CN107436277A - 基于相似距离判别的单指标数据质量控制方法 - Google Patents
基于相似距离判别的单指标数据质量控制方法 Download PDFInfo
- Publication number
- CN107436277A CN107436277A CN201710565035.3A CN201710565035A CN107436277A CN 107436277 A CN107436277 A CN 107436277A CN 201710565035 A CN201710565035 A CN 201710565035A CN 107436277 A CN107436277 A CN 107436277A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- exceptional value
- concentration
- website
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000012552 review Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
- G01D1/14—Measuring arrangements giving results other than momentary value of variable, of general application giving a distribution function of a value, i.e. number of times the value comes within specified ranges of amplitude
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于相似距离判别的单指标数据质量控制方法,大气环境单个监测指标,包括:S1.比较每一个站点对应PM2.5与PM10的浓度大小判断是否为异常检测值,反之进行下一步计算;S2.按照时间顺序导入检测数据;S3.通过离群程度P筛选正常值,剩余为疑似异常值;S4.当S3筛选的疑似异常值在1倍标准差范围内判断为正常监测,反之确认为疑似异常值;S5.计算S4确定的疑似异常值的波动程度q,并判断是否为正常监测,反之再次确认为疑似异常值;S6.计算S5中疑似异常值所在时刻的各站点的波动性w,通过w95%值判断是否异常;S7.S1和S6最终确认的值为异常值。本发明从数据距离、数据波动性、站点之间的关联性出发判断数据是否存在异常现象。实现数据自动化审核机制,有效保障数据质量。
Description
技术领域
本发明涉及监测物的质量控制技术领域,尤其涉及一种基于相似距离判别的单指标数据质量控制方法。
背景技术
针对大气监测数据缺少自动化质量控制手段的状况,现依据环境监测总站数据监控和复合采用的技术方案设计算法,实现大气环境监测数据自动化智能质量控制技术,解决多源监测数据缺少自动化质量控制手段的问题,使大气监测设备的质量控制遵从同一套方法体系,推进监测设备远程自动化质控技术的发展。
现阶段由于各类环境观测设备监测的数据结构、类型、质量等情况不统一,探索相关数学模型在质量控制方面的应用,从大气环境监测数据特征出发,提出有效且可实施的大气监测数据自动化、智能化质量控制技术。基于环境监测数据质量监控体系的海量监测数据信息,实现自动化智能化的可疑监测数据的筛选和判断及数据质量分析预判等功能,保障数据质量成为现分析急需解决的问题。
对于大气环境数据质量的控制和监测,现使用数据筛选方法大多采用手工形式,通过绘制日均图、月均图判断各监测指标的异常波动和离群程度等。这样的方法增加了大量的人力资源,在海量数据的基础上进行人工审核往往会有审漏或者误判的情况。鉴于环境监测仪器输出监测物的浓度指标一般以分钟为单位,人工手动审核数据存在一定的滞后性,通过自动化的审核机制可以做到实时对数据进行质量控制。
发明内容
本发明的目的在于提供一种基于相似距离判别的单指标数据质量控制方法,解决现有技术存在的问题。
一种基于相似距离判别的单指标数据质量控制方法,所述单指标数据为大气环境单个监测指标,主要包括以下步骤:
S1.基于倒挂的原理计算每一个站点PM2.5与PM10的浓度大小,当PM2.5的浓度>PM10的浓度便视为倒挂情况判断为异常检测值,反之进行下一步计算;
S2.由于污染物浓度会随着季节的变化表现出不同的特征,因此按照时间序列的格式导入同一个城市不同站点的单个大气环境监测物的检测数据;
S3.依据单个大气环境监测物之间的浓度差值来判断监测物的离群程度P,通过离群程度P筛选出正常值,剩余为疑似异常值;
S4.计算S3筛选的疑似异常值对应时刻各站点检测数据的均值和标准差,当S3筛选的疑似异常值在均值范围的1倍标准差内判断为正常监测,反之进一步确认为疑似异常值;
S5.将S4进一步确认为疑似异常值的数据作为待检测样本,通过波动程度q判断是否为正常监测,反之再次确认为疑似异常值;
S6.计算S5再次确认为疑似异常值所在时刻各站点检测数据的波动性w,通过w95%值判断是否异常;
S7.S1和S6判断异常的最终确认为异常值。
进一步的,步骤S3通过离群程度P筛选出正常值主要包括以下步骤:
S21.根据时间序列的格式导入同一个城市不同站点的单个大气环境监测物的检测数据:
S22.利用距离分别对原始数据每列进行运算,计算每一列每个元素与对应列的其他元素之间的距离记为dijm=∣xim-xjm∣,dijm表示x中的第m列的第i个元素的浓度减去第j个元素的浓度;最终n得到一个包含n行n列的矩阵Am;
S23.依据S22的计算步骤对原始数据中的每列计算扫描,为了压缩距离较近和增大距离较大的值来增强判断效果,计算矩阵Am每列各元素的平方和记为Pi,对应的Pi值为:
得到序列P;
S24.将计算序列P的95%分为数作为判断标准,如果Pi﹥P95%,则需进一步判断,反之为正常监测值。
进一步的,步骤S5所述通过波动程度q判断是否正常监测主要包括以下步骤:
S31.根据同一站点不同时间监测物的浓度x=x1m、x2m、x3m……xnm;
S32.将后一个时刻监测物的浓度与前一时刻监测物的浓度差值的绝对值记为qim=︳x(i+1)m-xim︳,得到序列q1m、q2m、q3m……qn-1m,计算每列浓度差值的95%分位数记为qm95%;
S33.将S4进一步确认为疑似异常值所在行的检测数据作为计算对象,判断qim与qm95%的大小,如果qim>qm95%需进一步判断,反之为正常检测值;
进一步的,步骤S6所述通过w95%值判断是否异常的方法为:通过qim与wi95%比较,当qim大于wi95%则为异常。其中wi95%为不同站点i时刻监测数据波动值的百分之95分位数。
本发明首先利用距离公式对列进行检测当发现异常问题后对疑似异常点对应的行进行验证,当异常问题没有得到排除的情况下再重复对列进行波动性检验,发现异常依然存在的情况下再对疑似异常值所在行进行验证,最终检测出异常值。因此在排除倒挂情况下检测出一个异常值需要对行和列分别进行两次计算。
本发明从大气环境监测数据特征出发设定某些前提假设,在前提假设下设计算法和判断标准,在标准值的范围内判定为正常数据,反之为异常数据。因此算法的原理和过程是付出最多创造性劳动的关键点也是要求保护的技术重点。
现有技术主要从大气环境监测数据特征出发,运用各监测指标的关联性和波动程度进行手工判断。本方案针对大气污染物监测数据杂乱无章以及无关联性的现状,考虑从聚类的角度进行分类不利于归类、且无规范标准判断数据异常;基于现阶段大量环境监测仪器运作产出的海量数据,从数据距离、波动性、站点之间的关联性出发判断数据是否存在异常现象。利用电脑自动化循环和识别的功能建立数据自动化审核机制,通过人工智能方式实现现有手动操作的质控方案,有效的保障数据质量。同时考虑环境监测仪器采集数据一般以分钟为单位,自动化数据审核方式保证了数据产出及公布的及时性,为后期数据使用和环境预报预警提供有力的支撑。降低了人力资源的使用成本,提高了数据判断的准确定和时效性,大大提高了数据的使用率,实现了环境监测设备采集的离线和在线数据进行质量把控。
附图说明
图1是本发明基于相似距离判别的单指标数据质量控制方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
实施例
按照图1所示流程图,对北京奥体中心站点2016年第一个季度的CO浓度进行质量控制,主要步骤如下:
第一步:根据表1所示数据,首先对PM2.5和PM10的浓度进行检验,最终结果发现存在部分倒挂情况,表1给出同一时刻PM2.5浓度减PM10浓度的值:可见在2016年3月1号20、21、22、23点时存在倒挂现象表现为表1中加粗和加下划线部分因此判断为异常检测。
第二、三步:按照时间序列的格式分季节导入同一个城市不同站点的检测数据。本例中把监测物CO作为分析案例,如表2所示。
第四步:首先计算奥体中心所对应的距离矩阵,其中的NA是数据为数据存在缺失值导致运算结果为NA,结果如表3所示。
第五步:求第四步中矩阵中每列的平方和得到每个站点将得到一列数据得到序列P如表4所示。
第六步:计算第五步中得到的序列中奥体中心的95%分位数为9256.4,最终计算的距离小于9256.4算正常监测值,反之考虑同城不同站点的监测物情况。如表5所示,加粗和加下划线的为可能异常值。其他站点的计算方法类似。
第七步:对应第六步中找寻的可能疑似异常监测点,求对应同一时间不同站点的监测物的均值和标准差,以检测到的2016/3/2 8:00:00为例,该时间点上对应的不同站点的CO浓度的均值为3.954545,,标准差为1.143122。计算6.1大于均值的一倍标准差。因此需要进一步考察波动性。
第八步:计算原始数据中第一列的波动性,得到n-1行1列的矩阵,这列的95%分为数为0.5,2016/3/2 8:00:00对应的该点的波动性为0.9位于95%分为数外,因此不能排除异常,仍需进一步观察同城不同站点的波动性。
第九步:2016/3/2 8:00:00不同站点的波动性95%分位数为1.48,0.9小于95%分为数认为为正常监测值。如表5所示。
表1北京奥体中心站点2016年3月1日各大气环境监测数据
表2北京各站点2016年3月1日CO监测
表3北京各站点所对应的距离矩阵
表4北京各站点所对应的序列P
表5奥体中心各时间点的检测物浓度的波动性的95%分位数
表6再次确认为疑似异常点所在行的同城不同站点波动性的95%分位数
时间点 | 奥体中心 | 奥体中心 | V1 |
2016/3/2 1:00 | 1.5 | 2543.59 | 0 |
2016/3/2 2:00 | 1.5 | 3105.75 | 0.2 |
2016/3/2 3:00 | 1.7 | 3451 | 0.1 |
2016/3/2 4:00 | 1.8 | 4269.84 | 0.2 |
2016/3/2 5:00 | 2 | 5818.95 | 0.3 |
2016/3/2 6:00 | 2.3 | 7753.08 | 0.3 |
2016/3/2 7:00 | 2.6 | 12776.4 | 0.6 |
2016/3/2 8:00 | 3.2 | 23199.03 | 0.9 |
2016/3/2 9:00 | 4.1 | 25985.75 | 0.2 |
2016/3/2 10:00 | 4.3 | 23199.03 | 0.2 |
2016/3/2 11:00 | 4.1 | 25985.75 | 0.2 |
以上所揭露的仅为本发明的较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于相似距离判别的单指标数据质量控制方法,其特征在于,所述单指标数据为大气环境单个监测指标,主要包括以下步骤:
S1.基于倒挂的原理比较每一个站点对应PM2.5与PM10的浓度大小,当PM2.5的浓度>PM10的浓度便视为倒挂情况判断为异常检测值,反之进行下一步计算;
S2.按照时间序列的格式导入同一个城市不同站点的单个大气环境监测物的检测数据;
S3.依据单个大气环境监测物之间的浓度差值来判断监测物的离群程度P,通过离群程度P筛选出正常值,剩余为疑似异常值;
S4.计算S3筛选的疑似异常值对应时刻各站点检测数据的均值和标准差,当S3筛选的疑似异常值在1倍均值的标准差范围内判断为正常监测,反之进一步确认为疑似异常值;
S5.将S4进一步确认为疑似异常值的数据作为待检测样本,通过波动程度q判断是否为正常监测,反之再次确认为疑似异常值;
S6.计算S5再次确认为疑似异常值所在时刻各站点检测数据的波动性w,通过w95%值判断是否异常;
S7.将S1和S6判断为异常的值确认为最终异常值。
2.根据权利要求1所述基于相似距离判别的单指标数据质量控制方法,其特征在于,步骤S3通过离群程度P筛选出正常值主要包括以下步骤:
S21.根据时间序列的格式导入同一个城市不同站点的单个大气环境监测物的检测数据:
S22.计算每一列每个元素与对应列的其他元素之间的距离记为dijm=∣xim-xjm∣,dijm表示x中的第m列的第i个元素的浓度减去第j个元素的浓度;最终n得到一个包含n行n列的矩阵Am;
S23.依据S22的计算步骤对原始数据中的每列计算扫描,计算矩阵Am每列各元素的平方和记为Pi,对应的Pi值为:
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
<mi>m</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
得到序列P;
S24.将计算序列P的95%分位数作为判断标准,如果Pi﹥P95%,则需进一步判断,反之为正常监测值。
3.根据权利要求1所述基于相似距离判别的单指标数据质量控制方法,其特征在于,步骤S5所述通过波动程度q判断是否正常监测主要包括以下步骤:
S31.根据同一站点不同时间监测物的浓度x=x1m、x2m、x3m……xnm;
S32.后一个时刻监测物浓度与前一时刻监测物浓度差值的绝对值记为qim=︳x(i+1)m-xim︳,得到序列q1m、q2m、q3m……qn-1m,计算每列浓度差值的95%分位数记为qm95%;
S33.将S4进一步确认为疑似异常值所在行的检测数据作为计算对象,判断qim与qm95%的大小,如果qim>qm95%需进一步判断,反之为正常检测值。
4.根据权利要求1所述基于相似距离判别的单指标数据质量控制方法,其特征在于,步骤S6所述通过w95%值判断是否异常的方法为:通过qim与wi95%比较,当qim大于wi95%则为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710565035.3A CN107436277B (zh) | 2017-07-12 | 2017-07-12 | 基于相似距离判别的单指标数据质量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710565035.3A CN107436277B (zh) | 2017-07-12 | 2017-07-12 | 基于相似距离判别的单指标数据质量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107436277A true CN107436277A (zh) | 2017-12-05 |
CN107436277B CN107436277B (zh) | 2019-07-09 |
Family
ID=60461291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710565035.3A Active CN107436277B (zh) | 2017-07-12 | 2017-07-12 | 基于相似距离判别的单指标数据质量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107436277B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280131A (zh) * | 2017-12-22 | 2018-07-13 | 中山大学 | 一种气象影响下的大气污染转变关系定量估计方法 |
CN109033037A (zh) * | 2018-07-26 | 2018-12-18 | 厦门大学 | 浮标自动监测系统数据质量控制方法 |
CN109063993A (zh) * | 2018-07-23 | 2018-12-21 | 上海市环境监测中心 | 一种大气环境VOCs在线监测数据质量自动判别的方法 |
CN109214710A (zh) * | 2018-10-12 | 2019-01-15 | 国网湖南省电力有限公司 | 基于三因子的雾霾数值预报结果的评价方法及系统 |
CN110426564A (zh) * | 2019-08-22 | 2019-11-08 | 中国气象局气象探测中心 | 一种雷电数据的质量控制方法及系统 |
CN110675131A (zh) * | 2019-10-10 | 2020-01-10 | 湖南舞龙软件开发有限公司 | 一种质量监测数据质量控制审核方法 |
CN111260311A (zh) * | 2020-01-09 | 2020-06-09 | 广东卓维网络有限公司 | 一种电量数据平台系统及分析方法 |
CN112488482A (zh) * | 2020-11-25 | 2021-03-12 | 广东电网有限责任公司 | 基于指标体系的自动化作业方法及系统 |
CN112749155A (zh) * | 2021-01-29 | 2021-05-04 | 北京城建勘测设计研究院有限责任公司 | 基于离散度最小原则勘察试验数据自动处理的方法 |
CN113435464A (zh) * | 2020-03-08 | 2021-09-24 | 阿里巴巴集团控股有限公司 | 异常数据检测方法、装置、电子设备及计算机存储介质 |
CN117195008A (zh) * | 2023-11-08 | 2023-12-08 | 山东神光航天科技有限公司 | 一种用于空气质量监测的异常数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
CN104135074A (zh) * | 2014-07-31 | 2014-11-05 | 上海交通大学 | 基于离群点检测的超高压变电站设备温度监测告警方法 |
JP5634364B2 (ja) * | 2011-09-21 | 2014-12-03 | 東芝テック株式会社 | 保守装置、保守方法および保守プログラム |
CN105279315A (zh) * | 2015-09-29 | 2016-01-27 | 昆明理工大学 | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 |
CN106227640A (zh) * | 2016-07-27 | 2016-12-14 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及系统 |
CN106709242A (zh) * | 2016-12-07 | 2017-05-24 | 常州大学 | 一种鉴别污水监测数据真伪的方法 |
-
2017
- 2017-07-12 CN CN201710565035.3A patent/CN107436277B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5634364B2 (ja) * | 2011-09-21 | 2014-12-03 | 東芝テック株式会社 | 保守装置、保守方法および保守プログラム |
CN103969052A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工程大学 | 基于离群分析的柴油机故障诊断方法 |
CN104135074A (zh) * | 2014-07-31 | 2014-11-05 | 上海交通大学 | 基于离群点检测的超高压变电站设备温度监测告警方法 |
CN105279315A (zh) * | 2015-09-29 | 2016-01-27 | 昆明理工大学 | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 |
CN106227640A (zh) * | 2016-07-27 | 2016-12-14 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及系统 |
CN106709242A (zh) * | 2016-12-07 | 2017-05-24 | 常州大学 | 一种鉴别污水监测数据真伪的方法 |
Non-Patent Citations (1)
Title |
---|
王心义等: ""距离判别法在相似矿区突水水源识别中的应用"", 《煤炭学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280131A (zh) * | 2017-12-22 | 2018-07-13 | 中山大学 | 一种气象影响下的大气污染转变关系定量估计方法 |
CN109063993A (zh) * | 2018-07-23 | 2018-12-21 | 上海市环境监测中心 | 一种大气环境VOCs在线监测数据质量自动判别的方法 |
CN109033037A (zh) * | 2018-07-26 | 2018-12-18 | 厦门大学 | 浮标自动监测系统数据质量控制方法 |
CN109214710A (zh) * | 2018-10-12 | 2019-01-15 | 国网湖南省电力有限公司 | 基于三因子的雾霾数值预报结果的评价方法及系统 |
CN109214710B (zh) * | 2018-10-12 | 2022-03-08 | 国网湖南省电力有限公司 | 基于三因子的雾霾数值预报结果的评价方法及系统 |
CN110426564B (zh) * | 2019-08-22 | 2021-07-02 | 中国气象局气象探测中心 | 一种雷电数据的质量控制方法及系统 |
CN110426564A (zh) * | 2019-08-22 | 2019-11-08 | 中国气象局气象探测中心 | 一种雷电数据的质量控制方法及系统 |
CN110675131A (zh) * | 2019-10-10 | 2020-01-10 | 湖南舞龙软件开发有限公司 | 一种质量监测数据质量控制审核方法 |
CN111260311A (zh) * | 2020-01-09 | 2020-06-09 | 广东卓维网络有限公司 | 一种电量数据平台系统及分析方法 |
CN113435464A (zh) * | 2020-03-08 | 2021-09-24 | 阿里巴巴集团控股有限公司 | 异常数据检测方法、装置、电子设备及计算机存储介质 |
CN113435464B (zh) * | 2020-03-08 | 2022-05-17 | 阿里巴巴集团控股有限公司 | 异常数据检测方法、装置、电子设备及计算机存储介质 |
CN112488482A (zh) * | 2020-11-25 | 2021-03-12 | 广东电网有限责任公司 | 基于指标体系的自动化作业方法及系统 |
CN112749155A (zh) * | 2021-01-29 | 2021-05-04 | 北京城建勘测设计研究院有限责任公司 | 基于离散度最小原则勘察试验数据自动处理的方法 |
CN117195008A (zh) * | 2023-11-08 | 2023-12-08 | 山东神光航天科技有限公司 | 一种用于空气质量监测的异常数据处理方法 |
CN117195008B (zh) * | 2023-11-08 | 2024-03-12 | 山东神光航天科技有限公司 | 一种用于空气质量监测的异常数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107436277B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
Zhang et al. | Hierarchical fuzzy rule-based system optimized with genetic algorithms for short term traffic congestion prediction | |
CN106650797B (zh) | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN111914468A (zh) | 一种空气污染智能监控分析方法及装置 | |
CN111368980B (zh) | 状态检测方法、装置、设备及存储介质 | |
CN105574669B (zh) | 时空联合数据聚类分析的输变电设备状态异常检测方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN109472075B (zh) | 一种基站性能分析方法及系统 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN110321912A (zh) | 多计量异常事件关联度分析方法 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN111259949A (zh) | 飞机环控系统故障识别模型构建方法、模型及识别方法 | |
Lee et al. | An empirical experiment on deep learning models for predicting traffic data | |
CN117274827B (zh) | 一种智慧环境环保远程实时监测预警方法及系统 | |
CN111612054A (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
CN115510945B (zh) | 基于主成分和Logistic分析地质灾害概率预报方法 | |
CN113361730B (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
AU2021106280A4 (en) | A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model | |
CN112397404B (zh) | 半导体制程检测方法及检测系统 | |
CN113590663A (zh) | 一种环境检测方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20171222 Address after: 510220 Xingang West Road, Guangzhou, Guangzhou, Guangdong Applicant after: Sun Yat-sen University Applicant after: Guangdong Xu Cheng Technology Co., Ltd. Address before: 510220 self compiled A unit, 9 floor, No. 137-141, Baogang Avenue, Haizhuqu District, Guangzhou, Guangdong Applicant before: Guangdong Xu Cheng Technology Co., Ltd. Applicant before: Sun Yat-sen University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |