本数据集主要用于提升AI模型对ADCP设备小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模型能够精准识别小流速数据异常现象，并可应用于水文监测设备维护、数据质量控制和低流速测量验证等场景。同时，本数据集可为智慧水利系统、生态流量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、小流速数据条数、信号强度、信噪比等数据。 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。计算小流速比率（小流速条数/总条数×100%）。 设置多级标注体系： 一级标签：数据正常/小流速异常（小流速比率≥20%） 二级标签：传感器漂移型（小流速比率≥50%且信号强度>60dB）/生物附着型（20%≤小流速比率<50%且信噪比>15dB）/系统噪声型（小流速比率≥20%且信噪比<10dB） 3. 模型选择与初始化 采用小波变换+随机森林模型，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；集成流体动力学约束模块。 4. 模型训练 基于Scikit-learn实施训练，采用特征重要性筛选提升效率。设置训练轮次，数据增强模拟噪声干扰等各类异常场景。设置早停机制（patience=5）。 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：噪声干扰检出率 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_MINIFLOWRATIO_20250309_0800_001 |
| 采集时间段 | 2025-03-09 08:00 - 08:01 |
| 采集频率 | 10Hz |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8416745