CN113791186B - 一种选择水质异常报警监测因子的方法及其*** - Google Patents

Abstract

本申请公开了一种选择水质异常报警监测因子的方法及其***，其中选择水质异常报警监测因子的方法，具体包括以下步骤：获取水质监测因子的历史数据；对水质监测因子的历史数据集合进行预处理；根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；根据水质监测因子间的相关指标确定水质监测因子相关性临界值；根据相关性临界值选择满足条件的水质异常报警因子组合。本申请克服了单因子预警无法在水质超标前提前预警；同时通过选择多个相关程度高的水质监测因子组合，组成多因子水质异常报警因子组，依据报警因子监测数据变化趋势，实现对水质超标前的提前预警，提高水质异常报警的灵敏性。

Description

一种选择水质异常报警监测因子的方法及其***

技术领域

本申请涉及数据处理领域，具体地，涉及一种选择水质异常报警监测因子的方法及其***。

背景技术

水环境质量预警是流域水环境管理实现精细化、科学化的核心。目前的水环境预警技术主要是以水质自动站实时数据监控为基础，基于预警模型对发现的水质异常现象发出预警。水环境预警又分为单因子预警和多因子预警，单因子预警模型是基于单一预警因子，当监测指标数据超出预警阈值时，进行水质报警；而多因子预警是首先选择合适的预警因子组合，然后通过预警模型，对因子组合的实时监测数据关系变化进行分析，判定预警因子组合的数据关系是否异常，并进行水质预警。多因子预警是通过监测多个水质指标组合变化趋势，实现水质超标前的提前预警。现有技术中确定预警因子组合的方式通常是依赖于环境学科知识和经验，辅以相关性分析进行选择，但是该种方式太过依赖历史经验，从而缺乏确定预警因子的准确性。

因此如何通过更加准确的方式获取预警因子，是本领域技术人员急需解决的问题。

发明内容

本申请提供了一种选择水质异常报警监测因子的方法，具体包括以下步骤：获取水质监测因子的历史数据集合；对水质监测因子的历史数据集合进行预处理；根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；根据水质监测因子间的相关指标确定水质监测因子相关性临界值；根据相关性临界值选择满足条件的水质异常报警因子组合。

如上的，其中，其中所有水质监测因子的历史数据集合定义为A＝{A_P1，……A_Pb}，A_Pi(i＝1，2...b)为水质监测因子Pi的历史数据集合。

如上的，其中，对水质监测因子的历史数据集合进行预处理之前，还包括，确定水质监测因子的预处理数据序列。

如上的，其中，预处理过程具体表示为：c＝1,2...m，其中S_pi-c表示该水质监测因子Pi归一化后的值，max(A_Pi)，min(A_Pi)分别为水质监测因子Pi的历史数据的最大、最小值，c为自然数，ai_c∈A_pi，表示水质监测因子Pi的历史数据集合的第c条数据。

如上的，其中，任意两个水质监测因子之间的相关指标包括，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度。

如上的，其中，根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标，包括以下子步骤：计算任意两个水质监测因子之间的相关度；计算任意两个水质监测因子历史数据变化趋势的相似度；根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。

如上的，其中，相关度r_ij具体表示为：

其中，为水质监测因子Pi的预处理数据序列S_pi的均值，/>为水质监测因子Pj的预处理数据序列S_pj的均值，k为自然数，m为每个水质监测因子的数据条数。

如上的，其中，任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度H_ij具体表示为：

H_ij＝H_ji＝max[h(S_pi，S_pj)，h(S_pjS_pi)]，j≠i

其中，a_fi为预处理数据序列S_pi中连续的f个数组成的序列，b_fj为预处理数据序列S_pj中连续的f个数组成的序列，/>其中，a_fi-k表示水质监测因子Pi的历史数据集合，经过预处理后得到的预处理数据序列S_pi中的连续f个数组成的数据序列的第k个值，b_fj-k表示水质监测因子Pj的历史数据集合，经过预处理后得到的S_pj中的连续f个数组成的数据序列的第k个值；同理，/>

如上的，其中，数据综合相关度w_ij表示为：

其中H_ij表示任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度α、β为相关度权重参数，满足α+β＝1，|r_ij|表示任意两个水质监测因子Pi，Pj之间的相关度的绝对值。

一种选择水质异常报警监测因子的***，具体包括：获取单元，预处理单元、计算单元、确定单元以及选择单元；获取单元，用于获取水质监测因子的历史数据集合；预处理单元，用于对水质监测因子的历史数据集合进行预处理；计算单元，用于根据预处理的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；确定单元，用于确定水质监测因子相关性临界值；选择单元，用于根据相关性临界值选择满足条件的水质异常报警因子，组成预警因子组的集合。

本申请具有以下有益效果：

本申请提供的本申请提供的选择水质异常报警监测因子的方法及其***，克服了单因子预警无法在水质超标前提前预警；同时通过选择多个亲密程度高的水质监测因子组合，组成多因子水质异常报警因子组，依据报警因子监测数据变化趋势，实现对水质超标前的提前预警，提高水质异常报警的灵敏性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是根据本申请实施例提供的选择水质异常报警监测因子的方法流程图；

图2是根据本申请实施例提供的选择水质异常报警监测因子的***的内部结构图。

具体实施方式

下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请涉及一种选择水质异常报警因子的方法及其***。根据本申请，能够度量两个水质监测因子历史数据之间的亲密程度，选择亲密程度高的多因子水生态水质监测因子组合作为水质异常报警因子，提高确定水质异常报警因子的准确性。

实施例一

本实施例是基于数据相关性和轨迹相似性算法，辩证分析任意两因子之间的间亲密程度，利用95百分位数算法计算出水质监测因子异常报警因子组合的亲密度临界值，选择两因子间亲密程度大于临界值的水质监测因子作为多因子水质异常报警因子组。

如图1所示，是本申请提供的一种选择水质异常报警因子的方法，具体包括以下步骤：

步骤S110：获取水质监测因子的历史数据集合。

具体地，从外部获取水质监测因子的历史数据，并对其进行整理形成历史数据集合。其中所有水质监测因子的历史数据集合定义为A＝{A_P1，……A_Pb}，其中A_Pi(i＝1，2...b)为水质监测因子Pi的历史数据集合，A_Pi＝[ai₁，ai₂，……ai_m]，ai_m表示水质监测因子Pi的历史数据集合的第m条数据，m为每个水质监测因子的数据条数。

步骤S120：对水质监测因子的历史数据集合进行预处理。

其中进行预处理之前，还包括，确定水质监测因子Pi的预处理数据序列，水质监测因子Pi的预处理数据序列为：S_pi＝[S_pi-1，S_pi-2，……，S_pi-m]。

具体地，对所有水质监测因子的预处理数据序列进行处理，具体进行归一化处理，将水质监测因子预处理数据序列中的数据映射到0-1范围之内。

其中预处理过程具体表示为：

其中S_pi-c表示该水质监测因子Pi归一化后的值，max(A_Pi)，min(A_Pi)分别为水质监测因子Pi的历史数据的最大、最小值，c为自然数,ai_c∈A_pi，表示水质监测因子Pi的历史数据集合的第c条数据。

步骤S130：根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标。

具体地，相关指标具体为，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度。

其中步骤S130具体包括以下子步骤：

步骤S1301：计算任意两个水质监测因子之间的相关度。

计算任意两个水质监测因子Pi，Pj之间的相关度，其中相关度r_ij具体表示为：

其中，为水质监测因子Pi的预处理数据序列S_pi的均值，/>为水质监测因子Pj的预处理数据序列S_pj的均值，k为自然数，m为每个水质监测因子的数据条数。

进一步地，将历史数据集合中任意两个水质监测因子计算得出的所有相关度构成相关度集合R。

步骤S1302：计算任意两个水质监测因子历史数据变化趋势的相似度。

具体地，任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度H_ij具体表示为：

H_ij＝max[h(S_pi,S_pj),h(S_pj,S_pi)],j≠i

其中，a_fi为序列S_pi中连续的f个数组成的序列，b_fj为序列S_pj中连续的f个数组成的序列，/>其中，a_fi-k表示水质监测因子Pi的历史数据集合，经过预处理后得到的S_pi中的连续f个数组成的数据序列的第k个值，b_fj-k表示水质监测因子Pj的历史数据集合，经过预处理后得到的S_pj中的连续f个数组成的数据序列的第k个值。同理，/>

进一步地，将历史数据集合中所有任意两个水质监测因子所计算得出的相似度H构成相似度集合G。

步骤S1303：根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。

具体地，数据综合相关度w_ij表示为：

其中H_ij表示任意两个水质监测因子Pi，Pj之间的相关度历史数据变化趋势的相似度α、β为相关度权重参数，满足α+β＝1，|r_ij|表示任意两个水质监测因子Pi，pj之间的相关度的绝对值。

进一步地，所有数据综合相关度按照从小到大排列构成数据综合相关度集合W。

步骤S140：根据相关指标确定水质监测因子相关性临界值。

具体地，根据数据综合相关度集合W确定水质监测因子相关性临界值。

其中水质监测因子的相关性临界值c具体表示为：

c＝gW[l+2]+(1-g)W[l+1]

e＝(q-1)*0.95

其中，q为集合W中元素个数，l为e的整数部分，g为e的小数部分。W[l]为集合W的第l个数值。

步骤S150：根据相关性临界值选择满足条件的水质异常报警因子组合。

具体地，根据水质监测因子的相关性临界值c和数据综合相关度集合W，选择满足条件的水质异常报警因子作为水质异常报警监测因子，具体根据以下条件进行水质异常报警监测因子的选择，进一步确定水质报警监测因子集合L。

L＝{(Pi，Pj)|w_ij＞＝c}

其中，w_ij表示数据综合相关度，若任意两个水质监测因子Pi，Pj之间的数据综合相关度大于相关性临界值，则该任意两个水质监测因子作为水质异常报警监测因子，反之则不能作为水质异常报警监测因子。多个符合条件的水质异常报警监测因子组成水质报警监测因子集合L。

实施例二

如图2所示，本申请提供一种选择水质异常报警水质监测因子***，具体包括：获取单元210、预处理单元220、计算单元230、确定单元240以及选择单元250。

获取单元210用于获取水质监测因子的历史数据。

预处理单元220与获取单元210连接，用于对水质监测因子的历史数据集合进行预处理。

计算单元230与预处理单元220连接，用于根据预处理的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标。

其中计算单元230具体包括以下子模块：相关度计算模块、相似度计算模块、数据综合相关度计算模块。

其中，相关度计算模块用于计算任意两个水质监测因子之间的相关度。

相似度计算模块用于计算任意两个水质监测因子历史数据变化趋势的相似度。

数据综合相关度计算模块与相似度计算模块和相关度计算模块连接，用于根据任意两个水质监测因子的相关度和相似度确定数据综合相关度。

确定单元240与计算单元230连接，用于确定水质监测因子相关性临界值。

选择单元250与确定单元240连接，用于根据相关性临界值选择满足条件的水质异常报警因子，组成预警因子组的集合。

本申请具有以下有益效果：

本申请提供的选择水质异常报警监测因子的方法及其***，克服了单因子预警无法在水质超标前提前预警；同时通过选择多个亲密程度高的水质监测因子组合，组成多因子水质异常报警因子组，依据报警因子监测数据变化趋势，实现对水质超标前的提前预警，提高水质异常报警的灵敏性。

虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种选择水质异常报警监测因子的方法，其特征在于，具体包括以下步骤：

获取水质监测因子的历史数据集合；

对水质监测因子的历史数据集合进行预处理；预处理包括，对所有水质监测因子的预处理数据序列进行归一化处理，将水质监测因子预处理数据序列中的数据映射到0-1范围之内；

根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；

根据水质监测因子间的相关指标确定水质监测因子相关性临界值；

根据相关性临界值选择满足条件的水质异常报警监测因子组合；

任意两个水质监测因子之间的相关指标包括，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度；

根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标包括以下子步骤：

计算任意两个水质监测因子之间的相关度；

计算任意两个水质监测因子历史数据变化趋势的相似度；

根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度；

所有数据综合相关度按照从小到大排列构成数据综合相关度集合W；

其中根据水质监测因子间的相关指标确定水质监测因子相关性临界值具体表示为：

c＝gW[l+2]+(1-g)W[l+1]

e＝(q-1)*0.95

q为集合W中元素个数，l为e的整数部分，g为e的小数部分，W[l]为集合W的第l个数值；

根据相关性临界值选择满足条件的水质异常报警监测因子组合包括：根据水质监测因子的相关性临界值c和数据综合相关度集合W，选择满足条件的水质异常报警因子作为水质异常报警监测因子。

2.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，其中所有水质监测因子的历史数据集合定义为A＝{A_P1,……A_Pb}，A_Pi(i＝1,2...b)为水质监测因子Pi的历史数据集合。

3.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，对水质监测因子的历史数据集合进行预处理之前，还包括，确定水质监测因子的预处理数据序列。

4.如权利要求3所述的选择水质异常报警监测因子的方法，其特征在于，预处理过程具体表示为：

其中S_pi-c表示该水质监测因子Pi归一化后的值，max(A_Pi),min(A_Pi)分别为水质监测因子Pi的历史数据的最大、最小值，c为自然数，ai_c∈A_pi，表示水质监测因子Pi的历史数据集合的第c条数据。

5.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，相关度r_ij具体表示为：

其中，为水质监测因子Pi的预处理数据序列S_pi的均值，/>为水质监测因子Pj的预处理数据序列S_pj的均值，k为自然数，m为每个水质监测因子的数据条数。

6.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，任意两个水质监测因子Pi,Pj之间的历史数据变化趋势的相似度H_ij具体表示为：

H_ij＝H_ji＝max[h(S_pi,S_pj),h(S_pj,S_pi)],j≠i

其中，a_fi为预处理数据序列S_pi中连续的f个数组成的序列，b_fj为预处理数据序列S_pj中连续的f个数组成的序列，/>其中，a_fi-k表示水质监测因子Pi的历史数据集合，经过预处理后得到的预处理数据序列S_pi中的连续f个数组成的数据序列的第k个值，b_fj-k表示水质监测因子Pj的历史数据集合，经过预处理后得到的S_pj中的连续f个数组成的数据序列的第k个值；同理，/>

7.如权利要求1所述的选择水质异常报警监测因子的方法，其特征在于，数据综合相关度w_ij表示为：

其中H_ij表示任意两个水质监测因子Pi,Pj之间的历史数据变化趋势的相似度，α、β为相关度权重参数，满足α+β＝1，|r_ij|表示任意两个水质监测因子Pi,Pj之间的相关度的绝对值。

8.一种选择水质异常报警监测因子的***，其特征在于，具体包括：获取单元，预处理单元、计算单元、确定单元以及选择单元；

获取单元，用于获取水质监测因子的历史数据集合；

预处理单元，用于对水质监测因子的历史数据集合进行预处理；预处理包括，对所有水质监测因子的预处理数据序列进行归一化处理，将水质监测因子预处理数据序列中的数据映射到0-1范围之内；

计算单元，用于根据预处理的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标；

确定单元，用于确定水质监测因子相关性临界值；

选择单元，用于根据相关性临界值选择满足条件的水质异常报警因子，组成预警因子组的集合；

任意两个水质监测因子之间的相关指标包括，任意两个水质监测因子的相关度，任意两个水质监测因子历史数据变化趋势的相似度，任意两个水质监测因子之间的数据综合相关度；

根据预处理后的历史数据集合，计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标包括以下子步骤：

计算任意两个水质监测因子之间的相关度；

计算任意两个水质监测因子历史数据变化趋势的相似度；

根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度；

所有数据综合相关度按照从小到大排列构成数据综合相关度集合W；

其中根据水质监测因子间的相关指标确定水质监测因子相关性临界值具体表示为：

c＝gW[l+2]+(1-g)W[l+1]

e＝(q-1)*0.95

q为集合W中元素个数，l为e的整数部分，g为e的小数部分，W[l]为集合W的第l个数值；

根据相关性临界值选择满足条件的水质异常报警监测因子组合包括：根据水质监测因子的相关性临界值c和数据综合相关度集合W，选择满足条件的水质异常报警因子作为水质异常报警监测因子。