CN110595535A - 监测方法、装置和存储介质 - Google Patents

监测方法、装置和存储介质 Download PDF

Info

Publication number
CN110595535A
CN110595535A CN201910762757.7A CN201910762757A CN110595535A CN 110595535 A CN110595535 A CN 110595535A CN 201910762757 A CN201910762757 A CN 201910762757A CN 110595535 A CN110595535 A CN 110595535A
Authority
CN
China
Prior art keywords
monitoring
monitoring data
time point
acquiring
data corresponding
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
Application number
CN201910762757.7A
Other languages
English (en)
Inventor
柏智
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.)
Hunan Qiang Zhi Development In Science And Technology Co Ltd
Original Assignee
Hunan Qiang Zhi Development In Science And Technology Co Ltd
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 Hunan Qiang Zhi Development In Science And Technology Co Ltd filed Critical Hunan Qiang Zhi Development In Science And Technology Co Ltd
Priority to CN201910762757.7A priority Critical patent/CN110595535A/zh
Publication of CN110595535A publication Critical patent/CN110595535A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开实施例公开了一种监测方法，包括：获取多个目标区域内的监测节点在设置时间段内的监测数据；基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。这里，由于是获取的多个目标区域内的监测数据，更能够反映目标区域内的监测情况；采用机器学习算法获得时间点和所述时间点对应的所述监测数据之间的拟合关系，能够更加准确地对目标时间点的监测数据进行预测，减小预测值的误差。同时，本公开实施例还进一步公开一种监测装置和存储介质。

Description

监测方法、装置和存储介质
技术领域
本公开实施例涉及智能监测领域，尤其涉及监测方法、装置和存储介质。
背景技术
基于物联网技术和大数据技术，能够对区域内大气污染状况进行实时监控和对污染源锁定，能够通过大数据分析为政府管理部门和企业提供行政及产业技术的专家意见，政府管理部门及企业能够及时掌握环境污染状况并采取处理措施，对可能存在的环境污染事件采取预防性措施，提高政府管理部门和企业处理环保污染事件的能力。
但是，目前采用的监测方案，在实际运用时，仍然存在数据来源单一、监测结果存在较大误差、不能进行精准预测的问题。
发明内容
为解决现有存在的技术问题，本公开实施例提供一种误差小、预测精确的监测方法、装置和存储介质。
为达到上述目的，本公开实施例的技术方案是这样实现的：
第一方面，本公开实施例提供一种监测方法，包括：
获取多个目标区域内的监测节点在设置时间段内的监测数据；
基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
其中，所述监测数据包括如下至少之一：空气监测数据、水体监测数据、温度监测数据、遥感监测数据和地下红外监测数据。
其中，所述方法还包括：
获取各监测节点对应的监测数据在设置时间段内的平均值作为参考平均值；
当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，确定所述监测节点并获取所述监测节点的位置信息；
将所述位置信息发送给巡检设备进行导航。
其中，所述方法还包括：当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，控制预警装置进行预警。
其中，所述基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，包括：基于线性回归模型获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入代价函数在设置范围内的线性回归模型获得所述目标时间点对应的预测值。
其中，所述基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，包括：基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入训练后的所述神经网络获得所述目标时间点对应的预测值。
其中，所述基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系之前，还包括：
获取训练样本，其中，所述训练样本中包括时间点和所述时间点对应的监测数据标签；
将所述训练样本输入初始的神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件，得到所述训练后的神经网络。
第二方面，本公开实施例还提供一种监测装置，包括获取模块和处理模块，其中，
所述获取模块，用于获取目标区域内的监测节点在设置时间段内的监测数据；
所述处理模块，用于基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
第三方面，本公开实施例还提供一种监测装置，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现如本公开任一实施例所述的监测方法。
第四方面，本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本公开任一实施例所述的监测方法。
本公开实施例提供的监测方法、装置和存储介质，通过获取多个目标区域内的监测节点在设置时间段内的监测数据，这里，由于是获取的多个目标区域内的监测数据，更能够反映目标区域内的监测情况；基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，这里，采用机器学习算法获得时间点和所述时间点对应的所述监测数据之间的拟合关系，能够更加准确地对目标时间点的监测数据进行预测，减小预测值的误差。
附图说明
图1为本公开一实施例提供的一种监测方法的流程示意图；
图2为本公开另一实施例提供的一种监测方法的流程示意图；
图3为本公开另一实施例提供的一种监测方法的流程示意图；
图4为本公开另一实施例提供的一种监测方法的流程示意图；
图5为本公开另一实施例提供的一种监测方法的流程示意图；
图6为本公开实施例提供的一种监测装置的结构示意图；
图7为本公开另一实施例提供的一种监测装置的结构示意图；
图8为本公开一实施例提供的一种校园监测的结构分布示意图；
图9为本公开另一实施例提供的监测节点结构示意图；
图10为本公开一实施例提供的监测总站的结构示意图；
图11为本公开另一实施例提供的一种监测方法的流程示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
第一方面，本公开实施例提供一种监测方法，请参见图1，为本公开一实施例提供的一种监测方法的流程示意图，包括：
步骤11，获取多个目标区域内的监测节点在设置时间段内的监测数据；
这里，所述多个目标区域可以是不同的地理区域，例如，将某一监测区域划分为东、南、西、北和中五个地理区域；所述监测节点可以包括空气监测模块、水体监测模块、温度监测模块、声波监测模块、遥感监测模块和地下红外模块；这里，所述空气监测模块用于监测空气中的二氧化硫、一氧化氮、碳氢化合物和浮尘等的含量，所述水质监测模块用于监测水体中污染物的种类、浓度等，所述温度监测模块用于监测温度变化，所述声波监测模块用于监测噪音源，所述遥感监测模块用于拍摄环境图片，监测环境变化，所述地下红外模块使用红外传感器对地下管道进行监测，监测疏通状况。这里，所述时间段可以根据需要设置，可以是任一时间段，例如，5天、6天等；这里，所述监测数据可以是包括如下至少之一：空气监测数据、水体监测数据、温度监测数据、声波监测数据、遥感监测数据和红外监测数据。
步骤12，基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
这里，所述目标时间点可以是设置的需要预测的任一时间点。
本公开实施例中，通过获取多个目标区域内的监测节点在设置时间段内的监测数据，这里，由于是获取的多个目标区域内的监测数据，更能够反映目标区域内的监测情况；基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，这里，采用机器学习算法获得时间点和所述时间点对应的所述监测数据之间的拟合关系，能够更加准确地对目标时间点的监测数据进行预测，减小预测值的误差。
请参见图2，为本公开另一实施例提供的一种监测方法的流程示意图，还包括：
步骤21，获取各监测节点对应的监测数据在设置时间段内的平均值作为参考平均值；
这里，所述监测数据可以通过数据集的方式进行采集，例如，数据集Ai、Bi、Ci、Di和Ei，每个数据集可以包括多个子集，例如：
Ai＝[A1，A2，A3，A4，A5，A6]
Bi＝[B1，B2，B3，B4，B5，B6]
Ci＝[C1，C2，C3，C4，C5，C6]
Di＝[D1，D2，D3，D4，D5，D6]
Ei＝[E1，E2，E3，E4，E5，E6]
这里，所述数据集Ai、Bi、Ci、Di和Ei的子集中i＝1、2、3、4、5和6可以分别对应空气监测模块、水体监测模块、温度监测模块、声波监测模块、遥感监测模块和地下红外模块监测的数据信息，例如数据集A1代表空气监测模块采集到的有关空气质量的数据信息、A2代表水体监测模块采集到的有关水质的数据信息、A3代表温度监测模块采集到的有关温度状况的数据信息、A4代表声波监测模块采集到的有关噪音等级的数据信息、A5代表遥感监测模块采集到的有关雾霾的数据信息、A6代表地下红外模块采集到的有关地下管道疏通状况的数据信息，所述数据信息用于表征空气质量、水质、温度状况、噪音等级、雾霾以及交通情况和地下管道疏通状况。
步骤22，当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，确定所述监测节点并获取所述监测节点的位置信息；
这里，以Ai、Bi、Ci、Di和Ei为例，设Pi为Ai、Bi、Ci、Di和Ei对应的平均值，Xi为所述监测节点对应的监测数据实时值，即，
这里，设所述参考平均值为Pi，设置阈值为Ymin，则当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，即，
|Xi-Pi|≥Ymin
确定所述监测节点并获取所述监测节点的位置信息，这里获取所述监测节点的位置信息可以是通过预先设置所述监测节点对应的位置属性表格，预先将表格存储在存储空间中，以方便确定所述监测节点之后的位置属性查询。
步骤23，将所述位置信息发送给巡检设备进行导航。
这里，将所述位置信息发送给巡检设备进行导航，可以是将所述位置信息发送给无人机或人工机动抢修车辆进行导航，方便及时出动机动抢修车对异常情况快速处理和人为干预，进行确认和检修，减少因个别环境对监测结果产生的影响误差，同时，提前采取针对环境的预防措施，及时规避环境破坏的可能，有利于保护环境。
作为一种实施例，所述方法还包括：当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，控制预警装置进行预警。
这里，所述预警装置可以包括声或光的提示，例如蜂鸣器、指示灯等，也可以是采用显示模块进行显示预警。
请参见图3，为本公开另一实施例提供的一种监测方法的流程示意图，步骤12中，所述基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，包括：
步骤31，基于线性回归模型获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系；
这里，在对所述监测数据进行处理之前，可以进行数据的预处理，例如，平移、回归等。
步骤32，将目标时间点输入代价函数在设置范围内的线性回归模型获得所述目标时间点对应的预测值。
请参见图4，为本公开另一实施例提供的一种监测方法的流程示意图，步骤12中，所述基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，包括：
步骤41，基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系；
这里，所述神经网络可以是基于已知的图像数据集预训练得到的神经网络模型，例如，BP神经网络模型、卷积神经网络模型或者是经过上述神经网络模型的变形。
例如，所述神经网络包括输入层、隐含层和输出层，所述隐含层包括4个隐层节点。
这里，所述时间点对应x，因此，所述神经网络可以设置x作为输入变量，输入层可以设置两个节点。为了防止过拟合，在能够取得良好拟合结果的前提下应该尽可能的减少网络参数，本公开采用一个隐含层，对应设置4个隐层节点，隐层激活函数使用线性整流函数(Rectified Linear Unit,ReLU)。
步骤42，将目标时间点输入训练后的所述神经网络获得所述目标时间点对应的预测值。
请参见图5，为本公开另一实施例提供的一种监测方法的流程示意图，步骤12中，所述基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系之前，还包括：
步骤51，获取训练样本，其中，所述训练样本中包括时间点和所述时间点对应的监测数据标签；
这里，所述时间点和所述时间点对应的监测数据从现场采集而来，
步骤52，将所述训练样本输入初始的神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件，得到所述训练后的神经网络。
第二方面，本公开实施例还提供一种监测装置，请参见图6，为本公开实施例提供的一种监测装置的结构示意图，包括获取模块61和处理模块62，其中，
所述获取模块61，用于获取目标区域内的监测节点在设置时间段内的监测数据；
所述处理模块62，用于基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
第三方面，本公开实施例还提供一种监测装置，请参见图7，为本公开另一实施例提供的一种监测装置的结构示意图，包括：处理器71和用于存储能够在处理器71上运行的计算机程序的存储器72；其中，所述处理器71用于运行所述计算机程序时实现：
获取多个目标区域内的监测节点在设置时间段内的监测数据；
基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
所述处理器71用于运行所述计算机程序时还用于实现：
获取各监测节点对应的监测数据在设置时间段内的平均值作为参考平均值；
当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，确定所述监测节点并获取所述监测节点的位置信息；
将所述位置信息发送给巡检设备进行导航。
所述处理器71用于运行所述计算机程序时还用于实现：
当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，控制预警装置进行预警。
所述处理器用于运行所述计算机程序时还用于实现：基于线性回归模型获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入代价函数在设置范围内的线性回归模型获得所述目标时间点对应的预测值。
所述处理器71用于运行所述计算机程序时还用于实现：基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入训练后的所述神经网络获得所述目标时间点对应的预测值。
所述处理器71用于运行所述计算机程序时还用于实现：获取训练样本，其中，所述训练样本中包括时间点和所述时间点对应的监测数据标签；
将所述训练样本输入初始的神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件，得到所述训练后的神经网络。
第四方面，本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器71执行时实现：获取多个目标区域内的监测节点在设置时间段内的监测数据；
基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
所述存储介质中存储有计算机程序，所述计算机程序被处理器71执行时实现：
获取各监测节点对应的监测数据在设置时间段内的平均值作为参考平均值；
当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，确定所述监测节点并获取所述监测节点的位置信息；
将所述位置信息发送给巡检设备进行导航。
所述存储介质中存储有计算机程序，所述计算机程序被处理器71执行时实现：当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，控制预警装置进行预警。
所述存储介质中存储有计算机程序，所述计算机程序被处理器71执行时实现：基于线性回归模型获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入代价函数在设置范围内的线性回归模型获得所述目标时间点对应的预测值。
所述存储介质中存储有计算机程序，所述计算机程序被处理器71执行时实现：基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入训练后的所述神经网络获得所述目标时间点对应的预测值。
所述存储介质中存储有计算机程序，所述计算机程序被处理器71执行时实现：
获取训练样本，其中，所述训练样本中包括时间点和所述时间点对应的监测数据标签；
将所述训练样本输入初始的神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件，得到所述训练后的神经网络。
为了更方便地理解本方案，本公开实施例通过一个校园环境监测的应用场景对本方案进行进一步说明。
实施例1
请参见图8，为本公开实施例提供的一种校园监测的结构分布示意图，所述校园的地理区域分为东、西、南、北、中五个地理区域，分别设置有东、西、南、北、中五个监测分站82，每个监测分站包括多个监测节点81，请参见图9，所述监测节点81包括空气监测模块101、水体监测模块102、温度监测模块103、声波监测模块104、遥感监测模块105和地下红外模块106，所述空气监测模块101用于监测空气中的二氧化硫、一氧化氮、碳氢化合物和浮尘等的含量，所述水体监测模块102用于监测水体中污染物的种类、浓度等，所述温度监测模块103用于监测温度变化，所述声波监测模块104用于监测噪音源，所述遥感监测模块105用于拍摄环境图片，监测环境变化，所述地下红外模块106使用红外传感器对地下管道进行监测，监测疏通状况。所述监测分站82的的数据信息经过监测总站85汇总后进行集中处理。请参见图10，所述监测总站85包括无线传输模块91、信息处理模块92、PLC控制器93、异常报警模块94。请参见图11，所述校园环境监测方法包括：
步骤s1，通过所述东、西、南、北、中四个监测分站82的监测节点81即空气监测模块101、水体监测模块102、温度监测模块103、声波监测模块104、遥感监测模块105和地下红外模块106分别采集五天时间内空气中的二氧化硫、一氧化氮、碳氢化合物、浮尘数据，污染物的种类、浓度数据，温度数据，噪音数据，环境图片数据，地下管道疏通状况数据。
步骤a2，所述监测分站82将所述监测节点81获取的数据发送给所述监测总站85，所述监测总站85对接收到的监测数据进行预处理，包括对数据进行归一处理和数据中心平移处理。
步骤a3，基于经过预处理后的五天时间内的数据，将其作为训练集，对神经网络进行训练，获得训练后的神经网络模型，即通过训练获得了所述五日时间段内的时间点与所述时间点对应的所述监测数据之间的拟合关系。
步骤a4，将目标时间点，例如当前时间点之后两天的时间点输入所述神经网络，根据所述拟合关系获取当前时间点之后两天的时间点对应的预测值，这里，所述预测值可以对应一条预测曲线。
步骤a5，将所述预测值在气象服务平台84或用户终端87进行显示。
步骤a6，当所述预测平均值在设置阈值之外时，确定所述监测节点81并获取所述监测节点81的位置信息，通过PLC控制器分析处理异常原因，PLC控制器控制巡检无人机对区域中的异常源节点进行搜索，针对突发状况，PLC控制器控制异常报警模块报警提示，并及时出动机动抢修车86或巡检无人机83对异常情况快速处理和人为干预，例如排除监测节点81的故障、对校园环境采取外力干预等。
本公开实施例中，通过将智慧校园划分为五个区域，在区域内遍布监测节点，利用空气监测模块、水体监测模块、温度监测模块、声波监测模块、遥感监测模块和地下红外模块全面监测智慧校园节点的各项环境信息，将数据发送给各监测分站，并在监测总站汇总，处理后发送气象服务平台，获得智慧校园各个区域环境的平均值，全面的反映环境的各项监测数据，提供正确而全面的智慧校园环境信息；其次，通过遍布智慧校园的监测节点监测各项环境信息，信号处理模块对监测数据进行处理，计算出各区域监测结果的平均值作为标准参考，之后将每个节点的数据与标准参考比对，当数据差异较大时，将异常数据进行输出，并通过PLC控制器分析处理异常原因，PLC控制器控制巡检无人机对地域异常源节点搜索，并及时出动机动抢修车对异常情况快速处理和人为干预，能够减少因个别环境对监测结果产生的影响误差，同时能够及时规避环境破坏的可能，有利于保护环境；最后，基于神经网络，通过对近五天的环境数据进行分析，得出拟合关系，对智慧校园环境近期变化做出预判，气象服务平台根据预判向用户终端发送当下和未来几天的环境推特，有利于人们提前做出应对准备，方便人们生活。
以上所述，仅为本公开的较佳实施例而已，并非用于限定本公开的保护范围。凡在本公开的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本公开的保护范围之内。

Claims (10)

1.一种监测方法，其特征在于，包括：
获取多个目标区域内的监测节点在设置时间段内的监测数据；
基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
2.根据权利要求1所述的监测方法，其特征在于，所述监测数据包括如下至少之一：空气监测数据、水体监测数据、温度监测数据、遥感监测数据和地下红外监测数据。
3.根据权利要求1所述的方法，其特征在于，还包括：
获取各监测节点对应的监测数据在设置时间段内的平均值作为参考平均值；
当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，确定所述监测节点并获取所述监测节点的位置信息；
将所述位置信息发送给巡检设备进行导航。
4.根据权利要求3所述的方法，其特征在于，还包括：当所述监测节点对应的监测数据实时值与所述参考平均值的差值大于设置阈值时，控制预警装置进行预警。
5.根据权利要求1所述的方法，其特征在于，所述基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，包括：基于线性回归模型获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入代价函数在设置范围内的线性回归模型获得所述目标时间点对应的预测值。
6.根据权利要求1所述的方法，其特征在于，所述基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值，包括：基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，将目标时间点输入训练后的所述神经网络获得所述目标时间点对应的预测值。
7.根据权利要求6所述的方法，其特征在于，所述基于神经网络获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系之前，还包括：
获取训练样本，其中，所述训练样本中包括时间点和所述时间点对应的监测数据标签；
将所述训练样本输入初始的神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件，得到所述训练后的神经网络。
8.一种监测装置，其特征在于，包括获取模块和处理模块，其中，
所述获取模块，用于获取目标区域内的监测节点在设置时间段内的监测数据；
所述处理模块，用于基于机器学习算法获取所述时间段内的时间点和与所述时间点对应的所述监测数据之间的拟合关系，根据所述拟合关系获取目标时间点的预测值。
9.一种监测装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现如权利要求1至7任一所述的监测方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的监测方法。
CN201910762757.7A 2019-08-19 2019-08-19 监测方法、装置和存储介质 Pending CN110595535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910762757.7A CN110595535A (zh) 2019-08-19 2019-08-19 监测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910762757.7A CN110595535A (zh) 2019-08-19 2019-08-19 监测方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN110595535A true CN110595535A (zh) 2019-12-20

Family

ID=68854909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910762757.7A Pending CN110595535A (zh) 2019-08-19 2019-08-19 监测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110595535A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462794A (zh) * 2014-11-26 2015-03-25 北京金水永利科技有限公司 一种基于对比统计分析发现环境监测异常数据的算法
CN104504442A (zh) * 2014-12-30 2015-04-08 湖南强智科技发展有限公司 神经网络优化方法
CN104536828A (zh) * 2014-12-26 2015-04-22 湖南强智科技发展有限公司 基于量子粒子群算法的云计算的任务调度方法和系统
CN105139585A (zh) * 2015-07-29 2015-12-09 同济大学 一种土质边坡险情智能预警预报方法
CN105403251A (zh) * 2015-12-07 2016-03-16 小米科技有限责任公司 室内环境预警的方法及装置
CN107368678A (zh) * 2017-07-13 2017-11-21 珠海高凌信息科技股份有限公司 离群判断方法及装置
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN108269189A (zh) * 2017-07-05 2018-07-10 中国中投证券有限责任公司 指标数据监控方法、装置、存储介质和计算机设备
CN109145257A (zh) * 2018-09-07 2019-01-04 国网湖南省电力有限公司 一种基于多测点公共异常时间的大坝安全监测分析方法
CN110009160A (zh) * 2019-04-11 2019-07-12 东北大学 一种基于改进的深度信念网络的电力价格预测方法
CN110070690A (zh) * 2019-05-13 2019-07-30 上海荷福人工智能科技（集团）有限公司 一种基于深度学习的智能消防分级预警方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462794A (zh) * 2014-11-26 2015-03-25 北京金水永利科技有限公司 一种基于对比统计分析发现环境监测异常数据的算法
CN104536828A (zh) * 2014-12-26 2015-04-22 湖南强智科技发展有限公司 基于量子粒子群算法的云计算的任务调度方法和系统
CN104504442A (zh) * 2014-12-30 2015-04-08 湖南强智科技发展有限公司 神经网络优化方法
CN105139585A (zh) * 2015-07-29 2015-12-09 同济大学 一种土质边坡险情智能预警预报方法
CN105403251A (zh) * 2015-12-07 2016-03-16 小米科技有限责任公司 室内环境预警的方法及装置
CN108269189A (zh) * 2017-07-05 2018-07-10 中国中投证券有限责任公司 指标数据监控方法、装置、存储介质和计算机设备
CN107368678A (zh) * 2017-07-13 2017-11-21 珠海高凌信息科技股份有限公司 离群判断方法及装置
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN109145257A (zh) * 2018-09-07 2019-01-04 国网湖南省电力有限公司 一种基于多测点公共异常时间的大坝安全监测分析方法
CN110009160A (zh) * 2019-04-11 2019-07-12 东北大学 一种基于改进的深度信念网络的电力价格预测方法
CN110070690A (zh) * 2019-05-13 2019-07-30 上海荷福人工智能科技（集团）有限公司 一种基于深度学习的智能消防分级预警方法及系统

Similar Documents

Publication Publication Date Title
CN110531030B (zh) 一种基于物联网大数据大气污染物分析的方法及装置
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN111897318A (zh) 基于无人船的水体污染智能调查方法及装置
CN113138865A (zh) 环境监测方法、系统、平台以及存储介质
CN111080775A (zh) 一种基于人工智能的服务器巡检方法及系统
CN115185292B (zh) 基于地空一体化的空气污染智能监测方法及平台
CN108051547A (zh) 一种具有实时预警功能的空气质量监控系统
CN110595968B (zh) 一种基于静止轨道卫星的pm2.5浓度估算方法
CN115376269B (zh) 一种基于无人机的火灾监控系统
CN112775970A (zh) 一种巡检机器人多传感器系统及巡检方法
CN113284144A (zh) 一种基于无人机的隧道检测方法及装置
CN116026778B (zh) 一种基于天空地的园区碳排放综合监控系统和方法
CN111275951A (zh) 一种信息处理方法、装置、设备及计算机存储介质
CN110595960A (zh) 一种基于机器学习的pm2.5浓度遥感估算方法
CN109631998A (zh) 用于环境人工智能监测系统及环境人工智能监测方法
CN110703760A (zh) 一种用于安防巡检机器人的新增可疑物体检测方法
CN113727214A (zh) 大气污染的巡查方法、装置、设备及存储介质
CN209858530U (zh) 一种天空地一体化大气监测系统
CN117131369B (zh) 智慧安全管理与应急救援一体站的数据处理方法及系统
CN110220851A (zh) 一种基于无人机的大气污染排放检测方法及系统
CN110595535A (zh) 监测方法、装置和存储介质
CN112926415A (zh) 一种行人避让系统和行人监测方法
CN117437470A (zh) 一种基于人工智能的火灾危险等级评估方法及系统
Chang et al. Safety risk assessment of electric power operation site based on variable precision rough set
CN116225070A (zh) 一种基于无人机自动巡护的环境监测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220