CN115600932A - 一种基于大数据的文物储藏环境异常评估方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于大数据的文物储藏环境异常评估方法，该方法包括：在当前设定时间段内不同时间节点获取文物储藏的环境数据构成当前数据序列，计算序列的离散程度和数据的特征参数；计算第一和第二数据序列对应时间节点环境数据的差值得到数据差值，根据数据差值对环境数据进行标记，根据最终被标记的环境数据计算差异程度，进而计算参考权重；获取历史环境数据序列；计算历史环境数据序列的离散程度；根据离散程度、各时间节点环境数据的特征参数以及参考权重，得到当前环境数据的关注程度；进而获得预测指数，根据预测指数确定下一时刻的环境异常评估结果。本发明能够避免环境调节不及时的影响而造成文物的损坏。

Description

一种基于大数据的文物储藏环境异常评估方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于大数据的文物储藏环境异常评估方法。

背景技术

环境是文物保护的关键性因素，文物储藏的环境数据中包括空气的湿度、温度、光线强度以及大气环境等，不同材质的文物所受到环境的影响程度也不尽相同，因此，在文物保护的过程中，其储藏环境的质量标准应当受到严格的控制。

在现有技术中，对文物储藏环境进行监测评估的方法主要是通过传感器采集环境数据，然后与标准储藏环境阈值进行比较，当采集的数据大于或小于环境阈值时，说明环境异常，再对环境进行调节。使用该方法对文物储藏环境进行评估时，当前文物储藏环境已经发生异常状况，在调节的过程中会对文物造成一定的损坏。

发明内容

为了解决利用采集环境数据与标准储藏环境阈值进行比较，在环境异常时再对环境进行调节，会对文物造成一定的损坏的技术问题，本发明的目的在于提供一种基于大数据的文物储藏环境异常评估方法，所采用的技术方案具体如下：

在当前设定时间段内不同时间节点分别获取文物储藏的环境数据，构成当前数据序列；根据当前数据序列中环境数据之间的差异得到当前数据序列的离散程度；根据当前数据序列中相邻时间节点的环境数据获得各时间节点环境数据的特征参数；

在当前时刻之前获得固定数量时间节点对应的环境数据构成第一数据序列，获取历史数据中与第一数据序列各时间节点对应的环境数据构成第二数据序列；计算第一数据序列和第二数据序列对应时间节点的环境数据的差值得到数据差值，根据数据差值对第一数据序列和第二数据序列中的环境数据进行标记，根据最终被标记的环境数据计算差异程度，进而计算参考权重；

获取当前设定时间段内不同时间节点对应的历史数据中的环境数据，构成历史环境数据序列；进而计算历史环境数据序列的离散程度；根据当前数据序列和历史环境数据序列的离散程度、各时间节点环境数据的特征参数以及参考权重，得到当前环境数据的关注程度；

根据关注程度和当前数据序列中的数据得到预测指数，根据预测指数确定下一时刻的文物环境异常评估结果。

优选地，所述关注程度的获取方法具体为：

将当前数据序列的离散程度和历史环境数据序列的离散程度之间的比值记为离散程度比值；计算当前数据序列和历史环境数据序列中对应时间节点的数据的差值的均值；计算当前数据序列中各时间节点的数据的特征参数的均值的绝对值得到当前数据序列对应的平均特征参数，进而获得历史环境数据序列对应的平均特征参数，将当前数据序列对应的平均特征参数和历史环境数据序列对应的平均特征参数之间的比值记为特征参数比值；根据所述均值、离散程度比值、特征参数比值以及参考权重得到当前环境数据的关注程度。

优选地，所述关注程度的计算公式具体为：

其中，M表示关注程度，

表示当前数据序列对应的平均特征参数，

表示历史环 境数据序列对应的平均特征参数，

为特征参数比值，

表示当前数据序列中第t个时间 节点的环境数据，

表示历史环境数据序列中第t个时间节点的历史数据，

表示当前数 据序列中包含的时间节点数量，

为参考权重，Lx表示当前数据序列的离散程度，Lz表示历 史环境数据序列的离散程度，

为离散程度比值，Norm[ ]为归一化函数。

优选地，所述根据最终被标记的环境数据计算差异程度，进而计算参考权重，包括：

将第一数据序列中最终被标记的环境数据构成第一标记序列，将第二数据序列中最终被标记的历史数据构成第二标记序列，计算第一标记序列和第二标记序列中对应位置元素的差值，所有差值的均值为差异程度，根据差异程度计算参考权重，差异程度与参考权重之间的关系为负相关关系。

优选地，所述根据数据差值对第一数据序列和第二数据序列中的环境数据进行标记具体为：

设置差值阈值，对数据差值大于差值阈值的第一数据序列和第二数据序列中的环境数据进行标记。

优选地，所述方法还包括：

将第一数据序列中被标记的环境数据记为第一标记数据，将第二数据序列中被标记的环境数据标记为第二标记数据；对于任意一个第一标记数据，采集第一标记数据对应的时间节点之前的一个设定时间段内不同时间节点的实际环境数据构成实际环境数据序列，计算实际环境数据序列的离散程度；对于任意一个第二标记数据，获取第二标记数据对应的时间节点之前的一个设定时间段内不同时间节点对应的历史数据中的环境数据记为历史环境数据，计算历史环境数据构成的序列的离散程度；设置离散阈值，当离散程度大于离散阈值时，对第一标记数据和第二标记数据均进行最终标记；进而对所有第一标记数据和所有第二标记数据进行处理，获得最终被标记的数据。

优选地，在获取历史数据中与第一数据序列各时间节点对应的环境数据构成第二数据序列之前，所述方法还包括：

获取十年的时间内每一天每一个时间节点的环境数据，记为历史参考数据；获取每个时间节点的所有历史参考数据的众数和平均数，对所述众数和平均数进行加权求和得到每个时间节点的历史数据。

优选地，所述离散程度的获取方法具体为：

利用主成分分析算法对当前数据序列进行处理得到主成分方向对应的当前环境数据，根据当前数据序列中每个时间节点与主成分方向对应的当前环境数据之间的差值得到当前数据序列的离散程度。

优选地，所述特征参数的获取方法具体为：

将当前数据序列中任意一个时间节点记为选定时间节点，计算选定时间节点的当前环境数据和选定时间节点的上一时间节点的当前环境数据之间的差值，记为第一差值；计算选定时间节点与选定时间节点的上一时间节点之间的时间差值，记为第二差值；根据所述第一差值和第二差值的比值得到特征参数。

优选地，所述根据关注程度和当前数据序列中的数据得到预测指数，根据预测指数确定下一时刻的文物环境异常评估结果，包括以下具体步骤：

获取文物储藏的环境数据的最大值，将当前环境数据的关注程度作为以自然常数e为底的指数函数的指数，计算指数函数值得到下一时刻的环境数据的异常程度；计算所述异常程度与当前时刻的环境数据的乘积，所述乘积与所述最大值的差值为预测指数；当预测指数大于预测阈值时，下一时刻的文物环境异常评估结果为异常的。

本发明实施例至少具有如下有益效果：

本发明通过获取当前设定时间段内的环境数据，对环境数据整体的波动情况进行分析，计算当前数据序列的离散程度，同时对各时间节点环境数据的变化情况进行分析，计算环境数据的特征参数；然后获取第一数据序列与第二数据序列，通过在当前时刻之前获取固定数量的实际采集的环境数据与历史数据，进而根据两者之间的差值对可能存在异常的数据进行标记，根据最终被标记的环境数据计算差异程度，进而计算参考权重，考虑了实际采集的环境数据与历史数据之间的差异情况；进一步的，根据当前数据序列和历史环境数据序列的离散程度、各时间节点环境数据的特征参数以及参考权重，得到当前环境数据的关注程度，在构建数据预测模型时，通过当前采集到的环境数据与历史数据相比较，综合考虑当前环境数据和历史数据之间的差异情况以及变化情况，以获得当前环境数据受关注的程度；最后根据关注程度获得预测指数，进而对下一时刻的数据进行预测，能够准确的预测出文物储藏室环境的变化，对即将发生异常的环境数据进行及时地调整，避免了因为环境数据调整不及时出现文物损坏的情况。

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是本发明的一种基于大数据的文物储藏环境异常评估方法的方法流程图。

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一种基于大数据的文物储藏环境异常评估方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。

下面结合附图具体的说明本发明所提供的一种基于大数据的文物储藏环境异常评估方法的具体方案。

实施例：

本发明所针对的场景具体为：

在文物的储藏中，需要对环境的湿度、温度、光照强度以及大气污染指数进行实时监测。而本发明所用到的场景为由于外部环境（天气的变化）引起的储藏环境的变化，对储藏室内的温度、湿度进行预测，提前调节温度与湿度，避免因为环境异常给文物带来的损害。

请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的文物储藏环境异常评估方法的方法流程图，该方法包括以下步骤：

步骤一，在当前设定时间段内不同时间节点分别获取文物储藏的环境数据，构成当前数据序列；根据当前数据序列中环境数据之间的差异得到当前数据序列的离散程度；根据当前数据序列中相邻时间节点的环境数据获得各时间节点环境数据的特征参数。

首先，在采集当前时刻文物储藏室的环境数据时，由于后续需要根据当前时刻文物储藏室的环境数据对未来时刻的环境数据进行预测和调节，因此，需要获取距离当前时刻较为接近的一段时间内的环境数据进行分析，避免仅根据当前时刻的单一数据进行预测时，获得的预测结果不准确的问题。

具体地，将每个整点的时刻以及每个半点的时刻均设置为时间节点，例如上午十点为一个时间节点，十点半也为一个时间节点。将当前获得环境数据的采样时刻之前最近的时间节点记为初始时间节点，若当前获得环境数据的采样时刻为整点的时刻或者半点的时刻，则将该采样时刻作为初始时间节点，将初始时间节点之前的一个设定时间段记为当前设定时间段，在当前设定时间段内不同时间节点，分别采集文物储藏的环境数据，构成当前数据序列。其中，当前数据序列中每个元素为每个时间节点对应的环境数据，将其记为当前环境数据。同时，需要说明的是一个时间节点对应的环境数据能够表征一个整点时刻或者一个半点时刻对应的环境数据。

在本实施例中，将当前设定时间段的时间长度设置为5个小时，每间隔半个小时采集一次环境数据，将其记为不同时间节点对应的环境数据，进而构成当前设定时间段对应的当前数据序列，则当前设定时间段内包含的时间节点数量为10个。其中，环境数据包括温度、湿度以及光照强度等，实施者可根据实际情况进行选择。

在本实施例中，在采集当前监测的文物储藏室时，需要放置多个点位的传感器，每一个点位都应当包括温度传感器、湿度传感器、光照强度传感器以及环境监测传感器等，进而获得多组监测数据。由于光照强度与环境污染指数可以根据监测数据进行实时调节，并且光照强度对文物的损害程度较小，因此不需要进行预测调节，只需要对其进行实时调节即可。而湿度与温度对文物储藏的影响程度较大，因此需要对湿度和温度进行重点监控，并且对其进行预测调节，才能使得对文物的损害程度降到最低。

然后，在本实施例中，利用主成分分析算法对当前数据序列进行处理得到主成分方向对应的当前环境数据，根据当前数据序列中每个时间节点与主成分方向对应的当前环境数据之间的差值得到当前数据序列的离散程度。其中，利用主成分分析算法对数据进行处理为公知技术，在此不再过多介绍。通过每个时间节点的当前环境数据与主成分方向对应的当前环境数据之间的差值，表征每个时间节点的当前环境数据与当前数据序列中大部分数据之间的差异，利用该差异能够反映当前环境数据的波动情况。

具体地，所述当前数据序列的离散程度用公式表示为：

其中，Lx表示表示离散程度，

表示当前数据序列中第t个时间节点的当前环境 数据，

表示主成分方向对应的当前环境数据，

表示当前数据序列中包含的时间节点数 量。

表示第t个时间节点的当前环境数据与主成分方向对应的当前环境数据 之间的差异，该差异越大，离散程度的取值就越大，说明当前数据序列中的数据波动就越 大。在后续进行数据预测时，说明数据即将发生变化的可能程度就越大。因此根据离散程度 来预测数据即将发生变化的可能程度。

作为其他实施例，计算当前数据序列中所有时间节点的当前环境数据的方差，所述方差为当前数据序列离散程度。

离散程度的取值越大，说明数据的波动程度越大，则环境数据在当前设定段内处于变化的状态，在未来时刻环境数据发生变化的可能程度越大。离散程度的取值越小，说明数据的波动程度越小，则环境数据在当前设定时间段内处于平稳的状态，在未来时刻环境数据发生变化的可能程度越小。

最后，由于离散程度仅能够反映当前设定时间段内的环境数据的变化情况，无法描述某一时刻的环境数据的变化情况，因此，需要对相邻的时间节点的环境数据之间的差异进行分析。即根据相邻时间节点的环境数据的变化获得连续两个数据点的变化的斜率，利用斜率反映每个时间节点的环境数据的变化情况。

具体地，以当前数据序列中的每个时间节点为横坐标值，以当前数据序列中每个时间节点对应的当前环境数据为纵坐标值，构建直角坐标系，进而可以获得每个时间节点对应的数据点，将各个数据点对应的斜率记为数据点对应的时间节点的特征参数。

将当前数据序列中任意一个时间节点记为选定时间节点，计算选定时间节点的当前环境数据和选定时间节点的上一时间节点的当前环境数据之间的差值，记为第一差值；计算选定时间节点与选定时间节点的上一时间节点之间的时间差值，记为第二差值；根据所述第一差值和第二差值的比值得到特征参数，用公式表示为：

其中，

表示第t个时间节点环境数据对应的特征参数，即第t个时间节点对应的 数据点的斜率，第t个时间节点为选定时间节点，

和

分别表示第t个时间节点对应的数 据点的横坐标和纵坐标，

和

分别表示第t－1个时间节点对应的数据点的横坐标和 纵坐标，

表示第一差值，

表示第二差值。

表征第t个时间节点与其相邻的上一时间节点之间的环境数据的变化速率，

的取值越大，说明第t个时间节点与其相邻的上一时间节点之间的环境数据的变化速率越 快，当

的取值大于0时，第t个时间节点对应的环境数据相较于相邻的上一时间节点对应 的环境数据较大。

的取值越小，说明第t个时间节点与其相邻的上一时间节点之间的环 境数据的变化速率越慢，

的取值小于0时，第t个时间节点对应的环境数据相较于相邻的 上一时间节点对应的环境数据较小。

进而计算当前数据序列中每个时间节点环境数据对应的特征参数，并计算当前数据序列中所有时间节点环境数据对应的特征参数的平均值，将所述平均值的绝对值记为当前数据序列的平均特征参数。平均特征参数反映了当前数据序列中各时间节点环境数据整体的变化情况，平均特征参数的取值越大，说明当前数据序列中整体数据的变化程度越大，数据即将发生变化的可能性就越大。

其中，在计算所有时间节点环境数据对应的特征参数的平均值时，由于特征参数即为数据点的斜率，斜率的取值有正有负，因此得到的平均斜率不会因为在当前时间节点之间数据发生的波动而产生较大的影响，更多的是以当前时间节点距离更近的数据变化来反映的。

需要说明的是，在对当前时刻文物储藏的环境数据进行环境异常分析时，认为在当前时刻较为接近的一段时间内不存在环境异常的现象，因此，获得的当前数据序列中的各时间节点的当前环境数据均不存在异常。基于此，当前数据序列的平均特征参数反映了当前设定时间段内环境数据整体的变化情况，平均特征参数的取值越大，说明在当前时刻环境数据发生变化的可能程度就越大。

步骤二，在当前时刻之前获得固定数量时间节点对应的环境数据构成第一数据序列，获取历史数据中与第一数据序列各时间节点对应的环境数据构成第二数据序列；计算第一数据序列和第二数据序列对应时间节点环境数据的差值得到数据差值，根据数据差值对第一数据序列和第二数据序列中的环境数据进行标记，根据最终被标记的环境数据计算差异程度，进而计算参考权重。

首先，需要说明的是，在对未来时刻的环境数据进行预测分析时，不仅要根据在当前环境下检测到的环境数据进行预测分析，而且要将在当前环境下检测到的环境数据与历史中的环境数据进行比较，对当前环境数据的变化进行预测分析。当前环境下的环境数据作为数据预测的主要影响因素，历史中的环境数据作为参考因素。同时，在对文物的储藏环境进行预测评估时，需要通过大数据获得文物储藏室的历史数据。

具体地，获取相对较长的一段时间段每个时间节点的文物储藏的环境数据，作为历史参考数据。在本实施例中，获取十年内每一年每一天每一个时间节点的文物储藏的环境数据作为历史参考数据。

由于获取历史参考数据的时间长度较长，采集得到的历史参考数据量较大，故需对历史参考数据进行处理，以获得历史参考数据中具有代表性的数值。具体地，以一年的365天为时间单位，则每一天的24小时内的每个时间节点均对应十年的历史参考数据，根据历史参考数据计算每个时间节点的历史数据，用公式表示为：

其中，

表示第s个时间节点的历史数据，

表示第s个时间节点在十年的时间 内所有历史参考数据中的众数，

表示第s个时间节点在十年的时间内所有历史参考数据 中的平均数，即在十年的时间内同一天相同时间节点的历史参考数据的众数和平均数，

和

均为权重系数，在本实施例中的取值分别为0.6和0.4。

由于历史参考数据的众数最能够代表历史中环境数据的取值，故赋予众数较大的权重系数，平均数反映数据整体的均衡情况，赋予平均数较小的权重系数，实施者可根据实际情况进行设置。进而根据历史参考数据获得的历史数据能够表征十年的时间里每个时间节点的数据情况，即一年的时间内每一天的每个时间节点的历史数据。

然后，在当前时刻之前获得固定数量时间节点对应的环境数据构成第一数据序列，获取历史数据中与第一数据序列各时间节点对应的环境数据构成第二数据序列。在本实施例中，获取当前时刻所在月份中每一天每一个时间节点实际采集到的环境数据，构成第一数据序列，同时，获取历史数据中在当前时刻所在月份中每一天每一个时间节点的环境数据，构成第二数据序列。第一数据序列中元素为实际环境数据，第二数据序列中的元素为历史数据，则第一数据序列中的元素与第二数据序列中的元素对应的时间节点均是一一对应的关系。即在本实施例中，固定数据即为当前时刻所在月份中包含的时间节点的总数量，实施者也可根据实际情况进行设置。

需要说明的是，在将实际环境数据与历史数据进行比较的时候，不但需要比较相同时间节点上的数据，还需要对一段时间内的数据进行比较。同时，由于环境中的湿度变化较为多变，仅参考当前时间节点的数据是较不准确的，因此将当前时刻所在月份的实际环境数据与历史数据进行比较，若数据之间的差异较大，则说明历史数据的参考价值较小，在对当前数据预测时，将历史数据的参考价值赋予较小的权重；若数据之间的差异较小，则说明历史数据的参考价值较大，将其赋予较大的权重。

例如，第一数据序列和第二数据序列中均包括时间节点A、时间节点B和时间节点C对应的实际环境数据和历史数据，时间节点A到时间节点B中，历史数据发生了一定程度的改变，实际环境数据也发生了一定程度的改变，虽然两者的变化程度不同，但是变化趋势相同，进而根据历史数据对当前时刻的环境数据的变化进行预测时，需要将相对应的时间节点的环境数据进行对比，进而获得预测结果的效果较好。

第一数据序列中的时间节点在时间节点C处结束，再经过半个小时才会采集下一时间节点的环境数据，那么就需要对下一个时间节点的环境数据进行预测分析。根据历史数据中对应的时间节点到下一时间节点的环境数据发生变化，且将会超过文物储藏的最大环境数据范围，因此在对当前时刻的数据变化进行预测分析时，需要将时间节点C的环境数据着重关注，即较大的关注程度。对于时间节点A虽然历史数据与实际环境数据的变化程度不同，但是变化趋势相同，且没有超过文物储藏的环境数据的最大范围，因此获得的关注程度较小。

进一步的，计算第一数据序列和第二数据序列对应时间节点环境数据的差值得到数据差值，用公式表示为：

其中，

表示第i个时间节点对应的数据差值，

表示第一数据序列中第i个时间 节点对应的实际环境数据，

表示第二数据序列中第i个时间节点对应的历史数据。数据 差值

反映了第i个时间节点处历史数据与实际环境数据之间的差异，该差异越大，说明该 时间节点处，历史数据与实际环境数据之间的区别越大，则需要对差异较大的历史数据给 予较小的关注程度。

设置差值阈值，在本实施例中的取值为5，实施者可根据实际情况进行设置。当数 据差值大于差值阈值时，即

时，说明第i个时间节点对应的历史数据与实际环境数据 之间的差异较大，则需要对数据差值大于差值阈值的第一数据序列和第二数据序列中的环 境数据分别进行标记。

由于通过大数据进行环境数据的预测分析时，环境数据的数量级较大，因此不能通过固定的数据反映当前时刻环境数据的变化情况，而是通过分析较长一段时间的环境数据的异常情况，并结合较短一段时间的变化程度进行分析环境数据的异常情况。

将第一数据序列中被标记的环境数据记为第一标记数据，将第二数据序列中被标记的环境数据标记为第二标记数据，初次被标记的数据表示历史数据与实际环境数据之间的差异较大的数据，进而再通过获取距离该数据所在时间节点较为接近的一段时间内的环境数据，对其的变化程度进行分析。

具体地，对于任意一个第一标记数据，采集第一标记数据对应的时间节点之前的一个设定时间段内不同时间节点的实际环境数据构成实际环境数据序列，计算实际环境数据序列的离散程度。其中，在本实施例中将设定时间段的时间长度设置为5个小时，每间隔半个小时采集一次实际环境数据，设定时间段内包含的时间节点数量为10个，同时，实际环境数据序列的离散程度的计算方法与步骤一中当前数据序列的离散程度的计算方法相同。

对于任意一个第二标记数据，获取第二标记数据对应的时间节点之前的一个设定时间段内不同时间节点对应的历史数据中的环境数据，记为历史环境数据，计算获得的历史环境数据构成的序列的离散程度。同理，获得的历史数据构成的序列的离散程度的计算方法，与步骤一中当前数据序列的离散程度的计算方法相同。

基于此，每个第一标记数据和每个第二标记数据均对应一个离散程度。离散程度越大，说明对应的数据的波动程度就越大，说明数据在对应的时间节点处于变化的状态，离散程度越小，说明对应的数据的波动程度就越小，说明数据在对应的时间节点处于平稳的状态。

设置离散阈值，在本实施例中离散阈值的取值为10，实施者可根据实际情况进行设置，当离散程度大于离散阈值时，对第一标记数据和第二标记数据进行最终标记；进而按照同样的方法对所有第一标记数据和所有第二标记数据进行处理，获得最终标记的数据。则最终被标记的数据表示历史数据与实际环境数据之间差异较大的数据，同时，最终被标记的数据在对应的时间节点处的波动程度较大。需要说明的是，对第一标记数据和第二标记数据进行最终标记是指对第一标记数据和第二标记数据进行标记，第一标记数据和第二标记数据中被标记的数据即为第一数据序列中和第二数据序列中最终被标记的数据。

最后，将第一数据序列中最终被标记的数据构成第一标记序列，将第二数据序列中最终被标记的数据构成第二标记序列，计算第一标记序列和第二标记序列中对应位置元素的差值，该差值反映了数据之间的差异情况。所有对应位置元素的差值的均值为差异程度，根据差异程度计算参考权重，用公式表示为：

其中，

为参考权重，Y为差异程度，e为自然常数。

差异程度的取值越大，说明历史数据与实际环境数据的差异程度越大，则在进行数据预测分析时，历史数据的参考价值就越小，因此对应的参考权重就越小。差异程度取值越小，说明历史数据与实际环境数据的差异程度越小，则在进行数据预测分析时，历史数据的参考价值就越大，因此对应的参考权重就越大，差异程度与参考权重之间的关系为负相关关系。

步骤三，获取当前设定时间段内不同时间节点对应的历史数据中的环境数据，构成历史环境数据序列；进而计算历史环境数据序列的离散程度；根据当前数据序列和历史环境数据序列的离散程度、各时间节点环境数据的特征参数以及参考权重，得到当前环境数据的关注程度。

首先，需要说明的是，根据当前时刻文物储藏室的环境数据对未来时刻的环境数据进行预测分析时，除了对当前数据序列进行分析外，还需要结合与当前数据序列对应的各个时间节点的历史数据进行分析。

在当前设定时间段内不同时间节点分别获取历史数据中的文物储藏的环境数据，即获取当前设定时间段内不同时间节点对应的历史数据，构成历史环境数据序列。需要说明的是，在本实施例中，在一年的365天的每一天的每一个时间节点均对应一个历史数据，故在当前设定时间段内不同时间节点也均可以获得一个历史数据，构成历史环境数据序列。

然后，当前数据序列的离散程度反映了实际采集的环境数据的波动情况，历史环境数据序列的离散程度反映了历史数据的波动情况。离散程度的取值越大，说明对应序列中的数据波动就越大，说明数据即将发生变化的可能程度就越大，则越需要对接下来的环境数据进行关注，即关注程度就越大。

特征参数反映了序列中每个时间节点环境数据的变化情况，当前数据序列对应的平均特征参数反映了当前数据序列中各时间节点环境数据整体的变化情况。平均特征参数的取值越大，说明当前数据序列中整体数据的变化程度越大，数据即将发生变化的可能性就越大，则越需要对接下来的环境数据进行关注，即关注程度就越大。

参考权重反映了历史数据的参考价值的程度，参考权重的取值越大，说明历史数据与实际环境数据的差异程度越大，则在进行数据预测分析时，历史数据的参考价值就越小，参考权重的取值越大，说明历史数据与实际环境数据的差异程度越小，则在进行数据预测分析时，历史数据的参考价值就越大。

基于此，将当前数据序列的离散程度和历史环境数据序列的离散程度之间的比值记为离散程度比值；计算当前数据序列和历史环境数据序列中对应时间节点数据的差值的均值；计算当前数据序列中各时间节点数据的特征参数的均值的绝对值得到当前数据序列对应的平均特征参数，进而获得历史环境数据序列对应的平均特征参数，将当前数据序列对应的平均特征参数和历史环境数据序列对应的平均特征参数之间的比值记为特征参数比值；根据所述均值、离散程度比值、特征参数比值以及参考权重得到当前环境数据的关注程度。

最后，所述关注程度的计算公式具体为：

其中，M表示关注程度，

表示当前数据序列对应的平均特征参数，

表示历史环 境数据序列对应的平均特征参数，

表示当前数据序列中第t个时间节点的环境数据，

表示历史环境数据序列中第t个时间节点的历史数据，

表示当前数据序列中包含的时间 节点数量，

为参考权重，Lx表示当前数据序列的离散程度，Lz表示历史环境数据序列的离 散程度，Norm[ ]为归一化函数，其归一化的范围为[0,1]。

表示在相同时间节点实际采集的环境数据与历史数据之间的差值，该 差值的取值越大，说明数据的异常程度越大，说明数据即将发生变化的可能性越大，则在对 应时间节点的环境数据的关注程度就越大。

表示实际采集的环境数据与历史数 据之间的差值的均值，

反映了实际采集的环境数据的变化情况，乘以

更能表示当前时 刻环境数据所需要的关注程度。

为特征参数比值，

和

的取值越小时，说明数据即将发生变化的可能程度就 越小，则当前环境数据的关注程度就越小。同时，

的取值越小，

的取值越大时，说明当前 数据序列中整体数据的变化程度越小，而历史环境数据序列中整体数据的变化程度越大， 历史数据的变化与当前数据的变化不同，则历史数据的参考价值较小。

为离散程度比值，Lx和Lz的取值越小时，说明数据即将发生变化的可能程度就 越小，则当前环境数据的关注程度就越小。同时，Lx的取值越小，Lz的取值越大时，说明当前 数据序列中数据的波动程度越小，而历史环境数据序列中数据的波动程度越大，历史数据 的波动与当前数据的波动不同，则历史数据的参考价值较小。

和

反映了当前数据与历 史数据之间变化情况的差异程度，差异程度越大，则对应的参考权重越大。

表示当前数据的预测模型，

相当于权重，

的取值越大，说明当 前数据发生变化程度越大，则当前数据的关注程度就越大。

表示历史数据的预测 模型，历史数据与当前数据之间的差异越大，则当前数据的关注程度就越大。

在利用当前数据序列和历史环境数据序列进行对比的时间段内，数据之间的差异越小，说明在接下来即将发生数据突变的可能程度较小。通过当前环境数据的关注程度预测下一时段环境数据的变化情况，关注程度越大，说明当前环境数据相较于历史数据的变化程度越大，因此需要对下一时段的环境数据进行重点监测，并且数据发生异常变化的可能程度较大，因此需要对其进行提前调整。

步骤四，根据关注程度和当前数据序列中的数据得到预测指数，根据预测指数确定下一时刻的文物环境异常评估结果。

需要说明的是，当前环境数据的关注程度越大，说明当前环境数据发生变化的可能程度越大，环境数据即将发生异常变化的可能程度越大，因此需要对文物储藏室的环境数据进行提前调节，才能使得文物受到损坏的可能性降低。

基于此，根据当前环境数据的关注程度获得下一时刻的环境数据的异常程度，将 当前环境数据的关注程度作为以自然常数e为底的指数函数的指数，计算指数函数值得到 下一时刻的环境数据的异常程度，即

，P表示下一时刻的环境数据预测的异常程度，M 为当前环境数据的关注程度，e为自然常数。当前环境数据的关注程度越大，下一时刻的环 境数据预测的异常程度就越大。

下一时刻的环境数据的异常程度表征了下一时刻的环境数据可能会发生异常情况的程度，下一时刻的环境数据的异常程度越大，表示下一时刻的环境数据发生异常情况的可能性就越大，下一时刻的环境数据的异常程度越小，表示下一时刻的环境数据发生异常情况的可能性就越小。

获取文物储藏室的环境数据的最大值，表示了储藏文物的环境中环境数据的最大范围。计算异常程度与当前时刻的环境数据的乘积，该乘积表示下一时刻环境数据的预测值，所述乘积与所述最大值的差值为预测指数，表示下一时刻环境数据的预测值与环境数据的最大范围之间的差值，当环境数据的预测值超过文物储藏的环境数据的最大范围时，则越需要对文物储藏的环境数据进行调整，使得下一时刻的环境数据处于合适的范围内。

设置预测阈值，在本实施例中的取值为0，实施者可根据实际情况进行设置，当预 测指数N大于预测阈值时，即

，说明下一时刻环境数据的预测值大于环境数据的最大 范围，则下一时刻的文物储藏环境异常评估结果为异常的，需要提前对环境数据进行调节。 其中，可由相关工作人员根据经验对环境数据进行调节。

需要说明的是，本发明能够根据文物储藏室所在的地区的历史数据与当前环境下采集得到的数据对文物储藏室内环境变化进行预测，提前调整文物储藏室的环境，避免因为环境的影响而出现文物损坏的情况。同时，本发明在构建数据预测模型时，通过当前采集得到的数据与历史数据相比较，根据历史数据与当前环境数据的变化，得到当前时间节点数据的关注程度，然后对下一时刻的数据进行预测，能够准确的预测出文物储藏室环境的变化，对即将发生异常的环境数据进行及时地调整，避免了因为环境数据调整不及时出现文物损坏的情况。

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范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于大数据的文物储藏环境异常评估方法，其特征在于，该方法包括以下步骤：

在当前设定时间段内不同时间节点分别获取文物储藏的环境数据，构成当前数据序列；根据当前数据序列中环境数据之间的差异得到当前数据序列的离散程度；根据当前数据序列中相邻时间节点的环境数据获得各时间节点环境数据的特征参数；

在当前时刻之前获得固定数量时间节点对应的环境数据构成第一数据序列，获取历史数据中与第一数据序列各时间节点对应的环境数据构成第二数据序列；计算第一数据序列和第二数据序列对应时间节点的环境数据的差值得到数据差值，根据数据差值对第一数据序列和第二数据序列中的环境数据进行标记，根据最终被标记的环境数据计算差异程度，进而计算参考权重；

获取当前设定时间段内不同时间节点对应的历史数据中的环境数据，构成历史环境数据序列；进而计算历史环境数据序列的离散程度；根据当前数据序列和历史环境数据序列的离散程度、各时间节点环境数据的特征参数以及参考权重，得到当前环境数据的关注程度；

根据关注程度和当前数据序列中的数据得到预测指数，根据预测指数确定下一时刻的文物环境异常评估结果。

2.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述关注程度的获取方法具体为：

将当前数据序列的离散程度和历史环境数据序列的离散程度之间的比值记为离散程度比值；计算当前数据序列和历史环境数据序列中对应时间节点的数据的差值的均值；

计算当前数据序列中各时间节点的数据的特征参数的均值的绝对值得到当前数据序列对应的平均特征参数，进而获得历史环境数据序列对应的平均特征参数，将当前数据序列对应的平均特征参数和历史环境数据序列对应的平均特征参数之间的比值记为特征参数比值；

根据所述均值、离散程度比值、特征参数比值以及参考权重得到当前环境数据的关注程度。

3.根据权利要求2所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述关注程度的计算公式具体为：

其中，M表示关注程度，

表示当前数据序列对应的平均特征参数，

表示历史环境数据 序列对应的平均特征参数，

为特征参数比值，

表示当前数据序列中第t个时间节点的 环境数据，

表示历史环境数据序列中第t个时间节点的历史数据，

表示当前数据序列 中包含的时间节点数量，

为参考权重，Lx表示当前数据序列的离散程度，Lz表示历史环境 数据序列的离散程度，

为离散程度比值，Norm[ ]为归一化函数。

4.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述根据最终被标记的环境数据计算差异程度，进而计算参考权重，包括：

将第一数据序列中最终被标记的环境数据构成第一标记序列，将第二数据序列中最终被标记的历史数据构成第二标记序列，计算第一标记序列和第二标记序列中对应位置元素的差值，所有差值的均值为差异程度，根据差异程度计算参考权重，差异程度与参考权重之间的关系为负相关关系。

5.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述根据数据差值对第一数据序列和第二数据序列中的环境数据进行标记具体为：

设置差值阈值，对数据差值大于差值阈值的第一数据序列和第二数据序列中的环境数据进行标记。

6.根据权利要求5所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，在根据数据差值对第一数据序列和第二数据序列中的环境数据进行标记之后，所述方法还包括：

将第一数据序列中被标记的环境数据记为第一标记数据，将第二数据序列中被标记的环境数据标记为第二标记数据；

对于任意一个第一标记数据，采集第一标记数据对应的时间节点之前的一个设定时间段内不同时间节点的实际环境数据构成实际环境数据序列，计算实际环境数据序列的离散程度；

对于任意一个第二标记数据，获取第二标记数据对应的时间节点之前的一个设定时间段内不同时间节点对应的历史数据中的环境数据记为历史环境数据，计算历史环境数据构成的序列的离散程度；

设置离散阈值，当离散程度大于离散阈值时，对第一标记数据和第二标记数据均进行最终标记；进而对所有第一标记数据和所有第二标记数据进行处理，获得最终被标记的数据。

7.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，在获取历史数据中与第一数据序列各时间节点对应的环境数据构成第二数据序列之前，所述方法还包括：

获取十年的时间内每一天每一个时间节点的环境数据，记为历史参考数据；获取每个时间节点的所有历史参考数据的众数和平均数，对所述众数和平均数进行加权求和得到每个时间节点的历史数据。

8.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述离散程度的获取方法具体为：

利用主成分分析算法对当前数据序列进行处理得到主成分方向对应的当前环境数据，根据当前数据序列中每个时间节点与主成分方向对应的当前环境数据之间的差值得到当前数据序列的离散程度。

9.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述特征参数的获取方法具体为：

将当前数据序列中任意一个时间节点记为选定时间节点，计算选定时间节点的当前环境数据和选定时间节点的上一时间节点的当前环境数据之间的差值，记为第一差值；计算选定时间节点与选定时间节点的上一时间节点之间的时间差值，记为第二差值；根据所述第一差值和第二差值的比值得到特征参数。

10.根据权利要求1所述的一种基于大数据的文物储藏环境异常评估方法，其特征在于，所述根据关注程度和当前数据序列中的数据得到预测指数，根据预测指数确定下一时刻的文物环境异常评估结果，包括以下具体步骤：

获取文物储藏的环境数据的最大值，将当前环境数据的关注程度作为以自然常数e为底的指数函数的指数，计算指数函数值得到下一时刻的环境数据的异常程度；

计算所述异常程度与当前时刻的环境数据的乘积，所述乘积与所述最大值的差值为预测指数；当预测指数大于预测阈值时，下一时刻的文物环境异常评估结果为异常的。

Images