CN111125194B - 应用于城市级清洁取暖的数据构造方法及装置 - Google Patents
应用于城市级清洁取暖的数据构造方法及装置 Download PDFInfo
- Publication number
- CN111125194B CN111125194B CN201911358257.3A CN201911358257A CN111125194B CN 111125194 B CN111125194 B CN 111125194B CN 201911358257 A CN201911358257 A CN 201911358257A CN 111125194 B CN111125194 B CN 111125194B
- Authority
- CN
- China
- Prior art keywords
- data
- dimension
- missing
- dimensions
- target
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims abstract description 15
- 230000001502 supplementing effect Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007619 statistical method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 27
- 239000013589 supplement Substances 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000013479 data entry Methods 0.000 claims description 7
- 230000009469 supplementation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于城市级清洁取暖的数据构造方法及装置,按照预设维度采集数据,获得初始数据;将各个维度的初始数据按照预设统计维度进行划分,并进行数据比对,获得各个维度的缺失数据;依据缺失数据的数据类型,利用与数据类型相匹配的数据处理方式,对缺失数据进行补充,获得初始目标数据;对初始目标数据按照应用维度进行统计分析,获得目标数据。由于在数据采集时的采集维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度,可以保证更加全面的数据来源,并且能够对缺失数据自动比对,保证数据的全面性和准确性,使得生成的目标数据实现了为城市清洁取暖提供准确合理的数据支持的目的。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种应用于城市级清洁取暖的数据构造方法及装置。
背景技术
在采暖季,通常采用集中供暖的方式保证室内温度。准确的城市级清洁取暖的基础数据是科学规划热泵供暖规模化应用的前提条件。
但是,目前北方地区各个城市普遍存在基础数据不准确,同类数据不一致,数据收集维度不全面等问题,从而导致热泵规模化应用时规划真实性及合理性出现偏差。
发明内容
针对于上述问题,本发明提供一种应用于城市级清洁取暖的数据构造方法及装置,基于重新构造应用于取暖的基础数据,实现了为城市清洁取暖提供准确合理的数据支持的目的。
为了实现上述目的,本发明提供了如下技术方案:
一种应用于城市级清洁取暖的数据构造方法,该方法包括:
按照预设维度采集数据,获得初始数据,所述预设维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度;
将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;
依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;
对所述初始目标数据按照应用维度进行统计分析,获得目标数据。
可选地,该方法还包括:确定数据采集维度,包括:
对历史清洁取暖数据进行分析,并获得历史数据采集维度;
对所述历史数据采集维度进行数据拟合,获得数据采集维度。
可选地,所述将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据,包括:
将各个维度的初始数据按照预设统计维度划分,得到各个统计维度对应的数据,所述统计维度包括时间维度、地域维度和方式维度;
对各个统计维度对应的数据进行数据差异分析,获得数据差异因素;
根据所述数据差异因素确定数据误差值;
若所述数据误差值大于预设极限值,剔除所述数据误差值对应的数据;
若所述数据误差值不大于预设极限值,获取该数据误差值对应维度的缺失数据。
可选地,所述依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据,包括:
若缺失数据的类型为录入缺失,对数据的录入方式进行筛查,确定错误数据格式,并获取与所述错误数据格式相匹配的数据,对所述数据进行修改,得到初始目标数据;
若缺失数据的类型为更新缺失,获取数据更新时间,依据所述数据更新事件对缺失数据进行数据补充,得到初始目标数据;
若缺失数据的类型为盲区数据,则获取与所述盲区数据相匹配的数据补充模型,依据所述数据补充模型获得补充数据,得到初始目标数据。
可选地,该方法还包括:
依据所述目标数据,生成目标数据库,所述目标数据库按照数据采集维度对所述目标数据进行存储;
基于实时监测获得的数据对所述目标数据库进行更新。
一种应用于城市级清洁取暖的数据构造装置,该装置包括:
采集单元,用于按照预设维度采集数据,获得初始数据,所述预设维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度;
比对单元,用于将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;
数据补充单元,用于依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;
统计单元,用于对所述初始目标数据按照应用维度进行统计分析,获得目标数据。
可选地,该装置还包括:维度确定单元,用于确定数据采集维度,所述维度确定包括:
数据分析子单元,用于对历史清洁取暖数据进行分析,并获得历史数据采集维度;
数据拟合子单元,用于对所述历史数据采集维度进行数据拟合,获得数据采集维度。
可选地,所述比对单元包括:
划分子单元,用于将各个维度的初始数据按照预设统计维度划分,得到各个统计维度对应的数据,所述统计维度包括时间维度、地域维度和方式维度;
差异分析子单元,用于对各个统计维度对应的数据进行数据差异分析,获得数据差异因素;
数值确定子单元,用于根据所述数据差异因素确定数据误差值;
第一判断单元,用于若所述数据误差值大于预设极限值,剔除所述数据误差值对应的数据;
第二判断单元,用于若所述数据误差值不大于预设极限值,获取该数据误差值对应维度的缺失数据。
可选地,所述数据补充单元包括:
第一补充子单元,用于若缺失数据的类型为录入缺失,对数据的录入方式进行筛查,确定错误数据格式,并获取与所述错误数据格式相匹配的数据,对所述数据进行修改,得到初始目标数据;
第二补充子单元,用于若缺失数据的类型为更新缺失,获取数据更新时间,依据所述数据更新事件对缺失数据进行数据补充,得到初始目标数据;
第三补充子单元,用于若缺失数据的类型为盲区数据,则获取与所述盲区数据相匹配的数据补充模型,依据所述数据补充模型获得补充数据,得到初始目标数据。
可选地,该装置还包括:
数据库生成单元,用于依据所述目标数据,生成目标数据库,所述目标数据库按照数据采集维度对所述目标数据进行存储;
数据更新单元,用于基于实时监测获得的数据对所述目标数据库进行更新。
相较于现有技术,本发明提供了一种应用于城市级清洁取暖的数据构造方法及装置,按照预设维度采集数据,获得初始数据;将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;对所述初始目标数据按照应用维度进行统计分析,获得目标数据。由于在数据采集时的采集维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度,可以保证更加全面的数据来源,并且能够对缺失数据自动比对,保证数据的全面性和准确性,使得生成的目标数据实现了为城市清洁取暖提供准确合理的数据支持的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种应用于城市级清洁取暖的数据构造方法的流程示意图;
图2为本发明实施例提供的一种应用于城市级清洁取暖的数据构造装置的结构示意图。
具体实施方式
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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种应用于城市级清洁取暖的数据构造方法,参见图1,该方法可以包括以下步骤:
S101、按照预设维度采集数据,获得初始数据。
所述预设维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度。
需要说明的是本发明中确定的数据采集维度,并不是根据经验直接确定的,而是通过对历史清洁取暖数据进行分析,获得历史数据采集维度;然后对历史数据采集维度进行数据拟合,获得的数据采集维度。
由于热泵供暖规模化应用初期存在数据不准确、不全面、不一致、不成体系等问题。首先对已有历史数据进行了处理的定标分析,数据的服务对象是热泵供暖规划的前提,同时数据的研究对象为城市级,因此,分类为人口数据、建筑面积、供暖比率、热源类型及面积四个维度。在确定这个四个维度时,按照清洁取暖规划目标涉及到的清洁取暖面积、户数等,根据城市现有数据进行拟合,发现户数可对应的人口数据,而清洁取暖面积的目标将取决于建筑面积、供暖比例,热源类型。
需要说明的是,在本申请实施例中获得了初始数据后,可以对初始数据进行进一步处理,该处理过程可以包括数据清洗过程和数据格式转换过程,数据清洗过程实现了对不符合后续处理方式的数据的剔除,或者对某些不完整数据进行补充,以及部分明显错误数据进行调整,如错别字或者单位换算错误等。数据格式转换是,将采集到的初始数据转换为同一的格式,如清洁取暖面积均采用同一面积单位。这样通过对数据的处理,可以使得初始数据更加便于后续的分析、处理和应用。
S102、将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据。
统一了数据采集维度后,按照上述维度进行数据采集得到初始数据。然后针对各个维度下的数据进行排查,实现对缺失数据的补充。为了能够提升数据排查的效率,可以先按照预设统计维度进行数据划分,对划分后的数据进行数据比对,以便获得各个维度的缺失数据。该缺失数据不仅可以针对数据不完整的情况,还可以针对数据表示不统一的情况,即该过程实现了对数据的核查,以便使得后续处理后的数据更加精准。
其中,在进行数据划分时的数据维度可以按照地理位置、时间顺序等方式进行划分。例如,将各个维度的数据按照地理位置分区,可发现各城市以区县为粒度下的缺失数据。
具体的,在本申请实施例提供了一种获取缺失数据的方式,包括:
将各个维度的初始数据按照预设统计维度划分,得到各个统计维度对应的数据,所述统计维度包括时间维度、地域维度和方式维度;
对各个统计维度对应的数据进行数据差异分析,获得数据差异因素;
根据所述数据差异因素确定数据误差值;
若所述数据误差值大于预设极限值,剔除所述数据误差值对应的数据;
若所述数据误差值不大于预设极限值,获取该数据误差值对应维度的缺失数据。
首先将数据按照维度进行划分,得到各个维度的数据,这样便于对数据进行评估和分析,然后依据历史对数据处理过程中的累计信息,对各个维度的对应的数据进行差异分析,即主要分析该数据与预设的标准数据存在的差异,然后获得差异因素,根据差异因素来确定数据误差值。在进行数据处理之前会设定一个预设的极限值,该极限值用来表征数据是否能够通过对缺失数据补充来使得该维度的数据满足后续的处理及应用需求。若数据误差值大于预设极限值,即使对该维度的数据进行缺失数据补充,由于其误差较大,再补充数据后,也无法弥补其数据之间存在的误差或者不准确性,则直接会对这部分数据进行剔除。后续可以重新采集该维度的数据。若误差值不大于预设极限值,可以通过对缺失数据的补充来实现对该维度的数据处理。即获取该维度的缺失数据,用于进行后续的数据补充。
在本申请实施例中可以通过数据误差值来判断对各个维度缺失数据补充的可行性,避免了即使补充数据也无法实现数据应用和处理的缺点。
S103、依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据。
在获得了缺失的数据后,需要根据缺失的数据类型采用与之对应的处理方式进行数据补充,这样可以使得补充后的数据更加精准,也更能满足实际需求。
例如,若缺失数据的类型为录入缺失,对数据的录入方式进行筛查,确定错误数据格式,并获取与所述错误数据格式相匹配的数据,对所述数据进行修改,得到初始目标数据;
若缺失数据的类型为更新缺失,获取数据更新时间,依据所述数据更新事件对缺失数据进行数据补充,得到初始目标数据;
若缺失数据的类型为盲区数据,则获取与所述盲区数据相匹配的数据补充模型,依据所述数据补充模型获得补充数据,得到初始目标数据。
下面对数据缺失查找和数据补充的过程进行具体说明。
统一数据采集维度后,针对各维度下的数据进行排查,形成数据库,同时将各维度的数据按地理位置分区,可获得各区县下缺失的数据,清点缺失的数据后可以通过数据调研的方式,也可以通过获取用户家中已安装的无线室温采集器的监测数据,即通过接入实时监测系统直接连接至各小区换热站,获取供热管网覆盖图,耗热量、供暖时间等多项数据信息。
对采集数据的来源进行核查,可以预先获知环保、能源、住建等不同职能部门存储的各城市供热相关数据,但是存在获取到不同部门相同类型的数据存在不一致的情况。将该不同来源的数据进行统计年代、统计地域边界、统计方式的详细核查,当数据存在差异时,分析存在差异的原因。如,可以根据历史数据呈现的分析态势,设定误差极限值,即超过该误差便为错误数据,可直接剔除,并记录数据差异原因,用于规避后续数据更新时同类失误情况的发生风险。
数据差异的原因主要包括:
针对数据录入产生的问题,首先需要判断采集到的数据是否为人工录入的方式,如果是,则需要获取录入方式,可分为输入法模糊预测判断错误导致数据录入错误,数据格式错误导致数据读取存储错误、数据存档后误操作导致数据改动等;可以将录入错误的数据直接进行剔除,以其他来源的一致数据为主。
针对数据更新不及时的问题,需要检查数据统计即存档的时间,是否间隔时间过长;核查不同来源数据统计时间,是否产生新数据未及时录入;若个别维度的部分数据或者数据录入部分进行录入的数据来源错误,直接剔除以大部分一致数据为主。针对统计方式错误,统计范围不全,统计对象不客观等,直接以调研数据为主。
针对无法采集到的数据,即遇到盲区数据时,如实地调研后仍无法补充的数据。获取与所述盲区数据相匹配的数据补充模型,依靠该模型进行数据补充。该数据补充模型为根据专家共识、经验数据创建的模型。也可以通过咨询相关领域专家、收集经验值,如,城区、县城、农村的人均建筑面积、户均人数、分散电供暖比例等数据作为参考数据进行缺失数据的补充。
S104、对所述初始目标数据按照应用维度进行统计分析,获得目标数据。
由于不同统计需求,对数据具体的要求会存在差异。因此为了能够使得生成的目标数据更加符合应用的需求,可以按照应用维度进行统计分析,从而获得目标数据。例如,可以根据不同应用维度对初始目标数据进行分类,以适应不同的应用需求;还可以设置各个应用维度的数据权重值,这样在将目标数据作为数据参考基础时,可以依据数据权重值确定不同维度的数据的影响比重。
需要说明的是,通过本发明的数据构造方法生成的目标数据,对于城市的其他各项规划也具有参考价值。如城市棚户区改造、新农村建设、滩区迁建规划、山区搬迁、危房改造等工作。
本发明提供了一种应用于城市级清洁取暖的数据构造方法,按照预设维度采集数据,获得初始数据;将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;对所述初始目标数据按照应用维度进行统计分析,获得目标数据。由于在数据采集时的采集维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度,可以保证更加全面的数据来源,并且能够对缺失数据自动比对,保证数据的全面性和准确性,使得生成的目标数据实现了为城市清洁取暖提供准确合理的数据支持的目的。
同时,在本发明通过对错误数据的重新调研测算、缺失数据的查找填补、盲区数据的估算、数据架构的重新整合,为清洁取暖的城市级数据进行了逻辑上的充分规划。该方法的可持续性较高,城市可以长期沿用该数据架构进行清洁取暖的专项记录、调控和治理。该方法的可适用性极高,不仅可以应用于不同城市的同类型技术规划,也可以应用于同一城市的不同规划工作,例如水务系统的管理、电力系统的管理、区域迁建的规划等等。该方法的可拓展性极高,可以将城市的其他技术加入该架构,从清洁取暖的科学规划拓展为城市各项智慧调控技术的集合。
需要说明的是,在该发明的实施例中还包括:依据所述目标数据,生成目标数据库,所述目标数据库按照数据采集维度对所述目标数据进行存储;基于实时监测获得的数据对所述目标数据库进行更新。即以数据库的方式对生成的目标数据进行存储,可以对数据库进行实时更新,以便能够实时提供精准的数据基础。
对应的,在本发明实施例中还提供了一种应用于城市级清洁取暖的数据构造装置,参见图2,该装置包括:
采集单元10,用于按照预设维度采集数据,获得初始数据,所述预设维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度;
比对单元20,用于将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;
数据补充单元30,用于依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;
统计单元40,用于对所述初始目标数据按照应用维度进行统计分析,获得目标数据。
可选地,该装置还包括:维度确定单元,用于确定数据采集维度,所述维度确定包括:
数据分析子单元,用于对历史清洁取暖数据进行分析,并获得历史数据采集维度;
数据拟合子单元,用于对所述历史数据采集维度进行数据拟合,获得数据采集维度。
可选地,所述比对单元包括:
划分子单元,用于将各个维度的初始数据按照预设统计维度划分,得到各个统计维度对应的数据,所述统计维度包括时间维度、地域维度和方式维度;
差异分析子单元,用于对各个统计维度对应的数据进行数据差异分析,获得数据差异因素;
数值确定子单元,用于根据所述数据差异因素确定数据误差值;
第一判断单元,用于若所述数据误差值大于预设极限值,剔除所述数据误差值对应的数据;
第二判断单元,用于若所述数据误差值不大于预设极限值,获取缺失数据。
可选地,所述数据补充单元包括:
第一补充子单元,用于若缺失数据的类型为录入缺失,对数据的录入方式进行筛查,确定错误数据格式,并获取与所述错误数据格式相匹配的数据,对所述数据进行修改,得到初始目标数据;
第二补充子单元,用于若缺失数据的类型为更新缺失,获取数据更新时间,依据所述数据更新事件对缺失数据进行数据补充,得到初始目标数据;
第三补充子单元,用于若缺失数据的类型为盲区数据,则获取与所述盲区数据相匹配的数据补充模型,依据所述数据补充模型获得补充数据,得到初始目标数据。
可选地,该装置还包括:
数据库生成单元,用于依据所述目标数据,生成目标数据库,所述目标数据库按照数据采集维度对所述目标数据进行存储;
数据更新单元,用于基于实时监测获得的数据对所述目标数据库进行更新。
本发明提供了一种应用于城市级清洁取暖的数据构造装置,采集单元按照预设维度采集数据,获得初始数据;比对单元将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;数据补充单元依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;统计单元对所述初始目标数据按照应用维度进行统计分析,获得目标数据。由于在数据采集时的采集维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度,可以保证更加全面的数据来源,并且能够对缺失数据自动比对,保证数据的全面性和准确性,使得生成的目标数据实现了为城市清洁取暖提供准确合理的数据支持的目的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种应用于城市级清洁取暖的数据构造方法,其特征在于,该方法包括:
按照预设维度采集数据,获得初始数据,所述预设维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度;
将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;
依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;
对所述初始目标数据按照应用维度进行统计分析,获得目标数据;
所述将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据,包括:
将各个维度的初始数据按照预设统计维度划分,得到各个统计维度对应的数据,所述统计维度包括时间维度、地域维度和方式维度;
对各个统计维度对应的数据进行数据差异分析,获得数据差异因素;
根据所述数据差异因素确定数据误差值;
若所述数据误差值大于预设极限值,剔除所述数据误差值对应的数据;
若所述数据误差值不大于预设极限值,获取该数据误差值对应维度的缺失数据。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:确定数据采集维度,包括:
对历史清洁取暖数据进行分析,并获得历史数据采集维度;
对所述历史数据采集维度进行数据拟合,获得数据采集维度。
3.根据权利要求1所述的方法,其特征在于,所述依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据,包括:
若缺失数据的类型为录入缺失,对数据的录入方式进行筛查,确定错误数据格式,并获取与所述错误数据格式相匹配的数据,对所述数据进行修改,得到初始目标数据;
若缺失数据的类型为更新缺失,获取数据更新时间,依据所述数据更新事件对缺失数据进行数据补充,得到初始目标数据;
若缺失数据的类型为盲区数据,则获取与所述盲区数据相匹配的数据补充模型,依据所述数据补充模型获得补充数据,得到初始目标数据。
4.根据权利要求1所述的方法,其特征在于,该方法还包括:
依据所述目标数据,生成目标数据库,所述目标数据库按照数据采集维度对所述目标数据进行存储;
基于实时监测获得的数据对所述目标数据库进行更新。
5.一种应用于城市级清洁取暖的数据构造装置,其特征在于,该装置包括:
采集单元,用于按照预设维度采集数据,获得初始数据,所述预设维度包括人口数据维度、建筑面积维度、供暖比率维度、热源类型及面积维度;
比对单元,用于将各个维度的初始数据按照预设统计维度进行划分,并对划分后的数据进行数据比对,获得各个维度的缺失数据;
数据补充单元,用于依据缺失数据的数据类型,利用与所述数据类型相匹配的数据处理方式,对所述缺失数据进行补充,获得初始目标数据;
统计单元,用于对所述初始目标数据按照应用维度进行统计分析,获得目标数据;
所述比对单元包括:
划分子单元,用于将各个维度的初始数据按照预设统计维度划分,得到各个统计维度对应的数据,所述统计维度包括时间维度、地域维度和方式维度;
差异分析子单元,用于对各个统计维度对应的数据进行数据差异分析,获得数据差异因素;
数值确定子单元,用于根据所述数据差异因素确定数据误差值;
第一判断单元,用于若所述数据误差值大于预设极限值,剔除所述数据误差值对应的数据;
第二判断单元,用于若所述数据误差值不大于预设极限值,获取该数据误差值对应维度的缺失数据。
6.根据权利要求5所述的装置,其特征在于,该装置还包括:维度确定单元,用于确定数据采集维度,所述维度确定包括:
数据分析子单元,用于对历史清洁取暖数据进行分析,并获得历史数据采集维度;
数据拟合子单元,用于对所述历史数据采集维度进行数据拟合,获得数据采集维度。
7.根据权利要求5所述的装置,其特征在于,所述数据补充单元包括:
第一补充子单元,用于若缺失数据的类型为录入缺失,对数据的录入方式进行筛查,确定错误数据格式,并获取与所述错误数据格式相匹配的数据,对所述数据进行修改,得到初始目标数据;
第二补充子单元,用于若缺失数据的类型为更新缺失,获取数据更新时间,依据所述数据更新事件对缺失数据进行数据补充,得到初始目标数据;
第三补充子单元,用于若缺失数据的类型为盲区数据,则获取与所述盲区数据相匹配的数据补充模型,依据所述数据补充模型获得补充数据,得到初始目标数据。
8.根据权利要求5所述的装置,其特征在于,该装置还包括:
数据库生成单元,用于依据所述目标数据,生成目标数据库,所述目标数据库按照数据采集维度对所述目标数据进行存储;
数据更新单元,用于基于实时监测获得的数据对所述目标数据库进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358257.3A CN111125194B (zh) | 2019-12-25 | 2019-12-25 | 应用于城市级清洁取暖的数据构造方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358257.3A CN111125194B (zh) | 2019-12-25 | 2019-12-25 | 应用于城市级清洁取暖的数据构造方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125194A CN111125194A (zh) | 2020-05-08 |
CN111125194B true CN111125194B (zh) | 2023-04-11 |
Family
ID=70502269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358257.3A Active CN111125194B (zh) | 2019-12-25 | 2019-12-25 | 应用于城市级清洁取暖的数据构造方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125194B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131213A (zh) * | 2020-10-20 | 2020-12-25 | 中国科学院新疆生态与地理研究所 | 一种野外调查数据采集的方法及装置、终端、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097403A (zh) * | 2019-05-08 | 2019-08-06 | 国网冀北电力有限公司秦皇岛供电公司 | 一种供暖需求的预测方法和预测系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8941652B1 (en) * | 2012-05-23 | 2015-01-27 | Google Inc. | Incremental surface hole filling |
US10867256B2 (en) * | 2015-07-17 | 2020-12-15 | Knoema Corporation | Method and system to provide related data |
CN108563770B (zh) * | 2018-04-20 | 2022-05-17 | 南京邮电大学 | 一种基于场景的kpi及多维度网络数据清洗方法 |
CN110275878B (zh) * | 2019-06-25 | 2021-08-17 | 北京达佳互联信息技术有限公司 | 业务数据检测方法、装置、计算机设备及存储介质 |
CN110348517B (zh) * | 2019-07-11 | 2022-08-19 | 四川长虹电器股份有限公司 | 一种基于大数据的清洁能源供暖系统报警分类预测方法 |
CN110389982A (zh) * | 2019-07-25 | 2019-10-29 | 东北师范大学 | 一种基于空气质量数据的时空模式可视分析系统及方法 |
CN110533316A (zh) * | 2019-08-26 | 2019-12-03 | 青岛建邦供应链股份有限公司 | 一种基于大数据的产品生命周期分析方法、系统及存储介质 |
-
2019
- 2019-12-25 CN CN201911358257.3A patent/CN111125194B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097403A (zh) * | 2019-05-08 | 2019-08-06 | 国网冀北电力有限公司秦皇岛供电公司 | 一种供暖需求的预测方法和预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111125194A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Degree-day based non-domestic building energy analytics and modelling should use building and type specific base temperatures | |
Li et al. | Modeling urban building energy use: A review of modeling approaches and procedures | |
Apreda et al. | A climate vulnerability and impact assessment model for complex urban systems | |
CN108701274B (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
US20160018835A1 (en) | System and method for virtual energy assessment of facilities | |
CN110929963A (zh) | 风速预测方法、装置以及存储介质 | |
CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
JP2009192329A (ja) | 配水管路の漏水診断装置及び漏水診断方法 | |
US20140371933A1 (en) | Electric power consumption management system and method | |
CN111125194B (zh) | 应用于城市级清洁取暖的数据构造方法及装置 | |
CN112668803B (zh) | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 | |
Oregi et al. | Automatised and georeferenced energy assessment of an Antwerp district based on cadastral data | |
JP2006011715A (ja) | 資源消費量の推定方法及び装置 | |
CN116933157A (zh) | 一种窃电检测方法 | |
KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
CN115600824A (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
KR100979408B1 (ko) | 에너지 절감을 위한 정보제공 시스템 및 그 방법 | |
CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
CN111344733B (zh) | 用于处理异构数据以确定时间和空间中的流入的设备和方法 | |
JP4032426B2 (ja) | 設備モデル作成方法及び設備モデル作成プログラム、建物モデル作成方法及び建物モデル作成プログラム、並びに、設備改修評価方法及び建物改修評価方法 | |
CN109559046A (zh) | 一种天然气发展影响因素评估方法和评估系统 | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
Masebinu et al. | A review on factors affecting municipal solid waste generation | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
Donnelly et al. | Short-term forecasting of nitrogen dioxide (NO 2) levels using a hybrid statistical and air mass history modelling approach |
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 |