CN115080909A - 影响物联感知设备数据的分析方法、电子设备及存储介质 - Google Patents

影响物联感知设备数据的分析方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115080909A
CN115080909A CN202210830756.3A CN202210830756A CN115080909A CN 115080909 A CN115080909 A CN 115080909A CN 202210830756 A CN202210830756 A CN 202210830756A CN 115080909 A CN115080909 A CN 115080909A
Authority
CN
China
Prior art keywords
data
sensing equipment
analyzing
monitoring data
internet
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
Application number
CN202210830756.3A
Other languages
English (en)
Other versions
CN115080909B (zh
Inventor
林涛
温纤纤
张兵
许华杰
刘星
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 Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202210830756.3A priority Critical patent/CN115080909B/zh
Publication of CN115080909A publication Critical patent/CN115080909A/zh
Application granted granted Critical
Publication of CN115080909B publication Critical patent/CN115080909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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

Abstract

本发明提出涉及影响物联感知设备数据的分析方法、电子设备及存储介质，属于物联感知设备数据分析技术领域。包括以下步骤：S1.获取不同环境下感知设备的历史监测数据及对应的环境监测数据，得到参考数据列和比较数据列组成的决策矩阵；S2.计算每个环境因素与感知设备的监测数据对应的关联系数；S3.对比较数据列计算不同环境下与参考数据列对应元素间的关联系数的均值，得到比较数据列与参考数据列间的关联系数；S4.根据关联系数确定影响感知设备的监测数据的环境因素；S5.获得最优参数；S6.分析感知设备监测数据的异常原因并进行告警。解决感知设备的监测数据受环境因素的影响程度和感知设备的监测数据异常原因难以确定的问题。

Description

影响物联感知设备数据的分析方法、电子设备及存储介质
技术领域
本申请涉及一种分析方法，尤其涉及影响物联感知设备数据的分析方法、电子设备及存储介质，属于物联感知设备数据分析技术领域。
背景技术
随着传感器网络的不断发展，物联感知设备的种类越来越丰富。但由于硬件设备自身特性、系统组成环节及所处环境等因素的影响，硬件设备固有的限制以及环境噪声等不可抗因素的影响，原始数据流中通常存在大量的噪音数据，导致数据的可用性降低。在极端天气或环境下感知设备的监测数据可能出现错误，直接依据感知设备所得到的决策信息可能是不确定甚至和真实情况相矛盾的，而数据的优劣直接影响上层应用分析结果的可靠性及应用目标的真正实现。
现有技术经常通过监测数据的数值是否超出所设阈值来判断异常，或者将监测数据作为决策信息直接用于结果分析，而并不考虑监测数据是否受极端天气或环境影响导致数据异常，导致结果判断出现失误，还可能导致将受环境影响出现的异常数据和真实的数据混淆。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的异常数据确定难度大、分析不准确的技术问题，本发明提供一种影响物联感知设备数据的分析方法、电子设备及存储介质。
方案一：一种影响物联感知设备数据的分析方法，包括以下步骤：
S1.获取不同环境下感知设备的历史监测数据及对应的环境监测数据，得到参考数据列和比较数据列组成的决策矩阵；
S2.计算每个环境因素与感知设备的监测数据对应的关联系数；
S3.对比较数据列计算不同环境下与参考数据列对应元素间的关联系数的均值，得到比较数据列与参考数据列间的关联系数；
S4.根据S3所述的关联系数确定影响感知设备的监测数据的环境因素；
S5.获得最优参数；
S6.分析感知设备监测数据的异常原因，并对异常数据进行告警。
优选的，所述得到参考数据列和比较数据列组成的决策矩阵的方法是，使用灰色关联分析方法分析数据，
假设获取不同环境下感知设备的
Figure 571023DEST_PATH_IMAGE001
个历史监测数据
Figure 378573DEST_PATH_IMAGE002
，设
Figure 457387DEST_PATH_IMAGE003
为参考数据列；获取环境因素数据
Figure 955365DEST_PATH_IMAGE004
，设
Figure 523749DEST_PATH_IMAGE005
为
Figure 474388DEST_PATH_IMAGE006
个比较数据序列，其中
Figure 356893DEST_PATH_IMAGE007
；
Figure 709377DEST_PATH_IMAGE006
为环境因素个数，则参考数据列和比较数据列组成如下决策矩阵：
Figure 464975DEST_PATH_IMAGE008
。
优选的，计算每个环境因素与感知设备的监测数据对应的关联系数的方法是，通过下述公式实现：
Figure 902909DEST_PATH_IMAGE009
（1）
其中
Figure 323526DEST_PATH_IMAGE010
为环境因素个数；
Figure 123992DEST_PATH_IMAGE011
为两级最小差，
Figure 237441DEST_PATH_IMAGE012
为两级最大差；
Figure 162672DEST_PATH_IMAGE013
为分辨系数，取值范围为
Figure 934450DEST_PATH_IMAGE014
，
Figure 995947DEST_PATH_IMAGE013
取值0.5。
优选的，比较数据列与参考数据列间的关联系数的方法是，通过下述公式实现：
Figure 280298DEST_PATH_IMAGE015
（2）。
优选的，根据S3所述的关联系数确定影响感知设备的监测数据的环境因素，具体方法是，当
Figure 692825DEST_PATH_IMAGE016
时则认为该环境因对感知设备的监测数据无明显影响；假设对感知设备的监测数据有影响的环境因素的个数为
Figure 783140DEST_PATH_IMAGE017
，然后使用多元线性回归模型分析预测在复杂环境下感知设备的监测数据，多元线性回归模型公式如式（3）所示，多元线性回归模型使用的损失函数如式（4）所示；
Figure 964723DEST_PATH_IMAGE018
（3）
Figure 154396DEST_PATH_IMAGE019
（4）
其中，
Figure 132847DEST_PATH_IMAGE020
为被感知设备监测物体的正常值或行业标准值，
Figure 698958DEST_PATH_IMAGE021
为环境因素的值,
Figure 626DEST_PATH_IMAGE022
为
Figure 157938DEST_PATH_IMAGE023
中第
Figure 545057DEST_PATH_IMAGE024
行的环境因素数据，
Figure 914859DEST_PATH_IMAGE025
为第
Figure 805454DEST_PATH_IMAGE024
行的环境因素数据下的感知设备的真实数据。
优选的，获得最优参数的方法是，利用梯度下降法同时更新参数
Figure 681137DEST_PATH_IMAGE026
，其中
Figure 289973DEST_PATH_IMAGE027
；设定数据的训练迭代次数
Figure 463466DEST_PATH_IMAGE028
，学习速率
Figure 270885DEST_PATH_IMAGE029
；不断迭代更新参数
Figure 238841DEST_PATH_IMAGE026
，当达到迭代次数时获得最优参数：
Figure 334973DEST_PATH_IMAGE030
（5）
即
Figure 46577DEST_PATH_IMAGE031
（6）。
优选的，分析感知设备监测数据的异常原因的具体方法是，计算当前环境因素导致感知设备的监测数据异常的概率，
Figure 724814DEST_PATH_IMAGE032
最大的环境因素即为引起数据异常的主要原因，通过下述公式实现：
Figure 863671DEST_PATH_IMAGE033
（7）。
方案二： 一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的影响物联感知设备数据的分析方法的步骤。
方案三：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的影响物联感知设备数据的分析方法。
本发明的有益效果如下：本发明首先使用灰色关联分析方法分析不同环境因素对感知监测设备的数据的影响程度，计算各个环境因素与感知监测设备的数据的关联序，确定对感知设备的监测数据有影响的环境因素，然后使用多元线性回归模型预测不同环境下监测数据的值；当确定监测数据出现异常时，联合灰色关联分析方法与多元线性回归模型的值准确分析导致异常的主要环境原因。解决了针对感知设备的监测数据受环境因素的影响程度和感知设备的监测数据异常原因难以确定的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为方法流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1明本实施方式，一种影响物联感知设备数据的分析方法，包括以下步骤：
S1.获取不同环境下感知设备的历史监测数据及对应的环境监测数据，得到参考数据列和比较数据列组成的决策矩阵，具体方法是，使用灰色关联分析方法分析数据，
假设获取不同环境下感知设备的
Figure 447099DEST_PATH_IMAGE034
个历史监测数据
Figure 24711DEST_PATH_IMAGE035
，设
Figure 9985DEST_PATH_IMAGE036
为参考数据列；获取环境因素数据
Figure 319743DEST_PATH_IMAGE037
，设
Figure 937938DEST_PATH_IMAGE038
为
Figure 991344DEST_PATH_IMAGE006
个比较数据序列，其中
Figure 831124DEST_PATH_IMAGE039
；
Figure 311784DEST_PATH_IMAGE006
为环境因素个数，环境因素可以是风速、温度、湿度等其他导致物联设备数据的环境因素。则参考数据列和比较数据列组成如下决策矩阵：
Figure 666542DEST_PATH_IMAGE040
。
S2.计算每个环境因素与感知设备的监测数据对应的关联系数，具体方法是，通过下述公式实现：
Figure 523640DEST_PATH_IMAGE041
（1）
其中
Figure 217926DEST_PATH_IMAGE010
为环境因素个数；
Figure 948116DEST_PATH_IMAGE042
为两级最小差，
Figure 993432DEST_PATH_IMAGE043
为两级最大差；
Figure 388642DEST_PATH_IMAGE013
为分辨系数，取值范围为
Figure 734172DEST_PATH_IMAGE014
，
Figure 822214DEST_PATH_IMAGE013
取值0.5。
S3.对比较数据列计算不同环境下与参考数据列对应元素间的关联系数的均值，得到比较数据列与参考数据列间的关联系数的具体方法是，通过下述公式实现：
Figure 89247DEST_PATH_IMAGE044
（2）。
具体的，比较数据列与参考数据列间的关联系数，即为关联序
Figure 288147DEST_PATH_IMAGE045
，
Figure 770076DEST_PATH_IMAGE045
的值越接近1则说明相关性越强。
S4.根据S3所述的关联系数确定影响感知设备的监测数据的环境因素，具体方法是，当
Figure 29019DEST_PATH_IMAGE016
时则认为该环境因对感知设备的监测数据无明显影响；假设对感知设备的监测数据有影响的环境因素的个数为
Figure 783348DEST_PATH_IMAGE017
，然后使用多元线性回归模型分析预测在复杂环境下感知设备的监测数据，多元线性回归模型公式如式（3）所示，多元线性回归模型使用的损失函数如式（4）所示；
Figure 317097DEST_PATH_IMAGE046
（3）
Figure 840483DEST_PATH_IMAGE047
（4）
其中，
Figure 270327DEST_PATH_IMAGE020
为被感知设备监测物体的正常值或行业标准值，
Figure 59423DEST_PATH_IMAGE021
为环境因素的值,
Figure 600125DEST_PATH_IMAGE022
为
Figure 243596DEST_PATH_IMAGE023
中第
Figure 578763DEST_PATH_IMAGE024
行的环境因素数据，
Figure 635580DEST_PATH_IMAGE025
为第
Figure 714395DEST_PATH_IMAGE024
行的环境因素数据下的感知设备的真实数据。
S5.获得最优参数，具体方法是，利用梯度下降法同时更新参数
Figure 212372DEST_PATH_IMAGE026
，其中
Figure 277629DEST_PATH_IMAGE027
；设定数据的训练迭代次数
Figure 493846DEST_PATH_IMAGE028
，学习速率
Figure 376352DEST_PATH_IMAGE029
；不断迭代更新参数
Figure 728836DEST_PATH_IMAGE026
，当达到迭代次数时获得最优参数：
Figure 733701DEST_PATH_IMAGE048
（5）
即
Figure 171635DEST_PATH_IMAGE049
（6）。
具体的，最优参数可用于描述环境因素影响的强弱，用于步骤S6计算概率，下标
Figure 592252DEST_PATH_IMAGE050
相同的
Figure 877871DEST_PATH_IMAGE026
与
Figure 725742DEST_PATH_IMAGE051
相对应，
Figure 650972DEST_PATH_IMAGE026
即为对应环境因素
Figure 875280DEST_PATH_IMAGE051
的系数。
S6.分析感知设备监测数据的异常原因，并对异常数据进行告警，具体方法是，计算当前环境因素导致感知设备的监测数据异常的概率，
Figure 264673DEST_PATH_IMAGE032
最大的环境因素即为引起数据异常的主要原因，通过下述公式实现：
Figure 549024DEST_PATH_IMAGE052
（7）。
本发明联合使用灰色关联度分析方法和多元线性回归模型针对感知设备的监测数据出现异常的现象进行分析，实现了对引发异常的原因进行告警，提高预警的准确率，并保证感知设备为上层决策提供更为准确的数据信息。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (9)

1.影响物联感知设备数据的分析方法，其特征在于，包括以下步骤：
S1.获取不同环境下感知设备的历史监测数据及对应的环境监测数据，得到参考数据列和比较数据列组成的决策矩阵；
S2.计算每个环境因素与感知设备的监测数据对应的关联系数；
S3.对比较数据列计算不同环境下与参考数据列对应元素间的关联系数的均值，得到比较数据列与参考数据列间的关联系数；
S4.根据S3所述的关联系数确定影响感知设备的监测数据的环境因素；
S5.获得最优参数；
S6.分析感知设备监测数据的异常原因，并对异常数据进行告警。
2.根据权利要求1所述的影响物联感知设备数据的分析方法，其特征在于，所述得到参考数据列和比较数据列组成的决策矩阵的方法是，使用灰色关联分析方法分析数据，
假设获取不同环境下感知设备的
Figure 34564DEST_PATH_IMAGE001
个历史监测数据
Figure 796984DEST_PATH_IMAGE002
，设
Figure 40883DEST_PATH_IMAGE003
为参考数据列；获取环境因素数据
Figure 496136DEST_PATH_IMAGE004
，设
Figure 395958DEST_PATH_IMAGE005
为
Figure 775118DEST_PATH_IMAGE006
个比较数据序列，其中
Figure 811207DEST_PATH_IMAGE007
；
Figure 499678DEST_PATH_IMAGE006
为环境因素个数，则参考数据列和比较数据列组成如下决策矩阵：
Figure 886797DEST_PATH_IMAGE008
。
3.根据权利要求2所述的影响物联感知设备数据的分析方法，其特征在于，计算每个环境因素与感知设备的监测数据对应的关联系数的方法是，通过下述公式实现：
Figure 804068DEST_PATH_IMAGE009
（1）
其中
Figure 960243DEST_PATH_IMAGE010
为环境因素个数；
Figure 819615DEST_PATH_IMAGE011
为两级最小差，
Figure 428451DEST_PATH_IMAGE012
为两级最大差；
Figure 414992DEST_PATH_IMAGE013
为分辨系数，取值范围为
Figure 425674DEST_PATH_IMAGE014
，
Figure 393630DEST_PATH_IMAGE013
取值0.5。
4.根据权利要求3所述的影响物联感知设备数据的分析方法，其特征在于，比较数据列与参考数据列间的关联系数的方法是，通过下述公式实现：
Figure 552079DEST_PATH_IMAGE015
（2）。
5.根据权利要求4所述的影响物联感知设备数据的分析方法，其特征在于，根据S3所述的关联系数确定影响感知设备的监测数据的环境因素，具体方法是，当
Figure 998103DEST_PATH_IMAGE016
时则认为该环境因对感知设备的监测数据无明显影响；假设对感知设备的监测数据有影响的环境因素的个数为
Figure 128870DEST_PATH_IMAGE017
，然后使用多元线性回归模型分析预测在复杂环境下感知设备的监测数据，多元线性回归模型公式如式（3）所示，多元线性回归模型使用的损失函数如式（4）所示；
Figure 80777DEST_PATH_IMAGE018
（3）
Figure 664205DEST_PATH_IMAGE019
（4）
其中，
Figure 976238DEST_PATH_IMAGE020
为被感知设备监测物体的正常值或行业标准值，
Figure 961511DEST_PATH_IMAGE021
为环境因素的值,
Figure 271270DEST_PATH_IMAGE022
为
Figure 155043DEST_PATH_IMAGE023
中第
Figure 208450DEST_PATH_IMAGE024
行的环境因素数据，
Figure 48230DEST_PATH_IMAGE025
为第
Figure 591207DEST_PATH_IMAGE024
行的环境因素数据下的感知设备的真实数据。
6.根据权利要求5所述的影响物联感知设备数据的分析方法，其特征在于，获得最优参数的方法是，利用梯度下降法同时更新参数
Figure 883648DEST_PATH_IMAGE026
，其中
Figure 740746DEST_PATH_IMAGE027
；设定数据的训练迭代次数
Figure 248081DEST_PATH_IMAGE028
，学习速率
Figure 899643DEST_PATH_IMAGE029
；不断迭代更新参数
Figure 944959DEST_PATH_IMAGE026
，当达到迭代次数时获得最优参数：
Figure 402485DEST_PATH_IMAGE030
（5）
即
Figure 951278DEST_PATH_IMAGE031
（6）。
7.根据权利要求6所述的影响物联感知设备数据的分析方法，其特征在于，分析感知设备监测数据的异常原因的具体方法是，计算当前环境因素导致感知设备的监测数据异常的概率，
Figure 39320DEST_PATH_IMAGE032
最大的环境因素即为引起数据异常的主要原因，通过下述公式实现：
Figure 119402DEST_PATH_IMAGE033
（7）。
8.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的影响物联感知设备数据的分析方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的影响物联感知设备数据的分析方法。
CN202210830756.3A 2022-07-15 2022-07-15 影响物联感知设备数据的分析方法、电子设备及存储介质 Active CN115080909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210830756.3A CN115080909B (zh) 2022-07-15 2022-07-15 影响物联感知设备数据的分析方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210830756.3A CN115080909B (zh) 2022-07-15 2022-07-15 影响物联感知设备数据的分析方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115080909A true CN115080909A (zh) 2022-09-20
CN115080909B CN115080909B (zh) 2022-11-25

Family

ID=83260710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210830756.3A Active CN115080909B (zh) 2022-07-15 2022-07-15 影响物联感知设备数据的分析方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115080909B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952700A (zh) * 2023-03-15 2023-04-11 江西飞尚科技有限公司 一种温度关联数据补偿方法、系统、计算机及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140143134A1 (en) * 2010-01-13 2014-05-22 Corelogic Solutions, Llc System and method of detecting and assessing multiple types of risks related to mortgage lending
CN106202491A (zh) * 2016-07-19 2016-12-07 中国银联股份有限公司 一种基于时间序列的数据挖掘方法及系统
CN110175166A (zh) * 2019-04-18 2019-08-27 红云红河烟草(集团)有限责任公司 一种烟草卷包车间质量异常的确认方法
CN112036075A (zh) * 2020-08-11 2020-12-04 中国环境监测总站 一种基于环境监测数据关联关系的异常数据判定方法
CN112187882A (zh) * 2020-09-10 2021-01-05 青岛海尔科技有限公司 用于传感数据共享的系统
CN113487447A (zh) * 2021-04-19 2021-10-08 国网河北省电力有限公司电力科学研究院 一种基于大数据的配电网负荷预测及线损成因分析方法
CN113642238A (zh) * 2021-08-13 2021-11-12 贵州电网有限责任公司 基于微气象因子的径向基神经网络输电线路覆冰预测方法
CN114066262A (zh) * 2021-11-18 2022-02-18 国网江苏省电力有限公司 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质
CN114357594A (zh) * 2022-03-08 2022-04-15 深圳市城市交通规划设计研究中心股份有限公司 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
CN114446020A (zh) * 2022-01-12 2022-05-06 江西飞尚科技有限公司 联动预警管理方法、系统、存储介质及设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140143134A1 (en) * 2010-01-13 2014-05-22 Corelogic Solutions, Llc System and method of detecting and assessing multiple types of risks related to mortgage lending
CN106202491A (zh) * 2016-07-19 2016-12-07 中国银联股份有限公司 一种基于时间序列的数据挖掘方法及系统
CN110175166A (zh) * 2019-04-18 2019-08-27 红云红河烟草(集团)有限责任公司 一种烟草卷包车间质量异常的确认方法
CN112036075A (zh) * 2020-08-11 2020-12-04 中国环境监测总站 一种基于环境监测数据关联关系的异常数据判定方法
CN112187882A (zh) * 2020-09-10 2021-01-05 青岛海尔科技有限公司 用于传感数据共享的系统
CN113487447A (zh) * 2021-04-19 2021-10-08 国网河北省电力有限公司电力科学研究院 一种基于大数据的配电网负荷预测及线损成因分析方法
CN113642238A (zh) * 2021-08-13 2021-11-12 贵州电网有限责任公司 基于微气象因子的径向基神经网络输电线路覆冰预测方法
CN114066262A (zh) * 2021-11-18 2022-02-18 国网江苏省电力有限公司 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质
CN114446020A (zh) * 2022-01-12 2022-05-06 江西飞尚科技有限公司 联动预警管理方法、系统、存储介质及设备
CN114357594A (zh) * 2022-03-08 2022-04-15 深圳市城市交通规划设计研究中心股份有限公司 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUDONG LU 等: "An anomaly detection method to improve the intelligent level of smart articles based on multiple group correlation probability models", 《INTERNATIONAL JOURNAL OF CROWD SCIENCE》 *
周宾: "灰色系统理论在环境评价、规划与管理中的研究与应用", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
邓娟: "城市水务供水预警机制的研究 ——合川区供水水量预警机制的建立", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952700A (zh) * 2023-03-15 2023-04-11 江西飞尚科技有限公司 一种温度关联数据补偿方法、系统、计算机及存储介质
CN115952700B (zh) * 2023-03-15 2023-05-26 江西飞尚科技有限公司 一种温度关联数据补偿方法、系统、计算机及存储介质

Also Published As

Publication number Publication date
CN115080909B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
CN116453438B (zh) 一种显示屏参数检测方法、装置、设备及存储介质
CN115080909B (zh) 影响物联感知设备数据的分析方法、电子设备及存储介质
CN112734494A (zh) 一种销量预测方法、装置、终端设备及可读存储介质
CN112948937B (zh) 一种混凝土强度智能预判断方法和装置
CN110717509B (zh) 基于树分裂算法的数据样本分析方法及装置
CN115690106B (zh) 一种基于计算机视觉的深埋锚具封闭检测方法
JP2019070965A (ja) 学習装置、学習方法、プログラム
CN110969200A (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
CN116347318A (zh) 一种音响的智能生产测试方法及系统
CN117171696B (zh) 一种基于物联网的传感器生产监测方法及系统
US6728937B2 (en) Circuit simulation device for predicting the dispersion of circuit characteristics and the electric characteristics
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN111008953A (zh) 一种数字病理图像质控的方法及装置
CN114547145A (zh) 一种时序数据异常检测方法、系统、存储介质及设备
CN112326882B (zh) 空气质量传感器处理方法和装置
CN113804232A (zh) 传感器校准方法、装置以及终端设备
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN116740586A (zh) 冰雹识别方法、装置、电子设备及计算机可读存储介质
CN116486146A (zh) 一种旋转机械设备的故障检测方法、系统、装置和介质
CN115937703A (zh) 一种用于遥感图像目标检测的增强特征提取方法
CN115398442A (zh) 用于评估传感器测量值的设备和自动化方法和该设备的应用
CN111596379B (zh) 一种地震观测系统异常识别方法和装置
CN112149833A (zh) 基于机器学习的预测方法、装置、设备和存储介质
CN110874600A (zh) 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法

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