CN111310970A - 一种环境参数实时预测方法、终端设备及存储介质 - Google Patents
一种环境参数实时预测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111310970A CN111310970A CN202010045046.0A CN202010045046A CN111310970A CN 111310970 A CN111310970 A CN 111310970A CN 202010045046 A CN202010045046 A CN 202010045046A CN 111310970 A CN111310970 A CN 111310970A
- Authority
- CN
- China
- Prior art keywords
- time
- environmental data
- data
- moment
- model
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 4
- 239000003570 air Substances 0.000 description 12
- 238000012806 monitoring device Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000126 substance 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
- 206010011224 Cough Diseases 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- -1 formaldehyde, benzene series Chemical class 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003905 indoor air pollution Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种环境参数实时预测方法、终端设备及存储介质,该方法中包括:S1:接收t时刻的环境数据,并进行归一化处理,初始化设定变量a=1,预测次数A;S2:将归一化处理后的t时刻的环境数据输入环境数据预测模型,将模型输出作为t+a*T时刻的输出结果;S3:将t+a*T时刻的输出结果进行反归一化处理得到t+a*T时刻的环境数据;S4:将t+a*T时刻的输出结果输入环境数据预测模型,将模型输出作为t+(a+1)*T时刻的输出结果;S5:将t+(a+1)*T时刻的输出结果进行反归一化处理得到t+(a+1)*T时刻的环境数据;S6:判断a<A是否成立,如果成立,设定a=a+1,返回S4;否则,结束。本发明通过机器学习算法和实际监测到的环境数据对无法实时监测时刻的环境数据进行预测,实现环境数据实时监测的目的。
Description
技术领域
本发明涉及环境检测领域,尤其涉及一种环境参数实时预测方法、终端设备及存储介质。
背景技术
随着现代社会工业与交通业的进步,社会生产力空前发展,工业烟尘和车辆尾气的排放严重超越了大自然的净化能力,对环境造成了不可恢复的影响,随之带来的是空气污染问题愈发严重,给人们的健康带来了很大危害。尤其是PM2.5、二氧化硫、二氧化氮,以及室内的甲醛、苯系物等空气污染对人类健康的影响较大。其中PM2.5,又称细颗粒物、细粒、细颗粒,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。其与其他的大气颗粒物相比,PM2.5粒径小,面积大,活性强,易附带有毒、有害物质。并因其直径较小容易直接进入人体,而且无法通过打喷嚏、咳嗽、吐痰等方式排出,会沉积在体内,极易诱发各种严重疾病。
随着生活水平的提高,人们对空气质量的要求也越来越高,人们希望实时掌握室内外的空气质量状况,并以此来安排自己的出行、锻炼等活动。然而,市面上已有的大多数空气质量检测设备,虽然集成了众多传感器,可以实现对空气中有害物质的检测,但检测周期较长不能实时监测。
发明内容
为了解决上述问题,本发明提出了一种环境参数实时预测方法、终端设备及存储介质。
具体方案如下:
一种环境参数实时预测方法,包括以下步骤:
S1:接收t时刻的环境数据,并进行归一化处理,初始化设定变量a=1,预测次数A;
S2:将归一化处理后的t时刻的环境数据输入环境数据预测模型,将模型输出作为t+a*T时刻的输出结果,T表示时间周期;
S3:将t+a*T时刻的输出结果进行反归一化处理得到t+a*T时刻的环境数据;
S4:将t+a*T时刻的输出结果输入环境数据预测模型,将模型输出作为t+(a+1)*T时刻的输出结果;
S5:将t+(a+1)*T时刻的输出结果进行反归一化处理得到t+(a+1)*T时刻的环境数据;
S6:判断a<A是否成立,如果成立,设定a=a+1,返回S4;否则,结束。
进一步的,环境数据预测模型通过下列步骤训练得到:
S21:以时间周期T为采样周期采集一段时间内的环境数据;
S22:对采集的环境数据中的缺失值进行补全;
S23:剔除环境数据中的异常值;
S24:对环境数据进行归一化处理后组成训练集;
S25:构建BP神经网络模型,通过训练集对BP神经网络模型进行训练,将训练集中不同时刻的数据分别输入BP神经网络模型,通过迭代训练调整BP神经网络模型的参数,使得模型的输出结果与该数据对应的一个时间周期T之后的数据的差值最小,将训练后的BP神经网络模型作为环境数据预测模型。
进一步的,步骤S22中的缺失值补全方法采用MissForest方法。
进一步的,环境数据包括温度、湿度和气压,三者中的异常值通过曲线拟合方式剔除。
一种环境参数实时预测终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,通过机器学习算法和实际监测到的环境数据对无法实时监测时刻的环境数据进行预测,实现环境数据实时监测的目的。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
现有的环境参数监测装置的监测周期均较长,如一般约为30-60秒才能测得一次空气污染浓度值,导致不能实时监测人体周围空气污染情况。针对此现象,本实施例提供了一种环境参数实时预测方法,采用机器学习技术,结合环境参数监测装置实际监测到的环境数据,对未实时监测到的时刻的环境数据进行预测,实现实时监控的目的。如图1所示,下面针对的具体应用对本方法的步骤进行说明。
假设环境参数监测装置的检测周期为T1,实际需要得到的环境数据的时间周期为T,则当每次接收到环境参数监测装置实际监测到的实际数据后,进行以下步骤的操作来对实际需要的时间周期T内的环境数据进行预测。
S1:接收t时刻环境参数监测装置实际监测到的环境数据,并进行归一化处理,初始化设定变量a=1,预测次数A。
预测次数A用于判断检测周期为T1内包含多少个实际需要的时间周期T,其值根据检测周期为T1和实际需要的时间周期T来决定,通常来说A=[T1/T]。
由于环境数据中包含多个环境参数对应的数据,引起其在各维度数据间的数量级具有差别,为了避免网络模型的输入变量的不同数量级直接影响权值的确定、加法器的计算结果以及最终的预测结果,造成网络预测误差较大,该实施例中对不同环境参数对应的数据进行归一化处理,均处理为[0,1]之间的值。
归一化处理采用的算法为现有的min-max标准化(Min-Max Normalization)算法,即采用下式进行转换:
其中,xi表示第i个数据,xmax和xmin分别表示所有数据中的最大值和最小值,x表示xi进行归一化处理后的结果。
例如:最高温度为42,最低温度为-3,则根据公式可得出归一化前后的温度数据如表1所示。
表1
原始数据(℃) | 归一化后 |
20 | 0.511 |
21 | 0.533 |
22 | 0.556 |
23 | 0.578 |
S2:将归一化处理后的t时刻的环境数据输入环境数据预测模型,将模型输出作为t+a*T时刻的输出结果,T表示时间周期,本领域技术人员可以自行设定。
环境数据预测模型用于根据T时刻之前的环境数据预测T时刻之后的环境数据,该实施例中通过下列步骤训练得到:
S21:以时间周期T为采样周期采集一段时间内的环境数据。
该实施例中设定的时间周期T为5秒,环境参数包括8种,采集的环境数据如表2所示。
表2
S22:对采集的环境数据中的缺失值进行补全。
由于采集的环境数据由于特殊的情况可能会出现缺失值(N/A值),为了保证结果的可靠性,该实施例中还包括对缺失值进行补全。
常见的缺失值补全方法有个案剔除法、均值替代法、热卡补充法、回归替换法、多重替代法等。该实施例中采用R语言中的MissForest函数对缺失值进行补全。
S23:剔除环境数据中的异常值。
该实施例中,由于温度、湿度、气压三者的变化较为平缓,具有一定的规律性,一般不会出现突变,故温度、湿度、气压可以分别与时间轴拟合成平滑曲线,如果曲率过大或明显偏离则视为异常值。这样即可排除温度、湿度、气压三项数据的异常值。而另外五项数据由于本身离散程度过高,不考虑用曲线拟合的方法排除异常值,可以根据经验进行判定,如分别提取每项数据的最大值和最小值,根据数据是否出现阶跃和经验判断是否为异常值。
S24:对环境数据进行归一化处理后组成训练集。
归一化处理方式与步骤S1中的归一化处理方式相同。
S25:构建BP神经网络模型,通过训练集对BP神经网络模型进行训练,将训练集中不同时刻的数据分别输入BP神经网络模型,通过迭代训练调整BP神经网络模型的参数,使得模型的输出结果与该数据对应的一个时间周期T之后的数据的差值最小,将训练后的BP神经网络模型作为环境数据预测模型。
S3:将t+a*T时刻的输出结果进行反归一化处理得到t+a*T时刻的环境数据。
反归一化处理为上述归一化处理的相反过程,在反归一化问题中,假设反归一化预测结果的最大值和最小值基本近似于训练集的最大值和最小值,因此,其对应的xmax和xmin的值为归一化处理过程中确定的值,根据下式进行反归一化转换:
x′i=x*(xmax-xmin)+xmin
其中,x′i表示反归一化结果,x表示模型输出结果。
例如:数据反归一化可以得出的预测温度值如表3所示。
表3
模型预测数据 | 反归一化后(℃) |
0.4 | 15 |
0.5 | 19.5 |
0.55 | 21.75 |
0.6 | 24 |
S4:将t+a*T时刻的输出结果输入环境数据预测模型,将模型输出作为t+(a+1)*T时刻的输出结果。
S5:将t+(a+1)*T时刻的输出结果进行反归一化处理得到t+(a+1)*T时刻的环境数据。
S6:判断a<A是否成立,如果成立,设定a=a+1,返回S4;否则,结束。
本发明实施例一通过机器学习算法和实际监测到的环境数据对无法实时监测时刻的环境数据进行预测,实现环境数据实时监测的目的。
实施例二:
本发明还提供一种环境参数实时预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述环境参数实时预测终端设备可以是智能手环、智能手表、无线耳机及云端服务器等计算设备。所述环境参数实时预测终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述环境参数实时预测终端设备的组成结构仅仅是环境参数实时预测终端设备的示例,并不构成对环境参数实时预测终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述环境参数实时预测终端设备还可以包括环境参数监测装置、电源、开关、微型马达、微型扬声器和外壳,环境参数监测装置可以包括空气采样头、污染检测仪、温湿气压检测仪等,具体根据需要检测的环境参数进行设定。空气采样头用于采样空气,并将信号传输至空气检测仪,外壳将终端设备包含的其他组件均包裹在内,以保证防摔防尘,微型扬声器安装在外壳的上表面,接收处理器处理得到的实时环境数据并播报,同时微型马达进行震动以提醒用户。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述环境参数实时预测终端设备的控制中心,利用各种接口和线路连接整个环境参数实时预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述环境参数实时预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述环境参数实时预测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (6)
1.一种环境参数实时预测方法,其特征在于,包括以下步骤:
S1:接收t时刻的环境数据,并进行归一化处理,初始化设定变量a=1,预测次数A;
S2:将归一化处理后的t时刻的环境数据输入环境数据预测模型,将模型输出作为t+a*T时刻的输出结果,T表示时间周期;
S3:将t+a*T时刻的输出结果进行反归一化处理得到t+a*T时刻的环境数据;
S4:将t+a*T时刻的输出结果输入环境数据预测模型,将模型输出作为t+(a+1)*T时刻的输出结果;
S5:将t+(a+1)*T时刻的输出结果进行反归一化处理得到t+(a+1)*T时刻的环境数据;
S6:判断a<A是否成立,如果成立,设定a=a+1,返回S4;否则,结束。
2.根据权利要求1所述的环境参数实时预测方法,其特征在于:环境数据预测模型通过下列步骤训练得到:
S21:以时间周期T为采样周期采集一段时间内的环境数据;
S22:对采集的环境数据中的缺失值进行补全;
S23:剔除环境数据中的异常值;
S24:对环境数据进行归一化处理后组成训练集;
S25:构建BP神经网络模型,通过训练集对BP神经网络模型进行训练,将训练集中不同时刻的数据分别输入BP神经网络模型,通过迭代训练调整BP神经网络模型的参数,使得模型的输出结果与该数据对应的一个时间周期T之后的数据的差值最小,将训练后的BP神经网络模型作为环境数据预测模型。
3.根据权利要求2所述的环境参数实时预测方法,其特征在于:步骤S22中的缺失值补全方法采用MissForest方法。
4.根据权利要求2所述的环境参数实时预测方法,其特征在于:环境数据包括温度、湿度和气压,三者中的异常值通过曲线拟合方式剔除。
5.一种环境参数实时预测终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~4中任一所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~4中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045046.0A CN111310970A (zh) | 2020-01-16 | 2020-01-16 | 一种环境参数实时预测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010045046.0A CN111310970A (zh) | 2020-01-16 | 2020-01-16 | 一种环境参数实时预测方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310970A true CN111310970A (zh) | 2020-06-19 |
Family
ID=71147090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010045046.0A Pending CN111310970A (zh) | 2020-01-16 | 2020-01-16 | 一种环境参数实时预测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310970A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160097933A (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109242166A (zh) * | 2018-08-25 | 2019-01-18 | 中科绿建(天津)科技发展有限公司 | 一种基于多尺度深度神经网络的环境预测防控系统 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
-
2020
- 2020-01-16 CN CN202010045046.0A patent/CN111310970A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160097933A (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109242166A (zh) * | 2018-08-25 | 2019-01-18 | 中科绿建(天津)科技发展有限公司 | 一种基于多尺度深度神经网络的环境预测防控系统 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
CN104538041A (zh) | 异常声音检测方法及系统 | |
US10709353B1 (en) | Detecting a respiratory abnormality using a convolution, and applications thereof | |
US10709414B1 (en) | Predicting a respiratory event based on trend information, and applications thereof | |
CN103777623A (zh) | 实时控制系统管理 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN116300758A (zh) | 基于云计算的智能制造工业生产数据采集分析系统及方法 | |
US11696703B2 (en) | Digital stethoscope for detecting a respiratory abnormality and architectures thereof | |
CN113627461A (zh) | 一种基于pso-bp算法的带式输送机故障诊断方法、装置及设备 | |
CN109363660B (zh) | 基于bp神经网络的心率监测方法及服务器 | |
CN116306987A (zh) | 基于联邦学习的多任务学习方法及相关设备 | |
CN111310970A (zh) | 一种环境参数实时预测方法、终端设备及存储介质 | |
US10909322B1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
CN113496324A (zh) | 喷涂质量预测方法、装置、电子设备以及存储介质 | |
CN111275453A (zh) | 一种物联网设备的行业识别方法及系统 | |
CN113705074A (zh) | 一种化工事故风险预测方法及装置 | |
CN116156439B (zh) | 智能穿戴电子对讲交互系统 | |
US11914956B1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
CN107577203A (zh) | 智能婴儿推车控制方法、装置及系统 | |
CN111581425A (zh) | 一种基于深度学习的设备声音分类方法 | |
CN114462288B (zh) | 一种钠离子电池终端智能除尘方法及系统 | |
CN114266431B (zh) | 一种基于物联网的工业生产安全感知模型的构建方法 | |
CN115964649A (zh) | 一种室内燃气监测故障分析模型 | |
US10716534B1 (en) | Base station for a digital stethoscope, and applications thereof | |
US10702239B1 (en) | Predicting characteristics of a future respiratory event, and applications thereof |
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 |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |