基于人工智能的水资源管理方法及系统

摘要

本发明实施例提供一种基于人工智能的水资源管理方法及装置，所述方法包括：获取历史记录中的水资源调度数据，并获取对应的历史水资源数据和地理属性；根据地理属性，结合地理属性权重等级表格，得到地理属性的对应权重；将历史水资源数据、地理属性、地理属性的对应权重以及水资源调度数据输入到卷积神经网络模型训练，得到训练后的模型；判断当前水资源数据是否满足水资源调度需求；满足时获取当前水资源数据的当前地理属性，得到当前地理属性对应权重并输入至训练后的模型，输出对应的水资源调度方案。采用本方法能够根据人工智能的深度学习完成供水管网的水资源之间的管理调度，节省人力资源的同时，也提高了水资源调度效率。

说明书

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的水资源管理方法及系统。

背景技术

目前，随着我国越来越城市化，居民通过水管用水也越来越多，供水管网也渐渐的遍布各处，分布也越来越复杂， 并且在供水管网进行供水时，还会产生多种供水数据。

现有技术中，因为供水管网的越来越复杂，需要进行供水的地点也越来越多，有些时候在供水时就会出现，有的地方供水过量，有些地方供水不足的情况，这时候就需要对各个地方的供水量进行调整，才能不浪费水资源。

根据上述情况，目前针对供水管网的相关供水量调度的管理手段十分复杂，需要相关工作人员经过大量的数据（数据可以包括用水数据，地区因素数据等等）整理计算才能得到对应的结果，计算的过程十分复杂，调度起来十分浪费时间，所以，目前亟需一种能够解决上述问题的针对供水管网的管理方法。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种基于人工智能的水资源管理方法及系统。

本发明实施例提供一种基于人工智能的水资源管理方法，包括：

获取历史记录中的水资源调度数据，并根据所述水资源调度数据获取对应的历史水资源数据和地理属性，所述历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，所述地理属性包括降雨量、人口密集度；

获取预设的地理属性权重等级表格，根据所述地理属性，结合所述地理属性权重等级表格，得到所述地理属性的对应权重；

将所述历史水资源数据、地理属性、地理属性的对应权重以及所述水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

判断当前水资源数据是否满足水资源调度需求；

当所述当前水资源数据满足水资源调度需求，获取所述当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，将所述当前水资源数据、当前地理属性、当前地理属性对应权重输入至所述训练后的卷积神经网络模型，输出对应的水资源调度方案。

在其中一个实施例中，所述方法还包括：

获取当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，并获取所述当前地理属性对应的水资源数据阈值；

将所述当前水资源数据与所述当前地理属性对应权重进行综合计算，将计算结果与所述水资源数据阈值进行对比，根据对比结果判断是否满足水资源调度中调度方的需求。

在其中一个实施例中，所述方法还包括：

当根据所述对比结果判定所述当前水资源数据为水资源调度中的调度方，根据所述当前水资源数据获取对应的历史水资源数据，并根据所述历史水资源数据建立对应的水资源预测模型；

根据所述水资源预测模型预测未来需水量，对所述当前水资源数据进行调度模拟，将调度模拟后的当前水资源数据与未来需水量进行对比；

根据对比结果得到所述当前水资源数据作为调度方的调度水资源量。

在其中一个实施例中，所述方法还包括：

当所述对比结果满足水资源调度中调度方的需求，所述输出对应的水资源调度方案，包括：

获取所述水资源调度中的所有调度方信息，并将所述所有调度方信息输出至所有调度方和被调度方，所述所有调度方信息包括调度方的调度水量数据、调度方当前位置信息。

在其中一个实施例中，所述方法还包括：

获取当前水资源数据对应的当前地理属性，获取所述当前地理属性对应的水资源数据阈值；

对比所述当前水资源数据和所述水资源数据阈值，根据对比结果判断是否满足水资源调度中被调度方的需求。

在其中一个实施例中，所述方法还包括：

当所述对比结果满足水资源调度中被调度方的需求，所述输出对应的水资源调度方案，包括：

接收所述水资源调度中的所有调度方信息，并将所述所有调度方信息输出至水资源管理中心，所述所有调度方信息包括调度方的调度水量数据、调度方当前位置信息。

在其中一个实施例中，所述方法还包括：

将所述水资源调度数据分为训练集和验证集，将所述训练集以及对应的历史水资源数据、地理属性、地理属性的对应权重输入到卷积神经网络模型进行训练，得到训练后的初步卷积神经网络模型；

通过所述验证集以及历史水资源数据、地理属性、地理属性的对应权重输入到训练后的初步卷积神经网络模型进行测试，测试完成后得到所述训练后的卷积神经网络模型。

本发明实施例提供一种基于人工智能的水资源管理系统，包括：

第一获取模块，用于获取历史记录中的水资源调度数据，并根据所述水资源调度数据获取对应的历史水资源数据和地理属性，所述历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，所述地理属性包括降雨量、人口密集度；

第二获取模块，用于获取预设的地理属性权重等级表格，根据所述地理属性，结合所述地理属性权重等级表格，得到所述地理属性的对应权重；

训练模块，用于将所述历史水资源数据、地理属性、地理属性的对应权重以及所述水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；

判断模块，用于判断当前水资源数据是否满足水资源调度需求；

输出模块，用于当所述当前水资源数据满足水资源调度需求，获取所述当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，将所述当前水资源数据、当前地理属性、当前地理属性对应权重输入至所述训练后的卷积神经网络模型，输出对应的水资源调度方案。

本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于人工智能的水资源管理方法的步骤。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于人工智能的水资源管理方法的步骤。

本发明实施例提供的基于人工智能的水资源管理方法及系统，获取历史记录中的水资源调度数据，并根据水资源调度数据获取对应的历史水资源数据和地理属性，历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，地理属性包括降雨量、人口密集度；获取预设的地理属性权重等级表格，根据地理属性，结合地理属性权重等级表格，得到地理属性的对应权重；将历史水资源数据、地理属性、地理属性的对应权重以及水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；判断当前水资源数据是否满足水资源调度需求；当前水资源数据满足水资源调度需求，获取当前水资源数据对应的当前地理属性，并结合地理属性权重等级表格，得到当前地理属性对应权重，将当前水资源数据、当前地理属性、当前地理属性对应权重输入至训练后的卷积神经网络模型，输出对应的水资源调度方案。这样能够根据人工智能的深度学习完成供水管网的水资源之间的管理调度，节省人力资源的同时，也提高了水资源调度效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于人工智能的水资源管理方法的流程图；

图2为本发明实施例中基于人工智能的水资源管理系统的结构图；

图3为本发明实施例中电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的基于人工智能的计量管理方法的流程示意图，如图1所示，本发明实施例提供了一种基于人工智能的计量管理方法，包括：

步骤S101，获取历史记录中的水资源调度数据，并根据所述水资源调度数据获取对应的历史水资源数据和地理属性，所述历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，所述地理属性包括降雨量、人口密集度。

具体地，水资源调度数据为水资源数据库中的基础调度数据，从水资源数据库中获取历史调度记录中的水资源调度数据，并根据水资源调度数据获取在对应的调度记录中的历史水资源数据和地理属性，其中，历史水资源数据指的是在对应的调度记录中，调度双方（调度方与被调度方）的用水量数据、水质数据（一般来说，水质数据越低，调度时需要的水量越高）、水库蓄水位，地理属性指的是调度记录中，调度双方地理位置的降雨量、人口密集度等影响用水的属性。

步骤S102，获取预设的地理属性权重等级表格，根据所述地理属性，结合所述地理属性权重等级表格，得到所述地理属性的对应权重。

具体地，预设的地理属性权重等级表格为地理属性与权重的对应关系表格，一般来说，地理属性对水资源需求量越高，即降雨量越低、人口密集度越高时，对应的地理属性权重越高，反之降雨量越高、人口密集度越低时，对应的地理属性权重越低。

步骤S103，将所述历史水资源数据、地理属性、地理属性的对应权重以及所述水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。

具体地，将历史水资源数据、地理属性、地理属性的对应权重以及水资源调度数据作为输入，输入到卷积神经网络模型的输入层进行模型训练，卷积神经网络模型通过卷积层-池化层-全连接层进行深度学习，得到训练后的卷积神经网络模型。

步骤S104，判断当前水资源数据是否满足水资源调度需求。

具体地，获取当前未知的，是否需要进行调度的水资源数据，判断当前水资源数据是否满足水资源调度需求，其中，水资源调度需求的检测时双向的，既需要检测当前水资源数据是否满足水资源调度中调度方的需求，也需要检测当前水资源数据是否满足水资源调度中被调度方的需求。

步骤S105，当所述当前水资源数据满足水资源调度需求，获取所述当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，将所述当前水资源数据、当前地理属性、当前地理属性对应权重输入至所述训练后的卷积神经网络模型，输出对应的水资源调度方案。

具体的， 当当前水资源数据满足水资源调度需求，说明需要对当前水资源数据进行水资源调度，则获取当前水资源数据对应的当前地理属性，并结合地理属性权重等级表格，得到当前地理属性对应权重，将当前水资源数据、当前地理属性、当前地理属性对应权重作为输入，输入到训练后的卷积神经网络模型，并通过训练后的卷积神经网络模型输出对应的水资源调度方案。

本发明实施例提供的一种基于人工智能的水资源管理方法，获取历史记录中的水资源调度数据，并根据水资源调度数据获取对应的历史水资源数据和地理属性，历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，地理属性包括降雨量、人口密集度；获取预设的地理属性权重等级表格，根据地理属性，结合地理属性权重等级表格，得到地理属性的对应权重；将历史水资源数据、地理属性、地理属性的对应权重以及水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；判断当前水资源数据是否满足水资源调度需求；当前水资源数据满足水资源调度需求，获取当前水资源数据对应的当前地理属性，并结合地理属性权重等级表格，得到当前地理属性对应权重，将当前水资源数据、当前地理属性、当前地理属性对应权重输入至训练后的卷积神经网络模型，输出对应的水资源调度方案。这样能够根据人工智能的深度学习完成供水管网的水资源之间的管理调度，节省人力资源的同时，也提高了水资源调度效率。

在上述实施例的基础上，所述基于人工智能的水资源管理方法，还包括：

获取当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，并获取所述当前地理属性对应的水资源数据阈值；

将所述当前水资源数据与所述当前地理属性对应权重进行综合计算，将计算结果与所述水资源数据阈值进行对比，根据对比结果判断是否满足水资源调度中调度方的需求。

在本发明实施例中，获取当前水资源数据对应的当前地理属性，并结合地理属性权重等级表格，得到当前地理属性对应权重，然后获取当前地理属性对应的水资源数据阈值，其中，水资源数据阈值指的是，在当前地理位置下（比如小区A），根据历史数据中当前地理位置（小区A）平均需要的水资源数据值，将当前水资源数据与所述当前地理属性对应权重进行综合计算，即将小区A当前的水资源数据与对应的权重（水资源需求权重）进行综合计算，得到小区A的水资源结合权重的实际标准，与水资源数据阈值进行对比，判断小区A是否满足水资源调度中调度方的需求。因为判断小区A是否能作为调度方，不仅要看小区A的当前水资源数据是否大于水资源数据阈值，还要保证在小区A进行水资源调度之后，能够有充足的应对各种突发事件的水资源存量，所以需要将小区A当前的水资源数据与对应的权重（水资源需求权重）进行综合计算，比如小区A人口密集程度为2级，降雨量等级为5级，对应的权重可以为10，在进行综合计算时，可以将权重最小值进行单位化，然后权重10可以同样单位化，得到对应的计算数值，然后根据单位化的计算数值与当前水资源数据计算，才能判断小区A是否能作为调度方。

本发明实施例通过综合计算当前水资源数据与当前地理属性对应权重，判断当前水资源数据是否满足调度方的需求，能够清楚的判断当前水资源数据能够进行水资源供给，方便后续输出对应的调度方案。

在上述实施例的基础上，所述基于人工智能的水资源管理方法，还包括：

当根据所述对比结果判定所述当前水资源数据为水资源调度中的调度方，根据所述当前水资源数据获取对应的历史水资源数据，并根据所述历史水资源数据建立对应的水资源预测模型；

根据所述水资源预测模型预测未来需水量，对所述当前水资源数据进行调度模拟，将调度模拟后的当前水资源数据与未来需水量进行对比；

根据对比结果得到所述当前水资源数据作为调度方的调度水资源量。

在本发明实施例中，根据对比结果判断是否满足水资源调度中调度方的需求包括两个步骤：1、根据对比结果判断当前水资源数据是否能作为调度方，2、当前水资源数据需要进行多少水量调度，当根据对比结果判定当前水资源数据为水资源调度中的调度方后，则进行多少水量调度的计算，具体通过当前水资源数据对应的历史水资源数据建立对应的水资源预测模型，并预测未来需水量（参考当前的水资源数据与对应的权重（水资源需求权重）进行综合计算，得到的水资源结合权重的实际标准），然后通过水资源预测模型进行调度模拟，将调度模拟后的当前水资源数据与未来需水量进行对比，并根据对比结果得到当前水资源数据作为调度方的调度水资源量。

本发明实施例在确定当前水资源数据能作为调度方后，明确水资源数据的调度水资源量，保证了水资源调度的高效率进行，提高了水资源调度的准确性。

在上述实施例的基础上，所述基于人工智能的水资源管理方法，还包括：

当所述对比结果满足水资源调度中调度方的需求，所述输出对应的水资源调度方案，包括：

获取所述水资源调度中的所有调度方信息，并将所述所有调度方信息输出至所有调度方和被调度方，所述所有调度方信息包括调度方的调度水量数据、调度方当前位置信息。

在本发明实施例中，当对比结果满足水资源调度中调度方的需求，输出对应的水资源调度方案，水资源调度方案可能包含多个调度方和被调度方，作为调度方中的一部分，获取所有调度方信息，将所有调度方信息输出至所有调度方和被调度方，供所有调度方和被调度方的相关部门了解水量调度的实际情况，方便后续的计费以及档案记录。

本发明实施例在确定当前水资源数据能作为调度方后，获取所有调度方信息，将所有调度方信息输出至所有调度方和被调度方，方便后续的计费以及档案记录。

在上述实施例的基础上，所述基于人工智能的水资源管理方法，还包括：

获取当前水资源数据对应的当前地理属性，获取所述当前地理属性对应的水资源数据阈值；

对比所述当前水资源数据和所述水资源数据阈值，根据对比结果判断是否满足水资源调度中被调度方的需求。

在本发明实施例中，获取当前水资源数据对应的当前地理属性，并然后获取当前地理属性对应的水资源数据阈值，其中，水资源数据阈值指的是，在当前地理位置下（比如小区B），根据历史数据中当前地理位置（小区B）平均需要的水资源数据值，对比小区B当前水资源数据和水资源数据阈值，根据对比结果判断小区B是否满足水资源调度中被调度方的需求。

另外，当小区B满足水资源调度中被调度方的需求，接收对应的水资源调度方案，水资源调度方案可能包含多个调度方和被调度方，由调度方发送所有调度方信息到被调度方，被调度方接收所有调度方信息输出至水资源管理中心，被调度方将所有调度方信息发送至水资源管理中心，方便后续的计费以及档案记录。

本发明实施例在确定当前水资源数据能作为被调度方后，接收所有调度方信息，将所有调度方信息输出至水资源管理中心，方便后续的计费以及档案记录。

在上述实施例的基础上，所述基于人工智能的水资源管理方法，还包括：

将所述水资源调度数据分为训练集和验证集，将所述训练集以及对应的历史水资源数据、地理属性、地理属性的对应权重输入到卷积神经网络模型进行训练，得到训练后的初步卷积神经网络模型；

通过所述验证集以及历史水资源数据、地理属性、地理属性的对应权重输入到训练后的初步卷积神经网络模型进行测试，测试完成后得到所述训练后的卷积神经网络模型。

在本发明实施例中，当水资源调度数据及对应的历史水资源数据、地理属性、地理属性通过卷积神经网络模型进行训练时，对水资源调度数据进行数据分组，具体可以将数据分为80%的训练集与20%的验证集，通过训练集与对应的历史水资源数据、地理属性、地理属性进行初步训练，得到初步卷积神经网络模型，然后通过验证集与对应的历史水资源数据、地理属性、地理属性对初步卷积神经网络模型进行测试，得到训练后的卷积神经网络模型。

本发明实施例通过将水资源调度数据进行数据分组，通过训练集建立初步模型，通过验证集对初步模型进行准确性验证，保证了卷积神经网络模型的准确性。

图2为本发明实施例提供的一种基于人工智能的水资源管理系统，包括：第一获取模块201、第二获取模块202、训练模块203、判断模块204和输出模块205，其中：

第一获取模块201，用于获取历史记录中的水资源调度数据，并根据所述水资源调度数据获取对应的历史水资源数据和地理属性，所述历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，所述地理属性包括降雨量、人口密集度。

第二获取模块202，用于获取预设的地理属性权重等级表格，根据所述地理属性，结合所述地理属性权重等级表格，得到所述地理属性的对应权重。

训练模块203，用于将所述历史水资源数据、地理属性、地理属性的对应权重以及所述水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型。

判断模块204，用于判断当前水资源数据是否满足水资源调度需求。

输出模块205，用于当所述当前水资源数据满足水资源调度需求，获取所述当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，将所述当前水资源数据、当前地理属性、当前地理属性对应权重输入至所述训练后的卷积神经网络模型，输出对应的水资源调度方案。

在一个实施例中，系统还可以包括：

第三获取模块，用于获取当前水资源数据对应的当前地理属性，并结合所述地理属性权重等级表格，得到所述当前地理属性对应权重，并获取所述当前地理属性对应的水资源数据阈值。

计算模块，用于将所述当前水资源数据与所述当前地理属性对应权重进行综合计算，将计算结果与所述水资源数据阈值进行对比，根据对比结果判断是否满足水资源调度中调度方的需求。

在一个实施例中，系统还可以包括：

模型建立模块，用于当根据所述对比结果判定所述当前水资源数据为水资源调度中的调度方，根据所述当前水资源数据获取对应的历史水资源数据，并根据所述历史水资源数据建立对应的水资源预测模型。

对比模块，用于根据所述水资源预测模型预测未来需水量，对所述当前水资源数据进行调度模拟，将调度模拟后的当前水资源数据与未来需水量进行对比。

处理模块，用于根据对比结果得到所述当前水资源数据作为调度方的调度水资源量。

在一个实施例中，系统还可以包括：

第二输出模块，用于当所述对比结果满足水资源调度中调度方的需求，所述输出对应的水资源调度方案，包括：获取所述水资源调度中的所有调度方信息，并将所述所有调度方信息输出至所有调度方和被调度方，所述所有调度方信息包括调度方的调度水量数据、调度方当前位置信息。

在一个实施例中，系统还可以包括：

第四获取模块，用于获取当前水资源数据对应的当前地理属性，获取所述当前地理属性对应的水资源数据阈值。

第二对比模块，用于对比所述当前水资源数据和所述水资源数据阈值，根据对比结果判断是否满足水资源调度中被调度方的需求。

在一个实施例中，系统还可以包括：

第三输出模块，用于当所述对比结果满足水资源调度中被调度方的需求，所述输出对应的水资源调度方案，包括：接收所述水资源调度中的所有调度方信息，并将所述所有调度方信息输出至水资源管理中心，所述所有调度方信息包括调度方的调度水量数据、调度方当前位置信息。

关于基于人工智能的水资源管理系统的具体限定可以参见上文中对于基于人工智能的水资源管理方法的限定，在此不再赘述。上述基于人工智能的水资源管理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：获取历史记录中的水资源调度数据，并根据水资源调度数据获取对应的历史水资源数据和地理属性，历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，地理属性包括降雨量、人口密集度；获取预设的地理属性权重等级表格，根据地理属性，结合地理属性权重等级表格，得到地理属性的对应权重；将历史水资源数据、地理属性、地理属性的对应权重以及水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；判断当前水资源数据是否满足水资源调度需求；当前水资源数据满足水资源调度需求，获取当前水资源数据对应的当前地理属性，并结合地理属性权重等级表格，得到当前地理属性对应权重，将当前水资源数据、当前地理属性、当前地理属性对应权重输入至训练后的卷积神经网络模型，输出对应的水资源调度方案。

此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取历史记录中的水资源调度数据，并根据水资源调度数据获取对应的历史水资源数据和地理属性，历史水资源数据包括调度双方的用水量数据、水质数据、水库蓄水位，地理属性包括降雨量、人口密集度；获取预设的地理属性权重等级表格，根据地理属性，结合地理属性权重等级表格，得到地理属性的对应权重；将历史水资源数据、地理属性、地理属性的对应权重以及水资源调度数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；判断当前水资源数据是否满足水资源调度需求；当前水资源数据满足水资源调度需求，获取当前水资源数据对应的当前地理属性，并结合地理属性权重等级表格，得到当前地理属性对应权重，将当前水资源数据、当前地理属性、当前地理属性对应权重输入至训练后的卷积神经网络模型，输出对应的水资源调度方案。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。