【技术实现步骤摘要】
本专利技术涉及水务数据储存管理领域，涉及到一种基于人工智能的公共数据储存管理系统。
技术介绍
1、水务数据的储存管理对于可持续水资源管理、应急响应和灾害管理、水质监测和净化、水供应和分配以及决策支持和效能提升等方面具有重要性和意义。通过有效的数据管理，可以更好地管理和保护水资源，维护生态平衡，提升居民的生活质量。
2、其中水资源数据的储存管理，如水源地水量的预测分析是水务数据储存管理的一个重要方面，通过对水源地水量的预测，可以进行水资源的风险评估，如洪涝和干旱等，进而有助于制定相应的应对措施，减轻水资源管理中的风险和不确定性。
3、现有的水源地水量的预测分析方法虽然考虑到了降雨和蒸发因素对水源地水量的影响，但分析不够深入，现有方法结合降雨和蒸发因素估算水源地水量时，通过一段时间的降雨数据和蒸发数据，建立降雨模型和蒸发模型，预测水源地的降雨量和蒸发量，进而估算水源地水量，但是没有对建立的降雨模型和蒸发模型进行校验，根据短期监测的数据初步建立的降雨模型和蒸发模型可能精度不足或者存在失真，进而影响降雨量和蒸发量预测的精度，从而降低水源地水量估算的准确性，无法有效防范水源地洪涝和干旱等灾害风险。
技术实现思路
1、针对上述问题，本专利技术提出了一种基于人工智能的公共数据储存管理系统，实现对水务数据储存管理的功能。
2、本专利技术解决其技术问题采用的技术方案是：本专利技术提供一种基于人工智能的公共数据储存管理系统，包括：水源地水量信息监测分析模块：用于获取
3、水源地降雨特征模型建立模块：用于获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，分析监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
4、水源地降雨特征模型修正模块：用于获取历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，分析目标水源地的降雨特征模型的精度，并对目标水源地的降雨特征模型进行修正。
5、水源地蒸发特征模型建立模块：用于获取监测周期内各干燥期的日照总时长、平均日照温度和目标水源地的水量减少量，分析监测周期内日照时长、日照温度和目标水源地水量减少量之间的关系函数，构建目标水源地的蒸发特征模型。
6、水源地蒸发特征模型修正模块：用于获取历史周期各历史年份中各干燥期的日照时长、日照温度和目标水源地的水量减少量，分析目标水源地的蒸发特征模型的精度，并对目标水源地的蒸发特征模型进行修正。
7、水源地灾害风险评估模块：用于根据当前时间段目标水源地的初步预测水量和修正后的目标水源地的降雨特征模型和蒸发特征模型，结合当前时间段的预测气象信息，分析当前时间段目标水源地的预测水量，判断目标水源地是否存在灾害风险，并进行预警。
8、数据库：用于存储历史周期各历史年份的气象信息和目标水源地水量信息。
9、在上述实施例的基础上，所述水源地水量信息监测分析模块的具体分析过程包括：设定监测周期的起始时间，将监测周期的起始时间与当前时间之间的时间间隔记为监测周期，按照预设的等时长原则对监测周期进行划分，得到监测周期的各时间段。
10、获取监测周期内各时间段目标水源地的近似水量。
11、在上述实施例的基础上，所述水源地水量信息监测分析模块的具体分析过程还包括：以监测周期内各时间段为自变量、以目标水源地的近似水量为因变量建立坐标系，根据监测周期内各时间段目标水源地的近似水量，在坐标系中标出对应的数据点，利用数学模型的建立方法绘制监测周期内目标水源地的水量趋势曲线，根据监测周期内目标水源地的水量趋势曲线，获取监测周期内目标水源地水量趋势曲线中当前时间段对应的目标水源地水量，将其记为当前时间段目标水源地的初步预测水量。
12、在上述实施例的基础上，所述水源地降雨特征模型建立模块的具体分析过程为：获取监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量。
13、根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，获取监测周期内降雨量与目标水源地水量增加量之间的关系函数，构建目标水源地的降雨特征模型。
14、在上述实施例的基础上，所述水源地降雨特征模型修正模块的具体分析过程包括：设定历史周期的时长，提取数据库中存储的历史周期各历史年份的气象信息和目标水源地水量信息，得到历史周期各历史年份中各次降雨的降雨量和降雨后目标水源地的水量增加量，将其分别记为和，表示历史周期第个历史年份的编号，，表示历史年份中第次降雨的编号，，进一步构建历史周期各历史年份中各次降雨对应的表征坐标点，将其记为。
15、将历史周期各历史年份中各次降雨对应的表征坐标点进行汇总，得到目标水源地的降雨特征模型的数据集，并进行划分，得到目标水源地的降雨特征模型的测试集和优化集。
16、在上述实施例的基础上，所述水源地降雨特征模型修正模块的具体分析过程还包括：将目标水源地的降雨特征模型的测试集中各表征坐标点的横坐标代入目标水源地的降雨特征模型，得到目标水源地的降雨特征模型测试集中各表征坐标点横坐标对应的纵坐标，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标，将目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标进行比较，得到目标水源地的降雨特征模型测试集中各表征坐标点的预估纵坐标与其表征坐标点的纵坐标之间差值的绝对值，将其记为目标水源地的降雨特征模型测试集中各表征坐标点的预测值偏差，并表示为，表示目标水源地的降雨特征模型测试集中第个表征坐标点的编号，。
17、通过分析公式到目标水源地的降雨特征模型的精度，其中表示预设的目标水源地的降雨特征模型的精度的修正因子，表示自然常数，表示目标水源地的降雨特征模型测试集中表征坐标点的数量，表示预设的目标水源地的降雨特征模型测试集中表征坐标点的预测值偏差的阈值。
18、在上述实施例的基础上，所述水源地降雨特征模型修正模块的具体分析过程还包括：将目标水源地的降雨特征模型的精度与预设的降雨特征模型的精度阈值进行比较，若目标水源地的降雨特征模型的精度小于预设的降雨特征模型的精度阈值，则目标水源地的降雨特征模型需要修正。
19、根据监测周期内各次降雨的降雨量和降雨后目标水源地的水量增加量，得到监测周期内各次降雨对应的表征坐标点，构建目标水源地的降雨特征模型的原始数据集。
20、将目标水源地的降雨特征模型的优化集与原始数据集进行整合，得到目标水源地的降雨特征模型的训练集，根据目标水源地的降雨特征模型训练集中各表征坐标点，获取目标水源地降雨特征模型训练集对应的降雨量与目标水源地水量增加量之间的关系函数，得到修正后的目标水源地的降雨特征模型。
21、在上述实施例的基础上，所述水源地蒸发特征模型建立模块的具体分析过程为：获取监测本文档来自技高网...
【技术保护点】
1.一种基于人工智能的公共数据储存管理系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地水量信息监测分析模块的具体分析过程包括：
3.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地水量信息监测分析模块的具体分析过程还包括：
4.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型建立模块的具体分析过程为：
5.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程包括：
6.根据权利要求5所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程还包括：
7.根据权利要求6所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程还包括：
8.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于
9.根据权利要求7所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地蒸发特征模型修正模块的具体分析过程为：
10.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地灾害风险评估模块的具体分析过程为：
...【技术特征摘要】
1.一种基于人工智能的公共数据储存管理系统，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地水量信息监测分析模块的具体分析过程包括：
3.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地水量信息监测分析模块的具体分析过程还包括：
4.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型建立模块的具体分析过程为：
5.根据权利要求1所述的一种基于人工智能的公共数据储存管理系统，其特征在于：所述水源地降雨特征模型修正模块的具体分析过程包括：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：李甲萌，李欢，王谭，宋君业，李方纲，许士新，
申请(专利权)人：水发科技信息山东有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。