Nothing Special   »   [go: up one dir, main page]

CN116703004B - 一种基于预训练模型的水系流域智慧巡护方法和装置 - Google Patents

一种基于预训练模型的水系流域智慧巡护方法和装置 Download PDF

Info

Publication number
CN116703004B
CN116703004B CN202310884749.6A CN202310884749A CN116703004B CN 116703004 B CN116703004 B CN 116703004B CN 202310884749 A CN202310884749 A CN 202310884749A CN 116703004 B CN116703004 B CN 116703004B
Authority
CN
China
Prior art keywords
data
water quality
geographic information
abnormal
quality 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.)
Active
Application number
CN202310884749.6A
Other languages
English (en)
Other versions
CN116703004A (zh
Inventor
伍满禁
李伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shared Data Fujian Technology Co ltd
Original Assignee
Shared Data Fujian Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shared Data Fujian Technology Co ltd filed Critical Shared Data Fujian Technology Co ltd
Priority to CN202310884749.6A priority Critical patent/CN116703004B/zh
Publication of CN116703004A publication Critical patent/CN116703004A/zh
Application granted granted Critical
Publication of CN116703004B publication Critical patent/CN116703004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于预训练模型的水系流域智慧巡护方法，获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；评价多个位置的异常风险等级；筛选出异常点位；对所述异常区域进行巡护，实时监测所述异常区域内的水域变化；判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；本申请的水系流域预测结果具有可解释性，且面对复杂水系流域的地形情况，可以解释预测结果产生的原因和时序数据波动的内在规律，能够提高对区域内多个位置监测的精准性，从而提高水系流域巡护的效率和准确性。

Description

一种基于预训练模型的水系流域智慧巡护方法和装置
技术领域
本申请涉及智慧巡护技术领域，具体涉及一种基于预训练模型的水系流域智慧巡护方法和装置。
背景技术
水系流域是人类生活和生态系统的重要组成部分，其保护和管理对于可持续发展至关重要。然而，传统的巡护方法往往依赖于人工和有限的监测手段，这种巡护方式存在着人力资源浪费、巡查效率低下、容易出现漏检和误判等问题。如何提高水系流域巡护的效率和准确性成为了一个亟待解决的问题。因此，利用先进的人工智能技术来改进水系流域巡护方法具有重要的研究和应用价值。
同时，随着计算机技术的不断发展，特别是深度学习技术的应用，使得基于预训练模型的智能化巡护系统得到了广泛的应用。然而，目前市场上的智能化巡护系统基本上都是针对城市道路等平坦地面的巡护，对于水系流域这种复杂的地形则无法适应。
因此，本发明的目的在于提供一种基于预训练模型的水系流域智慧巡护方法和装置，以解决现有技术存在的问题。
发明内容
本申请的目的是提供一种基于预训练模型的水系流域智慧巡护方法和装置，以加强水系流域靠监测的精准性，更加适用于水系流域这种复杂的地形，从而提高水系流域巡护的效率和准确性。
第一方面，本申请实施例提供了一种基于预训练模型的水系流域智慧巡护方法，包括以下步骤：
获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；
对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；
所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；
根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；
基于所述异常风险等级的评价结果，筛选出异常点位；
根据所述异常点位构建所述异常区域；
利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；
判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；
若所述变化趋势为增大，则生成并发送预警信息；
若所述变化趋势为减小，则继续保持巡护和监测。
按照以下方式预先训练所述水系流域预测模型：
获取区域内的多个位置的历史地理信息、水质数据和气象数据，并统计为相同时间间隔内的时间序列，得到区域内的多个位置的历史地理信息、水质数据和气象数据数据样本；
对所述历史地理信息、水质数据和气象数据数据样本进行所述预处理后，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据；
设置目标函数，将所述地理信息、水质数据和气象数据有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述水系流域预测模型。
将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据，包括：
将所述历史地理信息、水质数据和气象数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到地理信息、水质数据和气象数据有监督数据。
所述根据所述异常点位构建所述异常区域，包括：
收集所有已知的异常点位；
对于每个异常点位，确定其在空间上的位置和其他相关属性，属性包括坐标、数值和时间戳；
根据异常点位的属性，选择K近邻算法来构建异常区域，设置K的取值；
根据选定的K近邻算法和K的取值，将异常点位聚类为异常区域，即使用聚类算法将相邻的异常点位归为一类；
将构建的异常区域可视化。
在所述预警信息的特定位置放置特征码， 若特征码的位置或是内容被改动，则撤回预警信息。
所述特征码是根据巡护设备的序列号而生成。
所述根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级，包括：
对所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据进行预处理；
分别从地理信息、水质数据和气象数据中提取地理信息特征值、水质特征值以及气象特征值；
确定各个特征值的权重；
将地理信息特征值、水质特征值以及气象特征值乘以相应的权重，然后进行加权融合，得到综合风险值；
根据综合风险值，建立不同级别的异常风险等级。
第二方面，本申请实施例提供了一种基于预训练模型的水系流域智慧巡护系统，包括：
获取模块，用于获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；
预测模块，用于对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；
所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；
评价模块，用于根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；
筛选模块，用于基于所述异常风险等级的评价结果，筛选出异常点位；
构建模块，用于根据所述异常点位构建所述异常区域；
监测模块，用于利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；
判断模块，用于判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；
若所述变化趋势由减小变换成增大，则生成预警信息；
若所述变化趋势由增大变换成减小，则继续保持巡护和监测。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时以实现如第一方面所述的方法。
第四方面，本申请实施例提供了 一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。
相较于现有技术，本申请提供的基于预训练模型的水系流域智慧巡护方法，
获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；基于所述异常风险等级的评价结果，筛选出异常点位；根据所述异常点位构建所述异常区域；利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；若所述变化趋势为增大，则生成并发送预警信息；若所述变化趋势为减小，则继续保持巡护和监测。可见，本申请的水系流域预测结果具有可解释性，且面对复杂水系流域的地形情况，可以解释预测结果产生的原因和时序数据波动的内在规律，与传统的预测方法相比，能够提高对区域内多个位置监测的精准性，从而提高水系流域巡护的效率和准确性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请所提供的一种基于预训练模型的水系流域智慧巡护方法的流程图；
图2示出了本申请所提供的一种基于预训练模型的水系流域智慧巡护系统的示意图；
图3示出了本申请所提供的一种电子设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“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、系统、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它步骤或单元。
请参考图1，图1是本申请实施例提供的一种基于预训练模型的水系流域智慧巡护方法的流程图，包括以下S101~S107：
S101、获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据。
其中，历史时间段可以根据实际情况自行设置。
S102、对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；
其中，水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的。
可选的，上述对收集到的地理信息、水质数据和气象数据进行预处理，包括数据清洗、缺失值处理、特征提取。
S103、根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；
在本实施例中，所述根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级，包括以下步骤：
S301、对所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据进行预处理；
S302、分别从地理信息、水质数据和气象数据中提取地理信息特征值、水质特征值以及气象特征值；
在一些实施例中，本步骤可以实现为：从地理信息中提取经纬度、流量、水深、土壤肥力特征，从水质数据中提取pH值、溶解氧和COD特征，从气象数据中提取气温、降雨量和风速特征。
S303、确定各个特征值的权重；例如可以通过层次分析法（AHP）进行权重计算：根据特征的重要性、影响程度等因素，确定各个特征的权重。
S304、将地理信息特征值、水质特征值以及气象特征值乘以相应的权重，然后进行加权融合，得到综合风险值；
S305、根据综合风险值，建立不同级别的异常风险等级。
在一些实施例中可以实现为：可以将地理信息、水质数据和气象数据的特征分别乘以对应的权重，然后按下面的公式进行加权融合：
如：综合风险值 = 0.3 * 地理信息特征值 + 0.3 * 水质特征值 + 0.4 * 气象特征值。
S104、基于所述异常风险等级的评价结果，筛选出异常点位；
在本实施例中，所述根据所述异常点位构建所述异常区域，包括以下步骤：
S401 、收集所有已知的异常点位；
S402 、对于每个异常点位，确定其在空间上的位置和其他相关属性，属性具体可以包括坐标、数值和时间戳；
S403 、根据异常点位的属性，选择K近邻算法来构建异常区域，设置K的取值；
S404 、根据选定的K近邻算法和K的取值，将异常点位聚类为异常区域，即使用聚类算法将相邻的异常点位归为一类；
S405 、将构建的异常区域可视化；
为了更好地理解和分析异常情况，具体可以使用地图、图表或其他可视化工具以及结合GIS系统来展示异常区域。
然后，本申请继续执行以下步骤：
S105、根据所述异常点位构建所述异常区域；
S106、利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；巡护设备优选为无人机；
S107、判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；若所述变化趋势为增大，则生成并发送预警信息；若所述变化趋势为减小，则继续保持巡护和监测。
在一些实施例中，本申请可以在所述预警信息的特定位置放置特征码， 若特征码的位置或是内容被改动，则撤回预警信息，有助于提高巡护和预警的准确性。为了进一步加强预警的安全性，此实施例的特征码是根据巡护设备的序列号而生成。
下面介绍如何预先训练得到水系流域预测模型，具体可以按照以下方式预先训练水系流域预测模型，包括步骤S201~S203：
S201、获取区域内的多个位置的历史地理信息、水质数据和气象数据，并统计为相同时间间隔内的时间序列，得到区域内的多个位置的历史地理信息、水质数据和气象数据数据样本；
其中，收集区域内的多个位置的历史地理信息、水质数据和气象数据，设置时间间隔，将历史地理信息、水质数据和气象数据按时间顺序统计为相同时间间隔内的时间序列，得到初始的多元时间序列数据，该多元时间序列数据为区域内的多个位置的历史地理信息、水质数据和气象数据样本，具体实现步骤如下：
确定时间间隔：根据数据的时间跨度和需要统计的时间粒度，确定时间间隔，可以设置为小时、日、周或月等。对原始数据进行时间对齐：对于每个位置的历史地理信息、水质数据和气象数据，将其按照时间间隔对齐，即将数据填充到相应的时间点上；将多个客户的数据合并：将所有位置的数据按照时间顺序合并，得到一个多元时间序列数据集，其中每个时间点包含每个位置的历史地理信息、水质数据和气象数据。
S202、对所述历史地理信息、水质数据和气象数据数据样本进行所述预处理后，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据；具体的，包括以下步骤：将所述历史地理信息、水质数据和气象数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到地理信息、水质数据和气象数据有监督数据。
S203、设置目标函数，将所述地理信息、水质数据和气象数据有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述水系流域预测模型。
具体地，可解释的图神经网络包括以下组件：
节点特征提取器：用于从地理信息、水质数据和气象数据有监督数据中提取特征，并将其表示为节点的特征向量。
邻接关系建模器：用于建模地理信息、水质数据和气象数据有监督数据之间的邻接关系。
图卷积神经网络：用于学习节点特征向量和邻接矩阵之间的关系，并从中提取有用的信息。
全连接层：用于将图卷积神经网络输出的节点特征向量映射到最终的预测结果。
激活函数：用于对全连接层的输出进行非线性变换，以产生最终的预测结果。
损失函数：用于衡量预测结果与实际结果之间的差异，并用于优化神经网络的权重。
优化器：用于根据损失函数的结果优化神经网络的权重。
为了给区域提供实时且精准的预测，本申请提出了一种基于预训练模型的水系流域智慧巡护方法，该方法通过收集区域内的地理信息、水质数据和气象数据，并转化为有监督的数据，利用有监督的数据训练可解释的图神经网络得到水系流域预测模型，最后利用训练好的模型提供精准的预测。
本申请实施例提供的方法具有以下有益效果：
本申请提供的基于预训练模型的水系流域智慧巡护方法，获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；基于所述异常风险等级的评价结果，筛选出异常点位；根据所述异常点位构建所述异常区域；利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；若所述变化趋势为增大，则生成并发送预警信息；若所述变化趋势为减小，则继续保持巡护和监测。可见，本申请的水系流域预测结果具有可解释性，且面对复杂水系流域的地形情况，可以解释预测结果产生的原因和时序数据波动的内在规律，与传统的预测方法相比，能够提高对区域内多个位置监测的精准性，从而提高水系流域巡护的效率和准确性。
在上述的实施例中，提供了一种基于预训练模型的水系流域智慧巡护方法，与之相对应的，本申请还提供一种基于预训练模型的水系流域智慧巡护系统。本申请实施例提供的基于预训练模型的水系流域智慧巡护系统可以实施上述水系流域智慧巡护方法，该基于预训练模型的水系流域智慧巡护系统可以通过软件、硬件或软硬结合的方式来实现。例如，该基于预训练模型的水系流域智慧巡护系统可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤，包括：
获取模块101，用于获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；
预测模块102，用于对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；
所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；
评价模块103，用于根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；
筛选模块104，用于基于所述异常风险等级的评价结果，筛选出异常点位；
构建模块105，用于根据所述异常点位构建所述异常区域；
监测模块106，用于利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；
判断模块107，用于判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；
若所述变化趋势由减小变换成增大，则生成预警信息；
若所述变化趋势由增大变换成减小，则继续保持巡护和监测。
在本申请的一些实施方式中，所述系统还包括：模型训练模块，按照以下方式预先训练所述水系流域预测模型：
获取区域内的多个位置的历史地理信息、水质数据和气象数据，并统计为相同时间间隔内的时间序列，得到区域内的多个位置的历史地理信息、水质数据和气象数据数据样本；
对所述历史地理信息、水质数据和气象数据数据样本进行所述预处理后，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据；
设置目标函数，将所述地理信息、水质数据和气象数据有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述水系流域预测模型。
在本申请的一些实施方式中，所述装置还包括，模型训练模块，用于将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据，包括：
将所述历史地理信息、水质数据和气象数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到地理信息、水质数据和气象数据有监督数据。
在本申请的一些实施方式中，所述根据所述异常点位构建所述异常区域，包括：
收集所有已知的异常点位；
对于每个异常点位，确定其在空间上的位置和其他相关属性，属性包括坐标、数值和时间戳；
根据异常点位的属性，选择K近邻算法来构建异常区域，设置K的取值；
根据选定的K近邻算法和K的取值，将异常点位聚类为异常区域，即使用聚类算法将相邻的异常点位归为一类；
将构建的异常区域可视化。
在本申请的一些实施方式中，在所述预警信息的特定位置放置特征码， 若特征码的位置或是内容被改动，则撤回预警信息。
在本申请的一些实施方式中，所述特征码是根据巡护设备的序列号而生成。
在本申请的一些实施方式中，所述根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级，包括：
对所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据进行预处理；
分别从地理信息、水质数据和气象数据中提取地理信息特征值、水质特征值以及气象特征值；
确定各个特征值的权重；
将地理信息特征值、水质特征值以及气象特征值乘以相应的权重，然后进行加权融合，得到综合风险值；
根据综合风险值，建立不同级别的异常风险等级。
本申请实施例提供的基于预训练模型的水系流域智慧巡护系统与本申请实施例提供的基于预训练模型的水系流域智慧巡护方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备，所述电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述预测方法。
请参考图3，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图3所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的钓鱼邮件溯源方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述钓鱼邮件溯源方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的预测方法对应的计算机可读存储介质，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的预测方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，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)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (7)

