh) | 基于整型推理量化cnn的sar图像变化检测方法 | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
CN116503147A (zh) | 一种基于深度学习神经网络的金融风险预测方法 | |
CN117990187A (zh) | 基于人工智能的地下水水位动态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |