CN113705547B - 环境弄虚作假行为识别动态管控方法、装置 - Google Patents
环境弄虚作假行为识别动态管控方法、装置 Download PDFInfo
- Publication number
- CN113705547B CN113705547B CN202111264493.6A CN202111264493A CN113705547B CN 113705547 B CN113705547 B CN 113705547B CN 202111264493 A CN202111264493 A CN 202111264493A CN 113705547 B CN113705547 B CN 113705547B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- index
- abnormal
- monitoring
- classified
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种环境弄虚作假行为识别动态管控方法、装置,该方法包括:获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;同时基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;如果判断存在异常监测数据,则对异常监测数据进行保存,进一步关联工作参数、运行状态、站房图像、采样口处人员行为图像、排放口图像进行分析导致监测数据异常的原因以及进行记录处理。通过上述方法能够准确地对弄虚作假行为尤其是参数造假的智能识别。
Description
技术领域
本发明涉及异常数据识别领域,具体而言,涉及一种环境弄虚作假行为识别动态管控方法、装置。
背景技术
随着科技的不断发展与进步,监管部门对生产制造企业的排放数据的检测要求越来越高。
然而,对于生产制造企业而言把控好保护工作,控制排放工作也同样至关重要;对于部分不法生产制造企业而言,常常存在侥幸心理,对于在线监测工作置若罔闻,因此就常常会出现涉事排污企业恶意对布置在环保监测现场的检查设备进行破坏;
具体情况下,在环保监测现场,通常设置了很多采样口对排口进行在线监测,然而部分污染企业常采用对排放口做手脚、更换试剂盒,破坏在线监测设备、篡改参数等违规行为,随后实现偷排,对此传统技术对于众多数据构成的监控数据无法准确是进行数据挖掘与识别,最终无法实现对弄虚作假行为尤其是参数造假的智能识别。
发明内容
本发明的目的在于提供一种环境弄虚作假行为识别动态管控方法、装置,以解决上述的问题。
为了实现本发明的上述目的,采用以下技术方案:
本申请提供了一种环境弄虚作假行为识别动态管控方法,所述方法包括:
获取排放口处实时采集的排放口图像,根据所述排放口图像对排放口异常行为实施监控处理;同时获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;同时获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;
同时基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;
如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理;
采用上述技术方案,本发明具有如下有益效果:
本发明实施例提供的环境弄虚作假行为识别动态管控方法,包括如下操作:获取排放口处实时采集的排放口图像,根据所述排放口图像对排放口异常行为实施监控处理;同时获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;同时获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;利用上述全流程图像监控为人员可疑行为进行记录;
与此同时,基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理;利用上述方法可以对异常监测数据进行全面,可持续性的智能化分析处理,最终对弄虚作假事件实施可追溯性的处理;通过上述方法,能够迅速、准确地找出在线监测设备被破坏,工作参数被篡改等异常行为导致的弄虚作假事件。
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,显而易见地,下面描述中的附图是本发明的一些实施方式,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环境弄虚作假行为识别动态管控方法的主要流程示意图;
图2为本发明实施例提供的环境弄虚作假行为识别动态管控方法的一具体流程示意图;
图3为本发明实施例提供的环境弄虚作假行为识别动态管控方法的再一具体流程示意图;
图4为本发明实施例提供的环境弄虚作假行为识别动态管控方法的还一具体流程示意图;
图5为本发明实施例提供的环境弄虚作假行为识别动态管控方法中Apriori算法的基础数据展示示意图;
图6为本发明实施例提供的环境弄虚作假行为识别动态管控方法中Apriori算法下一过程示意图;
图7为本发明实施例提供的环境弄虚作假行为识别动态管控方法中Apriori算法再一过程示意图;
图8为本发明实施例提供的环境弄虚作假行为识别动态管控方法中Apriori算法还下一过程示意图;
图9为本发明实施例提供的环境弄虚作假行为识别动态管控装置的结构示意图。
标号:图像处理模块10;异常判断处理模块20。
具体实施方式
下面将结合附图对本发明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。
如图1-图3所示,本申请实施例提供了一种环境弄虚作假行为识别动态管控方法,该方法包括:
步骤100:获取排放口处实时采集的排放口图像,根据所述排放口图像对排放口异常行为实施监控处理;同时获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;同时获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;
步骤200:同时基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;
步骤300:如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理。
在所述步骤100执行过程中,所述获取排放口处实时采集的排放口图像,具体包括如下操作步骤:
步骤101:对排放口处的人员行为进行图像采集;