1.一种基于预训练模型的水系流域智慧巡护方法，其特征在于，包括以下步骤：
获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；
对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；
所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；
根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；
基于所述异常风险等级的评价结果，筛选出异常点位；
根据所述异常点位构建异常区域；
利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；
判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；
若所述变化趋势为增大，则生成并发送预警信息；
若所述变化趋势为减小，则继续保持巡护和监测；
所述的方法，按照以下方式预先训练所述水系流域预测模型：
获取区域内的多个位置的历史地理信息、水质数据和气象数据，并统计为相同时间间隔内的时间序列，得到区域内的多个位置的历史地理信息、水质数据和气象数据数据样本；
其中，收集区域内的多个位置的历史地理信息、水质数据和气象数据，设置时间间隔，将历史地理信息、水质数据和气象数据按时间顺序统计为相同时间间隔内的时间序列，得到初始的多元时间序列数据，该多元时间序列数据为区域内的多个位置的历史地理信息、水质数据和气象数据样本，具体实现步骤如下：
确定时间间隔：根据数据的时间跨度和需要统计的时间粒度，确定时间间隔，可以设置为小时、日、周或月；对原始数据进行时间对齐：对于每个位置的历史地理信息、水质数据和气象数据，将其按照时间间隔对齐，即将数据填充到相应的时间点上；将多个客户的数据合并：将所有位置的数据按照时间顺序合并，得到一个多元时间序列数据集，其中每个时间点包含每个位置的历史地理信息、水质数据和气象数据；
对所述历史地理信息、水质数据和气象数据数据样本进行所述预处理后，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据；
设置目标函数，将所述地理信息、水质数据和气象数据有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述水系流域预测模型；
所述的方法，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据，包括：
将所述历史地理信息、水质数据和气象数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到地理信息、水质数据和气象数据有监督数据；
所述根据所述异常点位构建所述异常区域，包括：
收集所有已知的异常点位；
对于每个异常点位，确定其在空间上的位置和其他相关属性，属性包括坐标、数值和时间戳；
根据异常点位的属性，选择K近邻算法来构建异常区域，设置K的取值；
根据选定的K近邻算法和K的取值，将异常点位聚类为异常区域，即使用聚类算法将相邻的异常点位归为一类；
将构建的异常区域可视化。
2.根据权利要求1所述的方法，其特征在于，在所述预警信息的特定位置放置特征码，若特征码的位置或是内容被改动，则撤回预警信息。
3.根据权利要求2所述的方法，其特征在于，所述特征码是根据巡护设备的序列号而生成的。
4.根据权利要求1所述的方法，其特征在于，所述根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级，包括：
对所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据进行预处理；
分别从地理信息、水质数据和气象数据中提取地理信息特征值、水质特征值以及气象特征值；
确定各个特征值的权重；
将地理信息特征值、水质特征值以及气象特征值乘以相应的权重，然后进行加权融合，得到综合风险值；
根据综合风险值，建立不同级别的异常风险等级。
5.一种基于预训练模型的水系流域智慧巡护系统，其特征在于，包括：
获取模块，用于获取水系流域区域内的多个位置在历史时间段内的地理信息、水质数据和气象数据；
预测模块，用于对所述地理信息、水质数据和气象数据进行预处理后，输入预先训练的水系流域预测模型，得到所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据；
所述水系流域预测模型是通过区域内的多个位置的历史地理信息、水质数据和气象数据样本对可解释的图神经网络进行训练得到的；
评价模块，用于根据所述区域内的多个位置在未来设定时间段内的地理信息、水质数据和气象数据，评价多个位置的异常风险等级；
筛选模块，用于基于所述异常风险等级的评价结果，筛选出异常点位；
构建模块，用于根据所述异常点位构建异常区域；
监测模块，用于利用巡护设备对所述异常区域进行巡护，实时监测所述异常区域内的水域变化，并重复以上步骤；
判断模块，用于判断当前时刻的异常区域面积和相邻历史时刻的异常区域面积的变化趋势；
若所述变化趋势由减小变换成增大，则生成预警信息；
若所述变化趋势由增大变换成减小，则继续保持巡护和监测；
模型训练模块，用于按照以下方式预先训练所述水系流域预测模型：
获取区域内的多个位置的历史地理信息、水质数据和气象数据，并统计为相同时间间隔内的时间序列，得到区域内的多个位置的历史地理信息、水质数据和气象数据数据样本；
其中，收集区域内的多个位置的历史地理信息、水质数据和气象数据，设置时间间隔，将历史地理信息、水质数据和气象数据按时间顺序统计为相同时间间隔内的时间序列，得到初始的多元时间序列数据，该多元时间序列数据为区域内的多个位置的历史地理信息、水质数据和气象数据样本，具体实现步骤如下：
确定时间间隔：根据数据的时间跨度和需要统计的时间粒度，确定时间间隔，可以设置为小时、日、周或月；对原始数据进行时间对齐：对于每个位置的历史地理信息、水质数据和气象数据，将其按照时间间隔对齐，即将数据填充到相应的时间点上；将多个客户的数据合并：将所有位置的数据按照时间顺序合并，得到一个多元时间序列数据集，其中每个时间点包含每个位置的历史地理信息、水质数据和气象数据；
对所述历史地理信息、水质数据和气象数据数据样本进行所述预处理后，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据；
设置目标函数，将所述地理信息、水质数据和气象数据有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述水系流域预测模型；
其中，将所述历史地理信息、水质数据和气象数据样本转化为地理信息、水质数据和气象数据有监督数据，包括：
将所述历史地理信息、水质数据和气象数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到地理信息、水质数据和气象数据有监督数据；
所述根据所述异常点位构建所述异常区域，包括：
收集所有已知的异常点位；
对于每个异常点位，确定其在空间上的位置和其他相关属性，属性包括坐标、数值和时间戳；
根据异常点位的属性，选择K近邻算法来构建异常区域，设置K的取值；
根据选定的K近邻算法和K的取值，将异常点位聚类为异常区域，即使用聚类算法将相邻的异常点位归为一类；
将构建的异常区域可视化。
6.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时以实现如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至4任一项所述的方法。
CN202310884749.6A 2023-07-19 2023-07-19 一种基于预训练模型的水系流域智慧巡护方法和装置 Active CN116703004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310884749.6A CN116703004B (zh) 2023-07-19 2023-07-19 一种基于预训练模型的水系流域智慧巡护方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310884749.6A CN116703004B (zh) 2023-07-19 2023-07-19 一种基于预训练模型的水系流域智慧巡护方法和装置

Publications (2)

Publication Number Publication Date
CN116703004A CN116703004A (zh) 2023-09-05
CN116703004B true CN116703004B (zh) 2023-09-29

Family

ID=87843463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310884749.6A Active CN116703004B (zh) 2023-07-19 2023-07-19 一种基于预训练模型的水系流域智慧巡护方法和装置

Country Status (1)

Country Link
CN (1) CN116703004B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195135B (zh) * 2023-11-01 2024-02-27 潍坊德瑞生物科技有限公司 一种水污染异常溯源检测方法及系统
CN118331951B (zh) * 2024-06-13 2024-09-03 山东瑞鑫时空信息科技有限公司 基于地理信息系统的数据处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109844832A (zh) * 2016-12-30 2019-06-04 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
CN109991685A (zh) * 2019-04-03 2019-07-09 北京市天元网络技术股份有限公司 一种基于多lstm模型融合的降水量预测方法以及装置
CN115410114A (zh) * 2022-08-02 2022-11-29 南京熊猫电子股份有限公司 一种基于多特征的城轨防汛预警方法及系统
CN116308952A (zh) * 2023-03-08 2023-06-23 浪潮智慧科技有限公司 一种基于无人船的水质监测方法及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909722B (zh) * 2017-02-10 2019-07-26 广西壮族自治区气象减灾研究所 一种近地面气温的大面积精准反演方法
US10802136B2 (en) * 2017-07-19 2020-10-13 Rezatec Limited Water network monitoring system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109844832A (zh) * 2016-12-30 2019-06-04 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
CN109991685A (zh) * 2019-04-03 2019-07-09 北京市天元网络技术股份有限公司 一种基于多lstm模型融合的降水量预测方法以及装置
CN115410114A (zh) * 2022-08-02 2022-11-29 南京熊猫电子股份有限公司 一种基于多特征的城轨防汛预警方法及系统
CN116308952A (zh) * 2023-03-08 2023-06-23 浪潮智慧科技有限公司 一种基于无人船的水质监测方法及设备

Also Published As

Publication number Publication date
CN116703004A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN116703004B (zh) 一种基于预训练模型的水系流域智慧巡护方法和装置
CN106373070A (zh) 一种应对城市暴雨内涝的四预方法
CN117332291B (zh) 一种面向分布式光伏的区域资源监测布局方法及系统
Harrou et al. Enhancing Road Traffic Flow Prediction with Improved Deep Learning using Wavelet Transforms
CN116340863A (zh) 空气污染物预测方法、装置、电子设备及可读存储介质
Balamurugan et al. Implementation of Effective Rainfall Forecast Model using Machine Learning
CN110633853A (zh) 时空数据预测模型的训练方法、装置及电子设备
CN110968929A (zh) 风电场风速的预测方法、装置及电子设备
CN117575873B (zh) 综合气象水文敏感性的洪水警戒方法与系统
CN113496305A (zh) 数据处理方法及装置
CN115294770B (zh) 一种雨天交通拥堵指数的预测方法和装置
CN117091675A (zh) 一种大坝水位监测预警方法、系统、电子设备及存储介质
CN114897818B (zh) 基于时空距离矩阵分析的遥感时间序列图像变化检测方法
CN116758707A (zh) 一种基于大数据的地质灾害监测系统及方法
Benchelha et al. Modeling dynamic urban growth using cellular automata and geospatial technique: case of Casablanca in Morocco
Farman et al. Advancing rainfall prediction in pakistan: A fusion of machine learning and time series forecasting models
CN117058888B (zh) 一种交通大数据处理方法及其系统
CN113077081B (zh) 交通污染排放量预测方法
CN117434624B (zh) 一种基于语义分割的强对流天气识别和发展预判方法
Mirzapour et al. Evaluating the performance of Geomod model, SimWeight and MLP algorithms in urban development simulation (case study: Khorramabad County)
Wimhurst et al. Using logistic regression-cellular automata to project future sites for commercial wind energy development
Katti et al. A Pluvial Flood Detection Model Using Machine Learning Techniques and Simulate The Flow of Water
CN116469013B (zh) 道路积水预测方法、装置、计算机设备及存储介质
CN108009510A (zh) 安保态势分析方法和装置
Hsu et al. Hazard hotspots analysis from geospatial database using geospatial data mining technology

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