CN116485034B - 一种城市排水量预测方法及系统 - Google Patents
一种城市排水量预测方法及系统 Download PDFInfo
- Publication number
- CN116485034B CN116485034B CN202310537719.8A CN202310537719A CN116485034B CN 116485034 B CN116485034 B CN 116485034B CN 202310537719 A CN202310537719 A CN 202310537719A CN 116485034 B CN116485034 B CN 116485034B
- Authority
- CN
- China
- Prior art keywords
- drainage
- pipeline
- data
- urban drainage
- data information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 35
- 238000001556 precipitation Methods 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 239000010865 sewage Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 230000002175 menstrual effect Effects 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000010485 coping Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种城市排水量预测方法及系统，所属领域为水处理技术领域，所述方法包括:获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本；基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测。本申请通过结合排水量预测值和排水管道相关数据，可以准确地预测对城市管道排水量进行提前预估，从而对城市内涝灾害进行提前预测，以使城市内相关人员能够及时的做出应对此类灾害的措施。
Description
技术领域
本申请涉及水处理技术领域，特别是涉及一种城市排水量预测方法及系统。
背景技术
现有的内涝预警系统是根据在易形成积水区域部署检测电子设备采集信息，再经综合处理后得出的，但这种预警系统必须要等到降水开始后才能采集信息，然而现实中往往强降水具有突发性，会在短时间内造成积水从而形成城市内涝，另外，当前暴雨内涝评估模型大多基于水动力学方法，其运算时间过长，且由于存在排水管道的结构数据难以获取、管道淤积情况难以确定、人为抽排等不确定情况，导致无法准确的对城市管道排水量进行提前预估。
因此，亟需提出一种能够提前预测城市管道排水量以使城市内相关人员能够及时的提前应对此类灾害的方法。
发明内容
基于此，有必要针对上述技术问题，提供一种城市排水量预测方法及系统。
一方面，提供一种城市排水量预测方法，所述方法包括：
获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
可选的，对所述第一数据信息进行预处理包括：
对所述第一数据信息进行数据清洗，所述数据清洗包括缺失值处理、离群点处理和重复值处理；
对数据清洗后得到的数据信息进行数据集成，生成格式统一标准化的数据集，即所述第一数据样本。
可选的，所述城市排水系统拓扑模型的构建包括：
采集城市排水管道相关数据信息，所述城市排水管道相关数据信息包括：管道工艺信息、管道管理信息、管道所处环境信息；
提取所述城市排水管道相关数据信息中城市排水管道的入流点、出流点以及所有管道之间的交叉点；
基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值；
根据所述城市排水管道相关数据信息以及所述排水风险值在三维模拟仿真系统中构建所述城市排水系统拓扑模型。
可选的，所述基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值包括：
定义所述城市排水管道相关数据信息对应的状态集为，每个状态激发排水风险的概率为，风险概率大于预设阈值对应的风险状态发生频率为，且概率之和等于1，所述每两个交叉点之间管道的排水风险值的计算公式为：
其中，表示排水风险值，表示风险状态发生次数，表示风险状态对应的严重程度赋值，表示风险状态发生频率，表示常数系数，表示目标状态激发排水风险的概率，表示管道工艺信息拟合系数，表示随机干扰因素影响值，表示修正函数；
所述管道工艺信息拟合系数的计算公式包括：
其中，、、分别表示管道截面周长、两个交叉点之间的管道长度和管道粗糙系数，n表示使用年限，表示初始流量，表示损失函数，表示管道状态变化的函数，表示拟合函数值。
可选的，对所述第二数据信息进行预处理包括：
对所述排水风险值按照从大到小的顺序进行排序并标记，将标记数据与所述排水风险值形成一一映射关系；
基于所述排水风险值对所述城市排水系统拓扑模型进行赋值，并调整多个目标管道在所述三维模拟仿真系统中的坐标点；
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构。
可选的，还包括：获取目标管道在所述城市排水系统拓扑模型中与相邻管道之间的第一斜率之和，以及在所述第二拓扑结构中与相邻管道之间的第二斜率之和，生成对应的数据集，即所述第二数据样本。
可选的，所述基于所述第一数据样本和第二数据样本，构建城市排水量预测模型包括：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，停止训练，得到最终的城市排水量预测模型。
可选的，所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率。
可选的，将实时采集的第三数据信息输入至所述最终的城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测包括：
获取所述预测排水流量值与目标时间段内的排水量之间的差值绝对值；
响应于检测到所述差值绝对值大于预设阈值，且所述预测排水流量值大于所述目标时间段内的排水量时，则发送预警信息至用户终端。
另一方面，提供了一种城市排水量预测系统，所述系统包括：
预处理模块，用于获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
构建模块，用于基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
预测模块，用于将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
上述城市排水量预测方法、系统、计算机设备和存储介质，所述方法包括：获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据，本申请通过结合排水量预测值和排水管道相关数据，可以准确地预测对城市管道排水量进行提前预估，从而对城市内涝灾害进行提前预测，以使城市内相关人员能够及时的做出应对此类灾害的措施。
附图说明
图1为一个实施例中城市排水量预测方法的应用环境图；
图2为一个实施例中城市排水量预测方法的流程示意图；
图3为一个实施例中城市排水量预测系统的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，在本申请的描述中，除非上下文明确要求，否则整个说明书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
还应当理解，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
需要注意的是，术语“S1”、“S2”等仅用于步骤的描述目的，并非特别指称次序或顺位的意思，亦非用以限定本申请，其仅仅是为了方便描述本申请的方法，而不能理解为指示步骤的先后顺序。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，也不在本申请要求的保护范围之内。
本申请提供的城市排水量预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与设置于服务器104上的数据处理平台进行通信，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
实施例1：在一个实施例中，如图2所示，提供了一种城市排水量预测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S1：获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据。
需要说明的是，第一数据信息和第二数据信息指的是预存于数据库中的历史数据，其中，目标时间段可以指的是一年中的某一天、某一个月等。
进一步的，对所述第一数据信息进行预处理包括：
对所述第一数据信息进行数据清洗，所述数据清洗包括缺失值处理、离群点处理和重复值处理；
对数据清洗后得到的数据信息进行数据集成，生成格式统一标准化的数据集，即所述第一数据样本。
具体的，数据清洗是通过填补缺失值，平滑或删除离群点和重复值，纠正数据的不一致来达到清洗的目的，将数据里面有问题的数据给处理掉，将清洗之后的多个数据源数据进行结合，生成格式统一标准化的数据集。
更进一步的，所述城市排水系统拓扑模型的构建包括：
采集城市排水管道相关数据信息，所述城市排水管道相关数据信息包括：管道工艺信息、管道管理信息、管道所处环境信息，示例性的，管道工艺信息可以包括管道长度、粗糙度等，管道管理信息可以包括使用年限、维修次数等，管道所处环境信息湿度、温度、腐蚀度等；
提取所述城市排水管道相关数据信息中城市排水管道的入流点、出流点以及所有管道之间的交叉点；
基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值；
根据所述城市排水管道相关数据信息以及所述排水风险值在三维模拟仿真系统中构建所述城市排水系统拓扑模型。
具体的，基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值包括：
定义所述城市排水管道相关数据信息对应的状态集为，每个状态激发排水风险的概率为，风险概率大于预设阈值对应的风险状态发生频率为，且概率之和等于1，所述每两个交叉点之间管道的排水风险值的计算公式为：
其中，表示排水风险值，表示风险状态发生次数，表示风险状态对应的严重程度赋值，表示风险状态发生频率，表示常数系数，表示目标状态激发排水风险的概率，表示管道工艺信息拟合系数，表示随机干扰因素影响值，表示修正函数；
所述管道工艺信息拟合系数的计算公式包括：
其中，、、分别表示管道截面周长、两个交叉点之间的管道长度和管道粗糙系数，n表示使用年限，表示初始流量，表示损失函数，表示管道状态变化的函数，表示拟合函数值。
更进一步的，对所述第二数据信息进行预处理包括：
对所述排水风险值按照从大到小的顺序进行排序并标记，将标记数据与所述排水风险值形成一一映射关系，以用于后续数据提取；
基于所述排水风险值对所述城市排水系统拓扑模型进行赋值，并调整多个目标管道在所述三维模拟仿真系统中的坐标点，示例性的，以目标管道的地理坐标为三维模拟仿真系统中的（x,y）坐标，以目标管道对应的排水风险值为z坐标，从而生成对应的（x,y,z）坐标点，以现有城市管道连接情况对每个坐标点进行连接，生成对应的城市排水系统拓扑模型；
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构，示例性的，如第一管道的排水风险值为5，第二管道的排水风险值为4，第三管道的排水风险值为3，则将这三个管道按排水风险值大小对中间坐标点进行连接，生成第二拓扑结构。
获取目标管道在所述城市排水系统拓扑模型中与相邻管道之间的第一斜率之和，以及在所述第二拓扑结构中与相邻管道之间的第二斜率之和，生成对应的数据集，即所述第二数据样本，其中，若目标管道两头各自连接一个管道，即连接两个管道，则计算两个管道分别与目标管道之间的斜率之和，其中，斜率计算方法为：提取两个管道坐标点中的z值，并连线，计算该连线的斜率，即为对应的第一斜率或第二斜率，将第一斜率和第二斜率结合生成数据集。
S2：基于所述第一数据样本和第二数据样本，构建城市排水量预测模型。
需要说明的是，该步骤具体为：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本，示例性的，预设比例为8:1:1；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，其中，预设标准可以根据实际需求进行设定，停止训练，得到最终的城市排水量预测模型。
进一步的，所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率。
S3：将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
需要说明的是，所述城市排水量预测模型中变化数据可以为预测降水量、预测污水排出量等，该步骤具体为：
获取所述预测排水流量值与目标时间段内的排水量之间的差值绝对值；
响应于检测到所述差值绝对值大于预设阈值，且所述预测排水流量值大于所述目标时间段内的排水量时，则发送预警信息至用户终端，以通知城市内相关人员能够及时的做出应对此类灾害的措施。
上述城市排水量预测方法中，所述方法包括：获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据，本申请通过结合排水量预测值和排水管道相关数据，可以准确地预测对城市管道排水量进行提前预估，从而对城市内涝灾害进行提前预测，以使城市内相关人员能够及时的做出应对此类灾害的措施。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例2：在一个实施例中，如图3所示，提供了一种城市排水量预测系统，包括：预处理模块、构建模块和预测模块，其中：
预处理模块，用于获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
构建模块，用于基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
预测模块，用于将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
作为一种较优的实施方式，本发明实施例中，所述预处理模块具体用于：
对所述第一数据信息进行数据清洗，所述数据清洗包括缺失值处理、离群点处理和重复值处理；
对数据清洗后得到的数据信息进行数据集成，生成格式统一标准化的数据集，即所述第一数据样本。
作为一种较优的实施方式，本发明实施例中，所述预处理模块具体还用于：
采集城市排水管道相关数据信息，所述城市排水管道相关数据信息包括：管道工艺信息、管道管理信息、管道所处环境信息；
提取所述城市排水管道相关数据信息中城市排水管道的入流点、出流点以及所有管道之间的交叉点；
基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值；
根据所述城市排水管道相关数据信息以及所述排水风险值在三维模拟仿真系统中构建所述城市排水系统拓扑模型。
作为一种较优的实施方式，本发明实施例中，所述预处理模块具体还用于：
定义所述城市排水管道相关数据信息对应的状态集为，每个状态激发排水风险的概率为，风险概率大于预设阈值对应的风险状态发生频率为，且概率之和等于1，所述每两个交叉点之间管道的排水风险值的计算公式为：
其中，表示排水风险值，表示风险状态发生次数，表示风险状态对应的严重程度赋值，表示风险状态发生频率，表示常数系数，表示目标状态激发排水风险的概率，表示管道工艺信息拟合系数，表示随机干扰因素影响值，表示修正函数；
所述管道工艺信息拟合系数的计算公式包括：
其中，、、分别表示管道截面周长、两个交叉点之间的管道长度和管道粗糙系数，n表示使用年限，表示初始流量，表示损失函数，表示管道状态变化的函数，表示拟合函数值。
作为一种较优的实施方式，本发明实施例中，所述预处理模块具体还用于：
对所述排水风险值按照从大到小的顺序进行排序并标记，将标记数据与所述排水风险值形成一一映射关系；
基于所述排水风险值对所述城市排水系统拓扑模型进行赋值，并调整多个目标管道在所述三维模拟仿真系统中的坐标点；
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构。
作为一种较优的实施方式，本发明实施例中，所述预处理模块具体还用于：
获取目标管道在所述城市排水系统拓扑模型中与相邻管道之间的第一斜率之和，以及在所述第二拓扑结构中与相邻管道之间的第二斜率之和，生成对应的数据集，即所述第二数据样本。
作为一种较优的实施方式，本发明实施例中，所述构建模块具体用于：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，停止训练，得到最终的城市排水量预测模型；
其中，所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率。
作为一种较优的实施方式，本发明实施例中，所述预测模块具体用于：
获取所述预测排水流量值与目标时间段内的排水量之间的差值绝对值；
响应于检测到所述差值绝对值大于预设阈值，且所述预测排水流量值大于所述目标时间段内的排水量时，则发送预警信息至用户终端。
关于城市排水量预测系统的具体限定可以参见上文中对于城市排水量预测方法的限定，在此不再赘述。上述城市排水量预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例3：在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市排水量预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S1：获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
S2：基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
S3：将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述第一数据信息进行数据清洗，所述数据清洗包括缺失值处理、离群点处理和重复值处理；
对数据清洗后得到的数据信息进行数据集成，生成格式统一标准化的数据集，即所述第一数据样本。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集城市排水管道相关数据信息，所述城市排水管道相关数据信息包括：管道工艺信息、管道管理信息、管道所处环境信息；
提取所述城市排水管道相关数据信息中城市排水管道的入流点、出流点以及所有管道之间的交叉点；
基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值；
根据所述城市排水管道相关数据信息以及所述排水风险值在三维模拟仿真系统中构建所述城市排水系统拓扑模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
定义所述城市排水管道相关数据信息对应的状态集为，每个状态激发排水风险的概率为，风险概率大于预设阈值对应的风险状态发生频率为，且概率之和等于1，所述每两个交叉点之间管道的排水风险值的计算公式为：
其中，表示排水风险值，表示风险状态发生次数，表示风险状态对应的严重程度赋值，表示风险状态发生频率，表示常数系数，表示目标状态激发排水风险的概率，表示管道工艺信息拟合系数，表示随机干扰因素影响值，表示修正函数；
所述管道工艺信息拟合系数的计算公式包括：
其中，、、分别表示管道截面周长、两个交叉点之间的管道长度和管道粗糙系数，n表示使用年限，表示初始流量，表示损失函数，表示管道状态变化的函数，表示拟合函数值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述排水风险值按照从大到小的顺序进行排序并标记，将标记数据与所述排水风险值形成一一映射关系；
基于所述排水风险值对所述城市排水系统拓扑模型进行赋值，并调整多个目标管道在所述三维模拟仿真系统中的坐标点；
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标管道在所述城市排水系统拓扑模型中与相邻管道之间的第一斜率之和，以及在所述第二拓扑结构中与相邻管道之间的第二斜率之和，生成对应的数据集，即所述第二数据样本。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，停止训练，得到最终的城市排水量预测模型；
其中，所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述预测排水流量值与目标时间段内的排水量之间的差值绝对值；
响应于检测到所述差值绝对值大于预设阈值，且所述预测排水流量值大于所述目标时间段内的排水量时，则发送预警信息至用户终端。
实施例4：在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S1：获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据；
S2：基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
S3：将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述第一数据信息进行数据清洗，所述数据清洗包括缺失值处理、离群点处理和重复值处理；
对数据清洗后得到的数据信息进行数据集成，生成格式统一标准化的数据集，即所述第一数据样本。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集城市排水管道相关数据信息，所述城市排水管道相关数据信息包括：管道工艺信息、管道管理信息、管道所处环境信息；
提取所述城市排水管道相关数据信息中城市排水管道的入流点、出流点以及所有管道之间的交叉点；
基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值；
根据所述城市排水管道相关数据信息以及所述排水风险值在三维模拟仿真系统中构建所述城市排水系统拓扑模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
定义所述城市排水管道相关数据信息对应的状态集为，每个状态激发排水风险的概率为，风险概率大于预设阈值对应的风险状态发生频率为，且概率之和等于1，所述每两个交叉点之间管道的排水风险值的计算公式为：
其中，表示排水风险值，表示风险状态发生次数，表示风险状态对应的严重程度赋值，表示风险状态发生频率，表示常数系数，表示目标状态激发排水风险的概率，表示管道工艺信息拟合系数，表示随机干扰因素影响值，表示修正函数；
所述管道工艺信息拟合系数的计算公式包括：
其中，、、分别表示管道截面周长、两个交叉点之间的管道长度和管道粗糙系数，n表示使用年限，表示初始流量，表示损失函数，表示管道状态变化的函数，表示拟合函数值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述排水风险值按照从大到小的顺序进行排序并标记，将标记数据与所述排水风险值形成一一映射关系；
基于所述排水风险值对所述城市排水系统拓扑模型进行赋值，并调整多个目标管道在所述三维模拟仿真系统中的坐标点；
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取目标管道在所述城市排水系统拓扑模型中与相邻管道之间的第一斜率之和，以及在所述第二拓扑结构中与相邻管道之间的第二斜率之和，生成对应的数据集，即所述第二数据样本。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，停止训练，得到最终的城市排水量预测模型；
其中，所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述预测排水流量值与目标时间段内的排水量之间的差值绝对值；
响应于检测到所述差值绝对值大于预设阈值，且所述预测排水流量值大于所述目标时间段内的排水量时，则发送预警信息至用户终端。
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，本申请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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
Claims (8)
1.一种城市排水量预测方法，其特征在于，所述方法包括：
获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据，所述城市排水系统拓扑模型的生成方法包括：以目标管道的地理坐标为三维模拟仿真系统中的（x,y）坐标，以目标管道对应的排水风险值为z坐标，生成对应的（x,y,z）坐标点，以现有城市管道连接情况对每个坐标点进行连接，生成对应的城市排水系统拓扑模型；
基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据；
所述基于所述第一数据样本和第二数据样本，构建城市排水量预测模型包括：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，停止训练，得到最终的城市排水量预测模型；
所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率；
所述第一斜率和第二斜率的生成方法包括：
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构；
提取所述城市排水系统拓扑模型中目标管道和相邻管道坐标点中的z值，并连线，计算该连线的斜率，即为对应的第一斜率；
提取所述第二拓扑结构中目标管道和相邻管道坐标点中的z值，并连线，计算该连线的斜率，即为对应的第二斜率。
2.根据权利要求1所述的城市排水量预测方法，其特征在于，对所述第一数据信息进行预处理包括：
对所述第一数据信息进行数据清洗，所述数据清洗包括缺失值处理、离群点处理和重复值处理；
对数据清洗后得到的数据信息进行数据集成，生成格式统一标准化的数据集，即所述第一数据样本。
3.根据权利要求2所述的城市排水量预测方法，其特征在于，所述城市排水系统拓扑模型的构建包括：
采集城市排水管道相关数据信息，所述城市排水管道相关数据信息包括：管道工艺信息、管道管理信息、管道所处环境信息；
提取所述城市排水管道相关数据信息中城市排水管道的入流点、出流点以及所有管道之间的交叉点；
基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值；
根据所述城市排水管道相关数据信息以及所述排水风险值在三维模拟仿真系统中构建所述城市排水系统拓扑模型。
4.根据权利要求3所述的城市排水量预测方法，其特征在于，所述基于所述城市排水管道相关数据信息，计算每两个交叉点之间管道的排水风险值包括：
定义所述城市排水管道相关数据信息对应的状态集为，每个状态激发排水风险的概率为，风险概率大于预设阈值对应的风险状态发生频率为，且概率之和等于1，所述每两个交叉点之间管道的排水风险值的计算公式为：
其中，表示排水风险值，表示风险状态发生次数，表示风险状态对应的严重程度赋值，表示风险状态发生频率，表示常数系数，表示目标状态激发排水风险的概率，表示管道工艺信息拟合系数，表示随机干扰因素影响值，表示修正函数；
所述管道工艺信息拟合系数的计算公式包括：
其中，、、分别表示管道截面周长、两个交叉点之间的管道长度和管道粗糙系数，n表示使用年限，表示初始流量，表示损失函数，表示管道状态变化的函数，表示拟合函数值。
5.根据权利要求4所述的城市排水量预测方法，其特征在于，对所述第二数据信息进行预处理包括：
对所述排水风险值按照从大到小的顺序进行排序并标记，将标记数据与所述排水风险值形成一一映射关系；
基于所述排水风险值对所述城市排水系统拓扑模型进行赋值，并调整多个目标管道在所述三维模拟仿真系统中的坐标点；
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构。
6.根据权利要求5所述的城市排水量预测方法，其特征在于，所述方法还包括：
获取目标管道在所述城市排水系统拓扑模型中与相邻管道之间的第一斜率之和，以及在所述第二拓扑结构中与相邻管道之间的第二斜率之和，生成对应的数据集，即所述第二数据样本。
7.根据权利要求6所述的城市排水量预测方法，其特征在于，将实时采集的第三数据信息输入至所述最终的城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测包括：
获取所述预测排水流量值与目标时间段内的排水量之间的差值绝对值；
响应于检测到所述差值绝对值大于预设阈值，且所述预测排水流量值大于所述目标时间段内的排水量时，则发送预警信息至用户终端。
8.一种城市排水量预测系统，其特征在于，所述系统包括：
预处理模块，用于获取第一数据信息和第二数据信息，并对所述第一数据信息和第二数据信息进行预处理，得到第一数据样本和第二数据样本，所述第一数据信息包括：多个目标时间段内的污水量、降水量和排水量，所述第二数据信息包括：基于城市排水系统拓扑模型得到的数据，所述城市排水系统拓扑模型的生成方法包括：以目标管道的地理坐标为三维模拟仿真系统中的（x,y）坐标，以目标管道对应的排水风险值为z坐标，生成对应的（x,y,z）坐标点，以现有城市管道连接情况对每个坐标点进行连接，生成对应的城市排水系统拓扑模型；
构建模块，用于基于所述第一数据样本和第二数据样本，构建城市排水量预测模型；
预测模块，用于将实时采集的第三数据信息输入至所述城市排水量预测模型，得到对应的输出结果，以用于对城市排水量进行预测，所述第三数据信息包括所述城市排水量预测模型中变化数据；
所述基于所述第一数据样本和第二数据样本，构建城市排水量预测模型包括：
将所述第一数据样本和第二数据样本按照预设比例分为训练样本、测试样本和验证样本；
利用所述训练样本对预构建的城市排水量预测模型进行训练，利用所述测试样本和验证样本评估训练得到的城市排水量预测模型的预测精度；
当所述城市排水量预测模型的预测精度达到预设标准时，停止训练，得到最终的城市排水量预测模型；
所述最终的城市排水量预测模型包括：
其中，表示预测排水流量值，表示排水预经交叉点个数，表示城市排水系统交叉点总数，表示补偿函数，表示所属目标时间段赋值，表示预测降水量，表示预测污水排出量，表示第二斜率，表示第一斜率；
所述第一斜率和第二斜率的生成方法包括：
提取多个目标管道中间点，并基于标记数据对所述多个目标管道中间点按顺序进行连接，生成第二拓扑结构；
提取所述城市排水系统拓扑模型中目标管道和相邻管道坐标点中的z值，并连线，计算该连线的斜率，即为对应的第一斜率；
提取所述第二拓扑结构中目标管道和相邻管道坐标点中的z值，并连线，计算该连线的斜率，即为对应的第二斜率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310537719.8A CN116485034B (zh) | 2023-05-15 | 2023-05-15 | 一种城市排水量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310537719.8A CN116485034B (zh) | 2023-05-15 | 2023-05-15 | 一种城市排水量预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116485034A CN116485034A (zh) | 2023-07-25 |
| CN116485034B true CN116485034B (zh) | 2023-09-08 |
Family
ID=87226907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310537719.8A Active CN116485034B (zh) | 2023-05-15 | 2023-05-15 | 一种城市排水量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485034B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875789B (zh) * | 2024-01-23 | 2024-06-18 | 广州市林业和园林科学研究院 | 一种用于海绵城市排水效果评估的数据处理方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100828968B1 (ko) * | 2007-11-27 | 2008-06-10 | (주)웹솔루스 | 지리정보시스템과 연계된 하수관거 유지관리방법 및 그기능을 탑재한 하수관거 유지관리시스템 |
| JP2014234675A (ja) * | 2013-06-04 | 2014-12-15 | 株式会社東芝 | 流量予測装置、流量予測方法、流量予測プログラム、および流量予測システム |
| WO2018131303A1 (ja) * | 2017-01-11 | 2018-07-19 | 株式会社日立製作所 | 下水道設備の監視制御装置及び下水ポンプ場の運転制御方法 |
| CN108319758A (zh) * | 2017-12-29 | 2018-07-24 | 上海市政交通设计研究院有限公司 | 一种基于水力模型的城市下穿地道排水系统优化设计方法 |
| CN110838079A (zh) * | 2019-10-18 | 2020-02-25 | 南京中科智慧生态科技有限公司 | 一种智慧城市防洪排水远程监控系统及方法 |
| CN112989538A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 城市排水系统的控制方法和控制装置 |
| 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 (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190262862A1 (en) * | 2018-02-23 | 2019-08-29 | T.F. Warren Group Corporation | Method for Applying a Coating in a Tubular |
-
2023
- 2023-05-15 CN CN202310537719.8A patent/CN116485034B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100828968B1 (ko) * | 2007-11-27 | 2008-06-10 | (주)웹솔루스 | 지리정보시스템과 연계된 하수관거 유지관리방법 및 그기능을 탑재한 하수관거 유지관리시스템 |
| JP2014234675A (ja) * | 2013-06-04 | 2014-12-15 | 株式会社東芝 | 流量予測装置、流量予測方法、流量予測プログラム、および流量予測システム |
| WO2018131303A1 (ja) * | 2017-01-11 | 2018-07-19 | 株式会社日立製作所 | 下水道設備の監視制御装置及び下水ポンプ場の運転制御方法 |
| CN108319758A (zh) * | 2017-12-29 | 2018-07-24 | 上海市政交通设计研究院有限公司 | 一种基于水力模型的城市下穿地道排水系统优化设计方法 |
| CN110838079A (zh) * | 2019-10-18 | 2020-02-25 | 南京中科智慧生态科技有限公司 | 一种智慧城市防洪排水远程监控系统及方法 |
| CN112989538A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 城市排水系统的控制方法和控制装置 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| Prediction of annual nitrate-N losses in drain outflows with artificial neural networks;F. Salehi;《ASME》(第5期);第1137-1143页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116485034A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | A review of advances in urban flood risk analysis over China | |
| Han et al. | Drought forecasting based on the remote sensing data using ARIMA models | |
| Hosseini et al. | A data fusion-based methodology for optimal redesign of groundwater monitoring networks | |
| CN116485034B (zh) | 一种城市排水量预测方法及系统 | |
| EP3584657A1 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
| Thöns et al. | On damage detection system information for structural systems | |
| Xu et al. | Applying survival analysis to pipeline data: Gaps and challenges | |
| Karamouz et al. | Distributed hydrologic modeling of coastal flood inundation and damage: nonstationary approach | |
| CN116716927A (zh) | 塔基监测方法、装置、计算机设备、存储介质和产品 | |
| Kumar et al. | Flood estimation at Hathnikund Barrage, river Yamuna, India using the peak-over-threshold method | |
| Xue et al. | Improving near real-time anomaly event detection and classification with trend change detection for smart water grid operation management | |
| CN116645013A (zh) | 一种城市生态韧性评估预警方法、装置及相关设备 | |
| JP2019148058A (ja) | 氾濫予測評価装置 | |
| Wang | An imperfect software debugging model considering irregular fluctuation of fault introduction rate | |
| Isensee et al. | Dam hydrological risk and the design flood under non-stationary conditions | |
| Cebrián et al. | Drought analysis based on a marked cluster Poisson model | |
| Silva-González et al. | Square Error Method for threshold estimation in extreme value analysis of wave heights | |
| Atique et al. | Using copula method for pipe data analysis | |
| JP6728830B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| CN111125918A (zh) | 基于相似寿命模型和相似寿命的复杂产品可靠性评定方法 | |
| Maity | Frequency Analysis, Risk and Uncertainty in Hydroclimatic Analysis | |
| CN111061985B (zh) | 无资料地区水库调节径流的计算方法、装置和存储介质 | |
| JP2024159031A (ja) | Ａｉ管路劣化予測システム、ａｉ管路劣化予測方法及びａｉ管路劣化予測プログラム | |
| CN115061222A (zh) | 一种气候预测方法、计算机设备及存储介质 | |
| Sun et al. | Surveillance of public risk perceptions on outdoor air pollution: evidence from online search behaviours in China |
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 |