本發(fā)明屬于數(shù)據(jù)處理，具體涉及一種水污染損害的智能監(jiān)測方法。

背景技術(shù)：

1、傳統(tǒng)的水污染監(jiān)測方法往往依賴于人工采樣和實(shí)驗(yàn)室分析，這不僅耗時(shí)耗力，而且難以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測和快速響應(yīng)。因此，開發(fā)一種能夠?qū)崟r(shí)監(jiān)測水體污染狀況并快速評(píng)估損害的方法具有重要的現(xiàn)實(shí)意義。類似的現(xiàn)有技術(shù)公開號(hào)為cn118037057a的中國專利申請(qǐng)，提供一種基于大數(shù)據(jù)分析的市政園林水污染監(jiān)測系統(tǒng)，包括園林信息數(shù)據(jù)采集模塊、風(fēng)險(xiǎn)等級(jí)劃分模塊、線性回歸模型模塊和報(bào)警模塊；園林信息數(shù)據(jù)采集模塊獲取園林水體外部多個(gè)環(huán)境數(shù)據(jù)，并獲取對(duì)應(yīng)的園林水體污染數(shù)據(jù)；風(fēng)險(xiǎn)等級(jí)劃分模塊根據(jù)多個(gè)環(huán)境數(shù)據(jù)和園林水體污染數(shù)據(jù)分別進(jìn)行風(fēng)險(xiǎn)等級(jí)劃分；線性回歸模型模塊根據(jù)多次采集的數(shù)據(jù)訓(xùn)練線性回歸模型；并利用線性回歸模型預(yù)測園林水體污染風(fēng)險(xiǎn)等級(jí)；風(fēng)險(xiǎn)等級(jí)高于閾值時(shí)，報(bào)警模塊發(fā)出報(bào)警。類似的現(xiàn)有技術(shù)還有公開號(hào)為cn116562185a的中國專利申請(qǐng)，公開提供水質(zhì)模擬方法、系統(tǒng)與水污染監(jiān)測分析裝置，方法包括：(一)一維與二維水質(zhì)模型的耦合策略：通過一維水質(zhì)模型與二維水質(zhì)模型耦合得到一維二維耦合水質(zhì)模型，基于微觀層面，通過分布函數(shù)來處理一維和二維模型耦合計(jì)算的交界面；將耦合界面視為一維計(jì)算域中的一個(gè)內(nèi)部節(jié)點(diǎn)；首先計(jì)算該節(jié)點(diǎn)的未知分布函數(shù)，其次由分布函數(shù)計(jì)算其宏觀量濃度，最后求解該處二維邊界的未知分布函數(shù)；(二)一維二維耦合水質(zhì)模型的gpu并行實(shí)現(xiàn)；(三)并行模型優(yōu)化策略：計(jì)算過程將二維模型的計(jì)算數(shù)據(jù)存放于共享存儲(chǔ)器上，將對(duì)全局內(nèi)存的訪問換成對(duì)共享內(nèi)存的訪問。然而上述兩個(gè)申請(qǐng)文件在監(jiān)測水污染時(shí)，都沒有考慮如何提高監(jiān)測效率和監(jiān)測精準(zhǔn)度的問題。由此，本發(fā)明提供一種水污染損害的智能監(jiān)測方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明通過智能傳感器收集污水成分?jǐn)?shù)據(jù)，對(duì)收集的污水成分?jǐn)?shù)據(jù)進(jìn)行整合和融合處理生成融合數(shù)據(jù)，基于融合數(shù)據(jù)精準(zhǔn)且快速的判斷污水成分?jǐn)?shù)據(jù)的污染程度，幫助相關(guān)管理人員快速定位污染源，基于歷史的融合數(shù)據(jù)高效的訓(xùn)練預(yù)測模型，預(yù)測模型能夠精準(zhǔn)的預(yù)測污水成分?jǐn)?shù)據(jù)和異常情況，還基于預(yù)測的污水成分?jǐn)?shù)據(jù)和異常情況使用人工智能模型生成對(duì)應(yīng)的應(yīng)對(duì)措施，幫助相關(guān)人員更好的監(jiān)測和管理水污染。

2、為了達(dá)到上述的發(fā)明目的，本發(fā)明給出如下所述的一種水污染損害的智能監(jiān)測方法，通過執(zhí)行以下步驟進(jìn)行實(shí)現(xiàn):

3、將污水排放區(qū)域劃分為多個(gè)子區(qū)域，在每個(gè)子區(qū)域設(shè)置若干智能傳感器，基于智能傳感器收集的污水成分?jǐn)?shù)據(jù)的特征為智能傳感器設(shè)置不同的收集間隔，收集子區(qū)域的污水成分?jǐn)?shù)據(jù)，還獲取對(duì)應(yīng)的收集時(shí)間戳和設(shè)備id，將任一子區(qū)域?qū)?yīng)的所述污水成分?jǐn)?shù)據(jù)，基于收集時(shí)間戳進(jìn)行數(shù)據(jù)整合生成組合式數(shù)據(jù)，還將屬于所有所述組合式數(shù)據(jù)進(jìn)行融合生成融合數(shù)據(jù)，將所述融合數(shù)據(jù)通過網(wǎng)絡(luò)傳輸?shù)竭h(yuǎn)程服務(wù)器；

4、遠(yuǎn)程服務(wù)器接收所述融合數(shù)據(jù)后，將收集的所述融合數(shù)據(jù)保存在內(nèi)存模塊中，獲取所述融合數(shù)據(jù)中的多個(gè)衡量參數(shù)，預(yù)先設(shè)置多個(gè)不同的污染程度，針對(duì)每個(gè)污染程度為每個(gè)所述衡量參數(shù)設(shè)置對(duì)應(yīng)的分值，還對(duì)每個(gè)所述衡量參數(shù)設(shè)置對(duì)應(yīng)的權(quán)重值，基于所述分值和所述權(quán)重值判斷所述融合數(shù)據(jù)的污染程度，若污染程度高于預(yù)設(shè)的污染等級(jí)，判斷污水排放不達(dá)標(biāo)，將污水成分?jǐn)?shù)據(jù)和已知的污染源信息進(jìn)行匹配定位污染源，同時(shí)向相關(guān)管理人員發(fā)送污染源信息，還對(duì)不達(dá)標(biāo)的所述融合數(shù)據(jù)做異常標(biāo)記；

5、將歷史收集的所述融合數(shù)據(jù)和對(duì)應(yīng)的所述異常標(biāo)記作為學(xué)習(xí)數(shù)據(jù)訓(xùn)練預(yù)測模型，基于所述融合數(shù)據(jù)使用所述預(yù)測模型預(yù)測生成未來的污水成分?jǐn)?shù)據(jù)，在預(yù)測到未來污水成分?jǐn)?shù)據(jù)不在預(yù)設(shè)的正常范圍時(shí)，將對(duì)應(yīng)的異常情況發(fā)送到相關(guān)管理人員；

6、基于預(yù)測的所述污水成分?jǐn)?shù)據(jù)和異常情況，使用人工智能模型生成對(duì)應(yīng)的應(yīng)對(duì)措施，估計(jì)所述應(yīng)對(duì)措施的實(shí)施時(shí)間，在到達(dá)所述實(shí)施時(shí)間后實(shí)施所述應(yīng)對(duì)措施，之后持續(xù)監(jiān)測污水排放區(qū)域并繼續(xù)收集所述融合數(shù)據(jù)，基于新收集的所述融合數(shù)據(jù)評(píng)估所述應(yīng)對(duì)措施的實(shí)施效果，并根據(jù)實(shí)際情況調(diào)整所述人工智能模型。

7、作為本發(fā)明的一種優(yōu)選技術(shù)方案，基于收集時(shí)間戳進(jìn)行數(shù)據(jù)整合獲取組合式數(shù)據(jù)，包括如下步驟：

8、預(yù)設(shè)收集周期，從收集的起始時(shí)間點(diǎn)開始經(jīng)過收集周期的時(shí)長后，基于收集周期和起始時(shí)間點(diǎn)計(jì)算各個(gè)收集周期的時(shí)間戳范圍，獲取所有在同一收集周期內(nèi)的所述污水成分?jǐn)?shù)據(jù)和對(duì)應(yīng)的設(shè)備id，獲取設(shè)備id相同的所有所述污水成分?jǐn)?shù)據(jù)計(jì)算第一數(shù)值，若所述第一數(shù)值大于預(yù)設(shè)的第一閾值，獲取所有所述污水成分?jǐn)?shù)據(jù)中的最大值作為設(shè)備id在當(dāng)前收集周期的代表值，若所述第一數(shù)值小于等于所述第一閾值，計(jì)算所有所述污水成分?jǐn)?shù)據(jù)的第二數(shù)值，將所述第二數(shù)值作為所述設(shè)備id對(duì)應(yīng)的智能傳感器在當(dāng)前收集周期對(duì)應(yīng)的代表值，獲取子區(qū)域內(nèi)所有設(shè)備id對(duì)應(yīng)的所述代表值，將所述代表值、所述收集周期和子區(qū)域按照預(yù)先設(shè)置的格式組合生成所述組合式數(shù)據(jù)。

9、作為本發(fā)明的一種優(yōu)選技術(shù)方案，將屬于不同子區(qū)域的所述組合式數(shù)據(jù)進(jìn)行融合生成融合數(shù)據(jù)，包括如下步驟：

10、獲取每個(gè)子區(qū)域收集所述污水成分?jǐn)?shù)據(jù)的準(zhǔn)確性，基于所述準(zhǔn)確性、每個(gè)子區(qū)域智能傳感器的類型，為不同的子區(qū)域分配不同的區(qū)域權(quán)重，獲取所述收集周期相同的各個(gè)子區(qū)域的所述污水成分?jǐn)?shù)據(jù)，將不同子區(qū)域的所述污水成分?jǐn)?shù)據(jù)和對(duì)應(yīng)的所述區(qū)域權(quán)重相乘后再相加以生成綜合污水成分?jǐn)?shù)據(jù)，將所有所述綜合污水成分?jǐn)?shù)據(jù)和所述收集周期組合生成所述融合數(shù)據(jù)。

11、作為本發(fā)明的一種優(yōu)選技術(shù)方案，對(duì)每個(gè)所述衡量參數(shù)設(shè)置對(duì)應(yīng)的權(quán)重值，包括如下步驟：

12、獲取相關(guān)專業(yè)人員對(duì)各個(gè)所述衡量參數(shù)相對(duì)應(yīng)其他所述衡量參數(shù)做出的第一評(píng)價(jià)值、第二評(píng)價(jià)值和第三評(píng)價(jià)值，獲取每個(gè)所述衡量參數(shù)相對(duì)于其他所述衡量參數(shù)的所有所述第二評(píng)價(jià)值的第一總和，將每個(gè)衡量參數(shù)對(duì)應(yīng)的所述第一評(píng)價(jià)值、所述第二評(píng)價(jià)值和所述第三評(píng)價(jià)值分別除以對(duì)應(yīng)的所述第一總和獲取到第一數(shù)值、第二數(shù)值和第三數(shù)值，計(jì)算所述第一數(shù)值、所述第二數(shù)值和所述第三數(shù)值的第一平均值，獲取所述衡量參數(shù)對(duì)應(yīng)的多個(gè)所述第一平均值，計(jì)算多個(gè)所述第一平均值的第二平均值，獲取其他衡量參數(shù)對(duì)應(yīng)的第二平均值，獲取所有第二平均值的總和作為第二總和，用所述衡量參數(shù)對(duì)應(yīng)的第二平均值除以所述第二總和作為所述衡量參數(shù)對(duì)應(yīng)的所述權(quán)重值。

13、作為本發(fā)明的一種優(yōu)選技術(shù)方案，基于所述分值和所述權(quán)重值判斷所述融合數(shù)據(jù)的污染程度，包括如下步驟：

14、獲取每個(gè)所述衡量參數(shù)的所述權(quán)重值，還獲取針對(duì)每個(gè)污染程度為每個(gè)所述衡量參數(shù)設(shè)置對(duì)應(yīng)的分值，用第一公式計(jì)算污染程度結(jié)果，所述第一公式為：，，其中，分別是每個(gè)所述衡量參數(shù)對(duì)應(yīng)的權(quán)重值，分別是第i個(gè)所述衡量參數(shù)對(duì)于n個(gè)不同的污染程度對(duì)應(yīng)的分值，m是所述衡量參數(shù)的個(gè)數(shù)，n是污染程度的個(gè)數(shù)，使用第一公式獲取到每個(gè)所述衡量參數(shù)對(duì)于n個(gè)不同的污染程度對(duì)應(yīng)的m個(gè)綜合值，獲取m個(gè)所述綜合值中的最大值對(duì)應(yīng)的污染程度作為所述融合數(shù)據(jù)的污染程度。

15、作為本發(fā)明的一種優(yōu)選技術(shù)方案，將歷史收集的所述融合數(shù)據(jù)和對(duì)應(yīng)的所述異常標(biāo)記作為學(xué)習(xí)數(shù)據(jù)訓(xùn)練預(yù)測模型，包括如下步驟：

16、創(chuàng)建初始預(yù)測模型，為所述初始預(yù)測模型設(shè)置初始參數(shù)值，初始參數(shù)值基于歷史的經(jīng)驗(yàn)數(shù)據(jù)獲取，從內(nèi)存模塊中獲取歷史收集的歷史融合數(shù)據(jù)，從所述歷史融合數(shù)據(jù)中提取若干數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，使用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練所述初始預(yù)測模型生成第一預(yù)測模型，在訓(xùn)練的過程中優(yōu)化所述初始參數(shù)值，從所述歷史融合數(shù)據(jù)中選擇若干數(shù)據(jù)作為測試數(shù)據(jù)，使用所述測試數(shù)據(jù)對(duì)所述第一預(yù)測模型進(jìn)行測試獲取第一預(yù)測模型的準(zhǔn)確度，若所述準(zhǔn)確度小于預(yù)設(shè)的第二閾值，更新所述訓(xùn)練數(shù)據(jù)集生成新的所述訓(xùn)練數(shù)據(jù)集，使用新的所述訓(xùn)練數(shù)據(jù)集對(duì)所述第一預(yù)測模型進(jìn)行訓(xùn)練，在訓(xùn)練的過程中對(duì)所述初始參數(shù)值進(jìn)行進(jìn)一步優(yōu)化，生成新的預(yù)測模型獲取對(duì)應(yīng)新的所述準(zhǔn)確度，若所述準(zhǔn)確度依然小于所述第二閾值，繼續(xù)更新所述訓(xùn)練數(shù)據(jù)集訓(xùn)練所述第一預(yù)測模型并優(yōu)化參數(shù)值，直到所述準(zhǔn)確度大于等于所述第二閾值。

17、作為本發(fā)明的一種優(yōu)選技術(shù)方案，從所述歷史融合數(shù)據(jù)中提取若干數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，包括如下步驟：

18、獲取所述歷史融合數(shù)據(jù)，對(duì)每條所述歷史融合數(shù)據(jù)獲取所有的所述衡量參數(shù)和對(duì)應(yīng)的所述權(quán)重值，將所有衡量參數(shù)按照對(duì)應(yīng)所述權(quán)重值的大小從大到小進(jìn)行編號(hào)排序生成衡量參數(shù)序列，從所述衡量參數(shù)序列中選擇若干個(gè)編號(hào)靠前的衡量參數(shù)作為第一衡量參數(shù)，將所有所述第一衡量參數(shù)和對(duì)應(yīng)的所述收集周期組合生成一條第一融合數(shù)據(jù)，從剩余的所述歷史融合數(shù)據(jù)中選擇相同的所述第一衡量參數(shù)和對(duì)應(yīng)的所述收集周期組合生成對(duì)應(yīng)的所述第一融合數(shù)據(jù)，將所有的所述第一融合數(shù)據(jù)組合生成所述訓(xùn)練數(shù)據(jù)集。

19、作為本發(fā)明的一種優(yōu)選技術(shù)方案，更新所述訓(xùn)練數(shù)據(jù)集生成新的所述訓(xùn)練數(shù)據(jù)集，包括如下步驟：

20、從沒有被選擇的剩余衡量參數(shù)序列中，選擇若干個(gè)編號(hào)靠前的衡量參數(shù)作為第二衡量參數(shù)，將所述第二衡量參數(shù)添加到所述訓(xùn)練數(shù)據(jù)集中生成新的訓(xùn)練數(shù)據(jù)集。

21、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果至少如下所述：

22、在本發(fā)明中，首先將污水排放區(qū)域劃分為多個(gè)子區(qū)域，為每個(gè)子區(qū)域設(shè)置多個(gè)智能傳感器收集污水成分?jǐn)?shù)據(jù)，使收集的污水成分?jǐn)?shù)據(jù)更精準(zhǔn)，對(duì)收集的污水成分?jǐn)?shù)據(jù)進(jìn)行整合和融合生成融合數(shù)據(jù)，使后續(xù)對(duì)污水成分?jǐn)?shù)據(jù)的分析更準(zhǔn)確；對(duì)融合數(shù)據(jù)的每個(gè)衡量參數(shù)進(jìn)行合理的權(quán)重設(shè)置，基于權(quán)重值和針對(duì)每個(gè)污染程度為衡量參數(shù)設(shè)置的分值獲取融合數(shù)據(jù)對(duì)應(yīng)污水成分?jǐn)?shù)據(jù)的污染程度，通過將復(fù)雜的問題進(jìn)行量化分析，為最終的污染程度的判斷提供了更加科學(xué)的依據(jù)；基于歷史收集的融合數(shù)據(jù)和異常標(biāo)記作為學(xué)習(xí)數(shù)據(jù)訓(xùn)練預(yù)測模型，先使用部分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)集訓(xùn)練初始預(yù)測模型生成第一預(yù)測模型，在第一預(yù)測模型不符合預(yù)定條件的情況下更新訓(xùn)練數(shù)據(jù)集繼續(xù)訓(xùn)練第一預(yù)測模型，直到訓(xùn)練出的預(yù)測模型符合預(yù)定條件在提高預(yù)測模型的訓(xùn)練效率的同時(shí)保證了預(yù)測模型的預(yù)測準(zhǔn)確度；最后還基于預(yù)測的所述污水成分?jǐn)?shù)據(jù)和異常情況，使用人工智能模型生成對(duì)應(yīng)的應(yīng)對(duì)措施并評(píng)估應(yīng)對(duì)措施的實(shí)施效果，確保水污染管理的有效性和持續(xù)性。