CN116801213B - 一种基于大数据的城市二氧化碳数据采集方法及系统 - Google Patents
一种基于大数据的城市二氧化碳数据采集方法及系统 Download PDFInfo
- Publication number
- CN116801213B CN116801213B CN202310741835.1A CN202310741835A CN116801213B CN 116801213 B CN116801213 B CN 116801213B CN 202310741835 A CN202310741835 A CN 202310741835A CN 116801213 B CN116801213 B CN 116801213B
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- data information
- data
- information
- dioxide emission
- 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
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 540
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 270
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 203
- 230000005540 biological transmission Effects 0.000 claims abstract description 84
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000005265 energy consumption Methods 0.000 claims description 30
- 238000011084 recovery Methods 0.000 claims description 27
- 238000007405 data analysis Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000003860 storage Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 150000001722 carbon compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002120 nanofilm Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据的城市二氧化碳数据采集方法及系统，属于二氧化碳数据采集技术领域，本发明通过对每个监测节点的二氧化碳排放数据信息进行预处理，通过对预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果。本发明一方面通过遗传算法对贝叶斯网络进行优化，使得贝叶斯网络的性能得到优化，使得在识别企业的数据与二氧化碳排放的关联性时的快速性以及准确性。本发明另一方面通过对无线监测点的传输信息节点进行选择，使得无线传感器的传输信息节点得到了能量优化，使得无线传感器的传输信息节点使用寿命更长，提高了无线传感器的布局合理化，为二氧化碳的数据采集更加具备合理性。
Description
技术领域
本发明涉及二氧化碳数据采集技术领域，尤其涉及一种基于大数据的城市二氧化碳数据采集方法及系统。
背景技术
随着工业的发展和含碳燃料的长期使用，大气中的二氧化碳含量日益增多，其产生的“温室效应”已经一定程度地破坏了人们的生活环境，因此对于二氧化碳含量进行定量的测量与控制已成为一项极具实际意义的任务。此外，二氧化碳浓度的监控对于农业生产、医疗卫生等领域也有着重要的意义。以医疗卫生为例，世界各国都很重视对二氧化碳的监测和控制，这对于减少呼吸系统疾病、提高人们的生活水平有着无法估量的经济效益和社会效益。如今，工业化是城市产生二氧化碳的主要路径之一，通过采集相关企业的二氧化碳排放数据，是建立相关企业的连续排放浓度监测系统的前提之一。因此，如今对城市二氧化碳进行数据采集并设置无线监测网络是亟不可待的问题之一。而且现如今的数据采集系统对于构建无线监测网络的数据传输节点时不合理，导致了无线监测节点的相关无线传感器耗能严重，不利于长期的数据采集。其次，在构建无线监测网络时在不相关的企业亦设置无线监测点，导致无线监测网络产生过多的冗余节点，使得后期的二氧化碳的数据处理过于庞大。
发明内容
本发明克服了现有技术的不足，提供了一种基于大数据的城市二氧化碳数据采集方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于大数据的城市二氧化碳数据采集方法，包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息；
基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，并通过所述无线监测网络获取每个监测节点的二氧化碳排放数据信息；
通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；
通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果。
进一步地，本发明的一个较佳实施例中，通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息，具体包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并设置关键词数据提取标签，根据所述关键词数据提取标签对所述目标区域中相关企业的数据信息进行检索，以获取检索结果；
构建贝叶斯网络，获取大量的历史企业数据，并根据所述历史企业数据设置对应的第一独立事件，获取大量历史企业数据对应的二氧化碳排放数据信息，并根据所述历史企业数据对应的二氧化碳排放数据信息设置第二独立事件；
将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对所述第一独立事件以及第二独立事件进行排序，获取初始节点次序，并将所述初始节点次序作为遗传算法的输入顺序，采用遗传算法进行优化调整，以得到最优的贝叶斯网络；
将所述检索结果输入到所述贝叶斯网络中，以获取检索结果与二氧化碳排放数据信息的关联性，若所述检索结果与二氧化碳排放数据信息的关联性大于预设关联性阈值，则将目标区域中相关企业的数据信息作为与二氧化碳相关的数据信息进行输出。
进一步地，本发明的一个较佳实施例中，基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，具体包括以下步骤：
根据所述与二氧化碳相关的数据信息获取对应的企业数据信息，并通过对所述对应的企业数据信息进行特征提取，以获取对应的企业所在位置信息；
基于所述对应的企业所在位置信息设置无线监测节点，并通过蚁群算法对所述无线监测节点进行初始布局设定，并初始化所述无线监测节点的传输信息节点；
根据每一个所述无线监测节点与所述传输信息节点获取每一条信息传输路线，并计算每一条信息传输路线的能量损耗值，获取每一个无线监测节点的所在位置，并根据所述无线监测节点的所在位置以及每一条信息传输路线的能量损耗值，获取能量损耗值与距离的相关性；
根据能量损耗值与距离的相关性确定各个无线监测节点的能耗分布数据，预设无线监测节点的预定能量消耗值，并根据所述预定能量消耗值以及无线监测节点的能耗分布数据通过蚁群算法重新设置传输信息节点，并根据传输信息节点进行定期优化布局，并生成无线监测网络。
进一步地，本发明的一个较佳实施例中，通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息，具体包括以下步骤：
通过对所述每个监测检点的二氧化碳排放数据信息汇聚到信息传输节点，并通过卡尔曼滤波算法对汇聚到信息传输节点的二氧化碳排放数据信息进行滤波处理；
通过对信息传输节点的二氧化碳排放数据信息进行数据融合，并基于方差估计学习算法计算每个无线监测节点在各个时刻的测量方差分配值的均值；
基于最小二乘法对无线监测节点在各个时刻的测量方差分配值的均值进行数据融合，并在数据融合之后获取加权系数，根据所述加权系数获取每个监测节点的测量值；
将所述每个监测节点的测量值作为预处理后的二氧化碳排放数据信息，并将所述预处理后的二氧化碳排放数据信息进行输出。
进一步地，本发明的一个较佳实施例中，通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果，具体包括以下步骤：
通过大数据网络获取各类型企业的二氧化碳排放标准，并根据所述各类型企业的二氧化碳排放标准设置预定二氧化碳排放阈值数据信息；
判断所述预处理后的二氧化碳排放数据信息是否大于预定二氧化碳排放阈值数据信息，若所述预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则标记为正常排放的监测节点；
若所述预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则标记为异常排放的监测节点，根据预处理后的二氧化碳排放数据信息划分预警等级，以获取预警等级；
将所述预警等级作为数据分析结果进行输出。
进一步地，本发明的一个较佳实施例中，基于大数据的城市二氧化碳数据采集方法，还包括以下步骤：
若所述预警等级高于预设预警等级，则获取所述预警等级高于预设预警等级所在的位置信息，并根据所述预警等级高于预设预警等级所在的位置信息构建检索标签；
根据所述检索标签通过物联网控制平台获取相关的城市二氧化碳回收装置，并获取所述预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息；
通过大数据网络获取相关的城市二氧化碳回收装置的二氧化碳回收率，并对所述相关的城市二氧化碳回收装置的二氧化碳回收率进行优先级排序，以获取排序结果；
将所述预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息以及所述排序结果输入粒子群算法中进行选择，以获取最优的二氧化碳回收装置。
本发明第二方面提供了一种基于大数据的城市二氧化碳数据采集系统，所述系统包括存储器以及处理器，所述存储器中包含基于大数据的城市二氧化碳数据采集方法程序，所述基于大数据的城市二氧化碳数据采集方法程序被处理器执行时，实现如下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息；
基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，并通过所述无线监测网络获取每个监测节点的二氧化碳排放数据信息；
通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；
通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果。
在本实施例中，通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息，具体包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并设置关键词数据提取标签，根据所述关键词数据提取标签对所述目标区域中相关企业的数据信息进行检索，以获取检索结果；
构建贝叶斯网络，获取大量的历史企业数据，并根据所述历史企业数据设置对应的第一独立事件，获取大量历史企业数据对应的二氧化碳排放数据信息，并根据所述历史企业数据对应的二氧化碳排放数据信息设置第二独立事件；
将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对所述第一独立事件以及第二独立事件进行排序，获取初始节点次序，并将所述初始节点次序作为遗传算法的输入顺序，采用遗传算法进行优化调整，以得到最优的贝叶斯网络；
将所述检索结果输入到所述贝叶斯网络中，以获取检索结果与二氧化碳排放数据信息的关联性，若所述检索结果与二氧化碳排放数据信息的关联性大于预设关联性阈值，则将目标区域中相关企业的数据信息作为与二氧化碳相关的数据信息进行输出。
在本实施例中，基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，具体包括以下步骤：
根据所述与二氧化碳相关的数据信息获取对应的企业数据信息，并通过对所述对应的企业数据信息进行特征提取，以获取对应的企业所在位置信息；
基于所述对应的企业所在位置信息设置无线监测节点，并通过蚁群算法对所述无线监测节点进行初始布局设定，并初始化所述无线监测节点的传输信息节点；
根据每一个所述无线监测节点与所述传输信息节点获取每一条信息传输路线，并计算每一条信息传输路线的能量损耗值，获取每一个无线监测节点的所在位置，并根据所述无线监测节点的所在位置以及每一条信息传输路线的能量损耗值，获取能量损耗值与距离的相关性；
根据能量损耗值与距离的相关性确定各个无线监测节点的能耗分布数据，预设无线监测节点的预定能量消耗值，并根据所述预定能量消耗值以及无线监测节点的能耗分布数据通过蚁群算法重新设置传输信息节点，并根据传输信息节点进行定期优化布局，并生成无线监测网络。
在本实施例中，通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息，具体包括以下步骤：
通过对所述每个监测检点的二氧化碳排放数据信息汇聚到信息传输节点，并通过卡尔曼滤波算法对汇聚到信息传输节点的二氧化碳排放数据信息进行滤波处理；
通过对信息传输节点的二氧化碳排放数据信息进行数据融合，并基于方差估计学习算法计算每个无线监测节点在各个时刻的测量方差分配值的均值；
基于最小二乘法对无线监测节点在各个时刻的测量方差分配值的均值进行数据融合，并在数据融合之后获取加权系数，根据所述加权系数获取每个监测节点的测量值；
将所述每个监测节点的测量值作为预处理后的二氧化碳排放数据信息，并将所述预处理后的二氧化碳排放数据信息进行输出。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过大数据网络获取目标区域中相关企业的数据信息，并根据相关企业的数据信息获取与二氧化碳相关的数据信息；基于与二氧化碳相关的数据信息构建无线监测节点，并根据无线监测节点构建无线监测网络，并通过无线监测网络获取每个监测节点的二氧化碳排放数据信息；通过对每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；通过对预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果。本发明一方面通过遗传算法对贝叶斯网络进行优化，使得贝叶斯网络的性能得到优化，使得在识别企业的数据与二氧化碳排放的关联性时的快速性以及准确性。本发明另一方面通过对无线监测点的传输信息节点进行选择，使得无线传感器的传输信息节点得到了能量优化，使得无线传感器的传输信息节点使用寿命更长，提高了无线传感器的布局合理化，为二氧化碳的数据采集更加具备合理性。
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，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实施例的附图。
图1示出了一种基于大数据的城市二氧化碳数据采集方法的整体方法流程图；
图2示出了一种基于大数据的城市二氧化碳数据采集方法的第一方法流程图；
图3示出了一种基于大数据的城市二氧化碳数据采集方法的第二方法流程图；
图4示出了一种基于大数据的城市二氧化碳数据采集系统的系统框图。
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其他方式来实施，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。
如图1所示，本发明第一方面提供了一种基于大数据的城市二氧化碳数据采集方法，包括以下步骤：
S102:通过大数据网络获取目标区域中相关企业的数据信息，并根据相关企业的数据信息获取与二氧化碳相关的数据信息；
S104:基于与二氧化碳相关的数据信息构建无线监测节点，并根据无线监测节点构建无线监测网络，并通过无线监测网络获取每个监测节点的二氧化碳排放数据信息；
S106:通过对每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；
S108:通过对预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果。
需要说明的是，本发明一方面通过遗传算法对贝叶斯网络进行优化，使得贝叶斯网络的性能得到优化，使得在识别企业的数据与二氧化碳排放的关联性时的快速性以及准确性，提高无线监测网络的监测合理性。本发明另一方面通过对无线监测点的传输信息节点进行选择，使得无线传感器的传输信息节点得到了能量优化，使得无线传感器的传输信息节点使用寿命更长，提高了无线传感器的布局合理化，为二氧化碳的数据采集更加具备合理性。
如图2所示，需要说明的是，通过大数据网络获取目标区域中相关企业的数据信息，并根据相关企业的数据信息获取与二氧化碳相关的数据信息，具体为：
S202:通过大数据网络获取目标区域中相关企业的数据信息，并设置关键词数据提取标签，根据关键词数据提取标签对目标区域中相关企业的数据信息进行检索，以获取检索结果；
S204:构建贝叶斯网络，获取大量的历史企业数据，并根据历史企业数据设置对应的第一独立事件，获取大量历史企业数据对应的二氧化碳排放数据信息，并根据历史企业数据对应的二氧化碳排放数据信息设置第二独立事件；
S206:将第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对第一独立事件以及第二独立事件进行排序，获取初始节点次序，并将初始节点次序作为遗传算法的输入顺序，采用遗传算法进行优化调整，以得到最优的贝叶斯网络；
S208:将检索结果输入到贝叶斯网络中，以获取检索结果与二氧化碳排放数据信息的关联性，若检索结果与二氧化碳排放数据信息的关联性大于预设关联性阈值，则将目标区域中相关企业的数据信息作为与二氧化碳相关的数据信息进行输出。
需要说明的是，贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络是为了解决不定性和不完整性问题而提出的，它对于解决不确定性和关联有很大的优势，在多个领域中获得广泛应用。其中，大量的历史企业数据包括企业名称、企业的简介等，如某某企业，某某企业主要经营印刷业务、销售业务。而历史企业数据对应的二氧化碳排放数据信息可为某某物体的焚烧业务、碳化合物的生产等。由于系统不知道某企业的业务或者生产涉及二氧化碳的产生，此时通过贝叶斯网络来训练某企业的业务或者生产与二氧化碳排放的关联性，通过遗传算法对贝叶斯网络进行优化，使得贝叶斯网络的性能得到优化，使得在识别企业的数据与二氧化碳排放的关联性时更加快速以及准确。初始节点表示输入的第一独立事件以及第二独立事件的变量。其中，第一独立事件与第二独立事件的关联性越高表示某企业生产过程中产生的二氧化碳的概率越高，通过本方法能够有效地筛选出工业区域中产生二氧化碳的相关企业。
如图3所示，进一步地，本发明的一个较佳实施例中，基于与二氧化碳相关的数据信息构建无线监测节点，并根据无线监测节点构建无线监测网络，具体包括以下步骤：
S302:根据与二氧化碳相关的数据信息获取对应的企业数据信息，并通过对对应的企业数据信息进行特征提取，以获取对应的企业所在位置信息；
S304:基于对应的企业所在位置信息设置无线监测节点，并通过蚁群算法对无线监测节点进行初始布局设定，并初始化无线监测节点的传输信息节点；
S306:根据每一个无线监测节点与传输信息节点获取每一条信息传输路线，并计算每一条信息传输路线的能量损耗值，获取每一个无线监测节点的所在位置，并根据无线监测节点的所在位置以及每一条信息传输路线的能量损耗值，获取能量损耗值与距离的相关性；
S308:根据能量损耗值与距离的相关性确定各个无线监测节点的能耗分布数据，预设无线监测节点的预定能量消耗值，并根据预定能量消耗值以及无线监测节点的能耗分布数据通过蚁群算法重新设置传输信息节点，并根据传输信息节点进行定期优化布局，并生成无线监测网络。
需要说明的是，通过对无线监测点的传输信息节点进行选择，使得无线传感器的传输信息节点得到了能量优化，使得无线传感器的传输信息节点使用寿命更长，提高了无线传感器的布局合理化，为二氧化碳的数据采集更加具备合理性。
进一步地，本发明的一个较佳实施例中，通过对每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息，具体包括以下步骤：
通过对每个监测检点的二氧化碳排放数据信息汇聚到信息传输节点，并通过卡尔曼滤波算法对汇聚到信息传输节点的二氧化碳排放数据信息进行滤波处理；
通过对信息传输节点的二氧化碳排放数据信息进行数据融合，并基于方差估计学习算法计算每个无线监测节点在各个时刻的测量方差分配值的均值；
基于最小二乘法对无线监测节点在各个时刻的测量方差分配值的均值进行数据融合，并在数据融合之后获取加权系数，根据加权系数获取每个监测节点的测量值；
将每个监测节点的测量值作为预处理后的二氧化碳排放数据信息，并将预处理后的二氧化碳排放数据信息进行输出。
需要说明的是，卡尔曼滤波算法是一种具有较强容错能力，以最小均方误差为准则的递推无偏估计算法，主要是建立滤波过程的状态空间模型，利用前一时刻的系统状态估计值和当前时刻的系统状态观测值并根据系统的过程噪声和观测噪声来更新系统状态变量的估计值，使系统当前的状态估计值能够充分逼近真实值。
需要说明的是，通过方差估计学习算法以及基于最小二乘法进行融合，使得计算出来的监测节点的测量值更逼近于真实值，其中在融合的过程中满足以下关系式：
其中，E(k)表示处理后的二氧化碳测量值k的数学期望值，Ti表示通过最小二乘法计算得到的第i个加权系数，Pi为通过第i个无线监测节点在各个时刻的测量方差分配值的均值。
需要说明的是，通过本方法能够使得监测节点所获取的二氧化碳测量值更加准确。
进一步地，本发明的一个较佳实施例中，通过对预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果，具体包括以下步骤：
通过大数据网络获取各类型企业的二氧化碳排放标准，并根据各类型企业的二氧化碳排放标准设置预定二氧化碳排放阈值数据信息；
判断预处理后的二氧化碳排放数据信息是否大于预定二氧化碳排放阈值数据信息，若预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则标记为正常排放的监测节点；
若预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则标记为异常排放的监测节点，根据预处理后的二氧化碳排放数据信息划分预警等级，以获取预警等级；
将预警等级作为数据分析结果进行输出。
进一步地，本发明的一个较佳实施例中，基于大数据的城市二氧化碳数据采集方法，还包括以下步骤：
若预警等级高于预设预警等级，则获取预警等级高于预设预警等级所在的位置信息，并根据预警等级高于预设预警等级所在的位置信息构建检索标签；
根据检索标签通过物联网控制平台获取相关的城市二氧化碳回收装置，并获取预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息；
通过大数据网络获取相关的城市二氧化碳回收装置的二氧化碳回收率，并对相关的城市二氧化碳回收装置的二氧化碳回收率进行优先级排序，以获取排序结果；
将所述预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息以及所述排序结果输入粒子群算法中进行选择，以获取最优的二氧化碳回收装置。
需要说明的是，二氧化碳回收装置可以是纳米膜回收装置，以或者是其他的化学和物理回收装置进行回收。在该过程中，预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息为在预定时间之内该位置中的二氧化碳排放数据信息，通过粒子群算法从排序结果中选择预定时间之内该位置中二氧化碳排放数据信息的回收率最适合的二氧化碳回收装置。
需要说明的是，本方法还可以包括以下步骤：
若预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则基于LSTM构建用户排放偏好模型，并获取大量各个无线监测节点基于时间序列的历史数据信息，将所述无线监测节点基于时间序列的历史数据信息输入到所述用户排放偏好模型的遗忘门中；
通过遗忘门确定上一时刻中确定需要遗忘的历史数据项目，并通过输入门给当前时刻输入新的信息，并对旧的记忆单元进行更新，以得到新的候选记忆单元；
将所述新的候选记忆单元通过tanh层以及输出门得到的判断条件相乘，以得到当前时刻的用户排放偏好情况，则将所述当前时刻的用户排放偏好情况以及预处理后的二氧化碳排放数据信息进行对比分析，获取偏差率；
判断所述偏差率是否大于预设偏差率阈值，若偏差率大于预设偏差率阈值，则通过物联网工作平台获取当前二氧化碳回收装置的工作状态，当所述工作状态为正常工作状态时，则发出监测节点异常的情况，当所述工作状态为非正常工作状态时，则发出二氧化碳回收装置工作异常的情况，并根据监测节点异常的情况或者二氧化碳回收装置工作异常的情况生成相应的提示信息。
需要说明的是，在某一个采集时段中，用户的排放一般均为有规律的排放，通过LSTM构建用户排放偏好模型，从而获取当前时刻的用户排放偏好情况，当某个时段的偏好情况很异常时，可能是某个传感器发生异常或者是二氧化碳发生异常，通过本方法能够有效地检测出异常情况。
需要说明的是，本方法还可以包括以下步骤：
获取当前最新的无线监测网络中的无线监测点的数量信息以及无线监测点的数据传输速度信息，并根据所述当前无线监测网络中的无线监测点的数量信息以及无线监测点的数据传输速度信息搭建无线传感器网络的第一MIMO系统；
获取当前无线监测网络所使用的发射基站以及接收基站的数量信息，并根据所述当前无线监测网络所使用的发射基站以及接收基站的数量信息搭建无线监测网络的第二MIMO系统；
获取所述第二MIMO系统的数据传输速度信息，并判断所述第二MIMO系统的数据传输速度信息是否低于预设数据传输速度信息；
若所述第二MIMO系统的数据传输速度信息低于预设数据传输速度信息，则根据无线传感器网络的第一MIMO系统对当前无线监测网络的的发射基站以及接收基站的数量信息进行定期调整。
需要说明的是，MIMO系统表明的是无线监测网络的数据传输能力，MIMO系统的可传输数据的路径越多，表明无线监测节点的数据传输速度加快，直到达到无线监测点的数据传输速度信息的上限。通过本方法能够进一步地根据无线监测网络的无线监测点的变化来改变MIMO系统，以提高无线监测网络的信息传输速度，从而使得二氧化碳数据采集系统能够快速以及稳定地获取到无线监测节点的二氧化碳数据。
如图4所示，本发明第二方面提供了一种基于大数据的城市二氧化碳数据采集系统，系统包括存储器41以及处理器62，存储器41中包含基于大数据的城市二氧化碳数据采集方法程序，基于大数据的城市二氧化碳数据采集方法程序被处理器62执行时，实现如下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并根据相关企业的数据信息获取与二氧化碳相关的数据信息；
基于与二氧化碳相关的数据信息构建无线监测节点，并根据无线监测节点构建无线监测网络，并通过无线监测网络获取每个监测节点的二氧化碳排放数据信息；
通过对每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；
通过对预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果。
在本实施例中，通过大数据网络获取目标区域中相关企业的数据信息，并根据相关企业的数据信息获取与二氧化碳相关的数据信息，具体包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并设置关键词数据提取标签，根据关键词数据提取标签对目标区域中相关企业的数据信息进行检索，以获取检索结果；
构建贝叶斯网络，获取大量的历史企业数据，并根据历史企业数据设置对应的第一独立事件，获取大量历史企业数据对应的二氧化碳排放数据信息，并根据历史企业数据对应的二氧化碳排放数据信息设置第二独立事件；
将第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对第一独立事件以及第二独立事件进行排序，获取初始节点次序，并将初始节点次序作为遗传算法的输入顺序，采用遗传算法进行优化调整，以得到最优的贝叶斯网络；
将检索结果输入到贝叶斯网络中，以获取检索结果与二氧化碳排放数据信息的关联性，若检索结果与二氧化碳排放数据信息的关联性大于预设关联性阈值，则将目标区域中相关企业的数据信息作为与二氧化碳相关的数据信息进行输出。
在本实施例中，基于与二氧化碳相关的数据信息构建无线监测节点，并根据无线监测节点构建无线监测网络，具体包括以下步骤：
根据与二氧化碳相关的数据信息获取对应的企业数据信息，并通过对对应的企业数据信息进行特征提取，以获取对应的企业所在位置信息；
基于对应的企业所在位置信息设置无线监测节点，并通过蚁群算法对无线监测节点进行初始布局设定，并初始化无线监测节点的传输信息节点；
根据每一个无线监测节点与传输信息节点获取每一条信息传输路线，并计算每一条信息传输路线的能量损耗值，获取每一个无线监测节点的所在位置，并根据无线监测节点的所在位置以及每一条信息传输路线的能量损耗值，获取能量损耗值与距离的相关性；
根据能量损耗值与距离的相关性确定各个无线监测节点的能耗分布数据，预设无线监测节点的预定能量消耗值，并根据预定能量消耗值以及无线监测节点的能耗分布数据通过蚁群算法重新设置传输信息节点，并根据传输信息节点进行定期优化布局，并生成无线监测网络。
在本实施例中，通过对每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息，具体包括以下步骤：
通过对每个监测检点的二氧化碳排放数据信息汇聚到信息传输节点，并通过卡尔曼滤波算法对汇聚到信息传输节点的二氧化碳排放数据信息进行滤波处理；
通过对信息传输节点的二氧化碳排放数据信息进行数据融合，并基于方差估计学习算法计算每个无线监测节点在各个时刻的测量方差分配值的均值；
基于最小二乘法对无线监测节点在各个时刻的测量方差分配值的均值进行数据融合，并在数据融合之后获取加权系数，根据加权系数获取每个监测节点的测量值；
将每个监测节点的测量值作为预处理后的二氧化碳排放数据信息，并将预处理后的二氧化碳排放数据信息进行输出。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (3)
1.一种基于大数据的城市二氧化碳数据采集方法，其特征在于，包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息；
基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，并通过所述无线监测网络获取每个监测节点的二氧化碳排放数据信息；
通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；
通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果；
通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息，具体包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并设置关键词数据提取标签，根据所述关键词数据提取标签对所述目标区域中相关企业的数据信息进行检索，以获取检索结果；
构建贝叶斯网络，获取历史企业数据，并根据所述历史企业数据设置对应的第一独立事件，获取历史企业数据对应的二氧化碳排放数据信息，并根据所述历史企业数据对应的二氧化碳排放数据信息设置第二独立事件；
将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对所述第一独立事件以及第二独立事件进行排序，获取初始节点次序，并将所述初始节点次序作为遗传算法的输入顺序，采用遗传算法进行优化调整，以得到贝叶斯网络；
将所述检索结果输入到所述贝叶斯网络中，以获取检索结果与二氧化碳排放数据信息的关联性，若所述检索结果与二氧化碳排放数据信息的关联性大于预设关联性阈值，则将目标区域中相关企业的数据信息作为与二氧化碳相关的数据信息进行输出；
基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，具体包括以下步骤：
根据所述与二氧化碳相关的数据信息获取对应的企业数据信息，并通过对所述对应的企业数据信息进行特征提取，以获取对应的企业所在位置信息；
基于所述对应的企业所在位置信息设置无线监测节点，并通过蚁群算法对所述无线监测节点进行初始布局设定，并初始化所述无线监测节点的传输信息节点；
根据每一个所述无线监测节点与所述传输信息节点获取每一条信息传输路线，并计算每一条信息传输路线的能量损耗值，获取每一个无线监测节点的所在位置，并根据所述无线监测节点的所在位置以及每一条信息传输路线的能量损耗值，获取能量损耗值与距离的相关性；
根据能量损耗值与距离的相关性确定各个无线监测节点的能耗分布数据，预设无线监测节点的预定能量消耗值，并根据所述预定能量消耗值以及无线监测节点的能耗分布数据通过蚁群算法重新设置传输信息节点，并根据传输信息节点进行定期优化布局，并生成无线监测网络；
通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息，具体包括以下步骤：
通过对所述每个监测节点的二氧化碳排放数据信息汇聚到信息传输节点，并通过卡尔曼滤波算法对汇聚到信息传输节点的二氧化碳排放数据信息进行滤波处理；
通过对信息传输节点的二氧化碳排放数据信息进行数据融合，并基于方差估计学习算法计算每个无线监测节点在各个时刻的测量方差分配值的均值；
基于最小二乘法对无线监测节点在各个时刻的测量方差分配值的均值进行数据融合，并在数据融合之后获取加权系数，根据所述加权系数获取每个监测节点的测量值；
将所述每个监测节点的测量值作为预处理后的二氧化碳排放数据信息，并将所述预处理后的二氧化碳排放数据信息进行输出；
通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果，具体包括以下步骤：
通过大数据网络获取各类型企业的二氧化碳排放标准，并根据所述各类型企业的二氧化碳排放标准设置预定二氧化碳排放阈值数据信息；
判断所述预处理后的二氧化碳排放数据信息是否大于预定二氧化碳排放阈值数据信息，若所述预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则将标记为正常排放的监测节点；
若所述预处理后的二氧化碳排放数据信息大于预定二氧化碳排放阈值数据信息，则标记为异常排放的监测节点，根据预处理后的二氧化碳排放数据信息划分预警等级，以获取预警等级；
将所述预警等级作为数据分析结果进行输出。
2.根据权利要求1所述的一种基于大数据的城市二氧化碳数据采集方法，其特征在于，还包括以下步骤：
若所述预警等级高于预设预警等级，则获取所述预警等级高于预设预警等级所在的位置信息，并根据所述预警等级高于预设预警等级所在的位置信息构建检索标签；
根据所述检索标签通过物联网控制平台获取相关的城市二氧化碳回收装置，并获取所述预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息；
通过大数据网络获取相关的城市二氧化碳回收装置的二氧化碳回收率，并对所述相关的城市二氧化碳回收装置的二氧化碳回收率进行优先级排序，以获取排序结果；
将所述预警等级高于预设预警等级的所在位置的二氧化碳排放数据信息以及所述排序结果输入粒子群算法中进行选择，以获取最优的二氧化碳回收装置。
3.一种基于大数据的城市二氧化碳数据采集系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包含基于大数据的城市二氧化碳数据采集方法程序，所述基于大数据的城市二氧化碳数据采集方法程序被处理器执行时，实现如下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息；
基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，并通过所述无线监测网络获取每个监测节点的二氧化碳排放数据信息；
通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息；
通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果；
通过大数据网络获取目标区域中相关企业的数据信息，并根据所述相关企业的数据信息获取与二氧化碳相关的数据信息，具体包括以下步骤：
通过大数据网络获取目标区域中相关企业的数据信息，并设置关键词数据提取标签，根据所述关键词数据提取标签对所述目标区域中相关企业的数据信息进行检索，以获取检索结果；
构建贝叶斯网络，获取历史企业数据，并根据所述历史企业数据设置对应的第一独立事件，获取历史企业数据对应的二氧化碳排放数据信息，并根据所述历史企业数据对应的二氧化碳排放数据信息设置第二独立事件；
将所述第一独立事件以及第二独立事件输入到贝叶斯网络中进行训练以及验证，并对所述第一独立事件以及第二独立事件进行排序，获取初始节点次序，并将所述初始节点次序作为遗传算法的输入顺序，采用遗传算法进行优化调整，以得到贝叶斯网络；
将所述检索结果输入到所述贝叶斯网络中，以获取检索结果与二氧化碳排放数据信息的关联性，若所述检索结果与二氧化碳排放数据信息的关联性大于预设关联性阈值，则将目标区域中相关企业的数据信息作为与二氧化碳相关的数据信息进行输出；
基于所述与二氧化碳相关的数据信息构建无线监测节点，并根据所述无线监测节点构建无线监测网络，具体包括以下步骤：
根据所述与二氧化碳相关的数据信息获取对应的企业数据信息，并通过对所述对应的企业数据信息进行特征提取，以获取对应的企业所在位置信息；
基于所述对应的企业所在位置信息设置无线监测节点，并通过蚁群算法对所述无线监测节点进行初始布局设定，并初始化所述无线监测节点的传输信息节点；
根据每一个所述无线监测节点与所述传输信息节点获取每一条信息传输路线，并计算每一条信息传输路线的能量损耗值，获取每一个无线监测节点的所在位置，并根据所述无线监测节点的所在位置以及每一条信息传输路线的能量损耗值，获取能量损耗值与距离的相关性；
根据能量损耗值与距离的相关性确定各个无线监测节点的能耗分布数据，预设无线监测节点的预定能量消耗值，并根据所述预定能量消耗值以及无线监测节点的能耗分布数据通过蚁群算法重新设置传输信息节点，并根据传输信息节点进行定期优化布局，并生成无线监测网络；
通过对所述每个监测节点的二氧化碳排放数据信息进行预处理，以获取预处理后的二氧化碳排放数据信息，具体包括以下步骤：
通过对所述每个监测节点的二氧化碳排放数据信息汇聚到信息传输节点，并通过卡尔曼滤波算法对汇聚到信息传输节点的二氧化碳排放数据信息进行滤波处理；
通过对信息传输节点的二氧化碳排放数据信息进行数据融合，并基于方差估计学习算法计算每个无线监测节点在各个时刻的测量方差分配值的均值；
基于最小二乘法对无线监测节点在各个时刻的测量方差分配值的均值进行数据融合，并在数据融合之后获取加权系数，根据所述加权系数获取每个监测节点的测量值；
将所述每个监测节点的测量值作为预处理后的二氧化碳排放数据信息，并将所述预处理后的二氧化碳排放数据信息进行输出；
通过对所述预处理后的二氧化碳排放数据信息进行数据分析，以获取数据分析结果，具体包括以下步骤：
通过大数据网络获取各类型企业的二氧化碳排放标准，并根据所述各类型企业的二氧化碳排放标准设置预定二氧化碳排放阈值数据信息；
判断所述预处理后的二氧化碳排放数据信息是否大于预定二氧化碳排放阈值数据信息，若所述预处理后的二氧化碳排放数据信息不大于预定二氧化碳排放阈值数据信息，则将标记为正常排放的监测节点；
若所述预处理后的二氧化碳排放数据信息大于预定二氧化碳排放阈值数据信息，则标记为异常排放的监测节点，根据预处理后的二氧化碳排放数据信息划分预警等级，以获取预警等级；
将所述预警等级作为数据分析结果进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310741835.1A CN116801213B (zh) | 2023-06-21 | 2023-06-21 | 一种基于大数据的城市二氧化碳数据采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310741835.1A CN116801213B (zh) | 2023-06-21 | 2023-06-21 | 一种基于大数据的城市二氧化碳数据采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116801213A CN116801213A (zh) | 2023-09-22 |
| CN116801213B true CN116801213B (zh) | 2024-05-17 |
Family
ID=88047726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310741835.1A Active CN116801213B (zh) | 2023-06-21 | 2023-06-21 | 一种基于大数据的城市二氧化碳数据采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116801213B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607677A (zh) * | 2017-09-07 | 2018-01-19 | 安徽工程大学 | 工业区碳排放检测系统及方法 |
| CN112149928A (zh) * | 2019-06-27 | 2020-12-29 | 苏州五蕴明泰科技有限公司 | 用于控制二氧化碳排放量的方法 |
| CN114742294A (zh) * | 2022-04-09 | 2022-07-12 | 广州网文三维数字技术有限公司 | 一种碳排放预测的神经网络算法 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10830743B2 (en) * | 2017-05-04 | 2020-11-10 | International Business Machines Corporation | Determining the net emissions of air pollutants |
-
2023
- 2023-06-21 CN CN202310741835.1A patent/CN116801213B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607677A (zh) * | 2017-09-07 | 2018-01-19 | 安徽工程大学 | 工业区碳排放检测系统及方法 |
| CN112149928A (zh) * | 2019-06-27 | 2020-12-29 | 苏州五蕴明泰科技有限公司 | 用于控制二氧化碳排放量的方法 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
| CN114742294A (zh) * | 2022-04-09 | 2022-07-12 | 广州网文三维数字技术有限公司 | 一种碳排放预测的神经网络算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116801213A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN116186566A (zh) | 基于深度学习的扩散预测方法及系统 | |
| CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及系统 | |
| CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN116801213B (zh) | 一种基于大数据的城市二氧化碳数据采集方法及系统 | |
| CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
| CN116384775B (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
| CN116843080B (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
| CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
| CN116883057A (zh) | 一种基于XGBoost的高精度电力客户营销渠道偏好预测系统 | |
| CN115238583B (zh) | 一种支持增量日志的业务流程剩余时间预测方法与系统 | |
| Gai et al. | Research on water quality spatiotemporal forecasting model based on ST-BIGRU-SVR neural network | |
| CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
| CN117454762B (zh) | Markov-神经网络的穿煤隧道掌子面瓦斯浓度预测方法 | |
| CN112737109B (zh) | 一种智能电网实时安全预警系统 | |
| CN117391456B (zh) | 基于人工智能的村社管理方法及服务平台系统 | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及系统 | |
| Rallo et al. | Best feature selection and data completion for the design of soft neural sensors | |
| CN116956696A (zh) | 一种基于改进ssa算法优化svr模型的水质预测方法 | |
| JPH10105559A (ja) | 情報処理装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240424 Address after: Room 02A-084, Building C (2nd Floor), No.28 Information Road, Haidian District, Beijing, 100089 Applicant after: Jingchuang United (Beijing) Intellectual Property Service Co.,Ltd. Country or region after: China Address before: 528000 room 509, 82 Longbao West Road, Chancheng District, Foshan City, Guangdong Province Applicant before: Guangdong Bochuang Jiahe Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240428 Address after: Room 101, Mezzanine, Building 3, No. 62 Dacong Road, Nansha District, Guangzhou City, Guangdong Province, 511458 Applicant after: Nanwang Carbon Asset Management (Guangzhou) Co.,Ltd. Country or region after: China Address before: Room 02A-084, Building C (2nd Floor), No.28 Information Road, Haidian District, Beijing, 100089 Applicant before: Jingchuang United (Beijing) Intellectual Property Service Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |