CN108268901A - 一种基于动态时间弯曲距离发现环境监测异常数据的算法 - Google Patents

一种基于动态时间弯曲距离发现环境监测异常数据的算法 Download PDF

Info

Publication number
CN108268901A
CN108268901A CN201810074230.0A CN201810074230A CN108268901A CN 108268901 A CN108268901 A CN 108268901A CN 201810074230 A CN201810074230 A CN 201810074230A CN 108268901 A CN108268901 A CN 108268901A
Authority
CN
China
Prior art keywords
data
distance
time warping
dynamic time
sample
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
Application number
CN201810074230.0A
Other languages
English (en)
Other versions
CN108268901B (zh
Inventor
杨婧
付强
师耀龙
滕曼
楚宝临
姚雅伟
米方卓
周博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHINA ENVIRONMENTAL MONITORING GENERAL STATION
Original Assignee
CHINA ENVIRONMENTAL MONITORING GENERAL STATION
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHINA ENVIRONMENTAL MONITORING GENERAL STATION filed Critical CHINA ENVIRONMENTAL MONITORING GENERAL STATION
Priority to CN201810074230.0A priority Critical patent/CN108268901B/zh
Publication of CN108268901A publication Critical patent/CN108268901A/zh
Application granted granted Critical
Publication of CN108268901B publication Critical patent/CN108268901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于动态时间弯曲距离发现环境监测异常数据的算法，通过欧式距离分析，计算对比监测站点相对于周边站点同类监测数据的历史相关性；选择出最相关的m组站点；根据时间弯曲距离算法要求设置合适的样本数量及测试样本数量；设置动态时间弯曲距离报警值的上限值及下限值；根据时间弯曲距离算法要求计算出测试样本与待测样品间的时间动态弯曲距离矩阵；统计测试样本与待测样本动态时间弯曲距离的总和；根据时间弯曲距离矩阵计算标准差与上限值和下限值进行比较得出结论。本发明对环境监测数据进行聚类分析、动态时间弯曲距离分析，从而通过对环境监测数据相关性的比对、分析，发现环境监测数据中存在的异常数据。

Description

一种基于动态时间弯曲距离发现环境监测异常数据的算法
技术领域
本发明涉及环境监测技术领域，尤其涉及一种基于动态时间弯曲距离发 现环境监测异常数据的算法。
背景技术
近几年，我国环境问题频发，各类环境监测数据成为公众关注的焦点。 高质量的监测数据是保障环境研究与政府决策科学、准确的首要条件。然而 再自动环境监测网络数据的获取过程中，由于仪器设备、网络传输和人员操 作等不确定因素的影响，均可能导致数据出现异常。此类异常数据若不加审 核就直接发布，势必会引起公众对政府部门公信力的怀疑，甚至导致环境科 学的研究结果与实际情况出现较大偏差，进而影响政府管理层做出错误的管 理决策。在本发明之前，传统的方式是通过环境监测设备日常维护、手工校准、平行样比对、飞行检查等手段来保证监测数据的可靠性。然而，环境监 测数据量从原来的兆字节/天增大到太字节/天，原有的人工审核方法显然不 能满足庞大的数据审核需求。
发明内容
有基于此，本发明的目的在于提供一种基于动态时间弯曲距离发现环境 监测异常数据的算法，对环境监测数据进行聚类分析、动态时间弯曲距离分 析，从而通过对环境监测数据相关性的比对、分析，发现环境监测数据中存 在的异常数据。
为实现上述目的，本发明提供如下技术方案：
一种基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于， 包括以下步骤：
步骤S1：获取一定时间内每个时间点的当前站点的监测数据Ti及若干周边 站点的监测数据Rj，其中i，j为正整数；
步骤S2：分别计算当前站点的监测数据Ti与每一周边站点的检测数据Rj的 欧式距离；
步骤S3：基于欧式距离的聚类分析，保留与当前站点相关性较高的前m个 周边站点；
步骤S4：从保留的任一周边站点的监测数据中选取连续的y个监测数据作 为样本数据，从当前站点的监测数据中选取连续的x个监测数据作为待测样 本数据，利用欧式距离计算所述样本数据与待测样本数据的距离矩阵；
步骤S5：求所述距离矩阵的弯曲路径；
步骤S6：计算样本数据与待测样本数据的动态时间弯曲距离，记为dx，y；
步骤S7：针对同一周边站点，重复步骤S4至步骤S6，选取不同数量的监 测数据作为样本数据和待测样本数据，求得对应的dx，y，构成动态时间弯曲距 离矩阵。
步骤S8：计算动态时间弯曲距离矩阵在时间维度上的标准差；
步骤S9：重复步骤S4至步骤S8，计算出保留的所有周边站点与当前站点 的一系列标准差；
步骤S10：将所有的标准差与预先设置的报警上限值进行比较，若标准差 大于报警上限值，则标记当前站点对应的监测数据为高异常值。
进一步的，所述步骤S2的具体计算过程如下：
其中，Deuclidean为欧式距离，I为当前站点的监测数据的总数，J为对应周边 站点的监测数据的总数。
进一步的，所述步骤S4中待测样本数据为根据步骤S2的计算得到的欧 式距离最短的x个连续监测数据。
进一步的，步骤S4中的距离矩阵为：
其中，D_matrix为距离矩阵，d(Ti,Rj)为Ti与Rj的距离，d(Ti,Rj)＝|Ti-Rj|，i、j 为自然数且i∈[1,x]，j∈[1,y]。
进一步的，所述步骤S6中动态时间弯曲距离的计算如下：
其中，dx，y为样本数据与待测样本数据的动态时间弯曲距离，wi为弯曲路径中 的元素，弯曲路径记为W＝w1,w2,w3，w4···wi···wk。
进一步的，所述步骤S7中动态时间弯曲距离矩阵为：
其中，Dmatrix为动态时间弯曲距离矩阵，dx，y为动态时间弯曲距离，x∈[1,X]， y∈[1,Y]，X、Y分别为待测样本数据和样本数据的最大数量。
进一步的，所述步骤S8中的标准差计算如下：
其中，u代表对应周边站点的顺序，为时间动态距离矩阵中第y行数据 的平均值。
进一步的，所述步骤S10还包括报警下限值，若标准差处于报警下限值 与报警上限值之间，则标记当前站点对应的监测数据为正常值；若标准差小 于报警下限值，则标记当前站点对应的监测数据为高可信度值。
与现有技术相比，本发明的有益效果是：本发明利用聚类分析和动态时 间弯曲距离算法解决了从海量环境监测数据中快速发现异常数据的问题。本 发明对监测数据进行相关性分析，综合考虑周边相关站点及时间上的变化规 律，当发现某个站点监测数据变化规律背离周边相关站点变化规律且数据变 化的在时间维度上呈现异常时则认为是异常数据。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描 述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所 有其他实施例，都属于本发明保护的范围。
本发明的原理是由于环境监测数据具有较强的传输性，相邻或相近城市 环境监测数据可能呈现相似的浓度水平或变化趋势(如同升同降等)。本发明 建立针对城市的异常数据识别方法，首先以该城市为中心，将周边相邻城市 作为一组，若某个小时该城市环境监测数据显著高于或低于城市组内所有其 余城市环境监测数据水平，则该时段该环境监测数据为异常数据/可疑数据。
本发明中应用到的欧式距离分析基于统计，基于邻近度，基于密度，基 于聚类。欧式距离分析通过估计概率分析的参数来建立一个数据模型，如果 一个数据对象不能很好的跟该模型拟合，即如果它很可能不服从该分布，则 它是一个离群点。而离群点的主要成因有：数据来源于不同的类、自然变异、 数据测量和收集误差。
本发明中应用到的欧几里的距离及其扩展作为相似测度被广泛应用于时 间序列的比较中,但是这种距离测度对数据没有很好的鲁棒性。而动态时间弯 曲技术是基于非线性动态编程的一种模式匹配算，其路径约束影响序列数据 样本间的相似性程度,不同的路径约束用于指导序列数据分类也体现出不同 的分类性能。
本发明的具体实施步骤如下：
一种基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于， 包括以下步骤：
步骤S1：获取一定时间内每个时间点的当前站点的监测数据Ti及若干周边 站点的监测数据Rj，其中i，j为正整数；每个数据的时间间隔视具体情况而 定，如获取分别获取一周内每隔一小时当前站点的监测数据Ti，其数据的总数 为7*24；并获取两周内每个一小时的周边站点的监测数据Rj，其数据的总数 为2*7*24，值得注意的是，不同周边站点获取的数据总数可不同，监测数据 的类型为环境监测数据，如PM2.5值。于本实施例中，记当前站点为城市A， 周边站点有8个，分别为城市1至城市8.
步骤S2：分别计算当前站点的监测数据Ti与每一周边站点的检测数据Rj的 欧式距离；
其中，Deuclidean为欧式距离，I为当前站点的监测数据的总数，J为对应周边 站点的监测数据的总数。
步骤S3：基于欧式距离的聚类分析，保留与当前站点相关性较高的前m个 周边站点，相关性由步骤S2求得的欧式距离而定，欧式距离越大，相关性越 小。如城市1至城市8中城市中，求得的欧式距离从小到大依次为城市1，城市2，城市5，城市7，城市4，城市3，城市8和城市6，保留前3个即城市1，城市2，城市5用于 下面的步骤。
步骤S4：从保留的任一周边站点(如城市1)的监测数据中选取连续的y 个监测数据作为样本数据，从当前站点的监测数据中选取连续的x个监测数 据作为待测样本数据，待测样本数据为根据步骤S2的计算得到的欧式距离最 短的x个连续监测数据。值得注意的是，选取出的样本数据和待测样本数据 的时间序号从1开始重新标定，如选取的待测样本数据的第一个数据记为T1， 并利用欧式距离计算所述样本数据与待测样本数据的距离矩阵：
其中，D_matrix为距离矩阵，d(Ti,Rj)为Ti与Rj的距离，d(Ti,Rj)＝|Ti-Rj|，i、j 为自然数且i∈[1,x]，j∈[1,y]。
步骤S5：求所述距离矩阵的弯曲路径；弯曲路径为时间序列间相异形关系 的一组连续的矩阵元素的集合W＝w1,w2,w3，w4···wi···wk，且弯曲路径满足以下条 件：
①有界性:max(x,y)≤k≤x+y-1。
②边界条件:w1＝d(T1,R1)，wk＝(Tx,Ry),即弯曲路径的起止元素为距离矩阵的斜对角线上的两端元素；
③连续性:给定wk＝d(Ta,Rb)与wk-1＝d(Ta′,Rb′)，必须a-a′≤1且b-b′≤1,即 弯曲路径中的元素是相互连续的。
④单调性:给定wk＝d(Ta,Rb)和wk-1＝d(Ta′,Rb′)，必须a-a′≥0且b-b′≥0,也就 是说路径W通过点(i,j)同时必须至少通过点(i-1,j),(i-1,j-1)或(i,j-1)中的 一个,强制保证弯曲路径在时间轴上是单调的。
步骤S6：计算样本数据与待测样本数据的动态时间弯曲距离，记为dx，y；
其中，dx，y为样本数据与待测样本数据的动态时间弯曲距离，wi为弯曲路径中 的元素，弯曲路径记为W＝w1,w2,w3，w4···wi···wk。
步骤S7：由步骤S6可知，对应选定的x，y值，对应有一个确定的动态时 间弯曲距离dx，y，针对同一周边站点，重复步骤S4至步骤S6，选取不同数量 的监测数据(即x，y值)作为样本数据和待测样本数据，求得对应的dx，y， 构成动态时间弯曲距离矩阵：
其中，Dmatrix为动态时间弯曲距离矩阵，dx，y为动态时间弯曲距离，x∈[1,X]， y∈[1,Y]，X、Y分别为待测样本数据和样本数据的最大数量。
步骤S8：计算动态时间弯曲距离矩阵在时间维度上的标准差；
其中，u代表对应周边站点的顺序，如城市1作为步骤S4中第一个选取的 周边站点，则其对应的标准差记为s1,y，若第二次选取的周边站点为城市5， 则其对应的标准差记为s2,y，为时间动态距离矩阵中第y行数据的平均值； 结合距离矩阵Dmatrix的行数Y可知，每一周边城市对应有Y个标准差，以城市 1为例，其标准差包括s1,1，s1,2，、、、，s1,Y。
步骤S9：重复步骤S4至步骤S8，计算出保留的所有周边站点与当前站点 的一系列标准差；本实施例中共保留了3个城市，因此对应有3Y个标准差， 构建标准差矩阵：
其中，3为保留的周边站点的数量，Y表示一个站点上不同时间的数据。
步骤S10：将所有的标准差(或标准差矩阵)与预先设置的报警上限值进 行比较，若标准差大于报警上限值，则标记当前站点对应的监测数据为高异 常值。优选的，还包括报警下限值，若标准差处于报警下限值与报警上限值 之间，则标记当前站点对应的监测数据为正常值；若标准差小于报警下限值， 则标记当前站点对应的监测数据为高可信度值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实 现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且 是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨 在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (8)

1.一种基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，包括以下步骤：
步骤S1：获取一定时间内每个时间点的当前站点的监测数据Ti及若干周边站点的监测数据Rj，其中i，j为正整数；
步骤S2：分别计算当前站点的监测数据Ti与每一周边站点的检测数据Rj的欧式距离；
步骤S3：基于欧式距离的聚类分析，保留与当前站点相关性较高的前m个周边站点；
步骤S4：从保留的任一周边站点的监测数据中选取连续的y个监测数据作为样本数据，从当前站点的监测数据中选取连续的x个监测数据作为待测样本数据，利用欧式距离计算所述样本数据与待测样本数据的距离矩阵；
步骤S5：求所述距离矩阵的弯曲路径；
步骤S6：计算样本数据与待测样本数据的动态时间弯曲距离，记为dx，y；
步骤S7：针对同一周边站点，重复步骤S4至步骤S6，选取不同数量的监测数据作为样本数据和待测样本数据，求得对应的dx，y，构成动态时间弯曲距离矩阵。
步骤S8：计算动态时间弯曲距离矩阵在时间维度上的标准差；
步骤S9：重复步骤S4至步骤S8，计算出保留的所有周边站点与当前站点的一系列标准差；
步骤S10：将所有的标准差与预先设置的报警上限值进行比较，若标准差大于报警上限值，则标记当前站点对应的监测数据为高异常值。
2.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，所述步骤S2的具体计算过程如下：
其中，Deuclidean为欧式距离，I为当前站点的监测数据的总数，J为对应周边站点的监测数据的总数。
3.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，所述步骤S4中待测样本数据为根据步骤S2的计算得到的欧式距离最短的x个连续监测数据。
4.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，步骤S4中的距离矩阵为：
其中，D_matrix为距离矩阵，d(Ti,Rj)为Ti与Rj的距离，d(Ti,Rj)＝|Ti-Rj|，i、j为自然数且i∈[1,x]，j∈[1,y]。
5.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，所述步骤S6中动态时间弯曲距离的计算如下：
其中，dx，y为样本数据与待测样本数据的动态时间弯曲距离，wi为弯曲路径中的元素，弯曲路径记为W＝w1,w2,w3，w4···wi···wk。
6.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，所述步骤S7中动态时间弯曲距离矩阵为：
其中，Dmatrix为动态时间弯曲距离矩阵，dx，y为动态时间弯曲距离，x∈[1,X]，y∈[1,Y]，X、Y分别为待测样本数据和样本数据的最大数量。
7.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，所述步骤S8中的标准差计算如下：
其中，u代表对应周边站点的顺序，为时间动态距离矩阵中第y行数据的平均值。
8.根据权利要求1所述的基于动态时间弯曲距离发现环境监测异常数据的算法，其特征在于，所述步骤S10还包括报警下限值，若标准差处于报警下限值与报警上限值之间，则标记当前站点对应的监测数据为正常值；若标准差小于报警下限值，则标记当前站点对应的监测数据为高可信度值。
CN201810074230.0A 2018-01-25 2018-01-25 一种基于动态时间弯曲距离发现环境监测异常数据的方法 Active CN108268901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810074230.0A CN108268901B (zh) 2018-01-25 2018-01-25 一种基于动态时间弯曲距离发现环境监测异常数据的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810074230.0A CN108268901B (zh) 2018-01-25 2018-01-25 一种基于动态时间弯曲距离发现环境监测异常数据的方法

Publications (2)

Publication Number Publication Date
CN108268901A true CN108268901A (zh) 2018-07-10
CN108268901B CN108268901B (zh) 2021-05-18

Family

ID=62776806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810074230.0A Active CN108268901B (zh) 2018-01-25 2018-01-25 一种基于动态时间弯曲距离发现环境监测异常数据的方法

Country Status (1)

Country Link
CN (1) CN108268901B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111306720A (zh) * 2018-12-12 2020-06-19 上海汽车集团股份有限公司 一种设置空调参数的方法和装置
CN111444233A (zh) * 2020-02-15 2020-07-24 中国环境监测总站 基于复制器神经网络模型发现环境监测异常数据的方法
CN112101969A (zh) * 2020-09-27 2020-12-18 西安交通大学 一种基于时序滑动窗口离散系数的环保数据造假检测方法
CN112613233A (zh) * 2020-12-18 2021-04-06 中国环境监测总站 基于单分类支持向量机模型发现环境监测异常数据的算法
CN112801423A (zh) * 2021-03-29 2021-05-14 北京英视睿达科技有限公司 空气质量监测数据的异常识别方法及装置、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009157787A (ja) * 2007-12-27 2009-07-16 Yamatake Corp 標準時系列データ算出方法、異常検出方法、標準時系列データ算出装置、および異常検出装置
CN103824129A (zh) * 2014-02-26 2014-05-28 国家电网公司 一种基于动态阈值的高铁电能质量异常状态预警方法
CN104091070A (zh) * 2014-07-07 2014-10-08 北京泰乐德信息技术有限公司 一种基于时间序列分析的轨道交通故障诊断方法和系统
CN107085765A (zh) * 2017-04-14 2017-08-22 重庆邮电大学 一种基于无监督聚类分析与灰理论的地区经济评估方法
CN107562696A (zh) * 2017-09-12 2018-01-09 齐鲁工业大学 轮胎产品质量在线检测与控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009157787A (ja) * 2007-12-27 2009-07-16 Yamatake Corp 標準時系列データ算出方法、異常検出方法、標準時系列データ算出装置、および異常検出装置
CN103824129A (zh) * 2014-02-26 2014-05-28 国家电网公司 一种基于动态阈值的高铁电能质量异常状态预警方法
CN104091070A (zh) * 2014-07-07 2014-10-08 北京泰乐德信息技术有限公司 一种基于时间序列分析的轨道交通故障诊断方法和系统
CN107085765A (zh) * 2017-04-14 2017-08-22 重庆邮电大学 一种基于无监督聚类分析与灰理论的地区经济评估方法
CN107562696A (zh) * 2017-09-12 2018-01-09 齐鲁工业大学 轮胎产品质量在线检测与控制方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111306720A (zh) * 2018-12-12 2020-06-19 上海汽车集团股份有限公司 一种设置空调参数的方法和装置
CN111306720B (zh) * 2018-12-12 2021-05-18 上海汽车集团股份有限公司 一种设置空调参数的方法和装置
CN111444233A (zh) * 2020-02-15 2020-07-24 中国环境监测总站 基于复制器神经网络模型发现环境监测异常数据的方法
CN112101969A (zh) * 2020-09-27 2020-12-18 西安交通大学 一种基于时序滑动窗口离散系数的环保数据造假检测方法
CN112101969B (zh) * 2020-09-27 2024-04-02 西安交通大学 一种基于时序滑动窗口离散系数的环保数据造假检测方法
CN112613233A (zh) * 2020-12-18 2021-04-06 中国环境监测总站 基于单分类支持向量机模型发现环境监测异常数据的算法
CN112801423A (zh) * 2021-03-29 2021-05-14 北京英视睿达科技有限公司 空气质量监测数据的异常识别方法及装置、存储介质
CN112801423B (zh) * 2021-03-29 2021-07-20 北京英视睿达科技有限公司 空气质量监测数据的异常识别方法及装置、存储介质

Also Published As

Publication number Publication date
CN108268901B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN108268901A (zh) 一种基于动态时间弯曲距离发现环境监测异常数据的算法
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
CN104200288B (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
FI114749B (fi) Poikkeamien ilmaisujärjestelmä ja menetelmä sen opettamiseksi
CN109359138A (zh) 一种基于核密度估计的异常检测方法及装置
CN109947815B (zh) 一种基于离群点算法的窃电辨识方法
CN115565232A (zh) 基于改进YOLOv5算法的配电房开关柜柜面部件识别方法
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
CN110110339A (zh) 一种日前水文预报误差校正方法及系统
CN109656904B (zh) 一种案件风险检测方法及系统
CN114295162A (zh) 一种基于数据采集的环境监测系统
CN109543712B (zh) 时态数据集上的实体识别方法
CN117478390A (zh) 一种基于改进密度峰值聚类算法的网络入侵检测方法
CN116186547B (zh) 一种环境水务监测采样异常数据快速识别方法
CN110909774B (zh) 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法
CN112780953A (zh) 一种基于模式检测的独立计量区域管网漏损检测方法
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
CN110595401A (zh) 一种使用X-ray射线检测电池四角的检测方法
CN114881540B (zh) 确定水源治理方案的方法和装置、电子设备和存储介质
CN108268467B (zh) 一种基于属性的异常数据检测方法和装置
CN113610167B (zh) 基于度量学习与视觉感知的设备风险检测方法
CN105824871B (zh) 一种图片检测方法与设备
CN108765472A (zh) 基于稀疏有向图的图像集配准方法
CN110995465B (zh) 信通点位全景视图信息运维方法及系统
CN109639463A (zh) 一种物联网监测点相邻关系的判定方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Shi Yaolong

Inventor after: Yang Jing

Inventor after: Fu Qiang

Inventor after: Teng Man

Inventor after: Chu Baolin

Inventor after: Yao Yawei

Inventor after: Mi Fangzhuo

Inventor after: Wu Xiaofeng

Inventor before: Yang Jing

Inventor before: Fu Qiang

Inventor before: Shi Yaolong

Inventor before: Teng Man

Inventor before: Chu Baolin

Inventor before: Yao Yawei

Inventor before: Mi Fangzhuo

Inventor before: Zhou Bo

GR01 Patent grant
GR01 Patent grant