CN111340095A - 基于深度学习的环境监测数据质量控制方法 - Google Patents
基于深度学习的环境监测数据质量控制方法 Download PDFInfo
- Publication number
- CN111340095A CN111340095A CN202010110924.2A CN202010110924A CN111340095A CN 111340095 A CN111340095 A CN 111340095A CN 202010110924 A CN202010110924 A CN 202010110924A CN 111340095 A CN111340095 A CN 111340095A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- quality control
- deep learning
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 117
- 238000003908 quality control method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000007613 environmental effect Effects 0.000 title claims description 22
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013441 quality evaluation Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000003912 environmental pollution Methods 0.000 abstract description 8
- 239000003344 environmental pollutant Substances 0.000 description 10
- 231100000719 pollutant Toxicity 0.000 description 10
- 238000012806 monitoring device Methods 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 239000003945 anionic surfactant Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Dispersion Chemistry (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供的一种基于深度学习的环境监测数据质量控制方法，包括以下步骤:S1.分析各监测数据之间的关系A、监测数据和污染区域非监测数据之间的关系B，根据分析出的关系A和/或关系B建立数据链；数据链中的数据为原始数据，原始数据包括监测数据和非监测数据；S2.通过原始数据，推导出质控参考数据；S3.将原始数据和质控参考数据使用深度学习的方式进行训练，得出数据质量评价模型；本发明可以实现在后续的环境污染分析中，选用正确率较高、偏离率较小的监测数据来进行分析，使监测数据对后续的环境污染分析有更好的指导意义。
Description
技术领域
本发明涉及数据处理方法领域，具体涉及一种基于深度学习的环境监测数据质量控制方法。
背景技术
为了进行环境保护，环境相关管理部门设置了各类监测站，用于对环境相关信息的数据收集，比如各种污染物的数据。但因为目前用于环境相关信息采集的采集设备精度不够高，以及环境情况突变性较强，时常会出现两台设备A和B，放在同一个区域内相隔几十米，在同时间进行监测，测得的数据都不完全一致；比如，对于大气污染物的监测，在紧靠其中一台采集设备A几米处突然飘来一股油烟，又很快飘走了，那么另一台设备B很有可能就因为没有监测到油烟，而使得监测数据和设备A差异比较大，但却不能简单的推断设备B的采集数据有错。这样，将设备A和设备B的数据同时传输到环境管理平台系统中，就可能会出现同一时间段某一个区域里，按采集的监测数据显示该区域即有污染物又没有污染物。这样对后续的环境污染分析指导意义不够。
发明内容
针对现有技术中的缺陷，本发明提供一种基于深度学习的环境监测数据质量控制方法，以解决现有技术中因为环境监测设备精度不够高、监测环境突变性较强，采集到的监测数据有相当程度误差，使用这些数据对后续环境污染分析的指导性不够好的技术问题。
本发明采用的技术方案是，一种基于深度学习的环境监测数据质量控制方法，包括以下步骤:
S1.分析各监测数据之间的关系A、监测数据和污染区域非监测数据之间的关系B，根据分析出的关系A和/或关系B建立数据链；数据链中的数据为原始数据，原始数据包括监测数据和非监测数据；
S2.通过原始数据推导出质控参考数据；
S3.将原始数据和质控参考数据使用深度学习的方式进行训练，得出数据质量评价模型。
进一步的，步骤S1中选用映射关系表或知识图谱建立数据链。
进一步的，步骤S1中选用知识图谱建立数据链，具体步骤包括：
S11.对环境监测数据和污染区域内的非监测数据通过数据库提取实体进行信息抽取；
S12.用三元组符号性描述实体之间的关系进行知识表示；
S13.使用实体对齐的方法进行知识融合得到数据链。
进一步的，步骤S1中监测数据包括用于反映环境污染情况的水质监测数据、空气质量监测数据、废弃物监测数据、噪声监测数据；污染区域非监测数据包括用于反映该区域内环境因素的人口数据、能耗数据、工厂生产时段数据。
进一步的，步骤S2中推导出质控参考数据的方法包括聚类算法和关联规则算法。
进一步的，聚类算法采用K-Means算法，具体包括以下步骤：
S21.设定数据链中的数据种类为3类，随机设置所述3类数据的中心点；
S22.计算每个数据点到每个中心点的距离，按距离最近原则进行分类；
S23.以每一类中某一个除中心点以外的任意一个数据点作为第二中心点，计算每个数据点到第二中心点的距离；
S24.重复步骤S23，当连续两次计算出的每个数据点到中心点的距离都一致时，完成聚类。
进一步的，步骤S3中使用深度学习时，将原始数据作为训练集，将质控参考数据作为验证集。
进一步的，步骤S3中得到的数据质量评价模型，评价对象包括原始数据的正确率、偏离率。
由上述技术方案可知，本发明的有益技术效果如下：
通过本发明技术方案得出的数据质量评价模型，可以评价原始数据的正确率和偏离率。在后续的环境污染分析中，可以选用正确率较高、偏离率较小的的监测数据来进行分析，排除正确率低、偏离率大的监测数据，使监测数据对后续的环境污染分析有更好的指导意义。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的方法流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例1
如图1所示，本发明提供一种基于深度学习的环境监测数据质量控制方法，包括以下步骤:
S1.分析各监测数据之间的关系A、监测数据和污染区域非监测数据之间的关系B，根据分析出的关系A和/或关系B建立数据链；数据链中的数据为原始数据，原始数据包括监测数据和非监测数据；
S2.通过原始数据推导出质控参考数据；
S3.将原始数据和质控参考数据使用深度学习的方式进行训练，得出数据质量评价模型。
下面对实施例1的工作原理作详细说明，本发明按以下步骤进行：
1.分析各监测数据之间的关系、监测数据和污染区域非监测数据之间的关系，建立数据链
环境监测数据有很多种，包括水质监测数据、空气质量监测数据、废弃物监测数据、噪声监测数据，等等。具体的，水质监测数据主要包含酸碱度、阴离子表面活性剂、重金属、微生物等；空气质量监测数据主要包含PM2.5、PM10、一氧化碳、氮氧化物、二氧化硫、臭氧等；废弃物监测数据主要包含污染物排放口的排污监测数据，废弃物的产生、贮存、处置、利用排放点的监测数据等；噪声监测数据主要包含噪声值、监测时段等。上述监测数据用于反映监测区域的环境污染情况。
上述各种监测数据从某种定义上来看，两两之间是有一定关系的，比如：在同一时间同一地点，使用同一台设备测得的PM2.5的值肯定是小于PM10的值，即PM10和PM2.5是包含和被包含的关系。同时，这些监测数据还与一些污染区域的非监测数据有一定的关系，比如，污染物排放口的排污监测数据与产生污染物生产过程的能耗成线性关系；产生污染物生产过程的能耗越大，说明该生产过程越长，那么产生的污染物就越多，污染物排放口的排污监测数据数值也就越大。污染区域非监测数据还包括用于反映该区域内环境因素的人口数据、能耗数据、工厂生产时段数据等，比如人口数据和水质监测数据有一定关系；工厂生产时段数据和噪声监测数据有一定关系。污染区域的非监测数据可以通过政府网站公布的官方数据得到，比如人口数据；也可以提取政府各职能部门管理系统中的数据，比如某工厂的能耗数据可以通过供电局的系统中提取出来。
本实施例中，可以选用映射关系表或者构建知识图谱的方式，来分析数据与数据之间的关系，形成数据链。数据链是指一条条互通数据的链路组成的一张数据网。在这个数据网中，每个网节点就是一个数据，两个数据之间的链路就表示这两个数据之间的某一种关系。数据链中的数据既有监测数据，又有污染区域的非监测数据。
使用映射关系表，一般是根据人的经验，将相互之间有关联的数据进行一一对应，通过映射关系表格形成数据链。
使用知识图谱的方式，主要按以下步骤实现：信息抽取、知识表示、知识融合。具体的，使用知识图谱工具，比如百度知识图谱，对环境监测数据和污染区域内的非监测数据通过数据库提取实体进行信息抽取，然后使用三元组符号性描述实体之间的关系进行知识表示，再使用实体对齐的方法进行知识融合，最后形成数据链。
在本实施中，选取时间周期为3～6个月的监测数据和污染区域非监测数据来建立数据链，这样得到是数据链偏差更小。形成数据链后，就得到了一张关于各种数据的关系网。在这个数据链中，将需要进行质量控制、判断正确率、偏离率的数据定为原始数据。原始数据为多个，各原始数据中均包括有监测数据和非监测数据。
2.通过原始数据，推导出质控参考数据
通过第1步得到的原始数据，在实际使用时，可能出现数据不正确或数据与标准值有偏离的情况，对后续的环境分析工作会带来影响。为解决正确率、偏移率的问题，可通过原始数据推导出质控参考数据。
通过原始数据推导出质控参考数据的方法，在本实施例中，以聚类算法和关联规则算法举例说明。为便于对实施例的理解，首先简要介绍目前环境监测数据出现疑似错误的问题分为哪3种情况。
第1种情况是两个监测数据之间的关系不符合常理，比如，在同一时间同一地点，使用同一台设备测得的PM2.5的值大于PM10的值，而实际情况是因PM10中包含了PM2.5，所以PM2.5的值肯定是小于PM10的值。第2种情况是监测数据和污染区域非监测数据之间的关系不符合常理。比如，排污口的监测量是废气排放量为100，但是从能耗监测的角度，8小时的理论废气排放量应该为300，从而可以推出排污口的监测量数据可能有问题。第3种情况是因监测设备出现故障、监测时间段不一致等原因使得多个监测数据之间有冲突。比如：某一个地点有3台监测设备，在同一时间段，3台监测设备对于同一个指标的监测数据不一致，比如第1台为80，第二台为100，第三台为120。在这里不好分辨说哪一台一定是对的，哪一台一定是错的，因为不同监测设备的精度不完全一致。但可以进行二次特征提取，二次特征为监测数据的变化规律，对于同一台设备，这个变化规律是恒定的；比如设备A的监测数据相对于平均值始终是上浮10～15％，而这一次设备A的监测数据上浮了30％，那就说明设备A的监测数据可能有问题。
使用聚类算法对数据链中疑似有问题的原始数据进行分类时，选取原始数据之间对应关系作为特征量，根据原始数据之间对应关系的不同来进行分类。原始数据之间的关系包括：两个监测数据之间的关系不符合常理、监测数据和污染区域非监测数据之间的关系不符合常理、多个监测数据之间有冲突这3大类。在本实施例中，使用K-Means聚类算法进行分类。具体的，首先设定数据的种类为4类，包括1种数据正常的情况和3种数据异常的情况，随机设置这4类数据的中心点；然后计算每个数据点到每个中心点的距离，数据点距离哪个中心点最近就划分到哪一类中；再以每一类中某一个除中心点以外的任意一个数据点作为新的中心点，重复计算每个数据点到新的中心点的距离；比如每个数据点到第二中心点、第三中心点、第N中心点的距离。当连续两次计算出的每个数据点到中心点的距离都一致时，完成聚类；说明该中心点在前后两次的计算过程中都是同一个中心点，这样就找到了每一类数据的中心点，完成了聚类。
通过聚类算法，将数据链种的原始数据分为4个大类，其中有1类是数据正常的情况，另外3类是数据异常的情况。在数据正常的一大类种，原始数据种的监测数据和非监测数据是有一定的关系的，通过算法，比如关联规则算法，可以得出监测数据和非监测数据之间的关系。然后根据这种关系，对于另外3类是数据异常的情况，使用原始数据中的监测数据和非监测数据，推导出一个数据，这个数据是一个理想数据，即在正常情况下，当有某一些监测数据和非监测数据时，应该得到的数据是什么样的，定义该数据为质控参考数据。这样，使用聚类算法和关联规则算法，就通过原始数据推导出了数据异常情况下，原始数据所对应的质控参考数据。
3.将原始数据和质控参考数据使用深度学习的方式进行训练，得出数据质量评价模型
将按步骤2方法分成3大类的疑似有问题的原始数据，按类别的不同分别分成3个训练集，将质控参考数据作为验证集，使用深度学习的方法进行训练。通过深度学习训练得到的模型，就可以得出数据链中疑似有问题的原始数据的与质控参考数据的关系是怎么样的。比如：通过训练后的模型，可以学得某一个监测站点的监测数据如果有偏差，偏差到达多少就是有问题的，偏差在哪个范围内就是没问题的。这样，通过深度学习方法训练出来的模型，就可以判断出哪些原始数据是有问题的。在得到的数据质量评价模型中，评价对象包括原始数据的正确率、偏离率。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种基于深度学习的环境监测数据质量控制方法，其特征在于,包括以下步骤:
S1.分析各监测数据之间的关系A、监测数据和污染区域非监测数据之间的关系B，根据分析出的关系A和/或关系B建立数据链；所述数据链中的数据为原始数据，所述原始数据包括监测数据和非监测数据；
S2.通过所述原始数据推导出质控参考数据；
S3.将所述原始数据和所述质控参考数据使用深度学习的方式进行训练，得出原始数据质量评价模型。
2.根据权利要求1所述一种基于深度学习的环境监测数据质量控制方法，其特征在于:所述步骤S1中选用映射关系表或知识图谱建立数据链。
3.根据权利要求2所述一种基于深度学习的环境监测数据质量控制方法，其特征在于，所述步骤S1中选用知识图谱建立数据链，具体步骤包括：
S11.对环境监测数据和污染区域内的非监测数据通过数据库提取实体进行信息抽取；
S12.用三元组符号性描述实体之间的关系进行知识表示；
S13.使用实体对齐的方法进行知识融合得到数据链。
4.根据权利要求1所述一种基于深度学习的环境监测数据质量控制方法，其特征在于：步骤S1中所述监测数据包括用于反映环境污染情况的水质监测数据、空气质量监测数据、废弃物监测数据、噪声监测数据；所述污染区域非监测数据包括用于反映该区域内环境因素的人口数据、能耗数据、工厂生产时段数据。
5.根据权利要求1所述一种基于深度学习的环境监测数据质量控制方法，其特征在于：所述步骤S2中推导出质控参考数据的方法包括或聚类算法和关联规则算法。
6.根据权利要求5所述一种基于深度学习的环境监测数据质量控制方法，其特征在于：所述聚类算法采用K-Means算法，具体包括以下步骤：
S21.设定数据链中的数据种类为3类，随机设置所述3类数据的中心点；
S22.计算每个数据点到每个中心点的距离，按距离最近原则进行分类；
S23.以每一类中某一个除中心点以外的任意一个数据点作为第二中心点，计算每个数据点到第二中心点的距离；
S24.重复步骤S23，当连续两次计算出的每个数据点到中心点的距离都一致时，完成聚类。
7.根据权利要求1所述一种基于深度学习的环境监测数据质量控制方法，其特征在于：所述步骤S3中使用深度学习时，将所述原始数据作为训练集，将所述质控参考数据作为验证集。
8.根据权利要求1所述一种基于深度学习的环境监测数据质量控制方法，其特征在于：所述步骤S3中得到的数据质量评价模型，评价对象包括原始数据的正确率、偏离率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110924.2A CN111340095A (zh) | 2020-02-21 | 2020-02-21 | 基于深度学习的环境监测数据质量控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110924.2A CN111340095A (zh) | 2020-02-21 | 2020-02-21 | 基于深度学习的环境监测数据质量控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340095A true CN111340095A (zh) | 2020-06-26 |
Family
ID=71181908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010110924.2A Pending CN111340095A (zh) | 2020-02-21 | 2020-02-21 | 基于深度学习的环境监测数据质量控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340095A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610799A (zh) * | 2022-05-11 | 2022-06-10 | 未名环境分子诊断（常熟）有限公司 | 基于环境监测的数据处理方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
| CN105046075A (zh) * | 2015-07-10 | 2015-11-11 | 中国农业大学 | 水坝质量监测数据的分析处理方法及装置 |
| KR101595961B1 (ko) * | 2014-10-22 | 2016-02-22 | 충북대학교 산학협력단 | 대용량 데이터에서 목표 데이터 예측을 위한 연관 분류 기법 |
| CN107480698A (zh) * | 2017-07-12 | 2017-12-15 | 广东旭诚科技有限公司 | 基于多个监测指标的质量控制方法 |
| CN109060023A (zh) * | 2018-08-08 | 2018-12-21 | 宇星科技发展(深圳)有限公司 | 一种微型环境监测的数据质控方法及系统 |
| CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
-
2020
- 2020-02-21 CN CN202010110924.2A patent/CN111340095A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020642A (zh) * | 2012-10-08 | 2013-04-03 | 江苏省环境监测中心 | 水环境监测质控数据分析方法 |
| KR101595961B1 (ko) * | 2014-10-22 | 2016-02-22 | 충북대학교 산학협력단 | 대용량 데이터에서 목표 데이터 예측을 위한 연관 분류 기법 |
| CN105046075A (zh) * | 2015-07-10 | 2015-11-11 | 中国农业大学 | 水坝质量监测数据的分析处理方法及装置 |
| CN107480698A (zh) * | 2017-07-12 | 2017-12-15 | 广东旭诚科技有限公司 | 基于多个监测指标的质量控制方法 |
| CN109060023A (zh) * | 2018-08-08 | 2018-12-21 | 宇星科技发展(深圳)有限公司 | 一种微型环境监测的数据质控方法及系统 |
| CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114610799A (zh) * | 2022-05-11 | 2022-06-10 | 未名环境分子诊断（常熟）有限公司 | 基于环境监测的数据处理方法、设备及存储介质 |
| CN114610799B (zh) * | 2022-05-11 | 2022-07-22 | 未名环境分子诊断（常熟）有限公司 | 基于环境监测的数据处理方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| CN110929743B (zh) | 基于时间序列关联与聚类分析的水质污染物变化监测系统 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN112181706B (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
| KR102549313B1 (ko) | 오염물질 배출수준 산정 시스템 및 방법 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN116228174B (zh) | 一种具有智能识别功能的印控仪管理方法 | |
| CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
| CN116468160A (zh) | 基于生产大数据的铝合金压铸件质量预测方法 | |
| CN116151621A (zh) | 一种基于数据分析的大气污染治理风险检测系统 | |
| CN111275136B (zh) | 基于小样本下的故障预测系统及其预警方法 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN114912787A (zh) | 一种企业危险废物瞒报漏报风险的智能评估方法 | |
| CN112365186A (zh) | 一种电力信息系统健康度评估方法及其评估系统 | |
| CN110426996B (zh) | 基于大数据及人工智能的环境污染监测方法 | |
| CN115688045A (zh) | 一种污染源数据融合分析方法 | |
| CN111340095A (zh) | 基于深度学习的环境监测数据质量控制方法 | |
| CN115994046A (zh) | 一种用于设备巡检的高精度识别方法及系统 | |
| CN116645007A (zh) | 一种基于多维数据采集的环境评价方法及系统 | |
| CN113295635A (zh) | 一种基于动态更新数据集的水质污染报警方法 | |
| CN115171362B (zh) | 一种面向重点区域防控的预警方法及系统 | |
| CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
| CN116523174A (zh) | 基于自组织神经网络的污水处理厂工况评估方法及系统 | |
| CN113628423B (zh) | 一种有害气体浓度监测报警系统 | |
| CN114818938A (zh) | 一种浓水利用节能型ro膜处理净水方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230601 Address after: No. 705, Unit 1, Building 3, No. 15, Wuke East 1st Road, Wuhou District, Chengdu City, Sichuan Province, 610000 Applicant after: Sichuan Wansi Sida Technology Co.,Ltd. Applicant after: Xie Guojin Address before: 5-1-10-1, Shidai Jincheng, No. 699, South Section 2, zangwei Road, Shuangliu District, Chengdu, Sichuan 610200 Applicant before: Xie Guoyu Applicant before: Liu Zhongyang |
|
| TA01 | Transfer of patent application right |