一种基于知识图谱的水位趋势分析方法技术

本发明专利技术公开了一种基于知识图谱的水位趋势分析方法，使用神经网络方法建立上游水位雨量数据与下游水位数据的知识图谱关系，通过在系统中输入和输出长序列的数据，获取系统内部运行机制，利用系统模拟、数理统计、数学模型、系统工程理论、智能技术和随机理论方法对水位趋势进行预测。本发明专利技术的实质性效果是：通过更加合理的设置传感器位置使得使用的传感器更少而且获取的数据更加全面，通过对大量的实时降雨量、实时水位数据的清洗，获取更为有效的模型输入数据，使用神经网络方法建立上游水位雨量数据与下游水位数据的知识图谱关系，在系统中输入和输出长序列的数据，获取系统内部运行机制，使得对支流密布的干流下游水位数据的预测更加准确。

A water level trend analysis method based on Knowledge Map

The invention discloses a water level trend analysis method based on knowledge atlas, which establishes the knowledge atlas relationship between upstream water level and rainfall data and downstream water level data by using neural network method, obtains the internal operation mechanism of the system by inputting and outputting long series of data in the system, and utilizes system simulation, mathematical statistics and mathematics. Scientific model, system engineering theory, intelligent technology and stochastic theory method are used to predict the trend of water level. The substantive effect of the invention is that less sensors are used and more comprehensive data are obtained by setting the sensor position more reasonably, more effective model input data are obtained by cleaning a large number of real-time rainfall and real-time water level data, and the upstream water level rainfall is established by using neural network method. The relationship between the data and the knowledge map of the downstream water level data, input and output long series of data in the system, and obtain the internal operation mechanism of the system, make the prediction of the downstream water level data of the main stream with dense branches more accurate.

【技术实现步骤摘要】
一种基于知识图谱的水位趋势分析方法
本专利技术涉及河流水位勘测领域，尤其涉及一种基于知识图谱的水位趋势分析方法。
技术介绍
水趋势分析是防汛、抗旱和水资源利用等重大决策的重要依据，历年来受到各级水行政管理部门的关注。现在各种水位预报模型，物理的或者是统计的，不下数十种甚至更多，水行政管理部门一般都把它们输出的预测值做为以确定的形式使用。然而，众所周知，预测模型是不确定的，它们只是客观过程的仿真，因此模型输出的预报值也是不精确的。知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。神经网络是以特有的拓扑结构和处理信息的方法，解决一些传统方法难以解决的问题，它最明显的优点是具有较好的自适应学习能力和非线性映射能力，比较适合处理那些物理机制复杂、因果关系和推理规则难以确定的非线性问题，它的这些特点为其运用到水位趋势分析中提供了坚实的基础。中国专利申请公布号CN103175513A，申请公布日2013年06月26日，提供了一种基于物联网技术的适用于水利工程影响下的流域水文水质监控方法，通过加装固定的与流动的各类传感器获取重点水域水文及水质实时数据，并配合以视频技术实现对现场环境的监控，利用物联网实现监测信息的传输，通过神经网络开展流域水文水质的智能化预测，最后通过专家系统实现现状评估、趋势评估、实施效果评估、极端事件处理等关键应用。本专利技术可为水利工程影响下的流域提供实时、可靠、完整的水文水质信息，实现流域跨区域、多机型的一体化远程保护。但是，上述专利中提及的水位趋势分析方法在预测河网密布的河流水位趋势，需要设计一种精确预测水位趋势的分析方法。
技术实现思路
本专利技术要解决的技术问题是如何在汽车拖拽加油管时实现加油枪和加油管的分离并实现自动断油。本专利技术为解决上述问题所采用的技术方案是：一种基于知识图谱的水位趋势分析方法，使用神经网络方法建立上游水位雨量数据与下游水位数据的知识图谱关系，通过在系统中输入和输出长序列的数据，获取系统内部运行机制，利用系统模拟、数理统计、数学模型、系统工程理论、智能技术和随机理论方法对水位趋势进行预测，包括以下步骤：S1：采集支流和干流的水位数据和雨量数据，并对上述数据进行清洗；S2：建立上游水位、上游雨量以及下游水位三个样本空间，三个样本空间分别为实体a、实体b和实体c；S3：通过关系路径的传递，获得知识图谱中实体a和实体b与实体c间的关系路径，从源节点(实体a和实体b)开始，输入长序列时间的数据流，在模型中执行游走，通过数据间的关系找到目标节点(实体c)，找出源节点和目标节点存在的关系P；S4：将关系P所产生的全部可能性事件进行统计建库，通过权值w计算全部可能性事件发生的概率，进而建立概率事件库；S5：当源节点(实体a和实体b)产生了相应的数据后，通过关系P获取目标节点(实体c)，并通过权值w实时的匹配，输出目标节点(实体c)实际出现的概率值。作为优选，所述水位数据和雨量数据均通过传感器采集并通过下位机传输至终端发送，最后由上位机平台接收并存储。作为优选，所述水位数据为自由水面相对于某一基面的高度值，当前水位值at2，采集时间t，上升还是下降表示为S(1为上升，0为下降)，计算公式为：at2-at1＞0，St2＝1；at2-at1≤0，St2＝0；所述雨量数据为传感器所在区域在某段时间内的降雨量数据，传感器采集频率为5分钟，当前5分钟雨量累计值为bt，采集时间t，有没有下雨表示为L(1为下雨，0为没下雨)，1小时雨量为B1t，3小时雨量为B3t，6小时雨量为B6t，12小时雨量为B12t，24小时雨量为B24t，计算公式为：作为优选，S1中对所采集的数据进行清理的方法包括删除重复信息、纠正错误方法和去除空数据，(1)删除重复信息，通过采集时间进行匹配，数据库中采集时间相同的同类型数据被认为是重复记录，通过判断采集时间是否相等来检测记录是否相等，相等的记录合并为一条记录；(2)纠正存在的错误，在接收输入后进行判断后写入后台数据库，错误判断类型包括数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确和日期越界；(3)去除空数据，在大量的实体数据当中会存在一些由于传感器失效、实体感知为空等情况，在没下雨的情况下实体值是为空的，需要通过系统方法进行去除空数据。作为优选，所述采集数据的传感器设置的方法为：S1：将全部支流按照长度进行分类，设干流长度为Q，支流长度在0～Q/3时划为三类支流，支流长度在Q/3～Q/2时划为二类支流，支流长度在大于Q/2时划为一类支流；S2：三类支流的传感器设置在支流起点和支流干流交汇点处，二类支流传感器设置在支流起点、支流中点和支流干流交汇点处，一类支流传感器设置在支流起点、三等分点和支流干流交汇点处；S3：在支流弯折度超过30°处的地方设置传感器。作为优选，获得知识图谱中实体a和实体b与体c之间存在的关系P＝(r1r2r3...rn)，r为各种关系，即aibir1cjai+1bi+1r2cj+1...ai+n-1bi+n-1rncj+n-1，在含有n个实体和m个关系的知识图谱中，对于给定的三元组(aibi，rn，cj)，其中向量和分别表示实体aibi和cj，而关系矩阵Rk表示关系rk，即R表示将实体和关系嵌入到低维向量空间，d表示向量的空间维数，计算分解函数为：修正优化算法为：作为优选，在找到“上游的水位a雨量b-关系P-下游的水位c”的关系后建立概率事件库，将这些关系产生的事件进行统计建库，A代表实际产生的事件，Ai表示一次事件，i＝1，2，...，n；T代表事件产生的周期，预设值为5min；L代表实体属性类型，L1为水位，L2为雨量；S代表每个源节点和目标节点的实际空间距离，Si表示一组距离，i＝1，2，...，n；x代表源节点，xi表示一个源节点，i＝1，2，...，n；y代表目标节点，yi表示一个目标节点，i＝1，2，...，n；w代表权值，wi为事件Ai的权值，wi是一个区间，在这个区间能才是有效事件，找到一次有效事件，系统自动计数加1，Ai＝f(L1xi，L2xi，L1yi，L2yi，Si，wi)，最终获取的一系列事件的集合为D＝{dj}，j＝1，...，j，通过这些数据，采取一系列的行动ak，并构成集合G＝{ak(D′)}，k＝1，...，k，D′∈D表示数据集D的一个子集，最大化长期回报为：最小化长期回报为：状态转移函数：本专利技术的实质性效果是：通过更加合理的设置传感器位置使得使用的传感器更少而且获取的数据更加全面，通过对大量的实时降雨量、实时水位数据的清洗，获取更为有效的模型输入数据，使用神经网络方法建立上游水位雨量数据与下游水位数据的知识图谱关系，在系统中输入和输出长序列的数据，获取系统内部运行机制，使得对支流密布的干流下游水位数据的预测更加准本文档来自技高网...

【技术保护点】
1.一种基于知识图谱的水位趋势分析方法，其特征在于，使用神经网络方法建立上游水位雨量数据与下游水位数据的知识图谱关系，通过在系统中输入和输出长序列的数据，获取系统内部运行机制，利用系统模拟、数理统计、数学模型、系统工程理论、智能技术和随机理论方法对水位趋势进行预测，包括以下步骤：S1：采集支流和干流的水位数据和雨量数据，并对上述数据进行清洗；S2：建立上游水位、上游雨量以及下游水位三个样本空间，三个样本空间分别为实体a、实体b和实体c；S3：通过关系路径的传递，获得知识图谱中实体a和实体b与实体c间的关系路径，从源节点(实体a和实体b)开始，输入长序列时间的数据流，在模型中执行游走，通过数据间的关系找到目标节点(实体c)，找出源节点和目标节点存在的关系P；S4：将关系P所产生的全部可能性事件进行统计建库，通过权值w计算全部可能性事件发生的概率，进而建立概率事件库；S5：当源节点(实体a和实体b)产生了相应的数据后，通过关系P获取目标节点(实体c)，并通过权值w实时的匹配，输出目标节点(实体c)实际出现的概率值。

【技术特征摘要】
1.一种基于知识图谱的水位趋势分析方法，其特征在于，使用神经网络方法建立上游水位雨量数据与下游水位数据的知识图谱关系，通过在系统中输入和输出长序列的数据，获取系统内部运行机制，利用系统模拟、数理统计、数学模型、系统工程理论、智能技术和随机理论方法对水位趋势进行预测，包括以下步骤：S1：采集支流和干流的水位数据和雨量数据，并对上述数据进行清洗；S2：建立上游水位、上游雨量以及下游水位三个样本空间，三个样本空间分别为实体a、实体b和实体c；S3：通过关系路径的传递，获得知识图谱中实体a和实体b与实体c间的关系路径，从源节点(实体a和实体b)开始，输入长序列时间的数据流，在模型中执行游走，通过数据间的关系找到目标节点(实体c)，找出源节点和目标节点存在的关系P；S4：将关系P所产生的全部可能性事件进行统计建库，通过权值w计算全部可能性事件发生的概率，进而建立概率事件库；S5：当源节点(实体a和实体b)产生了相应的数据后，通过关系P获取目标节点(实体c)，并通过权值w实时的匹配，输出目标节点(实体c)实际出现的概率值。2.根据权利要求1所述的一种基于知识图谱的水位趋势分析方法，其特征在于，所述水位数据和雨量数据均通过传感器采集并通过下位机传输至终端发送，最后由上位机平台接收并存储。3.根据权利要求2所述的一种基于知识图谱的水位趋势分析方法，其特征在于，所述水位数据为自由水面相对于某一基面的高度值，当前水位值at2，采集时间t，上升还是下降表示为S(1为上升，0为下降)，计算公式为：at2-at1＞0，St2＝1at2-at1≤0，St2＝0；所述雨量数据为传感器所在区域在某段时间内的降雨量数据，传感器采集频率为5分钟，当前5分钟雨量累计值为bt，采集时间t，有没有下雨表示为L(1为下雨，0为没下雨)，1小时雨量为B1t，3小时雨量为B3t，6小时雨量为B6t，12小时雨量为B12t，24小时雨量为B24t，计算公式为：4.根据权利要求1所述的一种基于知识图谱的水位趋势分析方法，其特征在于，S1中对所采集的数据进行清理的方法包括删除重复信息、纠正错误方法和去除空数据，(1)删除重复信息，通过采集时间进行匹配，数据库中采集时间相同的同类型数据被认为是重复记录，通过判断采集时间是否相等来检测记录是否相等，相等的记录合并为一条记录；(2)纠正存在的错误，在接收输入后进行判断后写入后台数据库，错误判断类型包括数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正...

【专利技术属性】
技术研发人员：徐国平，朱振华，邵伟华，舒何渊，濮东杰，
申请(专利权)人：浙江禹控科技有限公司，
类型：发明
国别省市：浙江,33