CN116522270A - 用于智慧海绵城市的数据处理系统 - Google Patents
用于智慧海绵城市的数据处理系统 Download PDFInfo
- Publication number
- CN116522270A CN116522270A CN202310806111.0A CN202310806111A CN116522270A CN 116522270 A CN116522270 A CN 116522270A CN 202310806111 A CN202310806111 A CN 202310806111A CN 116522270 A CN116522270 A CN 116522270A
- Authority
- CN
- China
- Prior art keywords
- monitoring point
- point
- ith
- monitoring
- difference
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 688
- 230000005856 abnormality Effects 0.000 claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 24
- 239000002245 particle Substances 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电数字数据处理技术领域，具体涉及用于智慧海绵城市的数据处理系统。该系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：获取待监测城市的温度、风向、车流量和各监测点的PM2.5浓度；根据各监测点与对其产生影响的车道的相对位置、对各监测点产生影响的车道的车流量、各监测点与其关联监测点的PM2.5浓度的差异和风向，确定第一异常程度；结合各监测点与对其产生影响的车道之间的最近距离、各监测点与其传播相关点之间的水平距离和温度，确定第二异常程度，进而筛选异常数据。本发明提高了监测数据异常检测结果的准确度。
Description
技术领域
本发明涉及电数字数据处理技术领域，具体涉及用于智慧海绵城市的数据处理系统。
背景技术
智慧海绵城市具有高度智能化和可持续性的城市规划理念，主要解决城市水资源管理、环境治理和风险防范等问题。在环境治理中智慧海绵城市可以提高城市空气质量，保证城市居民健康。其中城市空气质量是环境治理的重点，在空气质量治理中空气污染物的监测为治理提供数据依据，比如空气中的PM2.5浓度监测，但是在实际监测过程中，传感器监测不稳定等原因使得监测数据存在异常，所以对于所监测的原始数据需要进行数据清洗。
PM2.5监测数据的异常主要表现为监测数据的相对偏差较大，由于监测过程存在时序关系，所以一般主要利用监测数据的时序变化关系，确定不同监测点对应监测数据的异常程度，但是城市PM2.5监测数据会受PM2.5浓度传播的影响，在其传播过程存在变化，单个监测点数据在时序上存在变化关系，其变化偏差无法直接反映监测数据的异常，此时需要结合多个检测点之间监测数据的关系进行异常分析，并且城市PM2.5颗粒传播方向不固定，所以常规单个传播方向无法准确反映监测点之间的变化关系，导致监测数据的异常检测结果不准确。
发明内容
为了解决现有方法在对PM2.5监测数据进行异常检测时存在的检测结果不准确的问题，本发明的目的在于提供一种用于智慧海绵城市的数据处理系统，所采用的技术方案具体如下：
本发明提供了一种用于智慧海绵城市的数据处理系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取待监测城市不同采集时刻的温度、风向、车道的车流量以及待监测城市不同监测点在不同采集时刻的PM2.5浓度；
基于监测点之间的位置关系以及各采集时刻的风向确定各采集时刻各监测点的关联监测点；根据各采集时刻各监测点与对其产生影响的车道的相对位置和各监测点的关联监测点与对其产生影响的车道的相对位置之间的差异、各采集时刻对各监测点产生影响的车道和对各监测点的关联监测点产生影响的车道的车流量的差异、各采集时刻各监测点与其关联监测点的PM2.5浓度的差异、各采集时刻的风向，确定各监测点在各采集时刻的第一异常程度；
基于监测点之间的相对位置分别确定各监测点的特征点和传播相关点，根据各监测点与对其产生影响的车道之间的最近距离、各采集时刻对各监测点产生影响的车道的车流量以及对各监测点的特征点产生影响的车道的车流量，得到各采集时刻各监测点与其特征点的传播一致性；根据各采集时刻各监测点与其传播相关点的PM2.5浓度的差异、各监测点与其传播相关点之间的水平距离、温度、所述第一异常程度和所述传播一致性，确定各监测点在各采集时刻的第二异常程度；
基于所述第一异常程度和所述第二异常程度筛选异常PM2.5浓度数据。
优选的，所述根据各采集时刻各监测点与对其产生影响的车道的相对位置和各监测点的关联监测点与对其产生影响的车道的相对位置之间的差异、各采集时刻对各监测点产生影响的车道和对各监测点的关联监测点产生影响的车道的车流量的差异、各采集时刻各监测点与其关联监测点的PM2.5浓度的差异、各采集时刻的风向，确定各监测点在各采集时刻的第一异常程度，包括：
对于第j个采集时刻：
对于任一监测点：将对该监测点产生影响的车道上与该监测点距离最近的点，确定为该监测点的参考点；
将由第i个监测点的参考点指向第i个监测点的方向和风向之间的夹角记为第i个监测点对应的第一夹角；将由第i个监测点的关联监测点的参考点指向第i个监测点的关联监测点的方向和风向之间的夹角记为第i个监测点的关联监测点对应的第二夹角；将第i个监测点对应的第一夹角与第i个监测点的关联监测点对应的第二夹角之间的差异，确定为第i个监测点与其关联监测点的方向差异；
将对第i个监测点产生影响的车道和对第i个监测点的关联监测点产生影响的车道的车流量的差异，确定为第i个监测点与其关联监测点的车流量差异；
根据所述方向差异、所述车流量差异和第j个采集时刻第i个监测点与其关联监测点的PM2.5浓度的差异，得到第i个监测点在第j个采集时刻的第一异常程度。
优选的，采用如下公式计算第i个监测点在第j个采集时刻的第一异常程度：
其中，为第i个监测点在第j个采集时刻的第一异常程度，/>为第j个采集时刻第i个监测点的关联监测点的数量，/>为第j个采集时刻第i个监测点与其第v个关联监测点的方向差异，/>为第j个采集时刻第i个监测点与其第v个关联监测点的车流量差异，为第j个采集时刻第i个监测点的PM2.5浓度，/>为第j个采集时刻第i个监测点的第v个关联监测点的PM2.5浓度，/>为第j个采集时刻第i个监测点与其第v个关联监测点的PM2.5浓度的差异。
优选的，所述基于监测点之间的相对位置分别确定各监测点的特征点和传播相关点，包括：
对于任一监测点：
将以预设第一长度为半径的圆作为底部圆，将底部圆作为圆柱体的底面，获得高度为预设第二长度的圆柱体；其中，该监测点为圆柱体轴线的中点；将所述圆柱体记为该监测点对应的圆柱体；
若所述圆柱体内存在高度小于该监测点的高度的监测点，则将对应监测点记为该监测点的特征点；若所述圆柱体内不存在高度小于该监测点的高度的监测点，则将所述圆柱体内高度大于或等于该监测点的高度的监测点记为该监测点的特征点；
将该监测点的所有特征点中与该监测点距离最近的监测点作为该监测点的传播相关点。
优选的，根据各监测点与对其产生影响的车道之间的最近距离、各采集时刻对各监测点产生影响的车道的车流量以及对各监测点的特征点产生影响的车道的车流量，得到各采集时刻各监测点与其特征点的传播一致性，包括：
对于第j个采集时刻：
对于第i个监测点的第u个特征点：将对第i个监测点产生影响的车道的车流量与第u个特征点产生影响的车道的车流量之和，确定为第u个特征点的第一指标；将对第i个监测点产生影响的车道的车流量与对第u个特征点产生影响的车道的车流量之间的差异，确定为第i个监测点与第u个特征点的车流量差异指标；将对第i个监测点产生影响的车道与第i个监测点的最近距离和对第u个特征点产生影响的车道与第u个特征点的最近距离之间的差值绝对值，确定为第i个监测点与第u个特征点的距离差异指标；
根据所述第一指标、所述车流量差异指标、所述距离差异指标和对第i个监测点的第u个特征点产生影响的车道与第u个特征点之间的最近距离，得到第j个采集时刻第i个监测点与其第u个特征点的传播一致性；所述第一指标与所述传播一致性呈正相关关系，所述车流量差异指标、所述距离差异指标、所述对第i个监测点的第u个特征点产生影响的车道与第u个特征点之间的最近距离均与所述传播一致性呈负相关关系。
优选的，根据各采集时刻各监测点与其传播相关点的PM2.5浓度的差异、各监测点与其传播相关点之间的水平距离、温度、所述第一异常程度和所述传播一致性，确定各监测点在各采集时刻的第二异常程度，包括：
对于第j个采集时刻：
将第i个监测点与其传播相关点之间的水平距离和第i个监测点在第j个采集时刻的第一异常程度的乘积，确定为第i个监测点对应的第二指标；
将第i个监测点的PM2.5浓度与第i个监测点的传播相关点的PM2.5浓度的差异，记为第i个监测点对应的第一差异；
对于第i个监测点的任一特征点：将该特征点的PM2.5浓度与该特征点的传播相关点的PM2.5浓度的差异，记为该特征点对应的第二差异；将第i个监测点对应的第一差异与该特征点对应的第二差异之间的差异，确定为该特征点对应的第三指标；将该特征点与该特征点的传播相关点之间的水平距离和该特征点在第j个采集时刻的第一异常程度的乘积，确定为该特征点对应的第四指标；
根据第i个监测点与其传播相关点的传播一致性、对应的温度、所述第二指标、第i个监测点的所有特征点对应的所述第三指标和第i个监测点的所有特征点对应的所述第四指标，得到第i个监测点在第j个采集时刻的第二异常程度。
优选的，采用如下公式计算第i个监测点在第j个采集时刻的第二异常程度：
其中，为第i个监测点在第j个采集时刻的第二异常程度，/>为第i个监测点在第j个采集时刻的第一异常程度，/>为第j个采集时刻第i个监测点与其传播相关点之间的水平距离，/>为第i个监测点的特征点的数量，/>为第j个采集时刻第i个监测点与其第u个传播相关点的传播一致性，/>为第j个采集时刻的温度，/>为第j个采集时刻第i个监测点的PM2.5浓度与第i个监测点的传播相关点的PM2.5浓度的差异，/>为第j个采集时刻第i个监测点的第u个特征点的PM2.5浓度与第i个监测点的第u个特征点的传播相关点的PM2.5浓度的差异，/>为第j个采集时刻第i个监测点的第u个特征点与第i个监测点的第u个特征点的传播相关点之间的水平距离，/>为第i个监测点的第u个特征点在第j个采集时刻的第一异常程度。
优选的，基于监测点之间的位置关系以及各采集时刻的风向确定各采集时刻各监测点的关联监测点，包括：
对于第j个采集时刻：
分别判断第i个监测点对应的第一夹角与其他各监测点对应的第一夹角之间的差异是否小于预设角度阈值，若小于，则将对应的其他监测点确定为第j个采集时刻第i个监测点的关联监测点。
优选的，所述基于所述第一异常程度和所述第二异常程度筛选异常PM2.5浓度数据，包括：
对于任一监测点：将该监测点在各采集时刻的第一异常程度的归一化值和对应采集时刻的第二异常程度的归一化值的乘积，确定为该监测点在对应采集时刻的综合异常程度；
将综合异常程度大于预设异常程度阈值的采集时刻的PM2.5浓度作为异常PM2.5浓度数据。
优选的，对监测点产生影响的车道的获取方法为：将与监测点之间的最近距离小于预设第一距离的车道，作为对监测点产生影响的车道。
本发明至少具有如下有益效果：
本发明对待监测城市中每个监测点在每个采集时刻的异常程度进行了分析，考虑了监测点与传播源之间的位置关系引起的监测点监测数据之间的差异情况，同时结合风向反映监测点之间PM2.5浓度关系，确定了每个监测点在每个采集时刻的第一异常程度；又考虑到了城市高层建筑影响气流方向以及温度对PM2.5颗粒传播的影响，分析了PM2.5颗粒在监测点之间的传播关系，确定了每个监测点在每个采集时刻的第二异常程度，提高了数据异常情况的评价精度；本发明结合第一异常程度和第二异常程度对获取的PM2.5浓度数据进行了筛选，获取了异常PM2.5浓度数据，提高了PM2.5浓度数据异常检测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的用于智慧海绵城市的数据处理系统所执行的方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的用于智慧海绵城市的数据处理系统进行详细说明如下。
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用于智慧海绵城市的数据处理系统的具体方案。
用于智慧海绵城市的数据处理系统实施例：
本实施例所针对的具体场景为：在智慧海绵城市空气质量治理过程中，对于采集的PM2.5浓度数据首先需要进行数据清洗，采集PM2.5浓度数据的监测点之间的差异关系以及PM2.5传播关系影响下的偏差能够反映监测数据的异常情况，且PM2.5浓度数据在待监测城市中不同方向均具有传播表现，因此本实施例利用监测点与风向之间的关系确定监测点之间的传播关系，并通过PM2.5的传播关系反映监测点之间的偏差对监测数据异常表现，从而对PM2.5浓度数据的异常程度进行评价，筛选出异常PM2.5浓度数据。
本实施例提出了用于智慧海绵城市的数据处理系统，该系统以实现如图1所示的步骤，具体步骤如下：
步骤S1，获取待监测城市不同采集时刻的温度、风向、车道的车流量以及不同监测点的PM2.5浓度。
智慧海绵城市在城市空气治理过程中，城市空气中PM2.5浓度的监测主要包括数据采集和数据分析两个过程，其中数据采集主要利用传感器采集对应浓度，此时首先确定传感器的位置。在实际过程中传感器安装在待监测城市中的不同位置，本实施例设置传感器间隔为50米，且传感器在空间上不同高度均有安装。设置传感器设置采样间隔，本实施例中的采样间隔为10秒，也即每10秒采集一次每个监测点的PM2.5浓度，在具体应用中，实施者可根据具体情况进行设置，同时分别在待监测城市中安装温度传感器与风向传感器，进行温度与风向数据的采集，并采集待监测城市中不同车道的车流量数据，本实施例中温度、风向、待监测城市中不同车道的车流量的采集时刻与PM2.5浓度的采集时刻均相同，因此，每10秒采集一次温度、风向以及每个车道的车流量。
至此，获得了待监测城市不同采集时刻的温度、风向、车道的车流量以及待监测城市不同监测点在不同采集时刻的PM2.5浓度。
步骤S2，基于监测点之间的位置关系以及各采集时刻的风向确定各采集时刻各监测点的关联监测点；根据各采集时刻各监测点与对其产生影响的车道的相对位置和各监测点的关联监测点与对其产生影响的车道的相对位置之间的差异、各采集时刻对各监测点产生影响的车道和对各监测点的关联监测点产生影响的车道的车流量的差异、各采集时刻各监测点与其关联监测点的PM2.5浓度的差异、各采集时刻的风向，确定各监测点在各采集时刻的第一异常程度。
对于城市PM2.5浓度数据的异常表现，具有相同PM2.5表现的监测点之间的监测数据偏差越大，说明其异常程度越大；同时具有相同传播关系的监测点之间的传播偏差越大，监测数据异常程度越大。本实施例将利用监测点之间在传播关系的影响下的偏差反映监测数据的异常。
对于待监测城市空气监测中的PM2.5浓度监测，所采集的数据具有时序关系，一般对于PM2.5浓度产生以及传播需要时间的累积，所以所采集的PM2.5浓度在时间序列上变化较为平稳。在实际监测过程中，监测点PM2.5浓度本身由于传播关系使其发生变化，导致同一位置监测数据变化差异无法准确判断其实际异常情况。待监测城市中的PM2.5浓度与监测位置及传播方向相关，所以不同监测位置的浓度具有基于位置关系与传播关系的联系，并且不同监测位置的浓度与PM2.5的传播源相对位置关系相关，所以可以利用不同监测点监测数据对应关系进行数据异常分析。需要说明的是：本实施例中的监测数据指的是PM2.5浓度数据。由于城市PM2.5的主要来源为汽车尾气，因此监测点越靠近车道，其PM2.5浓度越高。待监测城市的道路周围设置有多个监测点，对于与车道距离较近且与风向之间的夹角一致的监测点，其在同一时刻的PM2.5浓度数据具有一致关系，所以多个监测点同一时刻的浓度数据具有对比关系，其差异能够反映异常程度。
由于不同位置PM2.5浓度受其传播影响，一般传播受风向影响，因此对于每个监测点确定其相对于车道的位置关系与风向之间的相对关系，首先确定监测点PM2.5浓度受车流的影响范围，本实施例将与监测点之间的最近距离小于预设第一距离的车道，作为对监测点产生影响的车道，也即确定了对每个监测点产生影响的车道；本实施例中的预设第一距离为200米，在具体应用中，实施者可根据具体情况进行设置。接下来本实施例将根据风向确定车道对监测点的PM2.5浓度的影响关系，车道到监测点的方向与对应时刻风向之间的夹角值越大，说明车道对监测点的浓度影响越小。又由于PM2.5传播过程中呈现逐渐消散的特征，因此监测点与对其产生影响的车道之间的距离越小，其影响作用越大。
首先筛选受车道相似影响的多个监测点，即受车道影响的监测点中，车道到监测点的方向与对应时刻风向之间的夹角差异越小，其受车道影响越相似。对于第j个采集时刻：对于任一监测点，将对该监测点产生影响的车道上与该监测点距离最近的点，确定为该监测点的参考点，将由该监测点的参考点指向该监测点的方向和风向之间的夹角记为该监测点对应的第一夹角；采用上述方法，能够获得第j个采集时刻每个监测点对应的第一夹角。对于第i个监测点：分别判断第j个采集时刻第i个监测点对应的第一夹角与其他各监测点对应的第一夹角之间的差异是否小于预设角度阈值，若小于，则将对应的其他监测点确定为第j个采集时刻第i个监测点的关联监测点；其中，第i个监测点对应的第一夹角与其他各监测点对应的第一夹角之间的差异的获取方法为：分别计算第i个监测点对应的第一夹角与其他各监测点对应的第一夹角之间的差值绝对值，将该绝对值作为第i个监测点对应的第一夹角与其他各监测点对应的第一夹角之间的差异。本实施例中的预设角度阈值为60度，在具体应用中，实施者可根据具体情况进行设置。采用上述方法，能够获得每个采集时刻每个监测点的关联监测点，监测点与其对应的关联监测点受车道影响程度相似度较高。需要说明的是：一个监测点在一个采集时刻可能对应多个关联监测点。PM2.5浓度具有一致关系，因此本实施例利用受车道影响程度相似度较高的不同监测点的PM2.5浓度差异关系，确定单个监测点PM2.5浓度数据的异常程度，也即确定单个监测点在各采集时刻的第一异常程度。
具体的，对于第j个采集时刻：
将由第i个监测点的参考点指向第i个监测点的方向和风向之间的夹角记为第i个监测点对应的第一夹角；将由第i个监测点的关联监测点的参考点指向第i个监测点的关联监测点的方向和风向之间的夹角记为第i个监测点的关联监测点对应的第二夹角；将第i个监测点对应的第一夹角与第i个监测点的关联监测点对应的第二夹角之间的差异，确定为第i个监测点与其关联监测点的方向差异；将对第i个监测点产生影响的车道和对第i个监测点的关联监测点产生影响的车道的车流量的差异，确定为第i个监测点与其关联监测点的车流量差异；根据所述方向差异、所述车流量差异和第j个采集时刻第i个监测点与其关联监测点的PM2.5浓度的差异，得到第i个监测点在第j个采集时刻的第一异常程度。第i个监测点在第j个采集时刻的第一异常程度的具体计算公式为：
其中，为第i个监测点在第j个采集时刻的第一异常程度，/>为第j个采集时刻第i个监测点的关联监测点的数量，/>为第j个采集时刻第i个监测点与其第v个关联监测点的方向差异，/>为第j个采集时刻第i个监测点与其第v个关联监测点的车流量差异，为第j个采集时刻第i个监测点的PM2.5浓度，/>为第j个采集时刻第i个监测点的第v个关联监测点的PM2.5浓度，/>为第j个采集时刻第i个监测点与其第v个关联监测点的PM2.5浓度的差异。
第j个采集时刻第i个监测点与其第v个关联监测点的方向差异的获取方法为：计算第j个采集时刻第i个监测点对应的第一夹角与第i个监测点的第v个关联监测点对应的第二夹角之间的差值绝对值，将该差值绝对值作为第j个采集时刻第i个监测点与其第v个关联监测点的方向差异。第j个采集时刻第i个监测点与其第v个关联监测点的车流量差异的获取方法为：计算第j个采集时刻对第i个监测点产生影响的车道的车流量与对第i个监测点的第v个关联监测点产生影响的车道的车流量之间的差值绝对值，将该差值绝对值作为第j个采集时刻第i个监测点与其第v个关联监测点的车流量差异。的值越小，说明车道对第i个监测点和第i个监测点的第v个关联监测点的影响差异越小，因此第i个监测点与其第v个关联监测点的PM2.5浓度一致性越高；/>的值越小，第i个监测点与其第v个关联监测点的PM2.5浓度一致性越高；/>和/>的分母上加常数1是为了防止分母为0；反映第i个监测点与其第v个关联监测点在第j个采集时刻PM2.5浓度的一致性，其值越大，/>对/>相对于/>的偏差表现程度越高。
采用上述方法，根据监测点监测数据之间的差异关系，确定监测数据的异常程度，也即获得了每个监测点在每个采集时刻的第一异常程度。本实施例考虑了监测点与传播源之间的位置关系引起的监测点监测数据之间的差异情况，同时结合风向反映监测点之间PM2.5浓度关系，从而提高了监测点数据差异关系的可信度，即提高了所反映监测数据异常程度的准确性。
步骤S3，基于监测点之间的相对位置分别确定各监测点的特征点和传播相关点，根据各监测点与对其产生影响的车道之间的最近距离、各采集时刻对各监测点产生影响的车道的车流量以及对各监测点的特征点产生影响的车道的车流量，得到各采集时刻各监测点与其特征点的传播一致性；根据各采集时刻各监测点与其传播相关点的PM2.5浓度的差异、各监测点与其传播相关点之间的水平距离、温度、所述第一异常程度和所述传播一致性，确定各监测点在各采集时刻的第二异常程度。
本实施例步骤S2利用车道影响下具有监测浓度一致性的多个监测点浓度之间的偏差，获得了每个监测点在每个采集时刻的第一异常程度。但是对于城市PM2.5的传播，由于高层建筑对气流的阻挡作用，使得传播方向主要表现为竖直方向，也即风向对PM2.5的传播的影响受限。此外，城市PM2.5等悬浮颗粒的传播受温度影响，温度越高，PM2.5竖直向上传播的可能性越大，因此对于空间高度差异的监测点之间具有PM2.5浓度的差异关系。PM2.5在竖直方向传播过程中，在温度影响下具有相同传播关系的监测点的差异关系具有一致性，因此可以利用监测点之间的差异关系对监测数据进行异常分析。
PM2.5颗粒不仅在竖直方向具有传播关系，而且在水平方向上也具有一定的传播关系，因此本实施例接下来将确定与每个监测点具有传播关系的监测点，将与对应监测点有传播关系的监测点记为监测点的特征点，进而筛选每个监测点的传播相关点，监测点与其传播相关点PM2.5颗粒的传播关系的相似度最高。具体的，对于任一监测点：将以预设第一长度为半径的圆作为底部圆，将底部圆作为圆柱体的底面，获得高度为预设第二长度的圆柱体；其中，该监测点为圆柱体轴线的中点；将所述圆柱体记为该监测点对应的圆柱体；本实施例中的预设第一长度为50米，预设第二长度为200米，也即将监测点为圆柱体轴线的中点、底面半径为50米，高度为200米的圆柱体作为了监测点对应的圆柱体，在具体应用中，实施者可根据具体情况进行设置。在环境温度影响下，PM2.5颗粒在竖直方向表现为向上传播，利用从下到上的传播更能反映监测点之间的传播关系，从而有利于利用传播关系所表现的差异进行数据异常分析。因此若所述圆柱体内存在高度小于该监测点的高度的监测点，则将对应监测点记为该监测点的特征点，也即将圆柱体内高度小于该监测点的高度的监测点作为了该监测点的特征点；若所述圆柱体内不存在高度小于该监测点的高度的监测点，则将所述圆柱体内高度大于或等于该监测点的高度的监测点记为该监测点的特征点，也即将圆柱体内高度大于或等于该监测点的高度的监测点作为了该监测点的特征点；将该监测点的所有特征点中与该监测点距离最近的监测点作为该监测点的传播相关点，该监测点与其传播相关点具有相似的传播关系。采用上述方法，能够获得每个监测点的传播相关点。然后本实施例将根据各监测点与对其产生影响的车道之间的最近距离、各采集时刻对各监测点产生影响的车道的车流量以及对各监测点的特征点产生影响的车道的车流量，得到各采集时刻各监测点与其特征点的传播一致性。
具体的，对于第j个采集时刻：
对于第i个监测点的第u个特征点：将对第i个监测点产生影响的车道的车流量与第u个特征点产生影响的车道的车流量之和，确定为第u个特征点的第一指标；将对第i个监测点产生影响的车道的车流量与对第u个特征点产生影响的车道的车流量之间的差异，确定为第i个监测点与第u个特征点的车流量差异指标；将对第i个监测点产生影响的车道与第i个监测点的最近距离和对第u个特征点产生影响的车道与第u个特征点的最近距离之间的差值绝对值，确定为第i个监测点与第u个特征点的距离差异指标；根据所述第一指标、所述车流量差异指标、所述距离差异指标和对第i个监测点的第u个特征点产生影响的车道与第u个特征点之间的最近距离，得到第j个采集时刻第i个监测点与其第u个特征点的传播一致性；所述第一指标与所述传播一致性呈正相关关系，所述车流量差异指标、所述距离差异指标、所述对第i个监测点的第u个特征点产生影响的车道与第u个特征点之间的最近距离均与所述传播一致性呈负相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实施方式，给出传播一致性的具体计算公式，第j个采集时刻第i个监测点与其特征点的传播一致性的具体计算公式为：
其中，为第j个采集时刻第i个监测点与其第u个特征点的传播一致性，/>为第j个采集时刻对第i个监测点的第u个特征点产生影响的车道的车流量，/>为第j个采集时刻对第i个监测点产生影响的车道的车流量，/>为第j个采集时刻对第i个监测点的第u个特征点产生影响的车道的车流量与对第i个监测点的各特征点产生影响的车道的车流量之间的差异，/>为对第i个监测点产生影响的车道与第i个监测点的最近距离，/>为对第i个监测点的第u个特征点产生影响的车道与第u个特征点的最近距离，| |为取绝对值符号。
的值越大，第j个采集时刻第u个特征点周围PM2.5浓度表现越大，PM2.5颗粒的传播越稳定；/>的值越大，第j个采集时刻对第i个监测点产生影响的车道的车流量越大，PM2.5颗粒的传播越稳定；/>表示第u个特征点的第一指标，/>越大，第i个监测点与其第u个特征点PM2.5颗粒传播越稳定。/>越大，第u个特征点PM2.5颗粒在竖直方向传播越稳定；/>表示第i个监测点与第u个特征点的距离差异指标，其值越小，第i个监测点与第u个特征点PM2.5颗粒在相对于车道的位置关系对其传播的影响关系越一致。表示第i个监测点与其第u个特征点的车流量差异指标，用于反映/>与/>的差异情况，其值越小，第i个监测点与其第u个特征点PM2.5颗粒的传播稳定性越一致，即其传播的影响关系的一致性越高，这两个监测点相对于车道的位置关系对其传播的影响关系的传播一致性/>越大。
采用上述方法，能够获得第j个采集时刻第i个监测点与其每个特征点的传播一致性，接下来本实施例将结合传播一致性，基于第j个采集时刻第i个监测点与其传播相关点之间的PM2.5浓度数据之间的差异关系，进行监测点监测数据的异常分析，也即确定第i个监测点在第j个采集时刻的第二异常程度。
具体的，对于第j个采集时刻：将第i个监测点与其传播相关点之间的水平距离和第i个监测点在第j个采集时刻的第一异常程度的乘积，确定为第i个监测点对应的第二指标；将第i个监测点的PM2.5浓度与第i个监测点的传播相关点的PM2.5浓度的差异，记为第i个监测点对应的第一差异；对于第i个监测点的任一特征点：将该特征点的PM2.5浓度与该特征点的传播相关点的PM2.5浓度的差异，记为该特征点对应的第二差异；将第i个监测点对应的第一差异与该特征点对应的第二差异之间的差异，确定为该特征点对应的第三指标；将该特征点与该特征点的传播相关点之间的水平距离和该特征点在第j个采集时刻的第一异常程度的乘积，确定为该特征点对应的第四指标；根据第i个监测点与其传播相关点的传播一致性、对应的温度、所述第二指标、第i个监测点的所有特征点对应的所述第三指标和第i个监测点的所有特征点对应的所述第四指标，得到第i个监测点在第j个采集时刻的第二异常程度。第i个监测点在第j个采集时刻的第二异常程度的具体计算公式为：
其中，为第i个监测点在第j个采集时刻的第二异常程度，/>为第i个监测点在第j个采集时刻的第一异常程度，/>为第j个采集时刻第i个监测点与其传播相关点之间的水平距离，/>为第i个监测点的特征点的数量，/>为第j个采集时刻第i个监测点与其第u个传播相关点的传播一致性，/>为第j个采集时刻的温度，/>为第j个采集时刻第i个监测点的PM2.5浓度与第i个监测点的传播相关点的PM2.5浓度的差异，/>为第j个采集时刻第i个监测点的第u个特征点的PM2.5浓度与第i个监测点的第u个特征点的传播相关点的PM2.5浓度的差异，/>为第j个采集时刻第i个监测点的第u个特征点与第i个监测点的第u个特征点的传播相关点之间的水平距离，/>为第i个监测点的第u个特征点在第j个采集时刻的第一异常程度。/>
表示第i个监测点对应的第一差异，/>表示第i个监测点的第u个特征点对应的第二差异；/>表示第i个监测点的第u个特征点对应的第三指标，该指标反映第i个监测点在温度影响下竖直方向传播浓度变化相对于第u个特征点的偏差，其值越大，第i个监测点在第j个采集时刻的监测数据的异常程度越大；第j个采集时刻的环境温度越高，PM2.5颗粒在竖直方向的传播越稳定，监测点竖直方向的变化关系越准确，即/>反映的数据偏差越可信。/>表示第i个监测点的第u个特征点对应的第四指标，/>用于反映第u个特征点第j个采集时刻的监测数据在风向影响下的异常程度，其值越大，监测点PM2.5颗粒在水平方向传播表现越大，在竖直方向传播关系越小，并且/>越大，第u个特征点与其传播相关点之间的传播关系越小，所以第i个监测点的第u个特征点对应的第四指标反映第u个特征点水平方向传播关系，其值越大，第u个特征点竖直方向传播关系越小，越不可信。/>表示第i个监测点相对于其他具有传播相关点的方位一致的监测点之间传播关系的偏差，其值越大，第i个监测点在第j个采集时刻的数据异常程度越大，/>反映两个监测点相对于车道的位置关系对其传播的影响关系的一致性，其值越大，对应传播关系一致性越高，即传播偏差所反映的数据异常越准确。第i个监测点在第j个采集时刻的第一异常程度越大，第i个监测点PM2.5浓度在水平方向传播表现越大，在竖直方向传播关系越小，/>表示第i个监测点对应的第二指标，反映第i个监测点的PM2.5颗粒在水平方向的传播关系，其值越大，第i个监测点的PM2.5颗粒在竖直方向的传播关系越小，所以其竖直方向传播关系偏差对其数据异常表现程度越小。
利用上述步骤，根据监测点之间的传播关系分析监测数据的异常程度，也即获得每个监测点在每个采集时刻的第二异常程度，考虑到了城市高层建筑影响气流方向、温度对PM2.5颗粒传播的影响，分析了PM2.5颗粒在监测点之间竖直方向的传播关系，提高监测点之间PM2.5颗粒传播关系分析的准确性，减少PM2.5颗粒在竖直方向传播导致监测点之间的差异对异常分析的影响，从而获得更加准确的监测点监测数据的异常程度。
步骤S4，基于所述第一异常程度和所述第二异常程度筛选异常PM2.5浓度数据。
本实施例对于不同监测点分别判断其不同方向的传播关系，利用相似传播关系的监测点监测数据之间的关系反映监测数据异常程度，不同传播方向分析更加符合城市PM2.5颗粒传播方式，从而提高监测点之间数据关系的准确性，即提高数据关系偏差所表现异常的准确性。根据监测点监测数据之间的差异关系，确定监测数据异常程度，考虑了监测点与传播源之间的位置关系引起的监测点监测数据之间的差异情况，同时结合风向反映监测点之间PM2.5浓度关系，从而提高监测点数据差异关系的可信度，即提高所反映监测数据异常程度的准确性。根据监测点之间的传播关系分析监测数据的异常程度，其中涉及PM2.5在竖直方向的传播，考虑到城市高层建筑影响气流方向，以及温度对PM2.5颗粒传播的影响，获得监测点之间在竖直方向的传播关系，提高监测点之间PM2.5传播关系分析的准确性，减少PM2.5在竖直方向传播导致监测点之间的差异对异常分析的影响，从而获得更加准确的监测点数据异常程度，也即获得了每个监测点在每个采集时刻的第一异常程度和第二异常程度，第一异常程度和第二异常程度的可信度更高，第一异常程度越大，说明对应采集时刻采集到的PM2.5浓度数据越异常；第二异常程度越大，说明对应采集时刻采集到的PM2.5浓度数据越异常。基于此，本实施例接下来将基于第一异常程度和第二异常程度对每个监测数据的综合异常程度进行评估，也即确定每个监测点在每个采集时刻的综合异常程度。
对于任一监测点：分别对待该监测点在每个采集时刻的第一异常程度和第二异常程度均进行归一化处理，获得该监测点在各采集时刻的第一异常程度的归一化值和第二异常程度的归一化值；本实施例在对第一异常程度和第二异常程度进行归一化处理时，均采用最大最小值归一化法进行处理，最大最小值归一化法为现有技术，此处不再过多赘述；将该监测点在各采集时刻的第一异常程度的归一化值和对应采集时刻的第二异常程度的归一化值的乘积，确定为该监测点在对应采集时刻的综合异常程度。采用上述方法，获得每个监测点在每个采集时刻的综合异常程度，一个监测点在一个采集时刻对应一个综合异常程度，综合异常程度越大，说明对应的监测数据越可能为异常数据，因此本实施例将综合异常程度大于预设异常程度阈值的采集时刻的PM2.5浓度作为异常PM2.5浓度数据，将综合异常程度小于或等于预设异常程度阈值的采集时刻的PM2.5浓度作为正常PM2.5浓度数据，也即从所有的监测数据中筛选出了异常监测数据，将异常PM2.5浓度数据进行剔除，完成对监测数据的清洗。本实施例中的预设异常程度阈值为0.8，在具体应用中，实施者可根据具体情况进行设置。
将剔除异常PM2.5浓度数据后的监测数据传输到海绵城市空气治理系统对应的数据分析中心，进行后续空气质量分析处理。
本实施例对待监测城市中每个监测点在每个采集时刻的异常程度进行了分析，考虑了监测点与传播源之间的位置关系引起的监测点监测数据之间的差异情况，同时结合风向反映监测点之间PM2.5浓度关系，确定了每个监测点在每个采集时刻的第一异常程度；又考虑到了城市高层建筑影响气流方向以及温度对PM2.5颗粒传播的影响，分析了PM2.5颗粒在监测点之间的传播关系，确定了每个监测点在每个采集时刻的第二异常程度，提高了数据异常情况的评价精度；结合第一异常程度和第二异常程度对获取的PM2.5浓度数据进行了筛选，获取了异常PM2.5浓度数据，提高了PM2.5浓度数据异常检测结果的准确性。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于智慧海绵城市的数据处理系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取待监测城市不同采集时刻的温度、风向、车道的车流量以及不同监测点的PM2.5浓度；
基于监测点之间的位置关系以及各采集时刻的风向确定各采集时刻各监测点的关联监测点；根据各采集时刻各监测点与对其产生影响的车道的相对位置和各监测点的关联监测点与对其产生影响的车道的相对位置之间的差异、各采集时刻对各监测点产生影响的车道和对各监测点的关联监测点产生影响的车道的车流量的差异、各采集时刻各监测点与其关联监测点的PM2.5浓度的差异、各采集时刻的风向，确定各监测点在各采集时刻的第一异常程度；
基于监测点之间的相对位置分别确定各监测点的特征点和传播相关点，根据各监测点与对其产生影响的车道之间的最近距离、各采集时刻对各监测点产生影响的车道的车流量以及对各监测点的特征点产生影响的车道的车流量，得到各采集时刻各监测点与其特征点的传播一致性；根据各采集时刻各监测点与其传播相关点的PM2.5浓度的差异、各监测点与其传播相关点之间的水平距离、温度、所述第一异常程度和所述传播一致性，确定各监测点在各采集时刻的第二异常程度；
基于所述第一异常程度和所述第二异常程度筛选异常PM2.5浓度数据。
2.根据权利要求1所述的用于智慧海绵城市的数据处理系统，其特征在于，所述根据各采集时刻各监测点与对其产生影响的车道的相对位置和各监测点的关联监测点与对其产生影响的车道的相对位置之间的差异、各采集时刻对各监测点产生影响的车道和对各监测点的关联监测点产生影响的车道的车流量的差异、各采集时刻各监测点与其关联监测点的PM2.5浓度的差异、各采集时刻的风向，确定各监测点在各采集时刻的第一异常程度，包括：
对于第j个采集时刻：
对于任一监测点：将对该监测点产生影响的车道上与该监测点距离最近的点，确定为该监测点的参考点；
将由第i个监测点的参考点指向第i个监测点的方向和风向之间的夹角记为第i个监测点对应的第一夹角；将由第i个监测点的关联监测点的参考点指向第i个监测点的关联监测点的方向和风向之间的夹角记为第i个监测点的关联监测点对应的第二夹角；将第i个监测点对应的第一夹角与第i个监测点的关联监测点对应的第二夹角之间的差异，确定为第i个监测点与其关联监测点的方向差异；
将对第i个监测点产生影响的车道和对第i个监测点的关联监测点产生影响的车道的车流量的差异，确定为第i个监测点与其关联监测点的车流量差异；
根据所述方向差异、所述车流量差异和第j个采集时刻第i个监测点与其关联监测点的PM2.5浓度的差异，得到第i个监测点在第j个采集时刻的第一异常程度。
3.根据权利要求2所述的用于智慧海绵城市的数据处理系统，其特征在于，采用如下公式计算第i个监测点在第j个采集时刻的第一异常程度：
其中，为第i个监测点在第j个采集时刻的第一异常程度，/>为第j个采集时刻第i个监测点的关联监测点的数量，/>为第j个采集时刻第i个监测点与其第v个关联监测点的方向差异，/>为第j个采集时刻第i个监测点与其第v个关联监测点的车流量差异，/>为第j个采集时刻第i个监测点的PM2.5浓度，/>为第j个采集时刻第i个监测点的第v个关联监测点的PM2.5浓度，/>为第j个采集时刻第i个监测点与其第v个关联监测点的PM2.5浓度的差异。
4.根据权利要求1所述的用于智慧海绵城市的数据处理系统，其特征在于，所述基于监测点之间的相对位置分别确定各监测点的特征点和传播相关点，包括：
对于任一监测点：
将以预设第一长度为半径的圆作为底部圆，将底部圆作为圆柱体的底面，获得高度为预设第二长度的圆柱体；其中，该监测点为圆柱体轴线的中点；将所述圆柱体记为该监测点对应的圆柱体；
若所述圆柱体内存在高度小于该监测点的高度的监测点，则将对应监测点记为该监测点的特征点；若所述圆柱体内不存在高度小于该监测点的高度的监测点，则将所述圆柱体内高度大于或等于该监测点的高度的监测点记为该监测点的特征点；
将该监测点的所有特征点中与该监测点距离最近的监测点作为该监测点的传播相关点。
5.根据权利要求4所述的用于智慧海绵城市的数据处理系统，其特征在于，根据各监测点与对其产生影响的车道之间的最近距离、各采集时刻对各监测点产生影响的车道的车流量以及对各监测点的特征点产生影响的车道的车流量，得到各采集时刻各监测点与其特征点的传播一致性，包括：
对于第j个采集时刻：
对于第i个监测点的第u个特征点：将对第i个监测点产生影响的车道的车流量与第u个特征点产生影响的车道的车流量之和，确定为第u个特征点的第一指标；将对第i个监测点产生影响的车道的车流量与对第u个特征点产生影响的车道的车流量之间的差异，确定为第i个监测点与第u个特征点的车流量差异指标；将对第i个监测点产生影响的车道与第i个监测点的最近距离和对第u个特征点产生影响的车道与第u个特征点的最近距离之间的差值绝对值，确定为第i个监测点与第u个特征点的距离差异指标；
根据所述第一指标、所述车流量差异指标、所述距离差异指标和对第i个监测点的第u个特征点产生影响的车道与第u个特征点之间的最近距离，得到第j个采集时刻第i个监测点与其第u个特征点的传播一致性；所述第一指标与所述传播一致性呈正相关关系，所述车流量差异指标、所述距离差异指标、所述对第i个监测点的第u个特征点产生影响的车道与第u个特征点之间的最近距离均与所述传播一致性呈负相关关系。
6.根据权利要求4所述的用于智慧海绵城市的数据处理系统，其特征在于，根据各采集时刻各监测点与其传播相关点的PM2.5浓度的差异、各监测点与其传播相关点之间的水平距离、温度、所述第一异常程度和所述传播一致性，确定各监测点在各采集时刻的第二异常程度，包括：
对于第j个采集时刻：
将第i个监测点与其传播相关点之间的水平距离和第i个监测点在第j个采集时刻的第一异常程度的乘积，确定为第i个监测点对应的第二指标；
将第i个监测点的PM2.5浓度与第i个监测点的传播相关点的PM2.5浓度的差异，记为第i个监测点对应的第一差异；
对于第i个监测点的任一特征点：将该特征点的PM2.5浓度与该特征点的传播相关点的PM2.5浓度的差异，记为该特征点对应的第二差异；将第i个监测点对应的第一差异与该特征点对应的第二差异之间的差异，确定为该特征点对应的第三指标；将该特征点与该特征点的传播相关点之间的水平距离和该特征点在第j个采集时刻的第一异常程度的乘积，确定为该特征点对应的第四指标；
根据第i个监测点与其传播相关点的传播一致性、对应的温度、所述第二指标、第i个监测点的所有特征点对应的所述第三指标和第i个监测点的所有特征点对应的所述第四指标，得到第i个监测点在第j个采集时刻的第二异常程度。
7.根据权利要求6所述的用于智慧海绵城市的数据处理系统，其特征在于，采用如下公式计算第i个监测点在第j个采集时刻的第二异常程度：
其中，为第i个监测点在第j个采集时刻的第二异常程度，/>为第i个监测点在第j个采集时刻的第一异常程度，/>为第j个采集时刻第i个监测点与其传播相关点之间的水平距离，/>为第i个监测点的特征点的数量，/>为第j个采集时刻第i个监测点与其第u个传播相关点的传播一致性，/>为第j个采集时刻的温度，/>为第j个采集时刻第i个监测点的PM2.5浓度与第i个监测点的传播相关点的PM2.5浓度的差异，/>为第j个采集时刻第i个监测点的第u个特征点的PM2.5浓度与第i个监测点的第u个特征点的传播相关点的PM2.5浓度的差异，/>为第j个采集时刻第i个监测点的第u个特征点与第i个监测点的第u个特征点的传播相关点之间的水平距离，/>为第i个监测点的第u个特征点在第j个采集时刻的第一异常程度。
8.根据权利要求2所述的用于智慧海绵城市的数据处理系统，其特征在于，基于监测点之间的位置关系以及各采集时刻的风向确定各采集时刻各监测点的关联监测点，包括：
对于第j个采集时刻：
分别判断第i个监测点对应的第一夹角与其他各监测点对应的第一夹角之间的差异是否小于预设角度阈值，若小于，则将对应的其他监测点确定为第j个采集时刻第i个监测点的关联监测点。
9.根据权利要求1所述的用于智慧海绵城市的数据处理系统，其特征在于，所述基于所述第一异常程度和所述第二异常程度筛选异常PM2.5浓度数据，包括：
对于任一监测点：将该监测点在各采集时刻的第一异常程度的归一化值和对应采集时刻的第二异常程度的归一化值的乘积，确定为该监测点在对应采集时刻的综合异常程度；
将综合异常程度大于预设异常程度阈值的采集时刻的PM2.5浓度作为异常PM2.5浓度数据。
10.根据权利要求1所述的用于智慧海绵城市的数据处理系统，其特征在于，对监测点产生影响的车道的获取方法为：将与监测点之间的最近距离小于预设第一距离的车道，作为对监测点产生影响的车道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310806111.0A CN116522270B (zh) | 2023-07-04 | 2023-07-04 | 用于智慧海绵城市的数据处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310806111.0A CN116522270B (zh) | 2023-07-04 | 2023-07-04 | 用于智慧海绵城市的数据处理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116522270A true CN116522270A (zh) | 2023-08-01 |
| CN116522270B CN116522270B (zh) | 2023-09-15 |
Family
ID=87406720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310806111.0A Active CN116522270B (zh) | 2023-07-04 | 2023-07-04 | 用于智慧海绵城市的数据处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116522270B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116680446A (zh) * | 2023-08-03 | 2023-09-01 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
| CN116878590A (zh) * | 2023-09-06 | 2023-10-13 | 山东远联信息科技有限公司 | 一种数智化服务协同运营管理系统 |
| CN117407828A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市雨博士雨水利用设备有限公司 | 一种应用于海绵城市雨水收集系统数据分析方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050251339A1 (en) * | 2004-05-05 | 2005-11-10 | St- Infonox | Methods and systems for monitoring environments |
| WO2010037261A1 (zh) * | 2008-09-26 | 2010-04-08 | 中联绿盟信息技术(北京)有限公司 | 网络异常流量分析设备和方法 |
| US20160370339A1 (en) * | 2015-06-16 | 2016-12-22 | International Business Machines Corporation | Air-Pollution Anomaly Location Mechanism |
| CN108414692A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种污染源的监测点设置方法及其相关设备 |
| US20180313649A1 (en) * | 2017-04-28 | 2018-11-01 | International Business Machines Corporation | 3-d air pollution transmission path identification |
| CN110555551A (zh) * | 2019-08-23 | 2019-12-10 | 中南大学 | 一种智慧城市的空气质量大数据管理方法及系统 |
| WO2020010701A1 (zh) * | 2018-07-11 | 2020-01-16 | 平安科技（深圳）有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
| CN111125636A (zh) * | 2019-12-04 | 2020-05-08 | 暨南大学 | 基于城市隧道的机动车排放因子计算方法 |
| CN113888850A (zh) * | 2021-12-03 | 2022-01-04 | 南京坤拓土木工程科技有限公司 | 沙尘气象市政道路拥堵态势多因素预警方法 |
| CN114936957A (zh) * | 2022-05-23 | 2022-08-23 | 福州大学 | 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型 |
-
2023
- 2023-07-04 CN CN202310806111.0A patent/CN116522270B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050251339A1 (en) * | 2004-05-05 | 2005-11-10 | St- Infonox | Methods and systems for monitoring environments |
| WO2010037261A1 (zh) * | 2008-09-26 | 2010-04-08 | 中联绿盟信息技术(北京)有限公司 | 网络异常流量分析设备和方法 |
| US20160370339A1 (en) * | 2015-06-16 | 2016-12-22 | International Business Machines Corporation | Air-Pollution Anomaly Location Mechanism |
| CN106257474A (zh) * | 2015-06-16 | 2016-12-28 | 国际商业机器公司 | 空气污染异常定位机制 |
| US20180313649A1 (en) * | 2017-04-28 | 2018-11-01 | International Business Machines Corporation | 3-d air pollution transmission path identification |
| CN108414692A (zh) * | 2018-03-06 | 2018-08-17 | 深圳市卡普瑞环境科技有限公司 | 一种污染源的监测点设置方法及其相关设备 |
| WO2020010701A1 (zh) * | 2018-07-11 | 2020-01-16 | 平安科技（深圳）有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
| CN110555551A (zh) * | 2019-08-23 | 2019-12-10 | 中南大学 | 一种智慧城市的空气质量大数据管理方法及系统 |
| CN111125636A (zh) * | 2019-12-04 | 2020-05-08 | 暨南大学 | 基于城市隧道的机动车排放因子计算方法 |
| CN113888850A (zh) * | 2021-12-03 | 2022-01-04 | 南京坤拓土木工程科技有限公司 | 沙尘气象市政道路拥堵态势多因素预警方法 |
| CN114936957A (zh) * | 2022-05-23 | 2022-08-23 | 福州大学 | 基于移动监测数据的城市pm25浓度分布模拟及场景解析模型 |
Non-Patent Citations (4)
| Title |
|---|
| GUNILLA PIHL KARLSSON 等: "A method to assess the inter-annual weather-dependent variability in air pollution concentration and deposition based on weather typing", ATMOSPHERIC ENVIRONMENT * |
| MAJDI MANSOURI等: "Enhanced fault detection of an air quality monitoring network", 2017 IEEE WORKSHOP ON ENVIRONMENTAL, ENERGY, AND STRUCTURAL MONITORING SYSTEMS * |
| 于小俸;周隽婕;肖利红;: "城区交通干线空气污染负荷核算的研究", 环境科学与技术, no. 02 * |
| 苑红丹;: "天津市主要交通道口二氧化硫和氮氧化物的监测与分析研究", 环境科学与管理, no. 03 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116680446A (zh) * | 2023-08-03 | 2023-09-01 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
| CN116680446B (zh) * | 2023-08-03 | 2023-09-29 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
| CN116878590A (zh) * | 2023-09-06 | 2023-10-13 | 山东远联信息科技有限公司 | 一种数智化服务协同运营管理系统 |
| CN116878590B (zh) * | 2023-09-06 | 2023-11-21 | 山东远联信息科技有限公司 | 一种数智化服务协同运营管理系统 |
| CN117407828A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市雨博士雨水利用设备有限公司 | 一种应用于海绵城市雨水收集系统数据分析方法 |
| CN117407828B (zh) * | 2023-12-15 | 2024-03-19 | 深圳市雨博士雨水利用设备有限公司 | 一种应用于海绵城市雨水收集系统数据分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116522270B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116522270B (zh) | 用于智慧海绵城市的数据处理系统 | |
| CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
| CN107507417A (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
| CN116644373A (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
| WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
| CN116227752A (zh) | 一种基于物联网的园区设施管理系统 | |
| CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
| Moghaddam et al. | Evaluating the performance of algorithms for the detection of travel time outliers | |
| CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
| US6680671B2 (en) | Fire detection device | |
| Moghaddam et al. | Real-time prediction of arterial roadway travel times using data collected by bluetooth detectors | |
| CN117093832B (zh) | 一种用于空气质量数据缺失的数据插补方法及系统 | |
| CN111444926A (zh) | 基于雷达的区域人数统计方法、装置、设备和存储介质 | |
| CN116257651B (zh) | 一种贯通道渡板异响智能监测系统 | |
| CN111914933A (zh) | 降雪检测方法、装置、计算机设备和可读存储介质 | |
| CN105222885A (zh) | 一种光纤振动检测方法及装置 | |
| CN112085951A (zh) | 交通状态判别方法、系统、存储介质、计算机设备及应用 | |
| Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
| WO2023155749A1 (zh) | 车辆感知性能评价方法及系统 | |
| CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
| WO2023115977A1 (zh) | 一种事件检测方法、装置、系统、电子设备及存储介质 | |
| CN113255820B (zh) | 落石检测模型训练方法、落石检测方法及相关装置 | |
| CN113534296B (zh) | 基于神经网络沙尘天气预报强度误差的测算方法及装置 | |
| CN115469079A (zh) | 一种水土流失动态监测方法及系统 | |
| Li et al. | Transfer learning strategy for data-driven correction of wind measurement around buildings using cup anemometers |
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 |