CN115290831A - 一种空气质量检测方法 - Google Patents
一种空气质量检测方法 Download PDFInfo
- Publication number
- CN115290831A CN115290831A CN202211207650.4A CN202211207650A CN115290831A CN 115290831 A CN115290831 A CN 115290831A CN 202211207650 A CN202211207650 A CN 202211207650A CN 115290831 A CN115290831 A CN 115290831A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data sequence
- detection
- detection data
- air quality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 429
- 230000002159 abnormal effect Effects 0.000 claims abstract description 287
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004154 testing of material Methods 0.000 abstract description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 50
- 235000010269 sulphur dioxide Nutrition 0.000 description 25
- 230000005856 abnormality Effects 0.000 description 17
- 239000003344 environmental pollutant Substances 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 5
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 5
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 4
- 238000011109 contamination Methods 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004291 sulphur dioxide Substances 0.000 description 1
Images
Classifications
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及材料测试和分析技术领域，具体涉及一种空气质量检测方法，该方法包括：获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合；确定检测数据序列对应的异常置信度；确定每个初步异常数据序列对应的异常偏移数量；确定空气质量因子；根据空气质量因子，生成表征预设时间段内的空气质量的空气质量信息。本发明根据获取的检测数据序列集合对空气质量进行检测，有效提高了对空气质量整体检测的准确度。
Description
技术领域
本发明涉及材料测试和分析技术领域，具体涉及一种空气质量检测方法。
背景技术
空气质量的好坏往往密切影响着人们的生产和生活。随着我国经济的高速发展、城市化进程的加快、工业和交通规模的持续扩大、愈发频繁的工业污染和城市的不断扩张，往往导致环境污染加剧和生态恶化。对空气污染影响较大的污染物有可吸入颗粒物、二氧化硫、二氧化氮、一氧化氮、一氧化碳和臭氧等。城市的环境空气质量往往不仅可以反映城市规划建设和管理水平，还影响着城市经济的可持续发展，这不仅仅是关乎城市居民的生活质量，甚至还会影响到人们的身体健康。因此，对空气进行质量检测至关重要。目前，在对空气进行质量检测时，通常采用的方式为：采集当前时刻的多个污染物的含量，判断每个污染物的含量是否超过相应标准含量，对超过标准含量的污染物，进行相应的预警。例如，当空气中的二氧化硫的含量超过空气中二氧化硫的标准含量时，可以生成空气中二氧化硫含量过高的提示信息。
然而，当采用上述方式时，经常会存在如下技术问题：
由于各个污染物对空气质量的影响程度往往不同，当仅仅对空气中的多个污染物中的每个污染物含量是否超标进行判断时，用户往往不能简单的通过单个污染物含量是否超标，精确判断空气质量的整体情况，从而导致对空气质量整体检测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对空气质量整体检测的准确度低下的技术问题，本发明提出了一种空气质量检测方法。
本发明提供了一种空气质量检测方法，该方法包括：
获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合；
对于所述检测数据序列集合中的每个检测数据序列，根据所述检测数据序列中最大的检测数据和最小的检测数据，确定所述检测数据序列对应的异常置信度；
当所述检测数据序列集合中存在多个初步异常数据序列时，根据所述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量，其中，所述多个初步异常数据序列中的初步异常数据序列是对应的异常置信度大于预先设置的初步异常阈值的检测数据序列；
当所述多个初步异常数据序列中存在多个真实状态异常数据序列时，根据所述检测数据序列集合、所述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子，其中，所述多个真实状态异常数据序列中的真实状态异常数据序列是对应的异常偏移数量大于预先设置的异常偏移数量阈值的初步异常数据序列；
根据所述空气质量因子，生成表征所述预设时间段内的空气质量的空气质量信息。
进一步的，所述确定所述检测数据序列对应的异常置信度对应的公式为：
其中，
是所述检测数据序列对应的异常置信度，e是自然常数，
是所述检测数据序列中最大的检测数据，
是所述检测数据序列中最小的检测数据。
进一步的，所述检测数据序列集合包括：污染检测数据序列集合和环境检测数据序列集合；
所述根据所述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量，包括：
对于所述污染检测数据序列集合中的每个污染检测数据序列中的每个污染检测数据，将所述污染检测数据与所述污染检测数据序列对应的最佳检测参数值的差值，确定为所述污染检测数据对应的初步偏移量；
当污染检测数据对应的初步偏移量大于预先设置的污染偏移量阈值时，将污染检测数据，确定为目标偏离数据；
对于所述污染检测数据序列集合中的每个污染检测数据序列，将所述污染检测数据序列中目标偏离数据的数量，确定为所述污染检测数据序列对应的异常偏移数量；
对于所述环境检测数据序列集合中的每个环境检测数据序列中的每个环境检测数据，将所述环境检测数据与所述环境检测数据序列对应的最佳检测参数值的差值的绝对值，确定为所述环境检测数据对应的初步偏移量；
当环境检测数据对应的初步偏移量大于预先设置的环境偏移量阈值时，将环境检测数据，确定为目标偏离数据；
对于所述环境检测数据序列集合中的每个环境检测数据序列，将所述环境检测数据序列中目标偏离数据的数量，确定为所述环境检测数据序列对应的异常偏移数量。
进一步的，所述根据所述检测数据序列集合、所述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子，包括：
根据所述检测数据序列集合中的每个检测数据序列，构建所述检测数据序列对应的检测数据向量；
根据所述检测数据序列集合中的检测数据序列的数量、所述多个真实状态异常数据序列中的每个真实状态异常数据序列对应的检测数据向量和所述检测数据序列集合中的检测数据序列对应的检测数据向量，确定每个真实状态异常数据序列对应的影响度；
根据所述多个真实状态异常数据序列中的真实状态异常数据序列的数量、所述多个真实状态异常数据序列中的真实状态异常数据序列中的真实状态异常数据对应的初步偏移量、所述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和影响度，确定所述空气质量因子。
进一步的，所述确定每个真实状态异常数据序列对应的影响度对应的公式为：
其中，
是所述多个真实状态异常数据序列中的第k个真实状态异常数据序列对应的影响度，m是所述检测数据序列集合中的检测数据序列的数量，
是所述多个真实状态异常数据序列中的第k个真实状态异常数据序列对应的检测数据向量，
是所述检测数据序列集合中的第j个检测数据序列对应的检测数据向量，
是
与
的内积。
进一步的，所述确定所述空气质量因子对应的公式为：
其中，
是所述空气质量因子，C是所述多个真实状态异常数据序列中的真实状态异常数据序列的数量，
是所述多个真实状态异常数据序列中的第c个真实状态异常数据序列对应的影响度，
是所述多个真实状态异常数据序列中的第c个真实状态异常数据序列对应的异常偏移数量，
是所述多个真实状态异常数据序列中的第c个真实状态异常数据序列中第r个目标偏离数据对应的初步偏移量。
进一步的，在所述根据所述检测数据序列中最大的检测数据和最小的检测数据，确定所述检测数据序列对应的异常置信度之后，所述方法还包括：
当所述检测数据序列集合中的各个检测数据序列对应的异常置信度均小于或等于预先设置的初步异常阈值时，生成表征所述预设时间段内空气质量良好的空气质量信息。
进一步的，在所述根据所述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量之后，所述方法还包括：
当所述多个初步异常数据序列中的各个初步异常数据序列对应的异常偏移数量均小于或等于预先设置的异常偏移数量阈值时，生成表征所述预设时间段内空气质量良好的空气质量信息。
进一步的，所述根据所述空气质量因子，生成表征所述预设时间段内的空气质量的空气质量信息，包括：
当所述空气质量因子大于预先设置的空气质量因子阈值时，生成表征所述预设时间段内空气质量不佳的空气质量信息。
进一步的，所述预先设置的异常偏移数量阈值对应的公式为：
其中，N是所述异常偏移数量阈值，Q和q是预先设置的数值，Q大于q，n是真实状态异常数据序列中真实状态异常数据的数量，
是对
向上取整。
本发明具有如下有益效果：
本发明的一种空气质量检测方法，根据获取的检测数据序列集合对空气质量进行检测，有效提高了对空气质量整体检测的准确度。首先，获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合。由于检测数据是影响空气质量的检测参数的值，所以获取检测数据序列集合可以便于后续对空气质量进行检测。其次，如果一个检测参数只采集当前时刻的一个参数值，即一个检测参数对应单个参数值，在当前时刻，可能由于传感器的灵敏程度或其他因素的影响，当单个参数值异常时，往往并不能体现检测参数异常。所以当每个检测参数采集一条检测数据序列时，如果检测数据序列异常，往往可以体现检测参数异常，可以提高后续对检测参数是否异常的判断的准确度。其次，对于上述检测数据序列集合中的每个检测数据序列，根据上述检测数据序列中最大的检测数据和最小的检测数据，确定上述检测数据序列对应的异常置信度。最大的检测数据和最小的检测数据往往可以体现检测数据序列中的两个极端，实际情况中，如果最大的检测数据和最小的检测数据均不异常，检测数据序列往往不异常。因此，根据最大的检测数据和最小的检测数据，确定检测数据序列对应的异常置信度，可以提高对异常置信度确定的准确度。接着，当上述检测数据序列集合中存在多个初步异常数据序列时，根据上述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量，其中，上述多个初步异常数据序列中的初步异常数据序列是对应的异常置信度大于预先设置的初步异常阈值的检测数据序列。由于最佳检测参数值往往是在历史时间段内空气质量最好时，采集的参数值。所以初步异常数据序列对应的异常偏移数量越大，该初步异常数据序列往往越异常，该初步异常数据序列对应的检测参数往往越异常。然后，当上述多个初步异常数据序列中存在多个真实状态异常数据序列时，根据上述检测数据序列集合、上述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子，其中，上述多个真实状态异常数据序列中的真实状态异常数据序列是对应的异常偏移数量大于预先设置的异常偏移数量阈值的初步异常数据序列。综合考虑检测数据序列集合、真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，可以提高空气质量因子确定的准确度。最后，根据上述空气质量因子，生成表征上述预设时间段内的空气质量的空气质量信息。因此，本发明通过多个传感器获取检测数据序列集合，并根据检测数据序列集合对空气质量进行检测，有效提高了对空气质量整体检测的准确度。
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为根据本发明的一种空气质量检测方法的一些实施例的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种空气质量检测方法，该方法包括以下步骤：
获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合；
对于检测数据序列集合中的每个检测数据序列，根据检测数据序列中最大的检测数据和最小的检测数据，确定检测数据序列对应的异常置信度；
当检测数据序列集合中存在多个初步异常数据序列时，根据多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量；
当多个初步异常数据序列中存在多个真实状态异常数据序列时，根据检测数据序列集合、多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子；
根据空气质量因子，生成表征预设时间段内的空气质量的空气质量信息。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的一种空气质量检测方法的一些实施例的流程。该空气质量检测方法，包括以下步骤：
步骤S1，获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合。
在一些实施例中，可以获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合。
其中，上述预设时间段可以是预先设置的时间段。例如，上述预设时间段可以是2022年07月20日09时04分24秒与2022年07月20日09时09分24秒之间的时间段。上述预设数量可以是预先设置的数量。例如，上述预设数量可以是8。检测参数可以是影响空气质量的可以被检测的参数。例如，8个检测参数可以分别是细颗粒物（PM2.5）、二氧化硫（
）、二氧化氮（
）、一氧化氮（
）、一氧化碳（
）、臭氧（
）、空气温度和湿度。上述检测数据序列集合中的检测数据序列的数量可以是预设数量。上述检测数据序列集合中的检测数据序列中的检测数据可以是预设时间段内检测参数的值。检测数据序列中相邻的检测数据之间的时间间隔可以相同。例如，检测数据序列中相邻的检测数据之间的时间间隔可以是3秒。例如，当一个检测参数为二氧化硫时，二氧化硫对应的检测数据序列可以是{0.049，0.048，0.050}。其中，0.049可以是2022年07月20日09时09分26秒的时候，空气中二氧化硫的含量。0.048可以是2022年07月20日09时09分29秒的时候，空气中二氧化硫的含量。0.050可以是2022年07月20日09时09分32秒的时候，空气中二氧化硫的含量。
作为示例，可以通过放置在需要进行空气检测的区域内的多个检测传感器，获取上述检测数据序列集合。例如，检测二氧化硫的检测传感器可以是二氧化硫传感器。检测二氧化氮的检测传感器可以是二氧化氮传感器。
由于，上述预设数量个检测参数中的各个检测参数对应的量纲可能不同，所以为了便于后续对检测数据序列集合中的检测数据序列中的检测数据进行分析，可以对检测数据序列集合中的检测数据序列中的检测数据进行归一化，可以使检测数据取值范围为[0，1]。将检测数据序列集合中的检测数据序列中的检测数据更新为归一化后的检测数据。
步骤S2，对于检测数据序列集合中的每个检测数据序列，根据检测数据序列中最大的检测数据和最小的检测数据，确定检测数据序列对应的异常置信度。
在一些实施例中，对于上述检测数据序列集合中的每个检测数据序列，可以根据上述检测数据序列中最大的检测数据和最小的检测数据，确定上述检测数据序列对应的异常置信度。
其中，检测数据序列对应的异常置信度可以表征该检测数据序列中的检测数据的异常程度。
作为示例，上述确定上述检测数据序列对应的异常置信度对应的公式可以为：
其中，
是上述检测数据序列对应的异常置信度。e是自然常数。
是上述检测数据序列中最大的检测数据。
是上述检测数据序列中最小的检测数据。
实际情况中，在连续的时间段内，空气中检测参数的值往往是稳定的，例如，在连续的时间段内，空气中的二氧化硫的含量往往是稳定的。所以检测数据序列中最大的检测数据和最小的检测数据的差值越大，该检测数据序列往往越异常，该检测数据序列对应的检测参数往往越异常。并且，本方案对检测数据序列中最大的检测数据和最小的检测数据的差值进行归一化，可以便于对不同的检测参数进行异常判断。
可选地，当上述检测数据序列集合中的各个检测数据序列对应的异常置信度均小于或等于预先设置的初步异常阈值时，生成表征上述预设时间段内空气质量良好的空气质量信息。
其中，上述初步异常阈值可以是表征检测数据序列中的检测数据不异常的最大的异常置信度。空气质量信息可以表征需要进行空气检测的区域内的空气质量。表征上述预设时间段内空气质量良好的空气质量信息可以是“该地区在预设时间段内空气质量良好”。
步骤S3，当检测数据序列集合中存在多个初步异常数据序列时，根据多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量。
在一些实施例中，当上述检测数据序列集合中存在多个初步异常数据序列时，可以根据上述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量。
其中，上述多个初步异常数据序列中的初步异常数据序列可以是对应的异常置信度大于预先设置的初步异常阈值的检测数据序列。上述多个初步异常数据序列中的初步异常数据序列是可能发生异常的序列。即，初步异常数据序列对应的检测参数可能异常。如果二氧化硫是异常的，则代表空气中的二氧化硫含量已经超标。如果温度是异常的，则代表空气中的温度是不使人舒适的温度。上述多个初步异常数据序列中初步异常数据序列的数量可以大于或等于1。初步异常数据序列对应的最佳检测参数值可以是在预先设置的历史时间段内，需要进行空气检测的区域的空气质量最好时，采集的该初步异常数据序列对应的检测参数的值。历史时间段可以是在当前时刻之前的时间段。历史时间段可以是已知需要进行空气检测的区域内空气质量的时间段。例如，一个初步异常数据序列对应的检测参数可以是二氧化硫。该初步异常数据序列对应的最佳检测参数值可以是在历史时间段内，需要进行空气检测的区域的空气质量最好时，空气中二氧化硫的含量。初步异常数据序列对应的异常偏移数量可以是该初步异常数据序列中异常的初步异常数据的数量。
作为示例，上述检测数据序列集合可以包括：污染检测数据序列集合和环境检测数据序列集合。上述污染检测数据序列集合中的污染检测数据序列对应的检测参数可以是对人体有害的参数。上述污染检测数据序列集合中的污染检测数据序列对应的检测参数可以是含量越少越好的参数。例如，污染检测数据序列对应的检测参数可以包括但不限于：二氧化硫、二氧化氮和一氧化碳。上述环境检测数据序列集合中的环境检测数据序列对应的检测参数可以是值不宜过大也不宜过小的参数。例如，环境检测数据序列对应的检测参数可以包括但不限于：空气温度和湿度。本步骤可以包括以下步骤：
第一步，对于上述污染检测数据序列集合中的每个污染检测数据序列中的每个污染检测数据，将上述污染检测数据与上述污染检测数据序列对应的最佳检测参数值的差值，确定为上述污染检测数据对应的初步偏移量。
其中，污染检测数据对应的初步偏移量可以是该污染检测数据与对应的最佳检测参数值之间的偏移量。
例如，污染检测数据序列对应的检测参数可以是二氧化硫。污染检测数据序列对应的最佳检测参数值可以是0.036。当空气中二氧化硫的含量为0.037时，0.037对应的初步偏移量可以是0.001。当空气中二氧化硫的含量为0.035时，0.035对应的初步偏移量可以是-0.001。这个例子只是为了展示污染检测数据对应的初步偏移量是如何确定的，并没有对采集的空气中二氧化硫的含量进行归一化，实际计算时，可以先对采集的空气中二氧化硫的含量进行归一化后，再进行初步偏移量的计算。
第二步，当污染检测数据对应的初步偏移量大于预先设置的污染偏移量阈值时，将污染检测数据，确定为目标偏离数据。
其中，上述污染偏移量阈值可以是污染检测数据与对应的最佳检测参数值相比，可以认为该污染检测数据没有发生异常偏移时的最小的初步偏移量。比如，上述污染偏移量阈值可以是0.35。目标偏离数据可以是发生了异常偏移的检测数据。
第三步，对于上述污染检测数据序列集合中的每个污染检测数据序列，将上述污染检测数据序列中目标偏离数据的数量，确定为上述污染检测数据序列对应的异常偏移数量。
第四步，对于上述环境检测数据序列集合中的每个环境检测数据序列中的每个环境检测数据，将上述环境检测数据与上述环境检测数据序列对应的最佳检测参数值的差值的绝对值，确定为上述环境检测数据对应的初步偏移量。
其中，环境检测数据对应的初步偏移量可以是该环境检测数据与对应的最佳检测参数值之间的偏移量。
第五步，当环境检测数据对应的初步偏移量大于预先设置的环境偏移量阈值时，将环境检测数据，确定为目标偏离数据。
其中，上述环境偏移量阈值可以是环境检测数据与对应的最佳检测参数值相比，可以认为该环境检测数据没有发生异常偏移时的最小的初步偏移量。比如，上述环境偏移量阈值可以是0.35。
第六步，对于上述环境检测数据序列集合中的每个环境检测数据序列，将上述环境检测数据序列中目标偏离数据的数量，确定为上述环境检测数据序列对应的异常偏移数量。
可选地，当上述多个初步异常数据序列中的各个初步异常数据序列对应的异常偏移数量均小于或等于预先设置的异常偏移数量阈值时，生成表征上述预设时间段内空气质量良好的空气质量信息。
其中，上述异常偏移数量阈值可以是初步异常数据序列正常时，可以允许该初步异常数据序列中存在的异常的初步异常数据的数量。空气质量信息可以表征需要进行空气检测的区域内的空气质量。表征上述预设时间段内空气质量良好的空气质量信息可以是“该地区在预设时间段内空气质量良好”。
步骤S4，当多个初步异常数据序列中存在多个真实状态异常数据序列时，根据检测数据序列集合、多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子。
在一些实施例中，当上述多个初步异常数据序列中存在多个真实状态异常数据序列时，可以根据上述检测数据序列集合、上述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子。
其中，上述多个真实状态异常数据序列中的真实状态异常数据序列是对应的异常偏移数量大于预先设置的异常偏移数量阈值的初步异常数据序列。上述多个真实状态异常数据序列中的真实状态异常数据序列可以是发生异常的序列。上述空气质量因子可以表征空气质量的好坏。上述空气质量因子越大，往往说明空气质量越差。上述空气质量因子越小，往往说明空气质量越好。
例如，上述预先设置的异常偏移数量阈值对应的公式可以为：
其中，N是上述异常偏移数量阈值。Q和q是预先设置的数值。Q大于q。n是真实状态异常数据序列中真实状态异常数据的数量。
是对
向上取整。Q和q是大于或等于1的数值。比如，q可以是1。Q可以是15、16、17、18、19或20。
当初步异常数据序列中发生了异常偏移的初步异常数据的数量小于或等于异常偏移数量阈值时，可以认为初步异常数据序列对应的检测参数是正常的。如果二氧化硫是正常的，则代表空气中的二氧化硫含量没有超标。如果温度是正常的，则代表空气中的温度是使人舒适的温度。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述检测数据序列集合中的每个检测数据序列，构建上述检测数据序列对应的检测数据向量。
其中，检测数据序列对应的检测数据向量中的元素可以是该检测数据序列中的检测数据。检测数据序列中的检测数据与检测数据向量中的元素可以一一对应。例如，检测数据序列对应的检测数据向量中的第一个元素可以是该检测数据序列中的第一个检测数据。
例如，检测数据序列可以是{0.5，0.6，0.8，0.7}。该检测数据序列对应的检测数据向量可以是（0.5，0.6，0.8，0.7）。
第二步，根据上述检测数据序列集合中的检测数据序列的数量、上述多个真实状态异常数据序列中的每个真实状态异常数据序列对应的检测数据向量和上述检测数据序列集合中的检测数据序列对应的检测数据向量，确定每个真实状态异常数据序列对应的影响度。
其中，真实状态异常数据序列对应的影响度可以表征该真实状态异常数据序列对应的检测参数对空气质量的影响程度。真实状态异常数据序列对应的影响度越高，往往该真实状态异常数据序列对应的检测参数对空气质量的影响程度越大。
例如，上述确定每个真实状态异常数据序列对应的影响度对应的公式可以为：
其中，
是上述多个真实状态异常数据序列中的第k个真实状态异常数据序列对应的影响度。m是上述检测数据序列集合中的检测数据序列的数量。
是上述多个真实状态异常数据序列中的第k个真实状态异常数据序列对应的检测数据向量。
是上述检测数据序列集合中的第j个检测数据序列对应的检测数据向量。
是
与
的内积。
实际情况中，
与
的内积往往可以体现
与
之间的相关程度。检测参数与多个检测参数之间的相关程度越高，往往可以认为该检测参数越重要，该检测参数对空气质量的影响程度往往越大，即该检测参数对应的真实状态异常数据序列对应的影响度越大。
第三步，根据上述多个真实状态异常数据序列中的真实状态异常数据序列的数量、上述多个真实状态异常数据序列中的真实状态异常数据序列中的真实状态异常数据对应的初步偏移量、上述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和影响度，确定上述空气质量因子。
其中，真实状态异常数据对应的初步偏移量可以是该真实状态异常数据与对应的最佳检测参数值之间的偏移量。
例如，上述确定上述空气质量因子对应的公式可以为：
其中，
是上述空气质量因子。C是上述多个真实状态异常数据序列中的真实状态异常数据序列的数量。
是上述多个真实状态异常数据序列中的第c个真实状态异常数据序列对应的影响度。
是上述多个真实状态异常数据序列中的第c个真实状态异常数据序列对应的异常偏移数量。
是上述多个真实状态异常数据序列中的第c个真实状态异常数据序列中第r个目标偏离数据对应的初步偏移量。
为了便于后续对空气质量进行判断，可以对空气质量因子进行归一化，可以使空气质量因子的取值范围为[0，1]。将空气质量因子更新为归一化后的空气质量因子。
步骤S5，根据空气质量因子，生成表征预设时间段内的空气质量的空气质量信息。
在一些实施例中，可以根据上述空气质量因子，生成表征上述预设时间段内的空气质量的空气质量信息。
其中，空气质量信息可以表征需要进行空气检测的区域内的空气质量。
作为示例，当上述空气质量因子大于预先设置的空气质量因子阈值时，生成表征上述预设时间段内空气质量不佳的空气质量信息。
其中，上述空气质量因子阈值可以是空气正常时的最小的空气质量因子。例如，上述空气质量因子阈值可以是0.5。表征上述预设时间段内空气质量不佳的空气质量信息可以是“该地区在预设时间段内空气质量不佳，需要对空气进行净化”。
本发明的一种空气质量检测方法，根据获取的检测数据序列集合对空气质量进行检测，有效提高了对空气质量整体检测的准确度。首先，获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合。由于检测数据是影响空气质量的检测参数的值，所以获取检测数据序列集合可以便于后续对空气质量进行检测。其次，如果一个检测参数只采集当前时刻的一个参数值，即一个检测参数对应单个参数值，在当前时刻，可能由于传感器的灵敏程度或其他因素的影响，当单个参数值异常时，往往并不能体现检测参数异常。所以当每个检测参数采集一条检测数据序列时，如果检测数据序列异常，往往可以体现检测参数异常，可以提高后续对检测参数是否异常的判断的准确度。其次，对于上述检测数据序列集合中的每个检测数据序列，根据上述检测数据序列中最大的检测数据和最小的检测数据，确定上述检测数据序列对应的异常置信度。最大的检测数据和最小的检测数据往往可以体现检测数据序列中的两个极端，实际情况中，如果最大的检测数据和最小的检测数据均不异常，检测数据序列往往不异常。因此，根据最大的检测数据和最小的检测数据，确定检测数据序列对应的异常置信度，可以提高对异常置信度确定的准确度。接着，当上述检测数据序列集合中存在多个初步异常数据序列时，根据上述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量，其中，上述多个初步异常数据序列中的初步异常数据序列是对应的异常置信度大于预先设置的初步异常阈值的检测数据序列。由于最佳检测参数值往往是在历史时间段内空气质量最好时，采集的参数值。所以初步异常数据序列对应的异常偏移数量越大，该初步异常数据序列往往越异常，该初步异常数据序列对应的检测参数往往越异常。然后，当上述多个初步异常数据序列中存在多个真实状态异常数据序列时，根据上述检测数据序列集合、上述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子，其中，上述多个真实状态异常数据序列中的真实状态异常数据序列是对应的异常偏移数量大于预先设置的异常偏移数量阈值的初步异常数据序列。综合考虑检测数据序列集合、真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，可以提高空气质量因子确定的准确度。最后，根据上述空气质量因子，生成表征上述预设时间段内的空气质量的空气质量信息。因此，本发明通过多个传感器获取检测数据序列集合，并根据检测数据序列集合对空气质量进行检测，有效提高了对空气质量整体检测的准确度。
以上上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 (10)
1.一种空气质量检测方法，其特征在于，包括以下步骤：
获取预设时间段内影响空气质量的预设数量个检测参数中的每个检测参数对应的检测数据序列，得到检测数据序列集合；
对于所述检测数据序列集合中的每个检测数据序列，根据所述检测数据序列中最大的检测数据和最小的检测数据，确定所述检测数据序列对应的异常置信度；
当所述检测数据序列集合中存在多个初步异常数据序列时，根据所述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量，其中，所述多个初步异常数据序列中的初步异常数据序列是对应的异常置信度大于预先设置的初步异常阈值的检测数据序列；
当所述多个初步异常数据序列中存在多个真实状态异常数据序列时，根据所述检测数据序列集合、所述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子，其中，所述多个真实状态异常数据序列中的真实状态异常数据序列是对应的异常偏移数量大于预先设置的异常偏移数量阈值的初步异常数据序列；
根据所述空气质量因子，生成表征所述预设时间段内的空气质量的空气质量信息。
2.根据权利要求1所述的方法，其特征在于，所述确定所述检测数据序列对应的异常置信度对应的公式为：
其中，
是所述检测数据序列对应的异常置信度，e是自然常数，
是所述检测数据序列中最大的检测数据，
是所述检测数据序列中最小的检测数据。
3.根据权利要求1所述的方法，其特征在于，所述检测数据序列集合包括：污染检测数据序列集合和环境检测数据序列集合；
所述根据所述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量，包括：
对于所述污染检测数据序列集合中的每个污染检测数据序列中的每个污染检测数据，将所述污染检测数据与所述污染检测数据序列对应的最佳检测参数值的差值，确定为所述污染检测数据对应的初步偏移量；
当污染检测数据对应的初步偏移量大于预先设置的污染偏移量阈值时，将污染检测数据，确定为目标偏离数据；
对于所述污染检测数据序列集合中的每个污染检测数据序列，将所述污染检测数据序列中目标偏离数据的数量，确定为所述污染检测数据序列对应的异常偏移数量；
对于所述环境检测数据序列集合中的每个环境检测数据序列中的每个环境检测数据，将所述环境检测数据与所述环境检测数据序列对应的最佳检测参数值的差值的绝对值，确定为所述环境检测数据对应的初步偏移量；
当环境检测数据对应的初步偏移量大于预先设置的环境偏移量阈值时，将环境检测数据，确定为目标偏离数据；
对于所述环境检测数据序列集合中的每个环境检测数据序列，将所述环境检测数据序列中目标偏离数据的数量，确定为所述环境检测数据序列对应的异常偏移数量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述检测数据序列集合、所述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和最佳检测参数值，确定空气质量因子，包括：
根据所述检测数据序列集合中的每个检测数据序列，构建所述检测数据序列对应的检测数据向量；
根据所述检测数据序列集合中的检测数据序列的数量、所述多个真实状态异常数据序列中的每个真实状态异常数据序列对应的检测数据向量和所述检测数据序列集合中的检测数据序列对应的检测数据向量，确定每个真实状态异常数据序列对应的影响度；
根据所述多个真实状态异常数据序列中的真实状态异常数据序列的数量、所述多个真实状态异常数据序列中的真实状态异常数据序列中的真实状态异常数据对应的初步偏移量、所述多个真实状态异常数据序列中的各个真实状态异常数据序列对应的异常偏移数量和影响度，确定所述空气质量因子。
5.根据权利要求4所述的方法，其特征在于，所述确定每个真实状态异常数据序列对应的影响度对应的公式为：
其中，
是所述多个真实状态异常数据序列中的第k个真实状态异常数据序列对应的影响度，m是所述检测数据序列集合中的检测数据序列的数量，
是所述多个真实状态异常数据序列中的第k个真实状态异常数据序列对应的检测数据向量，
是所述检测数据序列集合中的第j个检测数据序列对应的检测数据向量，
是
与
的内积。
6.根据权利要求4所述的方法，其特征在于，所述确定所述空气质量因子对应的公式为：
其中，
是所述空气质量因子，C是所述多个真实状态异常数据序列中的真实状态异常数据序列的数量，
是所述多个真实状态异常数据序列中的第c个真实状态异常数据序列对应的影响度，
是所述多个真实状态异常数据序列中的第c个真实状态异常数据序列对应的异常偏移数量，
是所述多个真实状态异常数据序列中的第c个真实状态异常数据序列中第r个目标偏离数据对应的初步偏移量。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述检测数据序列中最大的检测数据和最小的检测数据，确定所述检测数据序列对应的异常置信度之后，所述方法还包括：
当所述检测数据序列集合中的各个检测数据序列对应的异常置信度均小于或等于预先设置的初步异常阈值时，生成表征所述预设时间段内空气质量良好的空气质量信息。
8.根据权利要求1所述的方法，其特征在于，在所述根据所述多个初步异常数据序列中的每个初步异常数据序列和预先获取的每个初步异常数据序列对应的最佳检测参数值，确定每个初步异常数据序列对应的异常偏移数量之后，所述方法还包括：
当所述多个初步异常数据序列中的各个初步异常数据序列对应的异常偏移数量均小于或等于预先设置的异常偏移数量阈值时，生成表征所述预设时间段内空气质量良好的空气质量信息。
9.根据权利要求1所述的方法，其特征在于，所述根据所述空气质量因子，生成表征所述预设时间段内的空气质量的空气质量信息，包括：
当所述空气质量因子大于预先设置的空气质量因子阈值时，生成表征所述预设时间段内空气质量不佳的空气质量信息。
10.根据权利要求1所述的方法，其特征在于，所述预先设置的异常偏移数量阈值对应的公式为：
其中，N是所述异常偏移数量阈值，Q和q是预先设置的数值，Q大于q，n是真实状态异常数据序列中真实状态异常数据的数量，
是对
向上取整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211207650.4A CN115290831B (zh) | 2022-09-30 | 2022-09-30 | 一种空气质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211207650.4A CN115290831B (zh) | 2022-09-30 | 2022-09-30 | 一种空气质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115290831A true CN115290831A (zh) | 2022-11-04 |
| CN115290831B CN115290831B (zh) | 2024-02-13 |
Family
ID=83834421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211207650.4A Active CN115290831B (zh) | 2022-09-30 | 2022-09-30 | 一种空气质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115290831B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
| CN111489041A (zh) * | 2020-06-23 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 预测污染物异常排放的方法、装置、计算机设备 |
| CN113139673A (zh) * | 2020-11-04 | 2021-07-20 | 西安天和防务技术股份有限公司 | 一种预测空气质量的方法、装置、终端及存储介质 |
-
2022
- 2022-09-30 CN CN202211207650.4A patent/CN115290831B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111125641A (zh) * | 2019-12-25 | 2020-05-08 | 广州博进信息技术有限公司 | 一种大气污染异常识别与成因分析方法、装置及存储介质 |
| CN111489041A (zh) * | 2020-06-23 | 2020-08-04 | 平安国际智慧城市科技股份有限公司 | 预测污染物异常排放的方法、装置、计算机设备 |
| CN113139673A (zh) * | 2020-11-04 | 2021-07-20 | 西安天和防务技术股份有限公司 | 一种预测空气质量的方法、装置、终端及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115290831B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115290831A (zh) | 一种空气质量检测方法 | |
| Kumar et al. | Time series data prediction using IoT and machine learning technique | |
| JP2019527344A (ja) | 検知の方法と装置、および、検知精度を高める方法と装置 | |
| US10190935B2 (en) | Gas leak detection device and gas leak detection method | |
| CN111650345B (zh) | 大气环境污染检测数据的处理方法、装置、设备及介质 | |
| US9053468B2 (en) | Methods and systems for monitoring operation of equipment | |
| CN109034252B (zh) | 空气质量站点监测数据异常的自动化识别方法 | |
| CN110008301A (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| CN108956876A (zh) | 一种烟气在线连续监测系统的测量时延修正方法 | |
| CN111414571A (zh) | 一种大气污染物监测方法 | |
| WO1999027466A2 (en) | System and method for intelligent quality control of a process | |
| CN112418517B (zh) | 一种用于冻害短临预警的预测方法 | |
| KR102549313B1 (ko) | 오염물질 배출수준 산정 시스템 및 방법 | |
| CN117251870B (zh) | 基于区块链的大数据分析预警方法、系统及其云平台 | |
| CN113945684A (zh) | 一种基于大数据的微型空气站自校准方法 | |
| CN118413265B (zh) | 一种卫星在线状态监测系统及方法 | |
| CN116644957A (zh) | 一种基于气象和环境监测数据的城市空气污染预警方法 | |
| Abdullah et al. | Multi-layer perceptron model for air quality prediction | |
| CN113917093B (zh) | 一种基于无线网络的空气质量监控系统 | |
| CN107831699A (zh) | 一种智能数据采集分析方法和系统 | |
| Drajic et al. | Reliable low-cost air quality monitoring using off-the-shelf sensors and statistical calibration | |
| CN116864131B (zh) | 污染物健康风险评估方法及系统 | |
| CN116878728B (zh) | 一种压力传感器故障检测分析处理系统 | |
| CN117607019A (zh) | 电力金具表面智能检测方法和检测系统 | |
| CN107346301A (zh) | 基于双时间窗口验证的水质监测噪音数据实时检测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240108 Address after: 518000 room 603, Dongjiang environmental protection building, No. 9, Langshan Road, Xili street, Nanshan District, Shenzhen, Guangdong Province Applicant after: Shenzhen Yiqingyuan Environmental Protection Technology Co.,Ltd. Address before: Room 532, No. 42, Guangzhou Road, Development Zone, Nantong City, Jiangsu Province, 226000 Applicant before: Nantong Qiansheng Information Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |