CN115271003A - 用于自动化环境监测设备的异常数据分析方法及系统 - Google Patents
用于自动化环境监测设备的异常数据分析方法及系统 Download PDFInfo
- Publication number
- CN115271003A CN115271003A CN202211205291.9A CN202211205291A CN115271003A CN 115271003 A CN115271003 A CN 115271003A CN 202211205291 A CN202211205291 A CN 202211205291A CN 115271003 A CN115271003 A CN 115271003A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- environmental
- similarity
- data point
- 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 93
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000007405 data analysis Methods 0.000 title claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 212
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 241000764238 Isis Species 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及用于自动化环境监测设备的异常数据分析方法及系统。方法包括:得到各环境数据在多维空间中的环境数据点;获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集;根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性;根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性;根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据。本发明能够区分由环境异常引起的异常数据以及由传感器异常引起的异常数据,可以为后续对环境异常数据的分析提供更加精确有效的数据集。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于自动化环境监测设备的异常数据分析方法及系统。
背景技术
环境监测设备的应用范围极广,对环境数据准确监测是进行气象预测、生态保护等后续环节的重要步骤,而异常的环境监测数据会影响后续的气象分析效果以及环境保护决策的制定,因此,对于环境监测中获取的异常数据进行识别筛选是保证后续工作效果的基础,而随着科学技术的发展,自动化的环境监测设备越来越普及,自动化环境监测设备的应用提高了环境监测数据采集的效率以及数量,为后续对环境数据的分析提供了大量的数据,但随之而来的是自动化监测设备在采集环境数据后不能有效的筛选出异常的数据,与人工采集数据可以及时的通过人工进行异常数据的分析相比,自动化检测设备不能确保采集数据的有效性。因此,对于自动化环境监测设备来说,在采集环境数据后对异常数据的识别分析与筛选就尤为重要。
现有技术一般利用如LOF的异常检测算法来检测异常数据,但是在自动化环境监测设备获取的数据中,其中存在的异常数据的成因有两种,一种是由于环境的异常变化而产生的环境异常数据,一种是由于自动化环境监测设备的传感器发生故障而产生的传感器异常数据,这两种异常数据均会被采集到环境数据集中。而LOF异常数据检测算法是根据异常数据的局部密度来进行异常检测的,而上述两种原因产生的异常数据均为局部密度较小的数据,这就会导致LOF异常数据检测算法对上述两种原因产生的异常数据是一视同仁的,也即无法区分二者,而无法区分二者产生的后果会导致对后续异常环境数据的分析结果不准确(由于异常环境数据中混入了传感器异常数据),因此在检测出异常环境数据的同时能区分这些异常环境数据的成因具体是环境异常,还是传感器异常是需要解决的问题。
发明内容
为了解决上述问题,本发明提供用于自动化环境监测设备的异常数据分析方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种用于自动化环境监测设备的异常数据分析方法,包括以下步骤:
获取自动化环境监测设备收集到的各环境数据,一个环境数据为一个多维向量;一个环境数据对应一个时间戳;将收集到的各环境数据对应到多维空间中,得到各环境数据在多维空间中的数据点,记为环境数据点;一个环境数据对应一个环境数据点;
获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集;根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性;根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性;
根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据。
第二方面,本发明提供了一种用于自动化环境监测设备的异常数据分析系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述用于自动化环境监测设备的异常数据分析方法。
优选的,所述多维向量中参数包括温度数据、湿度数据和风速数据。
优选的,获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集的方法,包括:
对于多维空间中的任一环境数据点:
优选的,得到多维空间中的各环境数据点的点集排列相似性的方法,包括:
对于多维空间中的任一环境数据点:
获得该环境数据点对应的排列相似性序列;获得该环境数据点对应的排列相似性序列的过程为:若与相同,则将排序相似性置1,若与不相同,则将排序相似性置0;所述为中的第个环境数据点,为中的第个环境数据点,为正整数;
其中,为该环境数据点的点集排列相似性,为该环境数据点对应的排列相似性序列中的参数数量,为该环境数据点对应的排列相似性序列中的第k1个排列相似性的值,为该环境数据点对应的排列相似性序列中的排列相似性的值的序号。
优选的,计算各环境数据点的时序邻近相似性的方法,包括:
获取该环境数据点的序号和该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号;根据该环境数据点的序号和该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号,得到该环境数据点的时序邻近相似性;根据如下公式计算该环境数据点的时序邻近相似性:
其中,为该环境数据点的时序邻近相似性,为该环境数据点的序号与该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号之间的欧式距离,为时序邻近点集和空间邻近点集中的环境数据点的数量,为以自然常数e为底的常数。
优选的,根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据的方法,包括:
将获取的、对应到二维空间中,以表示环境数据点的类别特征,计算环境数据点对应的与点的欧式距离,环境数据点对应的与点的欧式距离,环境数据点对应的与点的欧式距离,类别角标H、Z、C分别表示环境异常数据、正常数据、传感器异常数据;
有益效果:本发明首先获取自动化环境监测设备收集到的各环境数据,一个环境数据为一个多维向量;一个环境数据对应一个时间戳;将收集到的各环境数据对应到多维空间中,得到各环境数据在多维空间中的数据点,记为环境数据点;一个环境数据对应一个环境数据点;然后获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集;根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性;根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性;最后根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据。本发明能够区分由环境异常引起的异常数据以及由传感器异常引起的异常数据,可以为后续对环境异常数据的分析提供更加精确有效的数据集。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一种用于自动化环境监测设备的异常数据分析方法的流程图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种用于自动化环境监测设备的异常数据分析方法,详细说明如下:
如图1所示,该用于自动化环境监测设备的异常数据分析方法,包括以下步骤:
步骤S001,获取自动化环境监测设备收集到的各环境数据,一个环境数据为一个多维向量;一个环境数据对应一个时间戳;将收集到的各环境数据对应到多维空间中,得到各环境数据在多维空间中的数据点,记为环境数据点;一个环境数据对应一个环境数据点。
由于现有技术中利用LOF异常数据检测算法来检测异常数据时会由于不能区分异常数据是由环境异常引起的,还是传感器异常引起的而导致对后续异常环境数据的分析结果不准确的现象,因此本实施例主要是结合环境数据的特点,区分异常数据是由环境异常引起的,还是传感器异常引起的,并且本实施例主要通过计算各环境数据时序以及空间邻近点集的排列相似性,以及时序点集中各点与目标环境数据的时序邻近相似性来计算各环境数据的异常程度,来区分由环境异常引起的异常数据以及由传感器异常引起的异常数据,可以为后续对环境异常数据的分析提供更加精确有效的数据集。
本实施例获取自动化环境监测设备收集到的各环境数据,一个环境数据是由多个不同种类描述环境特征的监测值组成的多维向量,所述多维向量中参数包括温度数据、湿度数据和风速数据;将各环境数据对应到多维空间中,得到各环境数据在多维空间中的数据点,,记为环境数据点;一个环境数据对应一个环境数据点,即在多维数据空间中的各个数据维度表示环境监测指标数据的各类型的指标,如温度、湿度、风速等。并且每个环境数据对应着一个时刻标签,即一个环境数据对应一个时间戳,任意相邻两个时间戳的时间间隔是随机的,即环境数据的采集时间间隔可以是不同的,本实施例为了保证采集的数据具有代表性,设置采集时间间隔的最大上限不超过30min。
步骤S002,获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集;根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性;根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性。
(1)获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集的具体过程为:
对于多维空间中的任一环境数据点:
将该环境数据点记为,该环境数据点的角标i该环境数据点对应的环境数据的采集时序序号,即环境数据点为环境监测设备采集的第i个环境数据,因此环境监测设备在时序上第一个获取的环境数据为;并且对于该环境数据点,其本身存在着两种邻近的衡量方式,一种是时序上的邻近,即该环境数据点对应的环境数据对应的时间戳的邻近,另一种为空间上的邻近,即多维空间中的环境数据点存在着位置的邻近;接下来本实施例将以这两种方式寻找该环境数据点的两种邻近点集,这两种邻近点集中设定寻找点的个数为均为K,具体应用中需要根据实际情况设置的值,本实施例将K的值设置为20;则该环境数据点的时序邻近点集是由与该环境数据点在时序上最邻近的个环境数据点组成,将该环境数据点的时序邻近点集记为,并以表示点集中与点在时序上第邻近的环境数据点;该数据点的空间邻近点集是由与该数据点在多维空间内最邻近的个环境数据点组成,将该环境数据点的空间邻近点集记为,并以表示点集中与该环境数据点在多维空间内第邻近的环境数据点,其中。
至此,通过上述上述方式获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集。
(2)根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性的具体过程为:
由于对于一个环境数据点来说,且若是该环境数据点是由环境异常引起的环境异常数据点,其偏离正常环境数据点的程度越大,但无论是正常的环境数据还是异常的环境数据,其在较短的时间内均不会发生剧烈的变化,因此若一个环境数据的异常是由环境异常引起的,其本身相对于正常的环境数据点的偏移程度是在时序上累加的,恢复到正常数据点的过程也是在时序上衰减的,即由环境异常引起的环境异常数据点相对于正常的环境数据点在时序上应是一个峰值(或谷值),这样一来,若将一个环境数据的时序邻近点按照时序邻近进行排序后,这个排序的顺序越与该异常数据点在多维数据空间内的空间邻近点的近邻排序一致,越说明该环境数据处在峰值(或谷值)上,越说明这个环境数据点的异常越可能是由环境异常引起的。
而相对的,正常的环境数据由于其处于正常的环境数据水平的范围内,其空间内近邻的点集可能出现在不同的时刻(正常的环境数据点可能在各个时刻都是)因此将其空间内的邻近点与时序上的邻近点分别进行排序后,这两个点的排序序列是不相同的,而对于由传感器异常所引起的异常数据,由于传感器异常是无规律的,随机的,因此,两个排序也是不相同的。
因此对于多维空间中的任一环境数据点:
将该环境数据点记为,按照时序的顺序分别对该环境数据点的时序邻近点集中的各环境数据点以及该环境数据点的对应的空间邻近点集中的各环境数据点进行排序;将排序后的两个点集分别记为、,中的点排序后第个数据点以表示;中的点排序后第个数据点以表示。
接下来验证两个排序对应序号位置的点是否是相同的数据点,若相同则将该位置的排序相似性置1,若不相同则将该位置的排序相似性置0,即若与相同,则将排序相似性置1,若与不相同,则将排序相似性置0;因此得到该环境数据点对应的排列相似性序列;排列相似性序列中的值仅有0或1;将该环境数据点对应的排列相似性序列记为,并以表示中第个位置的排列相似性的值;根据该环境数据点对应的排列相似性序列中的各排列相似性的值,得到该环境数据点的点集排列相似性;根据如下公式计算该环境数据点的点集排列相似性:
其中,为该环境数据点的点集排列相似性;为该环境数据点对应的排列相似性序列中的参数数量,也为时序邻近点集和空间邻近点集中的环境数据点的数量,本实施例K为20;为该环境数据点对应的排列相似性序列中的第k1个排列相似性的值;为该环境数据点对应的排列相似性序列中的排列相似性的值的序号;表示排列各序号位置的权重,由于k1越小说明与点在时序上或空间上越邻近,因此权重越大,为一个归一化数据,越趋近于1越说明点集排列相似性越大,越说明环境数据点越可能是由环境异常引起的异常数据点,反之越趋近于0越说明环境数据点越可能是正常的数据点或由传感器异常引起的环境异常数据点。
至此,通过上述方式计算所有环境数据点对应的点集排列相似性。
(3)根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性的具体过程为:
若其是由传感器异常引起的异常数据,其与时序邻近的数据点的相似性是不一致的,也即其没有像正常数据点或由环境异常引起的异常数据点一样的时序邻近的相似性,这是因为环境的变化在短时间内是不会形成剧烈变化的,但由传感器引起的异常数据却是复杂的、随机的,其变化是与时序邻域的其他环境数据点无关的,也即时序邻近相似性是较小的;因此本实施例获取该环境数据点的序号和该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号;根据该环境数据点的序号和该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号,得到该环境数据点的时序邻近相似性;根据如下公式计算该环境数据点的时序邻近相似性:
其中,为该环境数据点的时序邻近相似性,为该环境数据点的序号与该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号之间的欧式距离,为时序邻近点集和空间邻近点集中的环境数据点的数量,为以自然常数e为底的常数;表示排列各序号位置的权重,由于k越小说明与点在时序上越邻近因此权重越大,而表示的时序邻近点集中的序号为k的点与的欧氏距离。为这个欧式距离归一化结果,即越相似越趋近于1,反之为0,因此,也为一个归一化的数据,其越趋近于1,越说明时序邻近相似性越大;反之为0,时序邻近相似性越小;而若一个点越是由传感器异常所引起的异常数据,其对应的应越趋近于0。
至此,通过上述方式计算所有环境数据点的时序邻近相似性。
步骤S003,根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据。
对于环境数据点,在获取其点集排列相似性以及时序邻近相似性后,由于、均为归一化的数据,由前述步骤的逻辑解释可知若为正常的环境数据点,应趋近于0、应趋近于1;若为由环境异常引起的异常数据点,应趋近于1、应趋近于1;若为由传感器异常引起的异常数据点,应趋近于0、应趋近于0。基于这个逻辑,对于一个环境数据点,将其获取的、对应到二维空间中,以表示环境数据点的类别特征,则计算环境数据点对应的与点的欧式距离,环境数据点对应的与点的欧式距离,环境数据点对应的与点的欧式距离,则类别角标H、Z、C分别表示环境异常数据、正常数据、传感器异常数据。以、、中最小的一个欧式距离对应的类别角标作为该环境数据点的异常类别,实现异常数据的分类分析。
本实施例首先获取自动化环境监测设备收集到的各环境数据,一个环境数据为一个多维向量;一个环境数据对应一个时间戳;将收集到的各环境数据对应到多维空间中,得到各环境数据在多维空间中的数据点,记为环境数据点;一个环境数据对应一个环境数据点;然后获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集;根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性;根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性;最后根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据。本实施例能够区分由环境异常引起的异常数据以及由传感器异常引起的异常数据,可以为后续对环境异常数据的分析提供更加精确有效的数据集。
本实施例的用于自动化环境监测设备的异常数据分析系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述用于自动化环境监测设备的异常数据分析方法。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种用于自动化环境监测设备的异常数据分析方法,其特征在于,该方法包括如下步骤:
获取自动化环境监测设备收集到的各环境数据,一个环境数据为一个多维向量;一个环境数据对应一个时间戳;将收集到的各环境数据对应到多维空间中,得到各环境数据在多维空间中的数据点,记为环境数据点;一个环境数据对应一个环境数据点;
获取多维空间中的各环境数据点的时序邻近点集以及空间邻近点集;根据各环境数据点的时序邻近点集以及空间邻近点集,得到多维空间中的各环境数据点的点集排列相似性;根据各环境数据点的点集排列相似性,计算各环境数据点的时序邻近相似性;
根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据;
得到多维空间中的各环境数据点的点集排列相似性的方法,包括:
对于多维空间中的任一环境数据点:
获得该环境数据点对应的排列相似性序列;获得该环境数据点对应的排列相似性序列的过程为:若与相同,则将排序相似性置1,若与不相同,则将排序相似性置0;所述为中的第个环境数据点,为中的第个环境数据点,为正整数;
其中,为该环境数据点的点集排列相似性,为该环境数据点对应的排列相似性序列中的参数数量,为该环境数据点对应的排列相似性序列中的第k1个排列相似性的值,为该环境数据点对应的排列相似性序列中的排列相似性的值的序号;
计算各环境数据点的时序邻近相似性的方法,包括:
获取该环境数据点的序号和该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号;根据该环境数据点的序号和该环境数据点对应的排序后的时序邻近点集中第k个环境数据点的序号,得到该环境数据点的时序邻近相似性;根据如下公式计算该环境数据点的时序邻近相似性:
2.如权利要求1所述的用于自动化环境监测设备的异常数据分析方法,其特征在于,所述多维向量中参数包括温度数据、湿度数据和风速数据。
4.如权利要求1所述的用于自动化环境监测设备的异常数据分析方法,其特征在于,根据各环境数据点的点集排列相似性以及时序邻近相似性,得到环境异常数据以及传感器异常数据的方法,包括:
将获取的、对应到二维空间中,以表示环境数据点的类别特征,计算环境数据点对应的与点的欧式距离,环境数据点对应的与点的欧式距离,环境数据点对应的与点的欧式距离,类别角标H、Z、C分别表示环境异常数据、正常数据、传感器异常数据;
5.一种用于自动化环境监测设备的异常数据分析系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-4任一项所述的一种用于自动化环境监测设备的异常数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205291.9A CN115271003B (zh) | 2022-09-30 | 2022-09-30 | 用于自动化环境监测设备的异常数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211205291.9A CN115271003B (zh) | 2022-09-30 | 2022-09-30 | 用于自动化环境监测设备的异常数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115271003A true CN115271003A (zh) | 2022-11-01 |
CN115271003B CN115271003B (zh) | 2023-01-03 |
Family
ID=83758099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211205291.9A Active CN115271003B (zh) | 2022-09-30 | 2022-09-30 | 用于自动化环境监测设备的异常数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271003B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011703A (zh) * | 2023-02-08 | 2023-04-25 | 莒县环境监测站 | 一种动态环境监测站的管理方法及系统 |
CN116071901A (zh) * | 2023-03-27 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境的多元监测预警方法、设备及介质 |
CN116304960A (zh) * | 2023-05-24 | 2023-06-23 | 合力(天津)能源科技股份有限公司 | 一种钻井环境的监测预警方法及系统 |
CN116413395A (zh) * | 2023-06-08 | 2023-07-11 | 山东瑞程数据科技有限公司 | 一种环境异常智能检测方法 |
CN118296541A (zh) * | 2024-06-05 | 2024-07-05 | 山东汇蓝环保科技有限公司 | 一种环境检测过程中多变量异常数据清洗方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682319A (zh) * | 2017-09-13 | 2018-02-09 | 桂林电子科技大学 | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 |
CN108921202A (zh) * | 2018-06-12 | 2018-11-30 | 成都信息工程大学 | 一种基于数据结构的异常点检测方法 |
CN111858712A (zh) * | 2020-07-20 | 2020-10-30 | 上海仪电(集团)有限公司中央研究院 | 原位水质巡检数据时空分析与异常检测方法和系统 |
CN113742327A (zh) * | 2021-09-02 | 2021-12-03 | 中国水利水电科学研究院 | 一种基于测雨雷达数据的自动雨量站异常值筛选方法 |
-
2022
- 2022-09-30 CN CN202211205291.9A patent/CN115271003B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682319A (zh) * | 2017-09-13 | 2018-02-09 | 桂林电子科技大学 | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 |
CN108921202A (zh) * | 2018-06-12 | 2018-11-30 | 成都信息工程大学 | 一种基于数据结构的异常点检测方法 |
CN111858712A (zh) * | 2020-07-20 | 2020-10-30 | 上海仪电(集团)有限公司中央研究院 | 原位水质巡检数据时空分析与异常检测方法和系统 |
CN113742327A (zh) * | 2021-09-02 | 2021-12-03 | 中国水利水电科学研究院 | 一种基于测雨雷达数据的自动雨量站异常值筛选方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011703A (zh) * | 2023-02-08 | 2023-04-25 | 莒县环境监测站 | 一种动态环境监测站的管理方法及系统 |
CN116011703B (zh) * | 2023-02-08 | 2024-01-23 | 莒县环境监测站 | 一种动态环境监测站的管理方法及系统 |
CN116071901A (zh) * | 2023-03-27 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境的多元监测预警方法、设备及介质 |
CN116304960A (zh) * | 2023-05-24 | 2023-06-23 | 合力(天津)能源科技股份有限公司 | 一种钻井环境的监测预警方法及系统 |
CN116304960B (zh) * | 2023-05-24 | 2023-08-29 | 合力(天津)能源科技股份有限公司 | 一种钻井环境的监测预警方法及系统 |
CN116413395A (zh) * | 2023-06-08 | 2023-07-11 | 山东瑞程数据科技有限公司 | 一种环境异常智能检测方法 |
CN116413395B (zh) * | 2023-06-08 | 2023-08-25 | 山东瑞程数据科技有限公司 | 一种环境异常智能检测方法 |
CN118296541A (zh) * | 2024-06-05 | 2024-07-05 | 山东汇蓝环保科技有限公司 | 一种环境检测过程中多变量异常数据清洗方法 |
CN118296541B (zh) * | 2024-06-05 | 2024-08-16 | 山东汇蓝环保科技有限公司 | 一种环境检测过程中多变量异常数据清洗方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115271003B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115271003B (zh) | 用于自动化环境监测设备的异常数据分析方法及系统 | |
US8037533B2 (en) | Detecting method for network intrusion | |
CN116304898B (zh) | 基于机器学习的传感器数据智能存储系统 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN109784392A (zh) | 一种基于综合置信的高光谱图像半监督分类方法 | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
Kong et al. | Recognition and location of mixed-type patterns in wafer bin maps | |
CN108416373A (zh) | 一种基于正则化Fisher阈值选择策略的不平衡数据分类系统 | |
CN116075733A (zh) | 用于对电池模块进行分类的电池管理系统 | |
CN111583180A (zh) | 一种图像的篡改识别方法、装置、计算机设备及存储介质 | |
CN116051479A (zh) | 融合跨域迁移和异常检测的纺织品缺陷识别方法 | |
CN116049766A (zh) | 基于数字孪生的多源数据异常监测系统 | |
Deulkar et al. | An automated tomato quality grading using clustering based support vector machine | |
CN109104257A (zh) | 一种无线信号检测方法及装置 | |
CN115470834A (zh) | 基于标签传播矫正标签置信度的不准确标记的多标签学习算法 | |
CN111078565A (zh) | 基于hog特征提取和svm多分类器的软件测试结果的分析方法 | |
Liu et al. | Container-code recognition system based on computer vision and deep neural networks | |
CN117171690A (zh) | 基于改进标签传播的光伏阵列故障诊断方法、装置及设备 | |
Sari et al. | Detection of Corn Leaves Nutrient Deficiency Using Support Vector Machine (SVM) | |
Sim et al. | Attention masking for improved near out-of-distribution image detection | |
CN114386535B (zh) | 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
Kobs et al. | On background bias in deep metric learning | |
Wang et al. | Fault detection for the class imbalance problem in semiconductor manufacturing processes |
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 |