基于ARIMA模型的水质告警方法及装置、电子设备和存储介质与流程

基于arima模型的水质告警方法及装置、电子设备和存储介质
技术领域
1.本公开涉及水质检测领域，尤其涉及一种基于arima模型的水质告警方法及装置、电子设备和存储介质。


背景技术：

2.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。
3.为了降低水环境污染造成的经济、社会、环境损失，应建立告警机制，以便在水污染初期及时采取措施。
4.但是，由于城市管网状况复杂、错接混接、偷排和低浓度水汇入，造成水质情况和规律时常变化，难以及时、准确地进行管网水质告警。


技术实现要素：

5.有鉴于此，本公开提出了一种基于arima模型的水质告警方法及装置、电子设备和存储介质。旨在针对管网水质情况，提供及时、准确的管网水质告警。
6.根据本公开的一方面，提供了一种基于arima模型的水质告警方法，包括：
7.构建arima目标预测模型，其中所述arima目标预测模型通过赤池信息准则筛选；
8.根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，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；
9.根据各所述化学需氧量预测值的标准差，建立置信区间；
10.根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警；
11.所述arima目标预测模型的参数的确定过程，包括：
12.获取时序排列的化学需氧量实测值构成的第一序列；
13.确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数；
14.在所述第一自相关系数呈现指数衰减，且所述第一偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：第一自相关阶数、第一偏自相关阶数，第一差分阶数
15.在一种可能的实现方式中，所述根据各所述化学需氧量预测值的标准差，建立置信区间，包括：以各所述化学需氧量预测值的一倍标准差、二倍标准差、三倍标准差建立第一置信区间、第二置信区间以及第三置信区间；
16.其中，不同置信区间对应不同的管网水质情况。
17.在一种可能的实现方式中，所述根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警，包括：
18.在所述待预测时间点的化学需氧量实测值落入所述第一置信区间内的情况下，确定管网水质无异常，不进行管网水质异常告警；
19.在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，确定管网水质疑似异常，不进行管网水质异常告警并持续监测；
20.在所述待预测时间点的化学需氧量实测值落入所述第三置信区间内的情况下，进行管网水质异常告警；
21.在所述待预测时间点的化学需氧量实测值超过所述第三置信区间内的情况下，进行管网水质严重异常告警。
22.在一种可能的实现方式中，所述arima目标预测模型的构建过程，包括：
23.将历史时间周期中与试验时间点相同的时间点的化学需氧量实测值，输入多个原始预测模型，获得所述试验时间点的多个化学需氧量预测值，各所述原始预测模型的参数不同，其中，所述试验时间点包含所述各待预测时间点；
24.确定各所述原始预测模型的参数数量与化学需氧量残差之间的差值，所述化学需氧量残差为所述原始预测模型预测的化学需氧量预测值与化学需氧量实测值之间的差异；
25.按照各差值从小到大的顺序，对多个所述原始预测模型进行排序，得到模型顺序；
26.按照所述模型顺序，依次判断各原始预测模型的化学需氧量残差的时间序列为零的概率与预设第一显著性阈值的大小关系，将所述概率大于所述预设第一显著性阈值的原始预测模型作为所述arima目标预测模型。
27.化学需氧量在一种可能的实现方式中，所述方法还包括：
28.将所述试验时间点的前一时间点的外因因素预测值，以及历史时间周期中与所述试验时间点相同的时间点的外因因素实测值，输入外因因素预测模型，获得所述试验时间点的外因因素预测值；
29.在化学需氧量残差与外因因素残差的互相关系数超过预设第四置信区间且为正数的情况下，将所述外因因素作为arima目标预测模型的外因参数；所述化学需氧量残差为所述arima目标预测模型的化学需氧量预测值与化学需氧量实测值的差异，所述外因因素残差为外因因素预测模型的外因因素预测值与外因因素实测值的差异。
30.在一种可能的实现方式中，所述外因因素包括：浊度、总悬浮物、流量、液位、上游阀门开闭中的一种或多种。
31.在一种可能的实现方式中，所述arima目标预测模型的参数的确定过程，还包括：
32.确定大于预设第二显著性阈值的所述第一偏自相关系数所对应的时间间隔；
33.按照所述时间间隔，从所述第一序列中提取化学需氧量实测值，构成第二序列；
34.确定第二序列中的实测值对应的第二自相关系数和第二偏自相关系数；
35.在所述第二自相关系数呈现指数衰减，且所述第二偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：时间间隔、第二自相关阶数、第二偏自相关阶数，第二差分阶数。
36.根据本公开的另一方面，提供了一种基于arima模型的水质告警装置，包括：
37.目标模型构建单元，用于构建arima目标预测模型，其中所述arima目标预测模型通过赤池信息准则筛选；
38.化学需氧量预测单元，用于根据监测点位各待预测时间点的前一时间点的化学需
氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，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；
39.置信区间构建单元，用于根据各所述化学需氧量预测值的标准差，建立置信区间；
40.告警单元，用于根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警；
41.参数确定单元，用于获取时序排列的化学需氧量实测值构成的第一序列；确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数；在所述第一自相关系数呈现指数衰减，且所述第一偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：第一自相关阶数、第一偏自相关阶数，第一差分阶数。
42.在一种可能的实现方式中，所述置信区间构建单元，用于：
43.以各所述化学需氧量预测值的一倍标准差、二倍标准差、三倍标准差建立第一置信区间、第二置信区间以及第三置信区间；
44.其中，不同置信区间对应不同的管网水质情况。
45.在一种可能的实现方式中，所述告警单元，用于：
46.在所述待预测时间点的化学需氧量实测值落入所述第一置信区间内的情况下，确定管网水质无异常，不进行管网水质异常告警；
47.在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，确定管网水质疑似异常，不进行管网水质异常告警并持续监测；
