CN116610921B - 一种基于大数据的智慧园区信息管理系统及方法 - Google Patents

一种基于大数据的智慧园区信息管理系统及方法 Download PDF

Info

Publication number
CN116610921B
CN116610921B CN202310699947.5A CN202310699947A CN116610921B CN 116610921 B CN116610921 B CN 116610921B CN 202310699947 A CN202310699947 A CN 202310699947A CN 116610921 B CN116610921 B CN 116610921B
Authority
CN
China
Prior art keywords
data
matrix
time domain
data source
airspace
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.)
Active
Application number
CN202310699947.5A
Other languages
English (en)
Other versions
CN116610921A (zh
Inventor
阚亮亮
郭冠兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Top Chuan Cheng Technology Co ltd
Original Assignee
Shenzhen Top Chuan Cheng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Top Chuan Cheng Technology Co ltd filed Critical Shenzhen Top Chuan Cheng Technology Co ltd
Priority to CN202310699947.5A priority Critical patent/CN116610921B/zh
Publication of CN116610921A publication Critical patent/CN116610921A/zh
Application granted granted Critical
Publication of CN116610921B publication Critical patent/CN116610921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于大数据的智慧园区信息管理系统及方法，通过设置用于实时采集所述智慧园区的状态数据的传感器、用于对所述智慧园区的空域数据特征以及时域数据特征进行分析的大数据服务器、用于输出所述空域数据特征以及所述时域数据特征的分析结果的信息管理服务器以及用于关联存储所述空域数据特征、所述时域数据特征与相应的提取时间的数据库服务器，所述大数据服务器基于所述状态数据构建所述智慧园区的空域数据矩阵和时域数据序列后，对其进行提取数据特征以进行分析，通过所述信息管理服务器进行输出展示，能够充分有效地利用智慧园区每个局部环节的状态数据对智慧园区进行精细化管理。

Description

一种基于大数据的智慧园区信息管理系统及方法
技术领域
本发明涉及大数据技术领域，特别涉及一种基于大数据的智慧园区信息管理系统及方法。
背景技术
随着信息技术特别是传感器技术和物联网技术的快速发展，人们将智慧城市的理念引入到了园区建设当中，智慧园区的概念和技术随之逐渐兴起。智慧园区是指利用信息技术手段，通过物联网、人工智能等方式建设的高度智能化的园区，使得智慧园区拥有更加高效、集成、便捷、智能的功能。智慧园区与普通园区的区别在于，智慧园区拥有多种智能化设备和技术，如传感器、云计算、大数据、智能化控制等，能够帮助企业实现自动化管理、智能化运营和创新服务。智慧园区的智能化设施可以实现对企业的生产、环保、安全等方面进行监测、预测和管理，从而提升企业的生产效率和管理水平，优化企业的成本和利润。智慧园区中具有大量的传感器和物联网设备，日常运作过程中会产生海量的数据，这些海量的数据反映了智慧园区每个局部环节的状态，由于目前的智慧园区管理系统难以充分有效地对所有数据进行利用，大多数数据都会被智慧园区的信息管理系统认为没有价值而很快被丢弃，使得智慧园区的精细化管理不足。
发明内容
本发明正是基于上述问题，提出了一种基于大数据的智慧园区信息管理系统及方法，能够充分有效地利用智慧园区每个局部环节的状态数据对智慧园区进行精细化管理。
有鉴于此，本发明的第一方面提出了一种基于大数据的智慧园区信息管理系统，包括用于实时采集所述智慧园区的状态数据的传感器、用于对所述智慧园区的空域数据特征以及时域数据特征进行分析的大数据服务器、用于展示所述空域数据特征以及所述时域数据特征的分析结果的信息管理服务器以及用于关联存储所述空域数据特征、所述时域数据特征与相应的提取时间的数据库服务器，所述大数据服务器被配置为：
获取预先配置的空域数据分析周期以及时域数据分析周期；
使用所述状态数据在每个空域数据分析周期执行以下步骤：
构建对应时间的空域数据矩阵，所述空域数据矩阵为基于所述状态数据的数据源的地理位置信息使用从所述数据源采集的状态数据构建的数据矩阵；
对所述空域数据矩阵进行空域数据特征提取；
将提取到的所述空域数据特征与相应的提取时间进行关联存储；
在每个时域数据分析周期执行以下步骤：
构建对应所述时域数据分析周期的时域数据序列，所述时域数据序列为所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据按时间顺序构成的数据序列；
对所述时域数据序列进行时域特征提取；
将提取到的所述时域数据特征与相应的提取时间进行关联存储；
对所述空域数据特征以及所述时域数据特征进行分析；
输出所述空域数据特征以及所述时域数据特征的分析结果。
本发明的第二方面提出了一种基于大数据的智慧园区信息管理方法，包括：
通过传感器实时采集所述智慧园区的状态数据，所述智慧园区的状态数据包括环境状态数据、交通状态数据和设备状态数据；
获取预先配置的空域数据分析周期以及时域数据分析周期；
使用所述状态数据在每个空域数据分析周期执行以下步骤：
构建对应时间的空域数据矩阵，所述空域数据矩阵为基于所述状态数据的数据源的地理位置信息使用从所述数据源采集的状态数据构建的数据矩阵；
对所述空域数据矩阵进行空域数据特征提取；
将提取到的所述空域数据特征与相应的提取时间进行关联存储；
在每个时域数据分析周期执行以下步骤：
构建对应所述时域数据分析周期的时域数据序列，所述时域数据序列为所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据按时间顺序构成的数据序列；
对所述时域数据序列进行时域特征提取；
将提取到的所述时域数据特征与相应的提取时间进行关联存储；
对所述空域数据特征以及所述时域数据特征进行分析；
输出所述空域数据特征以及所述时域数据特征的分析结果。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，构建对应时间的空域数据矩阵的步骤具体包括：
获取所述智慧园区中每个数据源的地理位置信息；
确定用于构建所述空域数据矩阵的第一矩阵精度，所述第一矩阵精度包括第一横向精度以及第一纵向精度；
基于所述第一矩阵精度构建第一网格矩阵；
根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格；
获取每个所述数据源的参数数量；
根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵；
将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，确定用于构建所述空域数据矩阵的第一矩阵精度的步骤包括：
构建所述智慧园区内的正交平面坐标系，所述正交平面坐标系包括相互正交的横轴和纵轴，所述正交平面坐标系中的所述横轴和所述纵轴构成的正交平面垂直于重力方向；
根据所述智慧园区内的数据源的地理位置信息获取所述数据源两两之间的距离Dij，其中i,j＝(1,2,…,n)，n为所述智慧园区内的数据源的数量；
将所述数据源两两之间的距离Dij分解为横向距离：
D_Horij＝Dij×cosθij，
和纵向距离：
D_Verij＝Dij×sinθij，
其中θij为第i个数据源与第j个数据源之间的连线与所述横轴之间的夹角；
确定所述横向距离D_Horij和所述纵向距离D_Verij的最小值：
将所述最小值Dmin确定为单位距离；
根据所述单位距离确定所述第一矩阵精度。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，根据所述单位距离确定所述第一矩阵精度的步骤具体包括：
确定所述智慧园区内的数据源的最大横向距离：
和最大纵向距离：
基于所述最大横向距离D_Hormax和所述最大纵向距离D_Vermax与所述最小值Dmin的倍数关系计算所述第一横向精度：
以及所述第一纵向精度：
其中Roundup()函数为向上取整函数；
将所述第一横向精度A_Hor1以及所述第一纵向精度A_Ver1确定为所述第一矩阵精度。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格的步骤具体包括：
确定最小边界数据源，所述最小边界数据源包括在所述智慧园区内的正交平面坐标系中分别具有最小横轴坐标的横向边界数据源和最小纵轴坐标的纵向边界数据源；
遍历所述智慧园区中的数据源；
获取所述智慧园区中第i个数据源与所述横向边界数据源的距离Di,h及第i个数据源与所述横向边界数据源之间的连线与所述横轴之间的夹角θi,h；
计算所述智慧园区中第i个数据源与所述横向边界数据源的横向距离：
D_Hori＝Di,h×cosθi,h；
获取所述智慧园区中第i个数据源与所述纵向边界数据源的距离Di,v及第i个数据源与所述纵向边界数据源之间的连线与所述横轴之间的夹角θi,v；
计算所述智慧园区中第i个数据源与所述纵向边界数据源的纵向距离：
D_Veri＝Di,v×sinθi,v；
基于所述横向距离D_Hori计算第i个数据源在所述智慧园区内的正交平面坐标系中的横向单元格坐标：
基于所述纵向距离D_Veri计算第i个数据源在所述智慧园区内的正交平面坐标系中的纵向单元格坐标：
将第i个数据源映射到所述第一网格矩阵中坐标值为(h1i,v1i)的单元格。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵的步骤具体包括：
获取所述智慧园区中每个数据源的参数数量P_Counti；
确定最大参数数量
计算所述最大参数数量P_Countmax对应的扩展系数m，所述扩展系数m满足：
m×m＝P_Countmax，或者
基于所述扩展系数m计算得到所述第二矩阵精度中的第二横向精度：
A_Hor2＝A_Hor1×m，
以及第二纵向精度：
A_Ver2＝A_Ver1×m；
基于所述第二矩阵精度构建第二网格矩阵。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵的步骤具体包括：
将所述第一网格矩阵中的每一个单元格顺序映射到所述第二网格矩阵中，使得所述一网格矩阵中的每一个单元格在所述第二网格矩阵中均对应一个为m×m的区域；
获取所述智慧园区中每个数据源在所述第一网格矩阵中的坐标(h1i,v1i)；
在双层嵌套循环中遍历计数变量l＝(0,1,…,A_Hor1-1)以及k＝(0,1,…,A_Ver1-1)；
当(l,k)与所述智慧园区中任一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)均不相同时，生成一个所有单元格中的值均为-1的大小为m×m的方形矩阵；
当(l,k)与所述智慧园区中其中一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)相同时，基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵；
将所述方形矩阵的值填充到所述第二网格矩阵中对应的映射区域以生成所述空域数据矩阵。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，构建对应所述时域数据分析周期的时域数据序列的步骤具体包括：
获取预设的采样周期Tsmp和时域数据分析周期Ttan，所述采样周期Tsmp远小于所述时域数据分析周期Ttan；
获取所述智慧园区中的数据源数量n和每个数据源的参数数量P_Counti；
生成个元素数量为/>的一维数据序列，每一个所述一维数据序列分别与一个参数相对应，其中Rounddown()函数为向下取整函数；
基于所述采样周期对所述智慧园区中的数据源的每一个参数的数据进行周期性采集并顺序写入对应的所述一维数据序列中，以得到对应每一个参数的时域数据序列。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，输出所述空域数据特征以及所述时域数据特征的分析结果的步骤具体包括：
从所述空域数据特征以及所述时域数据特征的分析结果中获取趋势性状态具有明显上升或下降趋势的空域数据特征和/或时域数据特征；
识别具有明显上升或下降趋势的空域数据特征和/或时域数据特征对应的数据源及其参数；
基于所述空域数据特征和/或所述时域数据特征的状态数据生成所述数据源及其参数的趋势性状态数据图表；
在智慧园区的信息管理系统中展示所述数据源及其参数的趋势性状态数据图表。
本发明提出了一种基于大数据的智慧园区信息管理系统及方法，通过设置用于实时采集所述智慧园区的状态数据的传感器、用于对所述智慧园区的空域数据特征以及时域数据特征进行分析的大数据服务器、用于展示所述空域数据特征以及所述时域数据特征的分析结果的信息管理服务器以及用于关联存储所述空域数据特征、所述时域数据特征与相应的提取时间的数据库服务器，所述大数据服务器基于所述状态数据构建所述智慧园区的空域数据矩阵和时域数据序列后，对其进行提取数据特征以进行分析，通过所述信息管理服务器进行输出展示，能够充分有效地利用智慧园区每个局部环节的状态数据对智慧园区进行精细化管理。
附图说明
图1是本发明一个实施例提供的一种基于大数据的智慧园区信息管理系统的示意图；
图2是本发明一个实施例提供的一种基于大数据的智慧园区信息管理方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本说明书的描述中，术语“一个实施例”、“一些实施方式”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
下面参照附图来描述根据本发明一些实施方式提供的一种基于大数据的智慧园区信息管理系统及方法。
如图1所示，本发明的第一方面提出了一种基于大数据的智慧园区信息管理系统，包括用于实时采集所述智慧园区的状态数据的传感器、用于对所述智慧园区的空域数据特征以及时域数据特征进行分析的大数据服务器、用于展示所述空域数据特征以及所述时域数据特征的分析结果的信息管理服务器以及用于关联存储所述空域数据特征、所述时域数据特征与相应的提取时间的数据库服务器，所述大数据服务器被配置为：
获取预先配置的空域数据分析周期以及时域数据分析周期；
使用所述状态数据在每个空域数据分析周期执行以下步骤：
构建对应时间的空域数据矩阵，所述空域数据矩阵为基于所述状态数据的数据源的地理位置信息使用从所述数据源采集的状态数据构建的数据矩阵；
对所述空域数据矩阵进行空域数据特征提取；
将提取到的所述空域数据特征与相应的提取时间进行关联存储；
在每个时域数据分析周期执行以下步骤：
构建对应所述时域数据分析周期的时域数据序列，所述时域数据序列为所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据按时间顺序构成的数据序列；
对所述时域数据序列进行时域特征提取；
将提取到的所述时域数据特征与相应的提取时间进行关联存储；
对所述空域数据特征以及所述时域数据特征进行分析；
输出所述空域数据特征以及所述时域数据特征的分析结果。
具体的，所述环境状态数据包括所述智慧园区内各个监测区域的空气质量数据如PM2.5、温度、湿度、气压、二氧化碳含量、风速、风向等数据，噪音音量数据如噪音源位置、噪音级别、频率分布、超标时间等数据，水质数据包括PH值、重金属含量、菌落总数等数据。所述交通状态数据包括所述智慧园区内各个道路上的人流量数据如人流量、人流密度、人流高峰期等数据，车流量数据如车流量、道路拥堵状况、车辆行驶速度等数据。所述设备状态数据包括设备的开关状态、能耗、电压/电流、温度、振动等数据，所述设备状态数据中的设备包括所述智慧园区中的供电设备、照明设备、门禁设备、生产设备以及监控设备。
在上述实施方式的技术方案中，所述空域数据矩阵是一个由所述智慧园区一个特定时间点的状态数据构成的二维矩阵，所述空域数据矩阵中的状态数据反映的是所述智慧园区在一个特定时间点的状态；所述时域数据序列是一个由所述智慧园区的其中一个数据源在一个时域数据分析周期内采集到的一个参数的状态数据构成的数据序列，所述时域数据序列中的状态数据反映的是所述智存园区一段时间内的状态变化。所述数据源具体为用于采集所述状态数据的传感器或设施/设备，所述状态数据的数据源的地理位置信息具体为采集所述状态数据的传感器或设施/设备的安装/放置位置信息。
在本发明的技术方案中，为了保障对所述智慧园区的空域数据特征的分析结果的实时性和有效性，所述空域数据分析周期应当被配置为一个高频周期，即以一个较短的时间为周期不断构建所述智慧园区的空域数据矩阵作为分析基础，从而得到所述智慧园区中不同数据源之间的数据的空间规律性、关联性和稳定性等特征信息在所述智慧园区的信息管理系统中进行输出，以作为所述智慧园区的管理决策的数据基础，示例性的，根据具体实施需求的不同，可以将所述空域数据分析周期配置为五分钟至半个小时范围内的任一数值。另一方面，所述时域数据分析周期被配置为一个低频周期，即以一个较长的时间为周期获取所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据，以按时间顺序将其构建为相应数量的所述时域数据序列作为分析基础，从而得到所述智慧园区每个时域数据分析周期中每个数据源的每个参数的数据变化的时间规律性、趋势性和稳定性等特征信息在所述智慧园区的信息管理系统中进行输出，以作为所述智慧园区的管理决策的数据基础，示例性的，根据具体实施需求的不同，可以将所述时域数据分析周期配置为一天至一个月范围内的任一数值。
在本发明一些实施方式的技术方案中，执行对所述空域数据特征以及所述时域数据特征进行分析的步骤的时机可以为在每一个空域数据分析周期或每一个时域数据分析周期结束后触发执行该步骤的指令，或者由所述智慧园区信息管理系统有用户或管理人员手动触发执行该步骤的指令。在本发明的另一些实施方式的技术方案中，还可以配置一个状态数据分析周期，以所述状态数据分析周期为基础定期执行对所述空域数据特征以及所述时域数据特征进行分析的步骤。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在构建对应时间的空域数据矩阵的步骤中，所述大数据服务器被配置为：
获取所述智慧园区中每个数据源的地理位置信息；
确定用于构建所述空域数据矩阵的第一矩阵精度，所述第一矩阵精度包括第一横向精度以及第一纵向精度；
基于所述第一矩阵精度构建第一网格矩阵；
根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格；
获取每个所述数据源的参数数量；
根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵；
将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵。
具体的，所述数据源的地理位置信息可以是所述数据源的坐标信息，例如，安装人员在安装所述传感器时，通过GPS定位设备获取所述数据源的GPS坐标，当然，所述坐标信息也可以是在所述智慧园区内的相对坐标系中的相对坐标，对于可移动的传感器或设施/设备，可以在其上集成安装如zigbee或蓝牙等定位装置以实时获取其定位信息。
所述第一网格矩阵以及所述第二网格矩阵均为二维网格矩阵，所述第一横向精度为所述第一网格矩阵在横向的单元格数量，所述第一纵向精度为所述第一网格矩阵在纵向的单元格数量，一个单元格即为所述第一网格矩阵中的一个网格。
在本发明的技术方案中，一个数据源可以包含一个或多个参数，以一个用电设备如照明设备作为一个数据源为例，其所采集的参数可以包括该照明设备的开关状态、功耗、电压、电流、温度、亮度等，在该示例中，该数据源的参数数量为6个。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在确定用于构建所述空域数据矩阵的第一矩阵精度的步骤中，所述大数据服务器被配置为：
构建所述智慧园区内的正交平面坐标系，所述正交平面坐标系包括相互正交的横轴和纵轴，所述正交平面坐标系中的所述横轴和所述纵轴构成的正交平面垂直于重力方向；
根据所述智慧园区内的数据源的地理位置信息获取所述数据源两两之间的距离Dij，其中i,j＝(1,2,…,n)，n为所述智慧园区内的数据源的数量；
将所述数据源两两之间的距离Dij分解为横向距离：
D_Horij＝Dij×cosθij，
和纵向距离：
D_Verij＝Dij×sinθij，
其中θij为第i个数据源与第j个数据源之间的连线与所述横轴之间的夹角；
确定所述横向距离D_Horij和所述纵向距离D_Verij的最小值：
将所述最小值Dmin确定为单位距离；
根据所述单位距离确定所述第一矩阵精度。
具体的，所述最小值是所述横向距离D_Horij和所述纵向距离D_Verij中的一个最小值，例如，当所述横向距离D_Horij包含(ah,bh,ch)三个数值，所述纵向距离D_Verij包含(av,bv,cv)三个数值时，从数值序列(ah,bh,ch,av,bv,cv)中取最小值，比如ch是(ah,bh,ch,av,bv,cv)中的最小值，则：
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在根据所述单位距离确定所述第一矩阵精度的步骤中，所述大数据服务器被配置为：
确定所述智慧园区内的数据源的最大横向距离：
和最大纵向距离：
基于所述最大横向距离D_Hormax和所述最大纵向距离D_Vermax与所述最小值Dmin的倍数关系计算所述第一横向精度：
以及所述第一纵向精度：
其中Roundup()函数为向上取整函数；
将所述第一横向精度A_Hor1以及所述第一纵向精度A_Ver1确定为所述第一矩阵精度。
具体的，当所述最大横向距离D_Hormax除以所述最小值Dmin的商或者所述最大纵向距离D_Vermax除以所述最小值Dmin的商为小数时，通过所述向上取整函数Roundup()将其换算为大于该商值的最小整数，以得到所述第一横向精度A_Hor1以及所述第一纵向精度A_Ver1。
所述基于所述第一矩阵精度构建第一网格矩阵的步骤具体为构建一个横向单元格数量等于所述第一横向精度A_Hor1，纵向单元格数量等于所述第一纵向精度A_Ver1的网格矩阵作为所述第一网格矩阵。
以下将所述第一网格矩阵中的每个单元格的坐标以(h1,v1)表示，其中v1为所述第一网格矩阵中的单元格的横轴坐标，v1为所述第一网格矩阵中的单元格的纵轴坐标，且两者的取值范围分别为h1＝(0,1,…,A_Hor1-1)和v1＝(0,1,…,A_Ver1-1)。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格的步骤中，所述大数据服务器被配置为：
确定最小边界数据源，所述最小边界数据源包括在所述智慧园区内的正交平面坐标系中分别具有最小横轴坐标的横向边界数据源和最小纵轴坐标的纵向边界数据源；
遍历所述智慧园区中的数据源；
获取所述智慧园区中第i个数据源与所述横向边界数据源的距离Di,h及第i个数据源与所述横向边界数据源之间的连线与所述横轴之间的夹角θi,h；
计算所述智慧园区中第i个数据源与所述横向边界数据源的横向距离：
D_Hori＝Di,h×cosθi,h；
获取所述智慧园区中第i个数据源与所述纵向边界数据源的距离Di,v及第i个数据源与所述纵向边界数据源之间的连线与所述横轴之间的夹角θi,v；
计算所述智慧园区中第i个数据源与所述纵向边界数据源的纵向距离：
D_Veri＝Di,v×sinθi,v；
基于所述横向距离D_Hori计算第i个数据源在所述智慧园区内的正交平面坐标系中的横向单元格坐标：
基于所述纵向距离D_Veri计算第i个数据源在所述智慧园区内的正交平面坐标系中的纵向单元格坐标：
将第i个数据源映射到所述第一网格矩阵中坐标值为(h1i,v1i)的单元格。
具体的，所述横向边界数据源和所述纵向边界数据源可以为两个数据源，也可以为一个数据源，当同一个数据源同时在所述智慧园区内的正交平面坐标系中具有最小横轴坐标和最小纵轴坐标时，将该数据源映射到所述第一网格矩阵中坐标值为(0,0)的单元格。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵的步骤中，所述大数据服务器被配置为：
获取所述智慧园区中每个数据源的参数数量P_Counti；
确定最大参数数量
计算所述最大参数数量P_Countmax对应的扩展系数m，所述扩展系数m满足：
m×m＝P_Countmax，或者
基于所述扩展系数m计算得到所述第二矩阵精度中的第二横向精度：
A_Hor2＝A_Hor1×m，
以及第二纵向精度：
A_Ver2＝A_Ver1×m；
基于所述第二矩阵精度构建第二网格矩阵。
同样的，所述基于所述第二矩阵精度构建第二网格矩阵的步骤具体为构建一个横向单元格数量等于所述第二横向精度A_Hor2，纵向单元格数量等于所述第二纵向精度A_Ver2的网格矩阵作为所述第二网格矩阵。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵的步骤中，所述大数据服务器被配置为：
将所述第一网格矩阵中的每一个单元格顺序映射到所述第二网格矩阵中，使得所述一网格矩阵中的每一个单元格在所述第二网格矩阵中均对应一个为m×m的区域；
获取所述智慧园区中每个数据源在所述第一网格矩阵中的坐标(h1i,v1i)；
在双层嵌套循环中遍历计数变量l＝(0,1,…,A_Hor1-1)以及k＝(0,1,…,A_Ver1-1)；
当(l,k)与所述智慧园区中任一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)均不相同时，生成一个所有单元格中的值均为-1的大小为m×m的方形矩阵；
当(l,k)与所述智慧园区中其中一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)相同时，基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵；
将所述方形矩阵的值填充到所述第二网格矩阵中对应的映射区域以生成所述空域数据矩阵。
具体的，将所述第一网格矩阵中的每一个单元格顺序映射到所述第二网格矩阵中的步骤具体为将所述第一网格矩阵中坐标为(h1,v1)的单元格映射到所述第二网格矩阵中左上角单元格坐标为(h1×m+1,v1×m+1)的大小为m×m的区域。
在基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵的步骤中，当该数据源的参数数量等于m×m时，顺序将每个参数的状态数据填充到该方形矩阵中。当该数据源的参数数量小于m×m时，可以采用多种不同的方式来填充该方形矩阵，例如将数据从左上角开始从左到右从上往下顺序填充该方形矩阵中的单元格，也可以将状态数据填充在该方形矩阵的中心区域，或者均匀分布在该方形矩阵中，剩余未填充的单元格的值用-1填充。
在本发明的一些实施方式中，对所述空域数据矩阵进行空域数据特征提取的步骤具体包括：
将所述空域数据矩阵中除-1之外的其它值按比例缩放到(0,255)的范围内；
将所述空域数据矩阵中的-1值全部替换为255；
生成像素值与所述空域数据矩阵中处理后的数值一一对应的特征图像，所述特征图像具有与所述空域矩阵对应尺寸的像素值；
从所述特征图像上提取图像特征作为所述空域数据特征，所述图像特征包括边缘特征、角点特征、纹理特征、尺度空间特征。
在本发明的另一些实施方式中，也可以在基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵的步骤中中对状态数据进行标准化处理以将其映射到(0,255)的范围内，且直接使用255而非-1来填充剩余的单元格。
所述特征图像具有与所述空域矩阵对应尺寸的像素值具体指的是所述特征图像具有A_Hor2×A_Ver2个像素。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在构建对应所述时域数据分析周期的时域数据序列的步骤中，所述大数据服务器被配置为：
获取预设的采样周期Tsmp和时域数据分析周期Ttan，所述采样周期Tsmp远小于所述时域数据分析周期Ttan；
获取所述智慧园区中的数据源数量n和每个数据源的参数数量P_Counti；
生成个元素数量为/>的一维数据序列，每一个所述一维数据序列分别与一个参数相对应，其中Rounddown()函数为向下取整函数；
基于所述采样周期对所述智慧园区中的数据源的每一个参数的数据进行周期性采集并顺序写入对应的所述一维数据序列中，以得到对应每一个参数的时域数据序列。
在本发明的一些实施方式中，对所述时域数据序列进行时域特征提取的步骤具体包括：
遍历所述智慧园区中的个时域数据序列；
对所述时域数据序列进行数据清洗和归一化处理，所述数据清洗包括异常值、空值处理；
提取所述时域数据序列的统计特征，所述统计特征包括所述时域数据序列的均值、中位数、标准差以及极差；
提取所述时域数据序列的频域特征，所述频域特征包括所述时域数据序列的数据变化周期以及数据变化频率；
提取所述时域数据序列的聚类特征，所述聚类特征包括所述时域数据序列的聚类数、聚类索引度、聚类中心、聚类半径以及聚类轮廓系数；
将所述统计特征、所述频域特征以及所述聚类特征确定为所述时域数据序列的时域数据特征。
在本发明的一些实施方式中，对所述空域数据特征以及所述时域数据特征进行分析的步骤具体包括：
输入若干个空域数据分析周期中的空域数据特征进行对比；
分析所述空域数据特征在若干个空域数据分析周期中的变化规律；
基于所述变化规律识别所述智慧园区中的数据源的各个参数之间的强关联性、弱关联性以及无关联性关系，以及识别所述智慧园区中的局部区域的数据稳定性状态和趋势性状态。
在本发明的一些实施方式中，对所述空域数据特征以及所述时域数据特征进行分析的步骤还包括：
顺序输入每一个参数的时域数据序列在若干个时域数据分析周期中的时域数据特征进行对比；
分析所述时域数据特征在若干个时域数据分析周期中的变化规律；
基于所述变化规律识别所述智慧园区中的数据源的各个参数的数据稳定性状态和趋势性状态。
进一步的，在上述的基于大数据的智慧园区信息管理系统中，在输出所述空域数据特征以及所述时域数据特征的分析结果的步骤中，所述大数据服务器被配置为：
从所述空域数据特征以及所述时域数据特征的分析结果中获取趋势性状态具有明显上升或下降趋势的空域数据特征和/或时域数据特征；
识别具有明显上升或下降趋势的空域数据特征和/或时域数据特征对应的数据源及其参数；
基于所述空域数据特征和/或所述时域数据特征的状态数据生成所述数据源及其参数的趋势性状态数据图表；
在智慧园区的信息管理系统中展示所述数据源及其参数的趋势性状态数据图表。
具体的，当所述智慧园区中的某一个空域数据特征或者时域数据特征的趋势性状态具有显示上升或者下降的趋势时，表示该数据特征对应的数据源的参数需要给予关注，例如，一个参数的数据序列的聚类半径表现出明显的变大或变小的趋势、或者一个区域内的数据源的状态数据在空域数据特征对应的图像中的边缘特征表现出明显的变大或变小的趋势时，表明该参数或数据源的数据发生异常或者即将发生异常，通过图表的形式能够更加直观地将该参数或数据源的趋势性状态展示给用户。
如图2所示，本发明的第二方面提出了一种基于大数据的智慧园区信息管理方法，包括：
通过传感器实时采集所述智慧园区的状态数据，所述智慧园区的状态数据包括环境状态数据、交通状态数据和设备状态数据；
获取预先配置的空域数据分析周期以及时域数据分析周期；
使用所述状态数据在每个空域数据分析周期执行以下步骤：
构建对应时间的空域数据矩阵，所述空域数据矩阵为基于所述状态数据的数据源的地理位置信息使用从所述数据源采集的状态数据构建的数据矩阵；
对所述空域数据矩阵进行空域数据特征提取；
将提取到的所述空域数据特征与相应的提取时间进行关联存储；
在每个时域数据分析周期执行以下步骤：
构建对应所述时域数据分析周期的时域数据序列，所述时域数据序列为所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据按时间顺序构成的数据序列；
对所述时域数据序列进行时域特征提取；
将提取到的所述时域数据特征与相应的提取时间进行关联存储；
对所述空域数据特征以及所述时域数据特征进行分析；
输出所述空域数据特征以及所述时域数据特征的分析结果。
具体的，所述环境状态数据包括所述智慧园区内各个监测区域的空气质量数据如PM2.5、温度、湿度、气压、二氧化碳含量、风速、风向等数据，噪音音量数据如噪音源位置、噪音级别、频率分布、超标时间等数据，水质数据包括PH值、重金属含量、菌落总数等数据。所述交通状态数据包括所述智慧园区内各个道路上的人流量数据如人流量、人流密度、人流高峰期等数据，车流量数据如车流量、道路拥堵状况、车辆行驶速度等数据。所述设备状态数据包括设备的开关状态、能耗、电压/电流、温度、振动等数据，所述设备状态数据中的设备包括所述智慧园区中的供电设备、照明设备、门禁设备、生产设备以及监控设备。
在上述实施方式的技术方案中，所述空域数据矩阵是一个由所述智慧园区一个特定时间点的状态数据构成的二维矩阵，所述空域数据矩阵中的状态数据反映的是所述智慧园区在一个特定时间点的状态；所述时域数据序列是一个由所述智慧园区的其中一个数据源在一个时域数据分析周期内采集到的一个参数的状态数据构成的数据序列，所述时域数据序列中的状态数据反映的是所述智存园区一段时间内的状态变化。所述数据源具体为用于采集所述状态数据的传感器或设施/设备，所述状态数据的数据源的地理位置信息具体为采集所述状态数据的传感器或设施/设备的安装/放置位置信息。
在本发明的技术方案中，为了保障对所述智慧园区的空域数据特征的分析结果的实时性和有效性，所述空域数据分析周期应当被配置为一个高频周期，即以一个较短的时间为周期不断构建所述智慧园区的空域数据矩阵作为分析基础，从而得到所述智慧园区中不同数据源之间的数据的空间规律性、关联性和稳定性等特征信息在所述智慧园区的信息管理系统中进行输出，以作为所述智慧园区的管理决策的数据基础，示例性的，根据具体实施需求的不同，可以将所述空域数据分析周期配置为五分钟至半个小时范围内的任一数值。另一方面，所述时域数据分析周期被配置为一个低频周期，即以一个较长的时间为周期获取所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据，以按时间顺序将其构建为相应数量的所述时域数据序列作为分析基础，从而得到所述智慧园区每个时域数据分析周期中每个数据源的每个参数的数据变化的时间规律性、趋势性和稳定性等特征信息在所述智慧园区的信息管理系统中进行输出，以作为所述智慧园区的管理决策的数据基础，示例性的，根据具体实施需求的不同，可以将所述时域数据分析周期配置为一天至一个月范围内的任一数值。
在本发明一些实施方式的技术方案中，执行对所述空域数据特征以及所述时域数据特征进行分析的步骤的时机可以为在每一个空域数据分析周期或每一个时域数据分析周期结束后触发执行该步骤的指令，或者由所述智慧园区信息管理系统有用户或管理人员手动触发执行该步骤的指令。在本发明的另一些实施方式的技术方案中，还可以配置一个状态数据分析周期，以所述状态数据分析周期为基础定期执行对所述空域数据特征以及所述时域数据特征进行分析的步骤。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，构建对应时间的空域数据矩阵的步骤具体包括：
获取所述智慧园区中每个数据源的地理位置信息；
确定用于构建所述空域数据矩阵的第一矩阵精度，所述第一矩阵精度包括第一横向精度以及第一纵向精度；
基于所述第一矩阵精度构建第一网格矩阵；
根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格；
获取每个所述数据源的参数数量；
根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵；
将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵。
具体的，所述数据源的地理位置信息可以是所述数据源的坐标信息，例如，安装人员在安装所述传感器时，通过GPS定位设备获取所述数据源的GPS坐标，当然，所述坐标信息也可以是在所述智慧园区内的相对坐标系中的相对坐标，对于可移动的传感器或设施/设备，可以在其上集成安装如zigbee或蓝牙等定位装置以实时获取其定位信息。
所述第一网格矩阵以及所述第二网格矩阵均为二维网格矩阵，所述第一横向精度为所述第一网格矩阵在横向的单元格数量，所述第一纵向精度为所述第一网格矩阵在纵向的单元格数量，一个单元格即为所述第一网格矩阵中的一个网格。
在本发明的技术方案中，一个数据源可以包含一个或多个参数，以一个用电设备如照明设备作为一个数据源为例，其所采集的参数可以包括该照明设备的开关状态、功耗、电压、电流、温度、亮度等，在该示例中，该数据源的参数数量为6个。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，确定用于构建所述空域数据矩阵的第一矩阵精度的步骤包括：
构建所述智慧园区内的正交平面坐标系，所述正交平面坐标系包括相互正交的横轴和纵轴，所述正交平面坐标系中的所述横轴和所述纵轴构成的正交平面垂直于重力方向；
根据所述智慧园区内的数据源的地理位置信息获取所述数据源两两之间的距离Dij，其中i,j＝(1,2,…,n)，n为所述智慧园区内的数据源的数量；
将所述数据源两两之间的距离Dij分解为横向距离：
D_Horij＝Dij×cosθij，
和纵向距离：
D_Verij＝Dij×sinθij，
其中θij为第i个数据源与第j个数据源之间的连线与所述横轴之间的夹角；
确定所述横向距离D_Horij和所述纵向距离D_Verij的最小值：
将所述最小值Dmin确定为单位距离；
根据所述单位距离确定所述第一矩阵精度。
具体的，所述最小值是所述横向距离D_Horij和所述纵向距离D_Verij中的一个最小值，例如，当所述横向距离D_Horij包含(ah,bh,ch)三个数值，所述纵向距离D_Verij包含(av,bv,cv)三个数值时，从数值序列(ah,bh,ch,av,bv,cv)中取最小值，比如ch是(ah,bh,ch,av,bv,cv)中的最小值，则：
进一步的，在上述的基于大数据的智慧园区信息管理方法中，根据所述单位距离确定所述第一矩阵精度的步骤具体包括：
确定所述智慧园区内的数据源的最大横向距离：
和最大纵向距离：
基于所述最大横向距离D_Hormax和所述最大纵向距离D_Vermax与所述最小值Dmin的倍数关系计算所述第一横向精度：
以及所述第一纵向精度：
其中Roundup()函数为向上取整函数；
将所述第一横向精度A_Hor1以及所述第一纵向精度A_Ver1确定为所述第一矩阵精度。
具体的，当所述最大横向距离D_Hormax除以所述最小值Dmin的商或者所述最大纵向距离D_Vermax除以所述最小值Dmin的商为小数时，通过所述向上取整函数Roundup()将其换算为大于该商值的最小整数，以得到所述第一横向精度A_Hor1以及所述第一纵向精度A_Ver1。
所述基于所述第一矩阵精度构建第一网格矩阵的步骤具体为构建一个横向单元格数量等于所述第一横向精度A_Hor1，纵向单元格数量等于所述第一纵向精度A_Ver1的网格矩阵作为所述第一网格矩阵。
以下将所述第一网格矩阵中的每个单元格的坐标以(h1,v1)表示，其中v1为所述第一网格矩阵中的单元格的横轴坐标，v1为所述第一网格矩阵中的单元格的纵轴坐标，且两者的取值范围分别为h1＝(0,1,…,A_Hor1-1)和v1＝(0,1,…,A_Ver1-1)。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格的步骤具体包括：
确定最小边界数据源，所述最小边界数据源包括在所述智慧园区内的正交平面坐标系中分别具有最小横轴坐标的横向边界数据源和最小纵轴坐标的纵向边界数据源；
遍历所述智慧园区中的数据源；
获取所述智慧园区中第i个数据源与所述横向边界数据源的距离Di,h及第i个数据源与所述横向边界数据源之间的连线与所述横轴之间的夹角θi,h；
计算所述智慧园区中第i个数据源与所述横向边界数据源的横向距离：
D_Hori＝Di,h×cosθi,h；
获取所述智慧园区中第i个数据源与所述纵向边界数据源的距离Di,v及第i个数据源与所述纵向边界数据源之间的连线与所述横轴之间的夹角θi,v；
计算所述智慧园区中第i个数据源与所述纵向边界数据源的纵向距离：
D_Veri＝Di,v×sinθi,v；
基于所述横向距离D_Hori计算第i个数据源在所述智慧园区内的正交平面坐标系中的横向单元格坐标：
基于所述纵向距离D_Veri计算第i个数据源在所述智慧园区内的正交平面坐标系中的纵向单元格坐标：
将第i个数据源映射到所述第一网格矩阵中坐标值为(h1i,v1i)的单元格。
具体的，所述横向边界数据源和所述纵向边界数据源可以为两个数据源，也可以为一个数据源，当同一个数据源同时在所述智慧园区内的正交平面坐标系中具有最小横轴坐标和最小纵轴坐标时，将该数据源映射到所述第一网格矩阵中坐标值为(0,0)的单元格。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵的步骤具体包括：
获取所述智慧园区中每个数据源的参数数量P_Counti；
确定最大参数数量
计算所述最大参数数量P_Countmax对应的扩展系数m，所述扩展系数m满足：
m×m＝P_Countmax，或者
基于所述扩展系数m计算得到所述第二矩阵精度中的第二横向精度：
A_Hor2＝A_Hor1×m，
以及第二纵向精度：
A_Ver2＝A_Ver1×m；
基于所述第二矩阵精度构建第二网格矩阵。
同样的，所述基于所述第二矩阵精度构建第二网格矩阵的步骤具体为构建一个横向单元格数量等于所述第二横向精度A_Hor2，纵向单元格数量等于所述第二纵向精度A_Ver2的网格矩阵作为所述第二网格矩阵。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵的步骤具体包括：
将所述第一网格矩阵中的每一个单元格顺序映射到所述第二网格矩阵中，使得所述一网格矩阵中的每一个单元格在所述第二网格矩阵中均对应一个为m×m的区域；
获取所述智慧园区中每个数据源在所述第一网格矩阵中的坐标(h1i,v1i)；
在双层嵌套循环中遍历计数变量l＝(0,1,…,A_Hor1-1)以及k＝(0,1,…,A_Ver1-1)；
当(l,k)与所述智慧园区中任一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)均不相同时，生成一个所有单元格中的值均为-1的大小为m×m的方形矩阵；
当(l,k)与所述智慧园区中其中一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)相同时，基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵；
将所述方形矩阵的值填充到所述第二网格矩阵中对应的映射区域以生成所述空域数据矩阵。
具体的，将所述第一网格矩阵中的每一个单元格顺序映射到所述第二网格矩阵中的步骤具体为将所述第一网格矩阵中坐标为(h1,v1)的单元格映射到所述第二网格矩阵中左上角单元格坐标为(h1×m+1,v1×m+1)的大小为m×m的区域。
在基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵的步骤中，当该数据源的参数数量等于m×m时，顺序将每个参数的状态数据填充到该方形矩阵中。当该数据源的参数数量小于m×m时，可以采用多种不同的方式来填充该方形矩阵，例如将数据从左上角开始从左到右从上往下顺序填充该方形矩阵中的单元格，也可以将状态数据填充在该方形矩阵的中心区域，或者均匀分布在该方形矩阵中，剩余未填充的单元格的值用-1填充。
在本发明的一些实施方式中，对所述空域数据矩阵进行空域数据特征提取的步骤具体包括：
将所述空域数据矩阵中除-1之外的其它值按比例缩放到(0,255)的范围内；
将所述空域数据矩阵中的-1值全部替换为255；
生成像素值与所述空域数据矩阵中处理后的数值一一对应的特征图像，所述特征图像具有与所述空域矩阵对应尺寸的像素值；
从所述特征图像上提取图像特征作为所述空域数据特征，所述图像特征包括边缘特征、角点特征、纹理特征、尺度空间特征。
在本发明的另一些实施方式中，也可以在基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵的步骤中中对状态数据进行标准化处理以将其映射到(0,255)的范围内，且直接使用255而非-1来填充剩余的单元格。
所述特征图像具有与所述空域矩阵对应尺寸的像素值具体指的是所述特征图像具有A_Hor2×A_Ver2个像素。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，构建对应所述时域数据分析周期的时域数据序列的步骤具体包括：
获取预设的采样周期Tsmp和时域数据分析周期Ttan，所述采样周期Tsmp远小于所述时域数据分析周期Ttan；
获取所述智慧园区中的数据源数量n和每个数据源的参数数量P_Counti；
生成个元素数量为/>的一维数据序列，每一个所述一维数据序列分别与一个参数相对应，其中Rounddown()函数为向下取整函数；
基于所述采样周期对所述智慧园区中的数据源的每一个参数的数据进行周期性采集并顺序写入对应的所述一维数据序列中，以得到对应每一个参数的时域数据序列。
在本发明的一些实施方式中，对所述时域数据序列进行时域特征提取的步骤具体包括：
遍历所述智慧园区中的个时域数据序列；
对所述时域数据序列进行数据清洗和归一化处理，所述数据清洗包括异常值、空值处理；
提取所述时域数据序列的统计特征，所述统计特征包括所述时域数据序列的均值、中位数、标准差以及极差；
提取所述时域数据序列的频域特征，所述频域特征包括所述时域数据序列的数据变化周期以及数据变化频率；
提取所述时域数据序列的聚类特征，所述聚类特征包括所述时域数据序列的聚类数、聚类索引度、聚类中心、聚类半径以及聚类轮廓系数；
将所述统计特征、所述频域特征以及所述聚类特征确定为所述时域数据序列的时域数据特征。
在本发明的一些实施方式中，对所述空域数据特征以及所述时域数据特征进行分析的步骤具体包括：
输入若干个空域数据分析周期中的空域数据特征进行对比；
分析所述空域数据特征在若干个空域数据分析周期中的变化规律；
基于所述变化规律识别所述智慧园区中的数据源的各个参数之间的强关联性、弱关联性以及无关联性关系，以及识别所述智慧园区中的局部区域的数据稳定性状态和趋势性状态。
在本发明的一些实施方式中，对所述空域数据特征以及所述时域数据特征进行分析的步骤还包括：
顺序输入每一个参数的时域数据序列在若干个时域数据分析周期中的时域数据特征进行对比；
分析所述时域数据特征在若干个时域数据分析周期中的变化规律；
基于所述变化规律识别所述智慧园区中的数据源的各个参数的数据稳定性状态和趋势性状态。
进一步的，在上述的基于大数据的智慧园区信息管理方法中，输出所述空域数据特征以及所述时域数据特征的分析结果的步骤具体包括：
从所述空域数据特征以及所述时域数据特征的分析结果中获取趋势性状态具有明显上升或下降趋势的空域数据特征和/或时域数据特征；
识别具有明显上升或下降趋势的空域数据特征和/或时域数据特征对应的数据源及其参数；
基于所述空域数据特征和/或所述时域数据特征的状态数据生成所述数据源及其参数的趋势性状态数据图表；
在智慧园区的信息管理系统中展示所述数据源及其参数的趋势性状态数据图表。
具体的，当所述智慧园区中的某一个空域数据特征或者时域数据特征的趋势性状态具有显示上升或者下降的趋势时，表示该数据特征对应的数据源的参数需要给予关注，例如，一个参数的数据序列的聚类半径表现出明显的变大或变小的趋势、或者一个区域内的数据源的状态数据在空域数据特征对应的图像中的边缘特征表现出明显的变大或变小的趋势时，表明该参数或数据源的数据发生异常或者即将发生异常，通过图表的形式能够更加直观地将该参数或数据源的趋势性状态展示给用户。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种基于大数据的智慧园区信息管理系统，其特征在于，包括用于实时采集所述智慧园区的状态数据的传感器、用于对所述智慧园区的空域数据特征以及时域数据特征进行分析的大数据服务器、用于展示所述空域数据特征以及所述时域数据特征的分析结果的信息管理服务器以及用于关联存储所述空域数据特征、所述时域数据特征与相应的提取时间的数据库服务器，所述大数据服务器被配置为：
获取预先配置的空域数据分析周期以及时域数据分析周期；
使用所述状态数据在每个空域数据分析周期执行以下步骤：
构建对应时间的空域数据矩阵，所述空域数据矩阵为基于所述状态数据的数据源的地理位置信息使用从所述数据源采集的状态数据构建的数据矩阵；
对所述空域数据矩阵进行空域数据特征提取；
将提取到的所述空域数据特征与相应的提取时间进行关联存储；
在每个时域数据分析周期执行以下步骤：
构建对应所述时域数据分析周期的时域数据序列，所述时域数据序列为所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据按时间顺序构成的数据序列；
对所述时域数据序列进行时域特征提取；
将提取到的所述时域数据特征与相应的提取时间进行关联存储；
对所述空域数据特征以及所述时域数据特征进行分析；
输出所述空域数据特征以及所述时域数据特征的分析结果；
在构建对应时间的空域数据矩阵的步骤中，所述大数据服务器被配置为：
获取所述智慧园区中每个数据源的地理位置信息；
确定用于构建所述空域数据矩阵的第一矩阵精度，所述第一矩阵精度包括第一横向精度以及第一纵向精度；
基于所述第一矩阵精度构建第一网格矩阵；
根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格；
获取每个所述数据源的参数数量；
根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵；
将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵；
在确定用于构建所述空域数据矩阵的第一矩阵精度的步骤中，所述大数据服务器被配置为：
构建所述智慧园区内的正交平面坐标系，所述正交平面坐标系包括相互正交的横轴和纵轴，所述正交平面坐标系中的所述横轴和所述纵轴构成的正交平面垂直于重力方向；
根据所述智慧园区内的数据源的地理位置信息获取所述数据源两两之间的距离Dij，其中i,j＝(1,2,…,n)，n为所述智慧园区内的数据源的数量；
将所述数据源两两之间的距离Dij分解为横向距离：
D_Horij＝Dij×cosθij，
和纵向距离：
D_Verij＝Dij×sinθij，
其中θij为第i个数据源与第j个数据源之间的连线与所述横轴之间的夹角；
确定所述横向距离D_Horij和所述纵向距离D_Verij的最小值：
将所述最小值Dmin确定为单位距离；
根据所述单位距离确定所述第一矩阵精度。
2.一种基于大数据的智慧园区信息管理方法，其特征在于，包括：
通过传感器实时采集所述智慧园区的状态数据，所述智慧园区的状态数据包括环境状态数据、交通状态数据和设备状态数据；
获取预先配置的空域数据分析周期以及时域数据分析周期；
使用所述状态数据在每个空域数据分析周期执行以下步骤：
构建对应时间的空域数据矩阵，所述空域数据矩阵为基于所述状态数据的数据源的地理位置信息使用从所述数据源采集的状态数据构建的数据矩阵；
对所述空域数据矩阵进行空域数据特征提取；
将提取到的所述空域数据特征与相应的提取时间进行关联存储；
在每个时域数据分析周期执行以下步骤：
构建对应所述时域数据分析周期的时域数据序列，所述时域数据序列为所述智慧园区的每个数据源在所述时域数据分析周期内采集到的每一个参数的状态数据按时间顺序构成的数据序列；
对所述时域数据序列进行时域特征提取；
将提取到的时域数据特征与相应的提取时间进行关联存储；
对所述空域数据特征以及所述时域数据特征进行分析；
输出所述空域数据特征以及所述时域数据特征的分析结果；
构建对应时间的空域数据矩阵的步骤具体包括：
获取所述智慧园区中每个数据源的地理位置信息；
确定用于构建所述空域数据矩阵的第一矩阵精度，所述第一矩阵精度包括第一横向精度以及第一纵向精度；
基于所述第一矩阵精度构建第一网格矩阵；
根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格；
获取每个所述数据源的参数数量；
根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵；
将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵；
确定用于构建所述空域数据矩阵的第一矩阵精度的步骤包括：
构建所述智慧园区内的正交平面坐标系，所述正交平面坐标系包括相互正交的横轴和纵轴，所述正交平面坐标系中的所述横轴和所述纵轴构成的正交平面垂直于重力方向；
根据所述智慧园区内的数据源的地理位置信息获取所述数据源两两之间的距离Dij，其中i,j＝(1,2,…,n)，n为所述智慧园区内的数据源的数量；
将所述数据源两两之间的距离Dij分解为横向距离：
D_Horij＝Dij×cosθij，
和纵向距离：
D_Verij＝Dij×sinθij，
其中θij为第i个数据源与第j个数据源之间的连线与所述横轴之间的夹角；
确定所述横向距离D_Horij和所述纵向距离D_Verij的最小值：
将所述最小值Dmin确定为单位距离；
根据所述单位距离确定所述第一矩阵精度。
3.根据权利要求2所述的基于大数据的智慧园区信息管理方法，其特征在于，根据所述单位距离确定所述第一矩阵精度的步骤具体包括：
确定所述智慧园区内的数据源的最大横向距离：
和最大纵向距离：
基于所述最大横向距离D_Hormax和所述最大纵向距离D_Vermax与所述最小值Dmin的倍数关系计算所述第一横向精度：
以及所述第一纵向精度：
其中Roundup()函数为向上取整函数；
将所述第一横向精度A_Hor1以及所述第一纵向精度A_Ver1确定为所述第一矩阵精度。
4.根据权利要求3所述的基于大数据的智慧园区信息管理方法，其特征在于，根据所述数据源的地理位置信息将所述数据源映射到所述第一网格矩阵的对应单元格的步骤具体包括：
确定最小边界数据源，所述最小边界数据源包括在所述智慧园区内的正交平面坐标系中分别具有最小横轴坐标的横向边界数据源和最小纵轴坐标的纵向边界数据源；
遍历所述智慧园区中的数据源；
获取所述智慧园区中第i个数据源与所述横向边界数据源的距离Di,h及第i个数据源与所述横向边界数据源之间的连线与所述横轴之间的夹角θi,h；
计算所述智慧园区中第i个数据源与所述横向边界数据源的横向距离：
D_Hori＝Di,h×cosθi,h；
获取所述智慧园区中第i个数据源与所述纵向边界数据源的距离Di,v及第i个数据源与所述纵向边界数据源之间的连线与所述横轴之间的夹角θi,v；
计算所述智慧园区中第i个数据源与所述纵向边界数据源的纵向距离：
D_Veri＝Di,v×sinθi,v；
基于所述横向距离D_Hori计算第i个数据源在所述智慧园区内的正交平面坐标系中的横向单元格坐标：
基于所述纵向距离D_Veri计算第i个数据源在所述智慧园区内的正交平面坐标系中的纵向单元格坐标：
将第i个数据源映射到所述第一网格矩阵中坐标值为(h1i,v1i)的单元格。
5.根据权利要求4所述的基于大数据的智慧园区信息管理方法，其特征在于，根据所述数据源的参数数量对所述第一网格矩阵展开以生成具有第二矩阵精度的第二网格矩阵的步骤具体包括：
获取所述智慧园区中每个数据源的参数数量P_Counti；
确定最大参数数量
计算所述最大参数数量P_Countmax对应的扩展系数m，所述扩展系数m满足：
m×m＝P_Countmax，或者
基于所述扩展系数m计算得到所述第二矩阵精度中的第二横向精度：
A_Hor2＝A_Hor1×m，
以及第二纵向精度：
A_Ver2＝A_Ver1×m；
基于所述第二矩阵精度构建第二网格矩阵。
6.根据权利要求5所述的基于大数据的智慧园区信息管理方法，其特征在于，将所述数据源的数据填充到的所述第二网格矩阵以生成所述空域数据矩阵的步骤具体包括：
将所述第一网格矩阵中的每一个单元格顺序映射到所述第二网格矩阵中，使得所述一网格矩阵中的每一个单元格在所述第二网格矩阵中均对应一个为m×m的区域；
获取所述智慧园区中每个数据源在所述第一网格矩阵中的坐标(h1i,v1i)；
在双层嵌套循环中遍历计数变量l＝(0,1,…,A_Hor1-1)以及k＝(0,1,…,A_Ver1-1)；
当(l,k)与所述智慧园区中任一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)均不相同时，生成一个所有单元格中的值均为-1的大小为m×m的方形矩阵；
当(l,k)与所述智慧园区中其中一个数据源在所述第一网格矩阵中的坐标(h1i,v1i)相同时，基于采集到的相应数据源的每一个参数的状态数据生成一个大小为m×m的方形矩阵；
将所述方形矩阵的值填充到所述第二网格矩阵中对应的映射区域以生成所述空域数据矩阵。
7.根据权利要求2所述的基于大数据的智慧园区信息管理方法，其特征在于，构建对应所述时域数据分析周期的时域数据序列的步骤具体包括：
获取预设的采样周期Tsmp和时域数据分析周期Ttan，所述采样周期Tsmp远小于所述时域数据分析周期Ttan；
获取所述智慧园区中的数据源数量n和每个数据源的参数数量P_Counti；
生成个元素数量为/>的一维数据序列，每一个所述一维数据序列分别与一个参数相对应，其中Rounddown()函数为向下取整函数；
基于所述采样周期对所述智慧园区中的数据源的每一个参数的数据进行周期性采集并顺序写入对应的所述一维数据序列中，以得到对应每一个参数的时域数据序列。
8.根据权利要求2所述的基于大数据的智慧园区信息管理方法，其特征在于，输出所述空域数据特征以及所述时域数据特征的分析结果的步骤具体包括：
从所述空域数据特征以及所述时域数据特征的分析结果中获取趋势性状态具有明显上升或下降趋势的空域数据特征和/或时域数据特征；
识别具有明显上升或下降趋势的空域数据特征和/或时域数据特征对应的数据源及其参数；
基于所述空域数据特征和/或所述时域数据特征的状态数据生成所述数据源及其参数的趋势性状态数据图表；
在智慧园区的信息管理系统中展示所述数据源及其参数的趋势性状态数据图表。
CN202310699947.5A 2023-06-14 2023-06-14 一种基于大数据的智慧园区信息管理系统及方法 Active CN116610921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699947.5A CN116610921B (zh) 2023-06-14 2023-06-14 一种基于大数据的智慧园区信息管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699947.5A CN116610921B (zh) 2023-06-14 2023-06-14 一种基于大数据的智慧园区信息管理系统及方法

Publications (2)

Publication Number Publication Date
CN116610921A CN116610921A (zh) 2023-08-18
CN116610921B true CN116610921B (zh) 2024-02-09

Family

ID=87683557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699947.5A Active CN116610921B (zh) 2023-06-14 2023-06-14 一种基于大数据的智慧园区信息管理系统及方法

Country Status (1)

Country Link
CN (1) CN116610921B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399990A (zh) * 2013-07-18 2013-11-20 北京工业大学 城市排水仿真模拟系统的道路精细离散网格构建方法
CN105974451A (zh) * 2016-04-29 2016-09-28 厦门市美亚柏科信息股份有限公司 基于点集合的位置信息获取方法和装置
CN109167805A (zh) * 2018-07-09 2019-01-08 同济大学 基于城市场景中车联网时空数据的分析处理方法
CN110823899A (zh) * 2018-08-10 2020-02-21 杭州海康机器人技术有限公司 一种故障定位方法、装置及系统
CN113706127A (zh) * 2021-10-22 2021-11-26 长视科技股份有限公司 一种水域分析报告的生成方法及电子设备
CN114331000A (zh) * 2021-11-25 2022-04-12 中通服和信科技有限公司 一种基于人工智能的智慧园区能耗管理系统
CN114647819A (zh) * 2022-03-30 2022-06-21 重庆邮电大学 基于图卷积网络的环境数据的格点处理方法
CN114971290A (zh) * 2022-05-26 2022-08-30 深圳市银河通信科技有限公司 一种基于智慧路灯的园区管理系统及方法
CN115271612A (zh) * 2022-08-24 2022-11-01 上海东普信息科技有限公司 物流园区安全监控方法、装置、设备及存储介质
CN115439618A (zh) * 2022-04-28 2022-12-06 朱俊丰 智慧园区信息模型系统
CN115511343A (zh) * 2022-10-10 2022-12-23 北京百度网讯科技有限公司 一种城市核心区域的确定方法、装置、设备以及存储介质
CN116129366A (zh) * 2023-04-19 2023-05-16 肯特智能技术（深圳）股份有限公司 基于数字孪生的园区监测方法及相关装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399990A (zh) * 2013-07-18 2013-11-20 北京工业大学 城市排水仿真模拟系统的道路精细离散网格构建方法
CN105974451A (zh) * 2016-04-29 2016-09-28 厦门市美亚柏科信息股份有限公司 基于点集合的位置信息获取方法和装置
CN109167805A (zh) * 2018-07-09 2019-01-08 同济大学 基于城市场景中车联网时空数据的分析处理方法
CN110823899A (zh) * 2018-08-10 2020-02-21 杭州海康机器人技术有限公司 一种故障定位方法、装置及系统
CN113706127A (zh) * 2021-10-22 2021-11-26 长视科技股份有限公司 一种水域分析报告的生成方法及电子设备
CN114331000A (zh) * 2021-11-25 2022-04-12 中通服和信科技有限公司 一种基于人工智能的智慧园区能耗管理系统
CN114647819A (zh) * 2022-03-30 2022-06-21 重庆邮电大学 基于图卷积网络的环境数据的格点处理方法
CN115439618A (zh) * 2022-04-28 2022-12-06 朱俊丰 智慧园区信息模型系统
CN114971290A (zh) * 2022-05-26 2022-08-30 深圳市银河通信科技有限公司 一种基于智慧路灯的园区管理系统及方法
CN115271612A (zh) * 2022-08-24 2022-11-01 上海东普信息科技有限公司 物流园区安全监控方法、装置、设备及存储介质
CN115511343A (zh) * 2022-10-10 2022-12-23 北京百度网讯科技有限公司 一种城市核心区域的确定方法、装置、设备以及存储介质
CN116129366A (zh) * 2023-04-19 2023-05-16 肯特智能技术（深圳）股份有限公司 基于数字孪生的园区监测方法及相关装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
包车模式中多约束条件下的路径规划;梁霏霏 等;《物流技术与应用》;第24卷(第11期);138-141 *
化工园区智慧化建设及应用管理;李红梅;《化学工程与装备》(第4期);173-174 *
基于工业互联网的数字孪生综合管控平台应用研究;张国政;《科技与创新》(第17期);134-136+139 *

Also Published As

Publication number Publication date
CN116610921A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN108446293B (zh) 一种基于城市多源异构数据构建城市画像的方法
CN109522603B (zh) 基于云平台的车载拉格朗日实时大气污染溯源系统及方法
Biljecki et al. Population estimation using a 3D city model: A multi-scale country-wide study in the Netherlands
Hecht et al. Automatic identification of building types based on topographic databases–a comparison of different data sources
Yu et al. Object-based spatial cluster analysis of urban landscape pattern using nighttime light satellite images: A case study of China
CN106133756A (zh) 用于过滤、分割并且识别无约束环境中的对象的系统
CN109856702B (zh) 一种基于聚类的降水日变化类型划分与空间分布提取方法
CN108540988B (zh) 一种场景划分方法及装置
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
Rust et al. Quantifying differences in circulation patterns based on probabilistic models: IPCC AR4 multimodel comparison for the North Atlantic
CN116720984B (zh) 一种基于卫星地图技术的智慧电力审计方法
Kuffer et al. Do we underestimate the global slum population?
CN116467788B (zh) 一种无障碍环境建设管理方法及系统
Alahmadi et al. A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia
CN116843845A (zh) 一种应用于数字孪生城市的空间数据集成方法及系统
CN114925043B (zh) 基于时空网格块数据的应用方法、装置及电子设备
CN116011322A (zh) 基于数字孪生的城市信息展示方法、装置、设备及介质
CN114781768A (zh) 基于城市资源数据的停车场设施规划方法、装置及设备
CN116610921B (zh) 一种基于大数据的智慧园区信息管理系统及方法
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
CN115759660A (zh) 一种无人驾驶车辆的调度方法、装置、设备和介质
CN115017348A (zh) 一种网格数据图实现方法和装置
CN114138926A (zh) 一种人口分布格网大小确定方法及系统
CN117057610B (zh) 基于区域的多行业对象全局气象风险预警方法及系统
CN117458450B (zh) 电力数据能耗预测分析方法及系统

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