一种基于水务大模型的水旱灾害防御智能查询系统及方法与流程

本发明涉及水务ai大模型语言查询，具体为一种基于水务大模型的水旱灾害防御智能查询系统及方法。

背景技术：

1、近年来，随着大语言模型技术的突破，部分水务单位开始尝试构建基于水务大模型的智能体，通过自然语言交互方式为用户提供水情查询、知识问答和工单分析等服务，极大降低了操作门槛，提高了信息获取效率。

2、尽管上述发展取得了显著成效，由于现有系统将来自传感器、人工填报、历史档案等多源数据直接或经简单清洗后作为大模型的检索与训练语料，水文传感器常因雷击、淤积、漂移等产生异常值，人工填报存在录入错误，历史档案亦不乏残缺或矛盾数据，“污染数据”被大模型学习后，模型会以流畅、自信的自然语言输出错误信息。与传统仪表盘显示异常值不同，大模型将错误包装为“权威答案”，用户极易产生错误信任，从而做出错误调度决策；

3、其次水旱灾害防御要求对水库水位、河道流量、降雨强度等指标具有秒级甚至亚秒级的响应能力。当用户询问“当前水位”时，系统实际返回的是数分钟前的历史数据。更为隐蔽的是，部分系统通过缓存或近似查询来缩短响应时间，但本质上仍无法提供“此时此刻”的真实值。

4、综上由污染数据与陈旧数据叠加产生的“复合型幻觉”在现有技术中完全没有被识别或防范，是当前水务大模型从演示走向实战的最大障碍之一。

技术实现思路

1、本发明的目的在于提供一种基于水务大模型的水旱灾害防御智能查询系统及方法，以解决现有技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于水务大模型的水旱灾害防御智能查询方法，所述方法包括以下步骤：

4、s100、在水务大模型构建查询智能体时，将输入的每个数据作为一个数据点，针对每个数据点计算质量总分，判断污染数据和有效数据进行数据清洗，将清洗后的数据写入缓存数据库；

5、进一步的，所述将清洗后的数据写入缓存数据库的具体步骤为：

6、s101、针对每个数据点检测数据字段是否存在缺失，当无缺失时，设置完整性分值a（ti）为1，当存在缺失时，设置完整性分值a（ti）为0；工作人员对每种数据均设置物理阈值[lmin，lmax]，lmin表示物理阈值下限，lmax表示物理阈值上限；利用物理阈值对每个数据点进行判断，当数据点的值处于物理阈值内时，设置物理合理性分值b（ti）为1，当数据点的值处于物理阈值之外时，设置物理合理性分值b（ti）为0；

7、在相同种类数据中，针对每个数据点计算与数据点相邻的其余k个数据点平均值，利用平均值计算对应数据点的时空一致性分值，公式为：

8、；

9、公式中，c（ti）表示第i时刻输入数据点的时空一致性分值，r（ti）表示第i时刻输入数据点的物理值，表示与数据点相邻的其余k个数据点平均值，ϵ表示极小值防止除零；

10、s102、分别对完整性分值、物理合理性分值和时空一致性分值归一化后赋予权重求和计算得到每个数据点的质量总分，公式为：

11、；

12、公式中，s（ti）表示第i时刻输入数据点的质量总分，w1、w2、w3为权重系数，总和为1，由技术人员根据经验对权重系数进行调整设置，举例设置w1=0.3、w2=0.4、w3=0.3；通过完整性、物理合理性、时空一致性三维度评分，能自动识别并剔除传感器漂移、通信错误、人工录入错误等导致的污染数据，从源头保障后续预测和查询的可靠性。

13、当s（ti）

14、s200、在当前系统时间之前，选取有效数据及对应时间戳计算有效数据的平均变化率，利用平均变化率和衰减因子预测合理延迟后有效数据的未来值；

15、进一步的，所述利用平均变化率和衰减因子预测合理延迟后有效数据的未来值的具体步骤为：

16、s201、从当前系统时间之前，选取最近m个有效数据和对应时间戳，设选取有效数据从前到后为e-m+1至e，首先计算相邻时间间隔有效数据的变化率，所述时间戳表示有效数据真实采集时间，公式为：

17、；

18、公式中，rj表示第j个时间间隔有效数据的变化率，rj表示第j个时间间隔后一个有效数据，rj-1表示第j个时间间隔前一个有效数据，tj表示第j个时间间隔后一个有效数据的时间戳，tj-1表示第j个时间间隔前一个有效数据的时间戳；j=e-m+2、...、e；e表示选取最后一个有效数据序号；

19、规定m≥3时，继续计算平均变化率，反之输出无法预测请稍后重试；

20、将计算的m-1个变化率进行指数加权移动平均计算得到有效数据的平均变化率，公式为：

21、；

22、公式中，α表示平均变化率，λ表示衰减因子，λ初始值设置为0.7，rt-k+1表示在系统时间e-k+1时的有效数据变化率；采用指数加权移动平均给最新变化率更高权重，能快速响应水位骤涨、骤落等突发水情，比简单算术平均更灵敏。

23、s202、利用有效数据的平均变化率对每个数据点进行预测，得到合理延迟后的未来值，公式为：p=rt+α×d，rt表示当前系统时间数据点的值，d表示合理延迟，p表示合理延迟后数据点的未来值；

24、同时计算预测的未来值不确定性半径，公式为：

25、；

26、公式中，ε表示不确定性半径，β表示放大系数，j=e-m+2、...、e。不依赖大模型生成数值，而是用轻量级滑动窗口线性外推，计算速度极快（毫秒级），且预测过程完全透明，用户可自行验算。同时输出预测误差范围ε，避免用户盲目信任单一数值，为防汛决策提供风险边界。

27、s300、当用户向查询智能体发出查询请求时，实时采集每个数据点的合理延迟分量，计算得到当前用户查询的合理延迟；

28、进一步的，所述计算得到当前用户查询的合理延迟的具体步骤为：

29、s301、系统记录数据点采集时刻、进入查询智能体时刻、数据清洗所需时间、写入缓存数据库时间、用户向查询智能体发出查询请求时刻和系统生成答案时刻，利用数据点进入查询智能体时刻减去数据点采集时刻得到网络传输时间，数据清洗所需时间定为质量校验时间，写入缓存数据库时间定为缓存时间，利用系统生成答案时刻减去发出查询请求时刻得到响应时间；

30、所述合理延迟分量包括网络传输时间、质量校验时间、缓存时间和响应时间；当用户向查询智能体发出查询请求时，提取最近n次查询智能体成功回答的记录，利用合理延迟分量计算n次延时平均值作为合理延迟，公式为：

31、；

32、公式中，d表示合理延迟，d1（i）表示第i次回答成功记录中的网络传输时间，d2（i）表示第i次回答成功记录中的质量校验时间，d3（i）表示第i次回答成功记录中的缓存时间，d4（i）表示第i次回答成功记录中的响应时间。实时采集网络传输、质量校验、缓存、响应等分量，并取近期平均值作为合理延迟d，使预测时间跨度与实际系统负载匹配，避免固定延迟导致欠预测或过预测。

33、s400、针对每个数据的未来值生成四元组，在四元组中附带哈希校验值；

34、进一步的，所述在四元组中附带哈希校验值的具体步骤为：

35、s401、针对每个数据的未来值生成四元组，所述四元组为（p，ε，ttarget，fid），其中ttarget表示未来值对应的未来物理时刻，ttarget=tq-d，tq表示用户向查询智能体发出查询请求时刻；fid表示未来值计算公式编号；

36、同时在四元组中附带提供复算功能的哈希校验值h，h=hash（concat（tq，d，r（ti），α，m，λ）），其中hash采用简单的md5算法。哈希校验值h基于查询时刻、延迟、最新实测值、变化率等关键参数生成，任何环节的数据被修改都会导致哈希比对失败，保障预测结果的可信度。

37、s500、构建幻觉判别规则库，利用幻觉判别规则库对每个数据未来值的四元组进行判断，区分查询智能体数据预测的未来值和虚假数据；

38、进一步的，所述区分查询智能体数据预测的未来值和虚假数据的具体步骤为：

39、s501、所述幻觉判别规则库包括缺少元数据、时间戳矛盾、不一致的可复算性、误差区间不合理和数据源缺失；

40、所述缺少元数据表示当输出的数值没有附带四元组时，判定为虚假数据；

41、所述时间戳矛盾表示若某数据为显示为预测的未来值，但ttarget≤tq，判断为虚假数据；

42、所述不一致的可复算性表示利用哈希校验值中的数据代入重新计算得到校验未来值p’，当|p’-p|>0.01×max（|p’|，|p|）时，判断为虚假数据；

43、所述误差区间不合理表示当不确定性半径超出数据物理容许最大变化范围时，判断为虚假数据，所述物理容许最大变化范围由专业人员设置；

44、所述数据源缺失表示当m<3时，依旧输出一个预测的未来值时，判断为虚假数据；通过缺少元数据、时间戳矛盾、复算不一致、误差超限、数据源不足等硬性规则，精准拦截大模型自行生成的虚假数字，而不会误杀系统正常的预测值。

45、s502、在查询智能体回答用户查询请求时，针对所有数值型字段，先利用幻觉判别规则库中规则进行遍历判断，若通过所有规则，判断为未来值输出；若任意一条规则触发，判断为虚假数据，删除数值型字段，替换为“数据不足无法预测”进行显示，并记录告警。一旦检测到幻觉，系统自动替换为“数据不足无法预测”并记录告警，避免将错误信息传递给用户，同时提醒运维人员检查大模型或数据源。

46、s600、将用户查询数据对应的未来值显示，并附带未来值计算痕迹，用户根据计算痕迹进行验证；

47、进一步的，所述用户根据计算痕迹进行验证的具体步骤为：

48、s601、将预测的未来值进行显示，附带合理延迟和使用的m个有效数据、平均变化率计算过程、未来值计算过程和不确定性半径。直接展示m个有效数据、平均变化率计算过程、预测公式及误差半径，用户可手动复算，消除对“黑箱ai”的不信任感。

49、s700、在合理延迟过后，查询智能体输出用户查询数据的真实值，计算查询数据的实际误差，利用实际误差对衰减因子进行优化。

50、进一步的，所述利用实际误差对衰减因子进行优化的具体步骤为：

51、s701、在合理延迟过后，查询智能体输出用户查询数据的真实值，计算查询数据的实际误差e，e=r（ttarget）-p,r（ttarget）表示合理延迟过后用户查询数据的真实值；

52、利用实际误差对衰减因子进行优化，公式为：

53、；

54、公式中，λnew表示优化后的衰减因子，λold表示优化前的衰减因子，sign表示判定函数，当|e|>2ε时，sign=1；|e|<2ε时，sign=-1；|e|=2ε时，sign=0。当预测误差持续偏大时，自动降低衰减因子λ，使滑动窗口更平均地考虑历史数据，避免过度依赖近期趋势；反之则提高λ，加快对当前变化率的响应。

55、一种基于水务大模型的水旱灾害防御智能查询系统，水旱灾害防御智能查询系统包括数据质量模块、数据预测模块、合理延迟模块、数据校验模块、幻觉判断模块、显示模块和反馈优化模块；

56、所述数据质量模块用于在水务大模型构建查询智能体时，将输入的每个数据作为一个数据点，针对每个数据点计算质量总分，判断污染数据和有效数据进行数据清洗，将清洗后的数据写入缓存数据库；

57、所述数据预测模块用于在当前系统时间之前，选取有效数据及对应时间戳计算有效数据的平均变化率，利用平均变化率和衰减因子预测合理延迟后有效数据的未来值；

58、所述合理延迟模块用于当用户向查询智能体发出查询请求时，实时采集每个数据点的合理延迟分量，计算得到当前用户查询的合理延迟；

59、所述数据校验模块用于针对每个数据的未来值生成四元组，在四元组中附带哈希校验值；

60、所述幻觉判断模块用于构建幻觉判别规则库，利用幻觉判别规则库对每个数据未来值的四元组进行判断，区分查询智能体数据预测的未来值和虚假数据；

61、所述显示模块用于将用户查询数据对应的未来值显示，并附带未来值计算痕迹，用户根据计算痕迹进行验证；

62、所述反馈优化模块用于在合理延迟过后，查询智能体输出用户查询数据的真实值，计算查询数据的实际误差，利用实际误差对衰减因子进行优化。

63、幻觉判断模块包括幻觉判别规则库单元和判断单元；

64、所述幻觉判别规则库单元包括缺少元数据、时间戳矛盾、不一致的可复算性、误差区间不合理和数据源缺失；

65、所述判断单元用于利用幻觉判别规则库对每个数据未来值的四元组进行判断，区分查询智能体数据预测的未来值和虚假数据。

66、与现有技术相比，本发明的有益效果是：

67、1、本发明通过动态测量系统延迟d，并利用加权线性外推预测未来d秒后的数值，向用户提供与查询时刻“准同步”的信息，满足防汛调度对实时性的严苛要求。

68、2、现有大模型在缺乏检索信息时可能胡乱编造数字，而本发明采用确定性公式预测+硬规则幻觉判别的双重保障：预测值自带可复算公式，幻觉判别规则库自动拦截任何不符合物理逻辑或缺少元数据的虚假数值，确保用户看到的每一个数字都有据可查。