所述获取采样口处的人员行为图像,具体包括如下操作步骤:
步骤102:对采样口处的干扰采样口的人员行为进行图像采集;
所述获取实时站房处采集站房图像,具体包括如下操作步骤:
步骤103:对站房处的人员刷卡门禁的行为进行图像采集;
步骤104:对站房内的关键区域的关键设备操作行为进行图像采集。
需要说明的是,在本发明实施例的上述技术方案中,上述行为信息包括进入站房内的行为分析(即站房门禁图像采集,上述进入站房行为:包括门禁视频,门禁图片,抓拍图像,录制进入站房的视频;),还包括在站房内的关键区域内的关键设备操作行为分析,判断其是否存在异常的行为图像,进行记录分析(目的是锁定篡改站房内的在线监测设备的工作参数的人员进入站房的动作);运维人员的行为分析;为了保障对排污企业,运维人员进行全面的人员行为监控,本申请实施例还在废水采样口(或是废气采样口)处进行了实时的视频图像采集,对于采样口的异常人员行为进行监控处理;同时还会对排放口进行图像采集,从而实现对异常行为实施监控处理。
需要说明的是,本实施例中的上述监测数据主要是系统监测数据,其不仅包括常规监测数据,同时还包括不限于工作参数以及运行状态等被监测的数据信息。
参见图3,同时基于Apriori算法对所述在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据,具体包括如下操作步骤:
步骤210:对当前在线监测设备进行单一预设标准参数改变测试,测试时获取当前在线监测设备的单一预设标准工作参数改变条件下的多个监测数据指标变化量,生成针对单一预设标准工作参数改变条件下的多个监测数据指标变化量列表;其中,每个监测数据指标都有1-M种指标形式进行表达,从而生成指标形式的监测数据指标变化量项集列表(注意此时是项集列表);因此上述监测数据指标变化量实际上也含有不计其数的指标形式对应的监测数据指标变化量,或称指标形式的监测数据指标变化量;
步骤220:对多个指标形式的监测数据指标变化量进行数据Apriori算法预处理,在预处理后得到确定两种指标形式为目标关联指标形式;上述目标关联指标形式是置信度大于最小置信度阈值n的两种指标形式;(上述技术方案认为每任意两种指标形式都有形成一个置信度,只有认定当前任意两种指标形式的置信度大于最小置信度阈值n时才认定这两种指标形式具有明显的受单一预设标准参数改变影响具有数据明显变化的关联性,在确定其为关联规则后再对目标指标形式的监测数据指标变化量进行正相关性分析);
然后计算绘制目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度,根据所述两种指标形式的监测数据指标变化量的变化正相关度绘制变化正相关度曲线;上述技术方案认为每任意两种指标形式都有对应的变化正相关度,但是只有认定目标关联指标形式所属的两种指标的监测数据指标变化量对应的变化正相关度曲线才有研究意义,其他的不是任意两种目标关联指标形式都有研究意义,如果都研究将会造成不必要的运算数据加大;大于最小置信度阈值n的两种指标形式具有明显的受单一预设标准参数改变影响具有数据明显变化的关联性;
所述指标形式的监测数据指标变化量的变化正相关度是在单一预设标准参数改变测试条件下,单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量的正相关度;即正相关度=单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量的协方差除于以上两个变量(即指标形式的监测数据指标变化量与同样相等单位时间内另一种指标形式的监测数据指标变化量)的标准差;需要说明的是当一个变量增大,另一个变量也增大时,表明它们之间是正相关的。上述正相关度越大则证明其两个监测数据指标受到单一预设标准参数改变影响的正关联性越强烈,影响越同步;
步骤230:随后在第一采样周期内采用随机采样的方法对线监测设备输出的多种监测数据进行实时采样;对当前多种监测数据按照目标关联指标形式进行分类,得到多个监测数据样本具体包括第1分类监测数据样本、第2分类监测数据样本……以及第N分类监测数据样本;
步骤240:对上述当前的分类监测数据样本进行筛选,筛选得到属于目标关联指标形式范围内的分类监测数据样本;
步骤250:对筛选后属于目标关联指标形式范围内的两个任意分类监测数据样本并对计算其实际变化正相关度,根据所述实际变化正相关度绘制实际变化正相关度曲线;所述实际变化正相关度=第一采样周期时间内的筛选后属于目标关联指标形式范围内的分类监测数据样本所反映的这两种指标形式的变化关联度除以第一采样周期的时间数值;
步骤260:当对比发现两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内,则认定当前的两种分类监测数据样本为异常监测数据。
需要说明的是,在本发明实施例的上述技术方案中,其在单一预设标准参数改变的情况下,采用了对多组的监测数据进行不断测试调整,最终筛选出目标关联指标形式,并针对上述目标关联指标形式计算进行指标形式的监测数据指标变化量的变化正相关度曲线;研究认为,只有当置信度大于最小置信度阈值n时才可以认定当前的两种监测数据(即指标形式对应的监测数据指标变化量)受到单一预设标准参数改变影响关联性非常密切;此时可以选择上述确定置信度大于最小置信度阈值n的任意两种指标形式为目标关联指标形式(直接对所有指标形式运算所有的数据,运算量极其的大,很难实现;所以本申请实施例创造性的对监测数据进行了数据分析识别出来了关联规则,即目标指标形式);
在进行随后的样本实际采样过程中,不断对多种监测数据进行监控分析以及运算处理;尤其筛选出筛选后属于目标关联指标形式范围内的分类监测数据样本;对筛选后属于目标关联指标形式范围内的两个任意分类监测数据样本并对计算其实际变化正相关度(研究认为上述目标关联指标形式具有明显的技术参考价值,并不是所有的变化正相关度对应的两种监测数据都被选用目标关联指标形式,其主要原因在于避免数据关联度失真,保障其更加数据显著性),其中,实际变化正相关度=单位时间内的筛选后属于目标关联指标形式范围内的一种指标形式的实际监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的实际监测数据指标变化量的增长量的协方差除以以上单位时间内的筛选后属于目标关联指标形式范围内的一种指标形式的实际监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的实际监测数据指标变化量的增长量这两个变量的标准差;
