CN115964668A - 一种基于大数据的供热监控分析方法、装置、设备及介质 - Google Patents
一种基于大数据的供热监控分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115964668A CN115964668A CN202211494902.6A CN202211494902A CN115964668A CN 115964668 A CN115964668 A CN 115964668A CN 202211494902 A CN202211494902 A CN 202211494902A CN 115964668 A CN115964668 A CN 115964668A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- abnormal
- heat supply
- data
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及数据处理的领域,尤其是涉及一种基于大数据的供热监控分析方法、装置、设备及介质。方法包括:获取历史供热信息以及供热设备信息,对历史供热信息进行数据分析,得到异常设备信息,确定需要管理的第一设备节点信息以及第一设备关联信息,对第一设备节点信息进行管理追溯,得到第二设备节点信息以及第二设备关联信息,然后构建第一设备节点群信息,对第一设备节点群信息进行关联构建,得到第二设备节点群信息,对第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,将设备详情信息与异常设备信息进行比对,得到异常原因信息,本申请具有提高供热异常的解决效率的效果。
Description
技术领域
本申请涉及数据处理的领域,尤其是涉及一种基于大数据的供热监控分析方法、装置、设备及介质。
背景技术
随着煤价的不断上涨工业、供热的发展以及热用户对供热要求的提高,对运行成本的控制已是当前热电企业发展的重中之重,为了确保供热管网安全、稳定、经济运行,提高热网管理效率,成功控制运行成本,实现热网现代化管理水平,对热网进行集中监控和量化管理已是当前的发展趋势。
目前,在对居民用户进行供暖时,常常计算机技术、传感器技术、数据通信技术以及测试技术对热网以及热用户的能量计量进行管理,该管理方式不仅改变了人工抄表、人工制表以及人工结算的管理弊端,而且还提高了对供热数据获取的实时性,从而在供热出现异常时,工作人员可以及时得知。
针对于上述相关技术,发明人认为在对居民用户进行供热时,虽工作人员能够及时发现供热异常,但却难以及时分析出供热异常的原因,从而导致解决供热异常的效率低。
发明内容
为了提高供热异常的解决效率,本申请提供了一种基于大数据的供热监控分析方法、装置、设备及介质。
第一方面,本申请提供一种基于大数据的供热监控分析方法,采用如下的技术方案:一种基于大数据的供热监控分析方法,包括:
获取历史供热信息以及供热设备信息,所述历史供热信息为在历史周期内每户居民的不同时间内的供热信息,所述供热设备信息为在所述每户居民中安装的供热设备信息;
对所述历史供热信息进行数据分析,得到异常设备信息,所述异常设备信息为所述供热设备信息中不同设备节点所发生的供热异常信息以及与所述供热异常信息相对应的异常解决信息;基于所述供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息;
对所述第一设备节点信息进行管理追溯,得到第二设备节点信息以及与所述第二设备节点信息对应的第二设备关联信息;
根据第一设备节点信息以及所述第二设备节点信息构建第一设备节点群信息;
根据所述第一设备关联信息以及所述第二设备关联信息对所述第一设备节点群信息进行关联构建,得到第二设备节点群信息;
对所述第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,所述设备详情信息的信息数量等同于所述第二设备节点群信息中的数据节点信息的信息数量;将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息。
在另一种可能实现的方式中,将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息,包括:
将所述设备详情信息中的指定节点信息以及非指定节点信息进行比对,得到第一比对结果信息;
分别将所述非指定节点信息中每个节点信息与所述非指定节点信息进行比对,得到第二比对结果信息;
判断所述第一比对结果信息以及第二比对结果信息中是否存在预设异常信息,若所述第一比对结果信息以及第二比对结果信息中存在预设异常信息,则根据所述第二设备节点群信息以及存在预设异常信息的第一比对结果信息和/或第二比对结果信息,确定异常节点信息;
将所述异常节点信息与所述异常设备信息进行节点比对,得到异常原因信息。
在另一种可能实现的方式中,所述将所述异常节点信息与所述异常设备信息进行节点比对,得到异常原因信息,之后还包括:
计算存在所述预设异常信息的对比结果信息占所述第一比对结果信息以及所述第二比对结果信息总和的权重值;
判断所述权重值是否超过预设第一阈值,若所述权重值超过所述预设第一阈值,则根据所述第二设备节点群信息以及权重值不超过预设第一阈值的第一比对结果信息和/或第二比对结果信息,确定并标记违规人员信息。
在另一种可能实现的方式中,所述获取历史供热信息以及供热设备信息,之后还包括:
根据所述供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息;
将所述未来异常信息与所述异常设备信息进行比对,得到所述未来周期时间段内的异常维护信息。
在另一种可能实现的方式中,所述根据所述供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息,包括:
对所述历史供热信息进行分析,确定所述历史供热信息中的设备异常种类数量以及所述设备异常种类数量中每种设备异常种类在过去不同时间段内的历史设备信息;
基于所述历史设备信息以及所述设备异常种类数量对所述历史供热信息进行无监督时间序列数据整理,得到第一设备矩阵数据;
将所述第一设备矩阵数据输入至训练好的设备异常模型进行向量特征提取,得到设备特征维度数量,并将得到的所述设备特征维度数量与所述第一设备矩阵数据进行数据结合处理,生成第二设备矩阵数据;
对所述第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,并将得到的所述设备异常数据输入至预设算法模型中进行数据推算,生成所述历史设备信息在未来周期内发生异常的异常时间信息以及异常信息;
将所述供热设备信息与所述历史设备信息进行匹配,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息。
在另一种可能实现的方式中,所述所述对所述第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,包括:
计算所述第二设备矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二设备矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二设备矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到设备异常数据。
在另一种可能实现的方式中,所述将所述供热设备信息与所述历史设备信息进行匹配,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息,之后还包括:
获取所述供热设备信息在未来周期内的真实异常信息;
基于所述实时异常信息对所述未来异常信息进行反归一处理,将所述未来异常信息恢复到所述真实异常信息。
第二方面,本申请提供一种基于大数据的供热监控分析装置,采用如下的技术方案:一种基于大数据的供热监控分析装置,包括:
信息获取模块,用于获取历史供热信息以及供热设备信息,所述历史供热信息为在历史周期内每户居民的不同时间内的供热信息,所述供热设备信息为在所述每户居民中安装的供热设备信息;
数据分析模块,用于对所述历史供热信息进行数据分析,得到异常设备信息,所述异常设备信息为所述供热设备信息中不同设备节点所发生的供热异常信息以及与所述供热异常信息相对应的异常解决信息;
节点确定模块,用于基于所述供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息;
管理追溯模块,用于对所述第一设备节点信息进行管理追溯,得到第二设备节点信息以及与所述第二设备节点信息对应的第二设备关联信息;
第一构建模块,用于根据第一设备节点信息以及所述第二设备节点信息构建第一设备节点群信息;
第二构建模块,用于根据所述第一设备关联信息以及所述第二设备关联信息对所述第一设备节点群信息进行关联构建,得到第二设备节点群信息;
节点访问模块,用于对所述第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,所述设备详情信息的信息数量等同于所述第二设备节点群信息中的数据节点信息的信息数量;
信息比对模块,用于将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息。
在一种可能的实现方式中,所述信息比对模块在将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息时,具体用于:
将所述设备详情信息中的指定节点信息以及非指定节点信息进行比对,得到第一比对结果信息;
分别将所述非指定节点信息中每个节点信息与所述非指定节点信息进行比对,得到第二比对结果信息;
判断所述第一比对结果信息以及第二比对结果信息中是否存在预设异常信息,若所述第一比对结果信息以及第二比对结果信息中存在预设异常信息,则根据所述第二设备节点群信息以及存在预设异常信息的第一比对结果信息和/或第二比对结果信息,确定异常节点信息;
将所述异常节点信息与所述异常设备信息进行节点比对,得到异常原因信息。
在另一种可能的实现方式中,所述装置还包括:权重计算模块以及权重判断模块,其中,
所述权重计算模块,用于计算存在所述预设异常信息的对比结果信息占所述第一比对结果信息以及所述第二比对结果信息总和的权重值;
所述权重判断模块,用于判断所述权重值是否超过预设第一阈值,若所述权重值超过所述预设第一阈值,则根据所述第二设备节点群信息以及权重值不超过预设第一阈值的第一比对结果信息和/或第二比对结果信息,确定并标记违规人员信息。
在另一种可能的实现方式中,所述装置还包括:异常预测模块以及异常比对模块,其中,
所述异常预测模块,用过根据所述供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息;
所述异常比对模块,用于将所述未来异常信息与所述异常设备信息进行比对,得到所述未来周期时间段内的异常维护信息。
在另一种可能的实现方式中,所述异常预测模块在根据所述供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息时,具体用于:
对所述历史供热信息进行分析,确定所述历史供热信息中的设备异常种类数量以及所述设备异常种类数量中每种设备异常种类在过去不同时间段内的历史设备信息;
基于所述历史设备信息以及所述设备异常种类数量对所述历史供热信息进行无监督时间序列数据整理,得到第一设备矩阵数据;
将所述第一设备矩阵数据输入至训练好的设备异常模型进行向量特征提取,得到设备特征维度数量,并将得到的所述设备特征维度数量与所述第一设备矩阵数据进行数据结合处理,生成第二设备矩阵数据;
对所述第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,并将得到的所述设备异常数据输入至预设算法模型中进行数据推算,生成所述历史设备信息在未来周期内发生异常的异常时间信息以及异常信息;
将所述供热设备信息与所述历史设备信息进行匹配,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息。
在另一种可能的实现方式中,所述对所述第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,包括:
计算所述第二设备矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二设备矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二设备矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到设备异常数据。
在另一种可能的实现方式中,所述装置还包括:异常获取模块以及异常归一模块,其中,
所述异常获取模块,用于获取所述供热设备信息在未来周期内的真实异常信息;
所述异常归一模块,用于基于所述实时异常信息对所述未来异常信息进行反归一处理,将所述未来异常信息恢复到所述真实异常信息。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述基于大数据的供热监控分析方法。
第四方面,提供了一种计算机可读存储介质,存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示的基于大数据的供热监控分析方法。
综上所述,本申请包括以下至少一种有益技术效果:
本申请提供了一种基于大数据的供热监控分析方法、装置、设备及介质,与相关技术相比,在本申请中,在对供热设备进行异常检测时,获取历史供热信息以及供热设备信息,其中,历史供热信息为在历史周期内每户居民的不同时间内的供热信息,供热设备信息为在每户居民中安装的供热设备信息,然后对历史供热信息进行数据分析,得到异常设备信息,异常设备信息为供热设备信息中不同设备节点所发生的供热异常信息以及与供热异常信息相对应的异常解决信息,然后基于供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息,然后对第一设备节点信息进行管理追溯,得到第二设备节点信息以及与第二设备节点信息对应的第二设备关联信息,再根据第一设备节点信息以及第二设备节点信息构建第一设备节点群信息,根据第一设备关联信息以及第二设备关联信息对第一设备节点群信息进行关联构建,得到第二设备节点群信息,然后对第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,设备详情信息的信息数量等同于第二设备节点群信息中的数据节点信息的信息数量,将设备详情信息与异常设备信息进行比对,得到异常原因信息,从而提高供热异常的解决效率。
附图说明
图1是本申请实施例一种基于大数据的供热监控分析方法的流程示意图;
图2是本申请实施例一种基于大数据的供热监控分析装置的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,一种基于大数据的供热监控分析方法、装置、设备及介质和/或B,可以表示:单独存在一种基于大数据的供热监控分析方法、装置、设备及介质,同时存在一种基于大数据的供热监控分析方法、装置、设备及介质和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种基于大数据的供热监控分析方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括:
步骤S10,获取历史供热信息以及供热设备信息。
其中,历史供热信息为在历史周期内每户居民的不同时间内的供热信息,供热设备信息为在每户居民中安装的供热设备信息。
步骤S11,对历史供热信息进行数据分析,得到异常设备信息。
其中,异常设备信息为供热设备信息中不同设备节点所发生的供热异常信息以及与供热异常信息相对应的异常解决信息。
步骤S12,基于供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息。
在本申请实施例中,第一设备节点信息是指供热公司对小区居民楼以及办公楼等建筑物供热过程中的设备节点,从供热的初始设备节点,即供热源设备开始进行节点追溯,按照管道与供热源设备的不同距离比例进行节点划分,得出节点管道,直至追溯到供热建筑中的供热管道。设备关联信息包括:设备材质以及设备供热物质成分等信息。
步骤S13,对第一设备节点信息进行管理追溯,得到第二设备节点信息以及与第二设备节点信息对应的第二设备关联信息。
在本申请实施例中,每个不同的第一设备节点信息中包含不同的多个供热设备节点,比如:管道节点分配比例是按照1:5*N进行分配的,即管道分配的第一节点为距离供热源设备五公里的管道,第二节点为距离供热源设备10公里的管道,以此类推。第二设备节点信息可以指向其中的任意一个节点,第二设备关联信息可以指向其中任意一个节点信息对应的设备关联信息。第二设备关联信息包括:设备使用时长以及设备清理时长等信息。
步骤S14,根据第一设备节点信息以及第二设备节点信息构建第一设备节点群信息。
对于本申请实施例来说,基于第一设备节点信息以及第二设备节点信息息采用区块链技术,构建第一设备节点群信息,具体构建过程包括:确定问题和目标、确定最合适的共识机制、确定最合适的平台以及设计架构,其中,确定问题和目标需要定义所要解决的问题以及程序如何解决它。确定最合适的共识机制是由于区块链是一个分散的系统,它要求网络的所有成员对事务进行身份验证,这个过程称为共识。例如,比特币使用工作证明作为共识机制。虽然它是最流行的方法,但根据个人需求还有许多其他替代方案。确定最合适的平台,区块链平台可帮助构建分散式应用程序,无需从头开始创建单独的区块链。今天大多数这些平台都是开源的,因此选择应取决于共识方法和需要解决的问题。设计架构,区块链解决方案可以存在于云,内部或混合模型中。硬件和软件配置也有多种选择,如处理器,操作系统,内存和磁盘大小等。
步骤S15,根据第一设备节点信息以及第二设备节点信息构建第一设备节点群信息。
具体地,将第一设备节点信息对应的第一设备关联信息以及与第二设备节点信息关联的第二设备关联信息添加到第一设备节点群信息中进行关联构建,得到第二设备节点群信息,从而得到设备节点信息之间的关联信息。
步骤S16,对第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息。
其中,设备详情信息的信息数量等同于第二设备节点群信息中的数据节点信息的信息数量。
在本申请实施例中,一级设备信息表示第一设备节点群信息与第二设备节点群信息对应的管理流程标签以及管理流程数据,其中管理流程标签与管理流程数据一一对应。
步骤S17,将设备详情信息与异常设备信息进行比对,得到异常原因信息。
本申请实施例提供了一种基于大数据的供热监控分析方法,在对供热设备进行异常检测时,获取历史供热信息以及供热设备信息,其中,历史供热信息为在历史周期内每户居民的不同时间内的供热信息,供热设备信息为在每户居民中安装的供热设备信息,然后对历史供热信息进行数据分析,得到异常设备信息,异常设备信息为供热设备信息中不同设备节点所发生的供热异常信息以及与供热异常信息相对应的异常解决信息,然后基于供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息,然后对第一设备节点信息进行管理追溯,得到第二设备节点信息以及与第二设备节点信息对应的第二设备关联信息,再根据第一设备节点信息以及第二设备节点信息构建第一设备节点群信息,根据第一设备关联信息以及第二设备关联信息对第一设备节点群信息进行关联构建,得到第二设备节点群信息,然后对第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,设备详情信息的信息数量等同于第二设备节点群信息中的数据节点信息的信息数量,将设备详情信息与异常设备信息进行比对,得到异常原因信息,从而提高供热异常的解决效率。
本申请实施例的一种可能的实现方式,步骤S16具体包括步骤S161(图中未示出)、步骤S162(图中未示出)、步骤S163(图中未示出)以及步骤S164(图中未示出),其中,步骤S161,将设备详情信息中的指定节点信息以及非指定节点信息进行比对,得到第一比对结果信息。
在本申请实施例中,指定节点信息一般为一级设备信息中处于中间位置的节点,例如:设备节点信息数量为7的一级设备信息,第四个设备节点信息为指定节点信息,非指定节点信息则为除第四个设备节点信息之外的设备节点信息。将指定节点信息中的设备数据信息分别与非指定节点信息进行比对,得到第一比对结果信息,具体比对方式为:设备节点信息分别包括a、b、c、d、e,a设备节点信息中包含a1,b设备节点信息包含a1以及b1,c设备节点信息包含a1、b1以及c1,d设备节点信息中包含a1、b1、c1以及d1,e设备节点信息包含a1、b1、c1、d1以及e1。指定节点信息为c设备节点信息,非指定节点信息为a、b、d以及e节点信息,分别将c设备节点信息中的a1以及b1与a设备节点信息和b设备节点信息中的a1以及b1进行比对,然后将c设备节点信息中的a1以及b1与d、e设备节点信息中a1以及b1进行比对,从而得到第一比对结果信息。
步骤S162,分别将非指定节点信息中每个节点信息与非指定节点信息进行比对,得到第二比对结果信息。
具体地,该第二比对结果信息的比对方式与步骤S161中的比对方式相同,在此不再赘述。
步骤S163,判断第一比对结果信息以及第二比对结果信息中是否存在预设异常信息,若第一比对结果信息以及第二比对结果信息中存在预设异常信息,则根据第二设备节点群信息以及存在预设异常信息的第一比对结果信息和/或第二比对结果信息,确定异常节点信息。
步骤S164,将异常节点信息与异常设备信息进行节点比对,得到异常原因信息。
本申请实施例的一种可能的实现方式,步骤S164之后还包括步骤S641(图中未示出)以及步骤S642(图中未示出),其中,
步骤S641,计算存在预设异常信息的对比结果信息占第一比对结果信息以及第二比对结果信息总和的权重值。
具体地,在数据节点信息进行两两比对之后,分别确定第一比对结果信息以及预设异常信息的比对结果信息的总体数量,将比对结果信息的数量与第一比对结果信息的数量进行比值计算,得权重值。
步骤S642,判断权重值是否超过预设第一阈值,若权重值超过预设第一阈值,则根据第二设备节点群信息以及权重值不超过预设第一阈值的第一比对结果信息和/或第二比对结果信息,确定并标记违规人员信息。
对于本申请实施例来说,预设第一阈值为70%,即步骤S641得到的权重值不超过70%时,则根据第二设备节点群信息以及不超过预设第一阈值的权重值对应节点信息,确定节点信息中对应的操作人员,将操作人员定义为违规人员,并对应标记。
本申请实施例的一种可能的实现方式,步骤S10之后还包括步骤S101(图中未示出)以及步骤S102(图中未示出),其中,
步骤S101,根据供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与异常时间信息相对应的未来异常信息。
步骤S102,将未来异常信息与异常设备信息进行比对,得到未来周期时间段内的异常维护信息。
本申请实施例的一种可能的实现方式,步骤S101具体包括:步骤S011(图中未示出)、步骤S012(图中未示出)以及步骤S013(图中未示出),其中,
步骤S011,对历史供热信息进行分析,确定历史供热信息中的设备异常种类数量以及设备异常种类数量中每种设备异常种类在过去不同时间段内的历史设备信息。
步骤S012,基于历史设备信息以及设备异常种类数量对历史供热信息进行无监督时间序列数据整理,得到第一设备矩阵数据。
根据不同时间段内的历史设备信息以及不同设备异常种类数量对历史供热信息进行无监督时间序列数据整理,得到以下第一设备矩阵数据:
其中,m为设备异常种类数量,n为历史设备信息。
步骤S013,将第一设备矩阵数据输入至训练好的设备异常模型进行向量特征提取,得到设备特征维度数量,并将得到的设备特征维度数量与第一设备矩阵数据进行数据结合处理,生成第二设备矩阵数据。
具体地,在将第一设备矩阵数据输入至设备异常模型中进行向量特征提取,需要预先获取矩阵数据样本,矩阵数据样本包括历史设备信息所形成的第一设备矩阵异常数据以及第一设备矩阵异常数据中的向量特征,然后创建设备模型,并基于一设备矩阵异常数据以及第一设备矩阵异常数据中的向量特征对设备模型进行训练,得到训练好的设备异常模型。
具体地,设备异常模型为预先训练好的神经网络模型,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关。
具体地,将第一设备矩阵数据输入至设备异常模型中进行向量特征提取,并将提取到的向量特征进行统计,得到特征维度数量,其中,向量特征包括历史设备信息中的时间向量特征、温度向量特征以及异常组合向量特征等,然后将特征维度数量与第一环境矩阵数据进行数据结合,得到第二设备矩阵数据。
步骤S014,对第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,并将得到的设备异常数据输入至预设算法模型中进行数据推算,生成历史设备信息在未来周期内发生异常的异常时间信息以及异常信息。
对于本申请实施例来说,采用双向LSTM模型为预设算法模型进行举例说明,包括但不仅限于双向LSTM模型。
具体地,预设算法模型构建,模型主体采用双向LSTM作为趋势预测模型,LSTM主要有遗忘门,输入门,输出门构成;
遗忘门:ft=σ(Wf[ht-1,xt]+bf);
输入门:经过遗忘门和输入门的信息过滤后,将历史的记忆和当前阶段的记忆内容合并,生成的值为:
输出门:在上面描述的LSTM之后,在反向接入一层LSTM网络层,通过该过程可以得到BI-LSTM层,由于是若干组微生物物种组合共同训练;添加物种空间特征联合学习层,初始化关联向量矩阵大小为M*V*K,取LSTM最后一层的输出向量,转置乘关联向量参数矩阵,最终连接回归损失函数,完成预设算法模型的构建。
步骤S015,将供热设备信息与历史设备信息进行匹配,得到异常时间信息以及与异常时间信息相对应的未来异常信息。
本申请实施例的一种可能的实现方式,步骤S014具体包括步骤S141(图中未示出)、步骤S142(图中未示出)、步骤S143(图中未示出)以及步骤S144(图中未示出),其中,步骤S141,计算第二设备矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于正态分布均值以及正态分布方差确定第二设备矩阵数据的3δ范围。
步骤S142,判断数据是否在3δ范围之外,若数据在3δ范围之外,则确定数据所在第二设备矩阵数据的第一矩阵序列。
具体地,3δ范围是建立在正态分布的等精度重复测量基础上而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值νi>3δ,则该测量值为坏值,应剔除。通常把等于±3δ的误差作为极限误差,对于正态分布的随机误差,落在±3δ以外的概率只有0.27%,它在有限次测量中发生的可能性很小,故存在3δ准则。3δ准则是最常用也是最简单的粗大误差判别准则,它一般应用于测量次数充分多(n≥30)或当n>10做粗略判别时的情况。
具体地,缺失值是指矩阵序列中由于缺少信息而造成的数据聚类、分组、删失或截断,对于缺失值的处理,从总体上来说分为删除存在缺失值的个案和缺失值插补,本申请实施例采用删除存在缺失值的个案对矩阵序列进行处理,删除存在缺失值的个案主要有简单删除法和权重法。简单删除法是对缺失值进行处理的最原始方法。它将存在缺失值的个案删除。如果数据缺失问题可以通过简单的删除小部分样本来达到目标,那么这个方法是最有效的。当缺失值的类型为非完全随机缺失的时候,可以通过对完整的数据加权来减小偏差。把数据不完全的个案标记后,将完整的数据个案赋予不同的权重,个案的权重可以通过logistic或probit回归求得。
步骤S143,根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列。
步骤S144,对第二矩阵序列进行缺失值以及归一化处理,得到设备异常数据。
具体地,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。
具体处理归一方法为:
本申请实施例的一种可能的实现方式,步骤S015之后还包括:
获取供热设备信息在未来周期内的真实异常信息;
基于实时异常信息对未来异常信息进行反归一处理,将未来异常信息恢复到真实异常信息。
上述实施例从方法流程的角度介绍一种基于大数据的供热监控分析方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于大数据的供热监控分析装置,具体详见下述实施例。
本申请实施例提供一种基于大数据的供热监控分析装置,如图2所示,该基于大数据的供热监控分析装置20具体可以包括:信息获取模块21、数据分析模块22、节点确定模块23、管理追溯模块24、第一构建模块25、第二构建模块26、节点访问模块27以及信息比对模块28,其中,
信息获取模块21,用于获取历史供热信息以及供热设备信息,历史供热信息为在历史周期内每户居民的不同时间内的供热信息,供热设备信息为在每户居民中安装的供热设备信息;数据分析模块22,用于对历史供热信息进行数据分析,得到异常设备信息,异常设备信息为供热设备信息中不同设备节点所发生的供热异常信息以及与供热异常信息相对应的异常解决信息;
节点确定模块23,用于基于供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息;
管理追溯模块24,用于对第一设备节点信息进行管理追溯,得到第二设备节点信息以及与第二设备节点信息对应的第二设备关联信息;
第一构建模块25,用于根据第一设备节点信息以及第二设备节点信息构建第一设备节点群信息;
第二构建模块26,用于根据第一设备关联信息以及第二设备关联信息对第一设备节点群信息进行关联构建,得到第二设备节点群信息;
节点访问模块27,用于对第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,设备详情信息的信息数量等同于第二设备节点群信息中的数据节点信息的信息数量;
信息比对模块28,用于将设备详情信息与异常设备信息进行比对,得到异常原因信息。
本申请实施例的一种可能的实现方式,信息比对模块28在将设备详情信息与异常设备信息进行比对,得到异常原因信息时,具体用于:
将设备详情信息中的指定节点信息以及非指定节点信息进行比对,得到第一比对结果信息;分别将非指定节点信息中每个节点信息与非指定节点信息进行比对,得到第二比对结果信息;判断第一比对结果信息以及第二比对结果信息中是否存在预设异常信息,若第一比对结果信息以及第二比对结果信息中存在预设异常信息,则根据第二设备节点群信息以及存在预设异常信息的第一比对结果信息和/或第二比对结果信息,确定异常节点信息;
将异常节点信息与异常设备信息进行节点比对,得到异常原因信息。
本申请实施例的另一种可能的实现方式,装置20还包括:权重计算模块以及权重判断模块,其中,
权重计算模块,用于计算存在预设异常信息的对比结果信息占第一比对结果信息以及第二比对结果信息总和的权重值;
权重判断模块,用于判断权重值是否超过预设第一阈值,若权重值超过预设第一阈值,则根据第二设备节点群信息以及权重值不超过预设第一阈值的第一比对结果信息和/或第二比对结果信息,确定并标记违规人员信息。
本申请实施例的另一种可能的实现方式,装置20还包括:异常预测模块以及异常比对模块,其中,
异常预测模块,用过根据供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与异常时间信息相对应的未来异常信息;
异常比对模块,用于将未来异常信息与异常设备信息进行比对,得到未来周期时间段内的异常维护信息。
本申请实施例的另一种可能的实现方式,异常预测模块在根据供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与异常时间信息相对应的未来异常信息时,具体用于:
对历史供热信息进行分析,确定历史供热信息中的设备异常种类数量以及设备异常种类数量中每种设备异常种类在过去不同时间段内的历史设备信息;
基于历史设备信息以及设备异常种类数量对历史供热信息进行无监督时间序列数据整理,得到第一设备矩阵数据;
将第一设备矩阵数据输入至训练好的设备异常模型进行向量特征提取,得到设备特征维度数量,并将得到的设备特征维度数量与第一设备矩阵数据进行数据结合处理,生成第二设备矩阵数据;
对第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,并将得到的设备异常数据输入至预设算法模型中进行数据推算,生成历史设备信息在未来周期内发生异常的异常时间信息以及异常信息;
将供热设备信息与历史设备信息进行匹配,得到异常时间信息以及与异常时间信息相对应的未来异常信息。
本申请实施例的另一种可能的实现方式,对第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,包括:
计算第二设备矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于正态分布均值以及正态分布方差确定第二设备矩阵数据的3δ范围;
判断数据是否在3δ范围之外,若数据在3δ范围之外,则确定数据所在第二设备矩阵数据的第一矩阵序列;
根据第一矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的第二矩阵序列;
对第二矩阵序列进行缺失值以及归一化处理,得到设备异常数据。
本申请实施例的另一种可能的实现方式,装置20还包括:异常获取模块以及异常归一模块,其中,
异常获取模块,用于获取供热设备信息在未来周期内的真实异常信息;
异常归一模块,用于基于实时异常信息对未来异常信息进行反归一处理,将未来异常信息恢复到真实异常信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备300除常规配置装置外包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于大数据的供热监控分析方法,其特征在于,包括:
获取历史供热信息以及供热设备信息,所述历史供热信息为在历史周期内每户居民的不同时间内的供热信息,所述供热设备信息为在所述每户居民中安装的供热设备信息;
对所述历史供热信息进行数据分析,得到异常设备信息,所述异常设备信息为所述供热设备信息中不同设备节点所发生的供热异常信息以及与所述供热异常信息相对应的异常解决信息;基于所述供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息;
对所述第一设备节点信息进行管理追溯,得到第二设备节点信息以及与所述第二设备节点信息对应的第二设备关联信息;
根据第一设备节点信息以及所述第二设备节点信息构建第一设备节点群信息;
根据所述第一设备关联信息以及所述第二设备关联信息对所述第一设备节点群信息进行关联构建,得到第二设备节点群信息;
对所述第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,所述设备详情信息的信息数量等同于所述第二设备节点群信息中的数据节点信息的信息数量;将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息。
2.根据权利要求1所述的一种基于大数据的供热监控分析方法,其特征在于,将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息,包括:
将所述设备详情信息中的指定节点信息以及非指定节点信息进行比对,得到第一比对结果信息;
分别将所述非指定节点信息中每个节点信息与所述非指定节点信息进行比对,得到第二比对结果信息;
判断所述第一比对结果信息以及第二比对结果信息中是否存在预设异常信息,若所述第一比对结果信息以及第二比对结果信息中存在预设异常信息,则根据所述第二设备节点群信息以及存在预设异常信息的第一比对结果信息和/或第二比对结果信息,确定异常节点信息;
将所述异常节点信息与所述异常设备信息进行节点比对,得到异常原因信息。
3.根据权利要求2所述的一种基于大数据的供热监控分析方法,其特征在于,所述将所述异常节点信息与所述异常设备信息进行节点比对,得到异常原因信息,之后还包括:
计算存在所述预设异常信息的对比结果信息占所述第一比对结果信息以及所述第二比对结果信息总和的权重值;
判断所述权重值是否超过预设第一阈值,若所述权重值超过所述预设第一阈值,则根据所述第二设备节点群信息以及权重值不超过预设第一阈值的第一比对结果信息和/或第二比对结果信息,确定并标记违规人员信息。
4.根据权利要求1所述的一种基于大数据的供热监控分析方法,其特征在于,所述获取历史供热信息以及供热设备信息,之后还包括:
根据所述供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息;
将所述未来异常信息与所述异常设备信息进行比对,得到所述未来周期时间段内的异常维护信息。
5.根据权利要求4所述的一种基于大数据的供热监控分析方法,其特征在于,所述根据所述供热设备信息以及历史供热信息对供热设备异常进行预测,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息,包括:
对所述历史供热信息进行分析,确定所述历史供热信息中的设备异常种类数量以及所述设备异常种类数量中每种设备异常种类在过去不同时间段内的历史设备信息;
基于所述历史设备信息以及所述设备异常种类数量对所述历史供热信息进行无监督时间序列数据整理,得到第一设备矩阵数据;
将所述第一设备矩阵数据输入至训练好的设备异常模型进行向量特征提取,得到设备特征维度数量,并将得到的所述设备特征维度数量与所述第一设备矩阵数据进行数据结合处理,生成第二设备矩阵数据;
对所述第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,并将得到的所述设备异常数据输入至预设算法模型中进行数据推算,生成所述历史设备信息在未来周期内发生异常的异常时间信息以及异常信息;
将所述供热设备信息与所述历史设备信息进行匹配,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息。
6.根据权利要求5所述的一种基于大数据的供热监控分析方法,其特征在于,所述对所述第二设备矩阵数据中所包含的数据进行数据处理,得到设备异常数据,包括:
计算所述第二设备矩阵数据中所包含数据的正态分布均值以及正态分布方差,并基于所述正态分布均值以及所述正态分布方差确定所述第二设备矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二设备矩阵数据的第一矩阵序列;
根据所述第一矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的第二矩阵序列;
对所述第二矩阵序列进行缺失值以及归一化处理,得到设备异常数据。
7.根据权利要求5所述的一种基于大数据的供热监控分析方法,其特征在于,所述将所述供热设备信息与所述历史设备信息进行匹配,得到异常时间信息以及与所述异常时间信息相对应的未来异常信息,之后还包括:
获取所述供热设备信息在未来周期内的真实异常信息;
基于所述实时异常信息对所述未来异常信息进行反归一处理,将所述未来异常信息恢复到所述真实异常信息。
8.一种基于大数据的供热监控分析装置,其特征在于,包括:
信息获取模块,用于获取历史供热信息以及供热设备信息,所述历史供热信息为在历史周期内每户居民的不同时间内的供热信息,所述供热设备信息为在所述每户居民中安装的供热设备信息;
数据分析模块,用于对所述历史供热信息进行数据分析,得到异常设备信息,所述异常设备信息为所述供热设备信息中不同设备节点所发生的供热异常信息以及与所述供热异常信息相对应的异常解决信息;
节点确定模块,用于基于所述供热设备信息确定需要管理的第一设备节点信息以及与第一设备节点信息相对应的第一设备关联信息;
管理追溯模块,用于对所述第一设备节点信息进行管理追溯,得到第二设备节点信息以及与所述第二设备节点信息对应的第二设备关联信息;
第一构建模块,用于根据第一设备节点信息以及所述第二设备节点信息构建第一设备节点群信息;
第二构建模块,用于根据所述第一设备关联信息以及所述第二设备关联信息对所述第一设备节点群信息进行关联构建,得到第二设备节点群信息;
节点访问模块,用于对所述第二设备节点群信息中的每个数据节点信息进行访问,得到设备详情信息,其中,所述设备详情信息的信息数量等同于所述第二设备节点群信息中的数据节点信息的信息数量;
信息比对模块,用于将所述设备详情信息与所述异常设备信息进行比对,得到异常原因信息。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的基于大数据的供热监控分析方法。
10.一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,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的基于大数据的供热监控分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494902.6A CN115964668A (zh) | 2022-11-26 | 2022-11-26 | 一种基于大数据的供热监控分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494902.6A CN115964668A (zh) | 2022-11-26 | 2022-11-26 | 一种基于大数据的供热监控分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115964668A true CN115964668A (zh) | 2023-04-14 |
Family
ID=87362425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211494902.6A Pending CN115964668A (zh) | 2022-11-26 | 2022-11-26 | 一种基于大数据的供热监控分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964668A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116512272A (zh) * | 2023-05-29 | 2023-08-01 | 天津诺瑞信精密电子有限公司 | 一种零部件加工监管方法、装置、设备及存储介质 |
CN116644867A (zh) * | 2023-07-27 | 2023-08-25 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
CN116934354A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
-
2022
- 2022-11-26 CN CN202211494902.6A patent/CN115964668A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116512272A (zh) * | 2023-05-29 | 2023-08-01 | 天津诺瑞信精密电子有限公司 | 一种零部件加工监管方法、装置、设备及存储介质 |
CN116512272B (zh) * | 2023-05-29 | 2024-04-12 | 天津诺瑞信精密电子有限公司 | 一种零部件加工监管方法、装置、设备及存储介质 |
CN116934354A (zh) * | 2023-07-21 | 2023-10-24 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN116934354B (zh) * | 2023-07-21 | 2024-04-05 | 浙江远图技术股份有限公司 | 一种药品计量称的监管方法、装置、电子设备及介质 |
CN116644867A (zh) * | 2023-07-27 | 2023-08-25 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
CN116644867B (zh) * | 2023-07-27 | 2023-10-24 | 梁山中维热力有限公司 | 一种用于热力供热远程关系系统的数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115964668A (zh) | 一种基于大数据的供热监控分析方法、装置、设备及介质 | |
Wu et al. | Time series analysis of human brucellosis in mainland China by using Elman and Jordan recurrent neural networks | |
Gong et al. | Evolutionary generation of test data for many paths coverage based on grouping | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
Weber et al. | Machine learning based system identification tool for data-based energy and resource modeling and simulation | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN115238969A (zh) | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 | |
Kotenko et al. | Determining the parameters of the mathematical model of the process of searching for harmful information | |
CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
Jabbarova | Forecasting petroleum production using chaos time series analysis and fuzzy clustering | |
Lang et al. | Improved neural networks with random weights for short-term load forecasting | |
CN116090710B (zh) | 一种企业排污许可的管理方法、系统、电子设备及介质 | |
CN115839344A (zh) | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
Yuan et al. | Prediction of PM2. 5 time series by seasonal trend decomposition-based dendritic neuron model | |
CN115358894A (zh) | 一种知识产权生命周期托管管理方法、装置、设备及介质 | |
Guo et al. | An Aggregating Prediction Model for Management Decision Analysis | |
Zhao et al. | Compact cat swarm optimization algorithm | |
Khalyasmaa | Integral assessment of power network equipment operational risks: Special aspects | |
CN111027680A (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
Patil et al. | An Efficient Implementation of ARIMA Technique for Air Quality Prediction | |
Sun et al. | Production quality early warning method for firearms components based on cloud edge collaboration | |
Chen et al. | Air Quality Index Prediction Based on Deep Recurrent Neural Network |
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 |