CN116186013A - 一种基于物联网的碳达峰预测平台系统 - Google Patents
一种基于物联网的碳达峰预测平台系统 Download PDFInfo
- Publication number
- CN116186013A CN116186013A CN202310161050.7A CN202310161050A CN116186013A CN 116186013 A CN116186013 A CN 116186013A CN 202310161050 A CN202310161050 A CN 202310161050A CN 116186013 A CN116186013 A CN 116186013A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- module
- carbon
- node
- 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.)
- Withdrawn
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 59
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 8
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000006835 compression Effects 0.000 claims description 24
- 238000007906 compression Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 9
- 230000008667 sleep stage Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 235000006732 Torreya nucifera Nutrition 0.000 claims description 3
- 244000111306 Torreya nucifera Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000002618 waking effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000001721 carbon Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的碳达峰预测平台系统，属于物联网技术领域；包括用于登陆预测管控平台并查看预测信息的移动终端、用于接收、显示各子模块传输数据的预测管控平台、用于采集二氧化碳排放数据并进行分类的采集处理模块、用于对分类后的数据进行动态模拟的信息模拟模块、用于接收模拟结果并进行预测反馈的分析预测模块、用于存储采集以及预测数据的数据服务器。本发明通过在信息模拟模块中构建卷积神经网对数据进行训练、测试，对该碳排放模型进行准确率、检出率和误报率评估，自行构造统计模型，保证数据统计的准确性，减少工作人员工作量，提高工作效率，同时将统计结果上传至区块链，有效保证数据安全性，防止出现恶意篡改数据。
Description
技术领域
本发明属于物联网技术领域，具体是一种基于物联网的碳达峰预测平台系统。
背景技术
工业化革命以来，人类活动引起温室气体排放所导致的全球变暖现象越来越严重，减少以二氧化碳为主的温室气体排放、阻止气候变化已经成为全人类的共同目标。
经检索，中国专利号CN113723714A公开了一种基于物联网的碳达峰预测平台，该发明虽然实现碳达峰预测平台的异构数据源接入、数据挖掘与预测，解决环境产业中碳达峰预测数据收集时的数据孤岛问题和碳达峰预测与指挥调度问题，但是需工作人员手动统计，数据统计准确性低，且容易出现恶意篡改数据的情况；此外，现有的基于物联网的碳达峰预测平台无法保证移动终端与预测管控平台数据传输的稳定性，内存压缩效率差，为此，我们提出一种基于物联网的碳达峰预测平台系统。
发明内容
本发明的目的在于提供一种基于物联网的碳达峰预测平台系统，以解决上述背景技术中提出的问题。
本发明目的是这样实现的：一种基于物联网的碳达峰预测平台系统，其特征在于：该碳达峰预测平台系统包括用于工作人员登陆预测管控平台并查看预测信息的移动终端、用于接收并显示各子模块传输的数据，并向相关子模块下发控制指令的预测管控平台、用于采集二氧化碳排放数据，并对各组数据进行处理分类的采集处理模块、用于依据分类后的数据进行动态模拟的信息模拟模块、用于接收模拟结果并进行预测反馈的分析预测模块、用于存储采集以及预测数据的数据服务器。
优选的，所述碳达峰预测平台系统包括用于对预测管控平台与移动终端进行性能优化的连接优化模块。
优选的，所述数据终端包括智能手机、平板电脑、笔记本电脑以及台式电脑。
优选的，所述采集处理模块处理分类具体操作如下：
步骤S1：采集处理模块接收预测管控平台下发的控制指令确定待测区域，之后对待测区域的二氧化碳数据进行收集，并依据工作人员预设的数据标准对收集到的数据进行筛选；
步骤S2：依据异常数据定义确定数据清洗策略和规则，并选择合适的数据清洗算法，再通过聚类法检测排放数据中的属性错误，之后通过递归字段匹配算法对两个数据集或者一个合并后的数据集进行检测以确定同一组排放数据的重复记录；
步骤S3：备份各组排放数据，再对各组存在异常的排放数据进行属性分离，再依据分离后的属性信息对重复记录进行清洗，并基于字典查询拼写错误并改正输入和拼写的错误，之后将处理完成的数据转换成统一格式；
步骤S4：通过Kaya恒等式将该区域碳排放分解为人口规模、人均地区生产总值、能源强度和能源消费碳强度四组参数，并将相关排放数据录入对应参数组中。
优选的，所述信息模拟模块动态模拟具体步骤如下：
步骤（1）：信息模拟模块从四组参数组中抽取当前采集数据，并将各组数据进行归一化处理，之后计算归一化后的各组数据的方差系数；
步骤（2）：依据计算出的方差系数筛除各组数据中表征能力差的特征信息，然后构建一组卷积神经网络，将剩余数据划分为训练集以及测试集；
步骤（3）：将训练集输入卷积神经网络，然后通过卷积、池化、全连接和输出进行学习训练，得到区域碳排放模型，之后利用测试集对区域碳排放模型进行测试，若测试准确率满足期望值，则停止训练，反之则继续对该碳排放模型进行训练；
步骤（4）：模型训练完成后，实时对该区域碳排放数据进行统计分析，并将统计结果以表格的形式反馈给工作人员以及共识上链处理，同时对该碳排放模型进行准确率、检出率和误报率评估。
优选的，所述分析预测模块预测反馈具体步骤如下：
步骤Ⅰ：分析预测模块提取数据服务器中各组过往统计结果，并将各组过往统计结果所对应的归一化值作为各组数据的分析标签，之后对各组数据进行标准化处理；
步骤Ⅱ：设置具体参数，并接收标准化处理后的各组数据，同时采用长期迭代法训练该分析预测模块，之后将当前统计结果输入到训练好的分析预测模块中，画出碳达峰预测曲线，并加以分析。
优选的，所述连接优化模块性能优化具体步骤如下：
第一步：连接优化模块为该预测管控平台连接的各组移动终端生成一个启动链表，并依据LRU链表顺序将各组启动链表按照交互次数由少到多进行进一步链接；
第二步：采集各组移动终端的操作信息，并实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择最不活跃的移动终端启动链表进行受害页面选择，直至回收足够的受害页面后停止；
第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块压缩区域中。
优选的，所述步骤（4）中共识上链具体步骤如下：
步骤①：将生成的表格数据进行处理并生成相对应的区块，之后该区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当A节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送公钥A、查询号以及验证字段；
步骤②：B节点对收到的申请进行验证，验证通过则向A节点返回公钥B以及同意指令，并不再同意新的申请；验证未通过则请求全网共识检查错误方；
步骤③：若A节点得到半数节点同意或得票最高，则A节点成为领导节点，其他节点成为跟随节点，之后A节点广播区块记录信息公钥A以及哈希值，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数；广播结束后，跟随节点使用重复次数最多的信息生成区块头，并向A节点发送确认申请；
步骤④：所有跟随节点发送的确认信息都验证通过后，A节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的区块添加至链上并返回候选身份。
与现有技术相比，本发明具有如下改进及优点： 1、通过在碳达峰预测平台系统设有信息模拟模块，信息模拟模块构建卷积神经网络对数据进行训练、测试，对该碳排放模型进行准确率、检出率和误报率评估，自行构造统计模型，保证数据统计的准确性，无需工作人员手动统计，减少工作人员工作量，提高工作效率，同时将统计结果上传至区块链，有效保证数据安全性，防止出现恶意篡改数据。
2、通过连接优化模块对碳达峰预测平台系统数据进行更新、优化，并对预测管控平台运行内存进行大粒度压缩，有效的保证移动终端与预测管控平台数据传输的稳定性，同时提高内存压缩效率。
附图说明
图1为本发明提出的一种基于物联网的碳达峰预测平台系统的框图。
实施方式
以下结合附图对本发明做进一步概述。
实施例1：一种基于物联网的碳达峰预测平台系统，包括移动终端、预测管控平台、采集处理模块、信息模拟模块、分析预测模块、连接优化模块以及数据服务器。
移动终端用于工作人员登陆预测管控平台并查看预测信息；预测管控平台用于接收并显示各子模块传输的数据，并向相关子模块下发控制指令；数据服务器用于存储采集以及预测的数据。
本实施例中，移动终端具体包括智能手机、平板电脑、笔记本电脑以及台式电脑。
采集处理模块用于采集二氧化碳排放数据，并对各组数据进行处理分类。
具体的，采集处理模块接收预测管控平台下发的控制指令确定待测区域，之后对待测区域的二氧化碳数据进行收集，并依据工作人员预设的数据标准对收集到的数据进行筛选，然后依据异常数据定义确定数据清洗策略和规则，并选择合适的数据清洗算法，再通过聚类法检测排放数据中的属性错误，之后通过递归字段匹配算法对两个数据集或者一个合并后的数据集进行检测以确定同一组排放数据的重复记录，备份各组排放数据，再对各组存在异常的排放数据进行属性分离，再依据分离后的属性信息对重复记录进行清洗，并基于字典查询拼写错误并改正输入和拼写的错误，之后将处理完成的数据转换成统一格式，最后通过Kaya恒等式将该区域碳排放分解为人口规模、人均地区生产总值、能源强度和能源消费碳强度四组参数，并将相关排放数据录入对应参数组中。
信息模拟模块用于依据分类后的数据进行动态模拟。
具体的，信息模拟模块从四组参数组中抽取当前采集数据，并将各组数据进行归一化处理，之后计算归一化后的各组数据的方差系数，依据计算出的方差系数筛除各组数据中表征能力差的特征信息，然后构建一组卷积神经网络，将剩余数据划分为训练集以及测试集，将训练集输入卷积神经网络，然后通过卷积、池化、全连接和输出进行学习训练，得到区域碳排放模型，之后利用测试集对区域碳排放模型进行测试，若测试准确率满足期望值，则停止训练，反之则继续对该碳排放模型进行训练，模型训练完成后，实时对该区域碳排放数据进行统计分析，并将统计结果以表格的形式反馈给工作人员以及共识上链处理，同时对该碳排放模型进行准确率、检出率和误报率评估。
需要进一步说明的是，将生成的表格数据进行处理并生成相对应的区块，之后该区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当A节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送公钥A、查询号以及验证字段，当B节点对收到的申请进行验证，验证通过则向A节点返回公钥B以及同意指令，并不再同意新的申请；验证未通过则请求全网共识检查错误方，若A节点得到半数节点同意或得票最高，则A节点成为领导节点，其他节点成为跟随节点，之后A节点广播区块记录信息公钥A以及哈希值，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数；广播结束后，跟随节点使用重复次数最多的信息生成区块头，并向A节点发送确认申请，所有跟随节点发送的确认信息都验证通过后，A节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的区块添加至链上并返回候选身份。
分析预测模块用于接收模拟结果并进行预测反馈。
具体的，分析预测模块提取数据服务器中各组过往统计结果，并将各组过往统计结果所对应的归一化值作为各组数据的分析标签，之后对各组数据进行标准化处理，设置具体参数，并接收标准化处理后的各组数据，同时采用长期迭代法训练该分析预测模块，之后将当前统计结果输入到训练好的分析预测模块中，画出碳达峰预测曲线，并加以分析。
连接优化模块用于对预测管控平台与移动终端进行性能优化。
具体的，连接优化模块为该预测管控平台连接的各组移动终端生成一个启动链表，并依据LRU链表顺序将各组启动链表按照交互次数由少到多进行进一步链接，采集各组移动终端的操作信息，并实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择最不活跃的移动终端启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块压缩区域中。
工作原理：本发明通过信息模拟模块从四组参数组中抽取当前采集数据，并将各组数据进行归一化处理，之后计算归一化后的各组数据的方差系数，依据计算出的方差系数筛除各组数据中表征能力差的特征信息，然后构建一组卷积神经网络，将剩余数据划分为训练集以及测试集，将训练集输入卷积神经网络，然后通过卷积、池化、全连接和输出进行学习训练，得到区域碳排放模型，之后利用测试集对区域碳排放模型进行测试，若测试准确率满足期望值，则停止训练，反之则继续对该碳排放模型进行训练，模型训练完成后，实时对该区域碳排放数据进行统计分析，并将统计结果以表格的形式反馈给工作人员以及共识上链处理，同时对该碳排放模型进行准确率、检出率和误报率评估，能够自行构造统计模型，保证数据统计的准确性，无需工作人员手动统计，减少工作人员工作量，提高工作效率，同时将统计结果上传至区块链，有效保证数据安全性，防止出现恶意篡改数据。
通过连接优化模块为该预测管控平台连接的各组移动终端生成一个启动链表，并依据LRU链表顺序将各组启动链表按照交互次数由少到多进行进一步链接，采集各组移动终端的操作信息，并实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择最不活跃的移动终端启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块压缩区域中，能够对预测管控平台运行内存进行大粒度压缩，有效的保证移动终端与预测管控平台数据传输的稳定性，同时提高内存压缩效率。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。
Claims (8)
1.一种基于物联网的碳达峰预测平台系统，其特征在于：该碳达峰预测平台系统包括用于工作人员登陆预测管控平台并查看预测信息的移动终端、用于接收并显示各子模块传输的数据，并向相关子模块下发控制指令的预测管控平台、用于采集二氧化碳排放数据，并对各组数据进行处理分类的采集处理模块、用于依据分类后的数据进行动态模拟的信息模拟模块、用于接收模拟结果并进行预测反馈的分析预测模块、用于存储采集以及预测数据的数据服务器。
2.根据权利要求1所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述碳达峰预测平台系统包括用于对预测管控平台与移动终端进行性能优化的连接优化模块。
3.根据权利要求1所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述数据终端包括智能手机、平板电脑、笔记本电脑以及台式电脑。
4.根据权利要求1所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述采集处理模块处理分类具体操作如下：
步骤S1：采集处理模块接收预测管控平台下发的控制指令确定待测区域，之后对待测区域的二氧化碳数据进行收集，并依据工作人员预设的数据标准对收集到的数据进行筛选；
步骤S2：依据异常数据定义确定数据清洗策略和规则，并选择合适的数据清洗算法，再通过聚类法检测排放数据中的属性错误，之后通过递归字段匹配算法对两个数据集或者一个合并后的数据集进行检测以确定同一组排放数据的重复记录；
步骤S3：备份各组排放数据，再对各组存在异常的排放数据进行属性分离，再依据分离后的属性信息对重复记录进行清洗，并基于字典查询拼写错误并改正输入和拼写的错误，之后将处理完成的数据转换成统一格式；
步骤S4：通过Kaya恒等式将该区域碳排放分解为人口规模、人均地区生产总值、能源强度和能源消费碳强度四组参数，并将相关排放数据录入对应参数组中。
5.根据权利要求1所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述信息模拟模块动态模拟具体步骤如下：
步骤（1）：信息模拟模块从四组参数组中抽取当前采集数据，并将各组数据进行归一化处理，之后计算归一化后的各组数据的方差系数；
步骤（2）：依据计算出的方差系数筛除各组数据中表征能力差的特征信息，然后构建一组卷积神经网络，将剩余数据划分为训练集以及测试集；
步骤（3）：将训练集输入卷积神经网络，然后通过卷积、池化、全连接和输出进行学习训练，得到区域碳排放模型，之后利用测试集对区域碳排放模型进行测试，若测试准确率满足期望值，则停止训练，反之则继续对该碳排放模型进行训练；
步骤（4）：模型训练完成后，实时对该区域碳排放数据进行统计分析，并将统计结果以表格的形式反馈给工作人员以及共识上链处理，同时对该碳排放模型进行准确率、检出率和误报率评估。
6.根据权利要求1所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述分析预测模块预测反馈具体步骤如下：
步骤Ⅰ：分析预测模块提取数据服务器中各组过往统计结果，并将各组过往统计结果所对应的归一化值作为各组数据的分析标签，之后对各组数据进行标准化处理；
步骤Ⅱ：设置具体参数，并接收标准化处理后的各组数据，同时采用长期迭代法训练该分析预测模块，之后将当前统计结果输入到训练好的分析预测模块中，画出碳达峰预测曲线，并加以分析。
7.根据权利要求2所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述连接优化模块性能优化具体步骤如下：
第一步：连接优化模块为该预测管控平台连接的各组移动终端生成一个启动链表，并依据LRU链表顺序将各组启动链表按照交互次数由少到多进行进一步链接；
第二步：采集各组移动终端的操作信息，并实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择最不活跃的移动终端启动链表进行受害页面选择，直至回收足够的受害页面后停止；
第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至连接优化模块压缩区域中。
8.根据权利要求1所述的一种基于物联网的碳达峰预测平台系统，其特征在于：所述步骤（4）中共识上链具体步骤如下：
步骤①：将生成的表格数据进行处理并生成相对应的区块，之后该区块入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当A节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送公钥A、查询号以及验证字段；
步骤②：B节点对收到的申请进行验证，验证通过则向A节点返回公钥B以及同意指令，并不再同意新的申请；验证未通过则请求全网共识检查错误方；
步骤③：若A节点得到半数节点同意或得票最高，则A节点成为领导节点，其他节点成为跟随节点，之后A节点广播区块记录信息公钥A以及哈希值，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数；广播结束后，跟随节点使用重复次数最多的信息生成区块头，并向A节点发送确认申请；
步骤④：所有跟随节点发送的确认信息都验证通过后，A节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的区块添加至链上并返回候选身份。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310161050.7A CN116186013A (zh) | 2023-02-24 | 2023-02-24 | 一种基于物联网的碳达峰预测平台系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310161050.7A CN116186013A (zh) | 2023-02-24 | 2023-02-24 | 一种基于物联网的碳达峰预测平台系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116186013A true CN116186013A (zh) | 2023-05-30 |
Family
ID=86432415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310161050.7A Withdrawn CN116186013A (zh) | 2023-02-24 | 2023-02-24 | 一种基于物联网的碳达峰预测平台系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116186013A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116506230A (zh) * | 2023-06-28 | 2023-07-28 | 广东长盈科技股份有限公司 | 基于rsa非对称加密的数据采集方法、系统 |
-
2023
- 2023-02-24 CN CN202310161050.7A patent/CN116186013A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116506230A (zh) * | 2023-06-28 | 2023-07-28 | 广东长盈科技股份有限公司 | 基于rsa非对称加密的数据采集方法、系统 |
| CN116506230B (zh) * | 2023-06-28 | 2023-10-03 | 广东长盈科技股份有限公司 | 基于rsa非对称加密的数据采集方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245213B (zh) | 调查问卷生成方法、装置、设备和存储介质 | |
| CN109241427B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| DE112017001648T5 (de) | Autonome semantische Kennzeichnung von phsischen Orten | |
| CN109905489A (zh) | 基于数据融合算法的多传感器数据关联性处理方法及系统 | |
| CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
| CN116186013A (zh) | 一种基于物联网的碳达峰预测平台系统 | |
| CN111984442A (zh) | 计算机集群系统的异常检测方法及装置、存储介质 | |
| CN108090515A (zh) | 一种基于数据融合的环境等级评估方法 | |
| WO2021103401A1 (zh) | 数据对象分类方法、装置、计算机设备和存储介质 | |
| Abowd et al. | Optimal probabilistic record linkage: Best practice for linking employers in survey and administrative data | |
| CN114880312A (zh) | 一种可柔性设置的应用系统业务数据稽核方法 | |
| CN106484913A (zh) | 一种目标图片确定的方法以及服务器 | |
| CN112766676A (zh) | 闭环数据质量治理方法、装置、终端设备及存储介质 | |
| Chung et al. | Information extraction methodology by web scraping for smart cities | |
| CN109635008A (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN113115107B (zh) | 一种基于5g网络的手持视频采集终端系统 | |
| CN114969333A (zh) | 基于数据挖掘的网络信息安全管理方法及装置 | |
| CN113094245A (zh) | 一种数据库集群健康性度量的方法 | |
| JI et al. | Log Anomaly Detection Through GPT-2 for Large Scale Systems | |
| Sun et al. | Dynamic early warning system of College Students’ target course performance based on improved Apriori algorithm | |
| Qian et al. | Detection of mobile network abnormality using deep learning models on massive network measurement data | |
| Gu et al. | Pulse fractional grey model application in forecasting global carbon emission | |
| CN114283492B (zh) | 基于员工行为的工作饱和度分析方法、装置、设备及介质 | |
| CN116993307B (zh) | 一种具有人工智能学习能力的协同办公方法及系统 | |
| Fan et al. | Design of Intelligent Human Resource Information Collection System Based on Decision Tree Algorithm |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230530 |