48.在所述待预测时间点的化学需氧量实测值落入所述第三置信区间内的情况下，进行管网水质异常告警；
49.在所述待预测时间点的化学需氧量实测值超过所述第三置信区间内的情况下，进行管网水质严重异常告警。
50.在一种可能的实现方式中，所述arima目标预测模型的构建过程，包括：
51.将历史时间周期中与试验时间点相同的时间点的化学需氧量实测值，输入多个原始预测模型，获得所述试验时间点的多个化学需氧量预测值，各所述原始预测模型的参数不同，其中，所述试验时间点包含所述各待预测时间点；
52.确定各所述原始预测模型的参数数量与化学需氧量残差之间的差值，所述化学需氧量残差为所述原始预测模型预测的化学需氧量预测值与化学需氧量实测值之间的差异；
53.按照各差值从小到大的顺序，对多个所述原始预测模型进行排序，得到模型顺序；
54.按照所述模型顺序，依次判断各原始预测模型的化学需氧量残差的时间序列为零的概率与预设第一显著性阈值的大小关系，将所述概率大于所述预设第一显著性阈值的原始预测模型作为所述arima目标预测模型。
55.在一种可能的实现方式中，所述装置还包括：
56.外因因素预测单元，用于将所述试验时间点的前一时间点的外因因素预测值，以及历史时间周期中与所述试验时间点相同的时间点的外因因素实测值，输入外因因素预测模型，获得所述试验时间点的外因因素预测值；
57.外因参数确定单元，用于在化学需氧量残差与外因因素残差的互相关系数超过预设第四置信区间且为正数的情况下，将所述外因因素作为arima目标预测模型的外因参数；
所述化学需氧量残差为arima所述目标预测模型的化学需氧量预测值与化学需氧量实测值的差异，所述外因因素残差为外因因素预测模型的外因因素预测值与外因因素实测值的差异。
58.在一种可能的实现方式中，所述外因因素包括：浊度、总悬浮物、流量、液位、上游阀门开闭中的一种或多种。
59.在一种可能的实现方式中，所述arima目标预测模型的参数的确定过程，还包括：
60.确定大于预设第二显著性阈值的所述第一偏自相关系数所对应的时间间隔；
61.按照所述时间间隔，从所述第一序列中提取化学需氧量实测值，构成第二序列；
62.确定第二序列中的实测值对应的第二自相关系数和第二偏自相关系数；
63.在所述第二自相关系数呈现指数衰减，且所述第二偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：时间间隔、第二自相关阶数、第二偏自相关阶数，第二差分阶数。
64.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。
65.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。
66.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。
67.在本公开实施例中，可以通过构建arima目标预测模型；根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值；再根据各所述化学需氧量预测值的标准差，建立置信区间；根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，来确定是否进行管网水质异常告警。
68.由于管网水质在一定时间周期内化学需氧量往往会按照一定规律进行变化，所以根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及构建的arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，可以充分考虑临近时间点的化学需氧量预测值对待预测时间点化学需氧量预测值的影响，遵循了管网水质的变化规律；又可以利用历史时间周期中的化学需氧量实测值修正化学需氧量预测值，降低化学需氧量预测值的累计误差对预测准确性的影响，提高了化学需氧量预测值的准确性。
69.由于管网情况复杂，且化学需氧量的变化具有规律，例如，在生活污水排放高峰时段，化学需氧量实测值会高于化学需氧量的平均值，相反，在生活污水排放低谷时段，化学需氧量实测值会低于化学需氧量的平均值。所以如果仅设置告警阈值，通过判断水质预测值与阈值的大小关系进行预警，无法动态地捕捉管网水质异常，将会发出错误的水质异常告警或者延误发出水质异常告警。因此，本公开实施例根据各所述化学需氧量预测值的标准差，建立置信区间；根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区
间，确定是否进行管网水质异常告警，可以更准确地、及时地判断出管网水质异常，并发出水质异常告警。
70.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。
附图说明
71.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
72.图1示出本公开提供的管网水质告警方法与传统告警方法相比的效果示意图。
73.图2示出本公开提供的一种管网水质告警方法的流程示意图。
74.图3示出本公开实施例提供的一种管网水质告警装置的结构示意图。
75.图4为本公开实施例提供的一种管网水质告警电子设备的结构示意图。
76.图5为本公开实施例提供的管网水质告警电子设备的结构示意图。
具体实施方式
77.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
78.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
79.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
80.水资源是人类赖以生存的资源。水资源一旦被破坏，难以恢复。所以各国均倡导保护水资源。
81.在人类生存活动的范围内，虽然早已将污水和洁净水加以区分，但是，由于城市管网状况复杂，例如：发生管道错接、混接、污水偷排等情况，导致管网水易被污染。进而，影响着人们的身体健康，或造成经济损失。
82.为了能够在第一时间内发现管网水被污染，通常会对管网化学需氧量进行监测，并且设置阈值。当化学需氧量超过阈值时，进行水污染告警。
83.但是，管网化学需氧量并不稳定，仅通过判断阈值和监测的化学需氧量的大小关系，来确定管网水质情况，不够准确，容易发生错误告警，或者延误告警，导致不能及时采取措施、遏制污染进一步扩散。
84.通常，可以使用传统的告警方法对化学需氧量异常进行告警。传统告警方法是设置单一阈值，将化学需氧量实测值与单一阈值进行比较，当化学需氧量实测值高过或低于该阈值时，进行管网水质异常告警。但是，管网场景化学需氧量波动较大，使用传统告警方法并不能准确地、及时地告警。
85.图1示出本公开提供的管网水质告警方法与传统告警方法相比的效果示意图。如图1所示，已经设置了单一的阈值，当超过该阈值时，则会进行告警。
86.从图1中可以看出，管网内的化学需氧量(污染物浓度)随着时间的变化波动较大，在污染物曲线波谷方向有两处明显异常。根据图1中设置的阈值，对这两处明显异常，并不会进行告警，导致不能够及时发现管网水质异常。
87.然而，本公开可以根据化学需氧量预测值设置置信区间，并根据化学需氧量实测值是否落入置信区间，来判断是否进行告警。这样，可以识别出更多的异常情况，并不局限于一种异常情况(高于阈值)，使得管网水质异常告警更准确。
88.另外，针对污染物浓度长期偏低(100-200mg/l)的管网，由于管网基底浓度低，所确定告警阈值难以得到科学方法的论证，易导致不准确的管网水质异常告警。而本公开是直接利用待测时间点的预测数据，生成置信区间，来判断待测时间点的实测值，也即使用同一时间点的预测值定义告警条件，来判断同一时间点的实测值是否达到告警条件，具有科学依据，并且可以适应管网化学需氧量波动明显这一特征。本公开的方法与管网场景适配性更强。
89.而且，本公开的方法可以根据各监测点位的各待测时间点的化学需氧量预测值建立置信区间。各监测点位的每个待测时间点都会对应一个特有的置信区间，遵循了管网化学需氧量波段规律，满足管网环境多变的特点，提高了判断管网水质异常的准确性，进而提高了管网水质异常告警的准确性。
90.图2示出本公开提供的一种管网水质告警方法的流程示意图。如图2所示，该管网水质告警方法包括：
91.s11，构建arima目标预测模型，其中所述arima目标预测模型通过赤池信息准则筛选。
92.在本公开实施例中，arima目标预测模型可以预测未来任意一个时间点的化学需氧量，输出化学需氧量预测值。通常，在实际应用中可以根据历史化学需氧量实测值构建出arima目标预测模型，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；arima模型(英语：autoregressive integrated moving average model)，差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测分析方法之一。
93.构建arima目标预测模型的方式可以有多种，在一个示例中，可以根据历史化学需氧量实测值的变化规律或变化趋势，拟合arima目标预测模型；在另一个示例中，可以根据历史化学需氧量实测值之间的相关关系，建立arima目标预测模型；在另一个示例中，可以根据各种外部因素，以及外部因素对历史化学需氧量的影响规律，建立arima目标预测模型。
94.以上仅为示例，本公开实施例对于arima目标预测模型的构建过程不做限定。
95.s12，根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值。
96.通常在管网中，可以预先设置多个监测点，对这些监测点的水质进行监测，以获得化学需氧量实测值。化学需氧量的获取可以通过量子点光谱探头采集，相比于对水质进行采样后，在实验室中进行化验来测量化学需氧量的方法，通过量子点光谱探头测量可实现在线、原位、高频、实时测量，例如，可将采集频率由1天/次提升为3-60分钟/次，优选5-30分
钟/次，特别优选8-20分钟/次，最优选10-15分钟/次，远高于传统的测试方法，因而能够以较高的频率获得化学需氧量，以有效捕捉管网水质特征。
97.在本公开实施例中，历史时间周期可以为一天、两天、一周等等，可以预先设置获取化学需氧量实测值的第一周期，例如：第一周期可以是一天。可以预先设定在第一周期中获取化学需氧量实测值的时间点，例如：每天0-23时，每到整点，获取一次化学需氧量实测值。也可以，预先设置获取化学需氧量实测值的起始时间点以及获取间隔，例如：每天从0时起开始获取化学需氧量实测值，每次获取相隔1小时或者1.5小时等。待测时间点可以是获取化学需氧量实测值的时间点。
98.在本公开实施例中，可以设置多个待预测时间点，待预测时间点的前一时间点可以为前一待预测时间点。例如：需要预测明天0～23时各整点的化学需氧量预测值。3时的前一时间点为2时。
99.在实际预测中，arima目标预测模型可以根据前一时间点的化学需氧量预测值、历史时间周期中与待预测时间点相同的时间点的化学需氧量实测值，来预测待预测时间点的化学需氧量预测值。这里的历史时间周期可以与前述第一周期相同。例如：历史时间周期为：每天，若待预测时间点为明天早上7点，则历史时间周期中与待预测时间点相同的时间点可以是明天以前的各天中的早上7点。
100.s13，根据各所述化学需氧量预测值的标准差，建立置信区间。
101.由于可以有多个待预测时间点，所以可以获得多个化学需氧量预测值；可以将这多个待测预测时间点组成的时间段定义为预测时间段。例如：待测时间点为明天上午10时，下午2时、下午6时，晚上10时，则预测时间段可以为：明天上午10时～晚上10时。
102.在本公开实施例中，可以确定单一化学需氧量预测值的标准差，根据该标准差建立出所对应的待预测时间点的置信区间。再对相邻时间点的置信区间进行内插，可以确定出预测时间段的置信区间。
103.s14，根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警。
104.在本公开实施例中，可以在待预测时间点获取化学需氧量实测值。通过判断化学需氧量实测值与置信区间的关系，来判断是否发出管网水质异常告警。
105.在本公开实施例中，可以按照不同应用场景设置管网水质异常告警条件。
106.在应用场景为：判断化学需氧量是否超标的情况下，可以设置当化学需氧量实测值超过置信区间时，发出管网水质异常告警。
107.在应用场景为：判断污水管网是否错接(有洁净水汇入)的情况下，可以设置当化学需氧量实测值落入置信区间时，发出管网水质异常告警。
108.在本公开实施例中，还可以在预设时长内(例如：4个小时内)所获得的化学需氧量实测值均满足管网水质异常告警条件的情况下，再发出管网水质异常警告，降低发生偶发性化学需氧量监测错误导致错误告警的概率，提高水质异常告警的准确性。
109.由于管网水质在一定时间周期内化学需氧量往往会按照一定规律进行变化，所以根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及构建的arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，可以充分考虑临近时间点的化学需氧量预测
值对待预测时间点化学需氧量预测值的影响，遵循了管网水质的变化规律；又可以利用历史时间周期中的化学需氧量实测值修正化学需氧量预测值，降低化学需氧量预测值的累计误差对预测准确性的影响，提高了化学需氧量预测值的准确性。
110.由于管网情况复杂，且化学需氧量的变化具有规律，例如，在生活污水排放高峰时段，化学需氧量实测值会高于化学需氧量的平均值，相反，在生活污水排放低谷时段，化学需氧量实测值会低于化学需氧量的平均值。所以如果仅设置告警阈值，通过判断水质预测值与阈值的大小关系进行预警，无法动态地捕捉管网水质异常，将会发出错误的水质异常告警或者延误发出水质异常告警。因此，本公开实施例根据各所述化学需氧量预测值的标准差，建立置信区间；根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警，可以更准确地、及时地判断出管网水质异常，并发出水质异常告警。
