CN114565065A - 一种水文序列数据异常值检测方法 - Google Patents
一种水文序列数据异常值检测方法 Download PDFInfo
- Publication number
- CN114565065A CN114565065A CN202210465324.7A CN202210465324A CN114565065A CN 114565065 A CN114565065 A CN 114565065A CN 202210465324 A CN202210465324 A CN 202210465324A CN 114565065 A CN114565065 A CN 114565065A
- Authority
- CN
- China
- Prior art keywords
- data
- water level
- monthly
- abnormal
- month
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000003066 decision tree Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000005856 abnormality Effects 0.000 claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 131
- 238000013138 pruning Methods 0.000 claims description 17
- 239000000872 buffer Substances 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 abstract description 4
- 230000004048 modification Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012163 sequencing technique 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供一种水文序列数据异常值检测方法,包括构建cart决策树,异常检测与决策树更新;从海量汇交数据中,基于Cart决策树自动准确检测到数据异常,减轻数据审核人员工作量,迅速定位数据错误和发生异常水文事件的情况;提高汇交数据质量和权威性,减少数据异常和反复修改对后续分析运用造成的影响。
Description
技术领域
本发明涉及水文检测领域,尤其涉及一种水文序列数据异常值检测方法。
背景技术
随着经济社会的快速发展,水资源问题和供需矛盾越来越突出,水资源管理能力与管理目标之间存在较大差距,与生态文明建设和高质量发展的要求不相适应。为提高水资源管理能力,水文部门要求实现水位、流量数据的“日清月结”,并按月进行全国水文数据的报送汇集,为水资源管理提供必要的数据支持。逐月进行的数据报送,必须以经过审核校验为前提,以保证数据的可用性。由于每月水文数据量大,工作时间紧张,人工审核容易疲惫,出现遗漏,审核有时无法深入到数据内部质量,导致在后续数据的分析使用过程中,发现数据有误再重新校核,而此时已发布的错误数据已经无法撤回。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了一种水文序列数据异常值检测方法,辅助校核人员快速定位异常数据和异常情况,对于数据错误的,进行更正,对于确实发生异常现象的,进行说明。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种水文序列数据异常值检测方法,包括以下步骤:S1、构建cart决策树,包括:
S11、引入冗余数据的样本选择;
cart决策树构建的最终样本的选择为过往逐月报送的所有数据,以测站为单位,一个测站在一个月报送的数据为一个样本,最初报送的数据,为原始样本集;
经过后续审核、分析使用过程中,修改过的数据为标准样本集;
通过对比,标记出所述原始样本集中的异常样本;
S12、基于水文序列数据特性的特征选择;
S13、基于基尼系数的阈值选择;
S14、一站一树预剪枝;
进行基于先验知识的预剪枝,所述预剪枝用先验知识,判断采用某个特征的必要性,在阈值选择过程中,将对于单个测站而言无意的特征直接去除,不参与阈值选择,并利用预剪枝后的特征最终形成所述测站的最优决策树;
S2、异常检测与决策树更新;
形成的决策树用来进行新数据的异常检测,根据检测结果,能定位异常数据的位置,根据分类器的类型,定位数据的异常类型,以便有效辅助人工校核;
对于数据错误的,进行更正;
对于发生异常的水文情况,进行说明,便于后续数据分析。
进一步,所述S12中,所述特征包括:
水位特征:
(2)、水位月特征值是否齐全;
(7)、当月水位数据开头与上月水位数据的结尾,为水位数据接头处,所述水位数据接头处是否形成平滑曲线,即水位斜率的变化情况为:
流量特征:
(9)、流量月特征值是否齐全;
进一步,根据所述特征的选择,所述(1)~所述(3)及所述(8)~所述(10)的判定只有是否;
如果满足,则为无异常样本;
如果不满足,则为异常样本。
进一步,所述S14中的所述先验知识包括:
S141、新建测站无长序列历史数据,所述历史数据无法作为决策依据,即建成五年以内的测站,不需要与历史特征值有关的特征;
S142、测站只监测水位时,不需要与流量相关的所有特征;
S143、测站只监测流量时,不需要与水位相关的所有特征;
S144、测站为汛期站时,非汛期无数据,不需要做任何异常检测。
进一步,所述S2中,为辅助人工校核,根据所述异常类型和偏离程度,依照异常概率由大到小排列数据,所述异常概率由大到小依次为:
S21、当月报送数据缺失,一定异常,对应特征所述(1)、(2)、(8)、(9);
S22、当月报送数据自相矛盾,偏离值越大,异常概率越大,对应特征所述(3)、(4)、(10)、(11);
S23、当月报送数据与历史特征值相矛盾,偏离值越大,异常概率越大,对应特征所述(5)(6)、(12)、(13);
S24、所述水位数据接头处的曲线不平滑,曲率方差越大,异常概率越大,对应特征所述(7)。
当特征值小于等于1时,判定为无异常;大于等于利用最小所述基尼系数选定阈值时,为极度异常;
当特征值大于1且小于选定阈值时,为疑似异常,所述疑似异常的部分为缓冲区。
进一步,所述月报送数据包括日均水位、日均流量、月均水位、月均流量、月最高水位、月最低水位、月最大流量、月最小流量和月径流量。
本发明的有益效果为:从海量汇交数据中,基于Cart决策树自动准确检测到数据异常,减轻数据审核人员工作量,迅速定位数据错误和发生异常水文事件的情况;
提高汇交数据质量和权威性,减少数据异常和反复修改对后续分析运用造成的影响者通过在线系统全程进行线上流程监控和线下监测监控,使整个水文监测流程可控。
附图说明
图1 为本发明cart决策树模型建模过程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种水文序列数据异常值检测方法,包括以下步骤:
S1、构建cart(分类与回归树)决策树,包括:
S11、引入冗余数据的样本选择;
其中,根据系统数据要送要求可知,各地重要水文站必须按月、按年将水位、流量整编数据通过系统进行报送,按月报送当月水文序列数据,包括:日均水位、日均流量、月均水位、月均流量、月最高水位、月最低水位、月最大流量、月最小流量、月径流量。同时各水文站还报送了历史特征值用于分析。
各月汇集的数据类型很多,但实质上,所有的数据均来源于日均水位和日均流量,因此一般而言,只需要汇交日均值,即可计算出其他的所有数据。但是仅汇集日均值的做法,将导致无冗余数据,一旦日均值中存在异常,没有任何数据可用于辅助检测异常,导致后续月特征值和年特征值的数据可能全部出错。因此在汇集过程中,上述数据全部要求汇交,在选择样本时,要将上述数据全部纳入,通过冗余数据进行相互检验。
cart决策树构建的最终样本的选择为过往所有报送的月任数据,以测站为单位,一个测站在一个与月报送的数据为一个样本,最初报送的数据,为原始样本集;
经过后续审核、分析使用过程中,修改过的数据为标准样本集;
通过对比,标记出所述原始样本集中的异常样本;
S12、基于水文序列数据特性的特征选择;
S13、基于基尼系数的阈值选择;
S14、一站一树预剪枝;
由于各测站的水文特征和数据状况不同,可用作数据异常检测的依据可能不同,造成这个情况的主要原因包括:水文特性是否稳定,数据序列是否足够长,是否具备全年水文监测的条件。因此,预剪枝遵循一站一树的原则。
进行基于先验知识的预剪枝,所述预剪枝用先验知识,判断采用某个特征的必要性,在阈值选择过程中,将对于单个测站而言无意的特征直接去除,不参与阈值选择,并利用预剪枝后的特征最终形成该测站的最优决策树;
其中,CART是在给定输入随机变量X的条件下输出随机变量Y的条件概率分布的学习方法,CART决策树二分每个特征,最终得到决策树,通过不断的划分,将特征空间划分为有限个单元,并在这些单元上确定预测的概率分布。
S2、异常检测与决策树更新;
形成的决策树用来进行新数据的异常检测,根据检测结果,能定位异常数据的位置,根据分类器的类型,定位数据的异常类型,以便有效辅助人工校核;
对于数据错误的,进行更正;
对于发生异常的水文情况,进行说明,便于后续数据分析。
其中,分析当前常常导致数据异常的原因,我们发现主要异常原因包括:
①数据报送中误把其他数据当成目标数据进行报送;
②数据整理过程中,偶尔将几个数据报漏了或报错了;
③月、年统计值计算错误;
④基面发生变化未及时修改基面进行数据转换;
⑤因水工程影响导致停测;
⑥发生罕见旱情或汛情。
针对上述原因,总结可用于构建决策树的所述S12中,所述特征包括:
水位特征:
(2)、水位月特征值是否齐全;
(7)、当月水位数据开头与上月水位数据的结尾,为水位数据接头处,所述水位数据接头处是否形成平滑曲线,即水位斜率的变化情况为:
流量特征:
(9)、流量月特征值是否齐全;
根据所述特征的选择,所述(1)~所述(3)及所述(8)~所述(10)的判定只有是否;
如果满足,则为无异常样本;
如果不满足,则为异常样本。
其中,对于较为极端的情况,样本中暂不存在异常样本时,则直接取特征中的最大值最为阈值,待后续出现异常样本后,通过不断训练,获得当前最优阈值。
所述14中的所述先验知识包括:
S141、新建测站无长序列历史数据,所述历史数据无法作为决策依据,即建成五年以内的测站,不需要与历史特征值有关的特征;
S142、测站只监测水位时,不需要与流量相关的所有特征;
S143、测站只监测流量时,不需要与水位相关的所有特征;
S144、测站为汛期站时,非汛期无数据,不需要做任何异常检测。
所述S2中,为辅助人工校核,根据所述异常类型和偏离程度,依照异常概率由大到小排列数据,所述异常概率由大到小依次为:
S21、当月报送数据缺失,一定异常,对应特征所述(1)、(2)、(8)、(9);
S22、当月报送数据自相矛盾,偏离值越大,异常概率越大,对应特征所述(3)、(4)、(10)、(11);
S23、当月报送数据与历史特征值相矛盾,偏离值越大,异常概率越大,对应特征所述(5)(6)、(12)、(13);
S24、所述水位数据接头处的曲线不平滑,曲率方差越大,异常概率越大,对应特征所述(7)。
但是被检测为异常的数据实际确实异常的概率则最低,被检测为异常的数据远多于实际异常数据时,不利提高异常检测精度;
当特征值小于等于1时,判定为无异常,大于等于利用最小所述基尼系数选定阈值时,为极度异常;
当特征值大于1且小于选定阈值时,为疑似异常,疑似异常的部分即为缓冲区;
检测无异常但实际异常的数据一般集中在缓冲区。排序时按照极度异常、疑似异常、无异常的顺序排列,实际人工校核时,一般集中解决极度异常数据,而把疑似异常当成无异常处理。
人工校核实质上是判定检测正确性的过程,新的判定结果将生成新的学习样本。每月完成数据汇集后,可重新生训练样本,构建决策树。
其中,样本的选择为过往逐月报送的所有数据,以测站为单位,一个测站在一个月内报送的所有数据为一个样本,最初报送的数据,为原始样本集,经过后续审核、分析使用过程中,修改过的数据为标准样本集,通过对比,标记出原始样本中的异常样本的位置和类型。通过月特征值数据增加数据冗余,为异常检测提供依据。
剪枝采用基于先验知识的剪枝方法,最终每个测站的先验知识不同,将各自生成自己的决策树。
利用cart决策树进行异常检测,根据异常概率由大到小排序,辅助校核人员校核,校核结果将成为新的样本,重新进行决策树生成。
对于特征(9)至(12),设置错误检测缓冲区。
所述当月报送数据包括日均水位、日均流量、月均水位、月均流量、月最高水位、月最低水位、月最大流量、月最小流量和月径流量。
实施例一
样本选择
将2019年1月至2021年12月系统初始填报的所有测站的日均水位、月均水位、月最高水位、月最低水位以及日均流量、月均流量、月最大流量、月最小流量、月径流量作为原始样本集,以测站一个月内报送的所有数据为一个样本。利用对初始填报数据进行修改后的数据作为标准样本集,比较两个样本集的值,如果相同,则原始样本标记为无异常样本,如果不相同,则原始标记样本为异常样本;
其中,样本总数为31011个,无异常样本总数为28796个,异常样本总数为2215个。
每月完成数据汇集后,可重新生成决策树样本,根据数据量,一年重新生成一次决策树。
特征选择
将所有样本依次带入以下特征中,进行计算,当月天数为31天时,N=31。
(2)水位月特征值是否齐全,即包含月均水位、月最高水位、月最低水位;
(7)当月水位数据开头与上月水位数据的结尾,为水位数据接头处,所述水位数据接头处是否形成平滑曲线,即水位斜率的变化情况。设上月数据的日均值为 ,则接头处的数据取 、 、 、 、 、 ,计算斜率变化是否较大,则求斜率的方差: , 为方差可接受的范围。
(9)流量月特征值是否齐全,即包含月均流量、月最大流量、月最小流量、月径流量;
基于基尼系数的阈值选择
根据特征选择可知,利用cart决策树检测异常数据,选取十三个特征,其中(1)至(5)及(7)中,满足的为无异常,不满足的为异常,其余特征采用基尼系数确定阈值,选取使Gini指数最小的值作为阈值,小于阈值的为无异常,大于阈值的为异常。本方法采用基尼指数选取阈值,样本个数总共为31011,无异常样本总数为28796个,异常样本总数为2215个,依次对 、 进行取值,计算基尼系数,首次计算取值为1,取值为0。第二次计算 取值为1.1,取值为0.1,以此类推类推,直到取到该特征计算出的最大值。选取使各特征的基尼系数最小的值最为各特征的最终阈值。形成初始cart决策树。
一站一树剪枝
进行基于先验知识的预剪枝,所述预剪枝用先验知识,判断采用某个特征的必要性,在阈值选择过程中,将对于单个测站而言无意的特征直接去除,不参与阈值选择,并利用预剪枝后的特征最终形成所述测站的最优决策树。先验经验包括:
新建测站无长序列历史数据,历史数据无法作为决策依据,即建成五年以内的测站,不需要与历史特征值有关的特征;
测站只监测水位时,不需要与流量相关的所有特征;
测站只监测流量时,不需要与水位相关的所有特征;
测站为汛期站时,非汛期无数据,不需要做任何异常检测。
如对于汉口站,测站拥有长序列数据,同时检测水位流量,不是汛期站,则不进行预剪枝,初始决策树即为最终决策树。对于白沙站,无五年以上长序列历史数据,只监测水位,不为汛期站,则通过剪枝后,仅剩下5个水位特征节点。
异常检测与决策树更新
形成的决策树用来进行新数据的异常检测,根据异常概率由大到小排列数据,便于人工校核。异常概率由大到小依次为:
(11)当月报送数据缺失,一定异常,对应特征(1)、(2)、(8)、(9);
(22)当月报送数据自相矛盾,偏离值越大,异常概率越大,对应特征(3)、(4)、(10)、(11);
(33)当月报送数据与历史特征值相矛盾,偏离值越大,异常概率越大,对应特征(5)(6)、(12)、(13);
(44)接头处曲线不平滑,曲率方差越大,异常概率越大,对应特征(7)。
对于异常数据,根据特征情况利用红色标记出其异常位置,对于无异常数据则不标记,但针对(33)中,存在1到阈值之间的疑似异常的缓冲区。
每月完成数据汇集后,可重新生成决策树样本,根据数据量,一年重新生成一次决策树。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求。
Claims (8)
1.一种水文序列数据异常值检测方法,其特征在于,包括以下步骤:S1、构建cart决策树,包括:
S11、引入冗余数据的样本选择;
cart决策树构建的最终样本的选择为过往逐月报送的所有数据,以测站为单位,一个测站在一个月报送的数据为一个样本,最初报送的数据,为原始样本集;
经过后续审核、分析使用过程中,修改过的数据为标准样本集;
通过对比,标记出所述原始样本集中的异常样本;
S12、基于水文序列数据特性的特征选择;
S13、基于基尼系数的阈值选择;
S14、一站一树预剪枝;
进行基于先验知识的预剪枝,所述预剪枝用先验知识,判断采用某个特征的必要性,在阈值选择过程中,将对于单个测站而言无意的特征直接去除,不参与阈值选择,并利用预剪枝后的特征最终形成所述测站的最优决策树;
S2、异常检测与决策树更新;
形成的决策树用来进行新数据的异常检测,根据检测结果,能定位异常数据的位置,根据分类器的类型,定位数据的异常类型,以便有效辅助人工校核;
对于数据错误的,进行更正;
对于发生异常的水文情况,进行说明,便于后续数据分析。
2.根据权利要求1所述的一种水文序列数据异常值检测方法,其特征在于,所述S12中,所述特征包括:
水位特征:
(2)、水位月特征值是否齐全;
(7)、当月水位数据开头与上月水位数据的结尾,为水位数据接头处,所述水位数据接头处是否形成平滑曲线,即水位斜率的变化情况为:
流量特征:
(9)、流量月特征值是否齐全;
3.根据权利要求2所述的一种水文序列数据异常值检测方法,其特征在于,根据所述特征的选择,所述(1)~所述(3)及所述(8)~所述(10)的判定只有是否;
如果满足,则为无异常样本;
如果不满足,则为异常样本。
5.根据权利要求4所述的一种水文序列数据异常值检测方法,其特征在于,所述S14中的所述先验知识包括:
S141、新建测站无长序列历史数据,所述历史数据无法作为决策依据,即建成五年以内的测站,不需要与历史特征值有关的特征;
S142、测站只监测水位时,不需要与流量相关的所有特征;
S143、测站只监测流量时,不需要与水位相关的所有特征;
S144、测站为汛期站时,非汛期无数据,不需要做任何异常检测。
6.根据权利要求5所述的一种水文序列数据异常值检测方法,其特征在于,所述S2中,为辅助人工校核,根据所述异常类型和偏离程度,依照异常概率由大到小排列数据,所述异常概率由大到小依次为:
S21、当月报送数据缺失,一定异常,对应特征所述(1)、(2)、(8)、(9);
S22、当月报送数据自相矛盾,偏离值越大,异常概率越大,对应特征所述(3)、(4)、(10)、(11);
S23、当月报送数据与历史特征值相矛盾,偏离值越大,异常概率越大,对应特征所述(5)(6)、(12)、(13);
S24、所述水位数据接头处的曲线不平滑,曲率方差越大,异常概率越大,对应特征所述(7)。
8.根据权利要求1所述的一种水文序列数据异常值检测方法,其特征在于:所述月报送数据包括日均水位、日均流量、月均水位、月均流量、月最高水位、月最低水位、月最大流量、月最小流量和月径流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465324.7A CN114565065B (zh) | 2022-04-29 | 2022-04-29 | 一种水文序列数据异常值检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210465324.7A CN114565065B (zh) | 2022-04-29 | 2022-04-29 | 一种水文序列数据异常值检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565065A true CN114565065A (zh) | 2022-05-31 |
CN114565065B CN114565065B (zh) | 2022-08-12 |
Family
ID=81721574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210465324.7A Active CN114565065B (zh) | 2022-04-29 | 2022-04-29 | 一种水文序列数据异常值检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565065B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500240A (zh) * | 2023-06-21 | 2023-07-28 | 江西索立德环保服务有限公司 | 一种土壤环境质量监测方法、系统及可读存储介质 |
CN117793186A (zh) * | 2024-02-23 | 2024-03-29 | 国能大渡河流域水电开发有限公司 | 数据报送的方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170184689A1 (en) * | 2014-07-18 | 2017-06-29 | Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Science | Magnetic Sensor For Superconducting Quantum Interference Device Using Single Operational Amplifier |
CN106951680A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种水文时间序列异常模式检测方法 |
CN109347853A (zh) * | 2018-11-07 | 2019-02-15 | 华东师范大学 | 基于深度包解析的面向综合电子系统的异常检测方法 |
CN110532297A (zh) * | 2019-08-01 | 2019-12-03 | 河海大学 | 一种基于层次聚类的符号化水文时间序列异常模式检测方法 |
CN110929946A (zh) * | 2019-11-29 | 2020-03-27 | 中国农业科学院农业资源与农业区划研究所 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
CN112069372A (zh) * | 2020-08-11 | 2020-12-11 | 李睿飞 | 水文数据监控方法、装置、服务器及可读存储介质 |
CN112286924A (zh) * | 2020-11-20 | 2021-01-29 | 中国水利水电科学研究院 | 一种数据异常动态识别与多模式自匹配的数据清洗技术 |
CN112926397A (zh) * | 2021-01-28 | 2021-06-08 | 中国石油大学(华东) | 基于两轮投票策略集成学习的sar图像海冰类型分类方法 |
CN113011481A (zh) * | 2021-03-10 | 2021-06-22 | 广东电网有限责任公司计量中心 | 一种基于决策树算法的电能表功能异常评估方法及系统 |
US20220079125A1 (en) * | 2020-09-16 | 2022-03-17 | Lishao Wang | Holding Tank Monitoring System Based On Wireless Sensor Network And Monitoring Method |
-
2022
- 2022-04-29 CN CN202210465324.7A patent/CN114565065B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170184689A1 (en) * | 2014-07-18 | 2017-06-29 | Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Science | Magnetic Sensor For Superconducting Quantum Interference Device Using Single Operational Amplifier |
CN106951680A (zh) * | 2017-02-21 | 2017-07-14 | 河海大学 | 一种水文时间序列异常模式检测方法 |
CN109347853A (zh) * | 2018-11-07 | 2019-02-15 | 华东师范大学 | 基于深度包解析的面向综合电子系统的异常检测方法 |
CN110532297A (zh) * | 2019-08-01 | 2019-12-03 | 河海大学 | 一种基于层次聚类的符号化水文时间序列异常模式检测方法 |
CN110929946A (zh) * | 2019-11-29 | 2020-03-27 | 中国农业科学院农业资源与农业区划研究所 | 基于地表水文过程的农业洪涝灾害监测预报系统及方法 |
CN112069372A (zh) * | 2020-08-11 | 2020-12-11 | 李睿飞 | 水文数据监控方法、装置、服务器及可读存储介质 |
US20220079125A1 (en) * | 2020-09-16 | 2022-03-17 | Lishao Wang | Holding Tank Monitoring System Based On Wireless Sensor Network And Monitoring Method |
CN112286924A (zh) * | 2020-11-20 | 2021-01-29 | 中国水利水电科学研究院 | 一种数据异常动态识别与多模式自匹配的数据清洗技术 |
CN112926397A (zh) * | 2021-01-28 | 2021-06-08 | 中国石油大学(华东) | 基于两轮投票策略集成学习的sar图像海冰类型分类方法 |
CN113011481A (zh) * | 2021-03-10 | 2021-06-22 | 广东电网有限责任公司计量中心 | 一种基于决策树算法的电能表功能异常评估方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500240A (zh) * | 2023-06-21 | 2023-07-28 | 江西索立德环保服务有限公司 | 一种土壤环境质量监测方法、系统及可读存储介质 |
CN116500240B (zh) * | 2023-06-21 | 2023-12-29 | 江西索立德环保服务有限公司 | 一种土壤环境质量监测方法、系统及可读存储介质 |
CN117793186A (zh) * | 2024-02-23 | 2024-03-29 | 国能大渡河流域水电开发有限公司 | 数据报送的方法、装置、电子设备及存储介质 |
CN117793186B (zh) * | 2024-02-23 | 2024-05-14 | 国能大渡河流域水电开发有限公司 | 数据报送的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114565065B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565065B (zh) | 一种水文序列数据异常值检测方法 | |
CN107463633B (zh) | 一种基于eemd-神经网络的实时数据异常值检测方法 | |
CN105825342A (zh) | 一种管道失效可能性评价方法及系统 | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN103294595B (zh) | 一种基于遗传算法的软件修复方法 | |
EP4075281A1 (en) | Ann-based program test method and test system, and application | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN113190424B (zh) | 一种对知识图谱推荐系统的模糊综合评价方法 | |
CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
CN100440200C (zh) | 一种校正测量数据显著误差与随机误差的方法 | |
CN112907026A (zh) | 一种基于可编辑网状指标体系的综合评估方法 | |
CN115033591B (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制系统运行绩效评价方法 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
CN117472789B (zh) | 基于集成学习的软件缺陷预测模型构建方法和装置 | |
CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及系统 | |
CN116739147A (zh) | 基于bim的智能能耗管理与动态碳排放计算联合方法及系统 | |
CN112307648B (zh) | 一种卫星通信系统可靠性模型的评估方法 | |
Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
CN112380132A (zh) | 基于航天软件缺陷数据集类不平衡的对抗验证方法及装置 | |
CN116341911A (zh) | 一种基于fahp-svm的交流干扰腐蚀风险评价方法及系统 | |
CN110909948A (zh) | 土壤污染预测方法及系统 | |
CN114665986B (zh) | 一种蓝牙钥匙的测试系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |