CN116990465A - 一种空气质量数据异常预警方法及其系统 - Google Patents
一种空气质量数据异常预警方法及其系统 Download PDFInfo
- Publication number
- CN116990465A CN116990465A CN202311237621.7A CN202311237621A CN116990465A CN 116990465 A CN116990465 A CN 116990465A CN 202311237621 A CN202311237621 A CN 202311237621A CN 116990465 A CN116990465 A CN 116990465A
- Authority
- CN
- China
- Prior art keywords
- concentration
- time
- time series
- data
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 41
- 231100000719 pollutant Toxicity 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 239000000356 contaminant Substances 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 10
- 230000000630 rising effect Effects 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了空气质量数据异常预警方法及其系统，其中包括以下步骤：获取监测数据，进行给定时间区间的设置；获取污染物浓度时间序列；对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列；获取振幅时间序列；获取模式时间序列；获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列；计算当前数据与参比数据的形状距离，得到最小形状距离，并得到参比数据浓度序列；获取指定时刻的污染物浓度，若其大于等于报警阈值，则发出预测高值警报。本申请通过最小形状距离的参比数据的变化趋势来近似当前数据的变化趋势，以参比数据下一小时的数值作为当前数据的预测值，从而能够提前对污染高值发出预报预警。
Description
技术领域
本申请涉及数据处理领域，具体地，涉及一种空气质量数据异常预警方法及其系统。
背景技术
目前，空气质量异常预警系统大多基于经验阈值预警的方法，一般包括基于实时数据和预测数据的阈值预警方法。预警阈值一般由《环境空气质量标准》（GB3095-2012）所规定的二级排放限值确定，或经由人工分析研究，结合监测属地实际情况确定。当实时监测数据或预测数据大于等于设定的阈值时，将触发系统的异常预警提示，环境管理部门以此为依据制定相应的管控措施。阈值预警方法占据计算资源较少，即时响应时间较短，泛化能力较强，稳定性较高，在行业中有着广泛的应用。由于阈值报警方法对于时间序列数据的挖掘程度不够，只考虑了空气质量数据的数值特征，对于整个时间序列的趋势变化特征没有纳入考虑，使得该方法对于趋势异常以及较复杂的数值异常问题处理效果不佳，对于经“人工修饰”的数据的甄别性能较差。且基于实时监测的阈值报警算法对于污染的预警存在一定的滞后性，不能满足管理部门提前管控的需求；而基于模型预测的阈值预警算法由于预测模型本身的误差，导致其预警的偏差性，不能满足管理部门对于精准预警的需求。在实际中，阈值报警多作为人工实时监测的补充，无法完全替代人工监测的存在。
因此，如何提供一种既可以做到对于空气质量异常的提前预警，又可以保证预警的准确度的空气质量数据异常预警方法，成为本领域急需解决的问题。
发明内容
本申请提供了一种空气质量数据异常预警方法，包括以下步骤：获取监测数据，进行形状距离比较的给定时间区间的设置；获取给定时间区间的污染物浓度时间序列；对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列；根据标准化后的浓度时间序列获取振幅时间序列；根据振幅时间序列获取模式时间序列；获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列；根据参比集数据的浓度时间序列计算当前数据与参比数据的形状距离，得到最小形状距离，选取最小形状距离对应的参比数据浓度序列；获取参比数据浓度序列在指定时刻的污染物浓度，判断是否大于报警阈值；若大于等于报警阈值，则发出预测高值警报，反之则不进行警报处理。
如上的，其中，给定时间区间T为t时刻之前的连续N个监测时间的数据构成的给定时间区间。
如上的，其中，污染物浓度时间序列具体表示为：
，
其中ci为ti时刻污染物的浓度；ti为给定时间区间的第i个时刻。
如上的，其中，标准化后的浓度时间序列具体表示为：
，
其中，/>表示标准化后ti时刻污染物的浓度，ci为ti时刻污染物的浓度，/>表示ti时刻污染物的最低浓度，/>表示ti时刻污染物的最高浓度。
如上的，其中，根据标准化后的浓度时间序列获取振幅时间序列具体为，根据标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
一种空气质量数据异常预警系统，包括获取设置单元、污染物浓度时间序列获取单元、标准化污染物浓度时间序列获取单元、振幅时间序列获取单元、模式时间序列获取单元、参比集数据的浓度时间序列获取单元、参比数据浓度序列获取单元以及判断单元；获取设置单元用于获取监测数据，进行形状距离比较的给定时间区间的设置；污染物浓度时间序列获取单元用于获取给定时间区间的污染物浓度时间序列；标准化污染物浓度时间序列获取单元用于对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列；振幅时间序列获取单元用于根据标准化后的浓度时间序列获取振幅时间序列；
模式时间序列获取单元用于根据振幅时间序列获取模式时间序列；参比集数据的浓度时间序列获取单元用于获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列；参比数据浓度序列获取单元用于根据参比集数据的浓度时间序列计算当前数据与参比数据的形状距离，得到最小形状距离，选取最小形状距离对应的参比数据浓度序列；判断单元用于获取参比数据浓度序列在指定时刻的污染物浓度，判断是否大于报警阈值；若大于等于报警阈值，则发出预测高值警报，反之则不进行警报处理。
如上的，其中，获取设置单元中的给定时间区间T为t时刻之前的连续N个监测时间的数据构成的给定时间区间。
如上的，其中，污染物浓度时间序列获取单元中污染物浓度时间序列具体表示为：
，
其中ci为ti时刻污染物的浓度；ti为给定时间区间的第i个时刻。
如上的，其中，标准化污染物浓度时间序列获取单元中，标准化后的浓度时间序列具体表示为：
，
其中，/>表示标准化后ti时刻污染物的浓度，ci为ti时刻污染物的浓度，/>表示ti时刻污染物的最低浓度，/>表示ti时刻污染物的最高浓度。
如上的，其中，振幅时间序列获取单元根据标准化后的浓度时间序列获取振幅时间序列具体为，根据标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
本申请具有以下有益效果：
本申请通过对实时监测数据与参比数据的形状距离计算，可以得到与当前时刻污染物浓度变化趋势最为接近的参比数据，以该最小形状距离的参比数据的变化趋势来近似当前数据的变化趋势，以参比数据下一小时的数值作为当前数据的预测值，从而能够提前对污染高值发出预报预警。因为大气污染物高值变化具有显著的单日规律性，恰当选择参比数据集，通过形状距离的计算进行数据筛选，再结合阈值报警系统，可以有效的预测未来的污染高值并发出异常预警。最终从整体上提升了环境管理水平。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的空气质量数据异常预警方法的流程图；
图2是根据本申请实施例提供的空气质量数据异常预警系统的内部结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请在传统阈值预警算法的基础上，耦合一种基于空气质量数据时间序列形状距离的异常预警算法。该方法可以避免传统阈值报警算法忽略时间序列趋势变化特征的缺陷。通过将时间序列趋势变化纳入考量，既可以做到对于空气质量异常的提前预警，又可以保证预警的准确度。
实施例一
如图1所示，为本实施例提供的一种空气质量数据异常预警方法，具体包括以下步骤：
步骤S110：获取监测数据，进行形状距离比较的给定时间区间的设置。
其中设置形状距离比较的给定时间区间T，T为t时刻之前（包含t时刻）的连续N个监测时间的数据构成的给定时间区间。
按照判定需求，获取的监测数据若为小时数据，N可设置为8，12或24。
步骤S120：获取给定时间区间的污染物浓度时间序列。
其中污染物浓度时间序列具体表示为：
，
其中ci为ti时刻污染物的浓度；ti为给定时间区间的第i个时刻。
步骤S130：对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列。
其中标准化后的浓度时间序列具体表示为：
，
其中，/>表示标准化后ti时刻污染物的浓度，ci为ti时刻污染物的浓度，/>表示ti时刻污染物的最低浓度，/>表示ti时刻污染物的最高浓度。
步骤S140：根据标准化后的浓度时间序列获取振幅时间序列。
其中根据标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
其中由标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
其中，
，
其中为ti时刻振幅，表示ti+1时刻与ti时刻的浓度差，/>表示标准化后ti+1时刻污染物的浓度，
步骤S150：根据振幅时间序列获取模式时间序列/>。
在ti时刻，时间序列可能的模式包括七种状态：{加速上升，匀速上升，减速上升，保持稳定，减速下降，匀速下降，加速下降}，本实施例用模式M={3，2，1，0，-1，-2，-3}来分别表示加速上升，匀速上升，减速上升，保持稳定，减速下降，匀速下降，加速下降。同时，本实施例设定阈值th>0来区分7种状态。
。
记ti至ti+1时刻的时间序列分段直线斜率为ki，ti-1至ti时刻的时间序列分段直线斜率为ki-1。当ki-1>th且ki>ki-1时,表示时间序列曲线在ti时刻之前呈上升趋势，在ti时刻之后还呈上升趋势，且上升速度快于之前，由此本实施例记在ti时刻的模式状态为加速上升，即Mi=3；当ki-1>th，ki>th且ki-1+th>ki>ki-1-th时，表示时间序列曲线在ti时刻之前呈上升趋势，在ti时刻之后还呈上升趋势，但上升速度与之前相比正负相差不超过给定的阈值th，则记在ti时刻的模式状态为匀速上升，即Mi=2；当ki-1>th，ki>th且ki<ki-1时，表示时间序列曲线在ti时刻之前呈上升趋势，在ti时刻之后还呈上升趋势，但上升速度慢于之前，则记在ti时刻的模式状态为减速上升，即Mi=1；同理可得下降时的三种模式状态判定条件；最后，当-th<ki<th，此时无论ki-1为何值，都表示时间序列曲线在ti时刻之后斜率变为接近于0，正负不超过th，说明此时曲线的模式状态为保持稳定，即Mi=0。模式状态判别条件总结如表1：
表1 模式状态判别条件
其中表1中的3，2，1，0，-1，-2，-3分别表示加速上升，匀速上升，减速上升，保持稳定，减速下降，匀速下降，加速下降几种模式。
其中，ki表示ti至ti+1时刻时间序列分段直线斜率， ki-1表示ti-1至ti时刻时间序列分段直线斜率，Δk表示ki与ki-1之差。
特别地，t1时刻的模式状态M1无法由上述判别条件求得，因此本实施例规定：在t1时刻，当ki>th时，M1=3；当ki<-th时，M1=-3;当-th<ki<th时，M1=0。由此，通过表1求得N-2个点的模式状态，再加上t1时刻的模式状态M1，共N-1个点的模式状态，由此得到模式时间序列:
，
其中表示ti时刻的模式状态。
步骤S160：获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列。
其中获取同一给定时间区间T内的含有l个比较对象的参比集数据的浓度时间序列，其中参比集数据的浓度时间序列/>。
表示第i个参比集比较对象在/>时刻的污染物浓度，/>表示第N-1个时间序列时刻。
其中进一步地，计算得到同一时间区间T内的含有l个比较对象的振幅时间序列SAi与模式时间序列SMi，分别得到l个振幅时间序列和l个模式时间序列。
。
步骤S170：根据参比集数据的浓度时间序列计算当前数据与参比数据的形状距离，得到最小形状距离，选取最小形状距离所对应的参比数据浓度序列。
其中当前数据为当前获取的监测数据，参比数据是基于监测经验确定的典型时间序列的模板数据，具体是已有的模版序列数据（序数+值），按照指定的时刻确定序数，然后读取值即可。
其中最小形状距离表示为：
，
其中，
其中，是当前数据浓度时间序列/>与参比集中第i个参比数据浓度时间序列/>的形状距离，N是当前参比数据浓度时间序列含有的时刻个数，/>是tj时刻当前数据序列的模式状态，/>是tj时刻第i个参比数据序列的模式状态，/>是tj时刻当前数据序列的振幅，/>是tj时刻第i个参比数据序列的振幅。
步骤S180：获取参比数据浓度序列在指定时刻的污染物浓度，判断是否大于报警阈值。
其中指定时刻为t+1时刻，获取参比数据浓度序列在t+1时刻的污染物浓度，若此时的污染物浓度大于等于报警阈值，则发出预测高值警报，并发送给接收人处理。反之则不进行警报处理。
实施例二
如图2所示，本申请提供了一种空气质量数据异常预警系统，其中该系统具体包括：获取设置单元210、污染物浓度时间序列获取单元220、标准化污染物浓度时间序列获取单元230、振幅时间序列获取单元240、模式时间序列获取单元250、参比集数据的浓度时间序列获取单元260、参比数据浓度序列获取单元270以及判断单元280。
获取设置单元单元210用于获取监测数据，进行形状距离比较的给定时间区间的设置。
其中设置形状距离比较时间区间T，T为t时刻之前（包含t时刻）的连续N个监测时间的数据构成的给定时间区间。
按照判定需求，获取的监测数据若为小时数据，N可设置为8，12或24。
污染物浓度时间序列获取单元220用于获取给定时间区间的污染物浓度时间序列。
其中污染物浓度时间序列具体表示为：
，
其中ci为ti时刻污染物的浓度；ti为给定时间区间的第i个时刻。
标准化污染物浓度时间序列获取单元230用于对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列。
其中标准化后的浓度时间序列具体表示为：
，
其中，/>表示标准化后ti时刻污染物的浓度，ci为ti时刻污染物的浓度，/>表示ti时刻污染物的最低浓度，/>表示ti时刻污染物的最高浓度。
振幅时间序列获取单元240用于根据标准化后的浓度时间序列获取振幅时间序列。
其中根据标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
其中由标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
其中，
，
其中为ti时刻振幅，表示ti+1时刻与ti时刻的浓度差，/>表示，
模式时间序列获取单元250用于根据振幅时间序列获取模式时间序列。
在ti时刻，时间序列可能的模式包括七种状态：{加速上升，匀速上升，减速上升，保持稳定，减速下降，匀速下降，加速下降}，本实施例用模式M={3，2，1，0，-1，-2，-3}来分别表示加速上升，匀速上升，减速上升，保持稳定，减速下降，匀速下降，加速下降。同时，本实施例设定阈值th>0来区分7种状态。
记ti至ti+1时刻的时间序列分段直线斜率为ki，ti-1至ti时刻的时间序列分段直线斜率为ki-1。当ki-1>th且ki>ki-1时,表示时间序列曲线在ti时刻之前呈上升趋势，在ti时刻之后还呈上升趋势，且上升速度快于之前，由此本实施例记在ti时刻的模式状态为加速上升，即Mi=3；当ki-1>th，ki>th且ki-1+th>ki>ki-1-th时，表示时间序列曲线在ti时刻之前呈上升趋势，在ti时刻之后还呈上升趋势，但上升速度与之前相比正负相差不超过给定的阈值th，则记在ti时刻的模式状态为匀速上升，即Mi=2；当ki-1>th，ki>th且ki<ki-1时，表示时间序列曲线在ti时刻之前呈上升趋势，在ti时刻之后还呈上升趋势，但上升速度慢于之前，则记在ti时刻的模式状态为减速上升，即Mi=1；同理可得下降时的三种模式状态判定条件；最后，当-th<ki<th，此时无论ki-1为何值，都表示时间序列曲线在ti时刻之后斜率变为接近于0，正负不超过th，说明此时曲线的模式状态为保持稳定，即Mi=0。模式状态判别条件总结如表1：
表1 模式状态判别条件
其中表1中的3，2，1，0，-1，-2，-3分别表示加速上升，匀速上升，减速上升，保持稳定，减速下降，匀速下降，加速下降几种模式。
其中，ki表示ti至ti+1时刻时间序列分段直线斜率， ki-1表示ti-1至ti时刻时间序列分段直线斜率，Δk表示ki与ki-1之差。
特别地，t1时刻的模式状态M1无法由上述判别条件求得，因此本实施例规定：在t1时刻，当ki>th时，M1=3；当ki<-th时，M1=-3;当-th<ki<th时，M1=0。由此，通过表1求得N-2个点的模式状态，再加上t1时刻的模式状态M1，共N-1个点的模式状态，由此得到模式时间序列:
，
其中表示ti时刻的模式状态。
参比集数据的浓度时间序列获取单元260用于获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列。
其中获取获取同一给定时间区间T内的含有l个比较对象的参比集数据的浓度时间序列，其中参比集数据的浓度时间序列。
表示第i个参比集比较对象在/>时刻的污染物浓度，/>表示第N-1个时间序列时刻。
其中进一步地，计算得到同一时间区间T内的含有l个比较对象的振幅时间序列SAi与模式时间序列SMi。
。
参比数据浓度序列获取单元270用于根据参比集数据的浓度时间序列计算当前数据与参比数据的形状距离，得到最小形状距离，并得到其所对应的参比数据浓度序列。
其中最小形状距离表示为：
，
其中，
其中，是当前数据浓度时间序列与参比集中第i个参比数据浓度时间序列的形状距离，N是当前参比数据浓度时间序列含有的时刻个数，/>是tj时刻当前数据序列的模式状态，/>是tj时刻第i个参比数据序列的模式状态，/>是tj时刻当前数据序列的振幅，/>是tj时刻第i个参比数据序列的振幅。
判断单元280用于获取参比数据浓度序列在指定时刻的污染物浓度，判断是否大于报警阈值。
其中指定时刻为t+1时刻，获取参比数据浓度序列在t+1时刻的污染物浓度，若此时的污染物浓度大于等于报警阈值，则发出预测高值警报，并发送给接收人处理。反之则不进行警报处理。
本申请具有以下有益效果：
本申请通过对实时监测数据与参比数据的形状距离计算，可以得到与当前时刻污染物浓度变化趋势最为接近的参比数据，以该最小形状距离的参比数据的变化趋势来近似当前数据的变化趋势，以参比数据下一小时的数值作为当前数据的预测值，从而能够提前对污染高值发出预报预警。因为大气污染物高值变化具有显著的单日规律性，恰当选择参比数据集，通过形状距离的计算进行数据筛选，再结合阈值报警系统，可以有效的预测未来的污染高值并发出异常预警。最终从整体上提升了环境管理水平。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种空气质量数据异常预警方法，其特征在于，包括以下步骤：
获取监测数据，进行形状距离比较的给定时间区间的设置；
获取给定时间区间的污染物浓度时间序列；
对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列；
根据标准化后的浓度时间序列获取振幅时间序列；
根据振幅时间序列获取模式时间序列/>；
获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列；
根据参比集数据的浓度时间序列计算当前数据与参比数据的形状距离，得到最小形状距离，选取最小形状距离对应的参比数据浓度序列；
获取参比数据浓度序列在指定时刻的污染物浓度，判断是否大于报警阈值；
若大于等于报警阈值，则发出预测高值警报，反之则不进行警报处理。
2.如权利要求1所述的空气质量数据异常预警方法，其特征在于，给定时间区间T为t时刻之前的连续N个监测时间的数据构成的给定时间区间。
3.如权利要求2所述的空气质量数据异常预警方法，其特征在于，污染物浓度时间序列具体表示为：
，
其中ci为ti时刻污染物的浓度；ti为给定时间区间的第i个时刻。
4.如权利要求3所述的空气质量数据异常预警方法，其特征在于，其中标准化后的浓度时间序列具体表示为：
，
其中，/>表示标准化后ti时刻污染物的浓度，ci为ti时刻污染物的浓度，/>表示ti时刻污染物的最低浓度，/>表示ti时刻污染物的最高浓度。
5.如权利要求4所述的空气质量数据异常预警方法，其特征在于，根据标准化后的浓度时间序列获取振幅时间序列具体为，根据标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
6.一种空气质量数据异常预警系统，其特征在于，包括获取设置单元、污染物浓度时间序列获取单元、标准化污染物浓度时间序列获取单元、振幅时间序列获取单元、模式时间序列获取单元、参比集数据的浓度时间序列获取单元、参比数据浓度序列获取单元以及判断单元；
获取设置单元用于获取监测数据，进行形状距离比较的给定时间区间的设置；
污染物浓度时间序列获取单元用于获取给定时间区间的污染物浓度时间序列；
标准化污染物浓度时间序列获取单元用于对污染物浓度时间序列进行标准化，并得到标准化后的浓度时间序列；
振幅时间序列获取单元用于根据标准化后的浓度时间序列获取振幅时间序列；
模式时间序列获取单元用于根据振幅时间序列获取模式时间序列/>；
参比集数据的浓度时间序列获取单元用于获取同一给定时间区间内的含有指定数量个比较对象的参比集数据的浓度时间序列；
参比数据浓度序列获取单元用于根据参比集数据的浓度时间序列计算当前数据与参比数据的形状距离，得到最小形状距离，选取最小形状距离对应的参比数据浓度序列；
判断单元用于获取参比数据浓度序列在指定时刻的污染物浓度，判断是否大于报警阈值；
若大于等于报警阈值，则发出预测高值警报，反之则不进行警报处理。
7.如权利要求6所述的空气质量数据异常预警系统，其特征在于，获取设置单元中的给定时间区间T为t时刻之前的连续N个监测时间的数据构成的给定时间区间。
8.如权利要求7所述的空气质量数据异常预警系统，其特征在于，污染物浓度时间序列获取单元中污染物浓度时间序列具体表示为：
，
其中ci为ti时刻污染物的浓度；ti为给定时间区间的第i个时刻。
9.如权利要求8所述的空气质量数据异常预警系统，其特征在于，标准化污染物浓度时间序列获取单元中，标准化后的浓度时间序列具体表示为：
，
其中，/>表示标准化后ti时刻污染物的浓度，ci为ti时刻污染物的浓度，/>表示ti时刻污染物的最低浓度，/>表示ti时刻污染物的最高浓度。
10.如权利要求9所述的空气质量数据异常预警系统，其特征在于，振幅时间序列获取单元根据标准化后的浓度时间序列获取振幅时间序列具体为，根据标准化后的浓度时间序列计算得到含有N-1个点的振幅时间序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237621.7A CN116990465B (zh) | 2023-09-25 | 2023-09-25 | 一种空气质量数据异常预警方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237621.7A CN116990465B (zh) | 2023-09-25 | 2023-09-25 | 一种空气质量数据异常预警方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116990465A true CN116990465A (zh) | 2023-11-03 |
| CN116990465B CN116990465B (zh) | 2023-12-19 |
Family
ID=88525142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311237621.7A Active CN116990465B (zh) | 2023-09-25 | 2023-09-25 | 一种空气质量数据异常预警方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116990465B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332931A (zh) * | 2023-12-01 | 2024-01-02 | 青岛熙正数字科技有限公司 | 一种基于SaaS的智慧环保服务系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1421808A (zh) * | 2001-11-26 | 2003-06-04 | 英业达股份有限公司 | 趋势专利预测系统及其方法 |
| US20060241927A1 (en) * | 2005-04-25 | 2006-10-26 | Shubha Kadambe | System and method for signal prediction |
| CN105608200A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种网络舆论趋势预测分析方法 |
| CN109635859A (zh) * | 2018-12-04 | 2019-04-16 | 华南理工大学 | 基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
| CN110414726A (zh) * | 2019-07-15 | 2019-11-05 | 南京灿能电力自动化股份有限公司 | 一种基于监测数据分析的电能质量预警方法 |
| CN110766060A (zh) * | 2019-10-14 | 2020-02-07 | 中山大学 | 基于深度学习的时间序列相似度的计算方法、系统及介质 |
| CN112149957A (zh) * | 2020-08-20 | 2020-12-29 | 汉威科技集团股份有限公司 | 基于在线监测数据的风险趋势推演与分级预警方法 |
| CN114020730A (zh) * | 2021-10-27 | 2022-02-08 | 河北科技师范学院 | 一种水环境监测数据中异常值的检测和修复方法 |
| CN115455358A (zh) * | 2022-07-19 | 2022-12-09 | 重庆大唐国际彭水水电开发有限公司 | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 |
-
2023
- 2023-09-25 CN CN202311237621.7A patent/CN116990465B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1421808A (zh) * | 2001-11-26 | 2003-06-04 | 英业达股份有限公司 | 趋势专利预测系统及其方法 |
| US20060241927A1 (en) * | 2005-04-25 | 2006-10-26 | Shubha Kadambe | System and method for signal prediction |
| CN105608200A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种网络舆论趋势预测分析方法 |
| CN109635859A (zh) * | 2018-12-04 | 2019-04-16 | 华南理工大学 | 基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
| CN110414726A (zh) * | 2019-07-15 | 2019-11-05 | 南京灿能电力自动化股份有限公司 | 一种基于监测数据分析的电能质量预警方法 |
| CN110766060A (zh) * | 2019-10-14 | 2020-02-07 | 中山大学 | 基于深度学习的时间序列相似度的计算方法、系统及介质 |
| CN112149957A (zh) * | 2020-08-20 | 2020-12-29 | 汉威科技集团股份有限公司 | 基于在线监测数据的风险趋势推演与分级预警方法 |
| CN114020730A (zh) * | 2021-10-27 | 2022-02-08 | 河北科技师范学院 | 一种水环境监测数据中异常值的检测和修复方法 |
| CN115455358A (zh) * | 2022-07-19 | 2022-12-09 | 重庆大唐国际彭水水电开发有限公司 | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAO-LI DONG 等: "RESEARCH ON SHAPE-BASED TIME SERIES SIMILARITY MEASURE", PROCEEDINGS OF THE FIFTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS, vol. 2006, pages 1253 - 1258 * |
| 董晓莉 等: "基于形态的时间序列相似性度量研究", 电子与信息学报, vol. 29, no. 5, pages 1228 - 1231 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332931A (zh) * | 2023-12-01 | 2024-01-02 | 青岛熙正数字科技有限公司 | 一种基于SaaS的智慧环保服务系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116990465B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116990465B (zh) | 一种空气质量数据异常预警方法及其系统 | |
| CN116046187B (zh) | 一种用于通信柜的温度异常远程监测系统 | |
| CN111273607B (zh) | 基于Spark的数控机床运行状态监测方法 | |
| CN108268893B (zh) | 一种基于机器学习的化工园区预警方法及装置 | |
| CN115689396B (zh) | 污染物排放管控方法、装置、设备及介质 | |
| CN115171362B (zh) | 一种面向重点区域防控的预警方法及系统 | |
| CN114022307A (zh) | 分等级、分时级的孤寡老人用电量异常变化分析方法 | |
| CN115358647A (zh) | 基于大数据的氢能产业链风险监测系统及监测方法 | |
| CN109978026B (zh) | 一种基于lstm网络的电梯位置检测方法及系统 | |
| CN115311829A (zh) | 一种基于海量数据的精准告警方法及系统 | |
| CN118428817A (zh) | 一种基于大数据的环境污染评估与监测系统 | |
| CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
| CN117053323B (zh) | 基于室内空气比例自平衡的空气净化系统 | |
| CN117493816A (zh) | 一种基于大数据的空气监测预警方法及系统 | |
| CN116666785A (zh) | 储能电池系统安全预警方法、装置、电子设备及介质 | |
| CN111866017A (zh) | 一种can总线帧间隔异常的检测方法及装置 | |
| SU590793A1 (ru) | Устройство дл обнаружени опасной загазованности объекта | |
| CN115580018A (zh) | 储能系统安全监测方法、装置、设备及存储介质 | |
| CN108921455B (zh) | 智能化污染源污染排放监测方法及装置 | |
| CN116976733B (zh) | 一种基于大数据的大气污染源在线监测数据评估系统 | |
| Zheng et al. | Gaussian Mixture Model Based Fault Diagnosis for Elevator Overspeed and Automatic Reset | |
| Pipe et al. | An automated data-driven toolset for predictive analytics | |
| CN115450853B (zh) | 一种基于离散率的变桨电机温度异常预警方法及系统 | |
| CN118229077B (zh) | 一种高速公路隧道互通受限区域风险评估方法及管控系统 | |
| CN116288532B (zh) | 一种电解槽的监测方法及设备 |
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 |