基于大数据AI构建知识图谱的水质诊断方法及存储介质技术

本发明专利技术涉及一种基于大数据AI构建知识图谱的水质诊断方法及存储介质，所述方法包括以下步骤：汇总历史水质资料，从历史水质资料中获取历史水质数据，并进行存储形成知识图谱；对知识图谱中的历史水质数据进行数据编织，通过大数据技术接入数据源对知识图谱进行更新；当水质指标上报时，利用知识图谱通过自动巡检查找水质异常事件。通过大数据和知识图谱技术结合，构建的知识图谱具有自我学习能力，可以全局水质问题。全局水质问题。全局水质问题。

【技术实现步骤摘要】
基于大数据AI构建知识图谱的水质诊断方法及存储介质


[0001]本申请涉及水质分析
，具体涉及一种基于大数据AI构建知识图谱的水质诊断方法及存储介质。

技术介绍

[0002]水在环境作用下所表现出来的综合特征，即水的物理性质和化学成分。自然界中的水，是由各种物质(溶解性和非溶解性物质)所组成的极其复杂的综合体。水中含有的溶解物质，直接影响天然水的许多性质，使水质有优劣之分。
[0003]水中含有的物质种类很多，有溶解于水中的O2、N2、CO2、H2S气体，Cl
‑
、Na+、K+、Ca2+、Mg2+、CO卲、HCO婣和SO厈等离子；有Br、I、F等微量元素；有含量极少的Ra、Rn等放射性元素；还有大部分呈胶体状态的有机物以及悬浮固态颗粒。它们随环境条件的不同，含量也不同。各种水体的水质是不相同的。
[0004]实际上的水质问题，生活和工业排污、气象、农业种植等各种因素相互作用，错综复杂，需要综合各种因素去分析。
[0005]现有的技术方案中，监测设备只能从特定场景去发现问题，如管网排污，农业种植，土地利用情况变化；
[0006]经验模型可以从统计学的方式，发现水质指标和水质异常问题的潜在关系，但是模型需要长期校准和率定才能逐渐准确，同时也存在类似监测设备方案的局限性；
[0007]从水环境水生态水动力的原理出发方案，会碰到观测方式不足，不同研究团队结论有分歧，难以对水质污染做定性定量分析的情况。以降雨为例，降雨会稀释湖区中的污染物，使污染物浓度降低；但降雨也会冲刷上游的地面/空气污染物，通过径流汇入到湖区，使污染物浓度上升。为了能准确判断，必须对雨量、上游污染物浓度、水位流量、蒸发量、风向、周围工厂生活区管网、农业种植情况，做全方面的分析，确定相关联的因素以及能引起质变的阈值。由于从原理分析过于复杂，因此通常要缩小研究范围，从比较确定的范围出发，然后逐步补充扩展。
[0008]因此现有技术方案存在以下缺点：
[0009]1、由于只从特定领域去分析问题，如同盲人摸象，无法从全局进行分析；
[0010]2、水质的治理，会根据各个专题，做专项的方案，然而这些各方案通常由不同的单位建设，形成信息孤岛；
[0011]3、同一水质异常事件，如果多种方案给出不同的结论，决策者需要自行判断哪个结论置信度更高。

技术实现思路

[0012]鉴于上述问题，本申请提供了一种基于大数据AI构建知识图谱的水质诊断方法及存储介质，解决现有水质诊断只能从特定领域去分析问题，如同盲人摸象，无法从全局进行分析的问题。
[0013]为实现上述目的，专利技术人提供了一种基于大数据AI构建知识图谱的水质诊断方法，包括以下步骤：
[0014]汇总历史水质资料，从历史水质资料中获取历史水质数据，并进行存储形成知识图谱；
[0015]对知识图谱中的历史水质数据进行数据编织，通过大数据技术接入数据源对知识图谱进行更新；
[0016]当水质指标上报时，利用知识图谱通过自动巡检查找水质异常事件。
[0017]在一些实施例中，所述步骤“对知识图谱中的历史水质数据进行数据编织”具体包括以下步骤：
[0018]对知识图谱中的历史水质数据进行数据分类，并进行数据关系梳理，梳理出水质数据之间的上下游关系。
[0019]在一些实施例中，所述步骤“通过大数据技术接入数据源对知识图谱进行更新”具体包括以下步骤：
[0020]通过大数据技术接入数据源；
[0021]通过实时流处理技术，对数据源的数据进行梳理后，更新至知识图谱中。
[0022]在一些实施例中，所述步骤“利用知识图谱通过自动巡检查找水质异常事件”具体包括以下步骤：
[0023]利用知识图谱通过自动巡检查找从数据源获取的数据中水质异常数据；
[0024]将查找的水质异常数据发送至工作人员进行确认；
[0025]根据反馈的确认结果判断是否为误报；
[0026]若为误报，则修正自动巡检的阈值；
[0027]若非误报，则判定为水质异常事件。
[0028]在一些实施例中，所述步骤“利用知识图谱通过自动巡检查找水质异常事件”之后还包括以下步骤：
[0029]从知识图谱中查找与该水质异常事件正相关的所有实体；
[0030]通过阈值判断查找的所有实体是否为异常可能原因；
[0031]通过指标特征与历史事件的相似度算法对异常可能原因进行可信度评估；
[0032]列出该水质异常事件的所有异常可能原因及对应的置信度。
[0033]在一些实施例中，还包括以下步骤：
[0034]将根据知识图谱分析得到的水质异常事件的异常可能原因及人工处置后标注的事件原因作为历史经验上传至知识图谱中。
[0035]还提供了另一个技术方案，一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器运行时执行以下步骤：
[0036]汇总历史水质资料，从历史水质资料中获取历史水质数据，并进行存储形成知识图谱；
[0037]对知识图谱中的历史水质数据进行数据编织，通过大数据技术接入数据源对知识图谱进行更新；
[0038]当水质指标上报时，利用知识图谱通过自动巡检查找水质异常事件。
[0039]在一些实施例中，所述步骤“对知识图谱中的历史水质数据进行数据编织”具体包
括以下步骤：
[0040]对知识图谱中的历史水质数据进行数据分类，并进行数据关系梳理，梳理出水质数据之间的上下游关系。
[0041]在一些实施例中，所述步骤“通过大数据技术接入数据源对知识图谱进行更新”具体包括以下步骤：
[0042]通过大数据技术接入数据源；
[0043]通过实时流处理技术，对数据源的数据进行梳理后，更新至知识图谱中。
[0044]在一些实施例中，所述步骤“利用知识图谱通过自动巡检查找水质异常事件”具体还包括以下步骤：
[0045]利用知识图谱通过自动巡检查找从数据源获取的数据中水质异常数据；
[0046]将查找的水质异常数据发送至工作人员进行确认；
[0047]根据反馈的确认结果判断是否为误报；
[0048]若为误报，则修正自动巡检的阈值；
[0049]若非误报，则判定为水质异常事件。
[0050]在一些实施例中，所述步骤“利用知识图谱通过自动巡检查找水质异常事件”之后还包括以下步骤：
[0051]从知识图谱中查找与该水质异常事件正相关的所有实体；
[0052]通过阈值判断查找的所有实体是否为异常可能原因；
[0053]通过指标特征与历史事件的相似度算法对异常可能原因进行可信度评估；
[0054]列出该水质异常事件的所有异常可能原因及对应的置信度。
[0055]在一些实施例中，还包括以下步骤：
[0056]将根据知识图谱分析得到的水质异常事件的异常可能原因及人工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据AI构建知识图谱的水质诊断方法，其特征在于，包括以下步骤：汇总历史水质资料，从历史水质资料中获取历史水质数据，并进行存储形成知识图谱；对知识图谱中的历史水质数据进行数据编织，通过大数据技术接入数据源对知识图谱进行更新；当水质指标上报时，利用知识图谱通过自动巡检查找水质异常事件。2.根据权利要求1所述基于大数据AI构建知识图谱的水质诊断方法，其特征在于，所述步骤“对知识图谱中的历史水质数据进行数据编织，通过大数据技术接入数据源对知识图谱进行更新”具体包括以下步骤：对知识图谱中的历史水质数据进行数据分类，并进行数据关系梳理，梳理出水质数据之间的上下游关系；通过大数据技术接入数据源；通过实时流处理技术，对数据源的数据进行梳理后，更新至知识图谱中。3.根据权利要求1所述基于大数据AI构建知识图谱的水质诊断方法，其特征在于，所述步骤“利用知识图谱通过自动巡检查找水质异常事件”具体包括以下步骤：利用知识图谱通过自动巡检查找从数据源获取的数据中水质异常数据；将查找的水质异常数据发送至工作人员进行确认；根据反馈的确认结果判断是否为误报；若为误报，则修正自动巡检的阈值；若非误报，则判定为水质异常事件。4.根据权利要求1所述基于大数据AI构建知识图谱的水质诊断方法，其特征在于，所述步骤“利用知识图谱通过自动巡检查找水质异常事件”之后还包括以下步骤：从知识图谱中查找与该水质异常事件正相关的所有实体；通过阈值判断查找的所有实体是否为异常可能原因；通过指标特征与历史事件的相似度算法对异常可能原因进行可信度评估；列出该水质异常事件的所有异常可能原因及对应的置信度。5.根据权利要求4所述基于大数据AI构建知识图谱的水质诊断方法，其特征在于，还包括以下步骤：将根据知识图谱分析得到的水质异常事件的异常可能原因及人工处置后标注的事...

【专利技术属性】
技术研发人员：吴弘毅，徐能通，林永清，林灿文，王文山，刘添强，
申请(专利权)人：四创科技有限公司，
类型：发明
国别省市：