基于大模型的防汛数据异常分析方法、装置、设备及介质与流程

本发明涉及防汛减灾，特别涉及基于大模型的防汛数据异常分析方法、装置、设备及介质。

背景技术：

1、传统防汛会商系统在技术架构和应用效能上存在一些瓶颈，比如模型与算法固化滞后，目前大部分的防汛系统采用静态水文模型，参数的确定依赖于历史数据统计，无法适应气候变化导致的水文规律变异，模型缺乏自学习能力，对新出现的灾害链（如洪水叠加山体滑坡）识别率不足，难以支撑复杂场景决策。还比如决策支持体系被动低效，防汛预案多为静态文本模板，90%以上未实现动态更新，无法根据实时汛情调整响应策略，同时，缺乏可视化推演工具，决策者难以直观评估不同调度方案的淹没风险，无法量化淹没损失，导致关键调度窗口错失。

2、近年来，大模型技术通过知识整合与推理能力革新，在防汛领域展现出巨大潜力，但实际应用仍存在一些问题，比如数据关联智能化不足，现有系统多实现单一模态数据（如水文或气象）的分析，未构建多维度知识关联体系，异常检测鲁棒性待提升。究其原因，主要是因为当前大模型主要依赖阈值法或简单统计模型识别异常数据，对复杂工况适应性差，难以支撑高风险决策。尽管大模型在知识检索、预案生成等方面取得突破，但尚未实现“数据-模型-决策”的全链条智能化，亟需通过参数解析引擎与动态规则优化技术提升实战效能。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于大模型的防汛数据异常分析方法、装置、设备及介质，能够通过大模型参数解析和数据智能关联，能够提供更准确、全面的防汛信息，采用先进的异常分析技术，能够及时发现汛情中的异常情况，提高事件处理和分析的准确率和效率。其具体方案如下：

2、第一方面，本发明公开了一种基于大模型的防汛数据异常分析方法，包括：

3、对目标参数进行处理，以得到处理后参数；所述目标参数包括地理信息系统数据、水文时序数据以及业务规则数据；

4、将所述处理后参数输入预先训练好的行业大模型中，以得到包含双向映射表的水利知识图谱；所述双向映射表用于记录目标参数与模型向量之间的映射关系；所述水利知识图谱为水利领域的实体、模型向量和目标关系之间的知识图谱；所述目标关系表征不同实体之间存在的联系或相互作用；所述目标关系包括调控、隶属以及流经关系中任意一种或几种的组合；

5、根据目标时间段内的长短期记忆网络预测值、历史极值以及预设安全阈值确定目标阈值，将实时防汛数据与所述目标阈值进行对比，根据相应的对比结果确定所述实时防汛数据是否异常；

6、若所述实时防汛数据异常，则确定实时防汛数据对应的目标模型向量，根据所述水利知识图谱确定所述目标模型向量对应的关联数据，对所述实时防汛数据和所述关联数据进行相应的可视化展示和预警。

7、可选的，所述对目标参数进行处理，以得到处理后参数，包括：

8、基于面向中文地址的预训练语言模型提取所述地理信息系统数据中的空间拓扑特征，并通过坐标转换算法对不同数据源的地理信息系统数据进行空间对齐，以得到第一处理后参数；所述空间拓扑特征包括流域边界以及河道走向；

9、利用目标深度学习模型对所述水文时序数据进行处理，并获取预设时间的依赖关系，以确定水文数据的周期性特征数据，将所述周期性特征数据确定为第二处理后参数；

10、利用prompt模板将所述业务规则数据的非结构化文本转换为结构化键值对，以得到第三处理后参数。

11、可选的，所述将所述处理后参数输入预先训练好的行业大模型中，以得到包含双向映射表的水利知识图谱之前，还包括：

12、确定所述处理后参数的参数类型，根据所述参数类型选取目标大模型；

13、对所述目标大模型进行训练，以得到训练好的行业大模型。

14、可选的，所述将所述处理后参数输入预先训练好的行业大模型中，以得到包含双向映射表的水利知识图谱，包括：

15、将所述处理后参数输入预先训练好的行业大模型中，通过动态时间规整算法对所述处理后参数进行时间对齐，并通过r树索引算法对所述地理信息系统数据进行空间关联，以得到基于图数据库构建的包含双向映射表的水利知识图谱；所述水利知识图谱中的实体包括监测站、水库以及堤防中任意一种或几种的组合。

16、可选的，所述根据目标时间段内的长短期记忆网络预测值、历史极值以及预设安全阈值确定目标阈值，包括：

17、确定所述长短期记忆网络预测值与目标数值之间的目标乘积；

18、将所述目标乘积、所述历史极值以及所述预设安全阈值中的最大值确定为所述目标阈值。

19、可选的，所述将实时防汛数据与所述目标阈值进行对比，根据相应的对比结果确定所述实时防汛数据是否异常，包括：

20、若所述实时防汛数据大于所述目标阈值，则判定所述实时防汛数据异常；

21、若所述实时防汛数据小于或等于所述目标阈值，则判定所述实时防汛数据正常。

22、可选的，所述对所述实时防汛数据和所述关联数据进行相应的可视化展示和预警，包括：

23、基于所述实时防汛数据和所述关联数据采用cesiumjs开源引擎进行流域级三维场景渲染，将渲染后的三维场景进行可视化展示；所述三维场景包括地形以及影像；

24、通过北斗短报文或第五代移动通信技术基于所述实时防汛数据和所述关联数据发送相应的预警信息。

25、第二方面，本发明公开了一种基于大模型的防汛数据异常分析装置，包括：

26、参数处理模块，用于对目标参数进行处理，以得到处理后参数；所述目标参数包括地理信息系统数据、水文时序数据以及业务规则数据；

27、知识图谱获取模块，用于将所述处理后参数输入预先训练好的行业大模型中，以得到包含双向映射表的水利知识图谱；所述双向映射表用于记录目标参数与模型向量之间的映射关系；所述水利知识图谱为水利领域的实体、模型向量和目标关系之间的知识图谱；所述目标关系表征不同实体之间存在的联系或相互作用；所述目标关系包括调控、隶属以及流经关系中任意一种或几种的组合；

28、对比模块，用于根据目标时间段内的长短期记忆网络预测值、历史极值以及预设安全阈值确定目标阈值，将实时防汛数据与所述目标阈值进行对比，根据相应的对比结果确定所述实时防汛数据是否异常；

29、展示与预警模块，用于若所述实时防汛数据异常，则确定实时防汛数据对应的目标模型向量，根据所述水利知识图谱确定所述目标模型向量对应的关联数据，对所述实时防汛数据和所述关联数据进行相应的可视化展示和预警。

30、第三方面，本发明公开了一种电子设备，包括：

31、存储器，用于存储计算机程序；

32、处理器，用于执行计算机程序以实现如前述的基于大模型的防汛数据异常分析方法。

33、第四方面，本发明公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述的基于大模型的防汛数据异常分析方法。

34、本技术首先对目标参数进行处理，以得到处理后参数；所述目标参数包括地理信息系统数据、水文时序数据以及业务规则数据；将所述处理后参数输入预先训练好的行业大模型中，以得到包含双向映射表的水利知识图谱；所述双向映射表用于记录目标参数与模型向量之间的映射关系；所述水利知识图谱为水利领域的实体、模型向量和目标关系之间的知识图谱；所述目标关系表征不同实体之间存在的联系或相互作用；所述目标关系包括调控、隶属以及流经关系中任意一种或几种的组合；根据目标时间段内的长短期记忆网络预测值、历史极值以及预设安全阈值确定目标阈值，将实时防汛数据与所述目标阈值进行对比，根据相应的对比结果确定所述实时防汛数据是否异常；若所述实时防汛数据异常，则确定实时防汛数据对应的目标模型向量，根据所述水利知识图谱确定所述目标模型向量对应的关联数据，对所述实时防汛数据和所述关联数据进行相应的可视化展示和预警。可见，本技术通过参数解析实现地理信息系统数据、水文监测数据与业务规则的多维度关联。结合历史特征对比与实时阈值检测，自动识别异常数据，并生成可视化预警信息。进而减少了人工干预，提高了防汛会商数据的处理效率和异常检测的灵敏度。并且提高防汛决策的科学性和效率。