CN111414586A - 一种环境监测方法及系统 - Google Patents

一种环境监测方法及系统 Download PDF

Info

Publication number
CN111414586A
CN111414586A CN202010244600.8A CN202010244600A CN111414586A CN 111414586 A CN111414586 A CN 111414586A CN 202010244600 A CN202010244600 A CN 202010244600A CN 111414586 A CN111414586 A CN 111414586A
Authority
CN
China
Prior art keywords
real
data corresponding
time
time data
historical
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
CN202010244600.8A
Other languages
English (en)
Inventor
吴建伟
霍洪彦
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.)
Beijing Paide Science And Technology Development Co ltd
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Paide Science And Technology Development Co ltd
Beijing Research Center for Information Technology in Agriculture
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 Beijing Paide Science And Technology Development Co ltd, Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Paide Science And Technology Development Co ltd
Priority to CN202010244600.8A priority Critical patent/CN111414586A/zh
Publication of CN111414586A publication Critical patent/CN111414586A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提供一种环境监测方法及系统，该方法包括：获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；并判断当前时刻对应的实时数据是否异常；若判断获知当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取当前时刻对应的预测数据；根据当前时刻对应的预测数据，对目标环境进行监测。本发明实施例提供一种环境监测方法及系统，该方法能够在硬件环境传感器数据出现异常数据时，进行快速的错误数据判断和有效的数据纠错处理，提高传感器采集数据精度，保障数据的有效性和连续性，满足农业生产的需求。

Description

一种环境监测方法及系统
技术领域
本发明涉及农业技术领域，尤其涉及一种环境监测方法及系统。
背景技术
智慧果园是我国果树种植业的主要发展方向，是农业现代化的必由之路，而生长环境传感器又是智慧农业的关键技术之一。当前在果园生产种植中使用最广泛的一类是无线环境采集传感器，主要用于实时采集果树生长环境中的空气温湿度、土壤温湿度、光照、风速风向等环境参数，一般采用在果园内选择固定区域单点部署，由于大部分部署在野外，采用太阳能供电，传感器主要利用探针和检测电路对环境数据进行采集，经过传感器集成芯片进行数据转换和编码，然后通过无线传输设备直接传输到数据中心。这种传感器具有简便安全、测量精度高、快速准确、定点连续、自动化、数据传输率高等优点，因此在智慧果园种植、自动控制、自动灌溉中应用最为广泛。
现有技术中提出的结合卷积码技术和交织技术对无线传感器网络数据进行纠错的方法，需要在传感器节点上实现卷积交织及卷积编码纠错功能相类似，该方法完全在硬件设备上实现，受传感器所处环境影响比较大，适用范围窄，不能实时保证数据采集数据的准确请。
虽然现在传感器技术已经日渐成熟，集成芯片也有固定的外壳保护装置，但是由于采用太阳能供电，太阳能电池容量等因素，在遇到连续阴天无阳光环境下，设备供电不足，会导致设备出现数据不能连续上传等问题；
另外野外环境复杂，由于各种自然因素等原因，会造成传感器数据偶尔失真，出现较大的偏差，会给如自动灌溉、自动控制等农业生产带来很大的影响，严重的会造成数据误判，给生产带来损失。
发明内容
为了解决上述问题，本发明实施例提供一种环境监测方法及系统。
第一方面，本发明实施例提供一种环境监测方法，包括：
获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
优选地，所述根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常，具体包括：
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，通过类比法判断所述当前时刻对应的实时数据是否异常。
优选地，所述根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，通过类比法判断所述当前时刻对应的实时数据是否异常，具体包括：
根据所述传感器第一预设历史时间段内的若干历史数据，获取所述第一预设历史时间段内的平均值；
根据所述平均值和预设季节偏移量，获取基准区间值；
若所述当前时刻对应的实时数据和所述上一时刻对应的实时数据之间的差值小于所述基准区间值，则判断所述当前时刻对应的实时数据正常，否则，则判断所述当前时刻对应的实时数据错误。
优选地，所述监测模型通过如下方式获得：
获取第二预设历史时间段的若干历史数据；
若所述第二预设历史时间段的若干历史数据非平稳，通过一阶差分法对所述第二预设历史时间段进行平稳化处理，获取平稳化后的若干历史数据；
利用平稳化后的若干历史数据对ARMA初始模型进行训练，获取所述监测模型。
优选地，所述利用平稳化后的若干历史数据对ARMA初始模型进行训练，获取所述监测模型，具体包括：
根据平稳化后的若干历史数据的自相关函数和偏自相关函数，获取所述ARMA初始模型的阶数；
根据所述ARMA初始模型和阶数，获取所述监测模型。
优选地，还包括：
利用第三预设历史时间段的若干历史数据对所述监测模型进行验证。
优选地，所述监测模型通过如下方式获得：
获取第二预设历史时间段的若干历史数据；
利用所述第二预设历史时间段的若干历史数据对ARMA初始模型进行训练，获取所述监测模型。
第二方面，本发明实施例提供一种环境监测系统，包括：
采集模块，用于获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
异常模块，用于根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
预测模块，用于若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
监测模块，用于根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面加速分布式机器学习的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面加速分布式机器学习的方法的步骤。
本发明实施例提供的一种环境监测方法及系统，该方法能够在硬件环境传感器数据出现异常数据时，进行快速的错误数据判断和有效的数据纠错处理，提高传感器采集数据精度，保障数据的有效性和连续性，满足农业生产的需求。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种环境监测方法的流程图；
图2为本发明实施例提供的一种环境监测系统的结构示意图；
图3为本发明实施例提供的一种环境监测方法的应用场景示意图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、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清楚、完整地描述，显然，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。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。
图1为本发明实施例提供的一种环境监测方法的流程图，如图1所示，该方法包括：
S1，获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
S2，根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
S3，若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
S4，根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
本申请提出的传感器监测数据容错方法，其思路是：在数据接收端建立监测数据的容错机制，在传感器发生故障的时候，可通过监测模型预测实时数据，保证果园传感器采集的当前时刻对应的实时数据的准确性，提高利用实时数据进行自动控制设备的可靠性。
本方案采取的做法是，在数据接收端建立数据监听进程，监听进程接收到当前时刻对应的实时数据后，调用监测模型来判断当前时刻对应的实时数据是否正常，若实时数据正常，则实时数据正常存储；若实时数据异常，则调用监测模型对实时数据进行纠正，然后将纠正后的实时数据及纠正标志位特殊标记后进行存储。
本发明实施例中以对果园进行监测为例进行说明，在果园中合适的位置布置传感器，用来检测果园中的温度、湿度和阳光等数据，本发明实施例中以检测土壤湿度的传感器为例进行说明。
首先获取果园中采集到的当前时刻对应的实时数据，和该传感器上一时刻采集到的实时数据，然后根据这两个数据，来判断当前时刻对应的实时数据是否是正常的。一般而言，一段时间内传感器采集到的数据是具有一定规律的，如果某个数据突然的急剧增大或者急剧减小，那么这个数据就很有可能是异常的。因此，本发明实施例中根据当前时刻对应的实时数据和上一时刻对应的实时数据，来判断当前时刻对应的实时数据是否异常。
如果当前时刻对应的实时数据是异常的，则需要对当前时刻所采集的数据进行纠正，本发明实施例中通过监测模型来预测当前时刻的数据，并将预测数据作为当前时刻对应的实时数据，存储起来后，根据当前时刻对应的预测数据，将当前时刻对应的预测数据重新作为当前时刻对应的实时数据，根据存储的数据，对果园的环境进行监测。
具体地，本发明实施例中监测模型是通过样本数据和样本标签进行训练后得到，样本数据是从传感器过去采集到的实时数据中选取的，选取若干个历史样本时刻对应的实时数据作为样本数据，并以自相关函数和偏自相关函数为标签，以样本数据和样本标签对预设模型进行训练，得到监测模型。因此，监测模型能根据传感器过去采集的数据预测当前时刻的数据。
综上，本发明实施例提供一种环境监测方法，该方法能够在硬件环境传感器数据出现异常数据时，进行快速的错误数据判断和有效的数据纠错处理，提高传感器采集数据精度，保障数据的有效性和连续性，满足农业生产的需求。
在上述实施例的基础上，优选地，所述根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常，具体包括：
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，通过类比法判断所述当前时刻对应的实时数据是否异常。
具体地，本发明实施例中，通过类比法判断当前时刻对应的实时数据是否异常。
土壤湿度监测数据具有一定的稳定性及自身规律，本发明实施例通过类比法判断当前时刻对应的实时数据是否正常。
所谓类比法是由一类事物所具有的某种属性，可以推测与其类似的事物也应具有这种属性的推理方法。因此，本发明实施例中通过类比法来判断当前时刻对应的实时数据是否异常。
在上述实施例的基础上，优选地，所述根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，通过类比法判断所述当前时刻对应的实时数据是否异常，具体包括：
根据所述传感器第一预设历史时间段内的若干历史数据，获取所述第一预设历史时间段内的平均值；
根据所述平均值和预设季节偏移量，获取基准区间值；
若所述当前时刻对应的实时数据和所述上一时刻对应的实时数据之间的差值小于所述基准区间值，则判断所述当前时刻对应的实时数据正常，否则，则判断所述当前时刻对应的实时数据错误。
具体地，首先获取传感器第一预设历史时间段内的若干历史数据，第一预设历史时间段的具体取值可以根据实际需要进行确定，本发明实施例中，第一预设历史时间段为24h，首先获取传感器过去24h内采集的多个历史数据，并计算这些数据的平均值。
将该平均值加上预设季节偏移量得到基准区间值，预设季节偏移量通过对往年数据的大数据计算获得。计算当前时刻对应的实时数据和上一时刻对应的实时数据之间的差值，如果该差值小于基准区间值，则判断当前时刻对应的实时数据正常，反之，则判断当前时刻对应的实时数据错误。
在上述实施例的基础上上，优选地，所述监测模型通过如下方式获得：
获取第二预设历史时间段的若干历史数据；
若所述第二预设历史时间段的若干历史数据构成的时间序列是非平稳的，通过一阶差分法对所述第二预设历史时间段进行平稳化处理，获取平稳化后的若干历史数据；
利用平稳化后的若干历史数据对ARMA初始模型进行训练，获取所述监测模型。
具体地，监测模型通过如下方式获得：
首先采集第二预设历史时间段的多个历史数据，第二预设历史时间段的具体取值可以根据实际需要进行确定。
本方法选择顺义区某果园1台土壤湿度传感器2018年11月15日至2019年12月14日每小时1条土壤湿度监测数据进行模型预测，其中2018年11月15日至2019年11月31日的数据用于ARMA初始模型的训练，2019年12月1日至2019年12月14日的监测数据用于预测结果的验证。
模型预测之所以选择近1年的数据而没有选择更多年份的数据监测数据，是因为通过对近3年的数据进行分析发现，长时间的数据监测往往代表更长时间的影响因素及变化趋势，因此利用最近1年的监测数据预测结果比较准确。
本发明实施例中采用过去1年内传感器采集到的数据，这些数据组成时间序列，先判断这些时间序列是否平稳，如果不平稳，先通过一阶差分法对该时间序列进行平稳化处理，得到平稳化后的多个历史数据。
时间序列的平稳性是生成预测模型的首要条件，本申请对预测数据进行时间序列绘图，成原始数据时间序列，发现传感器监测的湿度传感器为非平稳序列，通过一阶差分法对预测数据进行平稳化处理后，时间序列趋于平稳。
然后利用平稳化后的多个历史数据对ARMA初始模型进行训练，得到监测模型，所谓训练的过程，就是确定ARMA初始模型的阶数的过程。
利用ARMA初始模型需要求得模型的p和q这2个参数，其中p指的是时序数据本身的滞后数，q指的是预测误差的滞后数。模型公式表示为：
Yt＝Φ1Yt-1+Φ2Yt-2+Φ3Yt-3+…+ΦpYt-p+Ut-θ1Ut-1-θ2Ut-2-…-θqUt-q，
其中，Yt表示符合(p，q)阶自回归移动模型，Φt为自回归参数，θt为滑动平均参数，p为自回归阶数，q为滑动平均阶数。
在上述实施例的基础上，优选地，所述利用平稳化后的若干历史数据对ARMA初始模型进行训练，获取所述监测模型，具体包括：
根据平稳化后的若干历史数据的自相关函数和偏自相关函数，获取所述ARMA初始模型的阶数；
根据所述ARMA初始模型和阶数，获取所述监测模型。
具体地，对ARMA初始模型的训练过程就是确定ARMA初始模型阶数的过程，ARMA定阶就是通过已经掌握的一组序列样本数据X1、X2、X3、X4、X5…Xt对ARMA模型的(p，q)进估计。针对ARMA的定阶方法包含自相关函数(简称ACF)、偏自相关函数(简称PACF)、信息损失最小原则(简称AIC)准则、方差最小准则(简称FPE)等多种方法，本预测模型根据自相关函数图和偏自相关函数图来观察拖尾和截尾现场，预测p、q值。
通过对时间序列执行ACF与PACF函数，获取了ACF和PACF的结果图，自相关系数与偏相关系数均显示出不截尾的性质，因此使用ARMA(1，6)拟合该时间序列。
在上述实施例的基础上，优选地，还包括：
利用第三预设历史时间段的若干历史数据对所述监测模型进行验证。
具体地，利用第三预设历史时间段内的多个历史数据对监测模型进行验证，本发明实施例中，第三预设时间段为第二预设历史时间段之后的一段时间，因为第三预设历史时间段与第二预设历史时间段连接紧密，利用第三预设历史时间段内的多个历史数据对监测模型进行验证。
本发明实施例中，根据以上的模型进行预测，对2019年12月1日至2019年12月14日期间的数据进行预测，通过原始数据与预测模型得到的数据对比可看出，预测结果与原始数据非常接近，通过T监测分析计算，两组数据吻合程度为98％以上。
在上述实施例的基础上，优选地，获取第二预设历史时间段的若干历史数据；
若所述第二预设历史时间段的若干历史数据构成的时间序列是平稳的，利用所述第二预设历史时间段的若干历史数据对ARMA初始模型进行训练，得到监测模型。
具体地，如果第二预设历史时间段的多个历史数据构成的时间序列是平稳的，则直接利用第二预设历史时间段的多个历史数据对ARMA初始模型进行训练，得到监测模型。即不需要对第二预设历史时间段内的多个历史数据进行平稳处理。
表1为本发明实施例的预测数据与现场人工实际测量的实际测量值的比较表，通过对表1进行分析发现，两者间具有极显著的相关关系，预测数据值与实际测量值比较接近，且两种方法所取得的结果差异不显著，P<0.01，完全满足农业生产用数据的需求。
表1
时间 实际测量值(％) 预测值(％)
2019/12/1 0:57 20.6 20.5
2019/12/1 1:57 20.4 20.6
2019/12/1 2:57 20.6 20.5
2019/12/1 3:57 20.6 20.5
2019/12/1 4:57 20.4 20.6
2019/12/1 5:57 20.6 20.5
2019/12/1 6:57 20.4 20.5
2019/12/1 7:57 20.6 20.5
2019/12/1 8:57 20.4 20.5
2019/12/1 9:57 20.6 20.5
2019/12/1 10:57 20.6 20.5
2019/12/1 11:57 20.6 20.5
2019/12/1 12:57 20.6 20.6
2019/12/1 13:57 20.4 20.6
2019/12/1 14:57 20.6 20.5
2019/12/1 15:57 20.4 20.6
2019/12/1 16:57 20.6 20.5
2019/12/1 17:57 20.4 20.5
2019/12/1 18:57 20.6 20.5
2019/12/1 19:57 20.6 20.5
2019/12/1 20:57 20.6 20.6
2019/12/1 21:57 20.6 20.6
2019/12/1 22:57 20.6 20.6
2019/12/1 23:57 20.4 20.6
2019/12/5 1:57 20.6 20.5
2019/12/5 2:57 20.4 20.6
2019/12/5 3:57 20.6 20.5
2019/12/5 4:57 20.6 20.5
2019/12/5 5:57 20.6 20.6
2019/12/5 6:57 20.6 20.6
2019/12/5 7:57 20.6 20.6
2019/12/5 8:57 20.6 20.6
2019/12/5 9:57 20.6 20.6
2019/12/5 10:57 20.6 20.6
从实验的结果来看，采用本发明提出的ARMA模型数据算法的纠错方法，其数据修正结果准确可靠，相比单纯的依靠硬件设备而言，极大的提供了采集数据的准确性、连续性和稳定性，能够满足农业生产中对环境数据的应用需求。本发明实现方法简单，重复使用率高，数据修正准确，达到了应用的要求。
图2为本发明实施例提供的一种环境监测系统的结构示意图，如图2所示，该系统包括采集模块201、异常模块202、预测模块203和监测模块204，其中：
采集模块201用于获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
异常模块202用于根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
预测模块203用于若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
监测模块204用于根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
本系统实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
图3为本发明实施例提供的一种环境监测方法的应用场景示意图，如图3所示，传感器在果园内采集设备监测值(即实时数据)54.5％，然后通过网络将实时数据传输给基站，基站将实时数据发送给环境监测系统(也就是图中的电脑)，环境监测系统判断出该实时数据是异常的，并预测出当前时刻的数据为24.6％，将预测数据发送给传感器，进行存储。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：
获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
此外，上述的存储器403中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：
获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种环境监测方法，其特征在于，包括：
获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
2.根据权利要求1所述的环境监测方法，其特征在于，所述根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常，具体包括：
根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，通过类比法判断所述当前时刻对应的实时数据是否异常。
3.根据权利要求2所述的环境监测方法，其特征在于，所述根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，通过类比法判断所述当前时刻对应的实时数据是否异常，具体包括：
根据所述传感器第一预设历史时间段内的若干历史数据，获取所述第一预设历史时间段内的平均值；
根据所述平均值和预设季节偏移量，获取基准区间值；
若所述当前时刻对应的实时数据和所述上一时刻对应的实时数据之间的差值小于所述基准区间值，则判断所述当前时刻对应的实时数据正常，否则，则判断所述当前时刻对应的实时数据错误。
4.根据权利要求1所述的环境监测方法，其特征在于，所述监测模型通过如下方式获得：
获取第二预设历史时间段的若干历史数据；
若所述第二预设历史时间段的若干历史数据构成的时间序列是非平稳的，通过一阶差分法对所述时间序列进行平稳化处理，获取平稳化后的若干历史数据；
利用平稳化后的若干历史数据对ARMA初始模型进行训练，获取所述监测模型。
5.根据权利要求4所述的环境监测方法，其特征在于，所述利用平稳化后的若干历史数据对ARMA初始模型进行训练，获取所述监测模型，具体包括：
根据平稳化后的若干历史数据的自相关函数和偏自相关函数，获取所述ARMA初始模型的阶数；
根据所述ARMA初始模型和阶数，获取所述监测模型。
6.根据权利要求4所述的环境监测方法，其特征在于，还包括：
利用第三预设历史时间段的若干历史数据对所述监测模型进行验证。
7.根据权利要求1所述的环境监测方法，其特征在于，所述监测模型通过如下方式获得：
获取第二预设历史时间段的若干历史数据；
若所述第二预设历史时间段的若干历史数据构成的时间序列是平稳的，利用所述第二预设历史时间段的若干历史数据对ARMA初始模型进行训练，获取所述监测模型。
8.一种环境监测系统，其特征在于，包括：
采集模块，用于获取目标环境中传感器采集当前时刻对应的实时数据和上一时刻对应的实时数据；
异常模块，用于根据所述当前时刻对应的实时数据和所述上一时刻对应的实时数据，判断所述当前时刻对应的实时数据是否异常；
预测模块，用于若判断获知所述当前时刻对应的实时数据异常，将每一历史时刻对应的实时数据输入至监测模型，获取所述当前时刻对应的预测数据，所述监测模型以历史样本时刻对应的实时数据为样本数据、以自相关函数和偏自相关函数为标签进行训练得到；
监测模块，用于根据所述当前时刻对应的预测数据，对所述目标环境进行监测。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述环境监测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述环境监测方法的步骤。
CN202010244600.8A 2020-03-31 2020-03-31 一种环境监测方法及系统 Pending CN111414586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010244600.8A CN111414586A (zh) 2020-03-31 2020-03-31 一种环境监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010244600.8A CN111414586A (zh) 2020-03-31 2020-03-31 一种环境监测方法及系统

Publications (1)

Publication Number Publication Date
CN111414586A true CN111414586A (zh) 2020-07-14

Family

ID=71491667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010244600.8A Pending CN111414586A (zh) 2020-03-31 2020-03-31 一种环境监测方法及系统

Country Status (1)

Country Link
CN (1) CN111414586A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112963406A (zh) * 2021-03-31 2021-06-15 上海电气集团股份有限公司 一种液压系统的监测方法、装置、系统和存储介质
CN113138865A (zh) * 2020-08-10 2021-07-20 西安天和防务技术股份有限公司 环境监测方法、系统、平台以及存储介质
CN113868967A (zh) * 2021-12-03 2021-12-31 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质
CN113965565A (zh) * 2021-09-14 2022-01-21 南京融才交通科技研究院有限公司 一种基于信息年龄的物联网组网方法及系统
CN115096344A (zh) * 2022-05-13 2022-09-23 珠海格力电器股份有限公司 数据实时显示方法、装置、电子设备及存储介质
CN118329802A (zh) * 2024-04-10 2024-07-12 江苏邦腾环保技术开发有限公司 环境监测设备校准方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820146A (zh) * 2015-04-24 2015-08-05 中国电力科学研究院 基于变压器油中溶解气体监测数据的变压器故障预测方法
CN106302487A (zh) * 2016-08-22 2017-01-04 中国农业大学 农业物联网数据流异常实时检测处理方法及装置
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN110377447A (zh) * 2019-07-17 2019-10-25 腾讯科技（深圳）有限公司 一种异常数据检测方法、装置及服务器
CN110738357A (zh) * 2019-09-20 2020-01-31 神华黄骅港务有限责任公司 煤炭堆场起尘量预测方法、装置、系统和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820146A (zh) * 2015-04-24 2015-08-05 中国电力科学研究院 基于变压器油中溶解气体监测数据的变压器故障预测方法
CN106302487A (zh) * 2016-08-22 2017-01-04 中国农业大学 农业物联网数据流异常实时检测处理方法及装置
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN110377447A (zh) * 2019-07-17 2019-10-25 腾讯科技（深圳）有限公司 一种异常数据检测方法、装置及服务器
CN110738357A (zh) * 2019-09-20 2020-01-31 神华黄骅港务有限责任公司 煤炭堆场起尘量预测方法、装置、系统和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
绍璠等: "基于时间序列的风电场风速预测研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138865A (zh) * 2020-08-10 2021-07-20 西安天和防务技术股份有限公司 环境监测方法、系统、平台以及存储介质
CN112963406A (zh) * 2021-03-31 2021-06-15 上海电气集团股份有限公司 一种液压系统的监测方法、装置、系统和存储介质
CN113965565A (zh) * 2021-09-14 2022-01-21 南京融才交通科技研究院有限公司 一种基于信息年龄的物联网组网方法及系统
CN113868967A (zh) * 2021-12-03 2021-12-31 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质
CN113868967B (zh) * 2021-12-03 2022-04-12 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质
CN115096344A (zh) * 2022-05-13 2022-09-23 珠海格力电器股份有限公司 数据实时显示方法、装置、电子设备及存储介质
CN118329802A (zh) * 2024-04-10 2024-07-12 江苏邦腾环保技术开发有限公司 环境监测设备校准方法和系统

Similar Documents

Publication Publication Date Title
CN111414586A (zh) 一种环境监测方法及系统
CN109543295B (zh) 数值天气预报的气象要素数据处理方法及装置
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN111984503A (zh) 一种监控指标数据异常数据识别的方法及装置
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN106067001B (zh) 一种动作识别方法
CN116032557B (zh) 一种网络安全异常检测中深度学习模型的更新方法与装置
CN115842847B (zh) 一种基于物联网的水表智能控制方法、系统及介质
CN118211943B (zh) 一种注塑产品生产管理方法及系统
CN117312879B (zh) 一种注塑机生产数据监督预警方法、系统及介质
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN109840671A (zh) 运行改进效果计算设备、运行改进效果计算方法和记录介质
CN116505663B (zh) 一种农场用电安全状态监测预警系统
CN115454176A (zh) 一种基于物联网的智慧农业大棚通风控制系统
CN116894539A (zh) 一种服装生产监测方法、系统及介质
CN109211564B (zh) 一种用于滚珠丝杠副健康评估的自适应阈值检测方法
CN118094316A (zh) 一种变电站传感器设备检测频率自适应更新方法
CN117227177B (zh) 基于设备间监督的多任务打印控制方法及系统
CN112036634B (zh) 光伏发电功率的确定方法、预测系统及可读存储介质
CN117768235A (zh) 一种基于物联网的实时流量监测警报系统
CN117454324A (zh) 风速风向仪故障预警方法、系统、电子设备及存储介质
CN108073464A (zh) 一种基于速度和加速度的时序数据异常点检测方法及装置
CN114580760B (zh) 一种农业旱灾风险预测方法及预测装置
CN106771370B (zh) 一种风机测风仪检测方法及装置

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: 20200714

RJ01 Rejection of invention patent application after publication