System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电数字数据处理领域,具体涉及基于人工智能的地下水水位动态监测方法。
技术介绍
1、对于地下水水位的监测有助于了解地下水与地表水之间的相互关系,预防地下水过度提取对河流、湖泊等地表水体的影响。而降雨以及人工抽取等会引起地下水水位短期内波动异常,而对这种异常波动情况的监测,可以评估地下水资源的可持续性,建立早期预警系统,通过监测异常波动及时识别潜在的问题,有助于采取紧急措施以减轻可能的影响;
2、目前基于历史水位数据通过变形位置分析实时水位的异常波动情况时,由于只对比了当前某时刻水位数据与历史数据的波动相似性,而没有考虑到整体数据的波动情况对实时水位数据的影响,会导致当前时刻的水位波动异常分析结果不够准确。
技术实现思路
1、本专利技术提供基于人工智能的地下水水位动态监测方法,以解决现有的问题。
2、本专利技术的基于人工智能的地下水水位动态监测方法采用如下技术方案:
3、本专利技术一个实施例提供了基于人工智能的地下水水位动态监测方法,该方法包括以下步骤:
4、获取地下水水位实时数据曲线;其中地下水水位实时数据曲线的横轴为时间,纵轴为水位数据;
5、将地下水水位实时数据曲线等分为若干个曲线段,从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线;
6、根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价;
7、根据当前采样周期
8、将当前采样周期实时数据曲线中的最后一个时刻,记为目标时刻;
9、根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价;
10、根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度;
11、根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测。
12、进一步地,所述将地下水水位实时数据曲线等分为若干个曲线段,包括的具体步骤如下:
13、将地下水水位实时数据曲线等分为时间范围大小为n的曲线段,所述n为预设的周期大小。
14、进一步地,所述从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线,包括的具体步骤如下:
15、在地下水水位实时数据曲线中,将最后一个曲线段,记为当前采样周期实时数据曲线,将不是最后一个的其它曲线段,记为历史采样周期实时数据曲线。
16、进一步地,所述根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
17、将当前采样周期实时数据曲线中水位数据的最大值与最小值的差值,记为第一差异;根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价。
18、进一步地,所述根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
19、
20、其中,为当前采样周期实时数据曲线的波动评价,为当前采样周期实时数据曲线中第个水位数据,为当前采样周期实时数据曲线中水位数据的数量,为当前采样周期实时数据曲线中所有水位数据的均值,为当前采样周期实时数据曲线中所有水位数据的标准差,与分别为当前采样周期实时数据曲线中水位数据的最大值和最小值,为绝对值函数,表示线性归一化函数,为第一差异。
21、进一步地,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
22、对当前采样周期实时数据曲线与第个历史采样周期实时数据曲线进行算法的匹配,得到若干个匹配对;
23、对于任意一个匹配对,若匹配对中的数据点数量等于2,则匹配对中数据点为正常点,若匹配对中的数据点数量大于2,则匹配对中的数据点为变形点;
24、使用算法分别分解出当前采样周期实时数据曲线和所有历史采样周期实时数据曲线的趋势项;
25、若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价;
26、若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价。
27、进一步地,所述若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
28、
29、其中,为当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,为和的最小夹角的余弦值,为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,为第个历史采样周期实时数据曲线中的最后一时刻的数据点到倒数第二时刻的数据点的方向,为当前采样周期实时数据曲线中的目标时刻数据对应在其趋势项中的数据值,为第个历史采样周期实时数据曲线中的最后一时刻数据对应在其趋势项中的数据值,为当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻,为目标时刻。
30、进一步地,所述若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
31、
32、其中,为当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,为和的最小夹角的余弦值,为当前采样周期实时数据曲线中的目标时刻的数据点到倒数第二时刻的数据点的方向,为第个历史本文档来自技高网...
【技术保护点】
1.基于人工智能的地下水水位动态监测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述将地下水水位实时数据曲线等分为若干个曲线段,包括的具体步骤如下:
3.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线,包括的具体步骤如下:
4.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
5.根据权利要求4所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
6.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异
7.根据权利要求6所述基于人工智能的地下水水位动态监测方法,其特征在于,所述若当前采样周期实时数据曲线中的目标时刻的数据点为正常点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点的最近的变形点对应的时刻和目标时刻,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
8.根据权利要求6所述基于人工智能的地下水水位动态监测方法,其特征在于,所述若当前采样周期实时数据曲线中的目标时刻的数据点为变形点,根据当前采样周期实时数据曲线和历史采样周期实时数据曲线的趋势项以及当前采样周期实时数据曲线中的最后一个时刻的数据点对应的匹配对中的数据点数量,获得当前采样周期实时数据曲线与第个历史的采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
9.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价以及历史采样周期实时数据曲线和当前采样周期实时数据曲线的波动评价,获得目标时刻水位数据调整后的异常程度,包括的具体步骤如下:
10.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据目标时刻水位数据调整后的异常程度,完成地下水水位动态监测,包括的具体步骤如下:
...【技术特征摘要】
1.基于人工智能的地下水水位动态监测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述将地下水水位实时数据曲线等分为若干个曲线段,包括的具体步骤如下:
3.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述从所有曲线段中筛选出一个当前采样周期实时数据曲线和若干个历史采样周期实时数据曲线,包括的具体步骤如下:
4.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线上的水位数据之间的差异,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
5.根据权利要求4所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据第一差异的归一化值以及当前采集周期实时数据曲线上的水位数据,获得当前采样周期实时数据曲线的波动评价,包括的具体公式如下:
6.根据权利要求1所述基于人工智能的地下水水位动态监测方法,其特征在于,所述根据当前采样周期实时数据曲线和每个历史采样周期实时数据曲线之间的差异,得到当前采样周期实时数据曲线和每个历史采样周期实时数据曲线中目标时刻的局部异常评价,包括的具体步骤如下:
7.根据权利要求6所述基于人工智能的地下水水位动态监测方法,其特征在于...
【专利技术属性】
技术研发人员:吴光伟,董玉龙,顾莎,毕雯雯,崔亮亮,
申请(专利权)人:山东省国土空间生态修复中心山东省地质灾害防治技术指导中心,山东省土地储备中心,
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。