CN106257474A - 空气污染异常定位机制 - Google Patents
空气污染异常定位机制 Download PDFInfo
- Publication number
- CN106257474A CN106257474A CN201610423036.XA CN201610423036A CN106257474A CN 106257474 A CN106257474 A CN 106257474A CN 201610423036 A CN201610423036 A CN 201610423036A CN 106257474 A CN106257474 A CN 106257474A
- Authority
- CN
- China
- Prior art keywords
- air pollution
- monitoring station
- air
- pollution monitoring
- relevant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0073—Control unit therefor
- G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Abstract
空气污染异常定位机制。提供一种用于检测空气污染异常的机制。识别多个空气污染监控站的每个的历史空气污染模式。对于多个空气污染监控站的每个,响应于从特定空气污染监控站接收到实时数据,对实时数据与和特定空气污染监控站相关的历史空气污染模式进行比较;基于实时数据与和特定空气污染监控站相关的历史空气污染模式的比较产生浓度差值;确定所述浓度差值是否大于预定的置信度阈值;对于相关的浓度差值大于预定的置信度阈值的多个空气污染监控站中的子集中的每一个,向管理员产生检测到的空气污染水平的异常指示。
Description
技术领域
本申请一般地涉及一种改进的数据处理装置和方法,更具体地涉及利用空气质量监控站定位空气污染异常的机制。
背景技术
空气污染的产生是由于粒子、生物分子或者其它有害物质进入地球大气层形成的,给人类造成疾病、死亡,对其它生物(例如粮食作物)、自然或建筑环境产生危害。空气污染可能来自人为,即,源于人类活动或自然来源的影响或对象。一些主要的人为源包括:交通、煤的燃烧、工业生产以及粉尘排放。
地球的大气层是一个对支持地球上的生命很重要的、复杂的自然气体系统。因为空气污染导致的平流层臭氧枯竭被认为是对人类健康和地球生态系统的威胁。控制空气污染的人为形成的一些当前控制措施包括:交通管制、工业生产限制以及技术进步。
发明内容
在一个示意性实施例中,提供一种在数据处理系统中检测空气污染异常的方法,该示意性实施例识别多个空气污染监控站中的每个的历史空气污染模式。对于多个空气污染监控站的每个:该示意性实施例响应于从特定空气污染监控站接收到实时数据,对实时数据与和特定空气污染监控站相关的历史空气污染模式进行比较;基于实时数据与和特定空气污染监控站相关的历史空气污染模式的比较产生浓度差值(a density differencevalue);确定所述浓度差值是否大于预定的置信度阈值(confidence threshold);该示意性实施例对于相关的浓度差值大于预定的置信度阈值的多个空气污染监控站中的子集中的每一个,向管理员产生检测到的空气污染等级的异常指示。在该示意性实施例中,向管理员的指示使管理员执行一个或多个动作以纠正检测到的空气污染等级中的异常。
在其它示意的实施例中,提供了计算机程序产品包括具有计算机可读程序的计算机可用或可读介质。当计算机可读程序在计算装置上执行时使计算装置执行上面描述的关于该方法示意的实施例的各种操作之一或各种操作的组合。
在另一个示意的实施例中,提供一种系统或装置。该系统或装置可以包括一个或多个处理器以及与一个或多个处理器耦合的存储器。该存储器可以包括指令,当一个或多个处理器执行所述指令时,所述指令使一个或多个处理器执行上面描述的关于该方法示意的实施例的各种操作之一或各种操作的组合。
本发明的这些和其他特征以及优点,将在下面对本发明的示例实施例的详细描述中进行描述,或者基于此对于本领域技术人员来说将变得明显。
附图说明
通过参考下面结合附图对于例示实施例的详细描述,可以更好地理解本发明以及其优选使用方式以及进一步的目标和优点,其中:
图1是可以实现示意的实施例的各个方面的分布式数据处理系统的示例图。
图2是可以实现示意的实施例的各个方面的计算装置的示例框图。
图3描述了根据示意的实施例的空气污染异常检测机制。
图4A-4D描述了根据示意的实施例的识别空气污染异常的位置的说明。
图5描述了根据示意的实施例的由空气污染异常检测机制在检测空气污染异常中执行的示例性操作。
图6描述了根据示意的实施例的由空气污染异常检测机制在识别与多个空气污染监控站的每个相关的时空特征中执行的示例性操作。
具体实施方式
为了更好地控制空气污染,识别一个或多个空气污染源是很重要的。虽然很多工厂自我监控其空气污染的生产,然而空气污染监控设备无论安装还是维护都非常昂贵。因此,这种空气污染的监控设备经常不安装、不监控或者不维修,因此发生了严重的空气污染违规行为。示意性实施例提供一种利用在空气污染源中和/或附近的多个空气监控站通过对实时监控数据与分析的与空气污染监控站相关的时间和空间特性进行比较来检测空气污染异常的机制。该机制根据附近空气污染监控站之间的天气情况和相关性,通过分析空气污染时间和空间特性,然后定位潜在的空气污染异常来检测潜在的空气污染异常。
在开始讨论例示实施例的各个方面之前,首先应该了解的是,在该描述中,术语“机制”将用于指代本发明的执行各种操作、功能等的元素。如同这里所使用的,“机制”可以是例示实施例的各个功能或方面的以装置、过程或计算机程序产品形式的实现。在过程的情况下,该过程由一个或多个设备、装置、计算机、数据处理器系统等实现。在计算机程序产品的情况下,由在计算机程序产品中包含的计算机代码或指令表示的逻辑由一个或多个硬件设备执行,以便实现与特定“机制”相关联的功能或执行相关联的操作。这样,这里所描述的机制可以实现为专用硬件、在通用硬件上执行的软件、存储在介质上以便可以由专用或通用硬件容易地执行的软件指令、用于执行功能的过程或方法以及上述的任意组合。
本说明书和权利要求中对于例示实施例中特定的特征和元素会用到术语“一”、“至少一个”和“一个或多个”。应该理解,这些术语和短语意图表明在特定的例示实施例中存在至少一个特定特征或元素,但也可以存在多于一个的特定特征或元素。也就是说,这些术语/短语并非意图将说明书或者权利要求书限制到存在单个特征/元素,或者要求存在多个这样的特征/元素。相反,这种术语/短语仅要求存在至少一个单个特征/元素,在本说明书和权利要求书的范围内,也存在着有多个这样的特征/元素的可能性。
另外,应该理解,下面的描述对于例示实施例中的各个元素使用了多个各种示例,以便进一步显示例示实施例的实现示例,并帮助理解例示实施例的机制。这些示例并非旨在限制性的,或是对于实现例示实施例的机制的各种可能性的穷举。对于所属技术领域的普通技术人员来说,在该描述的基础上,对于这些各个元素存在许多其他替代实现是显而易见的,其可以被用来附加到或者替换这里所提供的示例,而不偏离本发明的精神和范围。
各示例性实施例可以用于许多不同类型的数据处理环境。为了对示例性实施例的特定元素和功能的描述提供上下文,以下提供图1和图2作为示例环境,其中可以实现示例性实施例的各个方面。应该理解,图1和2只是示例并且并非旨在断言或暗示有关其中可以实现本发明的各个方面或实施例的环境的任何限制。在不偏离本发明的精神和范围的情况下可以对所示环境做出许多修改。
图1示出其中可以实现示例性实施例的各个方面的实例分布式数据处理系统的图形表示。分布式数据处理系统100可以包括其中可以实现示例性实施例的各个方面的计算机网络。分布式数据处理系统100包含至少一个网络102,其是用于在分布式数据处理系统100中连接在一起的各种设备和计算机之间提供通信链路的介质。网络102可以包括连接,例如有线、无线通信链路或光缆。
在所示实例中,服务器104和服务器106以及存储单元108连接到网络102。此外,客户端110、112和114也连接到网络102。这些客户端110、112和114例如可以是个人计算机、网络计算机等。在所示实例中,服务器104为客户端110、112和114提供数据,例如引导文件、操作系统映像和应用。在所示实例中,客户端110、112和114是服务器104的客户端。分布式数据处理系统100可以包括额外的未示出的服务器、客户端和其它设备。
在所示实例中,分布式数据处理系统100是具有代表全球范围内网络收集的网络102以及使用传输控制协议/网际协议(TCP/IP)协议集来相互通信的网关的因特网。在因特网的核心是主节点或主机之间的高速数据通信线路的主干,它包括数以千计的路由数据和消息的商业、政府、教育以及其它计算机系统。当然,分布式数据处理系统100也可以实现为包括许多不同类型的网络,例如内联网、局域网(LAN)、广域网(WAN)等。如上所述,图1旨在作为一个实例,并非旨在作为对本发明的不同实施例的体系架构限制,因此,图1中所示的特定元素不应该被视为对其中可以实现本发明的示例性实施例的环境的限制。
图2是其中可以实现示例性实施例的各方面的示例数据处理系统的框图。数据处理系统200是例如图1中的客户机110的计算机的实例,实现本发明的示例性实施例的过程的计算机可用代码或指令可以位于其中。
在所述示例中,数据处理系统200采用包括北桥和存储控制器中心(NB/MCH)202以及南桥和输入/输出(I/O)控制中心(SB/ICH)204的中心架构。处理单元206、主存储器208和图形处理器210连接到NB/MCH 202。图形处理器210可以通过加速图形端口(AGP)连接到NB/MCH 202。
在所示示例中,局域网(LAN)适配器212连接到SB/ICH 204。音频适配器216、键盘和鼠标适配器220、调制解调器222、只读存储器(ROM)224、硬盘驱动器(HDD)226、CD-ROM驱动器230、通用串行总线(USB)端口和其它通信端口323,以及PCI/PCIe设备234通过总线238和总线240连接到SB/ICH 204。PCI/PCIe设备例如可以包括,例如用于笔记本计算机的以太网适配器、外接卡和PC卡。PCI使用卡总线控制器,而PCIe不使用。ROM 224例如可以是闪速基本输入/输出系统(BIOS)。
HDD 226和CD-ROM驱动器230通过总线240连接到SB/ICH 204。HDD 226和CD-ROM驱动器230例如可以使用集成驱动电子设备(IDE)或串行高级技术附件(SATA)接口。超级I/O(SIO)设备236可以连接到SB/ICH 204。
操作系统在处理单元206上运行。该操作系统协调图2中的数据处理系统200内的各种组件并提供对它们的控制。作为客户端,操作系统可以是可商购的操作系统,例如Windows面向对象的程序设计系统,诸如JavaTM编程系统,可以结合操作系统运行,并从执行在数据处理系统200上的JavaTM程序或应用提供对操作系统的调用。
作为服务器,数据处理系统200例如可以是基于eServerTM、System 计算机系统、PowerTM的处理器的计算机系统等,其运行Advanced Interactive Executive操作系统或操作系统。数据处理系统200可以是对称多处理器(SMP)系统,其中在处理单元206中包括多个处理器。备选地,可以采用单处理器系统。
操作系统、面向对象的编程系统以及应用或程序的指令位于HDD 226之类的存储器件上,并且可以加载到主存储器208内以便由处理单元206执行。本发明的示例性实施例的过程可以由处理单元206使用计算机可用程序代码执行,该计算机可用程序代码可位于存储器(例如主存储器208、ROM 224,或者一个或多个外围器件226和230)中。
诸如图2所示的总线238或总线240之类的总线系统可以由一个或多个总线构成。当然,该总线系统可以使用任何类型的通信组织或架构实现,这些通信组织或架构提供与这些通信组织或架构相连的不同组件或设备之间的数据传输。诸如图2的调制解调器222或网络适配器212之类的通信单元可以包括一个或多个用于发送和接收数据的装置。存储器例如可以是图2中的主存储器208、ROM224或例如在NB/MCH 202中找到的高速缓冲存储器。
所属技术领域中的普通技术人员将理解,图1和2中的硬件可以根据实现而改变。除了图1和2所示的硬件之外,还可以使用诸如闪存、等效的非易失性存储器或光盘驱动器等之类的其它硬件或外围器件到图1和2所示的硬件中。另外,在不偏离本发明的精神和范围的情况下,示例性实施例的过程可应用于多处理器数据处理系统,而非上面所述的SMP系统。
而且,数据处理系统200可以采取若干种不同数据处理系统中的任何一种的形式,包括客户端计算设备、服务器计算设备、平板计算机、膝上型计算机、电话或其它通信设备、个人数字助理(PDA)等。例如,在某些说明性示例中,数据处理系统200可以是便携式计算设备,其被配置为带有闪存以提供非易失性存储器来存储例如操作系统文件和/或用户生成的数据。本质上,数据处理系统200可以是任何已知的或以后开发的数据处理系统,而没有任何架构限制。
图3描述了根据一个示意的实施例的空气污染异常检测机制。空气污染异常检测机制300包括空气污染监控站监控逻辑302,时间和空间特性识别逻辑304,异常检测逻辑306以及异常位置识别逻辑308。为了检测空气污染异常,空气污染异常检测机制300初始识别与多个空气污染监控站310中的每个相关的时间和空间特性。为了执行这个识别,空气污染监控站监控逻辑302通过接收由多个空气污染监控站中的每个监控站感测的关于空气污染水平的实时空气污染数据来监控多个空气污染监控站中的每个。利用实时空气污染数据,空气污染监控站监控逻辑302计算每两个相邻时隙之间的污染水平变化。例如,如果在时间t1,空气污染监控站310监控空气污染水平为3,以及在时间t2,相同的空气污染监控站310监控空气污染水平为4,那么空气污染监控站监控逻辑302计算空气污染监控站310的时间空气污染水平变化是+1。空气污染监控站监控逻辑302在存储器314中的时间/空间特性数据结构312中存储空气污染水平变化作为相关的空气污染监控站310的时间变化。
此外,空气污染监控站监控逻辑302使用实时空气污染数据计算在每个空气污染监控站310之间以及该空气污染监控站310的预定距离内的多个空气污染监控站中的剩余空气污染监控站中的一个或者多个之间的污染水平变化。例如,如果在时间t1,空气污染监控站310检测空气污染水平为4,以及在相同的时间t1,另一个空气污染监控站310检测空气污染水平为3,那么空气污染监控站监控逻辑302将计算出空间空气污染水平变化为负1(-1)。针对与当前空气污染监控站310相关的多个空气污染监控站310中其它剩余的空气污染监控站的每个执行相同的示例性过程。空气污染监控站监控逻辑302在存储器314中的时间/空间特性数据结构312中存储空气污染水平变化作为相关的空气污染监控站310的空间变化。
一旦空气污染监控站310的初始时间和空间变化数据已被收集,为了识别历史时间/空间特性,即历史空气污染模式316,时间和空间特性识别逻辑304为多个空气污染监控站310的每个分析时间变化数据和空间变化数据。也就是说,时间和空间特性识别逻辑304利用时间变化数据为多个空气污染监控站310的每个产生历史空气污染模式316,其示出在给定的时间周期(例如一天、一周、一个月等)空气污染水平的变化。此外,利用空间变化数据,时间和空间特性识别逻辑304为多个空气污染监控站310的每个产生历史空气污染模式316,其示出在不同时间周期的空气污染监控站310的每个空气污染水平的变化。此外,为了为多个空气污染监控站310的每个更新历史空气污染模式316,时间和空间特性识别逻辑304可以在周期的间隔分析与任何新收集的时间/空间变化数据相关的历史时间/空间变化数据。
为了检测由特定的空气污染监控站310感测的空气污染水平中的异常,针对多个空气污染监控站310的每个,异常检测逻辑306将给定时间从空气污染监控站接收的实时空气污染数据与相同时间相关的空气污染监控站310的历史空气污染模式316中识别的时间和空间特性进行比较。利用比较,异常监控逻辑306产生浓度差值,其指示由空气污染监控站310识别的空气污染变化。然后异常检测逻辑306确定浓度差是否大于预定的置信度阈值。如果浓度差超过预定的置信度阈值,那么异常检测逻辑306向管理员318提供检测到的空气污染水平中的潜在空气污染异常的指示。利用该指示,管理员318可以调查潜在空气污染异常,并且如果空气污染增加,采取措施减少空气污染水平,例如向政府机构通知违规行为,通知可能是空气污染违规行为的原因的企业(违规者),或诸如此类的当检测到空气污染异常时可以采取的真实世界的行动。
为了帮助管理者318识别潜在的违反者,异常位置识别逻辑308根据预定的浓度差按照顺序放置检测的空气污染异常高于预定置信度阈值的空气污染监控站310,即异常检测空气污染监控站。利用得到的风向数据,异常位置识别逻辑308基于风向将异常检测空气污染监控站310组合为组。也就是说,例如,对于如图4A所示的异常检测空气污染监控站402-408的每一个,如果风来自于东北,则对于异常检测空气污染监控站中的每个,如果根据确定的浓度差403该异常检测空气污染监控站是顺序中的第一个异常检测空气污染监控站并且如果该异常检测空气污染监控站也是距离东北方向最近的,那么异常位置识别逻辑308将该异常检测空气污染监控站放到第一组。例如,如图4B所示,图4A中的异常检测空气污染监控站402是逆风最近的一个并且也是根浓度变化(density variation)的顺序中的第一个,因此异常位置识别逻辑308将该异常检测空气污染监控站402放入组1。
另外,如果异常检测空气污染监控站是顺序中的第一个或下一个异常检测空气污染监控站但不是距离东北方向最近的监控站,那么异常位置识别逻辑308将该异常检测空气污染监控站放到另一组。因此,在这个例子中,在异常检测空气污染监控站402被放到组1中之后,则在其余未放入组中的异常检测空气污染监控站中下一个异常检测空气污染监控站406是根据浓度差变化的顺序中的第一个或下一个异常检测空气污染监控站,但不是逆风最近的(异常检测空气污染监控站404逆风更近)。因此,异常位置识别逻辑308将空气污染监控站406放置在组2中。异常位置识别逻辑308重复操作直到每个异常检测空气污染监控站被放到组中。继续这个实例,异常位置识别逻辑308识别根据浓度变化的顺序中的下一个并且也是逆风第二近的异常检测空气污染监控站404,因此异常位置识别逻辑308将异常检测空气污染监控站404放入组1中。最后,异常检测空气污染监控站408是根据浓度变化的顺序中的最后一个并且是顺风最远的,因此异常位置识别逻辑308将异常检测空气污染监控站408放入组2。因此,异常检测空气污染监控站根据浓度差设置顺序并且也根据其与逆风的距离设置顺序。
在异常检测空气污染监控站410和412的每个组之内,异常位置识别逻辑308通过计算相同组中的附近异常检测空气污染监控站的影响区域(influence area)的交叉域(cross domain)的来定位异常位置。也就是说,异常位置识别逻辑308基于距离识别一个或多个离异常检测空气污染监控站402和404的每个最近的非异常检测空气污染监控站414和416,如图4C所示。然后,异常位置识别逻辑308识别如图4D所示的影响区域418,影响区域418与一个或者多个最近的非异常检测空气污染监控站414和416以及异常检测空气污染监控站402和404关联。影响区域是来自每个异常检测空气污染监控站并且在当前风向的方向开放的三角形区域(二维,如图所示)或锥形区域(三维,未示出)。因此,根据上述示例,每个影响区域应该起始于一个或多个最近的非异常检测空气污染监控站414和416以及异常检测空气污染监控站402和404并且向东北开放。然后异常位置识别逻辑308识别影响区域418的交叉域420,其中所述交叉域420提供潜在异常区域的识别,如图4D所示。
异常位置识别逻辑308向管理员318提供潜在异常区域的指示。利用潜在异常区域,管理员318可以在潜在异常区域中调查潜在异常,如果空气污染增加,可以利用潜在异常区域,采取措施减少在潜在异常区域中的空气污染水平,例如向政府机构通知违规行为,通知可能是潜在异常区域中空气污染违规行为的原因的企业(违规者),或诸如此类的当检测到空气污染异常时可以采取的真实世界的行动。
因此,本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是例如――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Java、Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
图5描述了根据示意的实施例的空气污染异常检测机制在检测空气污染异常中执行的示例性操作。操作开始时,空气污染异常检测机制监视多个空气污染监控站中的每个(步骤502),该多个空气污染监控站接收在多个空气污染监控站中的每个监控站感测的关于空气污染水平的实时空气污染数据。然后空气污染异常检测机制识别时间和空间特性,即,与多个空气污染监控站的每个相关的历史空气污染模式(步骤504)。
对于多个空气污染监控站的每个,空气污染异常检测机制对给定时间从空气污染监控站接收的实时空气污染数据与相同时间相关的空气污染监控站的历史空气污染模式中识别的时间和空间特性进行比较(步骤506)。利用该比较,空气污染异常检测机制产生浓度差,其指示由空气污染监控站识别的空气污染变化(步骤508)。然后空气污染异常检测机制确定浓度差是否大于预定的置信度阈值(步骤510)。如果在步骤510空气污染异常检测机制确定浓度差未超过预定的置信度阈值,那么操作返回步骤506。
如果在步骤510空气污染异常检测机制确定浓度差超过预定的置信度阈值,那么空气污染异常检测机制向管理员提供检测到的空气污染水平中的潜在异常的指示(步骤512)。利用该指示,管理员可以调查潜在异常,以及如果空气污染增加,则采取措施减少空气污染水平,例如向政府机构通知违规行为,通知可能是异常区域中空气污染违规行为的原因的企业(违规者),或诸如此类的的当检测到空气污染异常时可以采取的真实世界的行动。
为了帮助管理员识别潜在的违规者,空气污染异常检测机制则根据确定的浓度差按照顺序放置检测的空气污染异常在预定的置信度阈值之上的空气污染监控站,即,异常检测空气污染监控站(步骤514)。利用得到的风向数据,空气污染异常检测机制基于风向将异常检测空气污染监控站组合为组(步骤516)。在异常检测空气污染监控站的每个组内部,空气污染异常检测机制基于距离识别与异常检测空气污染监控站的每个最近的一个或多个非异常检测空气污染监控站(步骤518)。然后空气污染异常检测机制识别与一个或多个最近的非异常检测空气污染监控站和异常检测空气污染站相关的影响区域(步骤520)。然后空气污染异常检测机制识别影响区域的交叉区域,所述交叉区域提供识别潜在异常区域(步骤522)。空气污染异常检测机制向管理员提供潜在异常区域的指示(步骤524),之后操作终止。利用潜在异常区域,管理员可以在潜在异常区域中调查潜在异常,如果空气污染增加,则利用潜在异常区域来采取措施减少潜在异常区域中的空气污染水平,例如向政府机构通知违规行为,通知可能是潜在异常区域中空气污染违规行为的原因的企业(违规者),或诸如此类的当检测到空气污染异常时可以采取的真实世界的行为。
图6描述了根据示意的实施例的由空气污染异常检测机制在识别与多个空气污染监控站的每个相关的时空特征中执行的示例性操作。当操作开始时,对于每个空气污染监控站,空气污染异常检测机制利用与空气污染监控站相关的实时空气污染数据计算每两个相邻时隙之间的污染水平变化(步骤602)。例如,如果在时间t1,空气污染监控站检测空气污染水平为3,以及在时间t2,相同的空气污染监控站检测空气污染水平为4,那么空气污染异常检测机制计算空气污染监控站的时间空气污染水平变化是正1(+1)。空气污染异常检测机制在时间/空间特性数据结构中存储空气污染水平变化作为相关的空气污染监控的时间变化(步骤604)。
空气污染异常检测机制也使用实时空气污染数据计算每个空气污染监控站之间以及该空气污染监控站的预定距离内的多个空气污染监控站中的剩余空气污染监控站中的一个或多个之间的污染水平变化(步骤606)。例如,如果在时间t1,空气污染监控站检测空气污染水平为4,以及在相同的时间t1,另一个空气污染监控站检测空气污染水平为3,那么空气污染异常检测机制将计算出空间空气污染水平变化为负1(-1)。空气污染异常检测机制在时间/空间特性数据结构中存储污染水平变化作为相关的空气污染监控站的空间变化(步骤608)。
一旦多个空气污染监控站的时间和空间变化数据已被收集,为了识别历史时间/空间特性,即,多个空气污染监控站的每个的历史空气污染模式,空气污染异常检测机制分析时间变化数据和空间变化数据(步骤610)。也就是说,空气污染异常检测机制利用时间变化数据为多个空气污染监控站的每个产生历史空气污染模式,历史空气污染模式示出在给定的时间周期(例如一天、一周、一个月等)空气污染水平的变化。此外,利用空间变化数据,空气污染异常检测机制为多个空气污染监控站的每个产生历史空气污染模式,历史空气污染模式示出在不同时间周期的空气污染监控站之间的空气污染水平的变化。然后空气污染异常检测机制确定是否存在另一空气污染监控站要分析(步骤612)。
如果在步骤612空气污染异常检测机制确定存在另一个空气污染监控站,操作返回步骤602。如果在步骤612空气污染异常检测机制确定不存在另一个空气污染监控站,操作结束。为了更新多个空气污染监控站的每个的历史空气污染模式,操作可以在周期的间隔重新开始,从而分析与任何新收集的时间/空间变化数据相关的历史时间/空间变化数据。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
因此,示意的实施例提供了利用在空气污染源中和/或附近的多个空气污染监控站通过比较实时监控数据和与空气污染监控站相关的分析的时间和空间特性来检测空气污染异常的机制。根据天气条件和附近空气污染监控站之间的相关性,该机制通过分析空气污染时间和空间特性以及然后定位潜在的空气污染异常来检测潜在的空气污染异常。通过检测和定位潜在的污染异常,环境执法机构可以更好地跟踪和管理企业排放情况,从而有效地防止企业的违法排放行为。进一步,通过检测和定位潜在污染异常,提供了用于及早识别污染事故和加强环境保护部门应急响应能力的解决方案/系统。
如上所述,应该理解,示例性实施例可以采取完全的硬件实施例、完全的软件实施例或同时包含硬件和软件元素的实施例的形式。在一个实施例示例中,示例性实施例的机制通过软件或程序代码实现,这些软件或程序代码包括——但不限于——固件、驻留软件、微代码等。
适合于存储和/或执行程序代码的数据处理系统将包括至少一个通过系统总线直接或间接地连接到存储元件的处理器。这些存储元件可以包括在程序代码的实际实现期间采用的本地存储器、大容量存储装置以及提供至少某些程序代码的临时存储以减少必须在执行期间从大容量存储装置检索的次数的高速缓存存储器。
输入/输出或I/O设备(包括——但不限于——键盘、显示器、指点设备等)可以直接地或通过中间I/O控制器连接到系统。网络适配器还可以连接到系统以允许数据处理系统变得通过中间专用或公共网络与其它数据处理系统或远程打印机或存储器件相连。电话调制解调器、电缆调制解调器和以太网只是一些当前可用的网络适配器类型。
出于说明和描述的目的给出了对本发明的描述,但所述描述并非旨在是穷举的或是将本发明限于所公开的形式。对于所属技术领域的普通技术人员来说,许多修改和变化都将是显而易见的。实施例的选择和描述,旨在最佳地解释本发明的原理、实际应用,并且所属技术领域的其它普通技术人员能够理解适合于所构想的特定使用的具有各种修改的各种实施例。在此使用的术语的选择旨在最佳地解释实施例的原理、市场中发现的技术的实际应用或技术进步、或者使所属技术领域的其它普通技术人员理解在此公开的实施例。
Claims (15)
1.一种在数据处理系统中检测空气污染异常的方法,该方法包括:
由所述数据处理系统中的处理器识别多个空气污染监控站中的每个的历史空气污染模式;
对于所述多个空气污染监控站的每个:
由所述处理器响应于从特定空气污染监控站接收到实时数据,对所述实时数据与和所述特定空气污染监控站相关的历史空气污染模式进行比较;
由所述处理器基于所述实时数据与和所述特定空气污染监控站相关的历史空气污染模式的比较产生浓度差值;
由所述处理器确定所述浓度差值是否大于预定的置信度阈值;
对于相关的浓度差值大于所述预定的置信度阈值的多个空气污染监控站中的子集中的每一个,由所述处理器向管理员产生检测到的空气污染水平的异常指示,其中所述指示使所述管理员执行一个或多个动作以纠正所述检测到的空气污染水平中的异常。
2.如权利要求1所述的方法,其中所述历史空气污染模式识别与所述特定空气污染监控站相关的时间特性。
3.如权利要求1所述的方法,其中所述历史空气污染模式识别所述多个空气污染监控站中的与所述特定空气污染监控站和一个或多个其它空气污染监控站相关的空间特性。
4.如权利要求1所述的方法,进一步包括:
对于其相关的浓度差值大于所述预定的置信度阈值的所述多个空气污染监控站的子集中每个:
由所述处理器识别影响区域的交叉域,其中所述交叉域提供潜在异常区域的识别;以及
由所述处理器向管理员产生潜在异常区域的指示,其中所述指示使管理员执行一个或多个动作以利用潜在异常区域纠正所述检测到的空气污染水平中的异常。
5.如权利要求4所述的方法,其中识别影响区域的交叉域包括:
由所述处理器根据所述确定的浓度差值按照顺序放置所述多个空气污染监控站的子集;
由所述处理器基于根据所述确定的浓度差值的顺序和使用获得的风向数据,将所述多个空气污染监控站的子集逐个地分组;
由所述处理器基于距离,识别一个或多个离所述多个空气污染监控站的子集的每个最近的非检测空气污染监控站;以及
由所述处理器识别与一个或多个最近的非检测空气污染监控站的每个以及所述多个空气污染监控站的子集相关的影响区域。
6.如权利要求5所述的方法,其中基于空气污染监控站的预定数目限制所述分组。
7.如权利要求1所述的方法,其中由所述方法产生的所述历史空气污染模式包括:
对于所述多个空气污染监控站的每个:
由所述处理器计算每两个相邻时隙之间的污染水平变化;
由所述处理器存储每两个相邻时隙之间的每个计算的空气污染水平变化作为所述关联的空气污染监控站的单独的时间变化数据;
由所述处理器计算在空气污染监控站的预定距离内每个空气污染监控站与所述多个空气污染监控站中的其余空气污染监控站的一个或多个之间的污染水平变化;
由所述处理器存储每个计算的在空气污染监控站的预定距离内每个空气污染监控站与所述多个空气污染监控站的其余空气污染监控站的一个或多个之间的污染水平变化作为相关的空气污染监控站的的单独的空间变化数据;以及
由所述处理器分析所述时间变化数据和所述空间变化数据,从而识别历史时间/空间特性以产生所述历史空气污染模式。
8.一种在数据处理系统中检测空气污染异常的装置,该装置包括:
处理器;以及
与所述处理器耦接的存储器,其中,所述存储器包括指令,所述指令在由所述处理器执行时,使得所述处理器:
识别多个空气污染监控站中的每个的历史空气污染模式;
对于所述多个空气污染监控站的每个:
响应于从特定空气污染监控站接收到实时数据,对所述实时数据与和所述特定空气污染监控站相关的历史空气污染模式进行比较;
基于所述实时数据与和所述特定空气污染监控站相关的历史空气污染模式的比较产生浓度差值;
确定所述浓度差值是否大于预定的置信度阈值;
对于相关的浓度差值大于所述预定的置信度阈值的多个空气污染监控站中的子集中的每一个,向管理员产生检测到的空气污染水平的异常指示,其中所述指示使所述管理员执行一个或多个动作以纠正所述检测到的空气污染水平中的异常。
9.如权利要求8所述的装置,其中所述历史空气污染模式识别与所述特定空气污染监控站相关的时间特性。
10.如权利要求8所述的装置,其中所述历史空气污染模式识别与所述特定空气污染监控站相关的空间特性和所述多个空气污染监控站中的一个或多个其它空气污染监控站。
11.如权利要求8所述的装置,其中所述指令进一步使得所述处理器:
对于相关的浓度差值大于预定的置信度阈值的所述多个空气污染监控站中的子集中每个:
识别影响区域的交叉域,其中所述交叉域提供潜在异常区域的识别;以及
向管理员产生潜在异常区域的指示,其中所述指示使管理员执行一个或多个动作以利用潜在异常区域纠正所述检测到的空气污染水平中的异常。
12.如权利要求11所述的装置,其中所述指令识别影响区域的交叉域,进一步使得所述处理器:
根据所述确定的浓度差值按照顺序放置所述多个空气污染监控站的子集;
基于根据所述确定的浓度差值的顺序和使用获得的风向数据,将所述多个空气污染监控站的子集一个一个地分组;
基于距离识别一个或多个离所述多个空气污染监控站的子集的每个最近的非检测空气污染监控站;以及
识别与一个或多个最近的非检测空气污染监控站的每个以及所述多个空气污染监控站的子集相关的影响区域。
13.如权利要求12所述的装置,其中基于空气污染监控站的预定数目限制所述分组。
14.如权利要求8所述的装置,其中由所述指令产生的所述历史空气污染模式进一步使得所述处理器:
对于所述多个空气污染监控站的每个:
计算每两个相邻时隙之间的污染水平变化;
存储每两个相邻时隙之间的每个计算的空气污染水平变化作为所述关联的空气污染监控站的单独的时间变化数据;
计算在空气污染监控站的预定距离内每个空气污染监控站与所述多个空气污染监控站的其余空气污染监控站的一个或多个之间的污染水平变化;
存储每个计算的在空气污染监控站的预定距离内每个空气污染监控站与所述多个空气污染监控站的其余空气污染监控站的一个或多个之间的污染水平变化作为相关的空气污染监控站的的单独的空间变化数据;以及
分析所述时间变化数据和所述空间变化数据,从而识别历史时间/空间特性以产生所述历史空气污染模式。
15.一种计算机程序产品,包括其上存储有计算机可读程序的计算机可读存储介质,其中,所述计算机可读程序在计算设备上执行时,使所述计算设备执行如权利要求1至7中的任何一种所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/740,713 US10338047B2 (en) | 2015-06-16 | 2015-06-16 | Air-pollution anomaly location mechanism |
US14/740,713 | 2015-06-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106257474A true CN106257474A (zh) | 2016-12-28 |
CN106257474B CN106257474B (zh) | 2019-05-10 |
Family
ID=57587984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610423036.XA Active CN106257474B (zh) | 2015-06-16 | 2016-06-15 | 空气污染异常定位机制 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10338047B2 (zh) |
CN (1) | CN106257474B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107830567A (zh) * | 2017-11-29 | 2018-03-23 | 王全龄 | 一种城市大气雾霾治理系统 |
CN111314158A (zh) * | 2018-12-11 | 2020-06-19 | 杭州海康威视数字技术股份有限公司 | 大数据平台监控方法、装置及设备、介质 |
CN111650346A (zh) * | 2020-07-14 | 2020-09-11 | 中科三清科技有限公司 | 大气污染监测数据的自动审核方法、装置及电子设备 |
CN116522270A (zh) * | 2023-07-04 | 2023-08-01 | 西安启迪能源技术有限公司 | 用于智慧海绵城市的数据处理系统 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9959374B2 (en) * | 2015-11-04 | 2018-05-01 | Scepter Incorporated | Atmospheric sensor network and analytical information system related thereto |
RU2018135573A (ru) * | 2016-03-10 | 2020-04-10 | Филипс Лайтинг Холдинг Б.В. | Система оценки загрязнения |
US10359280B2 (en) * | 2017-04-28 | 2019-07-23 | International Business Machines Corporation | 3-D air pollution transmission path identification |
CN107315912B (zh) * | 2017-06-21 | 2021-02-12 | 河海大学 | 一种中小树枝型河道污染物浓度预测及纳污能力计算方法 |
CN109657842A (zh) * | 2018-11-27 | 2019-04-19 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法及装置、电子设备 |
US11836644B2 (en) * | 2019-08-06 | 2023-12-05 | International Business Machines Corporation | Abnormal air pollution emission prediction |
CN110765369B (zh) * | 2019-09-11 | 2022-03-29 | 安徽先兆科技有限公司 | 基于时空属性的实时监测数据处理方法和系统 |
US11307187B2 (en) * | 2019-10-01 | 2022-04-19 | International Business Machines Corporation | Detection of area of abnormal air quality within a geographical area |
CN115288992B (zh) * | 2022-07-20 | 2024-04-12 | 青岛优派普环保科技股份有限公司 | 一种塑料管材生产用泵体监测方法、系统及存储介质 |
CN116400126B (zh) * | 2023-06-08 | 2023-08-01 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN116975378B (zh) * | 2023-09-21 | 2023-12-05 | 江苏云天精筑环境科技有限公司 | 一种基于大数据的设备环境监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
CN101542266A (zh) * | 2006-02-21 | 2009-09-23 | G.R.G专利有限公司 | 通过调节气流通风来估计和减少空气污染的系统和方法 |
TW200951888A (en) * | 2008-06-13 | 2009-12-16 | Univ Nat Taiwan | System and method of detecting air pollution, route-planning method applied to said detection system, and warning method of air pollution |
WO2014194480A1 (en) * | 2013-06-05 | 2014-12-11 | Microsoft Corporation | Air quality inference using multiple data sources |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW483084B (en) * | 2001-02-02 | 2002-04-11 | Jiun-Guang Luo | Computerized in-situ real-time monitoring system |
US8063415B2 (en) * | 2007-07-25 | 2011-11-22 | Renesas Electronics Corporation | Semiconductor device |
WO2011089627A1 (en) | 2010-01-21 | 2011-07-28 | Pranamesh Das | Integrated remote pollution monitoring and indexing system and method thereof |
HUP1200197A2 (hu) | 2012-04-03 | 2013-10-28 | Budapesti Mueszaki Es Gazdasagtudomanyi Egyetem | Eljárás és elrendezés környezeti zaj valós idejû, forrásszelektív monitorozására és térképezésére |
CN203241398U (zh) | 2013-03-08 | 2013-10-16 | 宇星科技发展(深圳)有限公司 | 路边空气质量自动监测设备 |
US20150077737A1 (en) * | 2013-08-09 | 2015-03-19 | Cnry Inc. | System and methods for monitoring an environment |
CN103616732B (zh) | 2013-11-01 | 2016-10-05 | 南京大学 | 高空风资料的质量监控装置 |
CN103595792A (zh) | 2013-11-15 | 2014-02-19 | 南京云创存储科技有限公司 | 一种环境污染趋势监控系统 |
US20160012530A1 (en) * | 2014-07-08 | 2016-01-14 | Richard Gardner | Method and system to provide investment traders biofeedback in Real-Time during the decision time immediately prior to make or not make a transaction |
-
2015
- 2015-06-16 US US14/740,713 patent/US10338047B2/en active Active
-
2016
- 2016-06-15 CN CN201610423036.XA patent/CN106257474B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101542266A (zh) * | 2006-02-21 | 2009-09-23 | G.R.G专利有限公司 | 通过调节气流通风来估计和减少空气污染的系统和方法 |
US20090265037A1 (en) * | 2006-02-21 | 2009-10-22 | Nir Bassa | System and Method for Assessing and Reducing Air Pollution by Regulating Airflow Ventilation |
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
TW200951888A (en) * | 2008-06-13 | 2009-12-16 | Univ Nat Taiwan | System and method of detecting air pollution, route-planning method applied to said detection system, and warning method of air pollution |
WO2014194480A1 (en) * | 2013-06-05 | 2014-12-11 | Microsoft Corporation | Air quality inference using multiple data sources |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107830567A (zh) * | 2017-11-29 | 2018-03-23 | 王全龄 | 一种城市大气雾霾治理系统 |
CN111314158A (zh) * | 2018-12-11 | 2020-06-19 | 杭州海康威视数字技术股份有限公司 | 大数据平台监控方法、装置及设备、介质 |
CN111314158B (zh) * | 2018-12-11 | 2022-05-31 | 杭州海康威视数字技术股份有限公司 | 大数据平台监控方法、装置及设备、介质 |
CN111650346A (zh) * | 2020-07-14 | 2020-09-11 | 中科三清科技有限公司 | 大气污染监测数据的自动审核方法、装置及电子设备 |
CN116522270A (zh) * | 2023-07-04 | 2023-08-01 | 西安启迪能源技术有限公司 | 用于智慧海绵城市的数据处理系统 |
CN116522270B (zh) * | 2023-07-04 | 2023-09-15 | 西安启迪能源技术有限公司 | 用于智慧海绵城市的数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106257474B (zh) | 2019-05-10 |
US20160370339A1 (en) | 2016-12-22 |
US10338047B2 (en) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106257474B (zh) | 空气污染异常定位机制 | |
US11374953B2 (en) | Hybrid machine learning to detect anomalies | |
Kallis et al. | Predicting issue types on GitHub | |
CN105824748B (zh) | 用于确定测试用例效率的方法和系统 | |
CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
CN108347430A (zh) | 基于深度学习的网络入侵检测和漏洞扫描方法及装置 | |
US11586609B2 (en) | Abnormal event analysis | |
CN108200030A (zh) | 恶意流量的检测方法、系统、装置及计算机可读存储介质 | |
Turhan et al. | Empirical evaluation of mixed-project defect prediction models | |
CN106919555A (zh) | 用于日志流内包含的数据的字段提取的系统和方法 | |
Balantic et al. | Dynamic wildlife occupancy models using automated acoustic monitoring data | |
US20190340548A1 (en) | System for building and utilizing risk models for long range risk | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
Chen et al. | Software process evaluation: a machine learning framework with application to defect management process | |
Duan et al. | Automated security assessment for the internet of things | |
Ferreira et al. | Assessing and managing risk in historic urban areas: current trends and future research directions | |
US10152677B2 (en) | System and methodology to handle misdirected input data during multi partitioned real time analytics | |
CN111582313B (zh) | 样本数据生成方法、装置及电子设备 | |
CN111752833B (zh) | 一种软件质量体系准出方法、装置、服务器及存储介质 | |
US20180067831A1 (en) | Fine-Grained Causal Anomaly Inference for Complex System Fault Diagnosis | |
US20230052540A1 (en) | Trend-informed demand forecasting | |
US20220050763A1 (en) | Detecting regime change in time series data to manage a technology platform | |
CN111144429A (zh) | 对象分类方法及其系统、计算机系统及计算机可读介质 | |
Wong et al. | An approach towards designing a prescriptive analytical logic model for software application root cause analysis | |
US20200033504A1 (en) | Hypothesis testing systems for detection of hidden features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |