CN109856321A - 异常高值点位的确定方法 - Google Patents
异常高值点位的确定方法 Download PDFInfo
- Publication number
- CN109856321A CN109856321A CN201811355503.5A CN201811355503A CN109856321A CN 109856321 A CN109856321 A CN 109856321A CN 201811355503 A CN201811355503 A CN 201811355503A CN 109856321 A CN109856321 A CN 109856321A
- Authority
- CN
- China
- Prior art keywords
- point
- information
- high level
- concentration data
- pollutant concentration
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 49
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 93
- 231100000719 pollutant Toxicity 0.000 claims abstract description 93
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 230000007613 environmental effect Effects 0.000 abstract description 19
- 239000000463 material Substances 0.000 abstract description 4
- 238000012806 monitoring device Methods 0.000 description 13
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 10
- JCXJVPUVTGWSNB-UHFFFAOYSA-N Nitrogen dioxide Chemical compound O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 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 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- -1 CO) Chemical compound 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229960004424 carbon dioxide Drugs 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000003500 flue dust Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种异常高值点位的确定方法,包括:获取第一点位信息;其中,第一点位信息包括第一点位的污染物浓度数据;获取至少两个第二点位信息;其中,第二点位信息包括第二点位的污染物浓度数据,第二点位为第一点位的相邻点位;计算第二点位的污染物浓度数据的均值;计算均值和第一点位的污染物浓度数据的浓度差值;将浓度差值和预设的浓度差值阈值进行比较;当浓度差值大于预设的浓度差值阈值时,确定第一点位为异常高值点位。由此,能够实时、快速、准确的确定出异常高值点位,节省了人力物力资源,提高了确定异常高值点位的有效性,并提高了整个环境监测工作的准确性和有效性。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种异常高值点位的确定方法。
背景技术
随着各项工业的迅速发展,产生了大量有害物质,如烟尘、二氧化硫、氮氧化物、一氧化碳、碳氢化合物等。这些有害物质持续不断地排放到大气中,当其含量超过环境所能承受的极限后,就会破坏自然的物理、化学和生态平衡,形成大气污染,危害人们的生活、工作和健康。随着全国大范围雾霾天气的出现,PM2.5这一名词进入公众视野。PM2.5是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中,其在空气中含量浓度越高,就代表空气污染越严重。
随着经济社会的快速发展,环境问题成为阻碍社会发展的重要障碍性因素之一,解决好环境问题成为各国迫切需要解决的问题。
解决好环境问题的重要基础之一就是要准确掌握环境现状,包括存在哪些具体的环境问题等等,而环境监测工作又是解决环境问题、及时了解环境现状的关键,这其中环境监测数据的准确性就成为环境监测工作的重点和关键环节。
环境监测数据是制定环境环保政策和措施的基础,也是环境管理、执法、统计、信息发布和环保目标责任制度考核的依据。因此,环境检测数据的质量与否对于环境保护工作具有积极的意义。
大气污染监测是指测定大气环境中污染物的种类及其浓度,观察其时空分布和变化规律的过程。大气污染监测的目的在于识别大气中的污染物质,掌握其分布与扩散规律,监视大气污染源的排放和控制情况。由于监测区域范围大,人力物力有限,给大气污染监测带来困难。
因此,可以对监测区域进行划分,但是划分后,如何对测量到的污染物超标区域进行判定,将其判定为测量存在异常或者突发异常状况导致的污染物超标,还是真正意义上的超标区域,业界并没有相应的解决方法。
发明内容
本发明实施例的目的是针对现有技术中存在的缺陷,提供一种异常高值点位的确定方法。
为实现上述目的,第一方面,本发明提供了一种异常高值点位的确定方法,所述异常高值点位的确定方法包括:
获取第一点位信息;其中,所述第一点位信息包括第一点位的污染物浓度数据;
获取至少两个第二点位信息;其中,所述第二点位信息包括第二点位的污染物浓度数据,所述第二点位为所述第一点位的相邻点位;
计算所述第二点位的污染物浓度数据的均值;
计算所述均值和所述第一点位的污染物浓度数据的浓度差值;
将所述浓度差值和预设的浓度差值阈值进行比较;
当所述浓度差值大于预设的浓度差值阈值时,确定所述第一点位为异常高值点位。
在一种可能的实现方式中,所述方法之前还包括:
获取至少一个点位的污染物浓度数据;
将所述至少一个点位的污染物浓度数据和预设的浓度阈值进行比较,当所述至少一个点位中的第一点位的污染物浓度数据大于预设的浓度阈值时,确定所述第一点位为高值点位疑似点。
在一种可能的实现方式中,所述获取至少两个第二点位信息具体包括;
获取原始第二点位信息集,所述原始第二点位信息集包括多个原始第二点位信息;
根据所述第一点位的位置信息和所述原始第二点位的位置信息,分别计算所述第一点位的位置信息和多个所述原始第二点位的位置信息的第一距离差值信息;其中,所述第一点位信息包括第一点位的位置信息,所述原始第二点位信息包括所述原始第二点位的位置信息;
判断所述第一距离差值信息是否大于预设的第一距离信息阈值;
确定所述第一距离信息不大于预设的第一距离信息阈值的原始第二点位为第二点位。
在一种可能的实现方式中,所述计算所述第二点位的污染物浓度数据的均值具体包括:
计算至少两个第二点位的污染物浓度数据的算术平均值作为所述第二污染物浓度数据的均值。
在一种可能的实现方式中,所述第一点位信息包括第一点位的位置信息,所述第二点位信息包括所述第二点位的位置信息;所述计算所述第二点位的污染物浓度数据的均值具体包括:
分别计算所述第一点位的位置信息和所述至少两个第二点位中每个第二点位的位置信息的第二距离差值信息;
根据所述第二距离差值信息,为所述每个第二点位设置权重值;
根据所述权重值和该第二点位的污染物浓度数据,确定加权平均值作为所述第二污染物浓度数据的均值。
在一种可能的实现方式中,所述方法之后还包括:
当所述第一点位为异常高值点位时,生成高值报警信号以进行报警。
在一种可能的实现方式中,所述污染物为PM2.5、PM10、NO2、SO2、CO、O3和TVOC中的任意一种或其任意组合。
第二方面,本发明提供了一种设备,包括存储器和处理器,所述存储器用于存储程序,所述处理器用于执行第一方面任一所述的方法。
第三方面,本发明提供了一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行第一方面任一所述的方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一所述的方法。
通过应用本发明实施例提供的异常高值点位的确定方法,获取第一点位信息;获取至少两个第二点位信息;计算所述第二点位的污染物浓度数据的均值;计算所述均值和所述第一点位的污染物浓度数据的浓度差值;将所述浓度差值和预设的浓度差值阈值进行比较;当所述浓度差值大于预设的浓度差值阈值时,确定所述第一点位为异常高值点位。能够实时、快速、准确的确定出异常高值点位,节省了人力物力资源,提高了确定的异常高值点位的有效性,并提高了整个环境监测工作的准确性和有效性。
附图说明
图1为本发明实施例提供的异常高值点位的确定方法流程示意图;
图2为本发明实施例提供的异常高值点位的确定方法的一个示意图;
图3为本发明实施例提供的异常高值点位的确定方法的又一示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了便于更好的对本申请所涉及的方法进行说明,下面首先对“点位”进行说明。
点位即网格化监测设备在地图上的位置。
网格化监测设备即指采用光散射的检测方法,体积小、重量轻,用于连续自动监测环境空气中污染物状况的设备。
为达到区域大气污染防治精细化管理的目的,根据不同监控需求及环境特征将目标区域分为不同的网格进行点位布设,对各网格中相关污染物浓度进行实时监测,称为网格化监测。城市网格化监管工作所划分的重点污染区域称为“热点网格”。高密度的网格化监测网络应在区域内合理布设各类功能性监测点位,能够反映重点污染区域的空气质量变化,满足区域环境空气监视的需求,客观评价重点污染区域的空气质量。
可以根据当地污染物扩散、迁移及转化规律,评估污染物分布状况,结合资源和经济的可行性,确定合理监测点位,使所获得的数据有代表性。
图1为本发明实施例一提供的异常高值点位的确定方法流程示意图。异常高值点位即网格化监测网络中的网格化监测设备测量出的污染物数据存在异常的点位,该异常可以特指数据超出标准数据。本申请中涉及到的网格化监测设备,可以获取到多种污染物中的每一种污染物的浓度数据,由此,实现了对该点位下不同污染物浓度数据的分类获取,以及对不同污染物浓度数据异常的点位的确定。该方法的应用场景为上述的网格化监测的场景,该方法的执行主体可以是具体计算功能的设备,比如,计算机、手机或者异常高值点位确定系统等,该计算机、手机或者异常高值点位确定系统可以与网格化监测设备相连接,该连接可以通过无线或有线通信的方式进行,本申请对此并不限定。如图1所示,该方法包括以下步骤:
步骤110,获取第一点位信息。
其中,第一点位信息包括第一点位的污染物浓度数据。可以在预设的时间内,从网格化监测设备获取第一点位信息。
具体的,将网格化监测设备投放到固定的(也可以称为预设的)点位后,网格化监测设备可以实时获取该点位的污染物浓度数据,该污染物浓度数据可以包括污染物的种类和该种类下污染物的浓度数值。此时,“实时”可以在网格化监测设备上进行设定,可以根据需要,进行设定,示例而非限定,可以设置为一分钟获取到60个污染物浓度数据,一分钟内获取到的数据越多,后续的第一点位的污染物浓度数据越精确。
为了对异常高值点位进行实时的确定,可以根据需要,将预设的时间设置为1秒钟、一分钟、十分钟、一小时等值,在实际应用中,一般取预设的时间为1小时。
如果以一分钟获取到60个污染物浓度数据进行计算,一小时获取到的污染物浓度数据为3600个,可以取这3600个污染物浓度数据的均值,作为第一点位的污染物浓度数据。由此,既节省了人力财力资源,又提高了污染物浓度数据的精确性。
为了确定出异常高值点位,可以先确定出疑似异常高值点位。因此,在执行步骤110之前还包括:确定出疑似异常高值点位。
可以通过以下方法确定出疑似异常高值点位:首先,获取至少一个点位的污染物浓度数据;然后,将至少一个点位的污染物浓度数据和预设的浓度阈值进行比较,最后当至少一个点位中的第一点位的污染物浓度数据大于预设的浓度阈值时,确定第一点位为高值点位疑似点。
示例而非限定,污染物可以是细颗粒物(PM2.5)、可吸入颗粒物(PM10)、二氧化氮(Nitrogen dioxide,NO2)、二氧化硫(Sulfur dioxide,SO2)、一氧化碳(Carbon monoxide,CO)、臭氧(Ozone,O3)和总挥发性有机化合物(Total Volatile Organic Compounds,TVOC)中的任意一种或其任意组合。可以理解的是,在后续的研究中,污染物可以是上述污染物的任意组合,可以通过归一法对不同污染物的单位进行处理,由此,得到归一化的污染物浓度数值,以对点位的污染物浓度数据进行综合判断后,判定其是否存在异常。由于现在PM2.5已经成为一个重要的测控空气污染程度的指数,本申请仅以污染物是PM2.5为例进行说明。
步骤120,获取至少两个第二点位信息。
其中,第二点位信息包括第二点位的污染物浓度数据,第二点位为第一点位的相邻点位。
其中,可以通过以下方法获取第二点位信息。
首先,获取原始第二点位信息集,原始第二点位信息集包括多个原始第二点位信息;然后,根据第一点位的位置信息和原始第二点位的位置信息,分别计算第一点位的位置信息和多个原始第二点位的位置信息的第一距离差值信息;其中,第一点位信息包括第一点位的位置信息,原始第二点位信息包括原始第二点位的位置信息;接着,判断第一距离差值信息是否大于预设的第一距离信息阈值;最后,确定第一距离信息不大于预设的第一距离信息阈值的原始第二点位为第二点位。
其中,点位即网格化监测设备在地图上的位置,在将该网格化监测设备投放到点位时,已经将该点位和网格化监测设备的标识(Identify,ID)进行了关联,通过读取该网格化监测设备的ID,即可获得该点位的位置信息。
步骤130,计算第二点位的污染物浓度数据的均值。
其中,可以通过多种方法计算第二点位的污染物浓度数据的均值。下面仅以两个示例为例,对计算均值的方法进行说明。
在一个示例中,可以计算至少两个第二点位的污染物浓度数据的算术平均值作为第二污染物浓度数据的均值。由此,可以快速的计算出第二污染物浓度数据的均值,提高了数据处理的速度。
如果需要进一步提高数据的精度,可以采用下一个示例中的方法来计算均值。
在另一个示例中,第一点位信息包括第一点位的位置信息,第二点位信息包括第二点位的位置信息;计算第二点位的污染物浓度数据的均值具体包括:首先,分别计算第一点位的位置信息和至少两个第二点位中每个第二点位的位置信息的第二距离差值信息;然后,根据第二距离差值信息,为每个第二点位设置权重值;最后,根据权重值和该第二点位的污染物浓度数据,确定加权平均值作为第二污染物浓度数据的均值。由此,通过加权平均值的方法计算出的均值,计算出的均值更加精确,大大提高了数据处理精度。
可以理解的是,本申请还可以通过其他方法来计算均值,比如,标准差法、标准误差法等,此处不再赘述。
步骤140,计算均值和第一点位的污染物浓度数据的浓度差值。
步骤150将浓度差值和预设的浓度差值阈值进行比较。
其中,可以根据机器学习的结果,预设浓度差值阈值,示例而非限定,可以将浓度差值阈值设置为20μg/m3。
步骤160,当浓度差值大于预设的浓度差值阈值时,确定第一点位为异常高值点位。
进一步的,在步骤160之后,还包括:
当第一点位为异常高值点位时,生成高值报警信号以进行报警。实现了对于确定出的异常高值点位的主动报警,后续,后台工作人员可以根据是否产生主动报警信号来判断是否为异常高值点位,从而对异常高值点位进行排查,以排查出产生异常高值点位的原因,并在排查出异常高值点位的原因是网格化监测设备发生故障后,及时对设备进行维修,保证了环境监测工作的顺利进行。
下面,结合具体的例子对上述异常高值点位的确定方法进行具体的描述。
图2为本发明实施例一提供的异常高值点位的确定方法的一个示意图。如图2所示,存在着六个点位。污染物为PM2.5,该六个点位的污染物浓度数据依次为33μg/m3、28μg/m3、35μg/m3、68μg/m3、30μg/m3和20μg/m3。预设的浓度阈值可以是65μg/m3,将该六个点位的污染物浓度数据和预设的浓度阈值进行比较,可以确定污染物浓度数据为68的点位为第一点位。
污染物浓度数据为33μg/m3、28μg/m3、35μg/m3、30μg/m3和20μg/m3的点位距离第一点位的第一距离信息依次为2km、2.5km、1km、3km和4.5km,此时,可以设置第一距离信息阈值为3km,由此,可以确定出四个第二点位,即污染物浓度数据为33μg/m3、28μg/m3、35μg/m3、30μg/m3所对应的点位为第二点位。
接着,可以通过算术平均值来计算上述四个第二点位的污染物浓度数据的均值,计算结果为31.5μg/m3。
接着,计算该均值和第一点位的污染物浓度数据的浓度差值,即浓度差值为68-31.5=36.5μg/m3。
最后,将浓度差值和预设的浓度差值阈值进行比较。示例而非限定,预设的浓度差值阈值可以是20μg/m3。此时,浓度差值36.5μg/m3大于预设的浓度差值阈值20μg/m3,因此,可以确定第一点位为异常高值点位。
图3为本发明实施例一提供的异常高值点位的确定方法的又一示意图。如图3所示,存在着六个点位。污染物为PM2.5,该六个点位的污染物浓度数据依次为53μg/m3、58μg/m3、55μg/m3、68μg/m3、50μg/m3和60μg/m3。预设的浓度阈值可以是65μg/m3,将该六个点位的污染物浓度数据和预设的浓度阈值进行比较,可以确定污染物浓度数据为68的点位为第一点位。
污染物浓度数据为53μg/m3、58μg/m3、55μg/m3、50μg/m3和60μg/m3的点位距离第一点位的第一距离信息依次为2km、2.5km、1km、3km和4.5km,此时,可以设置第一距离信息阈值为3km,由此,可以确定出四个第二点位,即污染物浓度数据为33μg/m3、28μg/m3、35μg/m3、30μg/m3所对应的点位为第二点位。
接着,可以通过算术平均值来计算上述四个第二点位的污染物浓度数据的均值,计算结果为54μg/m3。
接着,计算该均值和第一点位的污染物浓度数据的浓度差值,即浓度差值为68-54=14μg/m3。
最后,将浓度差值和预设的浓度差值阈值进行比较。示例而非限定,预设的浓度差值阈值可以是20μg/m3。此时,浓度差值14μg/m3小于预设的浓度差值阈值20μg/m3,因此,可以确定第一点位并非异常高值点位。
对于上述异常高值点位,可以触发高值报警。对于非异常高值点位,可以不触发高值报警。
通过应用本发明实施例提供的异常高值点位的确定方法,获取第一点位信息;获取至少两个第二点位信息;计算第二点位的污染物浓度数据的均值;计算均值和第一点位的污染物浓度数据的浓度差值;将浓度差值和预设的浓度差值阈值进行比较;当浓度差值大于预设的浓度差值阈值时,确定第一点位为异常高值点位。能够实时、快速、准确的确定出异常高值点位,节省了人力物力资源,提高了确定的异常高值点位的有效性,并提高了整个环境监测工作的准确性和有效性。
本发明实施例二提供了一种设备,包括存储器和处理器,存储器用于存储程序,存储器可通过总线与处理器连接。存储器可以是非易失存储器,例如硬盘驱动器和闪存,存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能;设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序,该软件程序被执行时,能够实现本发明实施例提供的方法。
本发明实施例三提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行本发明实施例一提供的方法。
本发明实施例四提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常高值点位的确定方法,其特征在于,所述异常高值点位的确定方法包括:
获取第一点位信息;其中,所述第一点位信息包括第一点位的污染物浓度数据;
获取至少两个第二点位信息;其中,所述第二点位信息包括第二点位的污染物浓度数据,所述第二点位为所述第一点位的相邻点位;
计算所述第二点位的污染物浓度数据的均值;
计算所述均值和所述第一点位的污染物浓度数据的浓度差值;
将所述浓度差值和预设的浓度差值阈值进行比较;
当所述浓度差值大于预设的浓度差值阈值时,确定所述第一点位为异常高值点位。
2.根据权利要求1所述的异常高值点位的确定方法,其特征在于,所述方法之前还包括:
获取至少一个点位的污染物浓度数据;
将所述至少一个点位的污染物浓度数据和预设的浓度阈值进行比较,当所述至少一个点位中的第一点位的污染物浓度数据大于预设的浓度阈值时,确定所述第一点位为高值点位疑似点。
3.根据权利要求1所述的异常高值点位的确定方法,其特征在于,所述获取至少两个第二点位信息具体包括;
获取原始第二点位信息集,所述原始第二点位信息集包括多个原始第二点位信息;
根据所述第一点位的位置信息和所述原始第二点位的位置信息,分别计算所述第一点位的位置信息和多个所述原始第二点位的位置信息的第一距离差值信息;其中,所述第一点位信息包括第一点位的位置信息,所述原始第二点位信息包括所述原始第二点位的位置信息;
判断所述第一距离差值信息是否大于预设的第一距离信息阈值;
确定所述第一距离信息不大于预设的第一距离信息阈值的原始第二点位为第二点位。
4.根据权利要求1所述的异常高值点位的确定方法,其特征在于,所述计算所述第二点位的污染物浓度数据的均值具体包括:
计算至少两个第二点位的污染物浓度数据的算术平均值作为所述第二污染物浓度数据的均值。
5.根据权利要求1所述的异常高值点位的确定方法,其特征在于,所述第一点位信息包括第一点位的位置信息,所述第二点位信息包括所述第二点位的位置信息;所述计算所述第二点位的污染物浓度数据的均值具体包括:
分别计算所述第一点位的位置信息和所述至少两个第二点位中每个第二点位的位置信息的第二距离差值信息;
根据所述第二距离差值信息,为所述每个第二点位设置权重值;
根据所述权重值和该第二点位的污染物浓度数据,确定加权平均值作为所述第二污染物浓度数据的均值。
6.根据权利要求1所述的异常高值点位的确定方法,其特征在于,所述方法之后还包括:
当所述第一点位为异常高值点位时,生成高值报警信号以进行报警。
7.根据权利要求1所述的异常高值点位的确定方法,其特征在于,所述污染物为PM2.5、PM10、NO2、SO2、CO、O3和TVOC中的任意一种或其任意组合。
8.一种设备,包括存储器和处理器,其特征在于,所述存储器用于存储程序,所述处理器用于执行如权利要求1-7任一所述的方法。
9.一种包含指令的计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811355503.5A CN109856321A (zh) | 2018-11-14 | 2018-11-14 | 异常高值点位的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811355503.5A CN109856321A (zh) | 2018-11-14 | 2018-11-14 | 异常高值点位的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109856321A true CN109856321A (zh) | 2019-06-07 |
Family
ID=66889968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811355503.5A Pending CN109856321A (zh) | 2018-11-14 | 2018-11-14 | 异常高值点位的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109856321A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111942231A (zh) * | 2020-07-23 | 2020-11-17 | 东风汽车集团有限公司 | 氢泄漏车辆的保护方法、氢气管理系统及保护系统 |
CN113191626A (zh) * | 2021-04-28 | 2021-07-30 | 中国科学院地理科学与资源研究所 | 一种异常区域的识别方法及装置 |
CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107340364A (zh) * | 2017-05-31 | 2017-11-10 | 北京市环境保护监测中心 | 基于海量大气污染浓度数据的污染空间分析方法及装置 |
CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
CN108648127A (zh) * | 2018-04-28 | 2018-10-12 | 北京航空航天大学 | 一种城市空气污染热点区域锁定方法 |
-
2018
- 2018-11-14 CN CN201811355503.5A patent/CN109856321A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107340364A (zh) * | 2017-05-31 | 2017-11-10 | 北京市环境保护监测中心 | 基于海量大气污染浓度数据的污染空间分析方法及装置 |
CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
CN108648127A (zh) * | 2018-04-28 | 2018-10-12 | 北京航空航天大学 | 一种城市空气污染热点区域锁定方法 |
Non-Patent Citations (2)
Title |
---|
大好时光: "大气污染热点网格监管工作", pages 1 - 34, Retrieved from the Internet <URL:https://www.docin.com/p-2140767573.html> * |
韦鹤平 等: "《环境工程计算机技术应用》", 中国环境科学出版社, pages: 3 - 5 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111942231A (zh) * | 2020-07-23 | 2020-11-17 | 东风汽车集团有限公司 | 氢泄漏车辆的保护方法、氢气管理系统及保护系统 |
CN113191626A (zh) * | 2021-04-28 | 2021-07-30 | 中国科学院地理科学与资源研究所 | 一种异常区域的识别方法及装置 |
CN113191626B (zh) * | 2021-04-28 | 2022-02-01 | 中国科学院地理科学与资源研究所 | 一种异常区域的识别方法及装置 |
CN117332357A (zh) * | 2023-11-28 | 2024-01-02 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
CN117332357B (zh) * | 2023-11-28 | 2024-03-12 | 北京市生态环境监测中心 | 一种多指标融合的异常排放点位识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110319982B (zh) | 基于机器学习的埋地式燃气管线泄漏判断方法 | |
CN109856321A (zh) | 异常高值点位的确定方法 | |
CN107301617B (zh) | 一种评估废气监测数据质量的方法及设备 | |
CN107063355B (zh) | 一种基于多传感器信息融合的空气质量检测系统及其检测方法 | |
Lobdell et al. | Feasibility of assessing public health impacts of air pollution reduction programs on a local scale: New Haven case study | |
CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
CN112525977A (zh) | 一种无组织VOCs泄漏在线监测溯源方法和系统 | |
CN113125635B (zh) | 一种大气污染预警方法、装置及可读存储介质 | |
CN113570163A (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
CN109524130A (zh) | 车辆对污染物浓度贡献率的确定方法及装置 | |
Yusuf et al. | Spatial patterns of urban air pollution in an industrial estate, Lagos, Nigeria | |
Hernández-Ceballos et al. | UDINEE: evaluation of multiple models with data from the JU2003 puff releases in Oklahoma City. Part II: simulation of puff parameters | |
CN115689396A (zh) | 污染物排放管控方法、装置、设备及介质 | |
CN109085100B (zh) | 污染物浓度的确定方法及装置 | |
Al‐Adwani et al. | A surrogate‐based optimization methodology for the optimal design of an air quality monitoring network | |
CN113590663A (zh) | 一种环境检测方法及系统 | |
CN109613179B (zh) | 累积高值区的确定方法 | |
CN112801556A (zh) | 一种工业企业排污行为的区域影响程度评估方法及系统 | |
CN117234156A (zh) | 选矿厂巡检系统及巡检方法 | |
CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
CN116952855A (zh) | 一种区域大气污染溯源方法、装置、设备和介质 | |
Li et al. | On the performance parameters of PM2. 5 and PM1 size separators for ambient aerosol monitoring | |
CN111047160A (zh) | 污染原因分析方法、装置、可读存储介质及电子设备 | |
Fu et al. | An investigation of the quality of air data in Beijing | |
CN113610344A (zh) | 一种污染预警方法、装置、电子设备及存储介质 |
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: 1202, No. 18, Yumin Middle Road, Xicheng District, Beijing 100029 Applicant before: BEIJING INSIGHTS VALUE TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |