一种基于大数据分析的水资源动态核量方法及系统与流程

本发明涉及大数据水资源动态核量，尤其涉及一种基于大数据分析的水资源动态核量方法及系统。

背景技术：

1、通过对大规模、多维度的数据进行系统性处理和分析，准确、实时地评估和预测水资源的状况和变化趋势。在现代社会，水资源的管理和分配面临着前所未有的挑战，特别是在全球气候变化、人口增长和城市化快速推进的背景下，水资源的短缺和过度利用问题日益严重。在城市供水系统中，可以通过实时监控和数据分析，优化供水网络的运行效率，降低漏水率和能耗。然而，传统的一种基于大数据分析的水资源动态核量方法存在着对城市时空供水分布分析不精确以及对异常状态下的供水结算误差较大的问题。

技术实现思路

1、基于此，有必要提供一种基于大数据分析的水资源动态核量方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于大数据分析的水资源动态核量方法，所述方法包括以下步骤：

3、步骤s1：通过传感器进行水资源实时用量数据采集，得到水资源实时用量数据；对水资源实时用量数据进行时空模式识别，得到水资源时空模式数据；

4、步骤s2：根据水资源用量时空模式数据进行用水量异常检测，得到区域用水量异常数据；对区域用水量异常数据进行空间相关性分析，得到区域用水量空间相关性数据；根据区域用水量空间相关性数据对区域用水量异常数据进行用水量突发增量计算，得到用水量突发增量数据；

5、步骤s3：根据节点水流量突发增量数据进行异常节点管道状态识别，得到异常节点管道状态数据；对异常节点管道状态数据进行异常模式分类，得到管道异常模式分类数据，其中管道异常模式分类数据包括物理故障模式数据和监测设备故障数据；根据物理故障模式数据进行水资源损失量化，得到物理故障水资源损失数据；

6、步骤s4：对监测设备故障数据进行设备性能损失评估，得到设备性能损失评估数据；根据设备监测精度损失数据对用水量突发增量数据进行用水量统计损失补偿，得到用水量统计损失补偿数据；

7、步骤s5：根据物理故障水资源损失数据以及用水量统计损失补偿数据进行水资源动态核量策略制定，得到水资源动态核量策略，并将水资源动态核量策略发送至云平台，以执行水资源动态核量作业。

8、本发明通过传感器等设备实时采集水资源的使用数据，包括不同时间段和不同区域的用水量，利用先进的数据分析技术，如机器学习算法，对水资源的实时用量数据进行分析和模式识别。这一步骤可以帮助识别出不同时间和空间维度上的用水模式，例如日常用水模式、节假日用水模式、季节性变化，基于识别出的时空模式数据，系统可以自动检测出异常的用水量情况。这些异常表现为突然的增加或减少，与预期的用水模式不符，分析不同区域之间的用水量数据，找出它们之间的空间相关性。这可以帮助确定是否存在集中的异常区域，或者某些区域的异常是否影响到相邻区域，根据空间相关性数据，系统可以计算出用水量的突发增量，即某个区域的用水量突然显著增加的量级。这一计算可以帮助预测潜在的用水紧急情况或者需要特别关注的区域，系统通过实时数据采集和分析，能够快速响应用水异常情况，帮助水资源管理者及时调整水资源分配和管控措施，准确识别用水异常和突发增量，有助于优化水资源的利用效率，避免资源浪费和供需不平衡，特别是在自然灾害或人为灾害情况下，能够通过数据分析提前预警并进行相应的救灾和保护措施，保障水资源安全。通过分析节点水流量的突发增量数据，系统可以识别出存在异常的管道节点。这些异常表明管道内部存在物理故障或者设备问题。识别出的异常节点管道状态数据可以帮助指示哪些管道部位需要进一步的检查和维护。将识别出的异常节点管道状态进一步分类为物理故障模式数据。这包括诸如管道破裂、漏水等实际物理问题。另一方面，还将异常节点管道状态分类为监测设备故障数据，这指示出监测设备存在的故障，导致数据采集不准确或不完整。对监测设备故障数据进行深入分析，评估设备性能的实际损失程度。这可以帮助确定设备故障对水资源管理的影响程度，以及其对数据精度和可靠性的影响。基于设备性能损失评估数据，系统可以计算出由于设备监测精度损失而导致的用水量统计损失。这些损失数据是基于实际用水量和监测数据之间的差异来计算的。基于物理故障模式数据和用水量统计损失补偿数据，系统制定水资源动态核量策略。这个策略包括如何处理物理故障引起的水资源损失以及如何补偿监测设备性能损失所导致的统计损失。策略涉及修复管道物理故障、更换或修复监测设备、调整数据采集频率或精度等措施，以确保水资源管理的准确性和效率。制定好的水资源动态核量策略将被发送至云平台执行。这可以是自动化的过程，通过云计算和远程监控系统实现实时的核量和调整。系统能够及时识别管道和监测设备的异常，有助于快速反应和修复，减少水资源损失和管理成本。基于详细的异常分类和评估数据，可以制定更精准的管道维护和设备更换策略，提升设备利用率和服务寿命。通过准确捕捉和补偿用水量统计损失，系统可以有效减少由设备故障和数据不准确性引起的资源浪费。整合这些步骤可以使水资源管理更加智能化和高效，有助于实现可持续的水资源利用和管理目标。因此，本发明提供了一种基于大数据分析的水资源动态核量方法，是对传统的一种基于大数据分析的水资源动态核量方法做出的改进处理，解决了传统的一种基于大数据分析的水资源动态核量方法存在着对城市时空供水分布分析不精确以及对异常状态下的供水结算误差较大的问题，提高了对城市时空供水分布分析的精确度以及降低了异常状态下的供水结算误差较大的问题。

9、优选地，步骤s1包括以下步骤：

10、步骤s11：通过传感器进行水资源实时用量数据采集，得到水资源实时用量数据；

11、步骤s12：对水资源实时用量数据进行数据清洗，得到水资源实时用量清洗数据；

12、步骤s13：对水资源实时用量清洗数据进行归一化处理，得到水资源实时用量归一化数据；

13、步骤s14：根据水资源实时用量归一化数据对水资源实时用量数据进行时空模式识别，得到水资源用量时空模式数据。

14、本发明通过传感器实时获取水资源的用量数据，包括各个时段和不同地点的具体用水量。确保数据的准确性和即时性，帮助管理者及时了解水资源的实际使用情况，支持实时决策和响应。清洗数据可以去除数据中的异常值、错误数据或者噪音，确保后续分析和决策基于高质量的数据。清洗后的数据更可靠，减少了因数据质量问题而导致的分析偏差，提升管理决策的准确性。通过归一化处理，可以将不同传感器、不同数据来源的水资源实时用量数据统一到一个标准的数据格式或者数值范围内。归一化后的数据更易于进行比较和分析，能够更有效地揭示出用水量的潜在模式和趋势。基于归一化的数据进行时空模式识别，可以揭示出水资源在不同时间和空间维度上的使用模式，如日常波动、季节性变化等。识别出的模式有助于预测未来的用水趋势，支持合理规划和调配水资源，避免供需不平衡或过度消耗。

15、优选地，步骤s2包括以下步骤：

16、步骤s21：获取区域历史用水数据；

17、步骤s22：对区域历史用水数据进行用水需求量波动分析，得到历史用水量波动数据；

18、步骤s23：根据历史用水量波动数据对区域历史用水数据进行季节需求差异计算，得到用水量季节需求差异数据；

19、步骤s24：根据水资源用量时空模式数据对用水量季节需求差异数据进行用水量异常检测，得到区域用水量异常数据；

20、步骤s25：根据水资源用量时空模式数据对区域用水量异常数据进行空间相关性分析，得到区域用水量空间相关性数据；

21、步骤s26：根据区域用水量空间相关性数据对区域用水量异常数据进行用水量突发增量计算，得到用水量突发增量数据。

22、本发明获取区域长期的历史用水数据，有助于建立全面的用水行为模型和趋势分析基础。历史数据提供了基准，可以用来比较和评估当前用水情况的变化和异常。对历史用水数据进行分析，揭示出不同时间段内用水量的波动模式，例如日常波动、周变化或季节性波动。通过分析历史波动数据，能够预测未来的用水量趋势，帮助规划和资源调配。根据历史用水波动数据，计算出不同季节间的用水需求差异。这有助于理解和预测不同季节对水资源需求的变化程度。识别季节性需求差异可以帮助水资源管理者制定优化的供水计划，以满足不同季节的需求波动。基于水资源用量时空模式数据，检测出区域内存在的用水量异常情况，如突然增加或减少的用水量。及时发现和响应用水量异常，可以避免水资源浪费或供需失衡的问题，提升水资源利用效率。分析不同区域之间用水量的空间相关性，了解各区域之间的用水量变化是否相关联。评估不同区域间的用水量变化是否相互影响，帮助识别水资源管理策略或调整措施。根据区域用水量空间相关性数据，计算出突发性增加的用水量。这有助于预测出现的紧急用水情况或者突发事件。提前计算和准备出现的突发增量，有助于水资源管理者制定和实施有效的应急响应措施，保障供水安全和持续性。

23、优选地，步骤s25包括以下步骤：

24、步骤s251：根据水资源用量时空模式数据对区域用水量异常数据进行用水量异常热点时空分布分析，得到用水量异常热点时空分布数据；

25、步骤s252：对用水量异常热点时空分布数据进行异常空间领域效应分析，得到用水量异常空间领域效应数据；

26、步骤s253：根据用水量异常空间领域效应数据对用水量异常热点时空分布数据进行热点异常趋势识别，得到异常热点趋势识别数据；

27、步骤s254：根据用水量异常空间领域效应数据以及异常热点趋势识别数据进行空间相关性分析，得到区域用水量空间相关性数据。

28、本发明通过分析水资源用量时空模式数据，可以识别出区域内的用水量异常热点，即那些用水量显著高于或低于正常水平的区域。了解这些异常热点在时间和空间上的分布情况，有助于确定是否存在集中的或分散的异常现象，进而采取相应的管理措施。分析异常热点时空分布数据，可以揭示出不同区域间用水异常的相互影响和空间相关性。这有助于理解不同区域间用水量异常的扩散或聚集趋势。识别出导致异常的空间领域效应，例如特定地理条件、人口密度变化或基础设施差异，为进一步的管理和预测提供基础。基于用水量异常空间领域效应数据，识别出异常热点的趋势变化，例如异常的持续性、增长或衰退趋势。及时识别出异常热点的趋势变化，有助于提前采取措施来调整供水计划或实施应急响应，以应对的用水量波动。结合异常热点趋势识别数据，进一步分析不同区域间用水量的空间相关性。这有助于理解不同区域之间用水量变化的关联程度，为跨区域的资源调配和应急响应提供依据。空间相关性分析为水资源管理者提供了决策支持，帮助制定更有效的资源分配策略和应对措施，以应对区域间复杂的用水量变化和挑战。

29、优选地，步骤s26包括以下步骤：

30、步骤s261：对区域用水量空间相关性数据进行空间异质性评估，得到区域用水量空间异质性数据；

31、步骤s262：根据区域用水量空间异质性数据对区域用水量异常数据进行用水量异常空间回归分析，得到用水量异常空间回归数据；

32、步骤s263：对用水量异常空间回归数据进行聚类分析，得到用水量异常回归聚类数据；

33、步骤s264：根据用水量异常空间回归数据以及用水量异常回归聚类数据对区域用水量异常数据进行用水量突发增量计算，得到用水量突发增量数据。

34、本发明通过评估区域用水量空间相关性数据，揭示不同区域间用水量的空间异质性。这包括了区域间存在的地理、人口分布、经济发展等因素导致的用水量差异。得到的区域用水量空间异质性数据有助于建立后续分析的基础，帮助识别出在空间上具有显著差异的用水行为模式。利用区域用水量空间异质性数据，对区域内的用水量异常进行空间回归分析。这种分析能够识别出空间因素对用水异常的影响程度，帮助理解不同区域内异常的原因和驱动力。通过回归分析，可以预测未来出现的用水异常情况，提前采取措施进行管理和调整。基于用水量异常空间回归数据，进行聚类分析以识别出相似的用水量异常模式或行为类型。这种分析有助于将区域内的用水量异常数据分类，并理解不同类别之间的共同特征和差异。为每种类别制定相应的管理策略和应对措施，以更精确地解决各类用水量异常问题。基于用水量异常空间回归数据和回归聚类数据，进行用水量突发增量的计算。这有助于量化和评估突发事件或异常情况下的用水增量，帮助规划和应对突发情况的资源分配和管理。提供了对突发用水增量的预测和评估，使管理者能够更有效地准备和响应突发事件，保障水资源的稳定供应和管理安全。

35、优选地，步骤s3包括以下步骤：

36、步骤s31：对用水量突发增量数据进行区域节点标记，得到突发增量节点标记数据；

37、步骤s32：根据用水量突发增量数据对突发增量节点标记数据进行不同节点间的水流量突发增量计算，得到节点水流量突发增量数据；

38、步骤s33：根据节点水流量突发增量数据以及突发增量节点标记数据进行异常节点管道状态识别，得到异常节点管道状态数据；

39、步骤s34：利用节点异常模式分类模型对异常节点管道状态数据进行异常模式分类，得到管道异常模式分类数据，其中管道异常模式分类数据包括物理故障模式数据和监测设备故障数据；

40、步骤s35：根据物理故障模式数据进行物理故障节点定位，得到物理故障节点定位数据；对物理故障节点定位数据进行故障影响范围评估，得到节点故障影响范围评估数据；

41、步骤s36：根据节点故障影响范围评估数据以及节点水流量突发增量数据进行水资源损失量化，得到物理故障水资源损失数据。

42、本发明根据用水量突发增量数据，确定存在异常的区域节点，并进行标记。这些节点标记提供了在后续分析中重点关注的对象，有助于集中资源和注意力处理潜在问题。基于突发增量节点标记数据，计算不同节点间的水流量突发增量。这一步骤揭示了在异常情况下水流量的变化情况，为后续的异常识别和分析提供了基础数据。利用节点水流量突发增量数据，识别异常节点管道的状态。这包括检测和确认节点是否出现了异常的水流行为，如超出正常范围的流量或压力变化。通过异常模式分类模型，对异常节点管道状态数据进行分类。这些分类可以涵盖物理故障模式和监测设备故障模式，有助于区分不同类型的异常事件，并制定相应的应对措施。根据物理故障模式数据，精确定位出引发异常的具体节点。这有助于快速响应和准确修复，以最小化服务中断和资源浪费。评估故障节点对周围区域的影响范围。这些数据提供了对受影响区域的了解，为规划修复工作提供依据和优先级。结合节点故障影响范围评估数据和节点水流量突发增量数据，量化由物理故障引发的水资源损失。这些数据为成本效益分析和资源分配提供了重要的参考，有助于优化管理和维护策略。

43、优选地，其中节点异常模式分类模型的构建步骤包括以下步骤：

44、获取管道结构设计数据以及传感器结构设计数据；

45、对管道结构设计数据进行水流冲刷极限承载计算，得到管道结构极限承载数据；

46、根据管道结构极限承载数据对管道结构设计数据应力极限计算，得到管道结构应力承载极限数据；

47、对传感器结构设计数据进行湿度适应性模拟，得到传感器湿度适应性模拟数据；

48、根据传感器湿度适应性模拟数据对传感器结构设计数据进行灵敏度条件减损分析，得到传感器灵敏度条件减损数据；

49、基于policygradient算法对管道结构应力承载极限数据以及传感器灵敏度条件减损数据进行特征学习，得到异常模式特性学习数据；

50、基于卷积神经网络对异常模式特性学习数据进行异常模式分析模型构建，得到节点异常模式分类模型。

51、本发明获取管道的结构设计数据，包括管道的几何形状、材料属性等信息，以及传感器的结构设计数据，如传感器的位置、类型、技术规格等，通过计算水流对管道的冲刷影响，确定管道在不同水流条件下的极限承载能力。这些数据反映了管道结构在实际运行中面临的力学应力。基于管道结构的极限承载数据，计算管道结构在应力方面的极限能力。这些数据考虑了管道材料的力学特性和受力环境，对管道的安全性和可靠性进行评估。通过模拟不同湿度条件下传感器的响应和性能表现，获得传感器在不同环境条件下的数据。分析传感器在不同环境条件下的性能变化和灵敏度损失，这些分析帮助理解传感器在异常环境下的表现。利用policygradient算法，从管道结构的应力承载极限数据和传感器的灵敏度条件减损数据中学习有效的特征表示。这些特征能够捕捉管道和传感器的关键属性，用于后续模型的构建。利用学习到的异常模式特性数据，构建卷积神经网络模型。这个模型能够识别和分类管道和传感器的异常模式，包括物理故障和环境变化引起的问题。

52、优选地，步骤s4包括以下步骤：

53、步骤s41：对监测设备故障数据进行设备故障状态码提取，得到设备故障状态码；

54、步骤s42：根据设备故障状态码对监测设备故障数据进行设备性能损失评估，得到设备性能损失评估数据；

55、步骤s43：根据设备性能损失评估数据以及监测设备故障数据进行设备监测精确损失计算，得到设备监测精度损失数据；

56、步骤s44：根据设备监测精度损失数据对用水量突发增量数据进行用水量统计损失补偿，得到用水量统计损失补偿数据。

57、本发明提取监测设备故障数据中的设备故障状态码有助于标准化故障信息，使其可被系统有效识别和处理。通过状态码，可以迅速定位到具体的设备故障类型，有助于快速反应和修复，减少系统停机时间和生产损失。根据设备故障状态码，对监测设备故障数据进行性能损失评估，能够量化设备在故障期间或异常操作下的性能影响。通过评估设备性能损失，可以优化资源分配和维修策略，确保高效利用维修资源和降低维修成本。基于设备性能损失评估数据，进行设备监测精确损失计算，有助于评估监测系统的准确性和可靠性。通过准确计算监测精度损失，可以提升监测系统对实际情况的准确度，进而改善数据分析和预测的效果。利用设备监测精度损失数据，对用水量突发增量数据进行统计损失补偿，能够修正因监测误差导致的数据不完整问题。确保用水量数据的准确性和完整性，为后续的数据分析、资源规划和决策制定提供可靠的基础。

58、优选地，步骤s44包括以下步骤：

59、步骤s441：对设备监测精度损失数据进行精度损失量化处理，得到精度损失量化数据；

60、步骤s442：根据精度损失量化数据对设备监测精度损失数据进行精度损失梯度排序，得到精度损失梯度排序数据；

61、步骤s443：利用拉格朗日乘子对精度损失梯度排序数据进行精度损失梯度约束，得到精度损失梯度约束数据；

62、步骤s444：根据精度损失梯度约束数据对精度损失梯度排序数据进行拟牛顿条件约束计算，得到设备精度损失梯度逼近数据；

63、步骤s445：根据设备精度损失梯度逼近数据对用水量突发增量数据进行用水量统计损失补偿，得到用水量统计损失补偿数据。

64、本发明通过对设备监测精度损失数据进行处理，将非结构化或复杂的数据转化为可量化的形式，便于后续数据分析和处理。使得不同设备或不同时间段的精度损失数据可以进行比较和分析，有助于识别和优化监测系统中的问题点。根据精度损失量化数据，对监测设备的精度损失进行排序，可以明确哪些设备或哪些数据集的精度影响最为严重。帮助管理人员根据损失的严重程度进行资源优先级分配，优先处理影响最大的设备或数据，从而提高整体监测系统的效率和可靠性。利用拉格朗日乘子方法，对精度损失梯度进行约束，可以有效控制和优化精度损失的分布，避免过大的波动和异常情况。确保精度损失数据在可接受范围内波动，有助于保持监测系统的稳定性和长期可靠性。根据约束条件，采用拟牛顿方法对精度损失梯度进行计算，进一步优化和逼近设备精度损失的实际情况。提高设备监测精度的同时，减少由于监测误差引起的数据不准确性，为后续数据分析和决策提供更加可信的基础。基于设备精度损失梯度逼近数据，对用水量突发增量数据进行统计损失补偿，修正因监测误差导致的用水量数据不完整或不准确的问题。确保用水量数据的完整性和准确性，为后续的资源规划、决策制定和数据分析提供可靠的支持。

65、优选地，本发明还提供了一种基于大数据分析的水资源动态核量系统，用于执行如上所述的基于大数据分析的水资源动态核量方法，该基于大数据分析的水资源动态核量系统包括：

66、时空模式识别模块，用于通过传感器进行水资源实时用量数据采集，得到水资源实时用量数据；对水资源实时用量数据进行时空模式识别，得到水资源时空模式数据；

67、增量分析模块，用于根据水资源用量时空模式数据进行用水量异常检测，得到区域用水量异常数据；对区域用水量异常数据进行空间相关性分析，得到区域用水量空间相关性数据；根据区域用水量空间相关性数据对区域用水量异常数据进行用水量突发增量计算，得到用水量突发增量数据；

68、故障分类模块，用于根据节点水流量突发增量数据进行异常节点管道状态识别，得到异常节点管道状态数据；对异常节点管道状态数据进行异常模式分类，得到管道异常模式分类数据，其中管道异常模式分类数据包括物理故障模式数据和监测设备故障数据；根据物理故障模式数据进行水资源损失量化，得到物理故障水资源损失数据；

69、设备精度损失补偿模块，用于对监测设备故障数据进行设备性能损失评估，得到设备性能损失评估数据；根据设备监测精度损失数据对用水量突发增量数据进行用水量统计损失补偿，得到用水量统计损失补偿数据；

70、策略制定模块，用于根据物理故障水资源损失数据以及用水量统计损失补偿数据进行水资源动态核量策略制定，得到水资源动态核量策略，并将水资源动态核量策略发送至云平台，以执行水资源动态核量作业。

71、本发明的有益效果，通过传感器等设备实时采集水资源的使用数据，包括不同时间段和不同区域的用水量，利用先进的数据分析技术，如机器学习算法，对水资源的实时用量数据进行分析和模式识别。这一步骤可以帮助识别出不同时间和空间维度上的用水模式，例如日常用水模式、节假日用水模式、季节性变化，基于识别出的时空模式数据，系统可以自动检测出异常的用水量情况。这些异常表现为突然的增加或减少，与预期的用水模式不符，分析不同区域之间的用水量数据，找出它们之间的空间相关性。这可以帮助确定是否存在集中的异常区域，或者某些区域的异常是否影响到相邻区域，根据空间相关性数据，系统可以计算出用水量的突发增量，即某个区域的用水量突然显著增加的量级。这一计算可以帮助预测潜在的用水紧急情况或者需要特别关注的区域，系统通过实时数据采集和分析，能够快速响应用水异常情况，帮助水资源管理者及时调整水资源分配和管控措施，准确识别用水异常和突发增量，有助于优化水资源的利用效率，避免资源浪费和供需不平衡，特别是在自然灾害或人为灾害情况下，能够通过数据分析提前预警并进行相应的救灾和保护措施，保障水资源安全。通过分析节点水流量的突发增量数据，系统可以识别出存在异常的管道节点。这些异常表明管道内部存在物理故障或者设备问题。识别出的异常节点管道状态数据可以帮助指示哪些管道部位需要进一步的检查和维护。将识别出的异常节点管道状态进一步分类为物理故障模式数据。这包括诸如管道破裂、漏水等实际物理问题。另一方面，还将异常节点管道状态分类为监测设备故障数据，这指示出监测设备存在的故障，导致数据采集不准确或不完整。对监测设备故障数据进行深入分析，评估设备性能的实际损失程度。这可以帮助确定设备故障对水资源管理的影响程度，以及其对数据精度和可靠性的影响。基于设备性能损失评估数据，系统可以计算出由于设备监测精度损失而导致的用水量统计损失。这些损失数据是基于实际用水量和监测数据之间的差异来计算的。基于物理故障模式数据和用水量统计损失补偿数据，系统制定水资源动态核量策略。这个策略包括如何处理物理故障引起的水资源损失以及如何补偿监测设备性能损失所导致的统计损失。策略涉及修复管道物理故障、更换或修复监测设备、调整数据采集频率或精度等措施，以确保水资源管理的准确性和效率。制定好的水资源动态核量策略将被发送至云平台执行。这可以是自动化的过程，通过云计算和远程监控系统实现实时的核量和调整。系统能够及时识别管道和监测设备的异常，有助于快速反应和修复，减少水资源损失和管理成本。基于详细的异常分类和评估数据，可以制定更精准的管道维护和设备更换策略，提升设备利用率和服务寿命。通过准确捕捉和补偿用水量统计损失，系统可以有效减少由设备故障和数据不准确性引起的资源浪费。整合这些步骤可以使水资源管理更加智能化和高效，有助于实现可持续的水资源利用和管理目标。因此，本发明提供了一种基于大数据分析的水资源动态核量方法，是对传统的一种基于大数据分析的水资源动态核量方法做出的改进处理，解决了传统的一种基于大数据分析的水资源动态核量方法存在着对城市时空供水分布分析不精确以及对异常状态下的供水结算误差较大的问题，提高了对城市时空供水分布分析的精确度以及降低了异常状态下的供水结算误差较大的问题。