111.所述arima目标预测模型的参数的确定过程，包括：获取时序排列的化学需氧量实测值构成的第一序列；确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数；在所述第一自相关系数呈现指数衰减，且所述第一偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：第一自相关阶数、第一偏自相关阶数，第一差分阶数。
112.在本公开实施例中，可以按照获取化学需氧量实测值的时序，确定出化学需氧量实测值的时间序列；再检测时间序列的平稳性，如果时间序列不平稳，则对时间序列进行差分处理，直至时间序列平稳，将该时间序列作为第一序列。并且将差分的阶数作为arima目标预测模型的参数之一：第一差分阶数。为了便于理解，使用公式(2)对差分处理进行展示。
[0113][0114]
其中，z
t-μ表示差分后的化学需氧量的时间序列，p为z
t-p
相对于时间序列中第一个化学需氧量的滞后，z
t-p
为差分前的且滞后为p的化学需氧量，t表示时间点，μ为差分前时间序列的化学需氧量实测值的平均值，为系数，a
t
为白噪声。
[0115]
然后，确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数。例如：可以通过构建自相关函数，确定第一自相关系数；通过构建偏自相关函数，确定第一偏自相关系数。为了便于理解，使用公式(3)作为一个示例，示出自相关函数，使用公式(4)作为一个示例，示出偏自相关函数。
[0116][0117]
其中，γk为滞后k阶的化学需氧量与滞后k-p阶的化学需氧量的相关系数，为系数。
[0118][0119]
其中，ρk为滞后k阶的化学需氧量与第一序列中各化学需氧量实测值的偏自相关系数，为系数。
[0120]
在各第一自相关系数的数值，随着第一序列中各实测值与第一个实测值的时间间隔的增加，而呈现指数衰减的状态；且，各第一偏自相关系数的数值，随着第一序列中各实
测值与第一个实测值的时间间隔的增加，而呈现指数衰减的状态的情况下，可以根据第一自相关系数、第一偏自相关系数确定出arima目标预测模型的参数中的两个参数：第一自相关阶数、第一偏自相关阶数。
[0121]
第一自相关阶数表征：第一序列中的实测值与该实测值之前的子序列，呈现显著相关的时间间隔。子序列与第一序列的起始值相同，起始点都是第一个预测值。且，子序列中各实测值的时间间隔与第一序列中各实测值的时间间隔相同。子序列中实测值少于第一序列。第一偏自相关阶数表征：第一序列中的实测值与第一序列中的第一个实测值，呈现显著相关的时间间隔。
[0122]
通过本公开实施例确定arima目标预测模型参数的方法，可以准确地确定出arima目标预测模型的参数。
[0123]
在一种可能的实现方式中，所述根据各所述化学需氧量预测值的标准差，建立置信区间，包括：
[0124]
以各所述化学需氧量预测值的一倍标准差、二倍标准差、三倍标准差建立第一置信区间、第二置信区间以及第三置信区间；
[0125]
其中，不同置信区间对应不同的管网水质情况。
[0126]
在本公开实施例中，可以建立不同的置信区间，各置信区间可以对应一种管网水质情况。例如：可以将化学需氧量预测值的一倍标准差作为第一置信区间；将化学需氧量预测值的二倍标准差与一倍标准差不重叠的部分作为第二置信区间；将化学需氧量预测值的三倍标准差与二倍标准差不重叠的部分作为第三置信区间。根据管网水质情况，确定是否进行管网水质异常告警，或确定进行不同级别的管网水质异常警告。
[0127]
为了更准确地判断管网水质情况，可以设置：第一置信区间内的最大数值小于第二置信区间内的最小数值，第二置信区间内的最大数值小于第三置信区间内的最小数值。
[0128]
第一置信区间内的数值，可以表征管网水质处于正常状态。第二置信区间内的数值，可以表征管网水质疑似异常，但是未达到异常的状态。第三置信区间内的数值，可以表征管网水质异常。当数值大于第三置信区间内的最大值时，可以表征管网水质严重异常。
[0129]
在某些场景下，在预测时间段内的特定的时间点的化学需氧量与其他时间化学需氧量有较大差异。但是，符合该管网化学需氧量的变化规律。所以，可以针对这些特定的时间点，建立有别于其他时间点的特定置信区间。
[0130]
示例性地，早上7时～8时、晚上8时～10时是洗漱高峰时段，所以，污水管网中的化学需氧量会明显升高。因此，可以将早上7时、8时，以及，晚上8时、9时、10时定义为特定的时间点，以特定的时间点的化学需氧量预测值的二倍标准差建立第一特定置信区间；以特定的时间点的化学需氧量预测值的三倍标准差建立第二特定置信区间；以特定的时间点的化学需氧量预测值的五倍标准差建立第三特定置信区间；其中，不同特定置信区间可以表征特定的时间点的不同管网水质情况。
[0131]
而且，第一特定置信区间内的最大数值可以小于第二特定置信区间内的最小数值，第二特定置信区间内的最大数值可以小于第三特定置信区间内的最小数值。在特定的时点之间构成的时间段内，第一特定置信区间内的数值，可以表征管网水质处于正常状态。第二特定置信区间内的数值，可以表征管网水质疑似异常，但是未达到异常的状态。第三特定置信区间内的数值，可以表征管网水质异常。当数值大于第三置信区间内的最大值时，可
以表征管网水质严重异常。
[0132]
通过根据同一化学需氧量预测值设置不同的置信区间，提高确定管网的水质情况的准确性。并且，通过对特殊的时间点建立特定置信区间，以区别预测时间段中其他时间点的置信区间，使得所建立的置信区间也符合管网化学需氧量的变化规律，进而可以准确地确定出预测时间段中各时间点对应的管网水质情况。
[0133]
在一种可能的实现方式中，所述根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警，包括：在所述待预测时间点的化学需氧量实测值落入所述第一置信区间内的情况下，确定管网水质无异常，不进行管网水质异常告警；在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，确定管网水质疑似异常，不进行管网水质异常告警并持续监测；在所述待预测时间点的化学需氧量实测值落入所述第三置信区间内的情况下，进行管网水质异常告警；在所述待预测时间点的化学需氧量实测值超过所述第三置信区间内的情况下，进行管网水质严重异常告警。
[0134]
在待预测时间点的化学需氧量实测值落入到第一置信区间，和/或，在特定的时间点的化学需氧量实测值落入到特定第一置信区间的情况下，不进行管网水质异常告警。
[0135]
在待预测时间点的化学需氧量实测值落入到第二置信区间，和/或，在特定的时间点的化学需氧量实测值落入到特定第二置信区间的情况下，可以不进行管网水质异常警告，且进行持续监测，以备管网水质出现异常后能够及时告警。
[0136]
在待预测时间点的化学需氧量实测值落入到第三置信区间，和/或，在特定的时间点的化学需氧量实测值落入到特定第三置信区间的情况下，进行管网水质异常告警。
[0137]
在待预测时间点的化学需氧量实测值超过第三置信区间，和/或，在特定的时间点的化学需氧量实测值超过特定第三置信区间的情况下，进行管网水质严重异常警告。还可以根据实际需要采取联动措施，比如，调节管网阀门，将这一时间段的污水排入到指定蓄水池，等待特殊净化处理。
[0138]
在本公开实施例中，根据各所述待预测时间点的化学需氧量实测值与各置信区间的关系，确定是否进行管网水质异常告警，以及确定告警的级别，可以提高管网水质异常预警准确性。
[0139]
在一种可能的实现方式中，所述方法还包括：在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，预测下一周期的化学需氧量预测值；以下一周期的化学需氧量预测值的二倍标准差，重新建立第二置信区间；在下一周期的化学需氧量实测值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。
[0140]
有时，管网水质疑似异常具有周期性，在这种情况下，可以在下一个预测时间段中继续监测化学需氧量预测值。例如：监测与上一个预测时间段发生水质疑似异常的相同时间点的化学需氧量预测值，如果该化学需氧量预测值仍落入其对应的第二置信区间，则向用户发送需进行现场勘测的通知。这样，可以及时且准确地提示用户，及时处理管网水污染。
[0141]
在一种可能的实现方式中，所述方法还包括：在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，缩短待预测时间点的间隔，所述待预测时间点之后预测的化学需氧量的预测值的二倍标准差，重新建立第二置信区间；在预设第一时长
内，化学需氧量的预测值持续落入第二置信区间的情况下，向用户发送需进行现场勘测的通知。
[0142]
在实际应用中，有时，管网水质疑似异常具有持续性，在这种情况下，可以缩短待预测时间点的间隔，即增加预测的频率，在发生管网水质疑似异常的时间点之后的预设时长之内，持续监测，如果管网化学需氧量预测值持续落入各自的第二置信区间，则说明发生了管网水质持续疑似异常，则向用户发送需进行现场勘测的通知。这样，可以及时且准确地提示用户，及时处理管网水污染。而且，可以降低因为偶发性预测误差导致错误告警的概率。
[0143]
在一种可能的实现方式中，所述arima目标预测模型的构建过程，包括：将历史时间周期中与试验时间点相同的时间点的化学需氧量实测值，输入多个原始预测模型，获得所述试验时间点的多个化学需氧量预测值，各所述原始预测模型的参数不同，其中，所述试验时间点包含所述各待预测时间点；确定各所述原始预测模型的参数数量与化学需氧量残差之间的差值，所述化学需氧量残差为所述原始预测模型预测的化学需氧量预测值与化学需氧量实测值之间的差异；按照各差值从小到大的顺序，对多个所述原始预测模型进行排序，得到模型顺序；按照所述模型顺序，依次判断各原始预测模型的化学需氧量残差的时间序列为零的概率与预设第一显著性阈值的大小关系，将所述概率大于所述预设第一显著性阈值的原始预测模型作为所述arima目标预测模型。
[0144]
在本公开实施例中，可以建立多个原始预测模型。原始预测模型的参数的种类可以不同，和/或，同种参数的参数数量可以不同。
[0145]
这里将在构建arima目标预测模型过程中的历史时间序列中与待预测时间点相同的时间点命名为试验时间点。在本公开实施例中，可以预先设置获取试验时间点的化学需氧量实测值的第二周期，在第二周期中设置获取化学需氧量实测值的时间点。第二周期可以与第一周期相同。历史周期中与试验时间点相同的时间点可以为：在试验时间点之前的第二周期中，与试验时间点相同的时间点。试验时间点可以是获取化学需氧量实测值的时间点。各试验时间点包含各待预测时间点。
[0146]
各原始预测模型可以根据历史时间周期中与试验时间点相同的时间点的化学需氧量实测值，分别预测出同一试验时间点的化学需氧量预测值；且，获得这些化学需氧量预测值与同一试验时间点的化学需氧量实测值的残差。单一原始预测模型可以对应一个化学需氧量残差。
[0147]
原始预测模型的化学需氧量残差与原始模型的参数数量之间可以具有差值。按照这个差值，从小到大，将各原始预测模型进行排序，获得模型顺序。在模型顺序中，可以将差值最小的原始预测模型排序为第一。在一个示例中，可以使用赤池信息准则(akaike information criterion，aic)确定模型顺序。为了便于解释，使用公式(1)展示使用aic确定模型顺序。
[0148]
aic＝2k-ln (l)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0149]
其中k为模型参数数量，ln(l)为模型似然函数l的自然对数，aic为原始预测模型的池赤信息。
[0150]
通常，原始预测模型的参数数量越多，在模型构建或训练过程中，预测模型的准确性越高，但是，在参数数量过多的情况下，会出现预测模型过拟合的情况，影响预测模型在
应用中的预测准确性。所以，在构建预测模型时，需要在预测模型的准确性和参数数量之间进行平衡。排序越靠前，也即差值越小的原始预测模型在准确性和参数数量之间的平衡性更加优越，成为arima目标预测模型的概率越大。
[0151]
在确定了模型顺序后，可以按照这个模型顺序，根据原始预测模型的化学需氧量残差，挑选arima目标预测模型。
[0152]
例如，按照试验时间点的顺序，将多个试验时间点的化学需氧量残差进行排列，形成原始预测模型化学需氧量残差的时间序列。并且，按照前述模型顺序，从排序第一的原始预测模型开始，求取各原始预测模型的化学需氧量残差的时间序列为0的概率，也就是，求取各原始预测模型的各试验时间点的化学需氧量预测值与化学需氧量观测值相同的概率。当首次出现，这一概率大于预设的第一显著阈值的原始预测模型时，说明该原始预测模型的预测结果可以接近观测值。所以，可以将该原始预测模型作为arima目标预测模型。这里的第一显著阈值表征：arima目标预测模型的预测准确性的最低下限。
[0153]
优先将原始预测模型按照差值的大小，从小到大将原始预测模型进行排序，使得最有可能成为arima目标预测模型的原始预测模型，可以先进行上述化学需氧量残差的时间序列为零的概率与第一显著性阈值的大小关系判断，可以减少工作量。进而，可以提高从原始预测模型中确定出arima目标预测模型的效率。
[0154]
在一种可能的实现方式中，所述方法还包括：将所述试验时间点的前一时间点的外因因素预测值，以及历史时间周期中与所述试验时间点相同的时间点的外因因素实测值，输入外因因素预测模型，获得所述试验时间点的外因因素预测值；在化学需氧量残差与外因因素残差的互相关系数超过预设第四置信区间且为正数的情况下，将所述外因因素作为arima目标预测模型的外因参数；所述化学需氧量残差为所述arima目标预测模型的化学需氧量预测值与化学需氧量实测值的差异，所述外因因素残差为外因因素预测模型的外因因素预测值与外因因素实测值的差异。
[0155]
在实际应用中，化学需氧量的预测值还可以与外因参数相关。外因参数可以是对化学需氧量预测具有影响的因素。外因参数可以从众多的外因因素中选择。外因因素可以为待测管网的各种因素。这些外因因素对化学需氧量预测构成了潜在影响，外因因素可以包括：浊度、总悬浮物、流量、液位、上游阀门开闭情况等中的一种或多种。在本公开实施例中，可以通过外因因素预测模型获得外因因素的预测值；可以通过不同的外因因素预测模型获得多个外因因素预测值。
[0156]
外因因素预测模型可以根据试验时间点的前一时间点的外因因素预测值，以及历史时间周期中与试验时间点相同的时间点的外因因素实测值，预测出试验时间点的外因因素预测值。其中，这里的试验时间点的前一时间点可以为前一试验时间点。
[0157]
为了确定目标外因参数，可以通过化学需氧量残差与外因因素残差之间的因果关系判断，选择能够使得出化学需氧量跟随变化的外因因素，作为外因参数。
[0158]
例如，可以针对同一试验时间点，确定出化学需氧量实测值、化学需氧量预测值、外因因素实测值、外因因素预测值；进而，确定出化学需氧量残差、外因因素残差；建立互相关系数方程，通过互相关系数方程计算出化学需氧量残差与外因因素残差的互相关系数。如果，互相关系数超过了预设的第四置信区间则说明化学需氧量与外因因素有较强的因果关系；如果，互相关系数为正数，说明化学需氧量跟随外因因素的变化而变化，也即，外因因
素作为因果关系中的“因”，主动影响化学需氧量。所以，可以选择出互相关系数超过预设第四置信区间且为正数的外因因素，作为目标外因参数。
[0159]
通过同一试验时间点的化学需氧量残差与外因因素残差之间的因果关系，确定出主动影响化学需氧量的外因参数，可以有效丰富arima目标预测模型的参数，提高预测的准确性。
[0160]
在一种可能的实现方式中，所述arima目标预测模型的参数的确定过程，还包括：确定大于预设第二显著性阈值的所述第一偏自相关系数所对应的时间间隔；按照所述时间间隔，从所述第一序列中提取化学需氧量实测值，构成第二序列；确定第二序列中的实测值对应的第二自相关系数和第二偏自相关系数；在所述第二自相关系数呈现指数衰减，且所述第二偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：时间间隔、第二自相关阶数、第二偏自相关阶数，第二差分阶数。
[0161]
在本公开实施例中，可以预设第二显著性阈值。第二显著性阈值表征第一序列中的各实测值与第一个实测值达到显著相关的下限值。
[0162]
如果第一偏自相关系数大于第二显著性阈值，说明第一偏自相关系数对应的实测值与第一序列中第一个实测值显著相关；则可以将第一偏自相关系数对应的实测值与第一序列中第一个实测值的时间间隔，作为预测模型的又一个参数。
[0163]
按照该时间间隔，从第一序列中进一步提取出化学需氧量实测值，构成第二序列。进而确定出arima目标预测模型的参数：第二自相关阶数、第二偏自相关阶数，第二差分阶数。由于这三个参数的确定方法与前述确定第一自相关阶数、第一偏自相关阶数、第一差分阶数的方法类似，所以此处不再赘述。
[0164]
通过本公开实施例确定arima目标预测模型参数的方法，可以为arima目标预测模型确定更加丰富且有效的参数，提高预测的准确性。
[0165]
示例性地，建立arima目标预测模型可以包括：
[0166]
步骤(1)检测监测数据{(t1,z1,1),(t2,z1,2),(t3,z1,3),
…
,(tn,z1,n)}是否满足正态分布或方差是否随时间变化，如果非正态分布则需要box-cox转换，为了便于解释，使用公式(5)展示box-cox转换：
[0167][0168]
其中c为常数项，z
t
为原始时间序列，λ为转换系数。z
t(λ)
为转化后满足正态分布的时间序列。
[0169]
步骤(2)进行季节拆分，为了便于解释，使用公式(6)表示季节拆分的过程：
[0170][0171]
是季节性拆分算子，s是季节系数，代表季节的数量，bs后移运算子
[0172]
步骤(3)季节相关性模拟，为了便于解释，使用公式(7)、(8)、(9)表示季节相关性模拟的过程：
[0173][0174]
φ(bs)＝1-φ1b
s-φ2b
2s
‑…‑
φ
pbps
ꢀꢀꢀꢀ
(8)
[0175]
θ(bs)＝1-θ1b
s-θ2b
2s
‑…‑
θ
qbqs
ꢀꢀꢀꢀꢀ
(9)
[0176]
步骤(4)进行步骤(2)，(3)步模拟，建立原始预测模型，使用公式(10)表示所建立的原始预测模型：
[0177][0178]
φ(bs)是季节性自相关算子，θ(bs)季节性滑动平均算子，φ(b)是自相关算子，θ(b)为滑动平均算子，是非季节性拆分算子，a
t
为模型残差。
[0179]
原始预测模型也可以表示为wqpm(p,d,q)x(p,d,q)s。其中p为第一自相关系数，d为第一差分阶数，q为第一偏自相关系数，s为季节系数，p为第二自相关系数，q为第二偏自相关系数，d为第二差分阶数。wqpm模型共有7类参数。
[0180]
步骤(5)选择最适合模型，由于参数量大，需要在模型训练过程中选择最优参数组合。使用赤池信息准则，将赤池信息数值最小的原始模型确定为arima目标预测模型。为了便于解释使用公式(11)表示根据赤池信息确定arima目标预测模型
[0181]
aic＝2k-ln (l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0182]
其中k为模型参数数量，ln(l)为模型似然函数l的自然对数，aic最小的对应模型即为arima目标预测模型。
[0183]
图3示出本公开实施例提供的一种管网水质告警装置的结构示意图。如图3所示，所述装置20包括：
[0184]
目标模型构建单元21，用于构建arima目标预测模型，其中所述arima目标预测模型通过赤池信息准则筛选，其中所述arima目标预测模型通过赤池信息准则筛选；
[0185]
化学需氧量预测单元22，用于根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，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；
[0186]
置信区间构建单元23，用于根据各所述化学需氧量预测值的标准差，建立置信区间；
[0187]
告警单元24，用于根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警；
[0188]
参数确定单元25，用于获取时序排列的化学需氧量实测值构成的第一序列；确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数；在所述第一自相关系数呈现指数衰减，且所述第一偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：第一自相关阶数、第一偏自相关阶数，第一差分阶数。
[0189]
在一种可能的实现方式中，所述置信区间构建单元23，用于：
[0190]
以各所述化学需氧量预测值的一倍标准差、二倍标准差、三倍标准差建立第一置信区间、第二置信区间以及第三置信区间；
[0191]
其中，不同置信区间对应不同的管网水质情况。
[0192]
在一种可能的实现方式中，所述告警单元24，用于：
[0193]
在所述待预测时间点的化学需氧量实测值落入所述第一置信区间内的情况下，确定管网水质无异常，不进行管网水质异常告警；
[0194]
在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，确
定管网水质疑似异常，不进行管网水质异常告警并持续监测；
[0195]
在所述待预测时间点的化学需氧量实测值落入所述第三置信区间内的情况下，进行管网水质异常告警；
[0196]
在所述待预测时间点的化学需氧量实测值超过所述第三置信区间内的情况下，进行管网水质严重异常告警。
[0197]
在一种可能的实现方式中，所述arima目标预测模型的构建过程，包括：
[0198]
将历史时间周期中与试验时间点相同的时间点的化学需氧量实测值，输入多个原始预测模型，获得所述试验时间点的多个化学需氧量预测值，各所述原始预测模型的参数不同，其中，所述试验时间点包含所述各待预测时间点；
[0199]
确定各所述原始预测模型的参数数量与化学需氧量残差之间的差值，所述化学需氧量残差为所述原始预测模型预测的化学需氧量预测值与化学需氧量实测值之间的差异；
[0200]
按照各差值从小到大的顺序，对多个所述原始预测模型进行排序，得到模型顺序；
[0201]
按照所述模型顺序，依次判断各原始预测模型的化学需氧量残差的时间序列为零的概率与预设第一显著性阈值的大小关系，将所述概率大于所述预设第一显著性阈值的原始预测模型作为所述arima目标预测模型。
[0202]
在一种可能的实现方式中，所述装置还包括：
[0203]
外因因素预测单元，用于将所述试验时间点的前一时间点的外因因素预测值，以及历史时间周期中与所述试验时间点相同的时间点的外因因素实测值，输入外因因素预测模型，获得所述试验时间点的外因因素预测值；
[0204]
外因参数确定单元，用于在化学需氧量残差与外因因素残差的互相关系数超过预设第四置信区间且为正数的情况下，将所述外因因素作为arima目标预测模型的外因参数；所述化学需氧量残差为arima所述目标预测模型的化学需氧量预测值与化学需氧量实测值的差异，所述外因因素残差为外因因素预测模型的外因因素预测值与外因因素实测值的差异。
[0205]
在一种可能的实现方式中，所述外因因素包括：浊度、总悬浮物、流量、液位、上游阀门开闭中的一种或多种。
[0206]
在一种可能的实现方式中，所述arima目标预测模型的参数的确定过程，还包括：
[0207]
确定大于预设第二显著性阈值的所述第一偏自相关系数所对应的时间间隔；
[0208]
按照所述时间间隔，从所述第一序列中提取化学需氧量实测值，构成第二序列；
[0209]
确定第二序列中的实测值对应的第二自相关系数和第二偏自相关系数；
[0210]
在所述第二自相关系数呈现指数衰减，且所述第二偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：时间间隔、第二自相关阶数、第二偏自相关阶数，第二差分阶数。
[0211]
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0212]
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
[0213]
本公开实施例还提出一种电子设备，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。
[0214]
本公开实施例还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。
[0215]
图4示出本公开实施例提供的一种管网水质告警电子设备800的结构示意图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0216]
参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)接口812，传感器组件814，以及通信组件816。
[0217]
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
[0218]
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0219]
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
[0220]
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0221]
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
[0222]
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0223]
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0224]
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0225]
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0226]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
[0227]
图5示出本公开实施例提供的一种管网水质告警电子设备的结构示意图。例如，装置1900可以被提供为一服务器或终端设备。参照图5，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
[0228]
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(i/o)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
[0229]
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
[0230]
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
[0231]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存
储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
[0232]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0233]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0234]
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0235]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0236]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0237]
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程
序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0238]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种基于arima模型的水质告警方法，其特征在于，包括：构建arima目标预测模型，其中所述arima目标预测模型通过赤池信息准则筛选；根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，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；根据各所述化学需氧量预测值的标准差，建立置信区间；根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警；所述arima目标预测模型的参数的确定过程，包括：获取时序排列的化学需氧量实测值构成的第一序列；确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数；在所述第一自相关系数呈现指数衰减，且所述第一偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：第一自相关阶数、第一偏自相关阶数，第一差分阶数。2.根据权利要求1所述的方法，其特征在于，所述根据各所述化学需氧量预测值的标准差，建立置信区间，包括：以各所述化学需氧量预测值的一倍标准差、二倍标准差、三倍标准差建立第一置信区间、第二置信区间以及第三置信区间；其中，不同置信区间对应不同的管网水质情况。3.根据权利要求2所述的方法，其特征在于，所述根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警，包括：在所述待预测时间点的化学需氧量实测值落入所述第一置信区间内的情况下，确定管网水质无异常，不进行管网水质异常告警；在所述待预测时间点的化学需氧量实测值落入所述第二置信区间内的情况下，确定管网水质疑似异常，不进行管网水质异常告警并持续监测；在所述待预测时间点的化学需氧量实测值落入所述第三置信区间内的情况下，进行管网水质异常告警；在所述待预测时间点的化学需氧量实测值超过所述第三置信区间内的情况下，进行管网水质严重异常告警。4.根据权利要求1所述的方法，其特征在于，所述arima目标预测模型的构建过程，包括：将历史时间周期中与试验时间点相同的时间点的化学需氧量实测值，输入多个原始预测模型，获得所述试验时间点的多个化学需氧量预测值，各所述原始预测模型的参数不同，其中，所述试验时间点包含所述各待预测时间点；确定各所述原始预测模型的参数数量与化学需氧量残差之间的差值，所述化学需氧量残差为所述原始预测模型预测的化学需氧量预测值与化学需氧量实测值之间的差异；按照各差值从小到大的顺序，对多个所述原始预测模型进行排序，得到模型顺序；按照所述模型顺序，依次判断各原始预测模型的化学需氧量残差的时间序列为零的概
率与预设第一显著性阈值的大小关系，将所述概率大于所述预设第一显著性阈值的原始预测模型作为所述arima目标预测模型。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：将所述试验时间点的前一时间点的外因因素预测值，以及历史时间周期中与所述试验时间点相同的时间点的外因因素实测值，输入外因因素预测模型，获得所述试验时间点的外因因素预测值；在化学需氧量残差与外因因素残差的互相关系数超过预设第四置信区间且为正数的情况下，将所述外因因素作为arima目标预测模型的外因参数；所述化学需氧量残差为所述arima目标预测模型的化学需氧量预测值与化学需氧量实测值的差异，所述外因因素残差为外因因素预测模型的外因因素预测值与外因因素实测值的差异。6.根据权利要求5所述的方法，其特征在于，所述外因因素包括：浊度、总悬浮物、流量、液位、上游阀门开闭中的一种或多种。7.根据权利要求1～6任一项所述的方法，其特征在于，所述arima目标预测模型的参数的确定过程，还包括：确定大于预设第二显著性阈值的所述第一偏自相关系数所对应的时间间隔；按照所述时间间隔，从所述第一序列中提取化学需氧量实测值，构成第二序列；确定第二序列中的实测值对应的第二自相关系数和第二偏自相关系数；在所述第二自相关系数呈现指数衰减，且所述第二偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：时间间隔、第二自相关阶数、第二偏自相关阶数，第二差分阶数。8.一种基于arima模型的水质告警装置，其特征在于，包括：目标模型构建单元，用于构建arima目标预测模型，其中所述arima目标预测模型通过赤池信息准则筛选；化学需氧量预测单元，用于根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述arima目标预测模型，预测出各所述待预测时间点的化学需氧量预测值，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；置信区间构建单元，用于根据各所述化学需氧量预测值的标准差，建立置信区间；告警单元，用于根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警；参数确定单元，用于获取时序排列的化学需氧量实测值构成的第一序列；确定第一序列中的实测值对应的第一自相关系数和第一偏自相关系数；在所述第一自相关系数呈现指数衰减，且所述第一偏自相关系数呈现指数衰减的情况下，确定所述arima目标预测模型的参数包括：第一自相关阶数、第一偏自相关阶数，第一差分阶数。9.一种电子设备，其特征在于，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，实现权利要求1至7中任意一项所述的方法。
10.一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，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

技术总结
本公开涉及一种基于ARIMA模型的水质告警方法及装置、电子设备和存储介质，该方法包括：构建ARIMA目标预测模型；根据监测点位各待预测时间点的前一时间点的化学需氧量预测值、历史时间周期中与各所述待预测时间点相同的时间点的化学需氧量实测值以及所述ARIMA目标预测模型，预测出各所述待预测时间点的化学需氧量预测值；根据各所述化学需氧量预测值的标准差，建立置信区间；根据各所述待预测时间点的化学需氧量实测值是否落入所述置信区间，确定是否进行管网水质异常告警。本公开实施例能够提高化学需氧量预测值的准确性，进而能够更准确地、及时地判断出管网水质异常，并发出水质异常告警。异常告警。异常告警。


技术研发人员：向欣 王嘉薇 李军 刘哲
受保护的技术使用者：三峡科技有限责任公司
技术研发日：2023.04.18
技术公布日：2023/7/21