研究发现上述实际变化正相关度具有重要的参考评估价值,当对比发现两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内时则说明当前的两种分类监测数据样本为异常监测数据。如果是异常监测数据则极容易判断说明其存在工作参数被篡改的问题,如果不异常的说明其不存在工作参数被篡改的问题;
优选的,作为一种可实施方案;还包括对异常监测数据实施进一步的识别处理:
在执行步骤220的同时还包括:在单一预设标准工作参数改变条件下,确定两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内后,且将目标关联指标形式对应的单一预设标准工作参数进行关联;
在执行步骤260之后还包括:在认定当前的两种分类监测数据样本为异常监测数据后,对两种分类监测数据样本对应的单一预设标准参数进行获取;确定当前的单一预设标准参数为目标篡改参数。
需要说明的是,在本发明实施例的上述技术方案中,在对异常监测数据实施确定处理后,还需要对当前被篡改的参数进行识别与诊断;由于前期建立了目标关联指标形式对应的单一预设标准工作参数的关联列表,因此只需要查询相应的关联列表就可以判断识别出该目标关联指标形式对应的单一预设标准工作参数,识别其为目标篡改参数;上述目标篡改参数包括但不限于在线监测设备的量程,斜率,截距以及标定系数等等,对此不再一一赘述。
优选的,作为一种可实施方案;对多个指标形式的监测数据指标变化量进行数据Apriori算法预处理,在预处理后得到确定两种指标形式为目标关联指标形式,具体包括如下操作步骤:
将多个监测数据指标变化量列表中包括D种不同类型的监测数据指标以及生成指标形式的监测数据指标变化量项集列表作为输入,基于Apriori算法利用最小支持度阈值进行不断迭代运算,输出是频繁项集L;找出频繁1-项集的集合L1,然后由集合L1产生候选,并进行剪枝处理,扫描D种不同类型的监测数据指标形成的数据库进行候选计数,得到t的子集,计算支持度计数;返回候选项集中不小于最小支持度的项集,直至获取得到所有的频繁项集;所述最小支持度取值为2;
将集合L1连接集合L2;连接步产生候选,若K-1项集中已经存在子集c,则进行剪枝;在执行剪枝步时候:删除非频繁候选;
待所有的频繁项集确认后进行关联数据分析,由所述频繁项集产生有关指标形式的强关联规则。
举例说明:其中,D种不同类型的监测数据指标以及生成指标形式的监测数据指标变化量项集列表作为输入(在本实施例中D种不同类型的监测数据指标具体为数量建设为9个,即T100-T900),而且需要重点说明的是,每种监测数据指标有1-M种指标形式进行表达;
参见图5,当然在初始扫描时获得的候选1-项集集合C1则是列举出来所有的指标形式(在算法的第一次迭代,每个项都是候选1-项集的集合C1的成员,算法简单地扫描所有的指标形式,对每个项(即指标形式)的出现次数计数),以及其每个指标形式对应的支持度计数(参加图6,可知图中的指标形式A1对应的支持度是6,指标形式A2对应的支持度是7);
参见图7,然后,比较候选支持度计数与最小支持度计数,求解得到关于频繁1-项集的集合L1。它由具有最小支持度的候选1-项集组成;
参见图8,随后为发现频繁2-项集的集合L2,算法使用L1,然后由L1产生候选2-项集的集合C2。下一步,扫描D种不同类型的监测数据指标中的所有指标形式,计算C2中每个候选项集的支持计数。确定频繁2-项集的集合L2,它由具有最小支持度的C2中的候选2-项集组成。
随后候选3-项集的集合C3的产生详细地列在图8中。首先,令C3=L2;L2={{A1,A2,A3},{A1,A2,A5},{A1,A3,A5},{A2,A3,A4},{A2,A3,A5},{A2,A4,A5}}。根据Apriori性质,频繁项集的所有子集必须是频繁的,我们可以确定后4个候选不可能是频繁的。因此,我们把它们由C3删除,这样,在此后扫描D确定L3时就不必再求它们的计数值。注意,Apriori算法使用逐层搜索技术,给定k-项集,我们只需要检查它们的(k-1)-子集是否频繁。
然后利用L2连接生成C3的过程:步骤SN1:连接操作:C3=L2L2={{A1,A2},{A1,A3},{A1,A5},{A2,A3},{A2,A4},{A2,A5}}{{A1,A2},{A1,A3},{A1,A5},{A2,A3},{A2,A4},{A2,A5}}={{A1,A2,A3},{A1,A2,A5},{A1,A3,A5},{A2,A3,A4},{A2,A3,A5},{A2,A4,A5}};步骤SN2:使用Apriori性质剪枝操作:频繁项集的所有子集必须是频繁的。存在候选项集,其子集需要做进一步计算:
f{A1,A2,A3}的2-项子集是{A1,A2},{A1,A3}和{A2,A3}。{A1,A2,A3}的所有2-项子集都是L2的元素。因此,保留{A1,A2,A3}在C3中。
f{A1,A2,A5}的2-项子集是{A1,A2},{A1,A5}和{A2,A5}。{A1,A2,A5}的所有2-项子集都是L2的元素。因此,保留{A1,A2,A5}在C3中。
f{A1,A3,A5}的2-项子集是{A1,A3},{A1,A5}和{A3,A5}。{A3,A5}不是L2的元素,因而不是频繁的。这样,由C3中删除{A1,A3,A5}。
f{A2,A3,A4}的2-项子集是{A2,A3},{A2,A4}和{A3,A4}。{A3,A4}不是L2的元素,因而不是频繁的。这样,由C3中删除{A2,A3,A4}。
f{A2,A3,A5}的2-项子集是{A2,A3},{A2,A5}和{A3,A5}。{A3,A5}不是L2的元素,因而不是频繁的。这样,由C3中删除{A2,A3,A5}。
f{A2,A4,A5}的2-项子集是{A2,A4},{A2,A5}和{A4,A5}。{A4,A5}不是L2的元素,因而不是频繁的。这样,由C3中删除{A2,A3,A5}。
这样,剪枝后C3={{A1,A2,A3},{A1,A2,A5}};随后扫描D中指标形式,以确定L3,它由具有最小支持度的C3中的候选3-项集组成。
使用上述算法使用L3,L3产生候选4-项集的集合C4。尽管连接产生结果{{A1,A2,A3,A5}},这个项集被剪去,因为它的子集{A1,A3,A5}不是频繁的。这样,因此算法终止,找出了所有的频繁项集。
待所有的频繁项集确认后进行关联数据分析;本申请技术方案在,数据库中的指标形式找出频繁项集,由频繁项集产生强关联规则(强关联规则满足最小置信度)。对于置信度,可以用下式,其中条件概率用项集支持度计数表示。
confidence(A→B)=P(A│B)=support(A∪B)/support(A);其中,support(A∪B)是(A∪B)的支持度计数,support(A)是A的支持度计数。根据该式,关联规则可以产生如下:
f1、对于每个频繁项集l,产生l的所有非空子集。
最后,由频繁项集产生关联规则:假定数据包含频繁项集l={A1,A2,A5},可以由l产生关联规则。l的非空子集有{A1,A2},{A1,A5},{A2,A5},{A1},{A2}和{A5}。
结果关联规则如下,每个都列出置信度。
A1∩A2→A5,confidence=2/4=0.5=40%
A1∩A5→A2,confidence=2/2=1=80%
A2∩A5→A1,confidence=2/2=1=90%
A1→A2∩A5,confidence=2/6=0.33=33%
A2→A1∩A5,confidence=2/7=0.29=29%
A5→A1∩A2,confidence=2/2=1=100%
如果最小置信度阈值为70%,则只有规则2(即指标组合2)、规则3(即指标组合3)和最后一个指标组合(上述指标组合或称规则)可以输出,因为只有这些才是强规则。
参见图4,在当前的两种分类监测数据样本为异常监测数据之后,还包括对其中属于目标关联指标形式范围内任意一种分类监测数据样本在第一采样周期时间内所反映的监测数据指标判断其是否存短时跃变;
步骤310:将当前第一采样周期时间细分成多个时间相等的细分采样时间;
步骤320:对应计算每个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量;
步骤330:如果计算得到的相邻两个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量之差与其他任意两个细分采样时间内分类监测数据样本所反映的监测数据指标变化量之差比例超过标准比例阈值,则认定当前两个细分采样时间为疑似异常细分采样时间;
步骤340:认定当前细分采样时间的起始点为异常起始时刻,认定当前细分采样时间的时间结尾点为异常终止时刻。
需要说明的是,在本发明实施例的上述技术方案中,为了进一步对当前异常监测数据进行准确判断以及追溯,因此需要将当前第一采样周期时间进行分块分区再进行甄别追溯处理;
包括但不限于对监测数据指标判断其是否存短时跃变进行甄别处理,研究人员发现目标篡改参数一旦发生变化,可能只是发生在瞬间或是短时间内完成的,此时部分监测数据指标(尤其是目标监测数据)极容易发生短时跃变,此时认定监测数据发生异常;
为了进一步异常监测数据进行分析,在进一步的技术方案中将当前第一采样周期时间细分成多个时间相等的细分采样时间;计算每个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量之差;研究认为,如果计算得到的相邻两个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量之差与其他任意两个细分采样时间内分类监测数据样本所反映的监测数据指标变化量之差比例超过标准比例阈值,则认定当前两个细分采样时间为疑似异常细分采样时间;随后可以将上述两个细分采样时间作为关键的时间节点,继续追溯相关信息,通过软件系统运算处理从而对追溯信息实施进一步的判断;研究认为,本申请技术方案以及连续追溯信息并不是本领域惯用的技术手段。
通过度量同一个单一预设参数改变的条件下不同监测数据指标的相关程度,遍历足够多的不同监测数据指标,找到一个足够大的自相关系数,其对应的相关性度就是目标监测数据;
为了进一步对监控数据指标进行分解分析,所以对其时间分解,分解为任意相邻两个细分采样时间,随后对细分采样时间内的监控数据指标做详细的分析处理。
优选的,作为一种可实施方案;所述如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理,具体包括如下操作步骤:
对所述异常起始时刻至异常终止时刻所有的分类监测数据样本进行获取;
对获取后的所有的分类监测数据样本进行追溯处理以及进一步判断处理。
需要说明的是,前述技术方案只是对目标监测数据进行了分析处理人,然而本申请实施例的研究人员认为在锁定了两个细分采样时间后,需要对目前监测的所有的分类监测数据样本进行获取,然后进一步对其当前特定时间段(即两个细分采样时间)所有的分类监测数据样本进行获取,然后实施进一步的追溯处理,从而继续获取得到可以佐证的证据链。
优选的,作为一种可实施方案;在确定当前在线监测设备存在异常监测数据之后,还包括对采样口处的在线监测设备实施完整证据链信息采集操作;
对采样口处的在线监测设备的异常监测数据的异常起始时刻至异常终止时刻进行锁定;
调取在异常起始时刻至异常终止时刻采样口处人员行为图像;
同时调取异常起始时刻至异常终止时刻内采样口处的在线监测设备的工作日志,根据所述工作日志确定是否存在异常日志记录。
需要说明的是,在本发明实施例的上述技术方案中,进一步对其当前特定时间段(即两个细分采样时间)进行锁定后可以对调取异常起始时刻至异常终止时刻内采样口处的在线监测设备的工作日志;通过上述在线监测设备的工作日志进行进一步判断,通过工作日志内容进行分析判断是否存在异常日志记录,如果低级篡改软件进行在线监测设备的工作参数篡改后有可能会被在线监控设备进行记录,尤其是工作日志内容将会反映一些异常情况,比如:被重启设备,被掉电等等。
研究发现,篡改工作参数发生的行为:包括对工作日志修改,篡改参数抓拍的图片,篡改阐述录制的视频,修改哪些工作参数;研究人员认为本申请上述具体实施方案针对工作参数修改后监测数据出现了哪些关联性异常变动做了细微的计算以及分析,最终实现了相应的可靠鉴别方式。
不仅如此,研究还发现上述数据弄虚作假行为屡屡被发现,包括:1、擅自停机或是破坏在线监测设备;2、故意堵塞、蒙罩采样口或对采样口周围局部环境进行人工干扰;3、随意修改在线监测设备的温湿度、大气压、斜率、截距和流量等工作参数设置;4、擅自设置数据采集、传输上下限值及波动范围或随意更改数据信号传输参数;5、擅自手动删除监测数据,这样将会通过异常工作日志进行体现;6、篡改、伪造、销毁原始的监控数据记录。
优选的,作为一种可实施方案;在所述调取异常起始时刻至异常终止时刻内采样口处的在线监测设备的工作日志之后,还包括对异常起始时刻至异常终止时刻内在排放口处的所述排放口图像进行调取。
在所述调取异常起始时刻至异常终止时刻内采样口处的在线监测设备的工作日志之后,还包括对异常起始时刻至异常终止时刻的采样口处的在线监测设备进行设备运行状态访问,并对期间的设备运行状态进行追溯;
在认定当前在线监测设备存在异常的设备运行状态时,将在线监测设备实现远程控制,对所述在线监测设备实施参数归零初始化校准测试。
需要说明的是,在本发明实施例的上述技术方案中,认为当前特定时间段(即两个细分采样时间)是对于采样口以及排放口的视频采集重要截取时刻;研究发现当涉事生产企业对于在线监测设备进行破坏,篡改工作参数时,往往会在采样口处留下监控记录,因为在本申请技术方案其已经阐明在采样口处安装了在线监测设备。对于判断存在排放口异常行为和采样口处理异常行为的图像进行保存处理,待后续进行查看保留图像证据。
在本申请技术方案中,还可以定期对在线监测设备实现远程控制,归零初始化校准测试以验证在线监测设备的可靠性。
与此同时,在上述异常起始时刻至异常终止时刻的采样口处的在线监测设备进行设备运行状态访问,并对期间的设备运行状态进行追溯,上述设备运行状态一般是反映了在线监测设备的设备故障率、设备报警次数、设备运行能耗;同时对在线监测设备的设备运行状态进行监测,遇到异常设备运行状态也可以进行追溯,这样就方便了执法进行进一步取证。
研究人员发现一旦在线监测设备被恶意篡改其在一段时间的监测数据,包含其整体变化趋势、跃变以及监测数据特征都会发生连锁反应,研究人员正是以上述方案为基础研究设计了上述正关联性数据评估方法,从而从多方面反映在线监测设备的内部可能存在的异常情况。
本发明实施例储备了大量的关于上述在线监测设备的基本信息以及状态运行信息,同时其还可以通过对设备的历史状态数据预处理,机器学习算法对数据所蕴藏信息的挖掘,可对状态运行信息的异常情况实施进一步的甄别,并在此基础上提高在线监测设备状态评价技术的准确性以及可信度。
本发明实施例采用了Apriori算法,通过该算法我们可以对数据集做关联分析,在大规模的监测数据指标与单一预设参数改变条件中寻找关系,使用Apriori算法发现数据的(频繁项集、关联规则)。关联规则:暗示两种指标形式之间可能存在很强的关系;
预备工作:生成针对单一预设标准工作参数改变条件下的多个监测数据指标变化量列表(此处为列表);扫描上述多个监测数据指标变化量列表,同时生成指标形式的监测数据指标变化量项集列表(注意此时是项集列表):查看哪些项集满足最小支持度要求,那些不满足最小支持度的集合会被去掉;对剩下的集合进行组合以生成包含两个元素的项集;接下来重新扫描监控数据指标,去掉不满足最小支持度的项集,重复进行直到所有项集都被去掉。
在具体技术方案中,使用Apriori算法逐层迭代找出频繁项集;将被处理的数据包括D种不同类型的监测数据指标作为输入,利用最小支持度阈值进行不断迭代运算,输出是频繁项集L;首先,找出频繁1-项集的集合L1,然后由集合L1产生候选,并进行剪枝处理,扫描D种不同类型的监测数据指标形成的数据库进行候选计数,得到t的子集;计算支持度计数;返回候选项集中不小于最小支持度的项集,直至获取得到所有的频繁项集。随后连接步:L1连接L2;连接步产生候选,若K-1项集中已经存在子集c,则进行剪枝;在执行剪枝步时候:删除非频繁候选。
上述由任意两组指标形式形成的组合才是正相关性较高的目标监测数据指标,最小支持度。频繁项集连同它们的支持度预先存放在hash表中,使得它们可以快速被访问。支持度:一个项集的支持度被定义为数据集中包含该项集的记录所占的比例,支持度是针对项集来说的,因此可以定义一个最小支持度,只保留最小支持度的项集。可信度(置信度)是一个概率样本的置信区间(Confidence interval)是对这个样本的某个总体参数的区间估计。
实施例二
参见图9,本发明实施例二提供了一种环境弄虚作假行为识别动态管控装置,包括:
图像处理模块10,获取排放口处实时采集的排放口图像,根据所述排放口图像对排放口异常行为实施监控处理;同时获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;同时获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;
异常判断处理模块20,同时基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理。
需要说明的是,将在线监测设备定期实现远程控制,对在线监测设备实施归零初始化校准测试以验证在线监测设备的可靠性;上述在线监测设备包括但不限于是对排放口在线监测设备,同时也包括安装在站房内的其他在线监测设备,只要存在其破坏行为则均可以进行必要的安全监测数据进行获悉,然后根据安全监测数据就可以实现分析得到异常行为,从而实现鉴定;
在进一步的技术方案中,对在线监测设备的输出数据(即监测数据,通过对监测数据的持续分析判断是否存在明显异常行为)进行持续监控,对于分析认定为极其异常的异常监测数据给予追溯,最终完成智能在线异常监控数据评估以及作假行为分析。
本发明实施例提供的环境弄虚作假行为识别动态管控装置,其实现对排污企业生产-治理-排放全过程的监管,全信息化处理监控;同时监测多种违规行为并留存“完整证据链”(数据、状态、参数、图片、视频)自动向环境执法人员推送并形成闭环管理;利用上述环境弄虚作假行为识别动态管控装置可以设计形成完整的证据链。
本申请技术方案还可以根据上述技术实现完成数据质量分析,给各个业务部门提供能说清楚的监测数据;本申请技术方案落实排污企业的环保主体责任,提升监测数据的说服力,能够实现排污自证,同时极大提升企业的自动化、智能化水平。
实施例三;
本发明实施例三提供的计算机可读存储介质,计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述指令、所述程序、所述代码集或所述指令集由处理器加载并执行以实现上述实施例所述的环境弄虚作假行为识别动态管控方法中所执行的操作。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明实施例的较佳实施例,并不用以限制本发明实施例,凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种环境弄虚作假行为识别动态管控方法,其特征在于,所述方法包括:
获取排放口处实时采集的排放口图像,根据所述排放口图像对排放口异常行为实施监控处理;同时获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;同时获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;
同时基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;具体包括如下操作步骤:
对当前在线监测设备进行单一预设标准参数改变测试,测试时获取当前在线监测设备的单一预设标准工作参数改变条件下的多个监测数据指标变化量,生成针对单一预设标准工作参数改变条件下的多个监测数据指标变化量列表;其中,每个监测数据指标都有1-M种指标形式进行表达,从而生成指标形式的监测数据指标变化量项集列表;
对多个指标形式的监测数据指标变化量进行数据Apriori算法预处理,在预处理后得到确定两种指标形式为目标关联指标形式;上述目标关联指标形式是置信度大于最小置信度阈值n的两种指标形式;
然后计算绘制目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度,根据所述两种指标形式的监测数据指标变化量的变化正相关度绘制变化正相关度曲线;
所述指标形式的监测数据指标变化量的变化正相关度是在单一预设标准参数改变测试条件下,单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量的正相关度;即正相关度=单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量的协方差除以以上单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量这两个变量的标准差;
随后在第一采样周期内采用随机采样的方法对线监测设备输出的多种监测数据进行实时采样;对当前多种监测数据按照目标关联指标形式进行分类,得到多个监测数据样本具体包括第1分类监测数据样本、第2分类监测数据样本……以及第N分类监测数据样本;
对上述当前的分类监测数据样本进行筛选,筛选得到属于目标关联指标形式范围内的分类监测数据样本;
对筛选后属于目标关联指标形式范围内的两个任意分类监测数据样本并对计算其实际变化正相关度,根据所述实际变化正相关度绘制实际变化正相关度曲线;所述实际变化正相关度=单位时间内的筛选后属于目标关联指标形式范围内的一种指标形式的实际监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的实际监测数据指标变化量的增长量的协方差除以以上单位时间内的筛选后属于目标关联指标形式范围内的一种指标形式的实际监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的实际监测数据指标变化量的增长量这两个变量的标准差;
当对比发现两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内,则认定当前的两种分类监测数据样本为异常监测数据;
所述监测数据包括工作参数以及运行状态;
如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理;
在当前的两种分类监测数据样本为异常监测数据之后,还包括对其中任意属于目标关联指标形式范围内一种分类监测数据样本在第一采样周期时间内所反映的监测数据指标判断其是否存短时跃变;
将当前第一采样周期时间细分成多个时间相等的细分采样时间;
对应计算每个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量;
如果计算得到的相邻两个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量之差与其他任意两个细分采样时间内分类监测数据样本所反映的监测数据指标变化量之差比例超过标准比例阈值,则认定当前两个细分采样时间为疑似异常细分采样时间;
认定当前细分采样时间的起始点为异常起始时刻,认定当前细分采样时间的时间结尾点为异常终止时刻;
所述对多个指标形式的监测数据指标变化量进行数据Apriori算法预处理,在预处理后得到确定两种指标形式为目标关联指标形式,具体包括如下操作步骤:
将多个监测数据指标变化量列表中包括D种不同类型的监测数据指标以及生成指标形式的监测数据指标变化量项集列表作为输入,基于Apriori算法利用最小支持度阈值进行不断迭代运算,输出是频繁项集L;找出频繁1-项集的集合L1,然后由集合L1产生候选,并进行剪枝处理,扫描D种不同类型的监测数据指标形成的数据库进行候选计数,得到t的子集,计算支持度计数;返回候选项集中不小于最小支持度的项集,直至获取得到所有的频繁项集;所述最小支持度取值为2;
将集合L1连接集合L2;连接步产生候选,若K-1项集中已经存在子集c,则进行剪枝;在执行剪枝步时候:删除非频繁候选;
待所有的频繁项集确认后进行关联数据分析,由所述频繁项集产生有关指标形式的强关联规则;
还包括对异常监测数据实施进一步的识别处理:在单一预设标准工作参数改变条件下,确定两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内后,且将目标关联指标形式对应的单一预设标准工作参数进行关联;在认定当前的两种分类监测数据样本为异常监测数据后,对两种分类监测数据样本对应的单一预设标准参数进行获取;确定当前的单一预设标准参数为目标篡改参数;
所述如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理,具体包括如下操作步骤:对所述异常起始时刻至异常终止时刻所有的分类监测数据样本进行获取;对获取后的所有的分类监测数据样本进行追溯处理以及进一步判断处理。
2.根据权利要求1所述的环境弄虚作假行为识别动态管控方法,其特征在于,
所述获取排放口处实时采集的排放口图像,具体包括如下操作步骤:对排放口处的人员行为进行图像采集;
所述获取采样口处的人员行为图像,具体包括如下操作步骤:对采样口处的干扰采样口的人员行为进行图像采集;
所述获取实时站房处采集站房图像,具体包括如下操作步骤:
对站房处的人员刷卡门禁的行为进行图像采集;
对站房内的关键区域的关键设备操作行为进行图像采集。
3.根据权利要求2所述的环境弄虚作假行为识别动态管控方法,其特征在于,在确定当前在线监测设备存在异常监测数据之后,还包括对采样口处的在线监测设备实施完整证据链信息采集操作;
对采样口处的在线监测设备的异常监测数据的异常起始时刻至异常终止时刻进行锁定;
调取在异常起始时刻至异常终止时刻采样口处人员行为图像;
同时调取异常起始时刻至异常终止时刻内采样口处的在线监测设备的工作日志,根据所述工作日志确定是否存在异常日志记录。
4.根据权利要求3所述的环境弄虚作假行为识别动态管控方法,其特征在于,在所述调取异常起始时刻至异常终止时刻内采样口处的在线监测设备的工作日志之后,还包括对异常起始时刻至异常终止时刻内在排放口处的所述排放口图像进行调取;
还包括对异常起始时刻至异常终止时刻的采样口处的在线监测设备进行设备运行状态访问,并对期间的设备运行状态进行追溯;
在认定当前在线监测设备存在异常的设备运行状态时,将在线监测设备实现远程控制,对所述在线监测设备实施参数归零初始化校准测试。
5.一种环境弄虚作假行为识别动态管控装置,其特征在于,包括:
图像处理模块,获取排放口处实时采集的排放口图像,根据所述排放口图像对排放口异常行为实施监控处理;同时获取采样口处的人员行为图像,根据所述采样口处的人员行为图像对采样口处的异常行为实施监控处理;同时获取实时站房处采集站房图像,根据所述站房图像对站房内异常行为实施监控处理;
异常判断处理模块,同时基于Apriori算法对在线监测设备输出的监测数据进行持续监测,并判断监测数据是否存在异常监测数据;所述异常判断处理模块,具体用于:
对当前在线监测设备进行单一预设标准参数改变测试,测试时获取当前在线监测设备的单一预设标准工作参数改变条件下的多个监测数据指标变化量,生成针对单一预设标准工作参数改变条件下的多个监测数据指标变化量列表;其中,每个监测数据指标都有1-M种指标形式进行表达,从而生成指标形式的监测数据指标变化量项集列表;
对多个指标形式的监测数据指标变化量进行数据Apriori算法预处理,在预处理后得到确定两种指标形式为目标关联指标形式;上述目标关联指标形式是置信度大于最小置信度阈值n的两种指标形式;
然后计算绘制目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度,根据所述两种指标形式的监测数据指标变化量的变化正相关度绘制变化正相关度曲线;
所述指标形式的监测数据指标变化量的变化正相关度是在单一预设标准参数改变测试条件下,单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量的正相关度;即正相关度=单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量的协方差除以以上单位时间内一种指标形式的监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的监测数据指标变化量的增长量这两个变量的标准差;
随后在第一采样周期内采用随机采样的方法对线监测设备输出的多种监测数据进行实时采样;对当前多种监测数据按照目标关联指标形式进行分类,得到多个监测数据样本具体包括第1分类监测数据样本、第2分类监测数据样本……以及第N分类监测数据样本;
对上述当前的分类监测数据样本进行筛选,筛选得到属于目标关联指标形式范围内的分类监测数据样本;
对筛选后属于目标关联指标形式范围内的两个任意分类监测数据样本并对计算其实际变化正相关度,根据所述实际变化正相关度绘制实际变化正相关度曲线;所述实际变化正相关度=单位时间内的筛选后属于目标关联指标形式范围内的一种指标形式的实际监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的实际监测数据指标变化量的增长量的协方差除以以上单位时间内的筛选后属于目标关联指标形式范围内的一种指标形式的实际监测数据指标变化量的增长量与同样相等单位时间内另一种指标形式的实际监测数据指标变化量的增长量这两个变量的标准差;
当对比发现两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内,则认定当前的两种分类监测数据样本为异常监测数据;
如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理
所述监测数据包括工作参数以及运行状态;
在当前的两种分类监测数据样本为异常监测数据之后,还包括对其中任意属于目标关联指标形式范围内一种分类监测数据样本在第一采样周期时间内所反映的监测数据指标判断其是否存短时跃变;
将当前第一采样周期时间细分成多个时间相等的细分采样时间;
对应计算每个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量;
如果计算得到的相邻两个细分采样时间内其中一种分类监测数据样本所反映的监测数据指标变化量之差与其他任意两个细分采样时间内分类监测数据样本所反映的监测数据指标变化量之差比例超过标准比例阈值,则认定当前两个细分采样时间为疑似异常细分采样时间;
认定当前细分采样时间的起始点为异常起始时刻,认定当前细分采样时间的时间结尾点为异常终止时刻;
所述对多个指标形式的监测数据指标变化量进行数据Apriori算法预处理,在预处理后得到确定两种指标形式为目标关联指标形式,具体包括如下操作步骤:
将多个监测数据指标变化量列表中包括D种不同类型的监测数据指标以及生成指标形式的监测数据指标变化量项集列表作为输入,基于Apriori算法利用最小支持度阈值进行不断迭代运算,输出是频繁项集L;找出频繁1-项集的集合L1,然后由集合L1产生候选,并进行剪枝处理,扫描D种不同类型的监测数据指标形成的数据库进行候选计数,得到t的子集,计算支持度计数;返回候选项集中不小于最小支持度的项集,直至获取得到所有的频繁项集;所述最小支持度取值为2;
将集合L1连接集合L2;连接步产生候选,若K-1项集中已经存在子集c,则进行剪枝;在执行剪枝步时候:删除非频繁候选;
待所有的频繁项集确认后进行关联数据分析,由所述频繁项集产生有关指标形式的强关联规则;
还包括对异常监测数据实施进一步的识别处理:在单一预设标准工作参数改变条件下,确定两种分类监测数据样本的实际变化正相关度曲线与目标关联指标形式所属的两种指标形式的监测数据指标变化量的变化正相关度曲线在预设偏差范围内后,且将目标关联指标形式对应的单一预设标准工作参数进行关联;在认定当前的两种分类监测数据样本为异常监测数据后,对两种分类监测数据样本对应的单一预设标准参数进行获取;确定当前的单一预设标准参数为目标篡改参数;
所述如果判断存在异常监测数据,则对所述异常监测数据进行保存以及追溯处理,具体包括如下操作步骤:对所述异常起始时刻至异常终止时刻所有的分类监测数据样本进行获取;对获取后的所有的分类监测数据样本进行追溯处理以及进一步判断处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111264493.6A CN113705547B (zh) | 2021-10-28 | 2021-10-28 | 环境弄虚作假行为识别动态管控方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111264493.6A CN113705547B (zh) | 2021-10-28 | 2021-10-28 | 环境弄虚作假行为识别动态管控方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705547A CN113705547A (zh) | 2021-11-26 |
CN113705547B true CN113705547B (zh) | 2022-03-25 |
Family
ID=78647325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111264493.6A Active CN113705547B (zh) | 2021-10-28 | 2021-10-28 | 环境弄虚作假行为识别动态管控方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705547B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012128877A (ja) * | 2012-03-19 | 2012-07-05 | Toshiba Corp | 不審行動検知システム及び方法 |
CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
CN113012388A (zh) * | 2021-02-19 | 2021-06-22 | 浙江清之元信息科技有限公司 | 污染源在线监测系统及在线监测数据作假识别分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9322667B2 (en) * | 2012-04-28 | 2016-04-26 | Hewlett Packard Enterprise Development Lp | Detecting anomalies in power consumption of electrical systems |
CN111582235B (zh) * | 2020-05-26 | 2023-04-07 | 瑞纳智能设备股份有限公司 | 用于实时监控站内异常事件的警报方法、系统及设备 |
CN112351169A (zh) * | 2020-10-21 | 2021-02-09 | 福建碧霞环保科技有限公司 | 一种用于环境执法管理的非现场执法全过程监管系统 |
-
2021
- 2021-10-28 CN CN202111264493.6A patent/CN113705547B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012128877A (ja) * | 2012-03-19 | 2012-07-05 | Toshiba Corp | 不審行動検知システム及び方法 |
CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
CN113012388A (zh) * | 2021-02-19 | 2021-06-22 | 浙江清之元信息科技有限公司 | 污染源在线监测系统及在线监测数据作假识别分析方法 |
Non-Patent Citations (3)
Title |
---|
智能监控助力水库检测与污水处理,直击防洪抗旱需求痛点;TSINGSEE青犀视频;《云服务_网易订阅163.com/dy/article/GJENHM700552BGTE.html》;20210909;全文 * |
污水处理异常诊断智能算法及其应用研究;蒋美迪;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅰ辑》;20150815;全文 * |
环境监测数据造假是更严重的污染;光明日报;《百度baijiahao.baidu.com/s?id=1579603606591959496&wfr=spider&for=pc》;20170926;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705547A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101751535B (zh) | 通过应用程序数据访问分类进行的数据损失保护 | |
CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN113240211B (zh) | 废水排放预测方法、装置、计算机设备和存储介质 | |
CN101706749A (zh) | 基于软件安全缺陷检测的综合处理方法及其功能模块构架 | |
CN116416884A (zh) | 一种显示器模组的测试装置及其测试方法 | |
Atzmueller et al. | Anomaly detection and structural analysis in industrial production environments | |
CN117992953A (zh) | 基于操作行为跟踪的异常用户行为识别方法 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
CN111858140B (zh) | 污染物监控数据的校验方法、装置、服务器和介质 | |
CN113705547B (zh) | 环境弄虚作假行为识别动态管控方法、装置 | |
CN117370548A (zh) | 用户行为风险识别方法、装置、电子设备及介质 | |
CN112073396A (zh) | 一种内网横向移动攻击行为的检测方法及装置 | |
CN111667391A (zh) | 一种环保大数据监测系统 | |
Tolas et al. | Periodicity detection algorithm and applications on IoT data | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
CN112417007A (zh) | 一种数据分析方法、装置、电子设备及存储介质 | |
CN111798237A (zh) | 基于应用日志的异常交易诊断方法及系统 | |
Zhao et al. | Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis | |
CN118333465B (zh) | 一种建设工程质量检测监管方法、系统及平台 | |
CN118519818B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN117540372B (zh) | 智能学习的数据库入侵检测与响应系统 | |
CN118400395B (zh) | 一种基于设备用户画像的工业互联网安全监控方法及系统 | |
Wei et al. | Security Analysis of Car Driving Identification System Based on Deep Learning |
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 |