一种基于统计数据的污水量预测方法及系统与流程

1.本发明涉及污水量预测技术领域，尤其是涉及一种基于统计数据的污水量预测方法及系统。


背景技术：

2.随着我国人口的不断增长、社会经济和城市化水平的不断提高，城市污水排放量逐年增加，因此污水处理需求也随之增加。污水处理厂是处理污水的最终单元，在污水厂的设计中，污水量的预测是首要和重要工作。污水量的预测应该符合当地实际发展情况，而不合理的预测结果将直接影响到污水设施的效能和污水收集处理的效果。
3.目前，常用的污水量预测方法包括指标分析法和数学模型法。指标分析法通常是将人口和用地作为基础的指标，依据规划，得到规划人口数和规划用地类型，再将人口和用地类型与相应的用水定额和计算系数相乘，得到污水量。然而指标分析法的缺点在于：
①
规划人口常常不等于实际人口，而用地规划不等于实际开发利用程度，因此会导致污水量的预测与实际情况存在偏差；
②
用水定额通常是一个取值范围，不同的取值会导致结果差别较大。数学模型法包括回归分析法、时间序列法(系统动力学模型、arma模型、灰色预测模型)和神经网络法等。时间序列法和神经网络法基于历史数据进行分析，对数据的需求较高。回归分析法的关键在于选取自变量，为计算污水量常用多元回归法，但可能存在解释性较差，预测偏差大的问题。另外，行政区划和排水分区通常不一致，但污水量预测往往基于行政区划的相关数据，这样会造成污水量预测的偏差。因此，针对污水量的预测方法仍有待突破。


技术实现要素：

4.本发明的目的在于提供一种基于统计数据的污水量预测方法及系统，以解决现有技术中存在的污水预测方法预测偏差大的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
5.为实现上述目的，本发明提供了以下技术方案：
6.本发明提供的一种基于统计数据的污水量预测方法，包括：
7.采集预测区域的特征数据；所述特征数据包括预测区域的空间属性数据和统计数据；
8.对所获取的统计数据进行时间分组和对每组统计数据进行分层处理，并构建不同时间分组中相邻层之间的最优拟合路径；
9.基于最优拟合路径预测行政区划内的污水量；并基于行政区划和统计数据的变化，对行政区划内的污水量预测结果进行动态更新；
10.基于所获取的预测区域的空间属性数据对行政区划的预测污水量进行空间分配，以获得所述预测区域内的污水量。
11.根据一种优选实施方式，所述空间属性数据包括行政区划数据、排水分区数据和
用地类型数据；
12.所述统计数据包括按照可收集到的最小行政单元进行收集的某段时间内的人口数据、经济产值数据、供水量数据、污水量数据和污水处理率数据。
13.根据一种优选实施方式，所述人口数据包括常住人口和分年龄人口数；所述经济产值数据包括生产总值、第一产生产值、第二产业产值和第三产业产值；所述供水量包括总售水量、生产用水量和生活用水量；所述污水量包括生活污水量和工业污水量。
14.根据一种优选实施方式，所述对所采集的统计数据进行时间分组和对每组统计数据进行分层处理，并构建不同时间分组中相邻层之间的最优拟合路径，包括：
15.按照近五年、近十年、近二十年和近三十年对统计数据进行时间分组；
16.按照初始层、中间层和终点层对每组统计数据进行分层处理；其中，所述起始层为人口和经济产值层，中间层为供水量层，终点层为污水量层；
17.构建初始层与中间层之间及中间层与终点层之间的最优拟合路径。
18.根据一种优选实施方式，所述构建初始层与中间层之间及中间层与终点层之间的最优拟合路径，包括：
19.将上一层的统计数据进行任意组合，组成若干个子集合；
20.将每个子集合均与下一层的每个指标进行拟合，以获得相邻层指标之间的最优拟合方式，最终分别获得初始层与中间层之间以及中间层与终点层之间的最优拟合路径。
21.根据一种优选实施方式，所述基于最优拟合路径预测行政区划内的污水量；并基于行政区划和统计数据的变化，对行政区划内的污水量预测结果进行动态更新，包括：
22.对起始层的人口和经济产值指标进行预测；
23.基于起始层指标的预测值，根据最优拟合路径预测行政区划内的污水量；
24.根据行政区划情况的变化和统计数据的更新，对污水量预测结果及时进行修正和动态更新。
25.根据一种优选实施方式，所述对起始层的人口和经济产值指标进行预测，包括：
26.基于最优拟合路径，选取最优拟合路径中起始层的人口和经济产值指标并进行分析；
27.分别用s型、指数型和线性三种趋势对指标进行拟合，并选取最优的拟合结果；
28.使用趋势外推法获得起始层的人口和经济产值指标在未来一段时间内的预测值。
29.根据一种优选实施方式，所述基于所获取的预测区域的空间属性数据对行政区划的预测污水量进行空间分配，以获得所述预测区域内的污水量，包括：
30.获取预测区域所包含的排水分区数据和行政区划数据；
31.通过排水分区对行政区划进行重新切割，并结合用地类型数据，将行政区划的预测污水量分配到不同的排水分区；
32.对所有排水分区的污水量进行加和，以获得预测区域的污水量。
33.本发明还提供了一种基于统计数据的污水量预测装置，包括：
34.数据采集模块，用于采集预测区域的特征数据；
35.数据处理和拟合分析模块，用于对所获取的统计数据进行时间分组和对每组统计数据进行分层处理；并构建不同时间分组中相邻层之间的最优拟合路径；
36.污水量计算和结果迭代模块，用于基于最优拟合路径预测行政区划内的污水量；
并基于统计数据的变化，对行政区划内的污水量预测结果进行动态更新；
37.空间分析模块，用于基于所获取的预测区域的空间属性数据对行政区划的预测污水量进行空间分配，以获得所述预测区域内的污水量。
38.根据一种优选实施方式，所述污水量计算和结果迭代模块还包括初始层预测模块，用于分析初始层的人口和经济产值指标在未来一段时间的发展趋势，以对起始层的人口和经济产值指标进行预测。
39.基于上述技术方案，本发明的基于统计数据的污水量预测方法至少具有如下技术效果：
40.本发明提供了一种基于统计数据的污水量预测方法，包括：采集预测区域的特征数据；所述特征数据包括预测区域的空间属性数据和统计数据；对所获取的统计数据进行时间分组和对每组统计数据进行分层处理，并构建不同时间分组中相邻层之间的最优拟合路径；基于最优拟合路径预测行政区划内的污水量；并基于统计数据的变化，对行政区划内的污水量预测结果进行动态更新；基于所获取的预测区域的空间属性数据对行政区划的预测污水量进行空间分配，以获得所述预测区域内的污水量。因此，本发明的预测方法通过收集预测区域的空间属性数据和统计数据，构建统计数据的最优拟合路径，通过对路径节点的统计指标进行预测，并结合空间属性数据的分析，实现对未来一段时间内的污水量的预测，本发明的预测方法所用的统计数据获取便利，且贴近预测区域的现实情况，所用的方法计算过程简单，易于推广，可为污水设施的规划提供支持。
附图说明
41.为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明的基于统计数据的污水量预测方法的流程图；
43.图2是本发明的预测方法对统计数据进行处理的流程图；
44.图3是本发明的预测方法基于最优路径预测形成区域内的污水量的流程图；
45.图4是本发明的预测方法对起始层指标进行预测的流程图；
46.图5是实施例2中的第三产值与生活用水，生活用水和污水量的拟合关系图；
47.图6是实施例2中五个分区第三产值的拟合曲线图；
48.图7是实施例2中预测得到的五个区污水量的总和示意图；
49.图8是实施例2中预测的排水分区的2021-2030年的污水量预测值；
50.图9是本发明的一种基于统计数据的污水量预测装置的示意图。
具体实施方式
51.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
52.实施例1
53.图1提供了本发明的基于统计数据的污水量预测方法的流程图，如图1所示，本发明的基于统计数据的污水量预测方法，包括：
54.步骤101：采集预测区域的特征数据。
55.其中，特征数据包括预测区域的空间属性数据和统计数据。优选的，空间属性数据包括行政区划数据、排水分区数据和用地类型数据。优选的，统计数据包括按照可收集到的最小行政单元进行收集的某段时间内的人口数据、经济产值数据、供水量数据、污水量数据和污水处理率数据。例如，按照可收集的最小行政单元收集近三十年的人口数据、经济产值数据、供水量、污水量和污水处理率数据。进一步优选的，人口数据包括常住人口和分年龄人口数。经济产值数据包括生产总值、第一产生产值、第二产业产值和第三产业产值。供水量包括总售水量、生产用水量和生活用水量；污水量包括生活污水量和工业污水量。因此，本发明的方法以实际人口和经济产值作为污水量计算的基础，实际人口和经济产值可以反映所研究的区域的生产、生活的实际情况，同时也是污水产生的根本，从而使得污水量的预测更加符合现实情况。
56.步骤102：对所获取的统计数据进行时间分组和对每组统计数据进行分层处理，并构建不同时间分组中相邻层之间的最优拟合路径。参考图2，图2示出了对统计数据进行处理的流程图，进一步优选的，对所采集的统计数据进行时间分组和对每组统计数据进行分层处理，并构建不同时间分组中相邻层之间的最优拟合路径，包括：
57.步骤s201：按照近五年、近十年、近二十年和近三十年对统计数据进行时间分组；即，将统计数据进行时间分组，分为近五年、近十年、近二十年和近三十年。
58.步骤s202：按照初始层、中间层和终点层对每组统计数据进行分层处理；其中，起始层为人口和经济产值层，中间层为供水量层，终点层为污水量层。
59.步骤s203：构建初始层与中间层之间及中间层与终点层之间的最优拟合路径。即构建起始层
→
中间层
→
终点层之间的最优拟合路径。
60.进一步优选的，所述的构建初始层与中间层之间及中间层与终点层之间的最优拟合路径包括：
61.将上一层的统计数据进行任意组合，组成若干个子集合。然后将每个子集合均与下一层的每个指标进行拟合，以获得相邻层指标之间的最优拟合方式，最终分别获得初始层与中间层之间以及中间层与终点层之间的最优拟合路径。例如，在构建起始层与中间层之间的最优拟合路径时，将起始层的统计指标进行任意组合，组成若干个子集合，将起始层的每个子集合都与中间层的每个指标进行拟合，找到起始层指标到中间层指标之间的最优拟合方式。若不同时间分组数据之间的最优拟合路径不一样，则以最近期的数据组为准。
62.步骤103：基于最优拟合路径预测行政区划内的污水量；并基于行政区划和统计数据的变化，对行政区划内的污水量预测结果进行动态更新。
63.参考图3，图3示出了基于最优路径预测形成区域内的污水量的流程图。进一步优选的，以上基于最优拟合路径预测行政区划内的污水量；并基于行政区划和统计数据的变化，对行政区划内的污水量预测结果进行动态更新包括：
64.步骤s301：对起始层的人口和经济产值指标进行预测。参考图4，图4示出了对起始层指标进行预测的流程图。优选的，对起始层的人口和经济产值指标进行预测，包括：步骤
s401：基于最优拟合路径，选取最优拟合路径中起始层的人口和经济产值指标并进行分析。例如：根据步骤203所构建的最优拟合路径，选取最优拟合路径中起始层的人口和经济产值指标，分析所选取的人口和经济产值指标近三十年的数据，判断其发展的趋势和阶段。步骤s402：分别用s型、指数型和线性三种趋势对指标进行拟合，并选取最优的拟合结果。步骤s403：使用趋势外推法获得起始层的人口和经济产值指标在未来一段时间内的预测值。例如：使用趋势外推法，获得人口和经济产值指标未来5-10年的预测值。
65.步骤s302：基于起始层指标的预测值，根据最优拟合路径预测行政区划内的污水量。
66.步骤s303：根据行政区划情况的变化和统计数据的更新，对污水量预测结果及时进行修正和动态更新。根据区域情况和统计数据的更新，不断修正和动态更新未来5-10年内的预测结果，使得预测结果越来越准确。
67.步骤104：基于所获取的预测区域的空间属性数据对行政区划的预测污水量进行空间分配，以获得预测区域内的污水量。具体的，包括：
68.获取预测区域所包含的排水分区数据和行政区划数据；
69.通过排水分区对行政区划进行重新切割，并结合用地类型数据，将行政区划的预测污水量分配到不同的排水分区；
70.对所有排水分区的污水量进行加和，以获得预测区域的污水量。
71.因此，通过分析行政区划和排水分区之间的空间关系，并基于用地类型数据进行行政区划的预测污水量进行分配，使得计算结果更加准确。本发明使用相关性分析和回归分析方法，鲁棒性强，整体方法过程简单、方便，易于推广。
72.实施例2
73.为了更清楚的介绍本技术的污水量预测方法，本实施例以北方某城市为例，计算某排水分区的污水量。具体实现过程如下：
74.1、收集特征数据。
75.需要研究的排水分区由五个行政分区组成，分别是分区1、分区2、分区3、分区4、分区5。
76.通过统计年鉴，收集了全市1987-2020年的人口(常住人口)、经济产值(生产总值、第一产业产值、第二产业产值、第三产业产值)、供水量(包括总售水量、生产用水量、生活用水量)、污水量(生活污水量、工业污水量)，来探究影响污水量的关键因素。
77.2、构建最优拟合路径。
78.构建了从第三产产值
→
生活用水量
→
污水量的最优拟合路径。第三产值与生活用水，生活用水和污水量的拟合关系，如图5所示，都符合线性拟合的关系，r2分别达到0.941和0.9791。
79.3、污水量预测和动态更新。
80.图6示出了五个分区第三产值的拟合曲线，均符合s型曲线，可以用来预测2021-2030年的第三产值。基于第三产值的预测和最优拟合路径，预测得到五个区污水量的总和，如图7所示。
81.4、污水量空间分配。
82.基于排水分区与行政分区的空间关系，排水分区包含100％的分区1、100％的分区
2、95％的分区3、37％的分区4、43％的分区5，因此经过空间分配以后，排水分区的2021-2030年的污水量预测如图8所示。
83.实施例3
84.本实施例提供了本发明的基于统计数据的污水量预测的装置，参见图9，一种基于统计数据的污水量预测装置，包括：
85.数据采集模块901，用于采集预测区域的特征数据。具体优选的，数据采集模块901用于收集预测区域的空间属性数据、预测区域的统计数据和污水厂检测数据。
86.数据处理和拟合分析模块902，用于对所获取的统计数据进行时间分组和对每组统计数据进行分层处理；并构建不同时间分组中相邻层之间的最优拟合路径。具体优选的，数据处理和拟合分析模块902用于对起始层和中间层的指标进行组合，对相邻层指标进行拟合，并寻找从起始层到终点层的最优拟合路径。
87.污水量计算和结果迭代模块903，用于基于最优拟合路径预测行政区划内的污水量；并基于行政区划和统计数据的变化，对行政区划内的污水量预测结果进行动态更新。具体优选的，污水量计算和结果迭代模块903用于计算行政区划的污水量，并根据行政区划的变化和统计数据的更新，不断修正和动态更新未来5-10年的预测结果，以提升预测的准确度。优选的，污水量计算和结果迭代模块903还包括初始层预测模块，用于分析初始层的人口和经济产值指标在未来一段时间的发展趋势，以对起始层的人口和经济产值指标进行预测。
88.空间分析模块904，用于基于所获取的预测区域的空间属性数据对行政区划的预测污水量进行空间分配，以获得所述预测区域内的污水量。具体的，空间分析模块用于分析行政区划和排水分期之间的关系，并基于用地数据对行政区划的预测污水量进行分配。
89.本发明的基于统计数据的污水量预测方法可以通过计算机程序来执行，计算机程序存储于存储器中，储存器与处理器相连接用于通过处理器调用并执行存储器中的计算机程序。
90.可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
91.需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
92.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
93.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场
可编程门阵列(fpga)等。
94.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
95.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
96.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
97.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
98.尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。