基于贝叶斯模型的水质状态监测方法及装置、电子设备与流程

本公开涉及管网水质监测，尤其涉及一种基于贝叶斯模型的水质状态监测方法及装置、电子设备。

背景技术：

1、水资源是人类赖以生存的资源，饮用水质量的好坏直接关系到人类的生命安全。随着几十年来的经济高速发展，环境污染事件也呈现高发态势，近年来的重大水体污染事件造成了严重的社会、经济和环境损失。

2、目前城市管网状况复杂，错接混接，偷排和低浓度水汇入会造成水质规律时常变化。需要从丰富的管网水质监测设备数据中挖掘出管网的水质特征，识别管网水质的异常状况。

技术实现思路

1、有鉴于此，本公开提出了一种基于贝叶斯模型的水质状态监测技术方案，能够监测管网水质的状态。

2、根据本公开的一方面，提供了一种基于贝叶斯模型的水质状态监测方法，包括：获取检测点在第一预设时间段内、由化学需氧量的实测值构成的第一历史时间序列，其中，所述化学需氧量实测值通过光谱传感器原位、实时采集，采集频率为3-60分钟/次；将所述第一历史时间序列输入至贝叶斯动态线性模型；根据所述贝叶斯动态线性模型的输出，确定所述检测点在第一预测时间段内、由化学需氧量的预测值构成的预测时间序列，所述第一预测时间段为所述第一预设时间段后的时间段，所述第一历史时间序列中的时间点包括所述预测时间序列中的时间点；根据所述预测值的标准差，设定所述预测时间序列内每一时间点的预测值的置信区间；获取检测点在所述第一预测时间段内每一时间点的化学需氧量的实测值；根据所述第一预测时间段内每一时间点的化学需氧量的实测值和置信区间，得到所述第一预测时间段内的水质状态监测结果；其中，所述贝叶斯动态线性模型的建立过程，包括：获取检测点在第二预设时间段内、由化学需氧量的实测值构成的第二历史时间序列，其中，所述第二历史时间序列中的时间点包括所述预测时间序列中的时间点；从所述第二历史时间序列中获取所述第二历史时间序列的化学需氧量特征；根据所述化学需氧量特征，得到所述第二历史时间序列中化学需氧量随时间的变化趋势；根据所述变化趋势，建立所述贝叶斯动态线性模型。

3、在一种可能的实现方式中，所述每一时间点的预测值的置信区间包括第一置信区间、第三置信区间、第四置信区间和/或第二置信区间；所述根据所述第一预测时间段内每一时间点的化学需氧量的实测值和置信区间，得到所述第一预测时间段内的水质状态监测结果，包括：在所述实测值在所述第一置信区间内的情况下，确定所述水质状态监测结果为管网无异常状态；在所述实测值在所述第二置信区间内的情况下，确定所述水质状态监测结果为管网疑似异常状态；在所述实测值在所述第三置信区间内的情况下，所述水质状态监测结果为管网异常状态；在所述实测值在所述第四置信区间内的情况下，所述水质状态监测结果为管网严重异常状态；其中，所述第一置信区间、所述第二置信区间、所述第三置信区间和所述第四置信区间无交叉，且包括的标准差的倍数依次增加。

4、在一种可能的实现方式中，在所述水质状态监测结果为管网疑似异常状态的情况下，根据第二预测时间段中所述水质状态监测结果为管网疑似异常状态对应的时间点的预测值，确定所述水质状态监测结果；化学需氧量在所述第二预测时间段内的化学需氧量实测值仍落入重新建立的第二置信区间内的情况下，向用户发送需进行现场勘测的通知；其中，所述第二预测时间段为所述第一预测时间段后的时间段。

5、在一种可能的实现方式中，化学需氧量所述方法，还包括：当所述贝叶斯动态线性模型输出的预测值和获取的与所述预测值对应的相同时间点的实测值的差值满足预设条件时，对所述贝叶斯动态线性模型进行修正。

6、在一种可能的实现方式中，所述化学需氧量特征包括：趋势特征、周期特征和/或自相关特征；所述趋势特征用于表述化学需氧量是否具有随时间波动的趋势；所述周期特征用于表述化学需氧量波动的周期及周期的长度；所述自相关特征用于表述时间点之间化学需氧量的关联性。

7、在一种可能的实现方式中，所述贝叶斯动态线性模型的建立过程，还包括：获取检测点的水质的外因因素在第二预设时间段内的第三历史时间序列，所述外因因素为对检测点的水质产生影响的外界因素，其中，所述第三历史时间序列中的时间点包括所述预测时间序列中的时间点；从所述第三历史时间序列中获取所述第三历史时间序列的外因因素特征；所述根据所述化学需氧量特征，得到所述第二历史时间序列中化学需氧量随时间的变化趋势，包括：根据所述化学需氧量特征和所述外因因素特征，得到所述第二历史时间序列中化学需氧量随时间的变化趋势。

8、在一种可能的实现方式中，所述贝叶斯动态线性模型的建立过程，还包括：获取检测点的水质的潜在相关因素，所述潜在相关因素是与检测点的水质疑似相关的外界因素；根据互相关函数分别判断包含所述潜在相关因素的各第三历史时间序列与所述第二历史时间序列是否相关，从所述潜在相关因素中筛选出与检测点的水质最相关的预定数量的外因因素。

9、根据本公开的一方面，提供了一种基于贝叶斯模型的水质状态监测装置，包括：第一历史时间序列获取模块，用于获取检测点在第一预设时间段内、由化学需氧量的实测值构成的第一历史时间序列，其中，所述化学需氧量实测值通过光谱传感器原位、实时采集，采集频率为3-60分钟/次；输入模块，用于将所述第一历史时间序列输入至贝叶斯动态线性模型；预测时间序列获取模块，用于根据所述贝叶斯动态线性模型的输出，确定所述检测点在第一预测时间段内、由化学需氧量的预测值构成的预测时间序列，所述第一预测时间段为所述第一预设时间段后的时间段，所述第一历史时间序列中的时间点包括所述预测时间序列中的时间点；置信区间设定模块，用于根据所述预测值的标准差，设定所述预测时间序列内每一时间点的预测值的置信区间；实测值获取模块，用于获取检测点在所述第一预测时间段内每一时间点的化学需氧量的实测值；水质状态监测结果确定模块，用于根据所述第一预测时间段内每一时间点的化学需氧量的实测值和置信区间，得到所述第一预测时间段内的水质状态监测结果；其中，所述贝叶斯动态线性模型的建立过程，包括：获取检测点在第二预设时间段内、由化学需氧量的实测值构成的第二历史时间序列，其中，所述第二历史时间序列中的时间点包括所述预测时间序列中的时间点；从所述第二历史时间序列中获取所述第二历史时间序列的化学需氧量特征；根据所述化学需氧量特征，得到所述第二历史时间序列中化学需氧量随时间的变化趋势；根据所述变化趋势，建立所述贝叶斯动态线性模型。

10、在一种可能的实现方式中，所述每一时间点的预测值的置信区间包括第一置信区间、第三置信区间、第四置信区间和/或第二置信区间；所述水质状态监测结果确定模块，包括：第一确定子模块，用于在所述实测值在所述第一置信区间内的情况下，确定所述水质状态监测结果为管网无异常状态；第二确定子模块，用于在所述实测值在所述第二置信区间内的情况下，确定所述水质状态监测结果为管网疑似异常状态；第三确定子模块，用于在所述实测值在所述第三置信区间内的情况下，所述水质状态监测结果为管网异常状态；第四确定子模块，用于在所述实测值在所述第四置信区间内的情况下，所述水质状态监测结果为管网严重异常状态；其中，所述第一置信区间、所述第二置信区间、所述第三置信区间和所述第四置信区间无交叉，且包括的标准差的倍数依次增加。

11、在一种可能的实现方式中，所述水质状态监测结果确定模块还用于：在所述水质状态监测结果为管网疑似异常状态的情况下，根据第二预测时间段中所述水质状态监测结果为管网疑似异常状态对应的时间点的预测值，确定所述水质状态监测结果；在所述第二预测时间段内的化学需氧量实测值仍落入重新建立的第二置信区间内的情况下，向用户发送需进行现场勘测的通知；其中，所述第二预测时间段为所述第一预测时间段后的时间段。

12、在一种可能的实现方式中，化学需氧量所述装置，还包括：修正模块，用于当所述贝叶斯动态线性模型输出的预测值和获取的与所述预测值对应的相同时间点的实测值的差值满足预设条件时，对所述贝叶斯动态线性模型进行修正。

13、在一种可能的实现方式中，所述化学需氧量特征包括：趋势特征、周期特征和/或自相关特征；所述趋势特征用于表述化学需氧量是否具有随时间波动的趋势；所述周期特征用于表述化学需氧量波动的周期及周期的长度；所述自相关特征用于表述时间点之间化学需氧量的关联性。

14、在一种可能的实现方式中，所述贝叶斯动态线性模型的建立过程，还包括：获取检测点的水质的外因因素在第二预设时间段内的第三历史时间序列，所述外因因素为对检测点的水质产生影响的外界因素，其中，所述第三历史时间序列中的时间点包括所述预测时间序列中的时间点；从所述第三历史时间序列中获取所述第三历史时间序列的外因因素特征；所述根据所述化学需氧量特征，得到所述第二历史时间序列中化学需氧量随时间的变化趋势，包括：根据所述化学需氧量特征和所述外因因素特征，得到所述第二历史时间序列中化学需氧量随时间的变化趋势。

15、在一种可能的实现方式中，所述贝叶斯动态线性模型的建立过程，还包括：获取检测点的水质的潜在相关因素，所述潜在相关因素是与检测点的水质疑似相关的外界因素；根据互相关函数分别判断包含所述潜在相关因素的各第三历史时间序列与所述第二历史时间序列是否相关，从所述潜在相关因素中筛选出与检测点的水质最相关的预定数量的外因因素。

16、根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。

17、根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。

18、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。

19、在本公开实施例中，贝叶斯动态线性模型通过对化学需氧量第一历史时间序列的学习，实现对第一预测时间段内的化学需氧量的预测，由于实测数据为量子点光谱传感器采集，可以实时且频率较高地采集数据，此外，贝叶斯动态线性模型能够随着化学需氧量的增加不断进行模型的动态更新，通过上述过程，可以提高水质监测结果的准确性和精细化。同时，该过程设置了置信区间，通过第一预测时间段内每一时间点的化学需氧量的实测值和置信区间的关系，实现对水质监测结果的直观判断，提高了水质监测结果的灵敏度。此外，通过建模过程增加了与化学需氧量相关的外因因素，可以提高预测的准确性，进一步提高水质状态监测结果的准确性。

20、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

21、根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。