一种基于人工智能的异常区域的识别方法及电子设备与流程

1.本技术属于人工智能技术领域，尤其涉及一种基于人工智能的异常区域的识别方法及电子设备。


背景技术：

2.随着城市化进程的不断推进，楼宇以及工厂的覆盖面积也随之增加，在城市建筑面积不断扩大的同时，供水的管网也需配套建设，以满足居民以及企业的生活以及生产需要。随着管网布设面积的增加，如何能够有效地对管道进行管理成为了亟待解决的问题。
3.现有的水管管理技术，一般是在管道出现大面积渗漏导致地面出现破裂或塌陷时才能够发现漏损的情况，并且由于部分管道布放时间较早，无法配置对应的漏损定位仪，从而降低了漏损管道的识别效率，无法及时确认漏损情况，继而降低了城市管网的管理效果。


技术实现要素：

4.本技术实施例提供了一种基于人工智能的异常区域的识别方法、装置、电子设备及存储介质，可以解决现有的水管管理技术，一般是在管道出现大面积渗漏导致地面出现破裂或塌陷时才能够发现漏损的情况，并且由于部分管道布放时间较早，无法配置对应的漏损定位仪，从而降低了漏损管道的识别效率，无法及时确认漏损情况，继而降低了城市管网的管理效果的问题。
5.第一方面，本技术实施例提供了一种基于人工智能的异常区域的识别方法，包括：接收各个分布式节点反馈的第一流量数据；所述分布式节点部署于目标地域内的任一地域分区；所述分布式节点用于获取所属的所述地域分区内任一目标管道的流量信息；将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据；所述流体力学模型是基于所述目标地域的地域信息生成的；根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道；在所述目标地域的监控界面内标记出各个所述异常管道。
6.在第一方面的一种可能的实现方式中，在所述将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据之前，还包括：获取所述地域分区内所有目标管道的管道属性；所述管道属性包含管道长度以及、管道孔径以及摩阻系数；所述摩阻系数是根据所述目标管道的管道材质以及使用时长确定的；根据各个所述目标管道所在位置的高度差，生成所述目标管道对应的海拔偏差因子；
根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块；所述流体力学模块包含有至少一个输入因子以及至少一个输出因子；根据各个所述流体力学子模块对应的所述输入因子以及所述输出因子，合并各个所述流体力学子模块，生成所述流体力学模型。
7.在第一方面的一种可能的实现方式中，所述管道属性还包括所述目标管道的使用时长；所述根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块，包括：获取所述地域分区的水质信息，确定所述地域分区的硬度等级；根据所述硬度等级以及所述使用时长，确定所述目标管道的孔径偏差因子；所述孔径偏差因子具体为：其中，aperturelv为所述孔径偏差因子；baseapt为所述管道孔径；useyear为所述使用时长；waterhardness为所述硬度等级；bases为预设的基准孔径表面积；
△
d为预设的单位孔径长度；basewh为预设的硬度基准值；α为预设的调整系数；e为自然系数；将所述目标管道划分为多个管道段，并根据所述孔径偏差因子对各个所述管道段对应的所述管道孔径进行更新，得到各个所述管道段的校正孔径；所述校正孔径具体为：其中，为第i个所述管道段的所述校正孔径；为第i个所述管道段的所述管道孔径；ramdom[long]为随机管道段选取函数；所述随机管道段选取函数是基于所述硬度等级确定的；基于各个所述管道段对应的所述校正孔径以及所述管道长度，计算所述目标管道的预测进水量；将所述预测进水量以及所述海拔偏差因子，导入到预设的水流力学模板，生成所述流体力学子模块。
[0008]
在第一方面的一种可能的实现方式中，所述根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道，包括：若任一所述第一流量数据与所述第二流量数据之间的偏差值大于或等于预设的第一偏差阈值，则将异常的第一流量数据对应的地域分区识别为异常分区；所述异常的第一流量数据具体为与所述第二流量数据之间的偏差值大于或等于所述第一偏差阈值的第一流量数据；
在所述异常分区中标记所述异常的第一流量数据对应的所述目标管道，所有标记的所述目标管道识别为异常候选管道；以预设的异常监控周期获取所述异常候选管道对应的第三流量数据；根据多个所述异常监控周期对应的所述第三流量数据，以及各个所述异常候选管道对应的流量数据记录，识别所述异常管道；和/或若所有所述第一流量数据与所述第二流量数据之间的偏差值均小于所述第一偏差阈值，且所述第一流量数据之和与所述第二流量数据之和大于预设的第二偏差阈值，则从所述目标地域中标记出未配置有所述分布式节点的待监控管道；获取所述待监控管道上各个关联住户的水表读数，确定所述待监控管道对应的第四流量数据；根据所述流体力学模型生成所述待监控管道的预测流体模型，并通过所述预测流体模型确定所述待监控管道的第五流量数据；若所述第四流量数据与所述第五流量数据之间的偏差值大于预设的第三偏差阈值，则识别所述待监控管道为所述异常管道。
[0009]
在第一方面的一种可能的实现方式中，所述根据多个所述异常监控周期对应的所述第三流量数据，以及各个所述异常候选管道对应的流量数据记录，识别所述异常管道，包括：根据所有所述流量数据记录，确定所述异常监控周期对应的期望流量均值；根据所述第三流量数据与所述期望流量均值计算所述异常候选管道的流量偏差系数；根据所述异常候选管道对应的管道长度以及使用时长，确定所述异常候选管道的管道属性系数；所述管道属性系数具体为：其中，aptweight为所述管道属性系数；basepress为预设的基准水压值；baselong为基准管道长度；sigmoid为激活函数；γ为预设的调整系数；根据所述流量偏差系数以及所述管道属性系数，计算所述异常候选管道的异常置信度；其中，flowweight为所述流量偏差系数；β和δ为预设的权重值；若所述异常置信度大于预设的置信度阈值，则识别所述异常候选管道为所述异常管道。
[0010]
在第一方面的一种可能的实现方式中，所述以预设的异常监控周期获取所述异常候选管道对应的第三流量数据，包括：向所述异常候选管道对应的智能调压车辆发送监控指令，以使所述智能调压车辆在所述异常候选管道上的任一位置配置流量传感器；接收所述智能调压车辆反馈的关于所述流量传感器的通信地址；
基于所述通信地址向所述流量传感器发送所述异常监控周期；所述异常监控周期是基于所述异常候选管道上配置的流量传感器的总数确定的；接收各个所述流量传感器基于所述异常监控周期反馈的所述第三流量数据。
[0011]
在第一方面的一种可能的实现方式中，在所述接收各个分布式节点反馈的第一流量数据之前，还包括：根据各个所述分布式节点对应的多个历史流量数据，计算所述分布式节点的标准流量范围；根据所述标准流量范围为所述分布式节点配置反馈触发条件；所述反馈触发条件用于在所述分布式节点检测到在预设的监控时长内对应的第六流量数据在所述标准流量范围外时，向所述监控终端反馈监控触发指令；所述接收各个分布式节点反馈的第一流量数据，包括：响应于任一所述分布式节点发送的所述监控触发指令，向各个所述分布式节点发送流量反馈指令；接收各个所述分布式终端基于所述流量反馈指令发送的所述第一流量数据。
[0012]
第二方面，本技术实施例提供了一种基于人工智能的异常区域的识别装置，包括：第一流量数据接收单元，用于接收各个分布式节点反馈的第一流量数据；所述分布式节点部署于目标地域内的任一地域分区；所述分布式节点用于获取所属的所述地域分区内任一目标管道的流量信息；第二流量数据输出单元，用于将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据；所述流体力学模型是基于所述目标地域的地域信息生成的；异常管道识别单元，用于根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道；异常管道标记单元，用于在所述目标地域的监控界面内标记出各个所述异常管道。
[0013]
第三方面，本技术实施例提供了一种电子设备，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任一项所述的方法。
[0014]
第四方面，本技术实施例提供了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任一项所述的方法。
[0015]
第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面中任一项所述的方法。
[0016]
本技术实施例与现有技术相比存在的有益效果是：通过将目标地域划分为多个地域分区，并为每个低于分区配置至少一个分布式节点，通过该分布式节点获取该地域分区内目标管道的第一流量数据，并通过该目标地域对应的进水量导入到预设的流体力学模型，能够得到对各个分布式节点进行预测的第二流量数据，由于第二流量数据是在无漏损情况下计算得到的流量数据，因此可以通过比对第一流量数据与第二流量数据，判断各个地域分区内的目标管道是否存在漏损的情况，并定位出存在漏洞的异常管道，在预设的监
等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0022]
本技术实施例提供的基于人工智能的异常区域的识别方法可以应用于智能手机、服务器、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、服务器等能够实现视频数据处理的电子设备上。本技术实施例对电子设备的具体类型不作任何限制。特别地，上述电子设备可以为一监控终端，该监控终端可以与各个分布式节点建立通信连接，以接收各个分布式节点反馈的流量数据，并根据流量数据进行存在漏损情况的异常管道进行识别。
[0023]
请参阅图1，图1示出了本技术实施例提供的一种基于人工智能的异常区域的识别方法的实现示意图，该方法包括如下步骤：在s101中，接收各个分布式节点反馈的第一流量数据；所述分布式节点部署于目标地域内的任一地域分区；所述分布式节点用于获取所属的所述地域分区内任一目标管道的流量信息。
[0024]
在本实施例中，监控终端具体可以用于监控一个目标地域内所有目标管道的漏损情况，也可以用于监控多个目标地域内所有目标管道的漏损情况，即监控终端所监控的目标地域的数量可以根据实际情况进行确定，在此不作限定。例如，目标地域可以为某一城市内的一个行政分区，如深圳市的福田区，广州市的天河区等；目标地域也可以为一个城市，如深圳市、广州市等。即不同目标地域的划分可以实际情况进行设置。
[0025]
在本实施例中，便于后续进行漏损管道的定位分析，进行从地域-分区-管道的逐级定位，可以在目标地域内划分不同的地域分区，即一个目标地域可以包含有多个地域分区，而每个地域分区内包含有一条或多条进行漏损监控的目标管道。其中，上述分布式节点即用于获取地域分区内某一目标管道的流量进行，即上述的第一流量数据。需要说明的是，一个地域分区内可以包含多个目标管道，对于长度较长的目标管道，可以在目标管道的多个关键位置上（如管道拐点、管道接驳处等）配置有分布式节点，即一个目标管道可以配置有多个分布式节点；而对于部分管道布放时间较早，或者无法放置分布式节点时，则地域分区内的部分目标管道会出现没有配置分布式节点的情况，即地域分区中各个目标管道所配置的分布式节点的个数是根据环境条件确定的。
[0026]
示例性地，图2示出了本技术一实施例提供的目标地域的划分示意图。参见图2所示，该目标地域包含有三个地域分区，每个地域分区内包含有多条不同的目标管道，在对应的目标管道上可以部署一个或多个分布式节点，分布式节点可以获取该目标管道对应的流量数据（即第一流量数据），并将第一流量数据发送给监控终端。
[0027]
在一种可能的实现方式中，监控终端可以向各个分布式节点发送一个反馈周期。各个分布式节点可以上述反馈周期周期性向监控终端发送本监控周期对应的第一流量数据，监控终端可以在接收到分布式节点反馈的第一流量数据后，则启动存在异常管道的异常区域的识别流程。
[0028]
在一种可能的实现方式，监控终端可以设置有对应的监控周期，若检测到达预设的监控周期时，可以向各个分布式节点发送一个反馈指令，以便各个分布式节点基于上述反馈指令向监控终端发送第一流量数据。
[0029]
在s102中，将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据；所述流体力学模型是基于所述目标地域的
地域信息生成的。
[0030]
在本实施例中，监控终端可以为该目标地域配置关联的流体力学模型。监控终端可以通过采集该目标地域的地域信息，将地域信息导入到预设的力学模型生成算法，以输出该监控终端对应的流体力学模型。其中，上述地域信息包括但不限于：目标地域的地域面积、地域海拔差、目标管道线路图以及各个目标管道的管道信息等。
[0031]
在一种可能的实现方式中，上述生成流体力学模型的方式可以为：监控终端可以根据数的地域信息构建关于该目标地域中目标管道线路图对应的三维管道模型，并在各个进水口配置对应的进水模块，并开启多个进水模块向上述三维管道模型进水送水，并调整各个进水模型的进水量，以获取各个三维管道模型对应的模拟流量数据，从而根据各个模拟流量数据以及上述模拟进水量，生成上述流体力学模型。其中，上述生成流体力学模型的过程可以通过损失函数进行监督，并通过大量的模拟进水量以及模拟流量数据进行训练学习，并在上述函数收敛的情况下，识别上述流体力学模型已训练完成。
[0032]
在本实施例中，监控终端可以获取目标区域的进水口配置有流量传感器，通过该流量传感器获取进水口的进水量。需要说明的是，若该目标地域包含有多个，例如，目标地域包含有多个自来水厂，多个自来水厂可以同时对目标地域输送自来水，在该情况下，监控终端可以获取各个进水口对应的进水量，且上述流体力学模型包含有多个输入参量，将各个进水口对应的进水量导入到按的输入参量内，以生成上述的第二流量数据。
[0033]
在本实施例中，监控终端在接收到分布式节点反馈的第一流量数据后，可以确定上述第一流量数据对应的采集时间，并获取与上述采集时间对应的进水量。其中，由于水流流经各个地域分区需要一定的时间，因此，上述进水量获取的时间可以早第一流量数据的采集时间，提早时间的提前量可以根据流体力学模型对应的预测流速计算得到。监控终端将进水量导入到上述流体力学模型内，可以输出关于各个分布式节点对应的第二流量数据，该第二流量数据具体为在无漏损的情况下，各个分布式节点对应的预期流量信息。
[0034]
在s103中，根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道。
[0035]
在本实施例中，监控终端在获取得的各个分布式节点对应的第二流量数据后，可以将该第二流量数据与实际采集得到的第一流量数据进行比对，由于上述第二流量数据具体用于表示在没有漏损情况下对应的流量数据，因此，若第一流量数据与第二流量数据之间的偏差值较大，则表示大概率管道存在异常的情况，例如在第一流量数据远远小于第二流量数据，则有可能是目标管道存在漏损，因此实际的流量会小于预测的流量；又例如第一流量数据远远大于第二流量数据，则有可能目标管道存在堵塞，又或者与目标管道关联的其他管道存在堵塞，从而导致了流经该目标管道的流量较大。由此可见，可以通过第一流量数据与第二流量数据之间的偏差值，以识别出存在漏损的异常管道。
[0036]
在一种可能的实现方式中，监控终端可以设置有对应的偏差阈值，若上述的偏差值在预设的偏差范围外，则识别该目标管道存在漏损情况，将该目标管道识别为异常管道。反之，若上述的偏差值在上述的偏差范围内，则识别上述管道无漏损情况，将该目标管道识别为正常管道。
[0037]
在一种可能的实现方式中，上述流量数据为在预设时间段内的流量曲线，上述偏差值为在预设时间段中各个时刻对应的偏差值，监控终端可以计算上述偏差值的均值以及
上述偏差值对应的标准差，若上述均值大于预设的均值阈值，且上述的标准差小于预设的标准阈值，则识别该目标管道为异常管道，即上述偏差较大的情况并非突发情况，而是持续稳定的偏差，此时判定是管道漏损导致的；反之，若上述的均值大于预设的均值阈值，且上述的标准差大于或等于预设的标准阈值，则有可能是由于突变情况导致的，并非稳定的漏水，此时可以识别上述目标管道为正常管道。
[0038]
在s104中，在所述目标地域的监控界面内标记出各个所述异常管道。
[0039]
在本实施例中，监控终端可以生成一个关于该目标地域的监控界面，该监控界面内可以显示有该目标地域所对应的地域分区，以及各个地域分区内包含的目标管道，如图2所示。在监控终端识别得到某一地域分区内存在漏损的异常管道时，可以通过预设的方式对异常管道进行标记，从而能够方便用户确定存在漏损的异常区域。其中，标记的方式包括但不限于：用突出的颜色显示，或通过预设的图案进行标记。示例性地，图3示出了本技术一实施例提供的异常管道的标记示意图。参见图3所示，管道1为识别得到的存在漏损的异常管道，监控终端可以在监控界面中通过圆圈的方式进行标注。另一方面，可以将存在异常管道的地域分区识别为异常区域，例如通加粗的方式进行标记，以方便用户确定存在异常的异常管道。
[0040]
在一种可能的实现方式中，监控终端在识别得到异常管道后，可以该异常管道对应的地域分区的管理员发送漏损提示信息，以便管理员对该漏损情况进行核实，从而能够实现快速识别异常情况的目的。
[0041]
以上可以看出，本技术实施例提供的一种基于人工智能的异常区域的识别方法通过将目标地域划分为多个地域分区，并为每个低于分区配置至少一个分布式节点，通过该分布式节点获取该地域分区内目标管道的第一流量数据，并通过该目标地域对应的进水量导入到预设的流体力学模型，能够得到对各个分布式节点进行预测的第二流量数据，由于第二流量数据是在无漏损情况下计算得到的流量数据，因此可以通过比对第一流量数据与第二流量数据，判断各个地域分区内的目标管道是否存在漏损的情况，并定位出存在漏洞的异常管道，在预设的监控界面内标记出存在漏损的异常管道，实现了漏损管道的自动定位的目的。与现有的管道管理技术相比，本技术实施例无需在漏损管道对地面造成影响时才能够确定出异常，而是可以通过预设的流体力学模型进行流量数据预测，并通过在每个地域分区配置对应的分布式节点采集流量数据，将预测数据与实际数据进行比对，实现漏损管道的快速检测，从而能够大大提高漏损管道识别的准确性以及检测效率，继而提高了对于城市内水管管理的精准度。
[0042]
图4示出了本发明第二实施例提供的一种基于人工智能的异常区域的识别方法的具体实现流程图。参见图4，相对于图1所述实施例，本实施例提供的一种基于人工智能的异常区域的识别方法中在所述将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据之前，还包括：s401~s404，具体详述如下：进一步地，在所述将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据之前，还包括：在s401中，获取所述地域分区内所有目标管道的管道属性；所述管道属性包含管道长度以及、管道孔径以及摩阻系数；所述摩阻系数是根据所述目标管道的管道材质以及
使用时长确定的。
[0043]
在本实施例中，监控终端在识别异常管道之前，可以自动构建关于各个地域分区对应的流体力学子模块。由于地域分区相当于整个目标地域而言，面积较小，且目标管道的数量较少，从而将目标区域划分为不同的地域分区，并为各个地域分区配置对应的流体力学子模块，能够大大减少模型的复杂度的同时，也能够提高模块的准确性。需要说明的是，该地域分区内包含有多个目标管道，部分目标管道并未部署有上述的分布式节点，但在构建对应的流体力学子模块时，需获取该地域分区内所有已铺设的目标管道的管道属性。其中，上述管道属性包括有管道长度以及管道孔径。上述管道孔径可以包括内孔径以及外孔径，通过该目标管道对应的内孔径可以确定该目标单元的水流量；而通过目标管道对应的外孔径以及内孔径之间的差值，可以确定该目标管道的管壁厚度，若该管壁厚度越大，则对应的漏损概率越低；反之，若该管壁厚度越小，则对应的漏损概率越小。
[0044]
在一种可能的实现方式中，上述目标管道的摩阻系数具体可以由以下方面确定：1.管道材质，不同的管道材质对应的摩阻系数不同，如某一目标管道为不锈钢材质，则水流经过该管道时可能对应的摩阻系数为a；而某一目标管道为塑料材质，则水流经过该管道时对应的摩阻系数为b，由于上述两个材质表面光滑程度不一样导致的；2.管道使用时长，管道使用越久，管壁磨损程度越高，从而改变了材质表面，因此对应的摩阻系数也会不一样；与此同时，管道使用时长越久，该管道壁上可能存在的水垢程度也不一样，也会导致摩阻系数的改变；3.管道形状，当出现拐弯或者阀门等会对水流产生阻挡的结构，则会改变整体目标管道的摩阻系数，因此电子设备还可以确定拐弯角度以及拐弯个数，还有目标管道内包含的阀门个数，确定上述的摩阻系数。
[0045]
在s402中，根据各个所述目标管道所在位置的高度差，生成所述目标管道对应的海拔偏差因子。
[0046]
在本实施例中，由于目标管道中的自来水的流速除了与目标管道的管道孔径相关外，还与目标管道的进水口与出水口之间的高度差相关，由于重力作用会对水流流速有一定程度的影响，基于此，电子设备可以获取该目标管道的进水口与出水口之间的高度差，并根据该高度差确定该目标管道对应的海拔偏差因子。
[0047]
在一种可能的实现方式中，监控终端可以配置有的海拔因子转换函数，电子设备可以将该目标管道对应的高度差以及管道长度导入上述的海拔因子转换函数，从而输出对应的海拔偏差因子。其中，由于管道长度会影响整个管道对应的倾斜率，例如管道长度越长，则对应的倾斜率越小；反之，若管道长度越段，且对应的高度差越大，则对应的倾斜率越大，监控终端可以通过管道长度以及高度差计算倾斜率，并基于该倾斜率计算得到对应的海拔偏差因子，从而可以确定了重力对于流速的影响。
[0048]
在s403中，根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块；所述流体力学模块包含有至少一个输入因子以及至少一个输出因子。
[0049]
在本实施例中，一个地域分区可以包含多个目标管道，监控终端可以获取各个目标管道的管道长度以及管道孔径，并确定该目标管道对应的地理因素（即上述的海拔偏差因子），能够确定各个目标管道内自来水的流动规律。继而确定各个目标管道之间的连接关系，能够构建地域分区内对应的水管网络，并根据自来水的水体密度，能够确定得到该水管
网络内自来水的流动规律，即得到上述的流体力学子模块。其中，上述输入因子用于确定该地域分区对应的进水口，而输出因子具体为该地域分区的出水口。
[0050]
需要说明的是，上述地域分区内的进水口（即上述的输入因子）可以为目标地域的进水口，也可以为上游的地域分区的出水口；而上述地域分区的出水口可以为该目标地域的出水口，也可以为下游的地域分区的进水口。
[0051]
在s404中，根据各个所述流体力学子模块对应的所述输入因子以及所述输出因子，合并各个所述流体力学子模块，生成所述流体力学模型。
[0052]
在本实施例中，监控终端可以根据各个流体力学子模块对应的输入因子以及输出因子，确定各个流体力学子模块相互之间的连接关系，从而能够根据上述输入因子以及输出因子确定各个流体力学子模块相互之间的耦合函数，并根据各个耦合函数联立关联的流体力学子模块，能够实现多个地域分区间的流体力学子模块的合并，对于整个目标地域内所有的流体力学子模块均通过上述方式进行合并，从而可以生成关于该目标地域对应的流体力学模型。
[0053]
在本技术实施例中，通过获取各个目标管道的管道属性，以及确定目标管道对应的地理环境信息（即上述的高度差），能够准确生成该地域分区对应的流体力学子模块，继而将各个地域分区的流体力学子模块进行合并，能够提高流体力学模型构建的准确性。
[0054]
图5示出了本发明第三实施例提供的一种基于人工智能的异常区域的识别方法s403的具体实现流程图。参见图5，相对于图4所述实施例，本实施例提供的一种基于人工智能的异常区域的识别方法s403包括：s4031~s4035，具体详述如下：进一步地，所述管道属性还包括所述目标管道的使用时长；所述根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块，包括：在s4031中，获取所述地域分区的水质信息，确定所述地域分区的硬度等级。
[0055]
在本实施例中，目标管道在使用的过程中可能会出现水垢，从而实际的管道孔径往往会小于预设的管道孔径。而需要确定水垢的程度，监控终端可以获取该区域内对应的水质信息，该水质信息可以为该目标管道所对应的矿物质含量，从而能够确定该水质信息确定对应的硬度等级。其中，若该水质信息内的矿物质含量越高，则对应的硬度等级越高；反之，若该水质信息内的矿物质含量越低，则对应的硬度等级越低。
[0056]
在s4032中，根据所述硬度等级以及所述使用时长，确定所述目标管道的孔径偏差因子；所述孔径偏差因子具体为：其中，aperturelv为所述孔径偏差因子；baseapt为所述管道孔径；useyear为所述使用时长；waterhardness为所述硬度等级；bases为预设的基准孔径表面积；
△
d为预设的单位孔径长度；basewh为预设的硬度基准值；α为预设的调整系数；e为自然系数。
[0057]
在本实施例中，上述管道属性还包含有该目标管道的使用时长，若该使用时长越长，对应的水垢厚度也会越大，产生水垢的概率也越大；反之，若该使用时长越短，对应的，产生水垢的概率也将越低，对应的水垢厚度也越小。基于此，电子设备可以将上述的硬度等
级以及上述的使用时长，导入到偏差因子转换函数内，可以确定该地域分区内的目标管道对应的孔径偏差因子。其中，由于使用时长与水垢形成的概率是非线性变化的，且生成水垢后的水垢堆积效应也会随之提高，因此可以通过指数函数的方式以模拟水垢厚度，从而使得对应的孔径偏差因子与实际情况更为贴合，并且孔径内水垢的形成与其内径的表面积也相关，即能够承载的水垢的位置的多少，因此，可以根据管道孔径确定该目标管道的内径表面积，从而提高了孔径偏差因子的准确性。
[0058]
在s4033中，将所述目标管道划分为多个管道段，并根据所述孔径偏差因子对各个所述管道段对应的所述管道孔径进行更新，得到各个所述管道段的校正孔径；所述校正孔径具体为：其中，为第i个所述管道段的所述校正孔径；为第i个所述管道段的所述管道孔径；ramdom[long]为随机管道段选取函数；所述随机管道段选取函数是基于所述硬度等级确定的。
[0059]
在本实施例中，由于水垢的形成存在一定的随机性，即并非整个目标管道的所有区域都会均匀地产生水垢，为了能够提高流体力学子模块对应的准确性，监控终端可以对该目标管道进行分段，划分为多个不同的管道段，并分别为每个管道段的管道孔径进行更新，其中，通过随机管道选取函数来模拟管道内水垢的随机形成的特性，并且该随机管道选取函数是根据该目标管道所在地域分区的硬度等级确定的，即硬度等级越高，则形成水垢的概率越大，从而选取的管道段越多，通过上述方式能够对各个管道段的管道孔径进行更新，以得到考虑了水垢后对应的校正孔径。
[0060]
在s4034中，基于各个所述管道段对应的所述校正孔径以及所述管道长度，计算所述目标管道的预测进水量。
[0061]
在本实施例中，监控终端可以各个管道段对应的校正孔径在管道长度的维度上进行积分，将积分后的数值作为该目标管道的预测进水量，以实现精准预测目标管道内的预测进水量的目的。
[0062]
在s4035中，将所述预测进水量以及所述海拔偏差因子，导入到预设的水流力学模板，生成所述流体力学子模块。
[0063]
在本实施例中，监控终端可以配置有自来水对应的水流力学模板，该水流力学模板可以是根据该地域分区内的所有目标管道的管道孔径构建的，将上述的预测进水量以及海拔偏差因子导入到上述的水流力学模板，既可以生成关于该地域分区对应的流体力学子模块。
[0064]
在本技术实施例中，通过确定地域分区的水质信息以及该目标管道的使用时长，能够对目标管道的管道孔径进行校正，从而提高后续构建的流体力学子模块的准确性。
[0065]
图6示出了本发明第四实施例提供的一种基于人工智能的异常区域的识别方法
s103的具体实现流程图。参见图6，相对于图1-5任一项所述实施例，本实施例提供的一种基于人工智能的异常区域的识别方法s103包括：s1031~s1038，具体详述如下：进一步地，所述根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道，包括两种情况，一种是第一流量数据与第二流量数据之间的偏差值较大时的异常管道识别过程，对应后续的s1031~s1034的操作，如图6（a）所示；另一种时每个流量数据之间的偏差值较小，但总体流量数据的偏差值较大时的异常管道识别过程，对应后续的s1035~s1038的操作，如图6（b）所示。
[0066]
情况一：在s1031中，若任一所述第一流量数据与所述第二流量数据之间的偏差值大于或等于预设的第一偏差阈值，则将异常的第一流量数据对应的地域分区识别为异常分区；所述异常的第一流量数据具体为与所述第二流量数据之间的偏差值大于或等于所述第一偏差阈值的第一流量数据。
[0067]
在本实施例中，由于某一目标管道对应的第一流量数据与第二流量数据至今啊的偏差值较大，即大于或等于预设的第一偏差阈值，此时表示对于单个目标管道而言，实际的流量数据与预测的流量数据存在较大的差异，此时需要对该目标管道所在的地域分区进行进一步的异常管道识别。由于某一管道的流量出现异常，可能是由于该管道的上游的某一管道存在漏损，需要进行漏损管道的定位以及溯源。
[0068]
在s1032中，在所述异常分区中标记所述异常的第一流量数据对应的所述目标管道，所有标记的所述目标管道识别为异常候选管道。
[0069]
在本实施例中，监控终端在确定某一流量数据出现异常时，可以确定在该异常分区中该分布式节点的所有上游的目标管道，将其上游的所有目标管道识别为异常候选管道。示例性地，图7示出了本技术一实施例提供的异常候选管道的识别示意图。参见图7所示，分布式节点1用于采集管道1的流量数据，此时管道1的实际流量数据与预测流量数据之间的偏差值大于第一偏差阈值，此时，需要进行异常管道的定位，会将该管道1所在的地域分区识别为异常分区，如将分区1识别为异常分区，并将在分区1中该管道1的上游所有的目标管道识别为异常候选管道，即管道2以及管道3，由于管道3为该管道1在异常分区内的进水口，因此无需再继续溯源。
[0070]
在s1033中，以预设的异常监控周期获取所述异常候选管道对应的第三流量数据。
[0071]
在本实施例中，为了进行进一步的漏损定位，监控周期会再次获取各个异常候选管道的第三流量数据，以通过第三流量数据进行进一步的漏损识别。其中，上述异常监控周期的时长较短，能够获取在短时间内的流量变化，从而能够提高异常管道识别速度，也能够提高异常识别的准确性。
[0072]
进一步地，作为本技术的另一实施例，上述s1033还可以包含以下4个步骤，具体描述如下：在s1033.1中，向所述异常候选管道对应的智能调压车辆发送监控指令，以使所述智能调压车辆在所述异常候选管道上的任一位置配置流量传感器。
[0073]
在s1033.2中，接收所述智能调压车辆反馈的关于所述流量传感器的通信地址。
[0074]
在s1033.3中，基于所述通信地址向所述流量传感器发送所述异常监控周期；所述异常监控周期是基于所述异常候选管道上配置的流量传感器的总数确定的。
[0075]
在s1033.4中，接收各个所述流量传感器基于所述异常监控周期反馈的所述第三流量数据。
[0076]
在本实施例中，由于上述所需监控的异常候选管道可能并未配置有对应的分布式节点，因此为了提高异常识别的准确性，监控终端可以向智能调压车辆发送一个监控指令，以控制智能调压车辆对待监控的异常候选管道安装对应的流量传感器，并在安装完成后，智能调压车辆可以建立上述流量传感器的通信地址与异常候选管道之间的关联关系，将该关联关系以及各个流量传感器对应的通信地址反馈给监控终端，以便监控终端确定每个流量传感器所对应的异常候选管道，并为每个流量传感器配置异常监控周期。其中，上述异常监控周期的周期长度可以根据第一流量数据与第二流量数据之间的偏差值确定，若该偏差值的数值越大，则对应的异常监控周期可以越短，由于偏差值越大，则表示差异程度越高，从而在较短的时间间隔内，即可以采集得到较有代表性的样本。流量传感器在接收到配置的异常监控周期后，可以周期性地向监控终端发送第三流量数据，以便用户根据第三流量数据进行后续的异常管道的定位。
[0077]
在本技术实施例中，通过在异常候选管道上配置对应的流量传感器，能够提高第三流量数据采集的准确性，从而提高后续漏损管道识别的准确性。
[0078]
在s1034中，根据多个所述异常监控周期对应的所述第三流量数据，以及各个所述异常候选管道对应的流量数据记录，识别所述异常管道。
[0079]
在本实施例中，监控终端可以获取在异常候选管道可能出现漏损情况前的流量数据记录，确定该异常候选管道在历史情况下的流量数据，并与第三流量数据进行比较，从而能够识别出流量数据是否出现异常，若是，则将第三流量数据与流量数据记录确定的历史流量数据之间的偏差值大于预设阈值的异常候选管道识别为上述的异常管道。需要说明的是，上述获取得到的流量数据记录是与上述异常监控周期的采集时间相对应的流量数据记录。由于用户用水往往存在一定的周期规律，因此，为了提高异常识别的准确性，上述流量数据记录的采集时间所属的时间段，与上述异常监控周期所属的时间段是一致的。
[0080]
在本技术实施例中，通过在流量数据偏差较大的情况下，定位出异常候选管道，并进行周期性的流量数据的采集，能够提高异常管道识别的准确性，继而提高管道管理的精准度。
[0081]
进一步地，作为本技术的另一实施例，上述s1034具体可以包含以下5个步骤，具体描述如下：在s1034.1中，根据所有所述流量数据记录，确定所述异常监控周期对应的期望流量均值。
[0082]
在本实施例中，监控终端可以根据获取得到的流量数据记录，确定异常候选管道在历史情况下对应的期望流量均值，该期望流量均值用于确定该异常候选管道在正常情况下的流量水平。
[0083]
在s1034.2中，根据所述第三流量数据与所述期望流量均值计算所述异常候选管道的流量偏差系数。
[0084]
在本实施例中，监控终端可以计算上述第三流量数据与期望流量均值之间的差值，并基于该差值的大小确定该异常候选管道对应的流量偏差系数。若第三流量数据与期望流量均值之间的差值越大，则表示异常的概率越高，则对应的流量偏差系数的数值也越
大。
[0085]
在s1034.3中，根据所述异常候选管道对应的管道长度以及使用时长，确定所述异常候选管道的管道属性系数；所述管道属性系数具体为：其中，aptweight为所述管道属性系数；basepress为预设的基准水压值；baselong为基准管道长度；sigmoid为激活函数；γ为预设的调整系数。
[0086]
在本实施例中，管道漏损的情况还与其自身的使用情况相关，例如管道越长，管道中央的应力越大，因而出现漏损的概率也越高；同样地，上述使用时长越长，管道损耗也越严重，对应出现漏损的概率也越高，监控终端可以根据上述两个参量计算对应的管道属性系数，并通过激活函数以及指数函数的方式以模拟应力以及使用时长对于破损的贡献。在一种可能的实现方式中，上述确定管道属性系数还可以根据该目标管道的使用时长以及管道材质，确定与之对应的背景漏失的数值，以对渗漏进行估算，以提高整体计算的准确度。
[0087]
在s1034.4中，根据所述流量偏差系数以及所述管道属性系数，计算所述异常候选管道的异常置信度；其中，flowweight为所述流量偏差系数；β和δ为预设的权重值。
[0088]
在本实施例中，监控终端可以为流量数据以及管道属性配置对应的权重值。其中，流量偏差系数的权重值可以根据异常管道数据的流量标准差确定，该流量标准差是根据该异常管道数据的流量数据记录计算得到的。若该流量标准差越大，则对应的权重值越小；反之，若该流量偏差值越小，则对应的权重值越大。监控终端能够通过预设的权重对上述两个系数进行加权叠加，从而计算得到异常候选管道的异常置信度。
[0089]
在s1034.5中，若所述异常置信度大于预设的置信度阈值，则识别所述异常候选管道为所述异常管道。
[0090]
在本实施例中，检测到某一异常候选管道的异常置信度大于置信度阈值时，则表示该异常管道大概率存在漏损情况，因此可以识别该异常候选管道为异常管道。
[0091]
在本技术实施例中，在进行异常置信度计算时，不仅考虑了流量因素，还考虑管道自身的因素，能够提高异常管道识别的准确性。
[0092]
情况二：在s1035中，若所有所述第一流量数据与所述第二流量数据之间的偏差值均小于所述第一偏差阈值，且所述第一流量数据之和与所述第二流量数据之和大于预设的第二偏差阈值，则从所述目标地域中标记出未配置有所述分布式节点的待监控管道。
[0093]
在s1036中，获取所述待监控管道上各个关联住户的水表读数，确定所述待监控管道对应的第四流量数据。
[0094]
在s1037中，根据所述流体力学模型生成所述待监控管道的预测流体模型，并通过所述预测流体模型确定所述待监控管道的第五流量数据。
[0095]
在s1038中，若所述第四流量数据与所述第五流量数据之间的偏差值大于预设的
第三偏差阈值，则识别所述待监控管道为所述异常管道。
[0096]
在本实施例中，监控终端在检测到所有第一流量数据与其对应的第二流量数据之间的偏差值均小于第一阈值时，则表示各个配置有分布式节点的目标管道而言，均没有明显的漏损情况；但所有第一流量数据之和与第二流量数据之和偏差较大时，即大于上述的第二偏差阈值时，则可能是由于没有配置有分布式节点的目标管道存在漏损情况，即存在漏损的异常管道没有在实时监控下，即属于待监控管道。此时，监控终端可以将该待监控管道的供水范围内的所有住户水表对应的水表读数，对该待监控管道的流量数据进行预测，从而得到上述的第四流量数据。需要说明的是，由于在进行偏差识别时，第二偏差阈值是与所有流量数据之和进行比较，因此，第二偏差阈值会大于单个比对的第一偏差阈值。
[0097]
在本实施例中，监控终端还可以通过预设的流体力学模型确定各个待监控管道在无漏损情况下对应的流量数据，即第五流量数据，并再次计算通过住户水表预测的第四流量数据与第五流量数据之间的偏差值，并将该偏差值与第三偏差阈值进行比较，在偏差值大于上述的第三偏差阈值时，可以识别该待监控管道作为异常管道。
[0098]
在本技术实施例中，通过住户水表对没有部署有分布式节点的待监控管道进行流量数据的预估，从而能够提高异常管道识别的适用范围，从而大大提高了管道管理的范围。
[0099]
图8示出了本发明第五实施例提供的一种基于人工智能的异常区域的识别方法的具体实现流程图。参见图8，相对于图1-5任一项所述实施例，本实施例提供的一种基于人工智能的异常区域的识别方法在所述接收各个分布式节点反馈的第一流量数据之前，还包括：s801~s802，上述s101具体包括：s803~s804具体详述如下：在所述接收各个分布式节点反馈的第一流量数据之前，还包括：在s801中，根据各个所述分布式节点对应的多个历史流量数据，计算所述分布式节点的标准流量范围。
[0100]
在s802中，根据所述标准流量范围为所述分布式节点配置反馈触发条件；所述反馈触发条件用于在所述分布式节点检测到在预设的监控时长内对应的第六流量数据在所述标准流量范围外时，向所述监控终端反馈监控触发指令。
[0101]
在本实施例中，监控终端为了能够提高异常管道的识别效率，即及时识别出异常管道情况，可以为不同的分布式节点配置对应的反馈触发条件。其中，该反馈触发条件是根据该分布式节点对应的历史流量数据确定的。监控终端会获取该分布式节点历史反馈的多个历史流量数据，从而能够确定该历史流量数据对应的上限流量值以及下限流量值，通过上限流量值以及下限流量值，则可以确定该分布式节点对应的标准流量范围。
[0102]
在本实施例中，监控终端可以根据分布式节点对应的标准流量范围，配置对应的反馈触发条件，并将该反馈触发条件发送给分布式节点。其中，上述历史流量数据具体为无漏损情况下对应的历史流量数据。
[0103]
可选地，上述监控终端可以根据不同的时间段为分布式节点配置对应的反馈触发条件。例如在用水频繁时段，如中午、晚上等，可以确定一个标准流量范围；而在非用水时段，如深夜、下午等，可以再确定另一个标准流量范围。因此，在获取上述历史流量数据时，可以选取属于同一时间段的历史流量数据，确定该时间段对应的标准流量范围。
[0104]
在本实施例中，分布式节点可以在所监控的目标管道的流量数据（即第六流量数据）在该标准流量范围外时，识别存在异常情况，并向监控终端发送对应的监控触发指令，
以提示监控终端进行异常管道的识别操作。
[0105]
所述接收各个分布式节点反馈的第一流量数据，包括：在s803中，响应于任一所述分布式节点发送的所述监控触发指令，向各个所述分布式节点发送流量反馈指令；在s804中，接收各个所述分布式终端基于所述流量反馈指令发送的所述第一流量数据。
[0106]
在本实施例中，监控终端可以预设的监控周期执行s101~s104的操作，即定期识别是否存在异常管道；除此之外，监控终端还可以在接收到分布式节点发送的监控反馈指令时，触发异常管道的识别流程，即向各个分布式节点发送流量反馈指令，以便各个分布式节点向监控终端发送第一流量数据。
[0107]
在本技术实施例中，监控终端除了以预设的监控周期定期进行异常管道的识别流程外，还可以基于分布式节点识别得到异常情况时，主动进行异常管道的识别流程，从而能够大大提高异常管道识别的及时性，能够对异常情况进行快速响应，实现了多方式的异常管道的识别触发。
[0108]
图9示出了本发明一实施例提供的一种基于人工智能的异常区域的识别装置的结构框图，该基于人工智能的异常区域的识别装置包括的各单元用于执行图1对应的实施例中加密装置实现的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
[0109]
参见图9，所述基于人工智能的异常区域的识别装置包括：第一流量数据接收单元91，用于接收各个分布式节点反馈的第一流量数据；所述分布式节点部署于目标地域内的任一地域分区；所述分布式节点用于获取所属的所述地域分区内任一目标管道的流量信息；第二流量数据输出单元92，用于将所述目标地域的进水口对应的进水量导入预设的流体力学模型，输出与各个所述分布式节点对应的第二流量数据；所述流体力学模型是基于所述目标地域的地域信息生成的；异常管道识别单元93，用于根据各个所述分布式节点的第一流量数据与所述第二流量数据之间的偏差值，识别存在漏损情况的异常管道；异常管道标记单元94，用于在所述目标地域的监控界面内标记出各个所述异常管道。
[0110]
可选地，所述识别装置还包括：管道属性获取单元，用于获取所述地域分区内所有目标管道的管道属性；所述管道属性包含管道长度以及、管道孔径以及摩阻系数；所述摩阻系数是根据所述目标管道的管道材质以及使用时长确定的；海拔偏差因子确定单元，用于根据各个所述目标管道所在位置的高度差，生成所述目标管道对应的海拔偏差因子；流体力学子模块生成单元，用于根据所述管道长度、所述管道孔径、所述摩阻系数以及所述海拔偏差因子，构建所述地域分区的流体力学子模块；所述流体力学模块包含有至少一个输入因子以及至少一个输出因子；流体力学子模块合并单元，用于根据各个所述流体力学子模块对应的所述输入因子以及所述输出因子，合并各个所述流体力学子模块，生成所述流体力学模型。
[0111]
可选地，所述管道属性还包括所述目标管道的使用时长；所述流体力学子模块生成单元包括：水质参数获取单元，用于获取所述地域分区的水质信息，确定所述地域分区的硬度等级；孔径偏差因子计算单元，用于根据所述硬度等级以及所述使用时长，确定所述目标管道的孔径偏差因子；所述孔径偏差因子具体为：其中，aperturelv为所述孔径偏差因子；baseapt为所述管道孔径；useyear为所述使用时长；waterhardness为所述硬度等级；bases为预设的基准孔径表面积；
△
d为预设的单位孔径长度；basewh为预设的硬度基准值；α为预设的调整系数；e为自然系数；孔径更新单元，用于将所述目标管道划分为多个管道段，并根据所述孔径偏差因子对各个所述管道段对应的所述管道孔径进行更新，得到各个所述管道段的校正孔径；所述校正孔径具体为：其中，为第i个所述管道段的所述校正孔径；为第i个所述管道段的所述管道孔径；ramdom[long]为随机管道段选取函数；所述随机管道段选取函数是基于所述硬度等级确定的；进水量预测单元，用于基于各个所述管道段对应的所述校正孔径以及所述管道长度，计算所述目标管道的预测进水量；流体力学构建单元，用于将所述预测进水量以及所述海拔偏差因子，导入到预设的水流力学模板，生成所述流体力学子模块。
[0112]
可选地，所述异常管道识别单元93包括：第一比对单元，用于若任一所述第一流量数据与所述第二流量数据之间的偏差值大于或等于预设的第一偏差阈值，则将异常的第一流量数据对应的地域分区识别为异常分区；所述异常的第一流量数据具体为与所述第二流量数据之间的偏差值大于或等于所述第一偏差阈值的第一流量数据；异常候选管道识别单元，用于在所述异常分区中标记所述异常的第一流量数据对应的所述目标管道，所有标记的所述目标管道识别为异常候选管道；第三流量数据采集单元，用于以预设的异常监控周期获取所述异常候选管道对应的第三流量数据；第一异常识别单元，用于根据多个所述异常监控周期对应的所述第三流量数据，以及各个所述异常候选管道对应的流量数据记录，识别所述异常管道；和/或
第二比对单元，用于若所有所述第一流量数据与所述第二流量数据之间的偏差值均小于所述第一偏差阈值，且所述第一流量数据之和与所述第二流量数据之和大于预设的第二偏差阈值，则从所述目标地域中标记出未配置有所述分布式节点的待监控管道；第四流量数据获取单元，用于获取所述待监控管道上各个关联住户的水表读数，确定所述待监控管道对应的第四流量数据；第五流量数据获取单元，用于根据所述流体力学模型生成所述待监控管道的预测流体模型，并通过所述预测流体模型确定所述待监控管道的第五流量数据；第二异常识别单元，用于若所述第四流量数据与所述第五流量数据之间的偏差值大于预设的第三偏差阈值，则识别所述待监控管道为所述异常管道。
[0113]
可选地，所述第一异常识别单元包括：流量均值计算单元，用于根据所有所述流量数据记录，确定所述异常监控周期对应的期望流量均值；流量偏差确定单元，用于根据所述第三流量数据与所述期望流量均值计算所述异常候选管道的流量偏差系数；管道属性确定单元，用于根据所述异常候选管道对应的管道长度以及使用时长，确定所述异常候选管道的管道属性系数；所述管道属性系数具体为：其中，aptweight为所述管道属性系数；basepress为预设的基准水压值；baselong为基准管道长度；sigmoid为激活函数；γ为预设的调整系数；异常置信度计算单元，用于根据所述流量偏差系数以及所述管道属性系数，计算所述异常候选管道的异常置信度；其中，flowweight为所述流量偏差系数；β和δ为预设的权重值；置信度比对单元，用于若所述异常置信度大于预设的置信度阈值，则识别所述异常候选管道为所述异常管道。
[0114]
可选地，所述第三流量数据获取单元包括：监控发送单元，用于向所述异常候选管道对应的智能调压车辆发送监控指令，以使所述智能调压车辆在所述异常候选管道上的任一位置配置流量传感器；通信地址获取单元，用于接收所述智能调压车辆反馈的关于所述流量传感器的通信地址；监控周期配置单元，用于基于所述通信地址向所述流量传感器发送所述异常监控周期；所述异常监控周期是基于所述异常候选管道上配置的流量传感器的总数确定的；周期采集单元，用于接收各个所述流量传感器基于所述异常监控周期反馈的所述第三流量数据。
[0115]
可选地，所述识别装置还包括：标准范围识别单元，用于根据各个所述分布式节点对应的多个历史流量数据，计
算所述分布式节点的标准流量范围；触发条件发送单元，用于根据所述标准流量范围为所述分布式节点配置反馈触发条件；所述反馈触发条件用于在所述分布式节点检测到在预设的监控时长内对应的第六流量数据在所述标准流量范围外时，向所述监控终端反馈监控触发指令；所述第一流量数据接收单元91包括：反馈执行发送单元，用于响应于任一所述分布式节点发送的所述监控触发指令，向各个所述分布式节点发送流量反馈指令；反馈执行单元，用于接收各个所述分布式终端基于所述流量反馈指令发送的所述第一流量数据。
[0116]
因此，本发明实施例提供的基于人工智能的异常区域的识别装置同样可以通过将目标地域划分为多个地域分区，并为每个低于分区配置至少一个分布式节点，通过该分布式节点获取该地域分区内目标管道的第一流量数据，并通过该目标地域对应的进水量导入到预设的流体力学模型，能够得到对各个分布式节点进行预测的第二流量数据，由于第二流量数据是在无漏损情况下计算得到的流量数据，因此可以通过比对第一流量数据与第二流量数据，判断各个地域分区内的目标管道是否存在漏损的情况，并定位出存在漏洞的异常管道，在预设的监控界面内标记出存在漏损的异常管道，实现了漏损管道的自动定位的目的。与现有的管道管理技术相比，本技术实施例无需在漏损管道对地面造成影响时才能够确定出异常，而是可以通过预设的流体力学模型进行流量数据预测，并通过在每个地域分区配置对应的分布式节点采集流量数据，将预测数据与实际数据进行比对，实现漏损管道的快速检测，从而能够大大提高漏损管道识别的准确性以及检测效率，继而提高了对于城市内水管管理的精准度。
[0117]
应当理解的是，图9示出的基于人工智能的异常区域的识别装置的结构框图中，各模块用于执行图1至图8对应的实施例中的各步骤，而对于图1至图8对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1至图8以及图1至图8所对应的实施例中的相关描述，此处不再赘述。
[0118]
图10是本技术另一实施例提供的一种电子设备的结构框图。如图10所示，该实施例的电子设备1000包括：处理器1010、存储器1020以及存储在存储器1020中并可在处理器1010运行的计算机程序1030，例如基于人工智能的异常区域的识别方法的程序。处理器1010执行计算机程序1030时实现上述各个基于人工智能的异常区域的识别方法各实施例中的步骤，例如图1所示的s101至s104。或者，处理器1010执行计算机程序1030时实现上述图9对应的实施例中各模块的功能，例如，图9所示的单元91至94的功能，具体请参阅图9对应的实施例中的相关描述。
[0119]
示例性的，计算机程序1030可以被分割成一个或多个模块，一个或者多个模块被存储在存储器1020中，并由处理器1010执行，以完成本技术。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序1030在电子设备1000中的执行过程。例如，计算机程序1030可以被分割成各个单元模块，各模块具体功能如上。
[0120]
电子设备1000可包括，但不仅限于，处理器1010、存储器1020。本领域技术人员可以理解，图10仅仅是电子设备1000的示例，并不构成对电子设备1000的限定，可以包括比图
示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0121]
所称处理器1010可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
[0122]
存储器1020可以是电子设备1000的内部存储单元，例如电子设备1000的硬盘或内存。存储器1020也可以是电子设备1000的外部存储设备，例如电子设备1000上配备的插接式硬盘，智能存储卡，闪存卡等。进一步地，存储器1020还可以既包括电子设备1000的内部存储单元也包括外部存储设备。
[0123]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。