CN116756493B - 一种安消防集指平台数据管理方法 - Google Patents
一种安消防集指平台数据管理方法 Download PDFInfo
- Publication number
- CN116756493B CN116756493B CN202311022505.3A CN202311022505A CN116756493B CN 116756493 B CN116756493 B CN 116756493B CN 202311022505 A CN202311022505 A CN 202311022505A CN 116756493 B CN116756493 B CN 116756493B
- Authority
- CN
- China
- Prior art keywords
- data
- trend
- sequence
- time period
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013523 data management Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 67
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 239000001257 hydrogen Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 230000007704 transition Effects 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000031427 Foetal heart rate deceleration Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种安消防集指平台数据管理方法,包括:先将时序数据序列划分为若干个时间段,得到时间段对应的趋势序列,再将趋势序列划分为若干个小趋势序列,根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性,进而确定时间段的多变性校正系数,获取时间段内的数据趋势的杂乱性,再根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性,进而确定时序数据序列对应的多项式阶数调节系数,从而确定多项式阶数,由此对时序数据序列进行平滑去噪处理。本发明能在保留数据趋势特征的同时去除噪声,并防止过渡拟合,令数据失去真实性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种安消防集指平台数据管理方法。
背景技术
安消防集指平台数据管理是指在安全与消防一体化管理中,对相关数据进行集中管理和处理的过程。其通过传感器、监控设备等手段,定期地采集与安全和消防相关的数据进行存储,再对存储的数据进行分析和挖掘,提取有用的信息和模式,将分析结果以可视化的方式展示,并对采集到的数据进行安全保护。由此实现对安全与消防相关数据的集中管理和分析,提供决策支持和改进机会,从而提高整体的安全与消防管理水平。
但由于环境条件、数据采集设备、采样位置和方式、数据处理和传输等因素的影响,导致采集的安全和消防相关的数据存在噪声,从而影响后续的数据分析和挖掘,以及消防决策的可信性,因此需要进行必要的噪声处理和校正。
Savitzky-Golay平滑滤波算法是一种常用的数据平滑去噪方法,它通过基于最小二乘拟合的方式对数据进行平滑去噪处理,其能在保留数据趋势特征的同时去除噪声,且该算法中多项式阶数对去噪效果有着重要的影响。
现有的问题:采集的安全和消防相关的数据中的噪声出现位置和大小不定,当灾害发生时,较高的多项式阶数,可以更好地适应数据的变化趋势,但过高的多项式拟合阶数可能会导致过度拟合,使得平滑结果失去原始数据的真实特征,还可能会造成虚假警报,影响后续消防决策的可信性。
发明内容
本发明提供一种安消防集指平台数据管理方法,以解决现有的问题。
本发明的一种安消防集指平台数据管理方法采用如下技术方案:
本发明一个实施例提供了一种安消防集指平台数据管理方法,该方法包括以下步骤:
使用传感器采集建筑物内火灾从发生至结束时任意一个区域内的一氧化碳浓度数据,得到时序数据序列,将时序数据序列划分为若干个时间段;根据时间段内相邻两个数据的差异,得到趋势序列,将趋势序列划分为若干个小趋势序列;
根据相邻两个小趋势序列对应的总趋势向量和不规律性,确定相邻两个小趋势序列的实际差异;根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性;
获取参考时序数据序列,将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;根据参考时间段内的数据变化特征,确定参考时间段的可信度;根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度,确定时间段的多变性校正系数;根据时间段的多变性校正系数和时间段内数据趋势的多变性,确定时间段内的数据趋势的杂乱性;
根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性;根据所有相邻时间段的重要性和所有时间段对应的整体向量,确定时序数据序列对应的多项式阶数调节系数;
根据时序数据序列对应的多项式阶数调节系数,确定时序数据序列对应的多项式阶数;根据时序数据序列对应的多项式阶数,使用Savitzky-Golay平滑滤波算法对时序数据序列进行平滑去噪处理,得到去噪后的时序数据序列。
进一步地,所述根据时间段内相邻两个数据的差异,得到趋势序列,将趋势序列划分为若干个小趋势序列,包括的具体步骤如下:
依次计算时间段内相邻两个数据的差值的绝对值,得到趋势序列;
使用一阶导数法得到趋势序列中的局部极值点,根据趋势序列中的局部极值点将趋势序列划分为若干个小趋势序列。
进一步地,所述根据相邻两个小趋势序列对应的总趋势向量和不规律性,确定相邻两个小趋势序列的实际差异,包括的具体步骤如下:
以趋势序列中的数据值为纵轴、序数值为横轴构建第一平面坐标系,在第一平面坐标系上,将小趋势序列中第一个数据点至最后一个数据点的方向和欧式距离构建的向量,记为总趋势向量;将小趋势序列中前一个数据点至后一个数据点的方向和欧式距离构建的向量,记为分趋势向量;
将小趋势序列中所有分趋势向量分别与总趋势向量的夹角值的方差,记为小趋势序列的不规律性;
将相邻两个小趋势序列的不规律性之和的归一化值与相邻两个小趋势序列对应的总趋势向量的夹角值的乘积,记为相邻两个小趋势序列的实际差异。
进一步地,所述根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性,包括的具体步骤如下:
若趋势序列划分的小趋势序列的数量大于预设的数量阈值时,根据趋势序列中所有相邻小趋势序列的实际差异和所有相邻小趋势序列对应的总趋势向量的夹角值,确定时间段内各状态之间的实际差异;
根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量,确定时间段内数据趋势的多变性;
若趋势序列划分的小趋势序列的数量小于等于预设的数量阈值,则时间段内数据趋势的多变性设置为预设的多变性。
进一步地,所述根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量,确定时间段内数据趋势的多变性对应的具体计算公式为:
其中C为时间段内数据趋势的多变性,D为趋势序列划分的小趋势序列的数量,n为时间段内的数据数量,为趋势序列划分的第i个和第i+1个小趋势序列对应的总趋势向量的夹角值,/>为趋势序列划分的第i个和第i+1个小趋势序列的实际差异,/>为趋势序列划分的所有相邻小趋势序列的实际差异之和,a为预设的常数。
进一步地,所述获取参考时序数据序列,将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;根据参考时间段内的数据变化特征,确定参考时间段的可信度,包括的具体步骤如下:
使用传感器采集时序数据序列对应的同时间、同频率、同地点的二氧化碳和氢气以及烟雾浓度数据,得到时序数据序列,记为参考时序数据序列;其中二氧化碳和氢气以及烟雾为预设的参考数据类型;
将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;
使用一阶导数法得到参考时间段内的局部极值点,根据参考时间段内的局部极值点,将参考时间段划分为若干个小参考时间段;
将参考时间段内的局部极值点数量的反比归一化值和参考时间段划分的所有小参考时间段内数据数量中的最大值的乘积,记为参考时间段的可信度。
进一步地,所述根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度,确定时间段的多变性校正系数;根据时间段的多变性校正系数和时间段内数据趋势的多变性,确定时间段内的数据趋势的杂乱性,包括的具体步骤如下:
根据时间段分别与其对应的所有参考时间段中数据的协方差和时间段与其对应的所有参考时间段的可信度,确定时间段的多变性校正系数;
将时间段的多变性校正系数和时间段内数据趋势的多变性的乘积,记为时间段内的数据趋势的杂乱性。
进一步地,所述将时间段的多变性校正系数和时间段内数据趋势的多变性的乘积,记为时间段内的数据趋势的杂乱性对应的具体计算公式为:
其中G为时间段内的数据趋势的杂乱性,C为时间段内数据趋势的多变性,为时间段与其对应的第i个参考时间段中数据的协方差,/>为时间段对应的第i个参考时间段的可信度,/>为时间段对应的所有参考时间段的可信度之和,b为预设的参考数据类型数量,/>为线性归一化函数。
进一步地,所述根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性;根据所有相邻时间段的重要性和所有时间段对应的整体向量,确定时序数据序列对应的多项式阶数调节系数,包括的具体步骤如下:
将相邻两个时间段内的数据数量之和的归一化值与相邻两个时间段内的数据趋势的杂乱性之和的乘积,记为相邻两个时间段的重要性;
以时序数据序列中的数据值为纵轴、时间点为横轴构建第二平面坐标系,在第二平面坐标系上,将时间段内第一个数据点至最后一个数据点的方向和欧式距离构建的向量,记为整体向量;
根据时序数据序列划分的所有相邻时间段对应的整体向量的夹角值的归一化值与所有相邻时间段的重要性,确定时序数据序列对应的多项式阶数调节系数。
进一步地,所述根据时序数据序列划分的所有相邻时间段对应的整体向量的夹角值的归一化值与所有相邻时间段的重要性,确定时序数据序列对应的多项式阶数调节系数对应的具体计算公式为:
其中R为时序数据序列对应的多项式阶数调节系数,t为时序数据序列划分的时间段数量,为时序数据序列划分的第j个和第j+1个时间段对应的整体向量的夹角值的归一化值,/>为时序数据序列划分的第j个和第j+1个时间段的重要性,/>为时序数据序列划分的所有相邻时间段的重要性之和。
本发明的技术方案的有益效果是:
本发明实施例中,先将时序数据序列划分为若干个时间段,根据时间段内相邻两个数据的差异,得到趋势序列,再将趋势序列划分为若干个小趋势序列,根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性。考虑到噪声造成的伪多样性,获取参考时序数据序列和参考时间段,根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度,确定时间段的多变性校正系数,获取时间段内的数据趋势的杂乱性,再根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性,进而确定时序数据序列对应的多项式阶数调节系数,从而确定时序数据序列对应的多项式阶数,由此使用Savitzky-Golay平滑滤波算法对时序数据序列进行平滑去噪处理,得到去噪后的时序数据序列。对数据变化趋势较为剧烈、多样的时序数据序列,赋予较高阶数的多项式,以更好地适应数据的变化趋势和保障数据的细节和特征,而对于噪声造成的伪多样性,适当的调小多项式阶数,防止过高的多项式阶数对噪声过度敏感,从而使平滑结果失去了原始数据的真实特征。
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,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地介绍,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他的附图。
图1为本发明一种安消防集指平台数据管理方法的步骤流程图。
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一种安消防集指平台数据管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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一种安消防集指平台数据管理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种安消防集指平台数据管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:使用传感器采集建筑物内火灾从发生至结束时任意一个区域内的一氧化碳浓度数据,得到时序数据序列,将时序数据序列划分为若干个时间段;根据时间段内相邻两个数据的差异,得到趋势序列,将趋势序列划分为若干个小趋势序列。
在安全消防过程中,火灾信息监测是至关重要的,而火灾检测主要根据一氧化碳、二氧化碳和烟雾浓度等数据的分析和预测,实现火灾的早期发现和及时响应,而数据分析和预测需要大量准确的历史数据作为参数。但采集的数据会不可避免的存在一定的噪声,影响数据的可信性,因此需要进行必要的噪声处理。其中火灾中一氧化碳气体产生较早,且比空气轻,容易上升、扩散至传感器处,因此本实施例以一氧化碳浓度数据为例进行数据的精准去噪,保障数据的真实性。
获取传感器采集的建筑物内火灾从发生至结束时任意一个区域内的一氧化碳浓度数据,得到时序数据序列A。使用一阶导数法得到时序数据序列A中的局部极值点,根据局部极值点将时序数据序列A划分为若干个时间段,即每个时间段内的数据变化趋势处于持续上升或者下降趋势。其中,一阶导数法为公知技术,具体方法在此不做介绍。
由于火灾过程中,有害气体浓度会随着火势的扩大和燃烧的进行逐渐增加,直至火势得到控制或燃烧物质耗尽,有害气体浓度逐渐减小,在此过程中由于风向和风速的变化,以及建筑物的通风系统等因素的影响,会导致有害气体浓度产生一定波动。当波动变化越复杂时,则需要较高的多项式阶数,可以更好地适应数据的变化趋势,能够更准确地捕捉到数据中的细节和特征,保证后续数据分析和预测的准确性。
取一个时间段为例,依次计算该时间段内相邻两个数据的差值的绝对值,得到趋势序列,其中n为该时间段内的数据数量,/>为时间段内第n-1个数据和第n个数据的差值的绝对值。由于数据在持续上升或者下降过程中,还可能存在不同的加速、匀速、减速状态,故再使用一阶导数法得到趋势序列/>中的局部极值点,根据局部极值点将趋势序列/>划分为若干个小趋势序列。所需说明的是,当趋势序列/>中的局部极值点数量为0时,划分的小趋势序列就是趋势序列/>本身。
步骤S002:根据相邻两个小趋势序列对应的总趋势向量和不规律性,确定相邻两个小趋势序列的实际差异;根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性。
使用传感器采集建筑物内火灾从发生至结束时某一区域的一氧化碳浓度数据,得到时序数据序列,将时序数据序列A划分为若干个时间段;根据时间段内相邻两个数据的差异,得到趋势序列,将趋势序列划分为若干个小趋势序列。
以趋势序列中的数据值为纵轴、序数值为横轴构建第一平面坐标系,取一个小趋势序列为例,在第一平面坐标系上,根据该小趋势序列中第一个数据点至最后一个数据点的方向和欧式距离构建向量,记为总趋势向量。依次根据该小趋势序列中前一个数据点至后一个数据点的方向和欧式距离构建向量,记为分趋势向量。进而计算该小趋势序列中所有分趋势向量分别与总趋势向量的夹角值的方差,记为该小趋势序列的不规律性。所需说明的是,当该小趋势序列处于匀加速或者匀减速时状态,其数据变化规律,各分趋势向量与总趋势向量的夹角值相似,即方差较小,当该小趋势序列处于变加速或者变减速时状态,其数据变化不规律,各分趋势向量与总趋势向量的夹角值存在差异,即方差较大。
按照上述方式,获得趋势序列中每个小趋势序列对应的总趋势向量和不规律性。
由此可知该时间段内数据趋势的多变性C的计算公式为:
当时,C的获取方式如下:
当时,C的获取方式如下:
其中C为该时间段内数据趋势的多变性,为设定的多变性,D为趋势序列/>划分的小趋势序列的数量,/>为设定的数量阈值,n为该时间段内的数据数量,/>为趋势序列/>划分的第i个和第i+1个小趋势序列对应的总趋势向量的夹角值,/>为趋势序列/>划分的第i个和第i+1个小趋势序列的实际差异,/>为趋势序列/>划分的所有相邻小趋势序列的实际差异之和,/>和/>分别为趋势序列/>划分的第i个和第i+1个小趋势序列的不规律性,a为设定的常数,/>为线性归一化函数,将数据值归一化至[0,1]区间内。本实施例中设定C的取值范围为[0,1],/>为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定,已知两向量的夹角值的最大值为180,故令设定的/>,。
所需说明的是:本实施例中设定C的取值范围为[0,1]为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。因此当趋势序列划分的小趋势序列的数量D小于等于设定的数量阈值/>时,说明该时间段内数据的持续上升或者下降无多种状态,则令该时间段内数据趋势的多变性C为设定的多变性/>。当趋势序列/>划分的小趋势序列的数量D大于设定的数量阈值/>时,说明该时间段内数据的持续上升或者下降存在多种状态,需要进一步分析各种状态之间的关系,当/>越大时,说明相邻两状态之间的转变差异越大,而/>越大,说明第i个小趋势序列内的数据变化越不规律,即处于边加速或者变减速状态,因此用归一化的/>为/>的调整值,两者乘积为相邻两状态之间的实际差异,由此以归一化的/>为/>的权重,加权平均/>为该时间段内各状态之间的实际差异,再以该时间段内各状态的数量D的归一化值为/>的调整值,两者乘积的归一化值该时间段内数据趋势的多变性C。
步骤S003:获取参考时序数据序列,将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;根据参考时间段内的数据变化特征,确定参考时间段的可信度;根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度,确定时间段的多变性校正系数;根据时间段的多变性校正系数和时间段内数据趋势的多变性,确定时间段内的数据趋势的杂乱性。
由于噪声出现位置和大小不定,因此时间段的划分和较大的时间段内数据趋势的多变性可能是由噪声影响导致的,导致后续多项式阶数的选取过高,其对噪声过度敏感,从而使平滑结果失去了原始数据的真实特征。因此需要进一步分析时间段内的噪声影响,计算多变性校正系数,获取时间段的数据趋势的杂乱性。
使用传感器采集时序数据序列A对应的同时间、同频率、同地点处的二氧化碳和氢气以及烟雾浓度数据,得到时序数据序列和/>以及/>,记为参考时序数据序列。本实施例设定的参考数据类型数量b=3,其具体以二氧化碳和氢气以及烟雾浓度数据为例进行叙述,其它实施方式中可设置为其它类型数据,本实施例不进行限定。
由于火灾过程中,本实施例选取的同一地点的这四种有害气体浓度都会同时受到火势和风向以及风速的影响,因此时序数据序列A与其对应的参考时序数据序列相互为正相关关系,且风向和风速的变化,会造成这四种时序数据序列同时出现波动。而由于噪声出现的随机性,同一时间点上,不同类型数据都受噪声影响的概率极小,由此可极大概率的识别出时间段内的噪声影响。
仍以上述举例的时间段为例,根据时间点大小,得到该时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段,再使用一阶导数法得到参考时间段内的局部极值点,根据局部极值点,将参考时间段划分为若干个小参考时间段。所需说明的是,当参考时间段内的局部极值点数量为0时,划分的小参考时间段就是参考时间段本身。
由于时序数据中噪声每次出现的时间较短,因此只会导致数据长时间处于上升或者下降的一个时间段被误划分为多个时间段,不会导致相邻的数据上升和下降时间段被合并。则该时间段内的数据趋势的杂乱性G的计算公式为:
其中G为该时间段内的数据趋势的杂乱性,C为该时间段内数据趋势的多变性,为该时间段与其对应的第i个参考时间段中数据的协方差,/>为该时间段对应的第i个参考时间段的可信度,/>为该时间段对应的所有参考时间段的可信度之和,/>为该时间段对应的第i个参考时间段内的局部极值点数量,/>为该时间段对应的第i个参考时间段划分的所有小参考时间段内数据数量中的最大值,b为设定的参考数据类型数量,为线性归一化函数,将数据值归一化至[0,1]区间内。/>为以自然常数为底的指数函数,k为设定的指数函数调整值。本实施例中以/>3,/>为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:该时间段内的数据变化趋势处于持续上升或者下降趋势,当其对应的参考时间段出现多个上升和下降趋势时,说明该参考时间段存在噪声,即该参考时间段不可信,而当该参考时间段内数据变化趋势连续相同的时长越长时,噪声对该参考时间段的影响越小,故用表示该参考时间段内数据变化趋势相同的连续性,因此以反比归一化的/>为/>的调整值,两者乘积为该参考时间段的可信度。已知时序数据序列A与其对应的参考时序数据序列相互为正相关关系,故协方差/>越小,该时间段受噪声影响越大,该时间段内数据趋势的多变性C需要越小的校正系数,因此用归一化的/>为/>的权重,加权平均的归一化值加一为该时间段的多变性校正系数,其中加一是为了防止多变性校正系数为零。进而对C进行校正,获取该时间段内的数据趋势的杂乱性G。
按照上述方式,获取时序数据序列A划分的所有时间段内的数据趋势的杂乱性。
步骤S004:根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性;根据所有相邻时间段的重要性和所有时间段对应的整体向量,确定时序数据序列对应的多项式阶数调节系数。
当时序数据中的波动越陡峭时,表示有害气体浓度的变化更加剧烈和迅速,意味着有害气体的释放或积累速度更快、危险性更大。即需要更多的数据细节和特征。
以时序数据序列A中数据值为纵轴、时间点为横轴构建第二平面坐标系,在第二平面坐标系上,根据时间段内第一个数据点至最后一个数据点的方向和欧式距离构建向量,记为整体向量。进而依次计算时序数据序列A中相邻两个时间段对应的整体向量的夹角值,使用最小最大归一化法将时序数据序列A中所有相邻时间段对应的整体向量的夹角值归一化至[0,1]区间内,其中,最小最大归一化法为公知技术,具体方法在此不做介绍。
由此可知时序数据序列A对应的多项式阶数调节系数R的计算公式为:
其中R为时序数据序列A对应的多项式阶数调节系数,t为时序数据序列A划分的时间段数量,为时序数据序列A划分的第j个和第j+1个时间段对应的整体向量的夹角值的归一化值,/>为时序数据序列A划分的第j个和第j+1个时间段的重要性,/>为时序数据序列A划分的所有相邻时间段的重要性之和,m为时序数据序列A中的数据数量,/>和/>为时序数据序列A划分的第j个和第j+1个时间段内的数据数量,/>和/>为时序数据序列A划分的第j个和第j+1个时间段内的数据趋势的杂乱性。
所需说明的是:相邻两个时间段内的数据趋势的杂乱性G越大,且相邻两个时间段的时长在时序数据序列中的时长占比越大,其越重要,需要较大的多项式阶数,保障数据变化趋势特征,故用归一化的为/>的调整值,两者乘积为相邻两个时间段的重要性。当/>越大时,说明相邻两个时间段内的数据趋势转变越陡峭,因此以归一化的为/>的权重,加权平均得到时序数据序列A对应的多项式阶数调节系数R,其值越大,需要越大的多项式阶数调节系数。
步骤S005:根据时序数据序列对应的多项式阶数调节系数,确定时序数据序列对应的多项式阶数;根据时序数据序列对应的多项式阶数,使用Savitzky-Golay平滑滤波算法对时序数据序列进行平滑去噪处理,得到去噪后的时序数据序列。
本实施例设定的多项式阶数取值范围为[0,4],以其为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。则时序数据序列A对应的多项式阶数P的计算公式为:
其中P为时序数据序列A对应的多项式阶数,为时序数据序列A对应的多项式阶数调节系数,/>为向下取整。
根据时序数据序列A对应的多项式阶数P,使用Savitzky-Golay平滑滤波算法对时序数据序列A进行平滑去噪处理,得到去噪后的时序数据序列。其中,Savitzky-Golay平滑滤波算法为公知技术,具体方法在此不做介绍。
按照上述相同的方式,可以对火灾发生时的其它有害气体浓度数据进行平滑去噪处理。
将去噪后的时序数据序列保存到合适的存储介质中,如数据库、云端存储等,再对存储的数据进行分析和挖掘,提取有用的信息和模式,将分析结果以可视化的方式展示,并对采集到的数据进行安全保护。由此实现对安全与消防相关数据的集中管理和分析,提供决策支持和改进机会,从而提高整体的安全与消防管理水平。
至此,本发明完成。
综上所述,在本发明实施例中,先将时序数据序列划分为若干个时间段,根据时间段内相邻两个数据的差异,得到趋势序列,再将趋势序列划分为若干个小趋势序列,根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性,进而确定时间段的多变性校正系数,获取时间段内的数据趋势的杂乱性,再根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性,进而确定时序数据序列对应的多项式阶数调节系数,从而确定时序数据序列对应的多项式阶数,由此使用Savitzky-Golay平滑滤波算法对时序数据序列进行平滑去噪处理,得到去噪后的时序数据序列。对数据变化趋势较为剧烈、多样的时序数据序列,赋予较高阶数的多项式,以更好地适应数据的变化趋势,而对于噪声造成的伪多样性,适当的调小多项式阶数,防止过渡拟合,令数据失真。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,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 (3)
1.一种安消防集指平台数据管理方法,其特征在于,该方法包括以下步骤:
使用传感器采集建筑物内火灾从发生至结束时任意一个区域内的一氧化碳浓度数据,得到时序数据序列,将时序数据序列划分为若干个时间段;根据时间段内相邻两个数据的差异,得到趋势序列,将趋势序列划分为若干个小趋势序列;
根据相邻两个小趋势序列对应的总趋势向量和不规律性,确定相邻两个小趋势序列的实际差异;根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性;
获取参考时序数据序列,将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;根据参考时间段内的数据变化特征,确定参考时间段的可信度;根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度,确定时间段的多变性校正系数;根据时间段的多变性校正系数和时间段内数据趋势的多变性,确定时间段内的数据趋势的杂乱性;
根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性;根据所有相邻时间段的重要性和所有时间段对应的整体向量,确定时序数据序列对应的多项式阶数调节系数;
根据时序数据序列对应的多项式阶数调节系数,确定时序数据序列对应的多项式阶数;根据时序数据序列对应的多项式阶数,使用Savitzky-Golay平滑滤波算法对时序数据序列进行平滑去噪处理,得到去噪后的时序数据序列;
所述根据相邻两个小趋势序列对应的总趋势向量和不规律性,确定相邻两个小趋势序列的实际差异,包括的具体步骤如下:
以趋势序列中的数据值为纵轴、序数值为横轴构建第一平面坐标系,在第一平面坐标系上,将小趋势序列中第一个数据点至最后一个数据点的方向和欧式距离构建的向量,记为总趋势向量;将小趋势序列中前一个数据点至后一个数据点的方向和欧式距离构建的向量,记为分趋势向量;
将小趋势序列中所有分趋势向量分别与总趋势向量的夹角值的方差,记为小趋势序列的不规律性;
将相邻两个小趋势序列的不规律性之和的归一化值与相邻两个小趋势序列对应的总趋势向量的夹角值的乘积,记为相邻两个小趋势序列的实际差异;
所述根据趋势序列中所有相邻小趋势序列的实际差异和对应的总趋势向量,确定时间段内数据趋势的多变性,包括的具体步骤如下:
若趋势序列划分的小趋势序列的数量大于预设的数量阈值时,根据趋势序列中所有相邻小趋势序列的实际差异和所有相邻小趋势序列对应的总趋势向量的夹角值,确定时间段内各状态之间的实际差异;
根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量,确定时间段内数据趋势的多变性;
若趋势序列划分的小趋势序列的数量小于等于预设的数量阈值,则时间段内数据趋势的多变性设置为预设的多变性;
所述根据时间段内各状态之间的实际差异和趋势序列划分的小趋势序列的数量,确定时间段内数据趋势的多变性对应的具体计算公式为:
其中C为时间段内数据趋势的多变性,D为趋势序列划分的小趋势序列的数量,n为时间段内的数据数量,为趋势序列划分的第i个和第i+1个小趋势序列对应的总趋势向量的夹角值,/>为趋势序列划分的第i个和第i+1个小趋势序列的实际差异,/>为趋势序列划分的所有相邻小趋势序列的实际差异之和,a为预设的常数;
所述根据时间段与其对应的所有参考时间段的相关性和所有参考时间段的可信度,确定时间段的多变性校正系数;根据时间段的多变性校正系数和时间段内数据趋势的多变性,确定时间段内的数据趋势的杂乱性,包括的具体步骤如下:
根据时间段分别与其对应的所有参考时间段中数据的协方差和时间段与其对应的所有参考时间段的可信度,确定时间段的多变性校正系数;
将时间段的多变性校正系数和时间段内数据趋势的多变性的乘积,记为时间段内的数据趋势的杂乱性;
所述将时间段的多变性校正系数和时间段内数据趋势的多变性的乘积,记为时间段内的数据趋势的杂乱性对应的具体计算公式为:
其中G为时间段内的数据趋势的杂乱性,C为时间段内数据趋势的多变性,为时间段与其对应的第i个参考时间段中数据的协方差,/>为时间段对应的第i个参考时间段的可信度,/>为时间段对应的所有参考时间段的可信度之和,b为预设的参考数据类型数量,为线性归一化函数;
所述根据相邻两个时间段内的数据趋势的杂乱性和数据数量,确定相邻两个时间段的重要性;根据所有相邻时间段的重要性和所有时间段对应的整体向量,确定时序数据序列对应的多项式阶数调节系数,包括的具体步骤如下:
将相邻两个时间段内的数据数量之和的归一化值与相邻两个时间段内的数据趋势的杂乱性之和的乘积,记为相邻两个时间段的重要性;
以时序数据序列中的数据值为纵轴、时间点为横轴构建第二平面坐标系,在第二平面坐标系上,将时间段内第一个数据点至最后一个数据点的方向和欧式距离构建的向量,记为整体向量;
根据时序数据序列划分的所有相邻时间段对应的整体向量的夹角值的归一化值与所有相邻时间段的重要性,确定时序数据序列对应的多项式阶数调节系数;
时序数据序列A对应的多项式阶数P的计算公式为:
其中P为时序数据序列A对应的多项式阶数,R为时序数据序列A对应的多项式阶数调节系数,为向下取整;
所述根据时序数据序列划分的所有相邻时间段对应的整体向量的夹角值的归一化值与所有相邻时间段的重要性,确定时序数据序列对应的多项式阶数调节系数对应的具体计算公式为:
其中R为时序数据序列对应的多项式阶数调节系数,t为时序数据序列划分的时间段数量,为时序数据序列划分的第j个和第j+1个时间段对应的整体向量的夹角值的归一化值,/>为时序数据序列划分的第j个和第j+1个时间段的重要性,/>为时序数据序列划分的所有相邻时间段的重要性之和。
2.根据权利要求1所述一种安消防集指平台数据管理方法,其特征在于,所述根据时间段内相邻两个数据的差异,得到趋势序列,将趋势序列划分为若干个小趋势序列,包括的具体步骤如下:
依次计算时间段内相邻两个数据的差值的绝对值,得到趋势序列;
使用一阶导数法得到趋势序列中的局部极值点,根据趋势序列中的局部极值点将趋势序列划分为若干个小趋势序列。
3.根据权利要求1所述一种安消防集指平台数据管理方法,其特征在于,所述获取参考时序数据序列,将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;根据参考时间段内的数据变化特征,确定参考时间段的可信度,包括的具体步骤如下:
使用传感器采集时序数据序列对应的同时间、同频率、同地点的二氧化碳和氢气以及烟雾浓度数据,得到时序数据序列,记为参考时序数据序列;其中二氧化碳和氢气以及烟雾为预设的参考数据类型;
将时间段对应的同时间点上参考时序数据序列中的时间段,记为参考时间段;
使用一阶导数法得到参考时间段内的局部极值点,根据参考时间段内的局部极值点,将参考时间段划分为若干个小参考时间段;
将参考时间段内的局部极值点数量的反比归一化值和参考时间段划分的所有小参考时间段内数据数量中的最大值的乘积,记为参考时间段的可信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022505.3A CN116756493B (zh) | 2023-08-15 | 2023-08-15 | 一种安消防集指平台数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022505.3A CN116756493B (zh) | 2023-08-15 | 2023-08-15 | 一种安消防集指平台数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756493A CN116756493A (zh) | 2023-09-15 |
CN116756493B true CN116756493B (zh) | 2023-10-27 |
Family
ID=87959392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311022505.3A Active CN116756493B (zh) | 2023-08-15 | 2023-08-15 | 一种安消防集指平台数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756493B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131530B (zh) * | 2023-10-20 | 2024-01-30 | 合肥亚明汽车部件有限公司 | 一种智慧工厂敏感数据加密防护方法 |
CN117435873B (zh) * | 2023-12-21 | 2024-03-08 | 山东中都机器有限公司 | 一种基于智能喷雾降尘的数据管理方法 |
CN117807279B (zh) * | 2024-02-29 | 2024-05-14 | 辽宁云也智能信息科技有限公司 | 用于高速公路质量检测的数据检索方法 |
CN117892066B (zh) * | 2024-03-14 | 2024-05-28 | 杭州银湖电气设备有限公司 | 一种磁控电抗器振动噪声数据处理方法 |
CN117975742B (zh) * | 2024-03-29 | 2024-06-18 | 大连禾圣科技有限公司 | 基于大数据的智慧城市交通管理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458374A (zh) * | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
CN113159428A (zh) * | 2021-04-26 | 2021-07-23 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN114330121A (zh) * | 2021-12-28 | 2022-04-12 | 大连理工大学 | 一种工业时序数据长期快速预测方法及装置 |
CN115374903A (zh) * | 2022-06-19 | 2022-11-22 | 山东高速集团有限公司 | 一种基于高速公路传感网布设的长期路面监测数据增强方法 |
CN115656626A (zh) * | 2022-11-03 | 2023-01-31 | 云南电网有限责任公司 | 一种新能源场站机端动态频率时空相关性分析方法 |
CN115994137A (zh) * | 2023-03-23 | 2023-04-21 | 无锡弘鼎软件科技有限公司 | 一种基于物联网应用服务系统的数据管理方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7579984B2 (en) * | 2005-11-23 | 2009-08-25 | The Boeing Company | Ultra-tightly coupled GPS and inertial navigation system for agile platforms |
US11969280B2 (en) * | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
-
2023
- 2023-08-15 CN CN202311022505.3A patent/CN116756493B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458374A (zh) * | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
CN113159428A (zh) * | 2021-04-26 | 2021-07-23 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN114330121A (zh) * | 2021-12-28 | 2022-04-12 | 大连理工大学 | 一种工业时序数据长期快速预测方法及装置 |
CN115374903A (zh) * | 2022-06-19 | 2022-11-22 | 山东高速集团有限公司 | 一种基于高速公路传感网布设的长期路面监测数据增强方法 |
CN115656626A (zh) * | 2022-11-03 | 2023-01-31 | 云南电网有限责任公司 | 一种新能源场站机端动态频率时空相关性分析方法 |
CN115994137A (zh) * | 2023-03-23 | 2023-04-21 | 无锡弘鼎软件科技有限公司 | 一种基于物联网应用服务系统的数据管理方法 |
Non-Patent Citations (2)
Title |
---|
MODIS植被指数时间序列Savitzky-Golay滤波算法重构;边金虎;李爱农;宋孟强;马利群;蒋锦刚;;遥感学报(04);全文 * |
基于时间序列MODIS EVI数据的森林生长异常监测;刘丽娟;林业科学;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756493A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116756493B (zh) | 一种安消防集指平台数据管理方法 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
US8938404B2 (en) | System and method for detecting abnormal audio events | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
CN112987675A (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
CN108801437B (zh) | 基于扰动信号特征提取的分布式光纤振动传感定位方法及装置 | |
CN112766429B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN117407661B (zh) | 一种用于设备状态检测的数据增强方法 | |
CN117235447A (zh) | 一种建筑能源数据管理方法及系统 | |
CN111898639A (zh) | 基于降维的分层时间记忆工业异常检测方法与装置 | |
CN114492680B (zh) | 浮标数据质量控制方法、装置、计算机设备和存储介质 | |
CN116592951A (zh) | 一种电缆数据智能采集方法及系统 | |
CN117196353A (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
WO2023057434A1 (en) | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft | |
CN109557583B (zh) | 一种地震属性提取方法及系统 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
US20160275407A1 (en) | Diagnostic device, estimation method, non-transitory computer readable medium, and diagnostic system | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN117476140A (zh) | 基于物联网多维数据分析的大气环境污染治理方法 | |
US20170307750A1 (en) | Waveform estimation device and waveform estimation method | |
CN107346301B (zh) | 基于双时间窗口验证的水质监测噪音数据实时检测方法 |
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 |