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】
本申请属于数据处理,尤其涉及一种目标事件的预测方法、装置及终端设备。
技术介绍
1、供水管网系统是城市基础设施的重要组成部分,而供水管网系统中常发生爆管事件,导致水资源浪费、供水中断等问题,为了减少水资源浪费以及保障各大城市的供水需求,需要对供水管网系统中的爆管事件进行实时监测。
2、一般地,可通过在供水管网系统中部署多种传感器来实时监测爆管事件,但通过部署传感器无法对爆管事件的发生进行提前干预,只能在监测到发生爆管事件后进行维护和处理,存在爆管事件处理的滞后性,同样也会存在水资源浪费、供水中断的问题。
技术实现思路
1、本申请实施例提供一种目标事件的预测方法、装置及终端设备,旨在解决现有的爆管事件的监测与处理存在滞后性,导致水资源浪费、供水中断的问题。
2、第一方面,本申请实施例提供一种目标事件的预测方法,包括:
3、获取历史状态信息,
4、根据目标预测模型和所述历史状态信息,生成预测状态信息,所述目标预测模型为基于多变量样本集训练完成的时序卷积网络模型;
5、根据目标事件的判断条件和所述预测状态信息,生成针对所述目标事件的预测结果。
6、在上述第一方面的一种可能实现方式中,在所述根据所述目标预测模型和所述历史状态信息,生成预测状态信息之前,所述方法还包括:
7、构建初始预测模型,所述初始预测模型包括至少两层残差块,所述残差块包括至少两个卷积层;
8、获取样本状态数据,所述样本状态数据
9、采用所述样本状态数据训练所述初始预测模型,得到目标预测模型。
10、在上述第一方面的一种可能实现方式中,所述采用所述样本状态数据训练所述初始预测模型,得到目标预测模型,包括:
11、确定所述样本状态数据中的数据丢失位置;
12、按照预置的数据补全策略,生成与所述数据丢失位置对应的补全数据;
13、根据所述补全数据更新所述样本状态数据,并对更新后的样本状态数据进行归一化处理,得到目标样本状态数据;
14、采用所述目标样本状态数据训练所述初始预测模型,得到目标预测模型。
15、在上述第一方面的一种可能实现方式中,所述预测状态信息包括流量预测信息、压力预测信息,所述根据目标事件的判断条件和所述预测状态信息,生成针对所述目标事件的预测结果,包括:
16、根据所述流量预测信息以及目标事件的判断条件,确定待检测区域;
17、确定所述流量预测信息中与所述待检测区域对应的目标流量预测信息,以及,确定所述压力预测信息中与所述待检测区域对应的目标压力预测信息;
18、根据所述目标流量预测信息、所述目标压力预测信息以及所述判断条件,生成针对所述目标事件的预测结果。
19、在上述第一方面的一种可能实现方式中,所述根据所述流量预测信息以及目标事件的判断条件,确定待检测区域,包括:
20、确定所述流量预测信息中与每个区域对应的区域流量预测信息;
21、确定历史流量趋势信息,并根据所述历史流量趋势信息与所述区域流量预测信息,确定所有所述区域中满足目标事件的第一判断条件的待检测区域。
22、在上述第一方面的一种可能实现方式中,所述根据所述目标流量预测信息、所述目标压力预测信息以及所述判断条件,生成针对所述目标事件的预测结果,包括:
23、根据所述目标流量预测信息确定流量趋势预测信息,以及,根据所述目标压力预测信息确定压力趋势预测信息;
24、根据所述流量趋势预测信息、所述压力趋势预测信息,判断是否满足目标事件的第二判断条件,并生成针对所述目标事件的预测结果。
25、在上述第一方面的一种可能实现方式中,每层所述卷积层之间还包括优化层,所述优化层包括权重优化层、激励层、随机丢弃层;
26、其中,所述权重优化层用于优化所述卷积层的权重,所述激励层用于优化所述卷积层的输出数据,所述随机丢弃层用于优化所述卷积层中用于卷积运算的神经元;
27、所述卷积层还包括因果卷积层、膨胀卷积层、一维卷积层,所述一维卷积层与所述因果卷积层以及所述膨胀卷积层之间的关系为异或逻辑关系。
28、第二方面,本申请实施例提供一种目标事件的预测装置,包括:
29、获取模块,用于获取历史状态信息,
30、生成模块,用于根据目标预测模型和所述历史状态信息,生成预测状态信息,所述目标预测模型为基于多变量样本集训练完成的时序卷积网络模型;
31、预测模块,用于根据目标事件的判断条件和所述预测状态信息,生成针对所述目标事件的预测结果。
32、第三方面,本申请实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面提供的所述目标事件的预测方法。
33、第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面提供的所述目标事件的预测方法。
34、可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
35、本申请实施例与现有技术相比存在的有益效果是:
36、在本申请实施例中,通过获取历史状态信息,并根据目标预测模型和历史状态信息,生成预测状态信息,且目标预测模型为基于多变量样本集训练完成的时序卷积网络模型,使得预测状态信息的生成无需依赖单一变量,提高了预测状态信息的准确性和可靠性,进而根据目标事件的判断条件和预测状态信息,生成针对目标事件的预测结果,实现了对爆管事件的预测,并在预测到爆管事件后能够及时处理,减少了水资源浪费、供水中断的问题。
本文档来自技高网...【技术保护点】
1.一种目标事件的预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的目标事件的预测方法,其特征在于,在所述根据所述目标预测模型和所述历史状态信息,生成预测状态信息之前,所述方法还包括:
3.如权利要求2所述的目标事件的预测方法,其特征在于,所述采用所述样本状态数据训练所述初始预测模型,得到目标预测模型,包括:
4.如权利要求1所述的目标事件的预测方法,其特征在于,所述预测状态信息包括流量预测信息、压力预测信息,所述根据目标事件的判断条件和所述预测状态信息,生成针对所述目标事件的预测结果,包括:
5.如权利要求4所述的目标事件的预测方法,其特征在于,所述根据所述流量预测信息以及目标事件的判断条件,确定待检测区域,包括:
6.如权利要求4所述的目标事件的预测方法,其特征在于,所述根据所述目标流量预测信息、所述目标压力预测信息以及所述判断条件,生成针对所述目标事件的预测结果,包括:
7.如权利要求2所述的目标事件的预测方法,其特征在于,每层所述卷积层之间还包括优化层,所述优化层包括权重优化层、激励层、随机
8.一种目标事件的预测装置,其特征在于,所述装置包括:
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种目标事件的预测方法,其特征在于,所述方法包括:
2.如权利要求1所述的目标事件的预测方法,其特征在于,在所述根据所述目标预测模型和所述历史状态信息,生成预测状态信息之前,所述方法还包括:
3.如权利要求2所述的目标事件的预测方法,其特征在于,所述采用所述样本状态数据训练所述初始预测模型,得到目标预测模型,包括:
4.如权利要求1所述的目标事件的预测方法,其特征在于,所述预测状态信息包括流量预测信息、压力预测信息,所述根据目标事件的判断条件和所述预测状态信息,生成针对所述目标事件的预测结果,包括:
5.如权利要求4所述的目标事件的预测方法,其特征在于,所述根据所述流量预测信息以及目标事件的判断条件,确定待检测区域,包括:
6.如权利要求...
【专利技术属性】
技术研发人员:邓立群,詹益鸿,周耀全,邱风庭,熊远康,
申请(专利权)人:深圳拓安信物联股份有限公司,
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。