CN106920198B - 用于污染物溯源的设备和方法 - Google Patents
用于污染物溯源的设备和方法 Download PDFInfo
- Publication number
- CN106920198B CN106920198B CN201510983291.5A CN201510983291A CN106920198B CN 106920198 B CN106920198 B CN 106920198B CN 201510983291 A CN201510983291 A CN 201510983291A CN 106920198 B CN106920198 B CN 106920198B
- Authority
- CN
- China
- Prior art keywords
- time
- time windows
- monitoring
- relevant
- monitoring point
- 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.)
- Active
Links
- 239000000356 contaminant Substances 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 116
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000003344 environmental pollutant Substances 0.000 abstract description 11
- 231100000719 pollutant Toxicity 0.000 abstract description 11
- 238000011109 contamination Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
提供了一种用于污染物溯源的设备,包括:获取单元,被配置为获取监测点的监测数据;计算单元,被配置为计算相邻时间窗之间的所有监测点之间的相关性;以及确定单元,被配置为找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。还提供了一种用于污染物溯源的方法。采用本发明,能够实现较短时间、细时空粒度上的污染物溯源。
Description
技术领域
本申请涉及数据分析领域,具体涉及一种用于污染物溯源的设备和方法。
背景技术
目前,大气、水源等污染状况日益严重。污染的形成受排放物、扩散条件、地理环境等因素影响,其成因复杂多样,这为准确地分析某地区污染的分布和扩散趋势带来了困难。
现有的方法主要基于高斯模型建立大气污染扩散模型。然而,该方法仅适用于对较大区域(市区与城镇)进行较长时间且尺度较大(以月份为单位)的污染扩散分析,无法用于短时间、细时空粒度的污染物溯源。
发明内容
本发明提出一种对不同监测站点所监测到的污染物进行溯源的技术方案。主要思想是:通过迭代计算不同监测点污染浓度在相邻时间窗的相关性,找出污染源头。另外,本发明的技术方案同样也适用于针对与大气污染具有相似时序特征数据(如水源污染、交通拥塞流等)的事故源定位追踪。
根据本发明的一个方面,提供了一种用于污染物溯源的设备,包括:获取单元,被配置为获取监测点的监测数据;计算单元,被配置为计算相邻时间窗之间的所有监测点之间的相关性;以及确定单元,被配置为找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。
在一个实施例中,计算单元被配置为:设定时间窗和时间间隔,计算所有相邻时间窗之间的所有监测点间的相关性矩阵。确定单元被配置为:根据相关性矩阵中的数值大小,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。
在一个实施例中,计算单元被配置为:计算污染浓度向量以及污染浓度矩阵;以及根据污染浓度向量以及污染浓度矩阵,计算所有相邻时间窗之间的所有监测点间的相关性矩阵。
在一个实施例中,确定单元被配置为:设定最相关的监测点对的个数为N,其中N为大于1的正整数;根据相关性矩阵中的数值大小,找出目标时刻的N个最相关的监测点对;以及依次向前移动时间窗以找出前一时刻的N个最相关的监测点对,直到所有时间窗被追溯。
在一个实施例中,计算单元被配置为:采用余弦相似性来计算相关性矩阵。
根据本发明的另一个方面,提供了一种用于污染物溯源的方法,包括:获取监测点的监测数据;计算相邻时间窗之间的所有监测点之间的相关性;以及找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。
在一个实施例中,设定时间窗和时间间隔,计算所有相邻时间窗之间的所有监测点间的相关性矩阵;根据相关性矩阵中的数值大小,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。
在一个实施例中,计算污染浓度向量以及污染浓度矩阵;以及根据污染浓度向量以及污染浓度矩阵,计算所有相邻时间窗之间的所有监测点间的相关性矩阵。
在一个实施例中,设定最相关的监测点对的个数为N,其中N为大于1的正整数;根据相关性矩阵中的数值大小,找出目标时刻的N个最相关的监测点对;以及依次向前移动时间窗以找出前一时刻的N个最相关的监测点对,直到所有时间窗被追溯。
在一个实施例中,采用余弦相似性来计算相关性矩阵。
采用本发明的技术方案,能够实现较短时间(例如数小时)、细时空粒度(例如1km*1km,每15分钟)上的污染物溯源。
附图说明
通过下文结合附图的详细描述,本发明的上述和其它特征将会变得更加明显,其中:
图1是示出了根据本发明的用于污染物溯源的设备的框图。
图2是示出了根据本发明的用于污染物溯源的方法的流程图。
图3-6是示出了根据本发明一个具体示例的数据计算结果的示意图。
具体实施方式
下面,通过结合附图对本发明的具体实施例的描述,本发明的原理和实现将会变得明显。应当注意的是,本发明不应局限于下文所述的具体实施例。另外,为了简便起见,省略了与本发明无关的公知技术的详细描述。
图1是示出了根据本发明一个实施例的用于污染物溯源的设备的框图。如图1所示,设备10包括获取单元110、计算单元120和确定单元130。下面,详细描述设备10中的各个单元的操作。
获取单元110被配置为获取监测点的监测数据,该监测数据例如可以是时空数据。在本申请中,“时空数据”是指同时具有时间和空间维度的数据,例如大气污染监测数据、交通流量数据等等。
在一个示例中,对于大气污染监测站点来说,监测点的时空数据可以包括6种主要大气污染物(PM2.5、PM10、SO2、NO2、CO、O3)的浓度及其对应空气质量指数(IAQI)值。
计算单元120被配置为计算相邻时间窗之间的所有监测点之间的相关性。例如,相关性可以用相关性矩阵来表示,这将在下文详细描述。需要说明,上述示例仅仅是“相关性”的示例表示。本领域的技术人员可以理解,也可以采用其他方式来表示监测点之间的相关性。
确定单元130被配置为找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。从而,最终确定污染源头。
下面,以相关性矩阵作为监测点之间的相关性的示例,描述图1所示的设备10的操作。
在本实施例中,用相关性矩阵来表示监测点之间的相关性。如上所述,获取单元110获取多个监测点的监测数据。就大气污染监测站点来说,获取单元110可以获取6种主要大气污染物(PM2.5,PM10,SO2,NO2,CO,O3)的浓度及其对应空气质量指数(IAQI)值。
计算单元120设定时间窗和时间间隔,并计算所有相邻时间窗之间的所有监测点间的相关性矩阵。在一个示例中,计算单元120计算污染浓度向量以及污染浓度矩阵,以及根据污染浓度向量以及污染浓度矩阵来计算所有相邻时间窗之间的所有监测点间的相关性矩阵。
然后,计算单元120设定时间窗ITV,其由以t时刻为终点时刻的m个时间间隔构成。第i个监测点的污染物浓度在时间窗ITV里可表示为:
相应地,时间窗ITV内n个监测点在m个间隔(即m+1个时刻)的n*(m+1)维污染物浓度矩阵polITV(t)可表示为:
即
接下来,计算单元120计算以目标时刻t为终点时刻的时间窗与以上一时刻(t-1)为终点时刻的时间窗的所有监测点之间的相关性,得到相关性矩阵cov(t):
优选地,计算单元120可以采用余弦相似性来计算相关性矩阵。假设设向量A=(A1,A2,...,An),B=(B1,B2,...,Bn),则A和B的余弦相似性为:
确定单元130根据相关性矩阵中的数值大小,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。例如,确定单元130可以设定最相关的监测点对的个数为N,其中N为大于1的正整数。然后,根据相关性矩阵中的数值大小,找出目标时刻的N个最相关的监测点对。即,找出目标时间窗(即以目标时刻为终点时刻的时间窗)的相关性矩阵Cov(t)中相关值最大的前N对监测点,每对监测点中,对应较早时刻的监测点为另一监测点污染物的源头。例如,监测点A和B监测点间的相关值较大,在该对监测点中,监测点B对应时刻t-1早于监测点A的时刻t,则监测点B为监测点A处污染的源头。
接下来,确定单元130依次向前移动时间窗以找出前一时刻的N个最相关的监测点对,直到所有时间窗被追溯。即,找到在前一时间窗的相关矩阵Cov(t-1)中与其相关值最大的N对监测点,再以找到的监测点为目标,迭代执行直至所有时间窗被追溯完成,从而找到目标时刻污染的最终源头。
下面,以一个具体示例来详细说明本实施例中的设备10的操作。
假设获取单元110获取1号至5号监测站点2014年7月1日15:00-21:00(共6小时)的SO2浓度数据。
计算单元120设定时间窗长度为150分钟,每个时间窗包含5个时间间隔,每个间隔长度为30分钟,因而包含6个时刻:t,t-1,t-2,t-3,t-4,t-5。这样,2014年7月1日15:00-21:00(共6小时)共有8个时间窗,如图3所示。
在本示例中,计算单元120计算得到目标时刻t(即2014年7月1日21:00)的污染物浓度向量为polt=(aqi1 t,......,aqi5 t)=(18.757,14.581,18.228,11.083,12.153)。
计算单元120计算以目标时刻t(即2014年7月1日21:00)为终点时刻的时间窗内所有监测点的污染物浓度矩阵polITV(t),如图4所示。以第1个监测点为例,其在该时间窗内的污染物浓度向量为:
计算单元120计算以时刻t-1(即2014年7月1日20:30)为终点时刻的时间窗内所有监测点的污染物浓度矩阵polITV(t-1),如图5所示。
计算单元120计算所有相邻时间窗之间的所有监测点间的相关性矩阵。例如,图6示出了以目标时刻t(2014.7.1 21:00)为终点时刻的时间窗与以其上一时刻t-1(2014.7.120:30)为终点时刻的时间窗之间的所有监测点之间的相关性矩阵cov(t)。以监测点1和2为例,根据矩阵polITV(t),polITV(t-1)计算得到:
则t时刻监测点1与t-1时刻监测点2的相关性为:
确定单元130根据相关性矩阵中数值大小,迭代计算出前一时刻的N个最相关监测点,最终确定污染源头。例如,本示例中可以设置N=3。
确定单元130确定目标时刻t的相关性矩阵Cov(t)中相关值最大的前3对监测点为:1->4,2->4,3->4。其中,又以3->4的相关性值最大(0.992637),这表明监测点3为监测点4的源头的可能性最大。
接着,确定单元130以监测点3为目标,找到Cov(t-1)中监测点3与t-2时刻的所有监测点相关性最大的3对监测点。依次类推,确定单元130得到3->2->4->5->2->1->3->4。则,确定单元130最终确定目标时刻t的污染源的位置位于监测点3。
采用本发明的技术方案,能够实现较短时间(例如数小时)、细时空粒度(例如1km*1km,每15分钟)上的污染物溯源。
图2是示出了根据本发明一个实施例的用于污染物溯源的方法的流程图。如图2所示,方法20在步骤S210处开始。
在步骤S220,获取监测点的监测数据。例如,该监测数据可以包括大气污染监测数据或交通数据。
在步骤S230,计算相邻时间窗之间的所有监测点之间的相关性。
例如,可以设定时间窗和时间间隔,并计算所有相邻时间窗之间的所有监测点间的相关性矩阵。优选地,计算污染浓度向量以及污染浓度矩阵,以及根据污染浓度向量以及污染浓度矩阵,计算所有相邻时间窗之间的所有监测点间的相关性矩阵。可以采用余弦相似性来计算相关性矩阵。
在步骤S240,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。
例如,可以根据相关性矩阵中的数值大小,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯。
最后,方法20在步骤S250处结束。
应该理解,本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如,上述实施例中的系统内的各种组件可以通过多种器件来实现,这些器件包括但不限于:模拟电路、数字电路、通用处理器、数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD),等等。
另外,本领域的技术人员可以理解,本发明实施例中描述的初始参数可以存储在本地数据库中,也可以存储在分布式数据库中或者可以存储在远程数据库中。
此外,这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地,该计算机程序产品是如下的一种产品:具有计算机可读介质,计算机可读介质上编码有计算机程序逻辑,当在计算设备上执行时,该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算系统的至少一个处理器上执行时,计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上,以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。
尽管以上已经结合本发明的优选实施例示出了本发明,但是本领域的技术人员将会理解,在不脱离本发明的精神和范围的情况下,可以对本发明进行各种修改、替换和改变。因此,本发明不应由上述实施例来限定,而应由所附权利要求及其等价物来限定。
Claims (6)
1.一种用于污染物溯源的设备,包括:
获取单元,被配置为获取监测点的监测数据;
计算单元,被配置为设定时间窗和时间间隔,计算相邻时间窗之间的所有监测点之间的相关性,所述相关性基于余弦相似性,其中,所述时间窗由m个时间间隔构成,m>1,并且相邻时间窗之间的间隔是所述时间间隔;以及
确定单元,被配置为根据所述相关性,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯,
其中,所述目标时刻的最相关的监测点对中,对应前一时刻的监测点为另一监测点的源头。
2.根据权利要求1所述的设备,其中,所述计算单元被配置为:
计算污染浓度向量以及污染浓度矩阵;以及
根据污染浓度向量以及污染浓度矩阵,计算所有相邻时间窗之间的所有监测点间的相关性矩阵。
3.根据权利要求1所述的设备,其中,所述确定单元被配置为:
设定最相关的监测点对的个数为N,其中N为大于1的正整数;
根据相关性矩阵中的数值大小,找出目标时刻的N个最相关的监测点对;以及
依次向前移动时间窗以找出前一时刻的N个最相关的监测点对,直到所有时间窗被追溯。
4.一种用于污染物溯源的方法,包括:
获取监测点的监测数据;
设定时间窗和时间间隔,计算相邻时间窗之间的所有监测点之间的相关性,所述相关性基于余弦相似性,其中,所述时间窗由m个时间间隔构成,m>1,并且相邻时间窗之间的间隔是所述时间间隔;以及
根据所述相关性,找出目标时刻的最相关的监测点对,并且依次向前移动时间窗以找出前一时刻的最相关的监测点对,直到所有时间窗被追溯,
其中,所述目标时刻的最相关的监测点对中,对应前一时刻的监测点为另一监测点的源头。
5.根据权利要求4所述的方法,其中,
计算污染浓度向量以及污染浓度矩阵;以及
根据污染浓度向量以及污染浓度矩阵,计算所有相邻时间窗之间的所有监测点间的相关性矩阵。
6.根据权利要求4所述的方法,其中,
设定最相关的监测点对的个数为N,其中N为大于1的正整数;
根据相关性矩阵中的数值大小,找出目标时刻的N个最相关的监测点对;以及
依次向前移动时间窗以找出前一时刻的N个最相关的监测点对,直到所有时间窗被追溯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510983291.5A CN106920198B (zh) | 2015-12-24 | 2015-12-24 | 用于污染物溯源的设备和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510983291.5A CN106920198B (zh) | 2015-12-24 | 2015-12-24 | 用于污染物溯源的设备和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106920198A CN106920198A (zh) | 2017-07-04 |
CN106920198B true CN106920198B (zh) | 2022-08-26 |
Family
ID=59457633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510983291.5A Active CN106920198B (zh) | 2015-12-24 | 2015-12-24 | 用于污染物溯源的设备和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106920198B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109341976B (zh) * | 2018-10-12 | 2023-06-23 | 安徽育安实验室装备有限公司 | 一种试验环境气体泄漏检测方法 |
CN109444232B (zh) * | 2018-12-26 | 2024-03-12 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN110687257A (zh) * | 2019-11-04 | 2020-01-14 | 河北先河环保科技股份有限公司 | 一种基于恶臭在线监测系统的溯源方法 |
CN111157680B (zh) * | 2019-12-31 | 2021-10-26 | 北京辰安科技股份有限公司 | 室内挥发性物质的泄漏溯源方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4214526B2 (ja) * | 2004-12-01 | 2009-01-28 | 独立行政法人 宇宙航空研究開発機構 | ガス成分・濃度測定方法及び装置 |
CN101976307A (zh) * | 2010-11-05 | 2011-02-16 | 东华大学 | 印染流程污水监测指标时间约束关联规则挖掘算法 |
CN102622670B (zh) * | 2012-02-20 | 2017-12-12 | 中国环境科学研究院 | 一种突发水环境污染事故涉嫌风险源的溯源方法 |
CN102722727B (zh) * | 2012-06-11 | 2014-03-05 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN103678581A (zh) * | 2013-12-11 | 2014-03-26 | 力合科技(湖南)股份有限公司 | 环境污染源数据的获取方法及装置 |
CN104017897A (zh) * | 2014-06-24 | 2014-09-03 | 中国农业科学院农业环境与可持续发展研究所 | 一种水体生物污染的溯源方法 |
CN104239496B (zh) * | 2014-09-10 | 2017-11-03 | 西安电子科技大学 | 一种结合模糊权重相似性度量和聚类协同过滤的方法 |
CN104217040A (zh) * | 2014-10-11 | 2014-12-17 | 清华大学 | 一种基于传统在线监测仪的污染事件快速探测方法 |
CN104836810B (zh) * | 2015-05-14 | 2017-11-03 | 江苏大学 | 一种ndn低速缓存污染攻击的协同检测方法 |
CN105117610B (zh) * | 2015-09-21 | 2017-11-03 | 黄波 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
-
2015
- 2015-12-24 CN CN201510983291.5A patent/CN106920198B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106920198A (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920198B (zh) | 用于污染物溯源的设备和方法 | |
US9256689B2 (en) | Mining trajectory for spatial temporal analytics | |
WO2017117857A1 (zh) | 移动终端运动轨迹的匹配方法及装置 | |
JP6108466B2 (ja) | 大気質を測定するための装置及び方法 | |
CN104573859A (zh) | 一种基于Wifi定位和云数据处理技术的人流量预测方法 | |
CN103929719B (zh) | 定位信息的优化方法和优化装置 | |
CN113330456B (zh) | 一种利用历史空气质量数据特征预测空气污染的方法 | |
WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
CN111091082A (zh) | 一种基于高分辨率遥感数据的流域污染溯源方法 | |
Adu-Gyamfi et al. | Framework for evaluating the reliability of wide-area probe data | |
CN111024098A (zh) | 一种基于低采样数据的机动车路径拟合算法 | |
CN116340723A (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
CN112487115A (zh) | 污染源的确定方法、装置、设备及存储介质 | |
Adu-Gyamfi et al. | Reliability of probe speed data for detecting congestion trends | |
CN106918677B (zh) | 用于污染物溯源的设备和方法 | |
Andersen et al. | Detecting wandering behavior of people with dementia | |
CN115238245B (zh) | 污染物监测方法、装置、存储介质及电子设备 | |
Bagtzoglou et al. | Near real-time atmospheric contamination source identification by an optimization-based inverse method | |
Lücken et al. | Density‐Based Statistical Clustering: Enabling Sidefire Ultrasonic Traffic Sensing in Smart Cities | |
Ren et al. | Detecting and locating of traffic incidents in a road segment based on lane-changing characteristics | |
CN106326264B (zh) | 聚类设备和方法 | |
CN104350491A (zh) | 数据采样方法以及数据采样装置 | |
CN107944475B (zh) | 基于公共分片子序列的轨迹离群点检测方法 | |
CN111210513A (zh) | 信息处理方法、装置、设备和存储介质 | |
CN109816211B (zh) | 判断污染区域相似性及提高治理污染效率的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |