CN116090710A - 一种企业排污许可的管理方法、系统、电子设备及介质 - Google Patents
一种企业排污许可的管理方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN116090710A CN116090710A CN202310375447.6A CN202310375447A CN116090710A CN 116090710 A CN116090710 A CN 116090710A CN 202310375447 A CN202310375447 A CN 202310375447A CN 116090710 A CN116090710 A CN 116090710A
- Authority
- CN
- China
- Prior art keywords
- information
- degradation
- environmental
- pollution discharge
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请涉及排污管理的领域,尤其是涉及一种企业排污许可的管理方法、系统、电子设备及介质。方法包括:获取历史环境信息以及排污许可信息,然后对企业的排污数据进行调取,得到在企业排污信息,企业排污信息为企业在历史周期内的排污信息,然后判断企业排污信息是否符合排污许可信息,若符合,则对历史环境信息以及企业排污信息进行数据分析,得到环境降解均值,然后判断环境降解均值是否符合于排污许可信息中的环境降解范围,若不符合,则基于环境降解均值以及环境降解范围对排污许可信息进行更新,得到实时许可信息,本申请具有提高对环境维护保障性的效果。
Description
技术领域
本申请涉及排污管理的领域,尤其是涉及一种企业排污许可的管理方法、系统、电子设备及介质。
背景技术
排污许可是具有法律意义的行政许可,是以许可证为载体的,对排污单位的排污权利进行约束的一种制度。由于自然环境的承载能力是有限的,因此如果没有任何约束的向环境中排放污污染物,必然会引起环境恶化,给人类的正常生活带来影响。通过对排放的污染物设定许可的方式,实现污染物的排放总量控制,从而减少环境污染程度。
目前,企业在首次获得排污许可后,排污许可证的有效期限为三年,当三年有效期过后,延续换发排污许可证有效期为五年,也就是说,若企业严格遵守排污许可标准进行污染物排放,排污许可证可长时间使用,但排污许可是与企业周边环境息息相关的,随着气候的变化以及物种的迁徙等原因,企业周边环境无时无刻不在发生的着变化,环境变化会导致排污许可中污染物排放指标参数的幅动,此时若企业依旧按照原排污许可证中的排放指标参数进行污染物排放,存在环境发生恶变的情况,从而降低了环境维护的保障性。
发明内容
为了提高对环境维护的保障性,本申请提供了一种企业排污许可的管理方法、系统、电子设备及介质。
第一方面,本申请提供一种企业排污许可的管理方法,采用如下的技术方案:
一种企业排污许可的管理方法,包括:
获取历史环境信息以及排污许可信息,所述历史环境信息为在历史周期内企业周边的环境综合信息,所述排污许可信息为与所述企业对应且在有效期内的排污许可信息;
对所述企业的排污数据进行调取,得到在企业排污信息,所述企业排污信息为所述企业在所述历史周期内的排污信息;
判断所述企业排污信息是否符合所述排污许可信息,若符合,则对所述历史环境信息以及所述企业排污信息进行数据分析,得到环境降解均值;
判断所述环境降解均值是否符合于所述排污许可信息中的环境降解范围,若不符合,则基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息。
在另一种可能实现的方式中,所述对所述历史环境信息以及企业排污信息进行数据分析,得到环境降解均值,包括:
调取所述历史环境信息的环境污染种类以及与所述环境污染种类相对应的环境污染数值;
将不同类别的所述环境污染种类以及环境污染数值按照时间进行数据规划,得到污染时间信息;
对所述企业排污信息进行排污种类以及与所述排污种类对应的排污量按照时间进行筛查,得到排污时间信息;
将所述污染时间信息以及所述排污时间信息按照单位时间进行整合均值计算,得到环境降解均值。
在另一种可能实现的方式中,所述基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息,包括:
基于所述排污许可信息确定与所述环境降解范围具有对照关系的排污指标数据;
根据所述排污指标数据与所述环境降解范围之间的对照规律,对所述环境降解均值进行替换推导,得到实时许可信息。
在另一种可能实现的方式中,所述基于所述环境参数均值对所述排污许可信息进行更新,得到实时许可信息,之后还包括:
获取未来周期时间段内的未来环境信息;
根据所述未来环境信息以及历史环境信息对环境降解均值进行预测,得到所述未来周期时间段内的未来降解均值;
对所述对照规律、所述未来降解均值以及所述实时许可信息进行分析,得到所述未来周期时间段内的未来许可信息。
在另一种可能实现的方式中,所述根据所述未来环境信息以及历史环境信息对环境降解均值进行预测,得到所述未来周期时间段内的未来降解均值,包括:
对所述历史环境信息进行分析,确定所述历史环境信息中不同气候类型的降解物种类数量以及所述降解物种类数量中每种降解物对应的降解周期长度,并基于所述降解周期长度以及所述降解物种类数量对所述历史环境信息进行无监督时间序列数据整理,得到第一环境矩阵数据;
将所述第一环境矩阵数据输入至训练好的环境模型进行向量特征提取,得到环境特征维度数量,并将得到的所述环境特征维度数量与所述第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据;
对所述第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,并将得到的所述环境降解数据输入至预设算法模型中进行数据推算,生成所述不同气候类型的降解物种类数量以及所述降解物种类数量中每种降解物在所述未来周期时间段内的降解量;
将所述未来环境信息中气候类别与所述不同气候类别进行匹配,得到未来降解物种类数量以及与所述未来降解物种类数量对应的未来降解量;
将所述未来降解量按照单位时间进行均值计算,得到未来降解均值。
在另一种可能实现的方式中,所述将得到的所述环境特征维度数量与所述第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据,包括:
将所述环境特征维度数量与所述第一环境矩阵数据进行整合,生成环境维度矩阵数据;
对所述环境维度矩阵数据进行基本数据分布探查,获取所述历史环境信息中不同气候类型所对应的降解物种类数量的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述环境维度矩阵数据进行有监督时间序列数据整理,得到环境预测矩阵数据;
基于所述环境预测矩阵数据对所述未来周期时间段内的所述降解物种类数量的变化趋势进行预测,生成第二环境矩阵数据。
在另一种可能实现的方式中,所述对所述第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,包括:
计算所述第二环境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环境矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二环境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,得到环境降解数据。
第二方面,本申请提供一种企业排污许可的管理装置,采用如下的技术方案:
一种企业排污许可的管理装置,包括:
信息获取模块,用于获取历史环境信息以及排污许可信息,所述历史环境信息为在历史周期内企业周边的环境综合信息,所述排污许可信息为与所述企业对应且在有效期内的排污许可信息;
数据调取模块,用于对所述企业的排污数据进行调取,得到在企业排污信息,所述企业排污信息为所述企业在所述历史周期内的排污信息;
排污判断模块,用于判断所述企业排污信息是否符合所述排污许可信息,若符合,则对所述历史环境信息以及所述企业排污信息进行数据分析,得到环境降解均值;
降解判断模块,用于判断所述环境降解均值是否符合于所述排污许可信息中的环境降解范围,若不符合,则基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息。
在一种可能的实现方式中,所述排污判断模块在对所述历史环境信息以及企业排污信息进行数据分析,得到环境降解均值时,具体用于:
调取所述历史环境信息的环境污染种类以及与所述环境污染种类相对应的环境污染数值;
将不同类别的所述环境污染种类以及环境污染数值按照时间进行数据规划,得到污染时间信息;
对所述企业排污信息进行排污种类以及与所述排污种类对应的排污量按照时间进行筛查,得到排污时间信息;
将所述污染时间信息以及所述排污时间信息按照单位时间进行整合均值计算,得到环境降解均值。
在另一种可能的实现方式中,所述降解判断模块在基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息时,具体用于:
基于所述排污许可信息确定与所述环境降解范围具有对照关系的排污指标数据;
根据所述排污指标数据与所述环境降解范围之间的对照规律,对所述环境降解均值进行替换推导,得到实时许可信息。
在另一种可能的实现方式中,所述装置还包括:未来信息获取模块、均值预测模块以及许可分析模块,其中,
所述未来信息获取模块,用于获取未来周期时间段内的未来环境信息;
所述均值预测模块,用于根据所述未来环境信息以及历史环境信息对环境降解均值进行预测,得到所述未来周期时间段内的未来降解均值;
所述许可分析模块,用于对所述对照规律、所述未来降解均值以及所述实时许可信息进行分析,得到所述未来周期时间段内的未来许可信息。
在另一种可能的实现方式中,所述均值预测模块在根据所述未来环境信息以及历史环境信息对环境降解均值进行预测,得到所述未来周期时间段内的未来降解均值时,具体用于:
对所述历史环境信息进行分析,确定所述历史环境信息中不同气候类型的降解物种类数量以及所述降解物种类数量中每种降解物对应的降解周期长度,并基于所述降解周期长度以及所述降解物种类数量对所述历史环境信息进行无监督时间序列数据整理,得到第一环境矩阵数据;
将所述第一环境矩阵数据输入至训练好的环境模型进行向量特征提取,得到环境特征维度数量,并将得到的所述环境特征维度数量与所述第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据;
对所述第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,并将得到的所述环境降解数据输入至预设算法模型中进行数据推算,生成所述不同气候类型的降解物种类数量以及所述降解物种类数量中每种降解物在所述未来周期时间段内的降解量;
将所述未来环境信息中气候类别与所述不同气候类别进行匹配,得到未来降解物种类数量以及与所述未来降解物种类数量对应的未来降解量;
将所述未来降解量按照单位时间进行均值计算,得到未来降解均值。
在另一种可能的实现方式中,所述均值预测模块在将得到的所述环境特征维度数量与所述第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据时,具体用于:
将所述环境特征维度数量与所述第一环境矩阵数据进行整合,生成环境维度矩阵数据;
对所述环境维度矩阵数据进行基本数据分布探查,获取所述历史环境信息中不同气候类型所对应的降解物种类数量的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述环境维度矩阵数据进行有监督时间序列数据整理,得到环境预测矩阵数据;
基于所述环境预测矩阵数据对所述未来周期时间段内的所述降解物种类数量的变化趋势进行预测,生成第二环境矩阵数据。
在另一种可能的实现方式中,所述均值预测模块在对所述第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据时,具体用于:
计算所述第二环境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环境矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二环境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,得到环境降解数据。
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:执行上述企业排污许可的管理方法。
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企业排污许可的管理方法。
综上所述,本申请包括以下至少一种有益技术效果:
本申请提供了一种企业排污许可的管理方法、系统、电子设备及介质,与相关技术相比,在本申请中,在本申请中,在企业准备对污染物进行排放时,获取历史环境信息以及排污许可信息,然后对企业的排污数据进行调取,得到在企业排污信息,然后判断企业排污信息是否符合所述排污许可信息,若符合,则对历史环境信息以及企业排污信息进行数据分析,得到环境降解均值,然后判断环境降解均值是否符合于排污许可信息中的环境降解范围,若不符合,则基于环境降解均值以及环境降解范围对排污许可信息进行更新,得到实时许可信息,通过实时许可信息灵活调整当前排污许可信息中污染物排放指标参数,然后企业根据污染物排放指标参数进行污染物排放,减少了环境恶变的情况发生,从而提高了对环境维护的保障性。
附图说明
图1是本申请实施例一种企业排污许可的管理方法的流程示意图;
图2是本申请实施例一种企业排污许可的管理装置的方框示意图;
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,一种企业排污许可的管理方法、系统、电子设备及介质和/或B,可以表示:单独存在一种企业排污许可的管理方法、系统、电子设备及介质,同时存在一种企业排污许可的管理方法、系统、电子设备及介质和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企业排污许可的管理方法,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,获取历史环境信息以及排污许可信息。
其中,历史环境信息为在历史周期内企业周边的环境综合信息,排污许可信息为与企业对应且在有效期内的排污许可信息。
在本申请实施例中,环境综合信息包括空气质量信息以及水质信息,其中,对空气质量信息的判定主要根据空气中所含杂的气体元素,根据我国制定环境空气污染指数API,当API值小于等于50时,表明当前空气质量为优,当API值大于50且小于等于100时,表明当前空气质量良好,当API值大于100且小于等于200时,表明空气质量污染,当API值大于200时,表明空气质量较差。
具体地,根据空气中所包含的不同气体含量的比例以及污染物项目浓度限制,得到对应的API值,例如:当企业周围的空气中的二氧化硫在24小时内的平均浓度为0-50μm/m³、二氧化氮在24小时内的平均浓度为0-40μm/m³、颗粒物(粒径小于等于10μm)在24小时内的平均浓度为0-50μm/m³、一氧化碳在24小时内的平均浓度为0-2㎎/m³、臭氧在1小时内的平均浓度为0-160μm/m³以及颗粒物(粒径小于等于2.5μm)在24小时内的平均浓度为0-35μm/m³之间时,该企业周围的环境空气污染指数API为0-50,表明当前空气质量为优。
另外,对水质信息进行判断主要采用水质评价法,水质评价法中对水的处理分为两类,一类是以水质的物理化学参数的实测值为依据的评价方法,另一类是以水生物种群与水质的关系为依据的生物学评价方法,其中,采用较多的为物理化学参数评价方法,其中又分为:单项参数评价法与多项参数综合评价法,单向参数评价法是用某一参数的实测浓度代表值与水质标准对比,判断水质的优劣或适用程度。多项参数综合评价法是把选用的若干参数综合成一个概括的指数来评价水质,又称指数评价法。指数评价法用两种指数即参数权重评分叠加型指数和参数相对质量叠加型指数两种。参数权重评分叠加型指数的计算方法是,选定若干评价参数,按各项参数对水质影响的程度定出权系数,然后将各参数分成若干等级,按质量优劣评分,最后将各参数的评分相加,求出综合水质指数。数值大表示水质好,数值小表示水质差。参数相对质量叠加型指数的计算方法是,选定若干评价参数,把各参数的实际浓度与其相应的评价标准浓度相比,求出各参数的相对质量指数,然后求总和值。然后按照国家地表水环境质量标准对总和值进行等级分析,得到对应的水质等级。
在本申请实施例中,历史周期是工作人员通过电子设备设置的时间周期,例如:历史周期为历史一周时间。
具体地,对历史周期内的每一天所对应的空气质量信息以及水质信息进行采集记录存储,得到历史周期对应的历史环境信息。
步骤S11,对企业的排污数据进行调取,得到在企业排污信息,企业排污信息为企业在历史周期内的排污信息。
具体地,通过对企业历史周期内的每一天所对应的企业排污量进行监测,得到每天对应的企业排污信息,其中,排污信息包括:排污类型以及排污类型所对应的排污量。
步骤S12,判断企业排污信息是否符合排污许可信息,若符合,则对历史环境信息以及企业排污信息进行数据分析,得到环境降解均值。
具体地,将企业排污信息中所涉及到的排污类型以及排污类型对应的排污量进行数据罗列,得到企业排污信息所对应的数据表,然后按照数据类型查询的方式,调取排污许可信息中与排污类型相对应的排污量标准范围,然后再将排污量与排污量标准范围进行比对,以确定当前企业排污信息是否符合排污许可信息。
具体地,当企业排污信息符合排污许可信息时,将历史环境信息中涉及到的空气质量信息以及水质信息与企业排污信息中不同排污类型对应的排污量进行数据分析,得到该历史周期内的环境降解均值。
步骤S13,判断环境降解均值是否符合于排污许可信息中的环境降解范围,若不符合,则基于环境降解均值以及环境降解范围对排污许可信息进行更新,得到实时许可信息。
对于本申请实施例来说,环境降解是指,企业排放的污水以及污染气体在排放到自然环境中后,自然环境对该污染的降解中和能力。例如,当企业想自然环境中的河流中排放了1升污水,该污水能过河流中微生物的降解,在一段时间内将污水分解为大自然中无毒、无害的水。
具体地,本申请实施例所对应的排污许可信息中的环境降解范围,是表示企业在申请企业排污许可证时,该企业所在区域的自然环境降解均值的范围,将当前的环境降解均值与自然环境降解均值的范围进行匹配,以确定当前的环境降解均值是否符合排污许可信息中环境降解范围,当不符合时,则根据环境降解均值以及环境降解范围对排污许可信息进行更新,已得到实时许可信息,后续让企业按照实时许可信息进行污染物的排放。
本申请实施例提供了一种企业排污许可的管理方法,在本申请中,在企业准备对污染物进行排放时,获取历史环境信息以及排污许可信息,然后对企业的排污数据进行调取,得到在企业排污信息,然后判断企业排污信息是否符合排污许可信息,若符合,则对历史环境信息以及企业排污信息进行数据分析,得到环境降解均值,然后判断环境降解均值是否符合于排污许可信息中的环境降解范围,若不符合,则基于环境降解均值以及环境降解范围对排污许可信息进行更新,得到实时许可信息,通过实时许可信息灵活调整当前排污许可信息中污染物排放指标参数,然后企业根据污染物排放指标参数进行污染物排放,减少了环境恶变的情况发生,从而提高了对环境维护的保障性。
本申请实施例的一种可能的实现方式,步骤S12具体包括步骤S121(图中未示出)、步骤S122(图中未示出)、步骤S123(图中未示出)以及步骤S124(图中未示出),其中,
步骤S121,调取历史环境信息的环境污染种类以及与环境污染种类相对应的环境污染数值。
具体地,环境污染物种类包括气体污染以及水污染,根据步骤S10中所阐述的测试方法得到气体污染以及水污染对应的环境污染数值,该环境污染数值是针对于企业所在预设区域内的污染数值,该预设区域是根据每个时间周期内的天气信息以及环境信息确定,例如:当企业所在位置的空气流动性较好时,预设区域根据排污气体的流动扩散范围进行确认。
步骤S122,将不同类别的环境污染种类以及环境污染数值按照时间进行数据规划,得到污染时间信息。
具体地,建立第一数据坐标系,其中X轴为时间线,Y轴为时间线对应的不同时间刻度的不同污染种类的污染值,时间线的单位时间是以每天为单位进行划分,将每天在不同时间刻度的水污染值以及空气污染值进行检测记录,并将记录到的数值与Y轴的污染值进行对应标记,再将每个标记按照时间线规律进行连接,得到历史周期内不同污染种类的污染时间信息。
步骤S123,对企业排污信息进行排污种类以及与排污种类对应的排污量按照时间进行筛查,得到排污时间信息。
具体地,建立第二数据坐标系,其中X轴为第一数据坐标系中X轴所对应的时间线的间隔时间线,例如:第一数据坐标系中X轴所对应的时间线为:00点、01点、02点、03点、04点、05点;第二数据坐标系中X轴所对应的时间线为:00点30分、01点30分、02点30分、03点30分、04点30分、05点30分。第二数据坐标系中的X轴时间线与第一数据坐标系中的X轴时间线所间隔时长是工作人员通过电子设备预设的时长或根据天气情况所设置的时长,Y轴为企业在历史周期内所排放的污染物种类以及污染物种类所对应的排污量,按照步骤S122中的标记连接的方式进行连接,得到历史周期内不同污染物种类的排污时间信息。
步骤S124,将污染时间信息以及排污时间信息按照单位时间进行整合均值计算,得到环境降解均值。
在本申请实施例中,单位时间为以一天为一个单位进行统计计算。
具体地,将第二数据坐标系中的不同污染物的数据曲线与第一数据坐标系中的数据曲线相融合,得到综合数据坐标系,然后根据步骤S123中第一数据坐标系与第二数据坐标系中X轴所对应的时间间隔标准,确定同一时刻对应的企业排污数据值与环境降解数据值,将企业排污数据值与环境降解数据值进行差值运算,得到该时刻的环境降解值,将当天不同时刻的环境降解值进行累加计算,得到当天的环境降解总值,再对环境降解总值按照综合数据坐标系中的X轴的时间单位划分进行比值运算,得到当天的环境降解均值。
具体地,根据上述中的环境降解均值的运算方式,获取历史周期中每天的环境降解均值,然后将每天的环境降解均值进行累加计算,得到历史周期内的环境降解总值,在对历史周期内的环境降解总值与历史周期内的总天数进行比值运算,得到环境降解均值。
本申请实施例的一种可能的实现方式,步骤S13具体包括步骤S131(图中未示出),以及步骤S132(图中未示出),其中,
步骤S131,基于排污许可信息确定与环境降解范围具有对照关系的排污指标数据。
具体地,利用大数据技术,调取企业在获取企业排污许可证时的环境降解标准以及对应的排污指标数据,根据环境降解标准中的降解信息确定环境降解范围。
步骤S132,根据排污指标数据与环境降解范围之间的对照规律,对环境降解均值进行替换推导,得到实时许可信息。
具体地,对企业排污许可信息中环境降解范围所对应的排污指标数据进行数据对应推导,得到不同环境降解值的排污指标数据,然后根据换将降解值与排污指标数据的比值规律,对当前环境降解均值进行替换推导,得到对应的排污指标数据,将排污指标数据与排污许可信息中的排污指标数据进行替换,得到实时许可信息。
本申请实施例的一种可能的实现方式,步骤S13之后还包括步骤S31(图中未示出)、步骤S32(图中未示出)以及步骤S33(图中未示出),其中,
步骤S31,获取未来周期时间段内的未来环境信息。
具体地,未来周期时间段为工作人员预设的时间段,在获取未来周期时间段内的未来环境信息时,通过收集数据、数据同化、数据天气、输出处理以及结果通知五步获取。收集数据,最传统的数据是在海面上通过专业人员、自动气象站或者浮标收集的气压、气温、风速、风向、湿度等数据。世界气象组织协调这些数据采集的时间,并制定标准。这些测量分每小时一次或者每六小时一次;数据同化,在数据同化的过程中被采集的数据与用来做预报的数字模型结合在一起来产生气象分析。其结大气状态的最好估计,它是一个三维的温度、湿度、气压和风速、风向的表示;数据天气,按照物理学和流体力学的结果来计算大气随时间的变化;输出处理,模型计算的原始输出一般要经过加工处理后才能成为天气预报。这些处理包括使用统计学的原理来消除已知的模型中的偏差,或者参考其它模型计算结果进行调整;结果通知,根据有关部门提供的数据上终端上制作全国气象形势图表。
步骤S32,根据未来环境信息以及历史环境信息对环境降解均值进行预测,得到未来周期时间段内的未来降解均值。
具体地,通过得知历史环境信息中不同气候环境对应的环境降解均值后,将未来环境信息与历史环境信息进行匹配预测,从而未来周期时间段内的未来降解均值。
步骤S33,对对照规律、未来降解均值以及实时许可信息进行分析,得到未来周期时间段内的未来许可信息。
具体地,根据上述步骤S132中实时许可信息的推导方式对未来周期时间段内的未来许可信息进行推导,具体推导方式在本申请实施例中不再赘述。
本申请实施例的一种可能的实现方式,步骤S32具体包括:步骤S321(图中未示出)、步骤S322(图中未示出)以及步骤S323(图中未示出),其中,
步骤S321,对历史环境信息进行分析,确定历史环境信息中不同气候类型的降解物种类数量以及降解物种类数量中每种降解物对应的降解周期长度,并基于降解周期长度以及降解物种类数量对历史环境信息进行无监督时间序列数据整理,得到第一环境矩阵数据。
具体地,历史环境信息是在历史周期内企业所在位置中不同气候类型对应的降解物种类数量以及降解物种类数量中每种降解物对应的降解周期长度。
具体地,时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测方法的核心就是从数据中挖掘出这种规律,并利用其对将来的数据做出估计。
在本申请实施例中,时间序列长度表示的是历史环境信息随时间不断变化的长度。
根据时间序列长度以及不同降解物种类数量对历史环境信息进行无监督时间序列数据整理,得到以下第一环境矩阵数据:
其中,m为降解物种类数量,n为时间序列长度。
步骤S322,将第一环境矩阵数据输入至训练好的环境模型进行向量特征提取,得到环境特征维度数量,并将得到的环境特征维度数量与第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据。
具体地,在将第一环境矩阵数据输入至环境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环境信息所形成的第一环境矩阵数据以及第一环境矩阵数据中的向量特征,然后创建环境模型,并基于一环境矩阵数据以及第一环境矩阵数据中的向量特征对环境模型进行训练,得到训练好的环境模型。
具体地,环境模型为预先训练好的神经网络模型,神经网络(Neural Networks,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,将第一环境矩阵数据输入至环境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,向量特征包括历史环境信息中的气候向量特征、时间向量特征以及物种组合向量特征等,然后将特征维度数量与第一环境矩阵数据进行数据结合,得到第二环境矩阵数据。
步骤S323,对第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,并将得到的环境降解数据输入至预设算法模型中进行数据推算,生成不同气候类型的降解物种类数量以及降解物种类数量中每种降解物在未来周期时间段内的降解量。
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:
;
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S324,将未来环境信息中气候类别与不同气候类别进行匹配,得到未来降解物种类数量以及与未来降解物种类数量对应的未来降解量。
步骤S325,将未来降解量按照单位时间进行均值计算,得到未来降解均值。
具体地,根据步骤S124中对环境降解均值的计算方式对未来降解均值进行计算,在此不再赘述。
本申请实施例的一种可能的实现方式,步骤S322具体包括:步骤S221(图中未示出)、步骤S222(图中未示出)、步骤S223(图中未示出)以及步骤S224(图中未示出),其中,
步骤S221,将环境特征维度数量与第一环境矩阵数据进行整合,生成环境维度矩阵数据。
具体地,将环境特征维度数量作为维度与第一环境矩阵数据进行整合,本申请实施例采用pytorch技术进行举例说明,包括但不局限于pytorch技术一种可实现方式。
通过pytorch中的指令“out.unsqueeze(-1)”将环境特征维度数量以维度的方式添加到第一环境矩阵数据中,实现维度整合。
具体地,PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。PyTorch提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy);2.包含自动求导系统的深度神经网络除了Facebook之外,Twitter、GMU和Salesforce等机构都采用了PyTorch。
将环境特征维度数量与第一环境矩阵数据进行整合完毕后,得到以下环境维度矩阵数据:
其中,v表示环境特征维度数量。
步骤S222,对环境维度矩阵数据进行基本数据分布探查,获取历史环境信息中不同气候类型所对应的降解物种类数量的相对周期性规律,并基于相对周期性规律确定时间周期长度。
具体地,将环境维度矩阵数据导入到Excel表格中,并且配置Python集成jupyter环境,针对环境维度矩阵数据中n时间序列做基本数据分布探查,主要目的在于找到对应序列的的相对周期性规律,然后根据相周期性规律确定时间周期长度。
步骤S223,基于时间周期长度对环境维度矩阵数据进行有监督时间序列数据整理,得到环境预测矩阵数据。
具体地,用t来代替时间周期性长度,并将环境维度矩阵数据中的n替换为t,得到新的环境预测矩阵数据:
。
步骤S224,基于环境预测矩阵数据对未来周期时间段内的降解物种类数量的变化趋势进行预测,生成第二环境矩阵数据。
具体地,假设预设未来预设时间段为k,即移动步长为k步预测,得到第二环境矩阵数据:
。
本申请实施例的一种可能的实现方式,步骤S323具体包括:步骤S231(图中未示出)、步骤S232(图中未示出)、步骤S233(图中未示出)以及步骤S234(图中未示出),其中,
步骤S231,计算第二环境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环境矩阵数据的3σ范围。
步骤S232,判断数据是否在3σ范围之外,若数据在3σ范围之外,则确定数据所在第二环境矩阵数据的第一矩阵序列。
具体地,具体地,3σ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>3σ,则该测量值为坏值,应剔除。通常把等于±3σ的误差作为极限误差,对于正态分布的随机误差,落在±3σ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3σ准则。3σ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S233,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S234,对第二矩阵序列进行缺失值以及归一化处理,得到环境降解数据。
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:。
上述实施例从方法流程的角度介绍一种企业排污许可的管理方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种企业排污许可的管理装置,具体详见下述实施例。
本申请实施例提供一种企业排污许可的管理装置,如图2所示,该企业排污许可的管理装置20具体可以包括:信息获取模块21、数据调取模块22、排污判断模块23以及降解判断模块24,其中,
信息获取模块21,用于获取历史环境信息以及排污许可信息,历史环境信息为在历史周期内企业周边的环境综合信息,排污许可信息为与企业对应且在有效期内的排污许可信息;
数据调取模块22,用于对企业的排污数据进行调取,得到在企业排污信息,企业排污信息为企业在历史周期内的排污信息;
排污判断模块23,用于判断企业排污信息是否符合排污许可信息,若符合,则对历史环境信息以及企业排污信息进行数据分析,得到环境降解均值;
降解判断模块24,用于判断环境降解均值是否符合于排污许可信息中的环境降解范围,若不符合,则基于环境降解均值以及环境降解范围对排污许可信息进行更新,得到实时许可信息。
本申请实施例的一种可能的实现方式,排污判断模块23在对历史环境信息以及企业排污信息进行数据分析,得到环境降解均值时,具体用于:
调取历史环境信息的环境污染种类以及与环境污染种类相对应的环境污染数值;
将不同类别的环境污染种类以及环境污染数值按照时间进行数据规划,得到污染时间信息;
对企业排污信息进行排污种类以及与排污种类对应的排污量按照时间进行筛查,得到排污时间信息;
将污染时间信息以及排污时间信息按照单位时间进行整合均值计算,得到环境降解均值。
本申请实施例的另一种可能的实现方式,降解判断模块24在基于环境降解均值以及环境降解范围对排污许可信息进行更新,得到实时许可信息时,具体用于:
基于排污许可信息确定与环境降解范围具有对照关系的排污指标数据;
根据排污指标数据与环境降解范围之间的对照规律,对环境降解均值进行替换推导,得到实时许可信息。
本申请实施例的另一种可能的实现方式,装置20还包括:未来信息获取模块、均值预测模块以及许可分析模块,其中,
未来信息获取模块,用于获取未来周期时间段内的未来环境信息;
均值预测模块,用于根据未来环境信息以及历史环境信息对环境降解均值进行预测,得到未来周期时间段内的未来降解均值;
许可分析模块,用于对对照规律、未来降解均值以及实时许可信息进行分析,得到未来周期时间段内的未来许可信息。
本申请实施例的另一种可能的实现方式,均值预测模块在根据未来环境信息以及历史环境信息对环境降解均值进行预测,得到未来周期时间段内的未来降解均值时,具体用于:
对历史环境信息进行分析,确定历史环境信息中不同气候类型的降解物种类数量以及降解物种类数量中每种降解物对应的降解周期长度,并基于降解周期长度以及降解物种类数量对历史环境信息进行无监督时间序列数据整理,得到第一环境矩阵数据;
将第一环境矩阵数据输入至训练好的环境模型进行向量特征提取,得到环境特征维度数量,并将得到的环境特征维度数量与第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据;
对第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,并将得到的环境降解数据输入至预设算法模型中进行数据推算,生成不同气候类型的降解物种类数量以及降解物种类数量中每种降解物在未来周期时间段内的降解量;
将未来环境信息中气候类别与不同气候类别进行匹配,得到未来降解物种类数量以及与未来降解物种类数量对应的未来降解量;
将未来降解量按照单位时间进行均值计算,得到未来降解均值。
本申请实施例的另一种可能的实现方式,均值预测模块在将得到的环境特征维度数量与第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据时,具体用于:
将环境特征维度数量与第一环境矩阵数据进行整合,生成环境维度矩阵数据;
对环境维度矩阵数据进行基本数据分布探查,获取历史环境信息中不同气候类型所对应的降解物种类数量的相对周期性规律,并基于相对周期性规律确定时间周期长度;
基于时间周期长度对环境维度矩阵数据进行有监督时间序列数据整理,得到环境预测矩阵数据;
基于环境预测矩阵数据对未来周期时间段内的降解物种类数量的变化趋势进行预测,生成第二环境矩阵数据。
本申请实施例的另一种可能的实现方式,均值预测模块在对第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据时,具体用于:
计算第二环境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环境矩阵数据的3σ范围;
判断数据是否在3σ范围之外,若数据在3σ范围之外,则确定数据所在第二环境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,得到环境降解数据。
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)
1.一种企业排污许可的管理方法,其特征在于,包括:
获取历史环境信息以及排污许可信息,所述历史环境信息为在历史周期内企业周边的环境综合信息,所述排污许可信息为与所述企业对应且在有效期内的排污许可信息;
对所述企业的排污数据进行调取,得到在企业排污信息,所述企业排污信息为所述企业在所述历史周期内的排污信息;
判断所述企业排污信息是否符合所述排污许可信息,若符合,则对所述历史环境信息以及所述企业排污信息进行数据分析,得到环境降解均值;
判断所述环境降解均值是否符合于所述排污许可信息中的环境降解范围,若不符合,则基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息。
2.根据权利要求1所述的一种企业排污许可的管理方法,其特征在于,所述对所述历史环境信息以及企业排污信息进行数据分析,得到环境降解均值,包括:
调取所述历史环境信息的环境污染种类以及与所述环境污染种类相对应的环境污染数值;
将不同类别的所述环境污染种类以及环境污染数值按照时间进行数据规划,得到污染时间信息;
对所述企业排污信息进行排污种类以及与所述排污种类对应的排污量按照时间进行筛查,得到排污时间信息;
将所述污染时间信息以及所述排污时间信息按照单位时间进行整合均值计算,得到环境降解均值。
3.根据权利要求1所述的一种企业排污许可的管理方法,其特征在于,所述基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息,包括:
基于所述排污许可信息确定与所述环境降解范围具有对照关系的排污指标数据;
根据所述排污指标数据与所述环境降解范围之间的对照规律,对所述环境降解均值进行替换推导,得到实时许可信息。
4.根据权利要求3所述的一种企业排污许可的管理方法,其特征在于,所述基于所述环境参数均值对所述排污许可信息进行更新,得到实时许可信息,之后还包括:
获取未来周期时间段内的未来环境信息;
根据所述未来环境信息以及历史环境信息对环境降解均值进行预测,得到所述未来周期时间段内的未来降解均值;
对所述对照规律、所述未来降解均值以及所述实时许可信息进行分析,得到所述未来周期时间段内的未来许可信息。
5.根据权利要求3所述的一种企业排污许可的管理方法,其特征在于,所述根据所述未来环境信息以及历史环境信息对环境降解均值进行预测,得到所述未来周期时间段内的未来降解均值,包括:
对所述历史环境信息进行分析,确定所述历史环境信息中不同气候类型的降解物种类数量以及所述降解物种类数量中每种降解物对应的降解周期长度,并基于所述降解周期长度以及所述降解物种类数量对所述历史环境信息进行无监督时间序列数据整理,得到第一环境矩阵数据;
将所述第一环境矩阵数据输入至训练好的环境模型进行向量特征提取,得到环境特征维度数量,并将得到的所述环境特征维度数量与所述第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据;
对所述第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,并将得到的所述环境降解数据输入至预设算法模型中进行数据推算,生成所述不同气候类型的降解物种类数量以及所述降解物种类数量中每种降解物在所述未来周期时间段内的降解量;
将所述未来环境信息中气候类别与所述不同气候类别进行匹配,得到未来降解物种类数量以及与所述未来降解物种类数量对应的未来降解量;
将所述未来降解量按照单位时间进行均值计算,得到未来降解均值。
6.根据权利要求5所述的一种企业排污许可的管理方法,其特征在于,所述将得到的所述环境特征维度数量与所述第一环境矩阵数据进行数据结合处理,生成第二环境矩阵数据,包括:
将所述环境特征维度数量与所述第一环境矩阵数据进行整合,生成环境维度矩阵数据;
对所述环境维度矩阵数据进行基本数据分布探查,获取所述历史环境信息中不同气候类型所对应的降解物种类数量的相对周期性规律,并基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述环境维度矩阵数据进行有监督时间序列数据整理,得到环境预测矩阵数据;
基于所述环境预测矩阵数据对所述未来周期时间段内的所述降解物种类数量的变化趋势进行预测,生成第二环境矩阵数据。
7.根据权利要求5所述的一种企业排污许可的管理方法,其特征在于,所述对所述第二环境矩阵数据中所包含的数据进行数据处理,得到环境降解数据,包括:
计算所述第二环境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环境矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二环境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,得到环境降解数据。
8.一种企业排污许可的管理系统,其特征在于,包括:
信息获取模块,用于获取历史环境信息以及排污许可信息,所述历史环境信息为在历史周期内企业周边的环境综合信息,所述排污许可信息为与所述企业对应且在有效期内的排污许可信息;
数据调取模块,用于对所述企业的排污数据进行调取,得到在企业排污信息,所述企业排污信息为所述企业在所述历史周期内的排污信息;
排污判断模块,用于判断所述企业排污信息是否符合所述排污许可信息,若符合,则对所述历史环境信息以及所述企业排污信息进行数据分析,得到环境降解均值;
降解判断模块,用于判断所述环境降解均值是否符合于所述排污许可信息中的环境降解范围,若不符合,则基于所述环境降解均值以及所述环境降解范围对所述排污许可信息进行更新,得到实时许可信息。
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任一项所述的企业排污许可的管理方法。
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任一项所述的企业排污许可的管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310375447.6A CN116090710B (zh) | 2023-04-11 | 2023-04-11 | 一种企业排污许可的管理方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310375447.6A CN116090710B (zh) | 2023-04-11 | 2023-04-11 | 一种企业排污许可的管理方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090710A true CN116090710A (zh) | 2023-05-09 |
CN116090710B CN116090710B (zh) | 2023-06-20 |
Family
ID=86187324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310375447.6A Active CN116090710B (zh) | 2023-04-11 | 2023-04-11 | 一种企业排污许可的管理方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090710B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143467A1 (en) * | 2003-01-22 | 2004-07-22 | Mcallister Richard Eugene | Method and system for optimization of environmental compliance |
WO2015021669A1 (zh) * | 2013-08-16 | 2015-02-19 | 深圳市兰德玛水环境工程科技有限公司 | 基于分质排放和分质处理的水污染防治系统及方法 |
CN105335793A (zh) * | 2015-09-23 | 2016-02-17 | 中国水产科学研究院黄海水产研究所 | 基于污染物行业排放容量计算的行业结构优化调整方法 |
US20160055596A1 (en) * | 2014-08-20 | 2016-02-25 | Lavenya Dilip | Real time carbon emissions assimilation, reporting and management system |
CN108776204A (zh) * | 2018-05-24 | 2018-11-09 | 北京全华环保技术标准研究中心 | 一种排污单位水污染物许可排污量和理想排污量核算的方法 |
CN108805401A (zh) * | 2018-04-27 | 2018-11-13 | 唐山钢铁集团微尔自动化有限公司 | 一种企业环境在线监测及管理方法 |
CN109359944A (zh) * | 2018-10-18 | 2019-02-19 | 北京思路创新科技有限公司 | 基于排污许可的数据交换系统及方法 |
CN110362532A (zh) * | 2019-07-12 | 2019-10-22 | 武汉新江城环境事务咨询有限责任公司 | 一种排污许可证的核发指导方法 |
CN112766669A (zh) * | 2021-01-06 | 2021-05-07 | 中国科学院东北地理与农业生态研究所 | 基于水质模型的流域污染限值排放核定方法 |
CN113204878A (zh) * | 2021-05-07 | 2021-08-03 | 辽宁省生态环境保护科技中心 | 基于环境容量的污染源排污许可量分配方法 |
CN114445090A (zh) * | 2022-01-25 | 2022-05-06 | 启实(烟台)数据技术有限公司 | 一种用于企业排污许可的跟踪管理系统 |
CN115511244A (zh) * | 2022-04-06 | 2022-12-23 | 深圳市生态环境智能管控中心 | 固定污染源全生命周期信息管理方法、系统、设备及介质 |
CN115630761A (zh) * | 2022-09-05 | 2023-01-20 | 中船第九设计研究院工程有限公司 | 一种企业环境管理智能化管控系统 |
-
2023
- 2023-04-11 CN CN202310375447.6A patent/CN116090710B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143467A1 (en) * | 2003-01-22 | 2004-07-22 | Mcallister Richard Eugene | Method and system for optimization of environmental compliance |
WO2015021669A1 (zh) * | 2013-08-16 | 2015-02-19 | 深圳市兰德玛水环境工程科技有限公司 | 基于分质排放和分质处理的水污染防治系统及方法 |
US20160055596A1 (en) * | 2014-08-20 | 2016-02-25 | Lavenya Dilip | Real time carbon emissions assimilation, reporting and management system |
CN105335793A (zh) * | 2015-09-23 | 2016-02-17 | 中国水产科学研究院黄海水产研究所 | 基于污染物行业排放容量计算的行业结构优化调整方法 |
CN108805401A (zh) * | 2018-04-27 | 2018-11-13 | 唐山钢铁集团微尔自动化有限公司 | 一种企业环境在线监测及管理方法 |
CN108776204A (zh) * | 2018-05-24 | 2018-11-09 | 北京全华环保技术标准研究中心 | 一种排污单位水污染物许可排污量和理想排污量核算的方法 |
CN109359944A (zh) * | 2018-10-18 | 2019-02-19 | 北京思路创新科技有限公司 | 基于排污许可的数据交换系统及方法 |
CN110362532A (zh) * | 2019-07-12 | 2019-10-22 | 武汉新江城环境事务咨询有限责任公司 | 一种排污许可证的核发指导方法 |
CN112766669A (zh) * | 2021-01-06 | 2021-05-07 | 中国科学院东北地理与农业生态研究所 | 基于水质模型的流域污染限值排放核定方法 |
CN113204878A (zh) * | 2021-05-07 | 2021-08-03 | 辽宁省生态环境保护科技中心 | 基于环境容量的污染源排污许可量分配方法 |
CN114445090A (zh) * | 2022-01-25 | 2022-05-06 | 启实(烟台)数据技术有限公司 | 一种用于企业排污许可的跟踪管理系统 |
CN115511244A (zh) * | 2022-04-06 | 2022-12-23 | 深圳市生态环境智能管控中心 | 固定污染源全生命周期信息管理方法、系统、设备及介质 |
CN115630761A (zh) * | 2022-09-05 | 2023-01-20 | 中船第九设计研究院工程有限公司 | 一种企业环境管理智能化管控系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116090710B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shahriari et al. | Ensemble of ARIMA: combining parametric and bootstrapping technique for traffic flow prediction | |
Gilik et al. | Air quality prediction using CNN+ LSTM-based hybrid deep learning architecture | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN116090710B (zh) | 一种企业排污许可的管理方法、系统、电子设备及介质 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
Casallas et al. | Long short-term memory artificial neural network approach to forecast meteorology and PM 2.5 local variables in Bogotá, Colombia | |
CN115796434B (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
Fang et al. | DESA: a novel hybrid decomposing-ensemble and spatiotemporal attention model for PM2. 5 forecasting | |
Wang et al. | Oxygen data assimilation for estimating micro-organism communities’ parameters in river systems | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
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 | |
Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
Nahar et al. | Air quality index using machine learning–a Jordan case study | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
Zhu et al. | A hybrid decomposition and Machine learning model for forecasting Chlorophyll-a and total nitrogen concentration in coastal waters | |
CN112612822A (zh) | 一种北斗坐标时间序列的预测方法、装置、设备和存储介质 | |
Singh et al. | Review on Data Mining Techniques for Prediction of Water Quality. | |
Zhu et al. | Deep learning optimization for soft sensing of hard-to-measure wastewater key variables | |
Suzuki et al. | Decomposing predictability to identify dominant causal drivers in complex ecosystems | |
CN116091103A (zh) | 一种周期环境整治测算方法、装置、电子设备及介质 | |
Oralbekova et al. | Information system for monitoring of urban air pollution by heavy metals | |
Spezia et al. | Periodic multivariate normal hidden Markov models for the analysis of water quality time series | |
de Matos et al. | A Review of Energy and Sustainability KPI-Based Monitoring and Control Methodologies on WWTPs | |
Pandithurai et al. | Air Pollution Prediction using Supervised Machine Learning Technique |
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 |