CN110661845A - 一种基于物联网大数据的空间环境监测方法和系统 - Google Patents

一种基于物联网大数据的空间环境监测方法和系统 Download PDF

Info

Publication number
CN110661845A
CN110661845A CN201910765443.2A CN201910765443A CN110661845A CN 110661845 A CN110661845 A CN 110661845A CN 201910765443 A CN201910765443 A CN 201910765443A CN 110661845 A CN110661845 A CN 110661845A
Authority
CN
China
Prior art keywords
subset
feature vector
space environment
dimensional feature
urban
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
CN201910765443.2A
Other languages
English (en)
Other versions
CN110661845B (zh
Inventor
李杨
余恒兵
陈强
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.)
Chongqing Terminus Technology Co Ltd
Original Assignee
Chongqing Terminus 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 Chongqing Terminus Technology Co Ltd filed Critical Chongqing Terminus Technology Co Ltd
Priority to CN201910765443.2A priority Critical patent/CN110661845B/zh
Publication of CN110661845A publication Critical patent/CN110661845A/zh
Application granted granted Critical
Publication of CN110661845B publication Critical patent/CN110661845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了一种基于物联网大数据的空间环境监测方法，其中，所述空间环境监测方法包括：信息获取步骤，通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合；信息判定步骤，将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。本发明还提供了该方法的空间环境监测系统。本发明所述的一种基于物联网大数据的空间环境监测方法和系统，使得城市空间环境参数的采集和上传实现同步，提高了大数据分析的更新率和实时性，增强了分析的真实性。

Description

一种基于物联网大数据的空间环境监测方法和系统
技术领域
本发明涉及城市环境监测领域，特别涉及一种基于物联网大数据的空间环境监测方法和系统。
背景技术
在现代化的智慧城市系统中，对城市空间环境进行监测是实现城市数字化的基础环节，对城市空间的温度、湿度、空气污染物浓度、PM2.5浓度和紫外线强度等进行监测可以在城市天气预报、资源调度、节能、旅游等各方面发挥重要作用。
目前，为了进行空间环境监测，在城市空间范围内布设了监测位点，通过多功能传感器设备在每个监测位点测量多种类型的城市空间环境参数，然后通过物联网协议——例如LORA、ZigBee、NB-IoT等，将城市空间环境参数上传到后台的大数据服务器，从而进行大数据分析与显示。由于城市空间的广阔，为了保证数据的可靠性，就需要足够数量和密度的监测位点，例如一个大中型城市空间范围内可能需要布设数万个监测位点，这就给大数据服务器的分析带来一定困难：由于所涉及的监测位点的数量多且分布广泛，使得城市空间环境参数的采集和上传不容易实现同步，假设我们每10分钟进行一轮监测，由于传输中转和延迟等原因，全部监测位点完成本轮的数据采集和上传时间远远不止10 分钟；如果大数据服务器等待全部监测位点本轮监测的城市空间环境参数都就位后，再统一进行分析，就会导致每一轮都有较大的延迟时间，大数据分析的更新率和实时性将会明显降低。此外，如果采用对每个监测位点在获得最新上传的城市空间环境参数后，立即实时更新，按照每10分钟展开一轮分析，就可能导致每轮进行分析时采信的城市空间环境参数实际上存在较大的时间差，所述时间差的累积就会越来越大，比如当A位点每一轮采集和上传城市空间环境参数都比B位点要慢时，当每轮进行分析和显示的时候，A位点和B位点的城市空间环境参数实际的采集时间存在的时间差会越来越大，最终直接影响分析的真实性。
针对上述问题，本发明提供了一种基于物联网大数据的空间环境监测方法和系统，使得城市空间环境参数的采集和上传实现同步，能够提高大数据分析的更新率和实时性，并增强分析的真实性。
发明内容
(一)发明目的
为克服上述现有技术存在的至少一种缺陷，本发明提供了一种基于物联网大数据的空间环境监测方法和系统。不仅使得城市空间环境参数的采集和上传实现同步，而且提高了大数据分析的更新率和实时性，增强了分析的真实性。
(二)技术方案
作为本发明的第一方面，本发明公开了一种基于物联网大数据的空间环境监测方法，包括以下步骤：
信息获取步骤，通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合；
信息判定步骤，将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。
一种可能的实施方式中，所述信息获取步骤，采集所述监测位点分析窗口内的所述城市空间环境参数获得所述时变性特征向量。
一种可能的实施方式中，所述时变性特征向量包括：4维特征向量；设第n 个所述监测位点的M次测量获得的所述城市空间环境参数为Xn1,Xn2…XnM，则所述4维特征向量
Figure BDA0002171784620000031
Rn＝Max(Xn1,Xn2…XnM)-Min(Xn1,Xn2…XnM)；
Figure BDA0002171784620000032
其中
Figure BDA0002171784620000033
是Xn1,Xn2…XnM的均值；
Figure BDA0002171784620000034
一种可能的实施方式中，所述聚类包括：K-means算法；所述K-means算法的流程包括：
步骤1，随机地选择K个所述4维特征向量，每个所述4维特征向量初始地代表了一个所述子集合的中心；
步骤2，对剩余的每个所述4维特征向量，根据其与各子集合中心的向量距离，将它添加到所述向量距离最相近的所述子集合；
步骤3，重新计算每个所述子集合的4维特征向量在各个维度的平均值，并更新为新的子集合中心，新的子集合中心为新的4维特征向量，其在各个维度的维度值为本子集合中4维特征向量在各个维度的平均值；
步骤4，不断重复所述步骤2和所述步骤3，直至重复后子集合中心不再变化，则形成符合特定条件的所述若干子集合。。
一种可能的实施方式中，所述信息判定步骤，在所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，判定所述子集合的所述城市空间环境参数执行所述大数据分析。
作为本发明的第二方面，本发明公开了一种基于物联网大数据的空间环境监测系统，包括：
信息获取模块，用于通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合；
信息判定模块，用于将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。
一种可能的实施方式中，所述信息获取模块，用于采集所述监测位点分析窗口内的所述城市空间环境参数获得所述时变性特征向量。
一种可能的实施方式中，所述时变性特征向量包括：4维特征向量；设第n 个所述监测位点的M次测量获得的所述城市空间环境参数为Xn1,Xn2…XnM，则所述4维特征向量
Figure BDA0002171784620000041
Rn＝Max(Xn1,Xn2…XnM)-Min(Xn1,Xn2…XnM)；
Figure BDA0002171784620000042
是Xn1,Xn2…XnM的均值；
Figure BDA0002171784620000043
其中
Figure BDA0002171784620000044
是Xn1,Xn2…XnM的均值；
Figure BDA0002171784620000045
一种可能的实施方式中，信息获取模块执行的所述聚类包括：K-means算法；所述K-means算法包括：
随机地选择K个所述4维特征向量，每个所述4维特征向量初始地代表了一个所述子集合的中心；
对剩余的每个所述4维特征向量，根据其与各子集合中心的向量距离，将它添加到所述向量距离最相近的所述子集合；
重新计算每个所述子集合的4维特征向量在各个维度的平均值，并更新为新的子集合中心，新的子集合中心为新的4维特征向量，其在各个维度的维度值为本子集合中4维特征向量在各个维度的平均值；
不断重复直至重复后子集合中心不再变化，则形成符合特定条件的所述若干子集合。
一种可能的实施方式中，所述信息判定模块，用于在所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，判定所述子集合的所述城市空间环境参数执行所述大数据分析。
(三)有益效果
本发明提供的一种基于物联网大数据的空间环境监测方法和系统，由信息获取步骤通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将若干时变性特征向量组成多维度向量集合，从而根据该多维度向量集合进行聚类以此形成若干子集合；并由信息判定步骤将所述若干子集合中的每一子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与该子集合对应的更新率阈值进行对比，从而根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。不仅使得城市空间环境参数的采集和上传实现同步，而且提高了大数据分析的更新率和实时性，增强了分析的真实性。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
图1是本发明提供的一种基于物联网大数据的空间环境监测方法的流程图。
图2是本发明提供的一种基于物联网大数据的空间环境监测系统的结构示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，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。基于本发明中的实施例，本领域普通技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，均仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
下面参考图1详细描述本发明提供的一种基于物联网大数据的空间环境监测方法的第一实施例。如图1所示，本实施例提供的空间环境监测方法主要包括有：信息获取步骤和信息判定步骤。
信息获取步骤，通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合。所述监测位点可以设置多功能传感器设备；所述监测位点设置的多功能传感器设备可以测量多种类型的城市空间环境参数，比如可以测量城市温度、湿度、PM2.5 和紫外线等。对于城市空间环境参数的监测，可以在城市天气预报和旅游等方面发挥作用。
可将若干监测位点的时变性特征向量组成多维度向量集合，进而能够根据该多维度向量集合进行聚类以此形成若干子集合。
信息判定步骤，将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。可以为每一子集合设定对应的更新率阈值，从而使得每一子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与该子集合对应的更新率阈值进行对比。可以根据每一子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于或者低于该子集合对应的更新率阈值判定所述子集合的所述城市空间环境参数是否执行大数据分析；可以根据每一子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与该子集合对应的更新率阈值的比值判定所述子集合的所述城市空间环境参数是否执行大数据分析。
其中，所述信息获取步骤，采集所述监测位点分析窗口内的所述城市空间环境参数获得所述时变性特征向量。可以建立一个分析窗口，进而能够将所述监测位点最近的几次测量获得的城市空间环境参数纳入分析窗口内，从而获得所述监测位点分析窗口内城市空间环境参数的时变性特征向量。
其中，所述时变性特征向量包括：4维特征向量；设第n个所述监测位点的 M次测量获得的所述城市空间环境参数为Xn1,Xn2…XnM，则所述4维特征向量
Figure BDA0002171784620000071
Rn＝Max(Xn1,Xn2…XnM)-Min(Xn1,Xn2…XnM)；
Figure BDA0002171784620000081
其中
Figure BDA0002171784620000082
是Xn1,Xn2…XnM的均值；
根据第n个监测位点最近的M次测量获得的城市空间环境参数，计算出所述时变性特征向量(4维特征向量)，从而由所述若干监测位点的最近的M次测量获得的城市空间环境参数，计算出所述若干时变性特征向量(4维特征向量)。
其中，所述聚类包括：K-means算法；所述K-means算法的流程包括：步骤 1，随机地选择K个所述4维特征向量，每个所述4维特征向量初始地代表了一个所述子集合的中心；步骤2，对剩余的每个所述4维特征向量，根据其与各子集合中心的向量距离，将它添加到所述向量距离最相近的所述子集合；步骤3，重新计算每个所述子集合的4维特征向量在各个维度的平均值，并更新为新的子集合中心，新的子集合中心为新的4维特征向量，其在各个维度的维度值为本子集合中4维特征向量在各个维度的平均值；步骤4，不断重复所述步骤2和所述步骤3，直至重复后子集合中心不再变化，则形成符合特定条件的所述若干子集合。通过聚类可以将城市内的(若干监测位点的时变性特征向量组成的) 多维度向量集合聚合为2个或者更多的子集合；相同子集合内的监测位点提供的城市空间环境参数的时变性相近，而不同子集合内的监测位点提供的城市空间环境参数的时变性存在差别。
此外，所述聚类还包括合并的层次聚类和FCM模糊聚类等，在此不再介绍。
其中，所述信息判定步骤，在所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，判定所述子集合的所述城市空间环境参数执行所述大数据分析。当一个子集合中的监测位点的城市空间环境参数时变性比较高时(表现为Rn和Sn，Cn值比较大)，可以设定一个较高的更新率阈值；当一个子集合中的监测位点的城市空间环境参数时变性不高时，其设定的更新率阈值也相对比较低。当所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，可以说明该子集合内完成所述更新的监测位点的个数达到了一个值，符合大数据分析的条件，进而能够对所述子集合的所述城市空间环境参数执行所述大数据分析。
本发明由信息获取步骤通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将若干时变性特征向量组成多维度向量集合，从而根据该多维度向量集合进行聚类以此形成若干子集合；并由信息判定步骤将所述若干子集合中的每一子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与该子集合对应的更新率阈值进行对比，从而根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。不仅使得城市空间环境参数的采集和上传实现同步，而且提高了大数据分析的更新率和实时性，增强了分析的真实性。
下面参考图2详细描述本发明提供的一种基于物联网大数据的空间环境监测系统的第一实施例。如图2所示，本实施例提供的空间环境监测系统主要包括有：信息获取模块和信息判定模块。
信息获取模块，用于通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合；
信息判定模块，用于将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。
其中，所述信息获取模块，用于采集所述监测位点分析窗口内的所述城市空间环境参数获得所述时变性特征向量。
其中，所述时变性特征向量包括：4维特征向量；设第n个所述监测位点的 M次测量获得的所述城市空间环境参数为Xn1,Xn2…XnM，则所述4维特征向量
Figure BDA0002171784620000101
Rn＝Max(Xn1,Xn2…XnM)-Min(Xn1,Xn2…XnM)；
Figure BDA0002171784620000102
其中是Xn1,Xn2…XnM的均值；
Figure BDA0002171784620000104
其中，信息获取模块执行的所述聚类包括：K-means算法；所述K-means算法包括：
随机地选择K个所述4维特征向量，每个所述4维特征向量初始地代表了一个所述子集合的中心；
对剩余的每个所述4维特征向量，根据其与各子集合中心的向量距离，将它添加到所述向量距离最相近的所述子集合；
重新计算每个所述子集合的4维特征向量在各个维度的平均值，并更新为新的子集合中心，新的子集合中心为新的4维特征向量，其在各个维度的维度值为本子集合中4维特征向量在各个维度的平均值；
不断重复，直至重复后子集合中心不再变化，则形成符合特定条件的所述若干子集合。
其中，所述信息判定模块，用于在所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，判定所述子集合的所述城市空间环境参数执行所述大数据分析。
本发明由信息获取模块通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将若干时变性特征向量组成多维度向量集合，从而根据该多维度向量集合进行聚类以此形成若干子集合；并由信息判定模块将所述若干子集合中的每一子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与该子集合对应的更新率阈值进行对比，从而根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。不仅使得城市空间环境参数的采集和上传实现同步，而且提高了大数据分析的更新率和实时性，增强了分析的真实性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于物联网大数据的空间环境监测方法，其特征在于，包括：
信息获取步骤，通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合；
信息判定步骤，将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。
2.根据权利要求1所述的空间环境监测方法，其特征在于，所述信息获取步骤，采集所述监测位点分析窗口内的所述城市空间环境参数获得所述时变性特征向量。
3.根据权利要求1所述的空间环境监测方法，其特征在于，所述时变性特征向量包括：4维特征向量；设第n个所述监测位点的M次测量获得的所述城市空间环境参数为Xn1，Xn2…XnM，则所述4维特征向量
Figure FDA0002171784610000011
Rn＝Max(Xn1，Xn2…XnM)-Min(Xn1，Xn2…XnM)；
其中是Xn1，Xn2…XnM的均值；
4.根据权利要求3所述的空间环境监测方法，其特征在于，所述聚类包括：K-means算法；所述K-means算法的流程包括：
步骤1，随机地选择K个所述4维特征向量，每个所述4维特征向量初始地代表了一个所述子集合的中心；
步骤2，对剩余的每个所述4维特征向量，根据其与各子集合中心的向量距离，将它添加到所述向量距离最相近的所述子集合；
步骤3，重新计算每个所述子集合的4维特征向量在各个维度的平均值，并更新为新的子集合中心，新的子集合中心为新的4维特征向量，其在各个维度的维度值为本子集合中4维特征向量在各个维度的平均值；
步骤4，不断重复所述步骤2和所述步骤3，直至重复后子集合中心不再变化，则形成符合特定条件的所述若干子集合。
5.根据权利要求1所述的空间环境监测方法，其特征在于，所述信息判定步骤，在所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，判定所述子集合的所述城市空间环境参数执行所述大数据分析。
6.一种基于物联网大数据的空间环境监测系统，其特征在于，包括：
信息获取模块，用于通过采集若干监测位点的城市空间环境参数获得若干时变性特征向量，进而将所述若干时变性特征向量集合并聚类为若干子集合；
信息判定模块，用于将所述若干子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比与若干更新率阈值进行对比，并根据对比结果判定所述子集合的所述城市空间环境参数是否执行大数据分析。
7.根据权利要求6所述的空间环境监测系统，其特征在于，所述信息获取模块，用于采集所述监测位点分析窗口内的所述城市空间环境参数获得所述时变性特征向量。
8.根据权利要求1所述的空间环境监测系统，其特征在于，所述时变性特征向量包括：4维特征向量；设第n个所述监测位点的M次测量获得的所述城市空间环境参数为Xn1，Xn2…XnM，则所述4维特征向量
Figure FDA0002171784610000021
Rn＝Max(Xn1，Xn2…XnM)-Min(Xn1，Xn2…XnM)；
其中
Figure FDA0002171784610000023
是Xn1，Xn2…XnM的均值；
Figure FDA0002171784610000031
9.根据权利要求8所述的空间环境监测系统，其特征在于，信息获取模块执行的所述聚类包括：K-means算法；所述K-means算法包括：
随机地选择K个所述4维特征向量，每个所述4维特征向量初始地代表了一个所述子集合的中心；
对剩余的每个所述4维特征向量，根据其与各子集合中心的向量距离，将它添加到所述向量距离最相近的所述子集合；
重新计算每个所述子集合的4维特征向量在各个维度的平均值，并更新为新的子集合中心，新的子集合中心为新的4维特征向量，其在各个维度的维度值为本子集合中4维特征向量在各个维度的平均值；
不断重复，直至重复后子集合中心不再变化，则形成符合特定条件的所述若干子集合。
10.根据权利要求1所述的空间环境监测系统，其特征在于，所述信息判定模块，用于在所述子集合内完成所述城市空间环境参数的更新的所述监测位点所占的百分比高于所述子集合对应的所述更新率阈值时，判定所述子集合的所述城市空间环境参数执行所述大数据分析。
CN201910765443.2A 2019-08-19 2019-08-19 一种基于物联网大数据的空间环境监测方法和系统 Active CN110661845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910765443.2A CN110661845B (zh) 2019-08-19 2019-08-19 一种基于物联网大数据的空间环境监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910765443.2A CN110661845B (zh) 2019-08-19 2019-08-19 一种基于物联网大数据的空间环境监测方法和系统

Publications (2)

Publication Number Publication Date
CN110661845A true CN110661845A (zh) 2020-01-07
CN110661845B CN110661845B (zh) 2020-12-18

Family

ID=69037585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910765443.2A Active CN110661845B (zh) 2019-08-19 2019-08-19 一种基于物联网大数据的空间环境监测方法和系统

Country Status (1)

Country Link
CN (1) CN110661845B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955182A (zh) * 2014-04-11 2014-07-30 中国石油化工股份有限公司 安全运行监测与指导方法
CN105651336A (zh) * 2016-01-25 2016-06-08 无锡点创科技有限公司 一种污染源动态数据监控系统及方法
US20170102696A1 (en) * 2013-03-04 2017-04-13 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
CN108650309A (zh) * 2018-04-25 2018-10-12 深圳市创艺工业技术有限公司 一种基于大数据的农产品储运环境智能监控系统
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
CN109525956A (zh) * 2019-01-02 2019-03-26 吉林大学 无线传感网中基于数据驱动的分簇的节能的数据收集方法
CN109962982A (zh) * 2019-03-29 2019-07-02 中海生态环境科技有限公司 一种基于物联网的河湖水生态环境监控系统
CN110139299A (zh) * 2019-05-14 2019-08-16 鹰潭泰尔物联网研究中心 一种蜂窝网络中基站流量的聚类分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170102696A1 (en) * 2013-03-04 2017-04-13 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
CN103955182A (zh) * 2014-04-11 2014-07-30 中国石油化工股份有限公司 安全运行监测与指导方法
CN105651336A (zh) * 2016-01-25 2016-06-08 无锡点创科技有限公司 一种污染源动态数据监控系统及方法
CN108650309A (zh) * 2018-04-25 2018-10-12 深圳市创艺工业技术有限公司 一种基于大数据的农产品储运环境智能监控系统
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
CN109525956A (zh) * 2019-01-02 2019-03-26 吉林大学 无线传感网中基于数据驱动的分簇的节能的数据收集方法
CN109962982A (zh) * 2019-03-29 2019-07-02 中海生态环境科技有限公司 一种基于物联网的河湖水生态环境监控系统
CN110139299A (zh) * 2019-05-14 2019-08-16 鹰潭泰尔物联网研究中心 一种蜂窝网络中基站流量的聚类分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹平辉: "无线传感器网络安全及数据融合技术研究", 《中国博士学位论文全文数据库（电子期刊）》 *

Also Published As

Publication number Publication date
CN110661845B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN106407277B (zh) 一种基于车联网数据对车主驻留点聚类后的属性分析方法
WO2021051609A1 (zh) 细颗粒物污染等级的预测方法、装置及计算机设备
CN111310786B (zh) 基于随机森林分类器的交通检测器异常诊断方法及装置
Cai et al. Treepedia 2.0: applying deep learning for large-scale quantification of urban tree cover
CN109935080B (zh) 一种交通线路上的车流量实时计算的监测系统及方法
CN112418649B (zh) 基于多维mems惯性传感器的建筑楼梯人流量估计系统
CN104751478A (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
CN106652441A (zh) 一种基于时空数据的城市道路交通状态预测方法
CN110071692A (zh) 光伏组件故障判定方法、装置及控制器
CN115982602B (zh) 一种光伏变压器电故障检测方法
CN109615627B (zh) 一种输变电巡检图像质量评价方法及系统
CN113033957B (zh) 一种多模式降水预报及实时动态检验评估系统
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN108734337B (zh) 基于聚类中心修正的定制公交合乘站点生成方法
CN110930705B (zh) 一种路口交通决策系统、方法及设备
CN113335131B (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
CN116227752B (zh) 一种基于物联网的园区设施管理系统
CN111831430A (zh) 一种基于边缘计算的电力设备缺陷识别系统
CN112836720B (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
CN109525337A (zh) WiFi指纹获取方法、装置、存储介质以及设备
CN113163353A (zh) 一种电源车的智能健康服务系统及其数据传输方法
CN117390378B (zh) 一种双碳平台数据智能管理方法及系统
CN110661845B (zh) 一种基于物联网大数据的空间环境监测方法和系统
CN113159577B (zh) 基于群智感知的城市道路规划方法

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
GR01 Patent grant
GR01 Patent grant