CN109753720B - 空气质量监测数据异常排查方法、系统、设备及介质 - Google Patents
空气质量监测数据异常排查方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN109753720B CN109753720B CN201811636154.4A CN201811636154A CN109753720B CN 109753720 B CN109753720 B CN 109753720B CN 201811636154 A CN201811636154 A CN 201811636154A CN 109753720 B CN109753720 B CN 109753720B
- Authority
- CN
- China
- Prior art keywords
- ranking
- monitoring data
- attribute
- environmental monitoring
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011835 investigation Methods 0.000 title claims description 17
- 238000012937 correction Methods 0.000 claims abstract description 76
- 230000007613 environmental effect Effects 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000005856 abnormality Effects 0.000 abstract description 6
- 150000002894 organic compounds Chemical class 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 206010007269 Carcinogenicity Diseases 0.000 description 1
- 239000004230 Fast Yellow AB Substances 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009692 acute damage Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000007670 carcinogenicity Effects 0.000 description 1
- 231100000260 carcinogenicity Toxicity 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供空气质量监测数据异常排查方法、系统、设备及介质。所述方法包括：获取各属地的当前周期长度的环境监测数据；获取所述各属地的上个周期长度环境监测数据排名结果；基于所述各属地的当前周期长度的环境监测数据和所述各属地的上个周期长度环境监测数据排名结果建立数学规划模型；基于所述数学规划模型计算各属地的排名延续修正值；基于所述各属地的排名延续修正值确定待验证属地以排查异常数据。
Description
技术领域
本申请涉及空气质量监测技术领域，具体涉及空气质量监测数据异常排查方法、系统、设备及介质。
背景技术
目前存在一种基于热点网格对大气污染进行监管的方法，该方法首先将辖区划分成若干固定大小的网格，确定其中污染比较严重的热点网格，然后针对这些网格区域安装高密度空气质量监测设备进行持续在线监测，及时发现污染排放异常。
由于环境监测标准站建设费用高，难以覆盖到区县并反映区县的局部空气污染情况，因此利用小微站空气质量监测设备组成的网络实现对区县进行实时监测成为了重要数据来源。
在小微站空气质量监测网络运行的过程中，可能出现局地空气质量过好或者过差的异常监测数据，这样的监测数据有可能是由于软件代码升级或硬件故障引发的监测数据异常而引起的，这种情况需要立即修复。对于这种情况引发的故障会引起不合理的空气质量排名或者虚假污染警报，可能导致无法对真实发生的污染及时警报。因此及时识别潜在异常数据，通过后续流程进行排查是十分必要的。
目前识别异常数据的主要方式是通过比较局地数据与周围相邻监测数据的差异，如果差异大于某个阈值则认为异常。本方法难以实现阈值的场景化和动态设定。例如，在空气质量普遍较好和普遍较差的情况下，阈值应该不同，但是探究不同场景的合理阈值需要系统的数值研究及建模，目前难以做到。因此，目前的方法仍然是采用设定一个通用阈值，在任何场景下均采用该阈值进行识别。
发明内容
本申请实施例提供了一种空气质量监测数据异常排查方法，包括：获取各属地的当前周期长度的环境监测数据；获取所述各属地的上个周期长度环境监测数据排名结果；基于所述各属地的当前周期长度的环境监测数据和所述各属地的上个周期长度环境监测数据排名结果建立数学规划模型；基于所述数学规划模型计算各属地的排名延续修正值；基于所述各属地的排名延续修正值确定待验证属地以排查异常数据。
本申请实施例还提供一种空气质量监测数据异常排查系统，包括数据获取模块、排名获取模块、建模模块、计算模块、验证模块，所述数据获取模块，获取各属地的当前周期长度的环境监测数据；所述排名获取模块，获取所述各属地的上个周期长度环境监测数据排名结果；所述建模模块，基于所述各属地的当前周期长度的环境监测数据和所述各属地的上个周期长度环境监测数据排名结果建立数学规划模型；所述计算模块，基于所述数学规划模型计算各属地的排名延续修正值；所述验证模块，基于所述各属地的排名延续修正值确定待验证属地以排查异常数据。
本申请实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述所述的方法。
本申请实施例还提供一种计算机可读存储介质，其上存储有处理器程序,其特征在于，该处理器程序用于执行上述所述的方法。
本申请的实施例提供的技术方案，无需根据场景设定阈值，与各行政区域考量方式挂钩，减小了由于数据问题引起的不合理问责的可能性，并且由于行政区域的排名是一定时间周期所有数据的聚合，可以判定每一个小时的数据是否会引起未来排名的变化，具有脱场景化、人性化、预判性的优点。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种空气质量监测数据异常排查方法流程示意图；
图2是本申请另一实施例提供的一种空气质量监测数据异常排查方法流程示意图；
图3是本申请一实施例提供的一种空气质量监测数据异常排查系统组成示意图；
图4是本申请另一实施例提供的一种空气质量监测数据异常排查系统组成示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，以下将结合附图和实施例，对本申请技术方案的具体实施方式进行更加详细、清楚的说明。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本申请的限制。其只是包含了本申请一部分实施例，而不是全部的实施例，本领域技术人员对于本申请的各种变化获得的其他实施例，都属于本申请保护的范围。
应该理解的是，虽然第一、第二、第三等用语可使用于本文中用来描述各种元件或组件，但这些元件或组件不应被这些用语所限制。这些用语仅用以区分一个元件或组件与另一元件或组件。因此，下述讨论之第一元件或组件，在不脱离本申请之内容下，可被称为第二元件或第二组件。
图1是本申请一实施例提供的一种空气质量监测数据异常排查方法流程示意图，包括以下步骤。
在步骤S110中，获取各属地的当前周期长度的环境监测数据。
在本实施例中，从小微站空气质量监测网络获取各属地的当前周期长度的环境监测数据。小微站空气质量监测网络属于高密度空气质量监测网络的一种，高密度空气质量监测网络指设备密集的空气质量监测网络，也就是说高密度的配置设备，例如也可以是组分监测网络，并不以此为限。相比小微站空气质量监测网络来说，大站的设备精良，数据监测结果精度也较高，异常数据不容易出现，但是这种设备成本高，难以高密度配置，所以高密度空气质量监测网络更适于大范围监测。
环境监测数据包括PM2.5、PM10、TSP、TVOC、CO、N02、03、SO2的一种或一种以上。
PM2.5是指大气中空气动力学当量直径小于或等于2.5微米的颗粒物，也称为可入肺颗粒物。PM10是空气动力学直径小于或等于10微米的颗粒物，也称可吸入颗粒物或飘尘。TSP是英文total suspended particulate的缩写，即总悬浮微粒，又称总悬浮颗粒物。指用最新标准大容量颗粒采集器在滤膜上收集到的颗粒物的总质量，有人为源和自然源之分，人为源主要是燃煤、燃油、工业生产过程等人为活动排放出来的，自然源主要有土壤、扬尘、沙尘经风力的作用输送到空气中而形成的。TVOC(Total Volatile Organic Compounds)，是总挥发性有机物，是三种影响室内空气品质污染中影响较为严重的一种，指室温下饱和蒸气压超过了133.32pa的有机物，其沸点在50℃至250℃，在常温下可以蒸发的形式存在于空气中，它的毒性、刺激性、致癌性和特殊的气味性，会影响皮肤和黏膜，对人体产生急性损害。CO是一氧化碳。NO2是二氧化氮。O3是臭氧。SO2是二氧化硫。
在步骤S120中，获取各属地的上个周期长度环境监测数据排名结果。
在本实施例中，举例说明，上个周期长度环境监测数据及排名结果如下表1所示。
表1
| 区域 | 浓度 | 排名rd |
| A | 50 | 3 |
| B | 33 | 2 |
| C | 20 | 1 |
| E | 78 | 4 |
在步骤S130中，基于当前周期长度的环境监测数据和上个周期长度环境监测数据排名结果建立数学规划模型。
例如，数学规划模型可以为：
其中，t是当前周期长度，d是属地数量，Xtd是各属地的排名延续修正值，Vtd1是某属地当前周期长度的环境监测数据，Xtd1是某属地的排名延续修正值，D是各属地的总区域，rd1、rd2是不同属地上个周期长度环境监测数据排名名次，Δ是预设阈值。
数学规划模型必须同时满足以下三个条件。
第一，各属地的当前周期长度的环境监测数据加上排名延续修正值之后得到的各属地的排名，与各属地的上个周期长度环境监测数据排名结果一致。第二，各属地的排名延续修正值之和最小。第三，各属地的当前周期长度的环境监测数据加上排名延续修正值之后，各属地的修正后环境监测数据的差小于预设阈值。
体现在公式中，也就是说，公式(1)反应我们希望排名延续修正值的总体调整量是非常小的。如果Xtd太大，则说明本次监测结果无法延续之前的区域污染物分布规律，应该被列为潜在异常数据。
公式(2)是数学化描述如何符合前序规律。也就是，对于每个属地，依据其上次排名，要求实际监测值V加上延续排名修正值X之后，该属地的污染物观测值的排名仍然保持不变。对每个属地都进行约束可以保证全局有序性。Δ的引入是为了将强约束转换为弱约束，反应的是自然现象的随机性。有时候污染物的局地分布情况会发生轻微变动，这种情况也应该被视作正常。
在步骤S140中，基于数学规划模型计算各属地的排名延续修正值。
根据数学规划模型需要满足的条件计算各属地的排名延续修正值。其中，各属地的当前周期长度的环境监测数据加上排名延续修正值之后得到的各属地的排名与各属地的上个周期长度环境监测数据排名结果一致。各属地的排名延续修正值之和最小。各属地的当前周期长度的环境监测数据加上排名延续修正值之后，各属地的修正后环境监测数据的差小于预设阈值。
在本实施例中，如果当前周期长度的环境监测数据及排名如下表2所示。
表2
| 区域 | 浓度Vtd | 排名 |
| A | 22 | 1 |
| B | 103 | 4 |
| C | 36 | 2 |
| E| | 77 | 3 |
比较表1和表2可知，排名发生了变化。
根据数学规划模型进行计算，得到排名延续修正值如下表3所示，可见，数学规划模型使得排名延续修正值的和要最小，而且修正后排名和上个周期长度环境监测数据排名结果一致。通过这样的修正，区域B要求的修正值绝对值最大，其最有可能有异常，可以后续安排其他环节进行进一步的异常判定。
表3
| 区域 | 排名延续修正值Xtd | 修正后浓度 | 修正后排名 |
| A | +16| | 38 | 3 |
| B | -66 | 37 | 2 |
| C | +0 | 36 | 1 |
| E | -38 | 39 | 4 |
在本实施例中，如果当前周期长度的环境监测数据及排名如下表4所示。
表4
| 区域 | 浓度Vtd | 排名 |
| A | 75 | 3 |
| B | 66 | 2 |
| C | 50 | 1 |
| E | 105 | 4 |
基于上述数学规划模型计算的排名延续修正值，如下表5所示。
表5
| 区域 | 排名延续修正值Xtd | 修正后浓度 | 修正后排名 |
| A | 0 | 75 | 3 |
| B | 0 | 66 | 2 |
| C | 0 | 50 | 1 |
| E | 0 | 105 | 4 |
可见，因为在保持排名的情况下最小化修正值，那么根据表5的计算结果可知，本实施例不需要对数据做任何修正仍然可以保持排名，因此不存在影响排名的异常。
如表1、表2、表3所示，按照数学规划模型计算，使得A、B、C、E四个区域的3、2、1、4的排名得以延续，并且排名延续修正值之和最小，得到了A、B、C、E四个区域的排名延续修正值为+16、-66、+0、-38。
各属地的当前周期长度的环境监测数据加上排名延续修正值之后得到的各属地的修正后环境监测数据的差小于预设阈值。
由公式(2)可知，如果上一周期A区域的排名rd1为3，B区域的排名rd2为2，那么rd1＞rd2，表明A区域排名靠后。A区域当前周期长度的环境监测数据(例如气体浓度)与其排名延续修正值的和为修正后浓度为B区域当前周期长度的环境监测数据(例如气体浓度)与其排名延续修正值的和为修正后浓度为/>那么A区域的修正后浓度应该仍然大于B区域的修正后浓度。其修正后浓度差距小于预设阈值Δ，Δ是根据二者排名的差距来依据实际情况设置的。
在步骤S150中，基于各属地的排名延续修正值确定待验证属地，以排查异常数据。
比较各属地的排名延续修正值的绝对值大小找出最大的排名延续修正值的绝对值。如果最大的排名延续修正值的绝对值大于绝对值预设阈值，则对最大的排名延续修正值的绝对值对应的属地实际情况进行验证，以排查异常数据。
对最大的排名延续修正值的绝对值对应的属地实际情况进行验证，以确定是由于软件代码升级或硬件故障引发的监测数据异常，还是异常排污引起的监测数据异常，还是由于空气质量大幅改善引起的。
本申请的实施例提供的技术方案，无需根据场景设定阈值，无需与各行政区域考量方式挂钩。由于行政区域的排名是一定时间周期所有数据的聚合，可以判定每一个预定时间段的数据是否会引起未来排名的变化，具有脱场景化、人性化、预判性的优点。
图2是本申请另一实施例提供的一种空气质量监测数据异常排查方法流程示意图，包括以下步骤。
在步骤S210中，获取各属地的当前周期长度的环境监测数据。
在步骤S221中，获取各属地的上个周期长度的环境监测数据。
如表1所示，从小微站空气质量监测网络获取的A、B、C、E四个区域的上个周期长度一种有害气体浓度数据为50、33、20、78。
在步骤S222中，排序上个周期长度的环境监测数据。
对上个周期长度的环境监测数据从小到大进行排序。
在步骤S223中，确定上个周期长度环境监测数据排名结果。
根据获得的数据进行数据排序得到上个周期长度A、B、C、E四个区域的环境监测数据排名结果为3、2、1、4。
在步骤S230中，基于当前周期长度的环境监测数据和上个周期长度环境监测数据排名结果建立数学规划模型。
在步骤S240中，基于数学规划模型计算各属地的排名延续修正值。
在步骤S251中，确定排名延续修正值的最大绝对值。
比较各属地的排名延续修正值绝对值的大小，找出最大的排名延续修正值绝对值。
在步骤S252中，确定出排名延续修正值的最大绝对值大于绝对值预设阈值，则将最大绝对值对应的属地确定为待验证属地以排查异常数据。
如果排名延续修正值的最大绝对值大于绝对值预设阈值，则将排名延续修正值的最大绝对值对应的属地确定为待验证属地，对该待验证属地的实际情况进行验证，以排查异常数据。
对最大的排名延续修正值的绝对值对应的属地实际情况进行验证，以确定是由于软件代码升级或硬件故障引发的监测数据异常，还是异常排污引起的监测数据异常，还是由于空气质量大幅改善引起的。该方法是为了发现异常情况，具体如何排查与本方案无关，至于大幅改善应予以认可，更与本方案无关。
在本实施例中，步骤S210、S230、S240与上述实施例步骤S110、S130、S140相同，不再赘述。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述的方法。
一种计算机可读存储介质，其上存储有处理器程序,该处理器程序用于执行上述的方法。
图3是本申请一实施例提供的一种空气质量监测数据异常排查系统，包括数据获取模块31、排名获取模块32、建模模块33、计算模块34、验证模块35。
数据获取模块31获取各属地的当前周期长度的环境监测数据。排名获取模块32获取各属地的上个周期长度环境监测数据排名结果。建模模块33基于当前周期长度的环境监测数据和上个周期长度环境监测数据排名结果建立数学规划模型。计算模块34基于数学规划模型得到各属地的排名延续修正值。验证模块35基于各属地的排名延续修正值确定待验证属地，以排查异常数据。
图4是本申请另一实施例提供的一种空气质量监测数据异常排查系统，包括数据获取模块31、排名获取模块42、建模模块33、计算模块44、验证模块45。
数据获取模块31获取各属地的当前周期长度的环境监测数据。排名获取模块42获取各属地的上个周期长度环境监测数据排名结果。建模模块33基于当前周期长度的环境监测数据和上个周期长度环境监测数据排名结果建立数学规划模型。计算模块44基于数学规划模型得到各属地的排名延续修正值。验证模块45基于各属地的排名延续修正值确定待验证属地以排查异常数据。
排名获取模块42包括上周期数据获取模块421、排序模块422、排名模块423。
上周期数据获取模块421获取小微站空气质量监测网络的各属地的上个周期长度的环境监测数据。排序模块422基于上个周期长度的环境监测数据。排名模块423确定上个周期长度环境监测数据排名结果。
计算模块44包括排名约束计算模块441、和约束计算模块442、差值约束模块443。
排名约束计算模块441是指各属地的当前周期长度的环境监测数据加上排名延续修正值之后得到的各属地的排名与各属地的上个周期长度环境监测数据排名结果一致。和约束计算模块442是指各属地的排名延续修正值之和最小。差值约束模块443是指各属地的当前周期长度的环境监测数据加上排名延续修正值之后，各属地的修正后环境监测数据的差小于预设阈值。
验证模块45包括比较模块451、排查模块452。
比较模块451比较各属地的排名延续修正值绝对值大小找出最大的排名延续修正值绝对值。排查模块452判断如果最大的排名延续修正值绝对值大于绝对值预设阈值，则对最大的排名延续修正值绝对值对应的属地实际情况进行验证，以排查异常数据。
需要说明的是，以上参照附图所描述的各个实施例仅用以说明本申请而非限制本申请的范围，本领域的普通技术人员应当理解，在不脱离本申请的精神和范围的前提下对本申请进行的修改或者等同替换，均应涵盖在本申请的范围之内。此外，除上下文另有所指外，以单数形式出现的词包括复数形式，反之亦然。另外，除非特别说明，那么任何实施例的全部或一部分可结合任何其它实施例的全部或一部分来使用。
Claims (10)
1.一种空气质量监测数据异常排查方法，包括：
获取各属地的当前周期长度的环境监测数据；
获取所述各属地的上个周期长度环境监测数据排名结果；
基于所述各属地的当前周期长度的环境监测数据和所述各属地的上个周期长度环境监测数据排名结果建立数学规划模型；
基于所述数学规划模型计算各属地的排名延续修正值；
基于所述各属地的排名延续修正值确定待验证属地以排查异常数据。
2.根据权利要求1所述的方法，其中，所述获取所述各属地的上个周期长度环境监测数据排名结果，包括：
获取所述各属地的上个周期长度的环境监测数据；
排序所述上个周期长度的环境监测数据；
确定所述上个周期长度的排名结果。
3.根据权利要求1所述的方法，其中，所述数学规划模型满足：
所述各属地的当前周期长度的环境监测数据加上所述排名延续修正值之后得到的各属地的排名与所述各属地的上个周期长度环境监测数据排名结果一致；
各属地的排名延续修正值之和最小；
各属地的修正后环境监测数据的差小于预设阈值，所述各属地的修正后环境监测数据为所述各属地的当前周期长度的环境监测数据加上所述排名延续修正值。
4.根据权利要求1所述的方法，其中，所述基于所述各属地的排名延续修正值确定待验证属地以排查异常数据，包括：
确定所述排名延续修正值的最大绝对值；
确定出所述排名延续修正值的最大绝对值大于绝对值预设阈值，则将所述最大绝对值对应的属地确定为待验证属地以排查异常数据。
5.一种空气质量监测数据异常排查系统，包括：
数据获取模块，获取各属地的当前周期长度的环境监测数据；
排名获取模块，获取所述各属地的上个周期长度环境监测数据排名结果；
建模模块，基于所述各属地的当前周期长度的环境监测数据和所述各属地的上个周期长度环境监测数据排名结果建立数学规划模型；
计算模块，基于所述数学规划模型计算各属地的排名延续修正值；
验证模块，基于所述各属地的排名延续修正值确定待验证属地以排查异常数据。
6.根据权利要求5所述的系统，其中，所述排名获取模块包括：
上周期数据获取模块，获取所述各属地的上个周期长度的环境监测数据；
排序模块，排序所述上个周期长度的环境监测数据；
排名模块，确定所述上个周期长度的排名结果。
7.根据权利要求5所述的系统，其中，所述计算模块包括：
排名约束计算模块，所述各属地的当前周期长度的环境监测数据加上所述排名延续修正值之后得到的各属地的排名与所述各属地的上个周期长度环境监测数据排名结果一致；
和约束计算模块，各属地的排名延续修正值之和最小；
差值约束计算模块，各属地的修正后环境监测数据的差小于预设阈值，所述各属地的修正后环境监测数据为所述各属地的当前周期长度的环境监测数据加上所述排名延续修正值。
8.根据权利要求5所述的系统，其中，所述验证模块包括：
比较模块，确定所述排名延续修正值的最大绝对值；
排查模块，确定出所述排名延续修正值的最大绝对值大于绝对值预设阈值，则将所述最大绝对值对应的属地确定为待验证属地以排查异常数据。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4之任一项所述的方法。
10.一种计算机可读存储介质，其上存储有处理器程序,其特征在于，该处理器程序用于执行权利要求1至4之任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811636154.4A CN109753720B (zh) | 2018-12-29 | 2018-12-29 | 空气质量监测数据异常排查方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811636154.4A CN109753720B (zh) | 2018-12-29 | 2018-12-29 | 空气质量监测数据异常排查方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109753720A CN109753720A (zh) | 2019-05-14 |
| CN109753720B true CN109753720B (zh) | 2023-10-24 |
Family
ID=66404390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811636154.4A Active CN109753720B (zh) | 2018-12-29 | 2018-12-29 | 空气质量监测数据异常排查方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109753720B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830210A (zh) * | 2020-07-30 | 2020-10-27 | 广州交信投科技股份有限公司 | 空气质量监测方法、装置、系统和计算机设备 |
| CN114077941A (zh) * | 2020-08-13 | 2022-02-22 | 上海腾美信息技术有限公司 | 一种企业用环保信息管理系统及其管理方法 |
| CN112473345B (zh) * | 2020-10-23 | 2021-08-24 | 三河市清源绿创环境技术股份有限公司 | 一种气体发生系统 |
| CN115184556B (zh) * | 2022-07-13 | 2023-04-21 | 蔡文斯 | 空气质量数据的异常值监测方法、系统及报警终端设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007065966A (ja) * | 2005-08-31 | 2007-03-15 | Yamatake Corp | 河川汚濁負荷源推定装置、方法、およびプログラム |
| JP2015037387A (ja) * | 2013-08-19 | 2015-02-26 | 有限会社サンパックシステム | 環境監視装置及び環境監視方法 |
| CN107194171A (zh) * | 2017-05-18 | 2017-09-22 | 中国水利水电科学研究院 | 一种环境流量的数据管理方法及系统 |
| CN107917987A (zh) * | 2017-11-09 | 2018-04-17 | 北京伟瑞迪科技有限公司 | 一种面向城市空气污染物溯源分析方法 |
| CN108446342A (zh) * | 2018-03-02 | 2018-08-24 | 深圳市博安达信息技术股份有限公司 | 一种环境质量评价系统、方法、装置及存储装置 |
-
2018
- 2018-12-29 CN CN201811636154.4A patent/CN109753720B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007065966A (ja) * | 2005-08-31 | 2007-03-15 | Yamatake Corp | 河川汚濁負荷源推定装置、方法、およびプログラム |
| JP2015037387A (ja) * | 2013-08-19 | 2015-02-26 | 有限会社サンパックシステム | 環境監視装置及び環境監視方法 |
| CN107194171A (zh) * | 2017-05-18 | 2017-09-22 | 中国水利水电科学研究院 | 一种环境流量的数据管理方法及系统 |
| CN107917987A (zh) * | 2017-11-09 | 2018-04-17 | 北京伟瑞迪科技有限公司 | 一种面向城市空气污染物溯源分析方法 |
| CN108446342A (zh) * | 2018-03-02 | 2018-08-24 | 深圳市博安达信息技术股份有限公司 | 一种环境质量评价系统、方法、装置及存储装置 |
Non-Patent Citations (2)
| Title |
|---|
| 2005--2014 年 中三角城市群大气污染特征及变化趋势;李婷婷等;《环境工程学报》;第11卷(第5期);全文 * |
| 基于城市群的空 气质量数据的可视分析 方法;胡亚娟;《中国优秀硕士学位论文全 文数据库 工程科技I 辑》(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109753720A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109753720B (zh) | 空气质量监测数据异常排查方法、系统、设备及介质 | |
| US8255522B2 (en) | Event detection from attributes read by entities | |
| CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
| US20190310979A1 (en) | Anomaly data priority assessment device and anomaly data priority assessment method | |
| EP3105644B1 (en) | Method of identifying anomalies | |
| CN111898647B (zh) | 一种基于聚类分析的低压配电设备误告警识别方法 | |
| CN110208019A (zh) | 一种动设备状态监测动态阈值预警方法 | |
| KR102549313B1 (ko) | 오염물질 배출수준 산정 시스템 및 방법 | |
| KR20200046905A (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
| CN115936262B (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| CN113343364A (zh) | 航空大数据分析方法及工具 | |
| CN110147383A (zh) | 确定污染源类型的方法及装置 | |
| CN118364410B (zh) | 基于多传感器的催化燃烧异常数据处理方法 | |
| US20180010982A1 (en) | Engine performance modeling based on wash events | |
| US20080091715A1 (en) | Method and system of creating health operating envelope for dynamic systems by unsupervised learning of a sequence of discrete event codes | |
| US20230342424A1 (en) | Method and apparatus for machine learning based inlet debris monitoring | |
| CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
| US20180010481A1 (en) | Engine performance modeling based on wash events | |
| CN112557605B (zh) | 应用于钢铁厂区的污染排放源识别方法、装置及可存储介质 | |
| CN117454563A (zh) | 基于风险频率的泄漏探测覆盖率检测方法及装置 | |
| McKinnon et al. | Comparison of novel SCADA data cleaning technique for wind turbine electric pitch system | |
| JP2002503843A (ja) | プロセスおよび設備診断方法 | |
| CN118094264B (zh) | 一种智能化电力电容器局部放电检测方法及系统 | |
| CN115184556B (zh) | 空气质量数据的异常值监测方法、系统及报警终端设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 100070 Beijing Fengtai Auto Museum West Road No. 8 Courtyard 1 Building 6 Floor 606 Applicant after: Beijing Yingshi Ruida Technology Co.,Ltd. Address before: Room 606, 6 / F, building 1, yard 8, Automobile Museum West Road, Fengtai District, Beijing 100029 Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |