【技術實現步驟摘要】
本專利技術屬于城市污水，具體涉及城市生活污水集中收集率預測方法、系統及其存儲介質。
技術介紹
1、隨著我國對城鎮污水處理及資源化利用的高度重視，城市生活污水集中收集率作為評價城市污水提質增效工作成效以及衡量城市污水處理效率的關鍵指標，其準確計算至關重要。
2、傳統的城市生活污水集中收集率計算方法為：
3、其中人均日生活污染物排放量通常按估算。然而，這種方法存在諸多弊端。首先，人均日生活污染物排放量受城市居民生產生活方式、生活習慣、氣候條件、經濟發展水平等多種因素影響，簡單取忽略了地域差異性。其次，城區用水總人口一般通過常住人口數據統計，未考慮流動人口以及常住人口在不同污水處理廠服務范圍之間的動態流通情況，導致服務人口取值與實際不符。再者，當前建筑小區普遍存在雨污混接、錯接問題，如陽臺立管混接、缺少埋地污水支管、私拉亂接嚴重、沿街商鋪污水排水不暢以及埋地管道破損嚴重等，使得人均日生活污染物排放量無法按完全分流制準確計算，不同類別用地純污水污染產生量計算具有復雜的空間非對稱性。這些問題綜合導致傳統計算方法得出的城市生活污水集中收集率預測結果嚴重失真，無法為污水提質增效工作提供科學準確的支撐。
技術實現思路
1、本申請的目的在于提供城市生活污水集中收集率預測方法、系統及其存儲介質，以解決上述技術問題。
2、根據本申請的一個方面提出了一種城市生活污水集中收集率預測方法，該方法包括以下步驟：
3、s1、獲取污水處理廠服務分區內的用地類型，選取每
4、s2、在監測時段內，采集典型地塊的生活污水量和污水污染物平均濃度，分別計算典型地塊的生活污水污染量；
5、計算典型地塊在監測時段內的手機信令數據統計量，手機信令數據統計量是利用典型地塊的空間范圍與提供原始手機信令數據的關聯基站對應的輻射范圍疊加計算得到；
6、s3、構建以地塊的用地屬性和地塊對應的手機信令數據統計量為輸入，地塊的生活污水污染物預測量為輸出的rbf?神經網絡，訓練獲得地塊的生活污水污染物預測模型；
7、s4、利用生活污水污染物預測模型，獲得待測污水處理廠服務分區的生活污水污染物預測總量，并基于待測污水處理廠收集的生活污水污染物實際總量，計算城市生活污水集中收集率預測值。
8、上述技術方案中，將地塊用地屬性和手機信令統計量與地塊污染物監測數據關聯，構建?rbf?神經網絡模型，可準確地、實時地、動態地預測城市生活污水集中收集率。
9、進一步，典型地塊的排水系統采用雨污分流體制且無污水混接、錯排、偷排、漏排現象，生活污水污染量表示為：
10、
11、其中，表示為第類用地屬性的第個典型地塊在監測時段生活污水污染量，表示為第類用地屬性的第個典型地塊在監測時段生活污水流量，表示為第類用地屬性的第個典型地塊在監測時段內生活污水污染物平均濃度，以bod5計量。
12、上述技術方案中，嚴格限定典型地塊的排水系統采用雨污分流體制且無污水混接、錯排、偷排、漏排現象，不僅保障了訓練數據的準確性和純凈性，還使得所獲取的數據能夠真實反映實際污水產生狀況，為后續模型訓練提供了堅實且高質量的數據基石。
13、進一步，典型地塊對應的手機信令數據統計量的計算步驟：
14、s21、獲取并清洗典型地塊周邊區域中基站服務范圍包含有典型地塊的所有關聯基站在監測時段內的原始手機信令數據；
15、s22、以關聯基站位置為頂點構建delaunay?三角網，生成泰森多邊形，確定關聯基站的服務范圍，利用典型地塊的空間范圍與關聯基站輻射范圍的空間關系，計算關聯基站對典型地塊的交并面積，其中，，表示為典型地塊周邊區域關聯基站數；
16、s23、計算交并面積占典型地塊與各個關聯基站相交面積總和的比值，基于比值獲得關聯基站在監測時段內輻射在典型地塊的手機信令數據量；
17、s24、統計各個關聯基站在監測時段內輻射在典型地塊的手機信令數據量，獲得典型地塊的手機信令數據統計量。
18、上述技術方案中，巧妙借助泰森多邊形技術來精準界定基站與地塊的空間關聯，從而實現對手機信令數據的科學量化與有效整合，有力地提升了數據的可用性和預測模型輸入的合理性。
19、進一步，手機信令數據統計量表示為：
20、
21、其中，表示地塊在監測時段的手機信令數據統計量，表示地塊與關聯基站服務范圍相交部分面積，表示關聯基站在監測時段的手機信令數據總量，表示輻射到地塊的所有關聯基站總數，表示關聯基站輻射的所有地塊的數量，表示一個用于遍歷求和計算的索引變量，從1到取值。
22、上述技術方案中，利用手機信令數據統計量公式，清晰地呈現了基站與典型地塊之間的信令數量關系，為精確量化手機信令數據對污水產生的潛在影響提供了關鍵的量化工具，顯著提高了預測模型輸入數據的科學性與精準度。
23、進一步，rbf?神經網絡的構建包括以下步驟：
24、s31、輸入層設置，將經過預處理的典型地塊的用地屬性編碼向量和對應的手機信令數據統計量數值作為輸入神經元的輸入值；
25、s32、隱藏層設計，隱藏層神經元中的變換函數采用徑向基函數，其隱藏層節點的輸出計算公式為：
26、
27、其中，表示為輸入向量，即典型地塊的用地屬性和對應的手機信令數據統計量數值，表示為歐式范式，表示為高斯函數的中心，表示為平滑因子，用以控制高斯函數的平滑度；
28、s33、輸出層構建，輸出層節點輸出具體表示為：
29、
30、式中，表示為與輸入樣本對應的網絡第個輸出節點的輸出，即生活污水污染物預測量，，表示為輸出節點數，表示為隱藏層到輸出層的連接權值，，表示為隱藏層節點數。
31、上述技術方案中，通過合理設置輸入層、隱藏層和輸出層的參數與結構，使網絡能夠高效地捕捉和處理復雜的數據特征與內在關系，極大地增強了模型對生活污水污染物預測量的擬合能力和預測準確性。
32、更進一步，生活污水污染物總量預測模型的訓練誤差采用累計的誤差平方和用于確定最優參數，其中，誤差平方和表示：
33、
34、式中，為實測生活污水污染量。
35、上述技術方案中，采用累計誤差平方和作為生活污水污染物預測模型的訓練誤差衡量指標，能夠全面且深入地評估模型的預測偏差，進而精準地優化模型參數，有效地提升了模型在不同場景下對生活污水污染物預測量預測結果的穩定性和可靠性。
36、進一步，s4步驟包括：
37、s41、獲取預測期內待測污水處理廠服務分區中的各個待測生活污水產污地塊的用地屬性和計算對應的手機信令數據統計量，利用生活污水污染物預測模型預測各個待測生活污水產污地塊在預測期內的生活污水污染物預測量，獲得待測污水處理廠服務分區的生活污水污染物預測總量；
38、s本文檔來自技高網...
【技術保護點】
1.一種城市生活污水集中收集率預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述典型地塊的排水系統采用雨污分流體制且無污水混接、錯排、偷排、漏排現象，所述生活污水污染量表示為：
3.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述典型地塊對應的手機信令數據統計量的計算步驟：
4.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述手機信令數據統計量表示為：
5.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述RBF?神經網絡的構建包括以下步驟：
6.根據權利要求5所述的城市生活污水集中收集率預測方法，其特征在于，所述生活污水污染物總量預測模型的訓練誤差采用累計的誤差平方和用于確定最優參數，其中，所述誤差平方和表示：
7.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述S4步驟包括：
8.一種城市生活污水集中收集率預測系統，其特征在于，所述系統包括：
9
10.一種計算機可讀存儲介質，所述介質中存儲有計算機程序，在所述計算機程序被處理器執行時，實施如權利要求1至7中任意一項所述的城市生活污水集中收集率預測方法。
...【技術特征摘要】
1.一種城市生活污水集中收集率預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述典型地塊的排水系統采用雨污分流體制且無污水混接、錯排、偷排、漏排現象，所述生活污水污染量表示為：
3.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述典型地塊對應的手機信令數據統計量的計算步驟：
4.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述手機信令數據統計量表示為：
5.根據權利要求1所述的城市生活污水集中收集率預測方法，其特征在于，所述rbf?神經網絡的構建包括以下步驟：
6.根據權...
【專利技術屬性】
技術研發人員：謝鵬貴，佘林，雷璟晗，王寧，林中奇，吳連豐，關天勝，陳秀麗，陳俊宇，蒲群芳，黃黛詩，
申請(專利權)人：廈門市城市規劃設計研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。