CN113094408A - 基于鸽群的空气质量监测方法、装置及计算机存储介质 - Google Patents

基于鸽群的空气质量监测方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN113094408A
CN113094408A CN202110300692.1A CN202110300692A CN113094408A CN 113094408 A CN113094408 A CN 113094408A CN 202110300692 A CN202110300692 A CN 202110300692A CN 113094408 A CN113094408 A CN 113094408A
Authority
CN
China
Prior art keywords
data
monitoring
data packet
air quality
monitoring data
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
CN202110300692.1A
Other languages
English (en)
Inventor
李勇
邵新庆
刘强
徐�明
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.)
Shenzhen ZNV Technology Co Ltd
Nanjing ZNV Software Co Ltd
Original Assignee
Shenzhen ZNV Technology Co Ltd
Nanjing ZNV Software 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 Shenzhen ZNV Technology Co Ltd, Nanjing ZNV Software Co Ltd filed Critical Shenzhen ZNV Technology Co Ltd
Priority to CN202110300692.1A priority Critical patent/CN113094408A/zh
Publication of CN113094408A publication Critical patent/CN113094408A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种基于鸽群的空气质量监测方法、装置及计算机存储介质，该方法包括：数据汇聚装置接收到数据采集装置发送的监测数据后，根据各个数据采集装置的类型将监测数据进行分组封装，得到多个数据包；通过粗大误差检验算法滤除各个数据包中异常的监测数据，得到各个数据包中的待处理监测数据；确定各个数据包对应的区域位置，并通过预设滤波方法对各个数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。本申请以鸽群作为数据采集装置的安装载体，从而能够在大范围空间、不同高度范围、均匀连续采集空气数据。再者，结合粗大误差检验算法处理监测数据，能够自适应地确定分解尺度，提升了空气质量监测的可靠性。

Description

基于鸽群的空气质量监测方法、装置及计算机存储介质
技术领域
本申请涉及空气质量监测和数据处理技术领域，尤其涉及一种基于鸽群的空气质量监测方法、装置及计算机存储介质。
背景技术
随着我国工业生产规模的快速扩张，以及机动车辆的急剧增加，工业生产的排放物，以及机动车辆的排放尾气严重影响了我国的空气质量。为了监测各个地方的空气质量，现有的空气质量监测方法主要是，站房式空气质量监测方法和车载式空气质量监测方法。
站房式空气质量监测方法，即在一个固定位置或者固定区域安装空气质量监测装置，空气质量监测装置将采集到的空气数据发送至空气质量监测系统。车载式空气质量监测方法，即将空气质量监测装置安装在公交车、货运车等车辆上，空气质量监测装置启动后，将采集到的空气数据、车辆位置信息等数据发送到空气质量监测系统。
由此可知，目前的站房式空气质量监测方法和车载式空气质量监测方法，监测站点分布不均，只能覆盖固定点或较小区域，且只能进行固定高度的空气质量监测，从而使得空气质量监测的可靠性低。
发明内容
本申请的主要目的在于提供一种基于鸽群的空气质量监测方法、装置及计算机存储介质，旨在提升空气质量监测的可靠性。
为实现上述目的，本申请实施例提供一种基于鸽群的空气质量监测方法，所述鸽群中包括第一鸽子和第二鸽子，所述第一鸽子携带有数据汇聚装置，所述第二鸽子携带有数据采集装置，所述基于鸽群的空气质量监测方法包括：
所述数据汇聚装置接收到所述数据采集装置发送的监测数据后，根据各个数据采集装置的类型将所述监测数据进行分组封装，得到多个数据包；
通过粗大误差检验算法滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据；
确定各个所述数据包对应的区域位置，并通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
可选地，所述通过粗大误差检验算法滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据的步骤包括：
通过粗大误差检验算法确定各个所述数据包的统计均值，以及确定各个所述数据包中各个监测数据对应的变化特征值；
基于各个所述数据包的统计均值以及各个所述数据包中各个监测数据对应的变化特征值，确定各个所述数据包中异常的监测数据；
滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据。
可选地，所述基于各个所述数据包的统计均值以及各个所述数据包中各个监测数据对应的变化特征值，确定各个所述数据包中异常的监测数据的步骤包括：
将各个所述数据包的统计均值分别与各个所述数据包中各个监测数据的变化特征值作差，得到各个所述数据包中各个监测数据对应的差值；
基于各个所述数据包中各个监测数据对应的差值与所述粗大误差检验算法的均方差，计算各个所述数据包中各个监测数据对应的比值；
基于各个所述数据包中各个监测数据对应的比值与预设值，确定各个所述数据包中异常的监测数据。
可选地，所述基于各个所述数据包中各个监测数据对应的比值与预设值，确定各个所述数据包中异常的监测数据的步骤包括：
将各个所述数据包中各个监测数据对应的比值分别与所述预设值进行数值大小比较，确定是否存在比值大于所述预设值的目标监测数据；
若确定在目标数据包中存在所述目标监测数据，则将所述目标监测数据确定为所述目标数据包中异常的监测数据。
可选地，所述数据采集装置中携带有传感器，所述根据各个数据采集装置的类型将所述监测数据进行分组封装，得到多个数据包的步骤包括：
确定各个数据采集装置中传感器的传感器类型，并将同一种传感器类型的监测数据封装为一组数据包，得到所述监测数据对应的多个数据包。
可选地，所述确定各个所述数据包对应的区域位置的步骤包括：
确定各个所述数据包中各个待处理监测数据的位置坐标数据和海拔数据，基于各个所述数据包中的各个位置坐标数据和海拔数据，确定各个所述数据包对应的区域位置。
可选地，所述预设滤波方法包括算数平均滤波法和递推平均滤波法，所述通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息的步骤包括：
通过所述算数平均滤波法和所述递推平均滤波法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
可选地，其特征在于，所述数据包中还携带有采集所述监测数据的时间信息，所述通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息的步骤之后，还包括：
将各个所述数据包中的时间信息，以及各个所述数据包对应的区域位置和空气质量信息，按照预设格式进行打包，并将打包后的数据发送至服务器。
本申请实施例还提供一种空气质量监测装置，其特征在于，所述空气质量监测装置包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的基于鸽群的空气质量监测程序，所述基于鸽群的空气质量监测程序被处理器执行时实现如上所述的基于鸽群的空气质量监测方法的步骤。
本申请实施例还提供一种计算机存储介质，所述计算机存储介质上存储有基于鸽群的空气质量监测程序，所述基于鸽群的空气质量监测程序被处理器执行时实现如上所述的基于鸽群的空气质量监测方法的步骤。
本申请实施例提供的基于鸽群的空气质量监测方法、装置及计算机存储介质，通过数据汇聚装置接收到数据采集装置发送的监测数据后，根据各个数据采集装置的类型将监测数据进行分组封装，得到多个数据包；通过粗大误差检验算法滤除各个数据包中异常的监测数据，得到各个数据包中的待处理监测数据；确定各个数据包对应的区域位置，并通过预设滤波方法对各个数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。由此可知，本申请以鸽群作为数据采集装置的安装载体，由于鸽群能够飞翔在更高、更远、更复杂的地区，因此能够在大范围空间、不同高度范围、均匀连续采集空气数据。再者，本申请结合了粗大误差检验算法对监测数据进行处理，从而能够自适应地确定分解尺度和阈值，充分保留差异监测的非平稳特性，降低了不同空气污染物相关性之间的参数干扰，以及降低了不确定因素的影响，提升了空气质量监测的可靠性。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的装置结构示意图；
图2是本申请基于鸽群的空气质量监测方法第一实施例的流程示意图；
图3是本申请基于鸽群的空气质量监测方法的总体框架示意图；
图4是本申请数据汇聚装置的结构示意图；
图5是本申请数据采集装置的结构示意图；
图6是本申请基于鸽群的空气质量监测方法步骤S20的细化流程示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：数据汇聚装置接收到数据采集装置发送的监测数据后，根据各个数据采集装置的类型将监测数据进行分组封装，得到多个数据包；通过粗大误差检验算法滤除各个数据包中异常的监测数据，得到各个数据包中的待处理监测数据；确定各个数据包对应的区域位置，并通过预设滤波方法对各个数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。由此可知，本申请以鸽群作为数据采集装置的安装载体，由于鸽群能够飞翔在更高、更远、更复杂的地区，因此能够在大范围空间、不同高度范围、均匀连续采集空气数据。再者，本申请结合了粗大误差检验算法对监测数据进行处理，从而能够自适应地确定分解尺度和阈值，充分保留差异监测的非平稳特性，降低了不同空气污染物相关性之间的参数干扰，以及降低了不确定因素的影响，提升了空气质量监测的可靠性。
具体地，参照图1，图1为本申请实施例方案涉及的硬件运行环境的装置结构示意图。该装置为一种空气质量监测装置。
如图1所示，该空气质量监测装置可以包括：处理器1001，例如CPU(CentralProcessing Unit，中央处理器)，存储器1005，用户接口1003，网络接口1004，通信总线1002。通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(board)，用户接口1003可选的还可以包括标准的有线接口(如USB(Universal Serial Bus，通用串行总线)接口)、无线接口(如蓝牙接口)。网络接口1004可以包括标准的有线接口、无线接口(如WI-FI((Wireless-Fidelity))接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地，空气质量监测装置还可以包括RF(Radio Frequency，射频)电路，传感器、WiFi模块等。
本领域技术人员可以理解，图1中示出的装置结构并不构成对空气质量监测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质(需要说明的是，本实施例中的计算机存储介质为计算机可读存储介质)的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于鸽群的空气质量监测程序。其中，操作系统是管理和控制装置硬件和软件资源的程序，支持基于鸽群的空气质量监测程序以及其它软件或程序的运行。
在图1所示的装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；其中，处理器1001可以用于调用存储器1005中存储的基于鸽群的空气质量监测程序，并执行如下操作：
所述数据汇聚装置接收到所述数据采集装置发送的监测数据后，根据各个数据采集装置的类型将所述监测数据进行分组封装，得到多个数据包；
通过粗大误差检验算法滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据；
确定各个所述数据包对应的区域位置，并通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
通过粗大误差检验算法确定各个所述数据包的统计均值，以及确定各个所述数据包中各个监测数据对应的变化特征值；
基于各个所述数据包的统计均值以及各个所述数据包中各个监测数据对应的变化特征值，确定各个所述数据包中异常的监测数据；
滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
将各个所述数据包的统计均值分别与各个所述数据包中各个监测数据的变化特征值作差，得到各个所述数据包中各个监测数据对应的差值；
基于各个所述数据包中各个监测数据对应的差值与所述粗大误差检验算法的均方差，计算各个所述数据包中各个监测数据对应的比值；
基于各个所述数据包中各个监测数据对应的比值与预设值，确定各个所述数据包中异常的监测数据。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
将各个所述数据包中各个监测数据对应的比值分别与所述预设值进行数值大小比较，确定是否存在比值大于所述预设值的目标监测数据；
若确定在目标数据包中存在所述目标监测数据，则将所述目标监测数据确定为所述目标数据包中异常的监测数据。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
确定各个数据采集装置中传感器的传感器类型，并将同一种传感器类型的监测数据封装为一组数据包，得到所述监测数据对应的多个数据包。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
确定各个所述数据包中各个待处理监测数据的位置坐标数据和海拔数据，基于各个所述数据包中的各个位置坐标数据和海拔数据，确定各个所述数据包对应的区域位置。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
通过所述算数平均滤波法和所述递推平均滤波法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
进一步地，处理器1001可以调用存储器1005中存储的基于鸽群的空气质量监测程序，还执行以下操作：
将各个所述数据包中的时间信息，以及各个所述数据包对应的区域位置和空气质量信息，按照预设格式进行打包，并将打包后的数据发送至服务器。
基于上述的装置架构但不限于上述架构，本申请实施例提供了基于鸽群的空气质量监测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序完成所示出或描述的步骤。
本申请本实施例方法的执行主体可以是一种基于鸽群的空气质量监测装置，也可以是一种服务器，本实施例以数据汇聚装置作为执行主体进行举例。
参照图2至5，图2为本申请基于鸽群的空气质量监测方法第一实施例的流程示意图，图3是本申请基于鸽群的空气质量监测方法的总体框架示意图，图4是本申请数据汇聚装置的结构示意图，图5是本申请数据采集装置的结构示意图。所述基于鸽群的空气质量监测方法包括:
步骤S10，数据汇聚装置接收到所述数据采集装置发送的监测数据后，根据各个数据采集装置的类型将所述监测数据进行分组封装，得到多个数据包。
如图3所示，鸽群中包括1只头部鸽子(第一鸽子)和多只跟随鸽子(第二鸽子)，跟随鸽子同样是以小鸽群的方式飞行的，需要说明的是，头部鸽子和跟随鸽子可以通过人为控制。以头部鸽子为绝对领导，其余为跟随鸽子，根据鸽群内头部鸽子与跟随鸽子在体型上的差异及等级区分每只鸽子，在不影响鸽子飞行能力的基础上，在每只鸽子背部均携带一个60至100克不等重量的微型空气质量监测装置。选取鸽群中的头部鸽子为数据汇聚节点，其余跟随鸽子作为数据采集节点，因此，头部鸽子的微型空气质量监测装置为数据汇聚装置，其余跟随鸽子的微型空气质量监测装置为数据采集装置。需要说明的是，在鸽群行为机制中，不同个体间存在严格等级关系。鸽群中除了头部鸽子外，其他鸽子存在如下的层次等级：头部鸽子处于绝对领导地位，其余鸽子下层服从上层，但无法影响上层。即下层鸽子行为不仅受头部鸽子影响，也受其他上层鸽子的影响，而往往来自临近上级的影响更为直接迅速。
数据汇聚装置如图4所示，数据汇聚装置包括：微处理器4、4G(FourthGeneration，第四代通信技术)传输模块10、无线接收模块2、电源模块3及北斗定位模块9。微处理器4包括STM32ZET6，同时与4G传输模块10、无线接收模块2、电源模块3及北斗定位模块9连接，用于处理数据采集装置发送的空气监测数据。4G传输模块10包括Luat(合宙)Air720H，通过信号传输通路8与微处理器4连接，利用4G天线11将微处理器4分析后的数据上传至物联网云平台(服务器)。无线接收模块2包括SX1280，通过接收天线1接收数据采集装置发送的空气数据，并通过信号传输通路5传输至微处理器4。电源模块3选取800mAh电池，与微处理器4、北斗定位模块9相连，用于为各模块提供电能。北斗定位模块9包括ATGM 336H，通过信号传输通路6将头部鸽子的经纬度及海拔信息传输至微处理器4。
数据采集装置如图5所示，数据采集装置包括：微处理器20、传感器采集模组16、无线发送模块21及电源模块19。微处理器20包括STM32C8T6，同时与传感器采集模组16、无线发送模块21、电源模块19连接，用于处理传感器模组16采集到的空气数据。进气口13通过管路依次与净化装置14及气室15相连，在气室15中放置传感器采集模组16，净化装置14用于去除空气中的水分及其他气体杂质，传感器采集模组16通过信号传输通路18与微处理器20连接，采集鸽群飞行轨迹上的空气质量参数，出风口17通过管路与气室15相连，避免残留气体对后续监测的影响。无线发送模块21包括SX1278通过信号传输通路23与微处理器20连接，用于将处理后的信息经由天线24发送至数据汇聚装置。电源模块19选取800mAh电池，与微处理器20、传感器采集模组16、无线发送模块21相连，用于为各模块提供电能。
进一步地，基于鸽群飞行网络，选取N只鸽子(N>1)为一个鸽群进行空气质量检测，根据跟随鸽子的鸽群数量确定所要监测的空气质量参数的个数。在本实施例中，比如，有31只鸽子，1只头部鸽子，30只跟随鸽子，以5只跟随鸽子为1个跟随鸽群，可将跟随鸽子分为6个跟随鸽群，也就是所要监测的空气质量参数的个数为6，根据空气质量参数与污染物因子的相关性确定参数的顺序为PM2.5、PM10、CO、NO2、O3、SO2，如图3所示。
鸽群在升空的同时，数据汇聚装置和数据采集装置中的电源模块开始供电启动，并以“人”字形编队飞行开始进行空气质量监测。数据汇聚装置和数据采集装置开始工作后，数据汇聚装置完成初始化，并建立与各个数据采集装置之间的通信连接。数据采集装置在启动工作后，可以是间隔预设时长，也可以是连续采集所在空域的空气数据，空气数据也即空气中的各种物质的数据。在采集所在空域的空气数据的同时，需要记录每个采集点的采集时间信息、经纬度数据和海拔数据，然后经过处理后，将处理后的空气数据，以及采集时间信息、经纬度数据和海拔数据进行打包，得到空气数据对应的监测数据，其中，预设时长可以为10分钟、20分钟，也可以是1小时，是技术人员在程序中设定的，本实施例不作限制。间隔预设时长后，数据采集装置将监测数据发送至数据汇聚装置，数据汇聚装置在接收数据采集装置发送的监测数据同时，需要确定各个数据采集装置的类型，然后根据数据采集装置的类型，将同一种类型的数据采集装置发送的监测数据封装在一个数据包中，从而将数据采集装置发送的监测数据分组为多个数据包。
进一步地，所述步骤S10包括：
步骤S101，确定各个数据采集装置中传感器的传感器类型，将同一种传感器类型的监测数据封装为一组数据包，得到所述监测数据对应的多个数据包。
具体地，需要说明的是，在每个数据采集装置中都有其对应的传感器，每个传感器也有其对应的传感器类型，可以进一步理解为，数据采集装置的类型是由其内置的传感器类型决定的。因此，数据汇聚装置在接收数据采集装置发送的监测数据同时，需要确定各个数据采集装置的传感器类型，然后根据传感器类型，将同一种传感器类型的数据采集装置发送的监测数据封装在一个数据包中，从而将数据采集装置发送的监测数据分组为多个数据包。
在本实施例中，比如，有30个数据采集装置A1、A2、A3...A30，数据采集装置A1、A2、A3......A30分别对应的监测数据为a1、a2、a3...a30。数据汇聚装置确定数据采集装置A1至A10为同一类型，数据采集装置A11至A20为同一类型，数据采集装置A21至A30为同一类型，因此得到3个数据包分别为{a1、a2...a10}、{a11、a12...a20}、{a21、a22...a30}。
步骤S20，通过粗大误差检验算法滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据。
数据汇聚装置将监测数据分装为多个数据包后，通过粗大误差检验算法的预设方差准则，计算出每个数据包中每个监测数据的变化特征值，以及根据每个数据包中每个监测数据统计出每个数据包的统计均值，其中，预设方差准则包括但不限制于1σ准则、2σ准则和3σ准则。然后，数据汇聚装置将每个监测数据的变化特征值与其数据包的统计均值分别作差，得到每个监测数据的差值，然后将每个监测数据的差值分别与均方差进行作比，得到每个监测数据的比值，最后根据预设方差准则和每个监测数据的比值确定数据包中异常的监测数据，并将每个数据包中异常的监测数据进行滤除，得到每个数据包中用于确定空气质量信息的待处理监测数据。
步骤S30，确定各个所述数据包对应的区域位置，并通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
数据汇聚装置滤除数据包中异常的监测数据之后，根据保留的各个待处理监测数据的位置信息，确定数据包对应的区域位置。接着，数据汇聚装置通过算数平均滤波法以及递推平均滤波法对数据包中的待处理监测数据进行滤波处理，确定数据包对应的空气质量信息，其中，空气质量信息即为各个空气质量参数的浓度信息。最后，数据汇聚装置根据每个数据包对应的区域位置，及其对应的空气质量信息，确定各个区域位置的空气质量信息。
进一步地，所述步骤S30包括：
步骤S301，确定各个所述数据包中各个待处理监测数据的位置坐标数据和海拔数据，基于各个所述数据包中的各个位置坐标数据和海拔数据，确定各个所述数据包对应的区域位置；
步骤S302，通过所述算数平均滤波法和所述递推平均滤波法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
具体地，数据汇聚装置确定数据包中各个待处理监测数据的位置坐标数据，位置坐标数据即为采集点的经纬度数据，以及各个待处理监测数据的海拔数据。然后，数据汇聚装置根据各个采集点的经纬度数据和各个采集点的海拔数据确定数据包对应的区域位置。接着，数据汇聚装置通过算数平均滤波法以及递推平均滤波法对数据包中的待处理监测数据进行滤波处理，确定数据包对应的空气质量信息。最后，根据每个数据包对应的区域位置，及其对应的空气质量信息，确定各个区域位置的空气质量信息。
在本实施例中，比如，某个数据包中有5个待处理监测数据，分别为a1、a2...a5，待处理监测数据a1、a2...a5对应的经纬度数据为a1(经纬度：30°，40°20′；海拔：10km千米)、a2(经纬度：30°，40°；海拔：10km千米)、a3(经纬度：30°10′，40°10′；海拔：10km千米)、a4(经纬度：30°20′，40°；海拔：10km千米)和a5(经纬度：30°20′，40°20′；海拔：10km千米)，根据5个待处理监测数据确定A区域位置为(经度30°至30°20′，纬度40°至40°20′，海拔10km)。通过算数平均滤波法以及递推平均滤波法对数据包中的待处理监测数据a1、a2...a5进行滤波处理，确定空气质量信息为PM2.5＝30ug/m3(毫克/立方米)、PM10＝0.1ug/m3、CO＝2ug/m3、NO2＝10ug/m3、O3＝80ug/m3、SO2＝40ug/m3。数据汇聚装置确定A区域位置的空气质量信息为PM2.5＝30ug/m3(毫克/立方米)、PM10＝0.1ug/m3、CO＝2ug/m3、NO2＝10ug/m3、O3＝80ug/m3、SO2＝40ug/m3。
进一步地，数据汇聚装置得到各个区域位置的空气质量信息后，需要将各个区域位置的空气质量信息发送至服务器，具体如步骤a。在发送之前，数据汇聚装置中携带的4G通信模块需要与云平台服务器建立通信连接。
步骤a，将各个所述数据包中的时间信息，以及各个所述数据包对应的区域位置和空气质量信息，按照预设格式进行打包，并将打包后的数据发送至服务器。
具体地，需要说明的是，待处理监测数据中还包括采集空气数据的时间信息。数据汇聚装置将数据包中的时间信息、以及数据包对应的区域位置(经纬度数据和海拔数据)和空气质量信息按照服务器设定的预设格式进行封装打包，并将打包后的数据发送至服务器。服务器接收到数据汇聚装置发送的数据后，对该数据进行解包，并对解包后的数据进行进一步的分析，根据解包后的数据确定各个区域的空气等级以及对应的防护措施。其中，空气等级可分为5级，一级至五级分别代表空气优、中、良、合格以及不合格。
在本实施例中，比如，服务器解包的数据为A区域位置(经度30°至30°20′，纬度40°至40°20′，海拔10km)的空气质量信息为PM2.5＝30ug/m3、PM10＝0.1ug/m3、CO＝2ug/m3、NO2＝10ug/m3、O3＝80ug/m3、SO2＝40ug/m3，根据A区域位置的空气质量信息确定A区域位置的空气等级为一级。
本实施例数据汇聚装置接收到数据采集装置发送的监测数据后，根据各个数据采集装置的类型将监测数据进行分组封装，得到多个数据包；通过粗大误差检验算法滤除各个数据包中异常的监测数据，得到各个数据包中的待处理监测数据；确定各个数据包对应的区域位置，并通过预设滤波方法对各个数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。由此可知，本实施例以鸽群作为数据采集装置的安装载体，由于鸽群能够飞翔在更高、更远、更复杂的地区，因此能够在大范围空间、不同高度范围、均匀连续采集空气数据。再者，本实施例结合了粗大误差检验算法对监测数据进行处理，从而能够自适应地确定分解尺度和阈值，充分保留差异监测的非平稳特性，降低了不同空气污染物相关性之间的参数干扰，以及降低了不确定因素的影响，提升了空气质量监测的可靠性。
参照图6，图6是本申请基于鸽群的空气质量监测方法步骤S20的细化流程示意图。所述步骤S20包括：
步骤S201，通过粗大误差检验算法确定各个所述数据包的统计均值，以及确定各个所述数据包中各个监测数据对应的变化特征值；
步骤S202，基于各个所述数据包的统计均值以及各个所述数据包中各个监测数据对应的变化特征值，确定各个所述数据包中异常的监测数据；
步骤S203，滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据。
具体地，数据汇聚装置通过粗大误差检验算法的预设方差准则，计算出每个数据包中每个监测数据的变化特征值Ki，以及根据每个数据包中每个监测数据统计出每个数据包的统计均值K，其中，预设方差准则包括但不限制于1σ准则、2σ准则和3σ准则。然后，数据汇聚装置将每个监测数据的变化特征值Ki与其数据包的统计均值K分别作差，得到每个监测数据的差值，然后将每个监测数据的差值分别与均方差σ进行作比，得到每个监测数据的比值，最后根据预设方差准则和每个监测数据的比值确定数据包中异常的监测数据，并将每个数据包中异常的监测数据进行滤除，得到每个数据包中用于确定空气质量信息的待处理监测数据。
进一步地，所述步骤S202包括：
步骤S2021，将各个所述数据包的统计均值分别与各个所述数据包中各个监测数据的变化特征值作差，得到各个数据包中各个监测数据对应的差值；
步骤S2022，基于各个所述数据包中各个监测数据对应的差值与所述粗大误差检验算法的均方差，计算各个所述数据包中各个监测数据对应的比值；
步骤S2023，基于各个所述数据包中各个监测数据对应的比值与预设值，确定各个所述数据包中异常的监测数据。
具体地，数据汇聚装置将每个监测数据的变化特征值Ki与其数据包的统计均值K分别作差，得到每个监测数据的差值Ki-K，然后将各个监测数据对应的差值的绝对值与与均方差σ进行作比，得到每个监测数据的比值Ti＝|Ki-K|/σ，最后根据预设方差准则和每个监测数据的比值Ti确定数据包中异常的监测数据。在本实施中，比如，某数据包中的监测数据为{a1、a2...a10}，监测数据a1、a2...a10对应的变化特征值分别为K1、K2...K10，监测数据a1、a2...a10对应的比值为T1＝|K1-K|/σ、T2＝|K2-K|/σ、...T10＝|K10-K|/σ。
进一步地，所述步骤S2023包括：
S20231，将各个所述数据包中各个监测数据对应的比值分别与所述预设值进行数值大小比较，确定是否存在比值大于所述预设值的目标监测数据；
S20232，若确定在目标数据包中存在所述目标监测数据，则将所述目标监测数据确定为所述目标数据包中异常的监测数据。
具体地，需要说明的是，为了方便理解，本实施例以粗大误差检验算法的3σ准则举例说明。因此，粗大误差检验算法的预设值即为3。数据汇聚装置将每个监测数据的比值Ti与预设值3进行数值大小比较，确定在数据包中是否存在比值Ti大于预设值3的监测数据。若确定在数据包中不存在比值Ti大于预设值3的监测数据，数据汇聚装置则确定数据包中不存在异常的监测数据。若确定在数据包中存在比值Ti大于预设值3的监测数据，数据汇聚装置则将该比值Ti大于预设值3的监测数据确定为数据包中异常的监测数据。
在本实施例中，比如，本实施例为粗大误差检验算法的3σ准则，某数据包中的监测数据为{a1、a2...a10}，监测数据a1、a2...a10对应的变化特征值分别为K1、K2...K10，监测数据a1、a2...a10对应的比值为T1＝|K1-K|/σ、T2＝|K2-K|/σ、...T10＝|K10-K|/σ。若确定T1、T2和T10大于3，则确定该数据包中的监测数据a1、a2和a10为异常的监测数据。
本实施例实现通过粗大误差检验算法确定各个数据包的统计均值，以及确定各个数据包中各个监测数据对应的变化特征值；基于各个数据包的统计均值以及各个数据包中各个监测数据对应的变化特征值，确定各个数据包中异常的监测数据；滤除各个数据包中异常的监测数据，得到各个数据包中的待处理监测数据。由此可知，本实施例结合了粗大误差检验算法对监测数据进行处理，从而能够自适应地确定分解尺度和阈值，充分保留差异监测的非平稳特性，降低了不同空气污染物相关性之间的参数干扰，以及降低了不确定因素的影响，提升了空气质量监测的可靠性。
本发明还提供一种计算机存储介质，该计算机存储介质上存储有基于鸽群的空气质量监测程序，所述基于鸽群的空气质量监测程序被处理器执行时实现如以上任一项实施例所述的基于鸽群的空气质量监测方法的步骤。
本发明计算机存储介质的具体实施例与上述基于鸽群的空气质量监测方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的数据下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多数据下前者是更佳的实施方式。基于这样的理解，本申请的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货物的形式体现出来，该计算机软件货物存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台装置完成本申请各个实施例所述的方法。

Claims (10)

1.一种基于鸽群的空气质量监测方法，其特征在于，所述鸽群中包括第一鸽子和第二鸽子，所述第一鸽子携带有数据汇聚装置，所述第二鸽子携带有数据采集装置，所述基于鸽群的空气质量监测方法包括：
所述数据汇聚装置接收到所述数据采集装置发送的监测数据后，根据各个数据采集装置的类型将所述监测数据进行分组封装，得到多个数据包；
通过粗大误差检验算法滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据；
确定各个所述数据包对应的区域位置，并通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
2.如权利要求1所述的基于鸽群的空气质量监测方法，其特征在于，所述通过粗大误差检验算法滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据的步骤包括：
通过粗大误差检验算法确定各个所述数据包的统计均值，以及确定各个所述数据包中各个监测数据对应的变化特征值；
基于各个所述数据包的统计均值以及各个所述数据包中各个监测数据对应的变化特征值，确定各个所述数据包中异常的监测数据；
滤除各个所述数据包中异常的监测数据，得到各个所述数据包中的待处理监测数据。
3.如权利要求2所述的基于鸽群的空气质量监测方法，其特征在于，所述基于各个所述数据包的统计均值以及各个所述数据包中各个监测数据对应的变化特征值，确定各个所述数据包中异常的监测数据的步骤包括：
将各个所述数据包的统计均值分别与各个所述数据包中各个监测数据的变化特征值作差，得到各个所述数据包中各个监测数据对应的差值；
基于各个所述数据包中各个监测数据对应的差值与所述粗大误差检验算法的均方差，计算各个所述数据包中各个监测数据对应的比值；
基于各个所述数据包中各个监测数据对应的比值与预设值，确定各个所述数据包中异常的监测数据。
4.如权利要求3所述的基于鸽群的空气质量监测方法，其特征在于，所述基于各个所述数据包中各个监测数据对应的比值与预设值，确定各个所述数据包中异常的监测数据的步骤包括：
将各个所述数据包中各个监测数据对应的比值分别与所述预设值进行数值大小比较，确定是否存在比值大于所述预设值的目标监测数据；
若确定在目标数据包中存在所述目标监测数据，则将所述目标监测数据确定为所述目标数据包中异常的监测数据。
5.如权利要求1所述的基于鸽群的空气质量监测方法，其特征在于，所述数据采集装置中携带有传感器，所述根据各个数据采集装置的类型将所述监测数据进行分组封装，得到多个数据包的步骤包括：
确定各个数据采集装置中传感器的传感器类型，并将同一种传感器类型的监测数据封装为一组数据包，得到所述监测数据对应的多个数据包。
6.如权利要求1所述的基于鸽群的空气质量监测方法，其特征在于，所述确定各个所述数据包对应的区域位置的步骤包括：
确定各个所述数据包中各个待处理监测数据的位置坐标数据和海拔数据，基于各个所述数据包中的各个位置坐标数据和海拔数据，确定各个所述数据包对应的区域位置。
7.如权利要求1所述的基于鸽群的空气质量监测方法，其特征在于，所述预设滤波方法包括算数平均滤波法和递推平均滤波法，所述通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息的步骤包括：
通过所述算数平均滤波法和所述递推平均滤波法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息。
8.如权利要求1至7任一项所述的基于鸽群的空气质量监测方法，其特征在于，所述数据包中还携带有采集所述监测数据的时间信息，所述通过预设滤波方法对各个所述数据包中的待处理监测数据进行滤波处理，得到各个区域位置的空气质量信息的步骤之后，还包括：
将各个所述数据包中的时间信息，以及各个所述数据包对应的区域位置和空气质量信息，按照预设格式进行打包，并将打包后的数据发送至服务器。
9.一种空气质量监测装置，其特征在于，所述空气质量监测装置包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的基于鸽群的空气质量监测程序，所述基于鸽群的空气质量监测程序被所述处理器执行时，实现如权利要求1至8中任一项所述的基于鸽群的空气质量监测方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有基于鸽群的空气质量监测程序，所述基于鸽群的空气质量监测程序被处理器执行时，实现如权利要求1至8中任一项所述的基于鸽群的空气质量监测方法的步骤。
CN202110300692.1A 2021-03-19 2021-03-19 基于鸽群的空气质量监测方法、装置及计算机存储介质 Pending CN113094408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300692.1A CN113094408A (zh) 2021-03-19 2021-03-19 基于鸽群的空气质量监测方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300692.1A CN113094408A (zh) 2021-03-19 2021-03-19 基于鸽群的空气质量监测方法、装置及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113094408A true CN113094408A (zh) 2021-07-09

Family

ID=76668840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300692.1A Pending CN113094408A (zh) 2021-03-19 2021-03-19 基于鸽群的空气质量监测方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113094408A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114062618A (zh) * 2022-01-17 2022-02-18 京友科技（深圳）有限公司 基于物联网实现多环境下空气监测汇总系统
CN116720788A (zh) * 2023-08-07 2023-09-08 山东神光航天科技有限公司 基于多源数据的空气质量智能评估方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732207A (zh) * 2015-03-12 2015-06-24 广东工业大学 高精度与高抗干扰性定位PCB板Mark点的方法及装置
DE202015105228U1 (de) * 2014-11-27 2015-12-09 Avancetec Co., Ltd. Taubensport-Abfragesystem mit der Möglichkeit zur genauen Positionsanalyse
US20170124461A1 (en) * 2015-10-28 2017-05-04 International Business Machines Corporation Air quality forecast by adapting pollutant emission inventory
CN107860869A (zh) * 2017-11-03 2018-03-30 成都大学 一种基于飞行器的智能空气监测系统及监测方法
US20180247526A1 (en) * 2017-02-24 2018-08-30 Particles Plus, Inc. Crowdsourced air quality monitoring system
CN111121862A (zh) * 2019-09-29 2020-05-08 广西中遥空间信息技术有限公司 一种空天地一体化的大气环境监测系统及方法
CN111665328A (zh) * 2020-06-16 2020-09-15 广州傲马科技有限公司 一种基于物联网的室内空气质量智能监测系统
CN111726341A (zh) * 2020-06-02 2020-09-29 五八有限公司 一种数据检测方法、装置、电子设备及存储介质
US20200378940A1 (en) * 2017-02-24 2020-12-03 Particles Plus, Inc. Networked air quality monitoring system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE202015105228U1 (de) * 2014-11-27 2015-12-09 Avancetec Co., Ltd. Taubensport-Abfragesystem mit der Möglichkeit zur genauen Positionsanalyse
CN104732207A (zh) * 2015-03-12 2015-06-24 广东工业大学 高精度与高抗干扰性定位PCB板Mark点的方法及装置
US20170124461A1 (en) * 2015-10-28 2017-05-04 International Business Machines Corporation Air quality forecast by adapting pollutant emission inventory
US20180247526A1 (en) * 2017-02-24 2018-08-30 Particles Plus, Inc. Crowdsourced air quality monitoring system
US20200378940A1 (en) * 2017-02-24 2020-12-03 Particles Plus, Inc. Networked air quality monitoring system
CN107860869A (zh) * 2017-11-03 2018-03-30 成都大学 一种基于飞行器的智能空气监测系统及监测方法
CN111121862A (zh) * 2019-09-29 2020-05-08 广西中遥空间信息技术有限公司 一种空天地一体化的大气环境监测系统及方法
CN111726341A (zh) * 2020-06-02 2020-09-29 五八有限公司 一种数据检测方法、装置、电子设备及存储介质
CN111665328A (zh) * 2020-06-16 2020-09-15 广州傲马科技有限公司 一种基于物联网的室内空气质量智能监测系统

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
C. BORREGO 等: "Procedures for estimation of modelling uncertainty in air quality assessment", ENVIRONMENT INTERNATIONAL, no. 5, 31 July 2008 (2008-07-31), pages 613 - 620, XP022713918, DOI: 10.1016/j.envint.2007.12.005 *
KHAOULA KARROUM 等: "A Review of Air Quality Modeling", pages 1 - 3, Retrieved from the Internet <URL:https://link.springer.com/article/10.1007/s12647-020-00371-8> *
VISHAL CHOUDHARY 等: "AirQ: A Smart IoT Platform for Air Quality Monitoring", 2020 IEEE 17TH ANNUAL CONSUMER COMMUNICATIONS & NETWORKING CONFERENCE (CCNC), 26 March 2020 (2020-03-26), pages 1 - 2 *
丁磊 等: "基于多旋翼无人机编队的区域环境监测系统", 滨州学院学报, no. 6, pages 16 - 19 *
凌启东 等: "基于信息融合的开放式空气质量监测系统的研究", 电子测量与仪器学报, no. 05, pages 149 - 156 *
张兆年 等: "浅析被动采样器监测环境空气质量数据的可比性", 中国环境监测, no. 04, 30 August 2006 (2006-08-30), pages 42 - 44 *
李淑云 等: "可移动式微型空气质量监测系统的设计", 科技信息, no. 33, pages 51 - 52 *
肖伟洋: "基于集成学习和时间序列的空气质量分析与预测", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 1, 15 January 2021 (2021-01-15), pages 027 - 997 *
蒋媛 等: "深度学习网络的激光光谱图像压缩研究", 激光杂志, 25 December 2020 (2020-12-25), pages 176 - 180 *
赵子杰 等: "基于时间序列的上海市空气质量变化与污染物特征分析", 统计学与运用, 24 February 2021 (2021-02-24), pages 115 - 127 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114062618A (zh) * 2022-01-17 2022-02-18 京友科技（深圳）有限公司 基于物联网实现多环境下空气监测汇总系统
CN114062618B (zh) * 2022-01-17 2022-03-18 京友科技（深圳）有限公司 基于物联网实现多环境下空气监测汇总系统
CN116720788A (zh) * 2023-08-07 2023-09-08 山东神光航天科技有限公司 基于多源数据的空气质量智能评估方法及系统

Similar Documents

Publication Publication Date Title
JP6690009B2 (ja) 反復無線送信に基づく動き検出
Ghazali et al. A systematic review of real-time deployments of UAV-based LoRa communication network
CN113094408A (zh) 基于鸽群的空气质量监测方法、装置及计算机存储介质
CN107219330A (zh) 汽车尾气监测方法、系统及计算机可读存储介质
CN113252851A (zh) 一种基于NB-IoT和边缘计算的大气污染监测系统
CN113655175A (zh) 一种网格化空气监测方法、系统、计算机设备及存储介质
KR102313465B1 (ko) 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법
CN111398109A (zh) 大气能见度测量方法、传感器模组、系统和存储介质
KR20180030961A (ko) 미세먼지 측정방법
EP3331259B1 (en) Big telematics data network communication fault identification system
CN111586608A (zh) 一种电源车的智能健康服务系统及其数据传输方法
CN112702219A (zh) 物联网网络监测方法、装置、设备及存储介质
CN209858530U (zh) 一种天空地一体化大气监测系统
Dhanalakshmi A survey paper on vehicles emitting air quality and prevention of air pollution by using IoT along with machine learning approaches
CN107589055B (zh) 一种颗粒物检测方法以及检测设备
CN113547879A (zh) 轮胎漏气的检测方法、装置、车辆及计算机存储介质
CN116164921B (zh) 燃料电池堆的台架振动测试方法、设备和介质
CN116709285A (zh) 一种近距离无线传输方法、电子设备及存储介质
KR20210051605A (ko) 초경량비행장치를 이용한 실시간 악취 추적 시스템
Balanescu et al. A study on data accuracy for IoT measurements of PMs concentration
CN114079594B (zh) 车载终端数据采集方法、设备及存储介质
Othman et al. Haze monitoring system in city of kuala lumpur using zigbee wireless technology implementation
Fadhil et al. Air pollution forecasting based on wireless communications
EP3331260B1 (en) Big telematics data network communication fault identification system method
CN113805019A (zh) 基于网关的局部放电检测方法、装置、网关设备和介质

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