CN107480698A - 基于多个监测指标的质量控制方法 - Google Patents
基于多个监测指标的质量控制方法 Download PDFInfo
- Publication number
- CN107480698A CN107480698A CN201710568178.XA CN201710568178A CN107480698A CN 107480698 A CN107480698 A CN 107480698A CN 201710568178 A CN201710568178 A CN 201710568178A CN 107480698 A CN107480698 A CN 107480698A
- Authority
- CN
- China
- Prior art keywords
- data
- decision tree
- quality control
- multiple monitoring
- monitoring indexes
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000003908 quality control method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Ecology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明涉及一种基于多个监测指标的质量控制方法,主要包括:首先通过决策树的基本原理,利用控制变量对预测变量进行分类;然后利用分类结果对测试集进行测算,依据预测结果进行模型调整和优化。输出最终模型结果作为质控标准反向验证多个监测指标的检测样本是否对应决策树中所属类别的区间范围;如果多个监测指标的检测样本对应决策树所属类别的各区间范围内判断为正常监测值反之为异常值。本发明实现了自动化、智能化的可疑数据筛选和判断以及数据质量分析预判等功能,保障了数据的质量,为后期数据使用和环境预报预警提供有力支撑。
Description
技术领域
本发明涉及监测指标的质量控制技术领域,尤其涉及一种基于多个监测指标的质量控制方法。
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,现依据数据复合采用的技术方法设计相应算法,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、监测数据与其他相关数据关联关系角度,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。基于海量监测数据信息的环境监测数据质量监控体系,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。
大气气象环境中利用关联性进行数据质量控制的方法目前还在研究阶段,但没有给出具体成型的方案,考虑到环境监测指标之间大多缺乏因果关系,从监测指标的产生原理获取数据存在一定的困难性。本方案从数据波动的角度或是数据关联的角度进行分析,通过决策树的分类方法确定每个类别对应每个监测指标指标的取值范围,利用决策树输出的参数范围进行反推所属类别是否在每个监测指标对应的取值范围内,如果超出范围可以判断为异常值。目前生态环境中大多利用决策树的进行质量评价,例如评价水环境是否达标或者是生态环境所属的级别等,目前还没有利用决策树进行数据质量控制。
发明内容
本发明的目的在于提供一种基于多个监测指标的质量控制方法,解决现有数据自动质量控制工作的不完整、不全面、不完善等问题。本发明主要是从大气环境监测数据特征出发设定每个决策树的输入参数和输出参数,利用决策树反推的技术进行质量检测。通过大数据分析技术获得连续时空的监控产品,最终形成标准的质控后的数据供参考和分析,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。基于现阶段大量环境监测仪器运作产出的海量数据的基础上建立数据自动化审核机制,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。同时本发明从大气环境监测数据特征出发,遵循大气环境个指标间内部运作规律、数据之间的相关关联性,解决海量监测数据量处理的巨大工作量。实现了自动化智能化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,为后期数据使用和环境预报预警提供有力的支撑。
一种基于多个监测指标的质量控制方法,主要包括以下步骤:
S1.首先对历史数据进行训练集和测试集的划分;
S2.利用训练集的数据构建决策树;
S3.构建好决策树后利用测试集数据进行验证,验证决策树构建的效果,并根据测试结果不断优化和调整模型;
S4.构建最终模型树型结构,输出分类结果中每个类别对应的监测指标取值范围以及每个树枝预测的准确率;
S5.选取决策树中预测准确率大于85%的树型作为质控标准,输出各树型对应的监测参数范围,利用反推过程对多个监测指标的检测样本进行质量控制;如果多个监测指标的检测样本的某个参数对应标准范围之外判断为异常值,反之为正常监测;
S6.对于预测率小于85%的树枝重新进行样本的选择和决策树的训练,给予预测率较低的级别以较大的权重进入到训练集中,重复步骤S1-S4,直到预测变量所有类别的预测准确率均在85%以上再进行S5。
进一步的,步骤S2所述训练集的数据构建决策树主要包括以下步骤:
S21.设结点的训练数据集为D,计算现有特征对该数据集的Gini系数;对每一个特征A,对其可能取的每个值a,根据样本点对A=a的测试为“是”或“否”将D分割成D1和D2两部分,计算A=a时的Gini系数;
S22.在所有可能的特征A以及它们所有可能的切分点a中,选择Gini系数最小的特征及其对应的切分点作为最优特征与最优切分点;依最优特征与最优切分点,从现结点生成两个子结点,将训练数据集依特征分配到两个子结点中去;
S23.对两个子结点递归地调用步骤S21~S22,当决策树分枝后结果差异不再显著下降,则决策树停止分支;
S24.为了防止模型过拟合,使模型更加适合样本外的预测,利用后剪枝的方法,参照模型输出结果设置复杂度和损失矩阵,反复调整和运行最终输出结果。
进一步的,步骤S5所述利用反推过程对检测样本进行质量控制包括以下步骤:运用历史数据构建决策树,对训练样本进行分类,通过分类的结果检验多个监测指标的检测数据是否存在异常现象;对应多个监测指标的检测数据所属的分类类别,观察多个监测指标的检测样本是否位于该类别的区间范围内,如果超出区间范围判断为异常值,反之为正常监测值。
进一步的,步骤S6所述重新进行样本的选择和决策树的训练主要包括:当输出参数某个类别的预测准确率较低时,加大该类别的权重,使该类别的样本进入训练集中的概率增大。例如输出参数中类别一的预测准确率为95%,类别二的预测准确率为70%。因此在第二次构建决策树时设置类别二进入训练集中的概率为60%,类别一进入到训练集中的概率为40%。
进一步的,所述多个监测指标为大气环境检测指标。
本发明所指的历史数据是以往的常规污染物的监测数据和气象数据。
本发明从大气环境监测数据特征以及关联关系角度出发,利用数据挖掘中决策树的方法,设定输入参数和输出参数通过训练历史数据进行分类。然后利用分类结果对测试集进行测算,根据预测结果进行模型调整和优化;最终输出模型结果并反向验证检测样本是否对应决策树中所属类别的区间范围内,检测样本对应决策树所属类别的各区间范围内判断为正常监测值反之为异常值。
目前阶段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以及每个监测指标的上下限进行手工判断。本发明在此基础上利用监测数据的特征和关联关系设计回归树,每个指标间的内部关联性通过树形结构呈现,使之一目了然。此方法在现有技术的基础上强化了指标间的关联度分析、发现人工处理难于找寻的问题、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,为后期数据的分析以及天气预测预警提供了有力的依据。
附图说明
图1是本发明基于多个监测指标的质量控制方法的流程图;
图2是实施例建立的CART决策树。
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
本实施例对某地大气环境进行质量控制,具体过程如图1所示流程图,主要包括以下步骤:
第一步:某地存在如下污染物数据和气象数据,构建决策树,具体的数据情况如表1所示,依照环境空气质量指数(AQI)技术规定(试行)中的标准把PM2.5分为六个等级。
表1某地污染物数据和气象数据
ws | wd | sunlight | pressure | tem | humid | rain | SO2 | NO2 | CO | O3_8h | PM2.5 |
1.8 | 1 | 0 | 1013.2 | 9.9 | 0.66 | 0 | 23 | 69 | 0.978 | 二级 | |
2.7 | 1 | 3.2 | 1011.7 | 13.5 | 0.61 | 0 | 34 | 72 | 1.156 | 二级 | |
6.3 | 16 | 0.2 | 1016.4 | 12.3 | 0.63 | 0 | 20 | 42 | 0.98 | 二级 | |
5.2 | 16 | 0 | 1015.4 | 6.9 | 0.72 | 0 | 12 | 33 | 0.93 | 一级 | |
4.5 | 1 | 0 | 1012.5 | 6.9 | 0.8 | 0 | 12 | 36 | 0.95 | 一级 | |
4.4 | 1 | 0.5 | 1012.9 | 8.9 | 0.73 | 0 | 16 | 40 | 1.07 | 二级 | |
2.5 | 1 | 8.3 | 1011.6 | 10.5 | 0.75 | 0 | 21 | 63 | 1.31 | 二级 | |
2.9 | 1 | 3.4 | 1010.3 | 13.6 | 0.65 | 0 | 28 | 67 | 1.38 | 二级 | |
5.3 | 16 | 0 | 1013.1 | 11.1 | 0.63 | 0 | 19 | 49 | 1.08 | 二级 | |
3.5 | 16 | 3 | 1014 | 11.3 | 0.55 | 0 | 36 | 61 | 1.19 | 三级 | |
3.8 | 16 | 0 | 1013.7 | 12.7 | 0.62 | 0 | 30 | 73 | 1.26 | 三级 | |
2.9 | 1 | 8.2 | 1012 | 13.1 | 0.68 | 0 | 22 | 64 | 1.31 | 三级 | |
3.4 | 1 | 9.1 | 1008.3 | 13.8 | 0.72 | 0 | 18 | 56 | 1.27 | 二级 | |
2.6 | 1 | 9.3 | 1011.7 | 11.5 | 0.73 | 0 | 15 | 82 | 1.45 | 二级 | |
1.5 | 16 | 3.6 | 1013.4 | 11 | 0.84 | 0 | 25 | 104 | 1.678 | 三级 | |
1.5 | 1 | 8.2 | 1013.3 | 14.3 | 0.82 | 0 | 22 | 141 | 2.1 | 三级 | |
3.8 | 1 | 1.9 | 1016.7 | 14.2 | 0.71 | 0 | 18 | 62 | 1.21 | 三级 | |
3.1 | 1 | 3.3 | 1019.4 | 12.1 | 0.64 | 0 | 19 | 57 | 1.1 | 三级 | |
1.6 | 9 | 8.3 | 1015.3 | 11.6 | 0.78 | 0 | 36 | 94 | 1.11 | 三级 |
第二、三步:构建决策树,通过树形的调整不断的优化模型。Rain为输出变量,其余变量均为输出变量。构建的最终模型如图2所示。
第四步:通过构建的决策树输出每个类别对应的监测指标取值范围,如下所示:
类别一:一级
类别二:二级
类别三:三级
NO2>=82,CO<1.7 准确率70.83%
类别四:四级
NO2>=82,CO>=1.7 准确率73.68%
第五步:根据第四步不同类别对应各监测指标浓度的取值范围进行反推,反推是否存在异常监测。
选取预测准确率在85%以上的树枝作为反推标准,准确率为85%以下的树枝作为参照。
表2利用决策树的结果进行质控的检测样本
利用表2所示的检测样本进行验证:
上述第一个样本属于类别二中的第六种情形,属于判断范围内因此判断为正常值。
第二个样本属于类别三NO2=65,低于标准范围的20.73%,CO=1.22<1.7在标准范围内。因此该样本中NO2的监测数据超出判断范围的20.73%。由于类别三种的预测准确率只有66.6%,因此该样本的NO2的不做为异常值范围考虑。
第三个样本属于第四个类别,NO2=89>=82,CO2=2.034>=1.7,属于标准范围内。
第四个样本属于第一个类别的第一种情形,属于标准范围内。
第五个样本属于类别二种的第一个情形,除了tem=5<25外,其余均在标准范围内。由于类别二种的预测准确率只有62.27%,因此该样本的tem的不做为异常值范围考虑。
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 (5)
1.一种基于多个监测指标的质量控制方法,其特征在于,主要包括以下步骤:
S1.首先对历史数据进行训练集和测试集的划分;
S2.利用训练集的数据构建决策树;
S3.构建好决策树后利用测试集数据进行验证,验证决策树构建的效果,并根据测试结果不断优化和调整模型;
S4.构建最终模型树型结构,输出分类结果中每个类别对应的监测指标取值范围以及每个树枝预测的准确率;
S5.选取决策树中预测准确率大于85%的树型作为质控标准,输出各树型对应的监测参数范围,利用反推过程对多个监测指标的检测样本进行质量控制;如果多个监测指标的检测样本的某个参数对应标准范围之外判断为异常值,反之为正常监测;
S6.对于预测率小于85%的树枝重新进行样本的选择和决策树的训练,给予预测率较低的级别以较大的权重进入到训练集中,重复步骤S1-S4,直到预测变量所有类别的预测准确率均在85%以上再进行S5。
2.根据权利要求1所述基于多个监测指标的质量控制方法,其特征在于,步骤S2所述训练集的数据构建决策树主要包括以下步骤:
S21.设结点的训练数据集为D,计算现有特征对该数据集的Gini系数;对每一个特征A,对其可能取的每个值a,根据样本点对A=a的测试为“是”或“否”将D分割成D1和D2两部分,计算A=a时的Gini系数;
S22.在所有可能的特征A以及它们所有可能的切分点a中,选择Gini系数最小的特征及其对应的切分点作为最优特征与最优切分点;依最优特征与最优切分点,从现结点生成两个子结点,将训练数据集依特征分配到两个子结点中去;
S23.对两个子结点递归地调用步骤S21~S22,当决策树分枝后结果差异不再显著下降,则决策树停止分支;
S24.利用后剪枝的方法,参照模型输出结果设置复杂度和损失矩阵,反复调整和运行最终输出结果。
3.根据权利要求1所述基于多个监测指标的质量控制方法,其特征在于,步骤S5所述利用反推过程对检测样本进行质量控制包括以下步骤:运用历史数据构建决策树,对训练样本进行分类,通过分类的结果检验多个监测指标的检测数据是否存在异常现象;对应多个监测指标的检测数据所属的分类类别,观察多个监测指标的检测样本是否位于该类别的区间范围内,如果超出区间范围判断为异常值,反之为正常监测值。
4.根据权利要求1所述基于多个监测指标的质量控制方法,其特征在于,步骤S6所述重新进行样本的选择和决策树的训练主要包括:当输出参数某个类别的预测准确率较低时,加大该类别的权重,使该类别的样本进入训练集中的概率增大。
5.根据权利要求1所述基于多个监测指标的质量控制方法,其特征在于,所述多个监测指标为大气环境监测指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568178.XA CN107480698B (zh) | 2017-07-12 | 2017-07-12 | 基于多个监测指标的质量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568178.XA CN107480698B (zh) | 2017-07-12 | 2017-07-12 | 基于多个监测指标的质量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480698A true CN107480698A (zh) | 2017-12-15 |
CN107480698B CN107480698B (zh) | 2021-02-12 |
Family
ID=60595720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710568178.XA Active CN107480698B (zh) | 2017-07-12 | 2017-07-12 | 基于多个监测指标的质量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480698B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226395A (zh) * | 2017-12-28 | 2018-06-29 | 广东中联兴环保科技有限公司 | 工业园区大气环境突发性预警阈值确定方法及装置 |
CN108900538A (zh) * | 2018-08-09 | 2018-11-27 | 深圳市永达电子信息股份有限公司 | 一种工控信号检测方法和装置 |
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 |
CN109587001A (zh) * | 2018-11-15 | 2019-04-05 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN109801151A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 财务造假风险监控方法、装置、计算机设备和存储介质 |
CN110059293A (zh) * | 2019-02-20 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 基金估值数据的数据质量的确定方法、装置和服务器 |
CN110334721A (zh) * | 2018-03-30 | 2019-10-15 | 中国石油化工股份有限公司 | 一种基于大数据的油品质量分析系统 |
CN110837875A (zh) * | 2019-11-18 | 2020-02-25 | 国家基础地理信息中心 | 地表覆盖数据质量异常判断方法及装置 |
CN110909895A (zh) * | 2019-11-19 | 2020-03-24 | 科大国创软件股份有限公司 | 一种基于特种设备历史定期检验报告的预警方法及系统 |
CN111340095A (zh) * | 2020-02-21 | 2020-06-26 | 谢国宇 | 基于深度学习的环境监测数据质量控制方法 |
CN112344990A (zh) * | 2020-10-21 | 2021-02-09 | 平安国际智慧城市科技股份有限公司 | 环境异常监测方法、装置、设备及存储介质 |
CN115309217A (zh) * | 2022-10-12 | 2022-11-08 | 北京聚新工程技术有限公司 | 一种纺织车间的智能监测控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407589A (zh) * | 2014-11-26 | 2015-03-11 | 西北工业大学 | 面向车间制造过程的实时生成性能主动感知与异常分析方法 |
CN105740667A (zh) * | 2014-12-10 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的信息识别方法及装置 |
CN106355314A (zh) * | 2016-08-26 | 2017-01-25 | 广东工业大学 | 一种汽车发动机气门质量流式数据处理方法及装置 |
CN106843941A (zh) * | 2016-12-31 | 2017-06-13 | 广东欧珀移动通信有限公司 | 信息处理方法、装置和计算机设备 |
-
2017
- 2017-07-12 CN CN201710568178.XA patent/CN107480698B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407589A (zh) * | 2014-11-26 | 2015-03-11 | 西北工业大学 | 面向车间制造过程的实时生成性能主动感知与异常分析方法 |
CN105740667A (zh) * | 2014-12-10 | 2016-07-06 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的信息识别方法及装置 |
CN106355314A (zh) * | 2016-08-26 | 2017-01-25 | 广东工业大学 | 一种汽车发动机气门质量流式数据处理方法及装置 |
CN106843941A (zh) * | 2016-12-31 | 2017-06-13 | 广东欧珀移动通信有限公司 | 信息处理方法、装置和计算机设备 |
Non-Patent Citations (4)
Title |
---|
KUNWAR P. SINGH ET AL: "Identifying pollution sources and predicting urban air quality using ensemble learning methods", 《ATMOSPHERIC ENVIRONMENT》 * |
安玉琢 等: "基于决策树技术的企业信用风险评估", 《河北工业大学学报》 * |
杨云 等: "基于决策树技术的农产品供应商质量控制及其实现", 《安徽农业科学》 * |
林楚雄 等: "深圳市PM2.5浓度特征及统计预报研究", 《环境工程》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226395A (zh) * | 2017-12-28 | 2018-06-29 | 广东中联兴环保科技有限公司 | 工业园区大气环境突发性预警阈值确定方法及装置 |
CN110334721B (zh) * | 2018-03-30 | 2021-08-24 | 中国石油化工股份有限公司 | 一种基于大数据的油品质量分析系统 |
CN110334721A (zh) * | 2018-03-30 | 2019-10-15 | 中国石油化工股份有限公司 | 一种基于大数据的油品质量分析系统 |
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 |
CN108900538A (zh) * | 2018-08-09 | 2018-11-27 | 深圳市永达电子信息股份有限公司 | 一种工控信号检测方法和装置 |
CN108900538B (zh) * | 2018-08-09 | 2021-03-23 | 深圳市永达电子信息股份有限公司 | 一种工控信号检测方法和装置 |
CN109587001B (zh) * | 2018-11-15 | 2020-11-27 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN109587001A (zh) * | 2018-11-15 | 2019-04-05 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN109801151A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 财务造假风险监控方法、装置、计算机设备和存储介质 |
CN109801151B (zh) * | 2019-01-07 | 2023-09-05 | 平安科技(深圳)有限公司 | 财务造假风险监控方法、装置、计算机设备和存储介质 |
CN110059293A (zh) * | 2019-02-20 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 基金估值数据的数据质量的确定方法、装置和服务器 |
CN110837875A (zh) * | 2019-11-18 | 2020-02-25 | 国家基础地理信息中心 | 地表覆盖数据质量异常判断方法及装置 |
CN110909895A (zh) * | 2019-11-19 | 2020-03-24 | 科大国创软件股份有限公司 | 一种基于特种设备历史定期检验报告的预警方法及系统 |
CN111340095A (zh) * | 2020-02-21 | 2020-06-26 | 谢国宇 | 基于深度学习的环境监测数据质量控制方法 |
CN112344990A (zh) * | 2020-10-21 | 2021-02-09 | 平安国际智慧城市科技股份有限公司 | 环境异常监测方法、装置、设备及存储介质 |
CN112344990B (zh) * | 2020-10-21 | 2024-05-31 | 平安国际智慧城市科技股份有限公司 | 环境异常监测方法、装置、设备及存储介质 |
CN115309217A (zh) * | 2022-10-12 | 2022-11-08 | 北京聚新工程技术有限公司 | 一种纺织车间的智能监测控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107480698B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
CN105182450B (zh) | 一种强对流天气短时预警系统 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN106651036A (zh) | 空气质量预报系统 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN109685249A (zh) | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 | |
CN112348264A (zh) | 一种基于随机森林算法的碳钢腐蚀速率预测方法 | |
CN117787508B (zh) | 基于模型预测的建筑施工过程碳排放处理方法及系统 | |
CN117540329B (zh) | 基于机器学习的排水管网缺陷在线预警方法及系统 | |
CN118350678B (zh) | 基于物联网与大数据的水环境监测数据处理方法及系统 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN118138495A (zh) | 一种基于物联网的环保监测管理系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117493798A (zh) | 一种气象环境数据分析方法及系统 | |
CN117274813A (zh) | 一种基于点云技术构建城市森林林内温度的预测模型 | |
CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN116660678A (zh) | 一种用于输电网故障测距与故障的评估系统 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
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 |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |