CN117250133B - 一种智慧城市大规模数据采集方法及系统 - Google Patents
一种智慧城市大规模数据采集方法及系统 Download PDFInfo
- Publication number
- CN117250133B CN117250133B CN202311523060.7A CN202311523060A CN117250133B CN 117250133 B CN117250133 B CN 117250133B CN 202311523060 A CN202311523060 A CN 202311523060A CN 117250133 B CN117250133 B CN 117250133B
- Authority
- CN
- China
- Prior art keywords
- particle content
- smoke particle
- moment
- air
- air smoke
- 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 45
- 239000002245 particle Substances 0.000 claims abstract description 175
- 239000000779 smoke Substances 0.000 claims abstract description 150
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 97
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 97
- 238000004887 air purification Methods 0.000 claims abstract description 11
- 239000000428 dust Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 12
- 238000003915 air pollution Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000004071 soot Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及数据处理技术领域，提出了一种智慧城市大规模数据采集方法及系统，包括：获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列；根据城市空气烟尘颗粒含量数据序列计算空气烟尘颗粒含量高位指数，根据城市碳排放量数据序列计算碳排放量高位指数；根据空气烟尘颗粒含量高位指数获取空气烟尘颗粒含量波动集合，根据碳排放量高位指数获取碳排放量波动集合，根据空气烟尘颗粒含量波动集合和碳排放量波动集合计算空气烟尘颗粒含量突高置信值；根据空气烟尘颗粒含量突高置信值计算每个时刻的空气烟尘颗粒含量一致可信集合，根据空气烟尘颗粒含量一致可信集合计算空气净化需求度。本发明确保了智慧城市采集数据的准确性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种智慧城市大规模数据采集方法及系统。
背景技术
随着城市数字化、信息化不断深入发展，智慧城市运行过程中会产生大量信息数据，而其中城市空气污染对城市居民生活、城市经济发展、城市生态活力均造成了产生了较大的影响和不良冲击。
在城市空气污染监测中会出现大量污染物原始数据信息，但直接监测获取得到的城市污染物原始数据中由于监测采集过程中出现自然现象和随机人为影响因素导致原始污染数据收到异常干扰，在随机异常干扰下的采集得到的城市污染数据有效性难以确保，同时，采集获取得到的原始城市污染物数据信息冗余繁杂，无法准确的反映城市空气污染状态，从而难以对城市污染变化情况进行有效的判断。
发明内容
本发明提供一种智慧城市大规模数据采集方法及系统，以解决城市污染物数据采集过程中特征表征不明显的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种智慧城市大规模数据采集方法，该方法包括以下步骤：
获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列；
根据城市空气烟尘颗粒含量数据序列计算每个时刻的空气烟尘颗粒含量高位指数，根据城市碳排放量数据序列计算每个时刻的碳排放量高位指数；
根据空气烟尘颗粒含量高位指数获取每个时刻的空气烟尘颗粒含量波动集合，根据碳排放量高位指数获取每个时刻的碳排放量波动集合，根据所述每个时刻的空气烟尘颗粒含量波动集合和每个时刻的碳排放量波动集合计算每个时刻的空气烟尘颗粒含量突高置信值。
根据每个时刻的空气烟尘颗粒含量突高置信值计算每个时刻的空气烟尘颗粒含量一致可信集合，根据每个时刻的空气烟尘颗粒含量一致可信集合计算每个时刻的空气净化需求度。
优选的，所述获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列的方法为：
将预设时间长度中空气烟尘颗粒含量数据的均值记为当前时刻的空气烟尘颗粒含量数据，将预设时间长度中城市碳排放量数据的均值记为当前时刻的城市碳排放量数据，将每个时刻的空气烟尘颗粒含量数据和城市碳排放量数据按照时间先后次序分别构成城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列。
优选的，所述根据城市空气烟尘颗粒含量数据序列计算每个时刻的空气烟尘颗粒含量高位指数的方法为：
将城市空气烟尘颗粒含量数据序列的均值与第一预设系数的乘积记为第一乘积，将每个时刻的空气烟尘颗粒含量数据与第一乘积的差值记为所述每个时刻的空气烟尘颗粒含量高位指数。
优选的，所述根据城市碳排放量数据序列计算每个时刻的碳排放量高位指数的方法为：
将城市碳排放量数据序列的均值与第二预设系数的乘积记为第二乘积，将每个时刻的城市碳排放量数据与第二乘积的差值记为所述每个时刻的碳排放量高位指数。
优选的，所述根据空气烟尘颗粒含量高位指数获取每个时刻的空气烟尘颗粒含量波动集合得方法为：
将所述每个时刻的空气烟尘颗粒含量高位指数大于预设值的时刻点构成第一索引序列，将第一索引序列中两个相邻时刻点之间小于等于预设时间长度的空气烟尘颗粒含量高位指数构成当前时刻的空气烟尘颗粒含量波动集合。
优选的，所述根据碳排放量高位指数获取每个时刻的碳排放量波动集合的方法为：
将所述每个时刻的量碳排放量高位指数大于预设值的时刻点构成第二索引序列，将第二索引序列中两个相邻时刻点之间小于等于预设时间长度的碳排放量高位指数构成当前时刻的碳排放量波动集合。
优选的，所述根据所述每个时刻的空气烟尘颗粒含量波动集合和每个时刻的碳排放量波动集合计算每个时刻的空气烟尘颗粒含量突高置信值的方法为：
式中，表示了的碳排放量波动集合的总个数，/>表示了第/>个时刻的空气烟尘颗粒含量波动集合，/>表示了第/>个时刻的碳排放量波动集合，/>表示了第/>个时刻的空气烟尘颗粒含量波动集合与第/>个时刻的碳排放量波动集合的交集，/>表示集合元素个数统计函数，/>表示第/>个时刻的空气烟尘颗粒含量突高置信值。
优选的，所述根据每个时刻的空气烟尘颗粒含量突高置信值计算每个时刻的空气烟尘颗粒含量一致可信集合的方法为：
将每个时刻的空气烟尘颗粒含量突高置信值大于预设值的空气烟尘颗粒含量波动集合记为所述时刻的空气烟尘颗粒含量一致可信集合。
优选的，所述根据每个时刻的空气烟尘颗粒含量一致可信集合计算每个时刻的空气净化需求度的方法为：
式中，表示集合元素个数统计函数，/>表示了第/>个时刻的空气烟尘颗粒含量一致可信集合，/>表示了第/>个时刻的第/>个空气烟尘颗粒含量一致可信集合中空气烟尘颗粒含量数值大小，/>表示了第/>个时刻的空气净化需求度。
第二方面，本发明实施例还提供了一种智慧城市大规模数据采集系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明通过对城市空气烟尘颗粒含量数据中不同时刻变化情况计算得到了空气烟尘颗粒含量高位指数，同时，通过计算碳排放量高位指数对不同时刻城市空气烟尘颗粒含量变化数据进一步分析，有效地规避由于随机自然状态导致的城市空气烟尘颗粒含量数据中异常变化情况。并基于空气烟尘颗粒含量高位指数和碳排放量高位指数获取空气烟尘颗粒含量突高置信值去除无效的空气烟尘颗粒含量数据，构成空气烟尘颗粒含量一致可信集合，对原始数据信息中较低可信的无效数据进行筛选，降低采集得到空气烟尘颗粒含量数据的冗余性。通过对空气烟尘颗粒含量一致可信集合中有效数据对城市空气烟尘颗粒含量数据进行有效的提取表征，确保了城市烟尘颗粒含量数据采集的准确性和有效性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种智慧城市大规模数据采集方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的一种智慧城市大规模数据采集方法流程图，该方法包括以下步骤：
步骤S001，获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列。
在城市中的居民人员密集生活区域设置空气烟尘颗粒含量传感器以及碳排放量传感器，每间隔时间对传感器数据进行记录，将时间间隔/>中采集得到的传感器的均值作为当前时刻的空气烟尘颗粒含量数据和碳排放量数据，并按照时间先后次序分别构成空气烟尘颗粒含量数据序列和碳排放量数据序列，其中本发明时间间隔/>取值为1分钟。
至此，获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列。
步骤S002，根据城市空气烟尘颗粒含量数据序列计算每个时刻的空气烟尘颗粒含量高位指数，根据城市碳排放量数据序列计算每个时刻的碳排放量高位指数。
为了能够较为准确的表征城市空气烟尘颗粒含量数据变化特点，需要对所采集到的空气烟尘颗粒含量数据序列进行分析。具体的，正常空气中存在许多不同的颗粒，空气中的颗粒含量也会随着当前环境的变化而产生一定的波动，而当空气中的颗粒物含量较高时，人体吸入则会造成不良健康影响。
基于空气烟尘颗粒含量传感器所获取到的数据序列，对数据序列中的异常情况进行分析。具体的，对整个序列求出其均值并记录为，对于每个时刻的空气烟尘颗粒含量构建空气烟尘颗粒含量高位指数。
其中，为第i个时刻空气烟尘颗粒含量高位指数，/>为第i个时刻的城市空气烟尘颗粒含量数据序列中的数值大小，/>为空气烟尘颗粒含量数据序列的均值，/>为城市空气烟尘颗粒含量均值调整系数，本发明取经验值为/>。当/>的值大于零，说明该时刻的空气烟尘颗粒含量相较于正常值较高，空气中的颗粒较为密集，此时空气污染程度越大。
但在空气烟尘颗粒含量数据中出现突高值时并不能完全说明当前城市中空气污染的总体水平较大，也有可能是因为短时的空气流动、工地施工或人员车流扬尘至空气中，导致有部分突高值其实并非是空气污染，经过若干时间后，由于上述原因引起的粉尘上升会重新从空气中回到地面，在空气烟尘颗粒含量数据中形成局部突高现象。
针对上述现象，需要结合空气烟尘颗粒含量数据与碳排放量数据，对空气含量突高值是否真正影响空气质量进行进一步的判断。由于空气中的颗粒含量大部分来自于日常生活中的汽车尾气排放以及工业生产的排放，当碳排放量较高时，空气中的颗粒含量也相应升高，即空气烟尘颗粒含量数据与碳排放量数据存在关联变化关系。
若空气烟尘颗粒含量较高时，碳排放量也较高，那说明此时空气烟尘颗粒含量较高点的可信度较高。基于颗粒含量与碳排放量的关系，先求出碳排放量数据中的均值并记录为，构建碳排放量的高位指数。
其中，为第i个时刻的碳排放量高位值，/>为城市碳排放量数据序列中第i个时刻的城市碳排放数值大小，/>为碳排放量的数据均值，/>为城市碳排放量均值调整系数，本发明取经验值为/>。若时刻i位置处计算得到的碳排放量高位值/>的数值大于零，说明第i个时刻得城市碳排放污染较为严重。
对所述城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列中每个不同时刻均进行上述计算处理。通过计算得到每个时刻的空气烟尘颗粒含量高位指数和碳排放量高位指数有效的对原始城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列中空气污染变化情况进行表征计算，规避了原始数据中空气污染变化情况表现不清晰的缺陷。
至此，获取每个时刻的空气烟尘颗粒含量高位指数和每个时刻的碳排放量高位指数。
步骤S003，根据空气烟尘颗粒含量高位指数获取空气烟尘颗粒含量波动集合，根据碳排放量高位指数获取碳排放量波动集合，根据所述空气烟尘颗粒含量波动集合和的碳排放量波动集合计算每个时刻的空气烟尘颗粒含量突高置信值。
根据上述步骤计算分析，当某个时刻城市环境污染较为严重时，计算得到的每个时刻的空气烟尘颗粒含量高位指数和每个时刻的碳排放量高位指数数值较大，大于数字零。
因此分别获取不同时刻空气烟尘颗粒含量高位指数和碳排放量的高位指数中数据大于数字零的时刻点，基于所述时刻点数据构成空气烟尘颗粒含量峰度索引序列和碳排放量峰度索引序列。
通常情况下，由于工业生产和汽车行驶导致城市空气质量较差时，不同时刻的数据应具有连续变化的特点。反之，由于传感器异常而导致的噪声影响会导致原始空气烟尘颗粒含量数据序列和碳排放量数据序列中出现孤立异常点，此时在空气烟尘颗粒含量峰度索引序列和碳排放量峰度索引序列中不同时刻数据中会呈现间断变化的特点。
因此，对于空气烟尘颗粒含量峰度索引序列和碳排放量峰度索引序列进行筛选，将空气烟尘颗粒含量峰度索引序列之间差值小于等于采样时间间隔T的数据点构成当前时刻点i的空气烟尘颗粒含量波动集合，记为，将碳排放量峰度索引序列中相邻两个索引数据之间差值小于等于采样时间间隔T的数据点构成当前时刻点i的碳排放量波动集合，记为。
其中，为第i个空气烟尘颗粒含量突高点集合的置信值，/>为第i个空气烟尘颗粒含量波动集合，/>表示了碳排放量波动集合的总个数，/>表示了第/>个时刻的碳排放量波动集合，/>为统计集合/>、/>之间交集内的元素个数，/>为统计集合/>中的元素个数。
当的值越大，说明该空气烟尘颗粒含量波动集合中的数据置信值越高，则原始空气烟尘颗粒含量数据序列时刻空气烟尘颗粒含量较高的情况较为可信，存在空气污染情况的可能性越高。
对于每个时刻的空气烟尘颗粒含量高位指数和每个时刻的碳排放量高位指数均通过上述分析计算可以得到不同时刻位置处的空气烟尘颗粒含量突高点集合的置信值。通过对每个不同时刻空气烟尘颗粒含量突高点集合的置信值反映了城市烟尘颗粒含量不同时刻数据的可信情况，通过空气烟尘颗粒含量突高点集合的置信值对原始城市烟尘颗粒含量数据的有效数据信息进行筛选保留，提高城市烟尘颗粒含量数据的有效性。
至此，获取每个时刻的空气烟尘颗粒含量突高置信值。
步骤S004，根据空气烟尘颗粒含量突高置信值计算每个时刻的空气烟尘颗粒含量一致可信集合，根据每个时刻的空气烟尘颗粒含量一致可信集合计算每个时刻的空气净化需求度。
根据上述步骤中获取得到的每个时刻空气烟尘颗粒含量突高置信值保留所有不同时刻空气烟尘颗粒含量波动集合中大于预设经验值的空气烟尘颗粒含量波动集合，记所述大于预设经验值/>的空气烟尘颗粒含量波动集合为空气烟尘颗粒含量一致可信集合，其中预设经验值/>为/>。
式中，表示集合元素个数统计函数，/>表示了第/>个时刻的空气烟尘颗粒含量一致可信集合，/>表示了第/>个时刻的第/>个空气烟尘颗粒含量一致可信集合中空气烟尘颗粒含量数值大小，/>表示了第/>个时刻的空气净化需求度。
通过上述公式可以计算得到第个时刻的城市空气净化需求度/>的数值大小，当空气烟尘颗粒含量越高，空气烟尘颗粒含量一致可信集合中元素个数越多，说明空气污染持续时间越长时，则当前空气质量受到污染程度越严重。
通过上述步骤分析获取得到城市空气净化需求度相较于原始空气烟尘颗粒含量数据更能有效的反映城市空气质量的变化情况，规避了原始空气烟尘颗粒含量数据无法准确直观表现城市空气质量的缺陷，进一步保证了智慧城市采集数据的真实可靠性。
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)
1.一种智慧城市大规模数据采集方法，其特征在于，该方法包括以下步骤：
获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列；
根据城市空气烟尘颗粒含量数据序列计算每个时刻的空气烟尘颗粒含量高位指数，根据城市碳排放量数据序列计算每个时刻的碳排放量高位指数；
根据空气烟尘颗粒含量高位指数获取每个时刻的空气烟尘颗粒含量波动集合，根据碳排放量高位指数获取每个时刻的碳排放量波动集合，根据所述每个时刻的空气烟尘颗粒含量波动集合和每个时刻的碳排放量波动集合计算每个时刻的空气烟尘颗粒含量突高置信值；
根据每个时刻的空气烟尘颗粒含量突高置信值计算每个时刻的空气烟尘颗粒含量一致可信集合，根据每个时刻的空气烟尘颗粒含量一致可信集合计算每个时刻的空气净化需求度；
所述根据城市空气烟尘颗粒含量数据序列计算每个时刻的空气烟尘颗粒含量高位指数的方法为：将城市空气烟尘颗粒含量数据序列的均值与第一预设系数的乘积记为第一乘积，将每个时刻的空气烟尘颗粒含量数据与第一乘积的差值记为所述每个时刻的空气烟尘颗粒含量高位指数；
所述根据城市碳排放量数据序列计算每个时刻的碳排放量高位指数的方法为：将城市碳排放量数据序列的均值与第二预设系数的乘积记为第二乘积，将每个时刻的城市碳排放量数据与第二乘积的差值记为所述每个时刻的碳排放量高位指数；
所述根据空气烟尘颗粒含量高位指数获取每个时刻的空气烟尘颗粒含量波动集合的方法为：将所述每个时刻的空气烟尘颗粒含量高位指数大于预设值的时刻点构成第一索引序列，将第一索引序列中两个相邻时刻点之间小于等于预设时间长度的空气烟尘颗粒含量高位指数构成当前时刻的空气烟尘颗粒含量波动集合；
所述根据碳排放量高位指数获取每个时刻的碳排放量波动集合的方法为：将所述每个时刻的碳排放量高位指数大于预设值的时刻点构成第二索引序列，将第二索引序列中两个相邻时刻点之间小于等于预设时间长度的碳排放量高位指数构成当前时刻的碳排放量波动集合；
所述根据所述每个时刻的空气烟尘颗粒含量波动集合和每个时刻的碳排放量波动集合计算每个时刻的空气烟尘颗粒含量突高置信值的方法为：
式中，表示了的碳排放量波动集合的总个数，/>表示了第/>个时刻的空气烟尘颗粒含量波动集合，/>表示了第/>个时刻的碳排放量波动集合，/>表示了第/>个时刻的空气烟尘颗粒含量波动集合与第/>个时刻的碳排放量波动集合的交集，/>表示集合元素个数统计函数，/>表示第/>个时刻的空气烟尘颗粒含量突高置信值；
所述根据每个时刻的空气烟尘颗粒含量突高置信值计算每个时刻的空气烟尘颗粒含量一致可信集合的方法为：将每个时刻的空气烟尘颗粒含量突高置信值大于预设值的空气烟尘颗粒含量波动集合记为每个时刻的空气烟尘颗粒含量一致可信集合；
所述根据每个时刻的空气烟尘颗粒含量一致可信集合计算每个时刻的空气净化需求度的方法为：
式中，表示集合元素个数统计函数，/>表示了第/>个时刻的空气烟尘颗粒含量一致可信集合，/>表示了第/>个时刻的第/>个空气烟尘颗粒含量一致可信集合中空气烟尘颗粒含量数值大小，/>表示了第/>个时刻的空气净化需求度。
2.根据权利要求1所述的一种智慧城市大规模数据采集方法，其特征在于，所述获取城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列的方法为：
将预设时间长度中空气烟尘颗粒含量数据的均值记为当前时刻的空气烟尘颗粒含量数据，将预设时间长度中城市碳排放量数据的均值记为当前时刻的城市碳排放量数据，将每个时刻的空气烟尘颗粒含量数据和城市碳排放量数据按照时间先后次序分别构成城市空气烟尘颗粒含量数据序列和城市碳排放量数据序列。
3.一种智慧城市大规模数据采集系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2任意一项方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311523060.7A CN117250133B (zh) | 2023-11-16 | 2023-11-16 | 一种智慧城市大规模数据采集方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311523060.7A CN117250133B (zh) | 2023-11-16 | 2023-11-16 | 一种智慧城市大规模数据采集方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117250133A CN117250133A (zh) | 2023-12-19 |
| CN117250133B true CN117250133B (zh) | 2024-02-20 |
Family
ID=89126728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311523060.7A Active CN117250133B (zh) | 2023-11-16 | 2023-11-16 | 一种智慧城市大规模数据采集方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250133B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2839886A1 (en) * | 2006-09-05 | 2008-03-13 | Cerion Technology, Inc. | Method of conditioning an internal combustion engine |
| CN108562698A (zh) * | 2018-04-18 | 2018-09-21 | 重庆第二师范学院 | 一种大数据空气质量指标信息处理系统 |
| CN108614076A (zh) * | 2018-04-27 | 2018-10-02 | 中国石油大学(华东) | 一种二氧化碳地质封存评价方法 |
| WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
| CN111198101A (zh) * | 2020-01-03 | 2020-05-26 | 清华大学 | 一种飞行器发动机排放物排放量的测定方法和装置 |
| WO2022056152A1 (en) * | 2020-09-10 | 2022-03-17 | Project Canary, Pbc | Air quality monitoring system and method |
| CN114263908A (zh) * | 2021-09-16 | 2022-04-01 | 崔学发 | 垃圾切割预热焚烧蒸汽除尘脱硫硝一体化热能再利用工艺 |
| DE102021134170A1 (de) * | 2021-12-21 | 2023-06-22 | Jenoptik Robot Gmbh | Verfahren und Vorrichtung zum Bereitstellen von zumindest einem Emissionswert eines Verkehrsmittels |
| CN116384635A (zh) * | 2023-06-05 | 2023-07-04 | 中国标准化研究院 | 基于大数据的绿色生态城市信息化管理系统 |
| CN116992322A (zh) * | 2023-09-25 | 2023-11-03 | 广东申创光电科技有限公司 | 一种智慧城市数据中心管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190141584A (ko) * | 2018-06-14 | 2019-12-24 | 웅진코웨이 주식회사 | 공기 정화 장치 및 이를 제어하는 방법 |
-
2023
- 2023-11-16 CN CN202311523060.7A patent/CN117250133B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2839886A1 (en) * | 2006-09-05 | 2008-03-13 | Cerion Technology, Inc. | Method of conditioning an internal combustion engine |
| WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
| CN108562698A (zh) * | 2018-04-18 | 2018-09-21 | 重庆第二师范学院 | 一种大数据空气质量指标信息处理系统 |
| CN108614076A (zh) * | 2018-04-27 | 2018-10-02 | 中国石油大学(华东) | 一种二氧化碳地质封存评价方法 |
| CN111198101A (zh) * | 2020-01-03 | 2020-05-26 | 清华大学 | 一种飞行器发动机排放物排放量的测定方法和装置 |
| WO2022056152A1 (en) * | 2020-09-10 | 2022-03-17 | Project Canary, Pbc | Air quality monitoring system and method |
| US20230314313A1 (en) * | 2020-09-10 | 2023-10-05 | Project Canary, Pbc | Air quality monitoring system and method |
| CN114263908A (zh) * | 2021-09-16 | 2022-04-01 | 崔学发 | 垃圾切割预热焚烧蒸汽除尘脱硫硝一体化热能再利用工艺 |
| DE102021134170A1 (de) * | 2021-12-21 | 2023-06-22 | Jenoptik Robot Gmbh | Verfahren und Vorrichtung zum Bereitstellen von zumindest einem Emissionswert eines Verkehrsmittels |
| CN116384635A (zh) * | 2023-06-05 | 2023-07-04 | 中国标准化研究院 | 基于大数据的绿色生态城市信息化管理系统 |
| CN116992322A (zh) * | 2023-09-25 | 2023-11-03 | 广东申创光电科技有限公司 | 一种智慧城市数据中心管理系统 |
Non-Patent Citations (8)
| Title |
|---|
| Qingyang Wu.Price and scale effects of China's carbon emission trading system pilots on emission reduction.《Journal of Environmental Management》.2022,第1-14页. * |
| 城市空气质量影响因素的实证分析;蔡怡静 等;《环境保护与循环经济》(02);第65-68、71页 * |
| 抚顺市大气颗粒物主要排放源的成分谱研究;金永民;《中国环境监测》;第58-61页 * |
| 新疆主要污染排放物的环境库兹曲线变化特征分析;郭辉;《皖西学院学报》;第46-52页 * |
| 柳林城市扬尘化学组成特征;王海京 等;《环境化学》;第799-804页 * |
| 火电企业碳排放在线监测技术研究进展;姚顺春 等;《华南理工大学学报(自然科学版)》;第97-108页 * |
| 燃煤电站超低排放烟气颗粒物排放测试及特性分析;周心澄 等;《东南大学学报(自然科学版)》;第240-247页 * |
| 钢铁窑炉烟尘细颗粒物超低排放技术与装备;姚群 等;《中国环保产业》;第39-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117250133A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
| CN107943928B (zh) | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 | |
| CN104318688B (zh) | 一种基于数据融合的多传感器火灾预警方法 | |
| CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
| CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
| CN113163353A (zh) | 一种电源车的智能健康服务系统及其数据传输方法 | |
| CN110513829A (zh) | 能够精确计算滤网寿命的控制方法、控制系统及净化设备 | |
| CN112132336B (zh) | 一种pm2.5浓度的季度预测方法 | |
| CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN114444356A (zh) | 一种获取居民空间碳排放量的方法及装置 | |
| CN117250133B (zh) | 一种智慧城市大规模数据采集方法及系统 | |
| CN105630842A (zh) | 建立空气质量信息数据库、确定受污染信息的方法及装置 | |
| CN114611706B (zh) | 基于Stacking多模型融合设计的空气污染物缺失值补充方法 | |
| Kshirsagar et al. | Anatomization of air quality prediction using neural networks, regression and hybrid models | |
| CN113901043B (zh) | 污染源智能监管和数据融合分析方法和系统 | |
| CN112765229B (zh) | 一种基于多层注意力机制的空气质量推断方法 | |
| CN109856321A (zh) | 异常高值点位的确定方法 | |
| CN113268800A (zh) | 优化区域规划方法、装置、电子设备和可读存储介质 | |
| CN109213840A (zh) | 基于多维特征深度学习的热点网格识别方法 | |
| CN116862109A (zh) | 一种区域碳排放态势感知预警方法 | |
| CN111210081A (zh) | 一种基于Bi-GRU的PM2.5数据处理与预测方法 | |
| Zou et al. | Quantifying the Influence of Different Block Types on the Urban Heat Risk in High-Density Cities. | |
| CN106840259A (zh) | 环境监测系统 | |
| CN106780245B (zh) | 热带气旋引发沿海地区灰霾概率的确定、预报方法及系统 | |
| CN110134669A (zh) | 一种数据模型监控方法 |
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 |