本数据集主要用于提升AI模型对ADCP设备负流速数据比率异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别负流速异常现象，并可应用于水文监测设备校准、数据质量控制和逆向流监测等场景。同时，本数据集可为智慧水利系统、潮汐监测平台等建设项目提供决策依据。
1. 数据采集 通过企业自有ADCP设备自行采集监测数据，同步记录数据ID、采集时间段、采集频率、设备型号、地理坐标、总数据条数、负流速数据条数、信号强度、水流方向角、设备安装角度等数据。 2. 数据预处理与加工 通过数据清洗剔除无效数据，按7:2:1比例划分训练集/验证集/测试集。计算负流速比率（负流速条数/总条数×100%）和方向角偏差（|水流方向角 - 设备安装角度|）。设置多级标注体系： 一级标签：数据正常/负流速异常（负流速比率≥15%） 二级标签：安装错误型（方向角偏差>30°）/传感器故障型（信号强度<50dB且方向角偏差≤30°）/环境干扰型（信号强度≥50dB且方向角偏差≤30°）。 3. 模型选择与初始化 采用3D-CNN+GRU混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成流体动力学验证模块。 4. 模型训练 基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟气泡干扰等各类异常场景。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。 5. 模型评估 在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：基础性能指标：准确率、误报率 场景鲁棒性测试：气泡干扰检出率 并设置渐进式测试：单点异常→连续异常
| 字段名 | 类型 | 描述 |
|---|---|---|
数据ID |
-- | -- |
采集时间段 |
-- | -- |
采集频率 |
-- | -- |
设备型号 |
-- | -- |
地理坐标 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 数据ID | ADCP_NEGFLOWRATIO_20250606_0800_001 |
| 采集时间段 | 2025-06-06 08:00:00 - 08:01:00 |
| 采集频率 | 10Hz |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8416744