CN117390590A - 一种基于cim模型的数据管理方法及系统 - Google Patents
一种基于cim模型的数据管理方法及系统 Download PDFInfo
- Publication number
- CN117390590A CN117390590A CN202311671185.4A CN202311671185A CN117390590A CN 117390590 A CN117390590 A CN 117390590A CN 202311671185 A CN202311671185 A CN 202311671185A CN 117390590 A CN117390590 A CN 117390590A
- Authority
- CN
- China
- Prior art keywords
- environmental
- park
- environment
- model
- unit area
- 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 58
- 238000013523 data management Methods 0.000 title claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 137
- 238000007726 management method Methods 0.000 claims abstract description 34
- 239000005431 greenhouse gas Substances 0.000 claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 239000002689 soil Substances 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 146
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000003912 environmental pollution Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002680 soil gas Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据管理的技术领域,特别是涉及一种基于CIM模型的数据管理方法及系统,其能够精准定位污染源头企业,避免对园区内所有企业进行无差别监管和控制;方法应用于智慧园区管理平台,智慧园区管理平台通过CIM模型搭建,方法包括:将园区划分为若干个相邻单元区域,并为每个单元区域标注唯一标识;在每个单元区域内部署环境传感器集合,用于采集每个单元区域的环境数据信息集合;环境数据信息集合包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数;根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;将每个单元区域内的环境数据信息集合输入至预先训练的区域环境评价模型中。
Description
技术领域
本发明涉及数据管理的技术领域,特别是涉及一种基于CIM模型的数据管理方法及系统。
背景技术
智慧园区通过融合新一代信息与通信技术,具备迅捷信息采集、高速信息传输、高度集中计算、智能事务处理和无所不在的服务提供能力,实现园区内及时、互动、整合的信息感知、传递和处理,以提高园区产业集聚能力、企业经济竞争力、园区可持续发展为目标的先进园区发展理念;基于CIM模型搭建的智慧园区管理平台把大多包括以下几个子系统:监控系统、一卡通系统、停车系统、智能照明系统、能耗监测系统、环境监测系统、旅游管理系统、公共广播系统、智能消防系统、智慧电梯等。
现有的智慧园区管理平台在对园区环境监测过程中,大多数通过检测环境中各项环境参数指标是否超标,由于部分污染源具有扩散性,难以精准定位污染源头企业,当环境参数指标超标时则通知园区内所有企业加强对污染源的监管控制;此种环境监测方式精度不够,容易增添园区内企业负担。
发明内容
为解决上述技术问题,本发明提供一种能够精准定位污染源头企业,避免对园区内所有企业进行无差别监管和控制的一种基于CIM模型的数据管理方法。
第一方面,本发明提供了一种基于CIM模型的数据管理方法,所述方法应用于智慧园区管理平台,所述智慧园区管理平台通过CIM模型搭建,所述方法包括:
将园区划分为若干个相邻单元区域,并为每个单元区域标注唯一标识;
在每个单元区域内部署环境传感器集合,用于采集每个单元区域的环境数据信息集合;所述环境数据信息集合包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;
将每个单元区域内的环境数据信息集合输入至预先训练的区域环境评价模型中,输出该单元区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联;
根据各个单元区域的地理方位,将若干个单元区域进行排列分布,并将相同时间节点获得的单元区域的环境评价指数插补至该单元区域所对应的位置,获得二维园区环境评价矩阵;
将插补后的二维园区环境评价矩阵与对应的时间节点进行关联;并根据时间顺序,将预设时间段内所有时间节点的二维园区环境评价矩阵进行排列,获得三维园区环境评价矩阵;
将三维园区环境评价矩阵输入至预先训练的环境评价指数分析模型中,获得每个时间节点内园区环境污染源头区域。
进一步地,所述区域环境评价模型的构建方法,包括:
收集每个单元区域内的环境数据信息集合,包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
对收集到的原始数据进行清洗和预处理,以去除异常值、缺失值和重复值,并进行标准化处理,使得不同参数之间的数值范围保持一致;
选择多元线性回归模型作为区域环境评价模型的模型架构;并确定区域环境评价模型的自变量和因变量,自变量包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数,因变量为环境评价指数;
使用收集到的环境数据信息和对应的单元区域标识作为训练数据集,将训练数据集输入到多元线性回归模型中,进行模型的训练;
使用一部分独立的数据作为测试数据集,将训练好的模型应用到测试数据集上,对模型进行评估;
将训练好的多元线性回归模型应用到实际的环境监测数据中,将每个单元区域内的环境数据信息集合输入到模型中,得到该区域的环境评价指数。
进一步地,所述区域环境评价模型的计算公式,如下:Pi=ω1×Uia+ω2×Uiw+ω3×Uis+ω4×Uig
其中,Pi表示第i个单元区域的环境评价指数;Uia表示第i个单元区域的空气质量参数;Uiw表示第i个单元区域的水质参数;Uis表示第i个单元区域的土壤质量参数;Uig表示第i个单元区域的温室气体排放参数;ω1、ω2、ω3和ω4分别表示空气质量参数、水质参数、土壤质量参数和温室气体排放参数对环境评价指数计算结果的影响权重。
进一步地,获得二维园区环境评价矩阵的方法,包括:
根据园区地理范围建立地理坐标系,将园区的中心点定义为地理坐标系的原点,根据每个单元区域相对于中心点的位置来确定每个单元区域的坐标;
根据地理坐标系,将相邻的单元区域按照其坐标进行排列分布;
将每个单元区域的环境评价指数与该单元区域的坐标进行关联;
将相同时间节点下的各个单元区域环境评价指数按照地理坐标进行排列分布,生成二维园区环境评价矩阵。
进一步地,获得三维园区环境评价矩阵的方法,包括:
建立时间轴,用于记录每个时间节点的数据,时间轴采用线性结构,其中每个节点表示一个时间节点;
为每个时间节点分配唯一标识,并将该时间节点对应的二维园区环境评价矩阵插入到时间轴上;
将不同时间节点的二维园区环境评价矩阵按照时间顺序排列,获得三维园区环境评价矩阵,其中第一维是时间节点,第二维是地理坐标,第三维是环境评价指数。
进一步地,所述环境评价指数分析模型采用卷积循环神经网络模型,所述环境评价指数分析模型的输入为三维园区环境评价矩阵,输出为每个时间节点内园区环境污染源头区域;
所述环境评价指数分析模型包括:
输入层,接收三维园区环境评价矩阵作为输入数据;
卷积层,通过使用卷积核提取输入数据中的局部特征,所述局部特征包括输入数据中的周期性特征和趋势特征;
池化层,用于对卷积层的输出进行下采样,以减少数据的维度和计算量;
全连接层,用于将池化层的输出展平,并将其输入到全连接层中,用于识别环境污染源头区域的特定特征;
循环层,使用长短时记忆网络模型,捕捉输入数据中的时间序列特征;
输出层,使用全连接层对循环层的输出进行处理,得到每个时间节点内园区环境污染源头区域的预测结果。
进一步地,部署环境传感器集合的方法,包括:
根据园区的生产特点和监测需求,确定需要采集的环境数据类型和相应的传感器设备;部署空气质量传感器、水质传感器、土壤质量传感器和温室气体排放传感器来分别监测空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
针对每个单元区域,根据单元区域内的环境特征和监测需求,选择部署位置,确保环境传感器集合能够准确监测单元区域的环境数据;
将选定的传感器设备安装在预先确定的部署位置,并进行配置和调试,确保传感器的参数设置正确。
另一方面,本申请还提供了一种基于CIM模型的数据管理系统,所述系统包括:园区单元区域划分模块,用于将园区划分为若干个相邻的单元区域,并为每个单元区域标注唯一标识;
环境传感器管理模块,用于在每个单元区域内部署环境传感器集合,所述环境传感器集合用于采集每个单元区域的环境数据信息集合;
环境数据采集模块,用于根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;
区域环境评价模型模块,用于将每个单元区域内的环境数据信息集合输入至预先存储的区域环境评价模型中,输出该单元区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联;
环境数据插补模块,用于根据各个单元区域的地理方位,将若干个单元区域进行排列分布,并将相同时间节点获得的单元区域的环境评价指数插补至该单元区域所对应的位置,获得二维园区环境评价矩阵;
三维环境评价矩阵模块,用于将插补后的二维园区环境评价矩阵与对应的时间节点进行关联;并根据时间顺序,将预设时间段内所有时间节点的二维园区环境评价矩阵进行排列,获得三维园区环境评价矩阵;
环境污染源头分析模块,用于将三维园区环境评价矩阵输入至预先训练的环境评价指数分析模型中,获得每个时间节点内园区环境污染源头区域。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过将园区划分为单元区域,配备环境传感器集合,并结合地理信息,能够精确定位每个污染源头企业的位置,提高污染源头的准确定位性。本发明采集的数据不仅包括空气质量参数,还包括水质参数、土壤质量参数和温室气体排放参数等多维度信息;这种多维度数据分析有助于更全面地了解环境状况,有利于制定更有针对性的环境管理政策。
通过将各个单元区域的环境评价指数进行空间分布和展示,并获得三维园区环境评价矩阵,三维园区环境评价矩阵将时间和空间信息结合在一起,再通过环境评价指数分析模型对三维园区环境评价矩阵进行分析,能够实现对园区内环境污染源头的精准定位和及时管理,有效解决部分污染源具有扩散性,无法定位污染源头的问题;通过精准定位污染源头企业,避免对园区内所有企业进行无差别监管和控制,从而减轻企业的负担。
附图说明
图1是本发明的流程图;
图2是构建区域环境评价模型的流程图;
图3是构建环境评价指数分析模型的流程图;
图4是基于CIM模型的数据管理系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图3所示,本发明的一种基于CIM模型的数据管理方法,所述方法应用于智慧园区管理平台,所述智慧园区管理平台通过CIM模型搭建,所述方法具体包括以下步骤:
S1、将园区划分为若干个相邻单元区域,并为每个单元区域标注唯一标识;
S1步骤涉及到园区的划分和标识,为后续的环境数据管理和分析提供了基础;因此S1步骤需要考虑以下几个关键方面:
S1a、地理信息系统数据:为了实施S1步骤,需要具备园区的地理信息数据;这包括园区的地图数据、边界信息、以及可能的地理坐标;这些数据可以来自地理信息系统或卫星图像等;GIS数据能够帮助准确地划分园区为单元区域;
S1b、单元区域定义:园区的划分应该考虑多个因素,包括环境差异、土地利用、行政划分等;需要定义单元区域,并为每个单元区域分配唯一标识,以确保后续的数据管理是有条不紊的;这可以通过GIS工具来完成,将园区分割成多个多边形区域,每个区域可以在数据库中具有唯一的标识符;
S1c、数据库管理:在S1步骤中,需要建立一个数据库,以存储单元区域的定义和唯一标识符;这个数据库可以采用关系型数据库管理系统(如MySQL、PostgreSQL)或NoSQL数据库(如MongoDB)来管理;每个记录包括单元区域的名称、边界坐标、唯一标识符等信息;
S1d、数据安全性:在S1步骤中,还需要考虑数据的安全性;确保只有授权的人员可以访问和管理数据库中的园区划分和标识数据,以防止潜在的数据泄露或篡改;
以上这些步骤是S1步骤在数据管理领域中的实际实施方案;这些方案将有助于确保智慧园区管理平台能够精确划分园区,为后续的环境数据采集和分析提供坚实的基础。
S2、在每个单元区域内部署环境传感器集合,用于采集每个单元区域的环境数据信息集合;所述环境数据信息集合包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
S2步骤在基于CIM模型的智慧园区管理平台中,用于在每个单元区域内部署环境传感器集合,以采集每个单元区域的环境数据信息集合;以下是该步骤的详细介绍:
S21、确定传感器类型和数量:根据园区的特点和需求,确定需要采集的环境数据类型和相应的传感器设备;例如,可以部署空气质量传感器、水质传感器、土壤质量传感器和温室气体排放传感器等,以监测园区内的空气、水、土壤和温室气体等环境参数;
S22、选择合适的部署位置:针对每个单元区域,根据区域内的环境特征和监测需求,选择合适的部署位置,确保传感器能够准确监测该区域的环境数据;例如,在园区内的污染源附近、关键排放口、人员密集区域等,需要部署相应的传感器以监测环境状况;
S23、安装和配置传感器:将选定的传感器设备安装在预先确定的位置,并进行必要的配置和调试;确保传感器的参数设置正确,能够准确监测该区域的环境数据。通过S2步骤,基于CIM模型的智慧园区管理平台可以在每个单元区域内部署环境传感器集合,以采集每个单元区域的环境数据信息集合;这些数据包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数等,为后续的环境监测和分析提供基础数据支持;通过对这些数据的处理和分析,可以获得每个单元区域的环境状况和污染情况,为园区的环境管理和污染治理提供决策支持。
S3、根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;
S3步骤在基于CIM模型的智慧园区管理平台中,用于根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;以下是该步骤的详细介绍:
S31、时间节点设定:根据园区的实际情况和监测需求,预先设定一系列的时间节点;这些时间节点可以是固定的时间段,例如每天的特定时间段(如08:00-12:00、14:00-18:00等),也可以是根据实际需要灵活设置的时间点;设定时间节点的目的是为了确保在特定的时间点对园区内的环境数据进行采集和分析;
S32、传感器触发采集:根据预先设定的时间节点,智慧园区管理平台通过发送指令或信号,触发各单元区域内部署的环境传感器集合进行数据采集;这些传感器在接收到触发信号后,会开始采集对应单元区域内的环境数据信息集合;
S33、数据传输与存储:采集到的环境数据信息集合将通过通信网络传输到智慧园区管理平台中进行存储和管理;这些数据包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数等,为后续的环境监测和分析提供基础数据支持。
在本步骤中,通过设定预先确定的时间节点,可以确保在特定的时间点对园区内的环境数据进行采集;这种定时采集的方式可以使监测工作更加规律和有序,避免数据采集的漏检或遗漏情况的发生;通过定时采集的方式,可以获得连续的、完整的环境数据信息集合;这对于后续的环境监测和数据分析非常重要,有助于识别环境中的变化和趋势,并及时采取相应的措施;
S3步骤将采集到的环境数据信息集合通过通信网络传输到智慧园区管理平台中进行存储和管理;这种集中存储和管理的方式方便了数据的获取和利用,可以为后续的环境监测、分析和决策提供更好的支持;综上所述,S3步骤在智慧园区管理平台中的应用具有明显的优点,可以实现定时、精准、连续的环境数据采集,并为后续的环境监测和分析提供基础数据支持。S4、将每个单元区域内的环境数据信息集合输入至预先训练的区域环境评价模型中,输出该单元区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联;
在S4步骤中,采用多元线性回归模型作为区域环境评价模型;多元线性回归模型是一种统计学模型,可以用于预测多个自变量和一个因变量之间的线性关系;在本方法中,自变量是各个环境参数,例如空气质量参数、水质参数、土壤质量参数和温室气体排放参数等;而因变量则是环境评价指数;以下是构建区域环境评价模型的详细步骤:
S41、数据收集和预处理:收集每个单元区域内的环境数据信息集合,包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数等;这些数据可以通过部署在每个单元区域内的环境传感器集合进行采集;然后对这些原始数据进行清洗和预处理,以去除异常值、缺失值和重复值,并进行标准化处理,使得不同参数之间的数值范围保持一致;
S42、确定模型变量:选择适当的自变量和因变量;在本方法中,自变量包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数等,因变量是环境评价指数;
S43、模型训练:使用收集到的环境数据信息和对应的单元区域标识作为训练数据集,将训练数据集输入到多元线性回归模型中,进行模型的训练;在训练过程中,模型会学习到自变量和因变量之间的线性关系,并得到每个自变量的权重和截距等模型参数;
S44、模型评估:使用一部分独立的数据作为测试数据集,将训练好的模型应用到测试数据集上,对模型进行评估;评估指标可以包括模型的准确率、召回率、F1分数等;如果模型的性能不佳,可以对模型进行调整和优化,例如增加或删除自变量、调整权重等;
S45、应用模型:将训练好的多元线性回归模型应用到实际的环境监测数据中,将每个单元区域内的环境数据信息集合输入到模型中,得到该区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联。
更为具体的,所述区域环境评价模型的计算公式,如下所示:
Pi=ω1×Uia+ω2×Uiw+ω3×Uis+ω4×Uig
其中,Pi表示第i个单元区域的环境评价指数;Uia表示第i个单元区域的空气质量参数;Uiw表示第i个单元区域的水质参数;Uis表示第i个单元区域的土壤质量参数;Uig表示第i个单元区域的温室气体排放参数;ω1、ω2、ω3和ω4分别表示空气质量参数、水质参数、土壤质量参数和温室气体排放参数对环境评价指数计算结果的影响权重;
在实际建模过程中,可以利用统计软件或编程语言(如Python中的Scikit-Learn库)进行多项式回归分析,通过拟合数据来估计各个回归系数的值;这样建立的模型可以更好地反映环境参数之间的复杂关系,提高对环境评价指数计算的准确性。
S4步骤充分利用环境数据信息,包括空气质量、水质、土壤质量、温室气体排放等多个参数,使环境评价更加全面和细致;这有助于更好地反映实际环境的多样性和复杂性;多元线性回归模型是一种统计学方法,可以处理多个自变量之间的线性关系;这意味着可以同时考虑多种环境参数对环境评价的影响,从而提高模型的综合性和准确性。
S5、根据各个单元区域的地理方位,将若干个单元区域进行排列分布,并将相同时间节点获得的单元区域的环境评价指数插补至该单元区域所对应的位置,获得二维园区环境评价矩阵;
S5步骤需要考虑如何根据地理方位将单元区域进行排列分布,并将每个单元区域的环境评价指数插补至对应的地理位置;下面是一个详细的过程:
S51、确定地理坐标系:为了方便对园区进行地理方位的定位,需要建立一个合适的地理坐标系;常用的地理坐标系是经纬度坐标系,其中经度表示东西方向,纬度表示南北方向;可以将园区的中心点定义为坐标系的原点(0,0),然后根据每个单元区域相对于中心点的位置来确定其经纬度坐标;
S52、确定单元区域的排列分布:根据地理坐标系,可以将相邻的单元区域按照其经纬度坐标进行排列分布;具体的排列方式可以根据园区的实际情况和需求来确定,例如可以按照纬度进行排序,然后再按照经度进行排序,这样可以保证园区的覆盖范围完整且相邻的单元区域在地理上相邻;
S53、插补环境评价指数:对于每个时间节点,可以将相同时间节点下每个单元区域的环境评价指数插补到对应的地理位置上;具体来说,将每个单元区域的环境评价指数与该区域的经纬度坐标进行关联,然后将这些数据插入到二维园区环境评价矩阵中对应的位置上;在这个过程中,使用插值方法来估计某些地理位置上的环境评价指数,例如使用线性插值或样条插值等方法;
S54、构建二维园区环境评价矩阵:通过上述步骤,将相同时间节点下的各个单元区域环境评价指数按照地理坐标进行排列分布,并构建出一个二维园区环境评价矩阵;这个矩阵可以用来表示每个时间节点下园区内不同地理位置的环境质量状况。
需要注意的是,S5步骤的具体实现可能会因园区的实际情况和需求而有所不同;此外,在进行插补和估计环境评价指数时,需要考虑数据的可靠性和精度,避免过度拟合或估计不准确的情况。
S6、将插补后的二维园区环境评价矩阵与对应的时间节点进行关联;并根据时间顺序,将预设时间段内所有时间节点的二维园区环境评价矩阵进行排列,获得三维园区环境评价矩阵;
S6步骤需要考虑如何将二维园区环境评价矩阵与时间节点进行关联,并将不同时间节点的数据整合成一个三维园区环境评价矩阵;下面是一个详细的过程:
S61、建立时间轴:首先需要建立一个时间轴,用于记录每个时间节点的数据;时间轴可以采用线性或树状结构,其中每个节点表示一个时间节点,例如每天、每周、每月等;
S62、关联二维园区环境评价矩阵与时间节点:将每个时间节点与对应的二维园区环境评价矩阵进行关联;具体来说,为每个时间节点分配一个唯一标识,然后将该时间节点对应的二维园区环境评价矩阵插入到时间轴上,并记录下它们之间的关联关系;
S63、整合不同时间节点的数据:根据关联关系,将不同时间节点的二维园区环境评价矩阵整合成一个三维园区环境评价矩阵;具体来说,将不同时间节点的二维园区环境评价矩阵按照时间顺序排列,然后将它们按照时间轴的方向进行串联;这样就可以得到一个三维园区环境评价矩阵,其中第一维是时间节点,第二维是地理坐标,第三维是环境评价指数;
S64、处理数据缺失和异常值:在整合过程中,可能会遇到数据缺失或异常值的情况;对于缺失的数据,可以进行插补或剔除处理;对于异常值,可以进行修正或替换处理;处理方法可以根据具体情况和需求来确定;
S65、构建三维园区环境评价矩阵:通过上述步骤,将不同时间节点的二维园区环境评价矩阵整合成一个三维园区环境评价矩阵;这个矩阵用来表示每个时间节点下园区内不同地理位置的环境质量状况。
需要注意的是,S6步骤的具体实现可能会因园区的实际情况和需求而有所不同;此外,在进行数据整合和处理时,需要考虑数据的可靠性和精度,避免过度拟合或估计不准确的情况。
S7、将三维园区环境评价矩阵输入至预先训练的环境评价指数分析模型中,获得每个时间节点内园区环境污染源头区域;
在本步骤中,所述环境评价指数分析模型采用卷积循环神经网络模型,所述环境评价指数分析模型的输入为三维园区环境评价矩阵,输出为每个时间节点内园区环境污染源头区域;该模型具体包括以下几个结构层:
输入层:接收三维园区环境评价矩阵作为输入数据;该矩阵的每个元素表示一个单元区域在特定时间节点的环境评价指数;
卷积层:使用卷积核来提取输入数据中的局部特征;在卷积层中,可以设计不同的卷积核来提取不同的特征,例如,卷积核可以提取时间序列数据中的周期性特征、趋势特征等;
池化层:对卷积层的输出进行下采样,以减少数据的维度和计算量;
全连接层:将池化层的输出展平,并将其输入到全连接层中;全连接层可以用于提取更高级的特征,例如,识别环境污染源头区域的特定模式或特征;
循环层:使用循环神经网络来处理具有时序依赖性的数据;在循环层中,可以使用长短时记忆等类型的循环神经网络模型,以捕捉输入数据中的时间序列特征;
输出层:使用全连接层将循环层的输出进行处理,以得到每个时间节点内园区环境污染源头区域的预测结果。
具体的,所述环境评价指数分析模型的构建步骤,如下:
S71、对输入的三维园区环境评价矩阵进行预处理,包括数据清洗、缺失值填充、异常值处理等,以确保模型的输入数据是准确和完整的。
S72、根据实际情况和经验,选择合适的超参数来调整模型的性能。例如,学习率、批次大小、卷积核大小等。
S73、使用交叉验证等方法对模型进行优化,以提高模型的准确性和泛化能力。
S74、使用测试数据集对优化后的模型进行评估,以确定模型的性能和精度。评估指标包括准确率、召回率、F1得分等。
S75、将训练好的模型部署到智慧园区管理平台中,以实现实时环境评价指数分析和预测。
总之,卷积循环神经网络模型有助于处理具有时序依赖性和空间分布性的数据,例如环境监测数据,通过设计合适的卷积核和网络结构,可以有效地提取输入数据中的特征和模式,并预测环境污染源头区域。
实施例二
如图4所示,本发明的一种基于CIM模型的数据管理系统,具体包括以下模块;
园区单元区域划分模块,用于将园区划分为若干个相邻的单元区域,并为每个单元区域标注唯一标识;
环境传感器管理模块,用于在每个单元区域内部署环境传感器集合,所述环境传感器集合用于采集每个单元区域的环境数据信息集合;
环境数据采集模块,用于根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;
区域环境评价模型模块,用于将每个单元区域内的环境数据信息集合输入至预先存储的区域环境评价模型中,输出该单元区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联;
环境数据插补模块,用于根据各个单元区域的地理方位,将若干个单元区域进行排列分布,并将相同时间节点获得的单元区域的环境评价指数插补至该单元区域所对应的位置,获得二维园区环境评价矩阵;
三维环境评价矩阵模块,用于将插补后的二维园区环境评价矩阵与对应的时间节点进行关联;并根据时间顺序,将预设时间段内所有时间节点的二维园区环境评价矩阵进行排列,获得三维园区环境评价矩阵;
环境污染源头分析模块,用于将三维园区环境评价矩阵输入至预先训练的环境评价指数分析模型中,获得每个时间节点内园区环境污染源头区域。
在本实施例中,通过在每个单元区域内部署环境传感器,系统可以实时采集环境数据信息;这种精确的数据采集可以帮助准确了解每个单元区域的环境状况;通过引入环境评价模型可以根据环境数据信息集合生成环境评价指数;这有助于更全面地理解环境状况,而不仅仅是检测环境参数是否超标;
通过在地理方位上排列单元区域,并将环境评价指数插补到相应位置,可以建立一个更全面的园区环境评价矩阵;这有助于将环境数据在整个园区内的分布可视化;系统将采集的环境数据与时间节点关联,创建三维园区环境评价矩阵,这有助于进行时间序列分析;这可以帮助了解环境状况的趋势和周期性变化;
引入环境污染源头分析模块可以帮助确定园区内的环境污染源头;这有助于更准确地定位和解决环境问题;通过将园区划分为单元区域,并精确监测每个区域的环境状况,系统能够实现精细化管理;这有助于提高环境管理的效率;三维环境评价矩阵和污染源头分析结果可以提供直观的数据可视化,有助于园区管理者做出更明智的决策;
综上所述,上述系统在解决现有智慧园区管理平台在对园区环境监测过程中存在的问题具有很大的优势;它能够提高环境监测的精度和效率,减轻园区内企业的负担,促进园区的可持续发展,并实现数据驱动决策;通过这些优点,本系统能够为智慧园区的环境监测和管理提供更高效、更智能的支持。
前述实施例一中的基于CIM模型的数据管理方法的各种变化方式和具体实施例同样适用于本实施例的基于CIM模型的数据管理系统,通过前述对基于CIM模型的数据管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于CIM模型的数据管理系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于CIM模型的数据管理方法,其特征在于,所述方法应用于智慧园区管理平台,所述智慧园区管理平台通过CIM模型搭建,所述方法包括:
将园区划分为若干个相邻单元区域,并为每个单元区域标注唯一标识;
在每个单元区域内部署环境传感器集合,用于采集每个单元区域的环境数据信息集合;所述环境数据信息集合包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;
将每个单元区域内的环境数据信息集合输入至预先训练的区域环境评价模型中,输出该单元区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联;
根据各个单元区域的地理方位,将若干个单元区域进行排列分布,并将相同时间节点获得的单元区域的环境评价指数插补至该单元区域所对应的位置,获得二维园区环境评价矩阵;
将插补后的二维园区环境评价矩阵与对应的时间节点进行关联;并根据时间顺序,将预设时间段内所有时间节点的二维园区环境评价矩阵进行排列,获得三维园区环境评价矩阵;
将三维园区环境评价矩阵输入至预先训练的环境评价指数分析模型中,获得每个时间节点内园区环境污染源头区域。
2.如权利要求1所述的一种基于CIM模型的数据管理方法,其特征在于,所述区域环境评价模型的构建方法,包括:
收集每个单元区域内的环境数据信息集合,包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
对收集到的原始数据进行清洗和预处理,以去除异常值、缺失值和重复值,并进行标准化处理,使得不同参数之间的数值范围保持一致;
选择多元线性回归模型作为区域环境评价模型的模型架构;并确定区域环境评价模型的自变量和因变量,自变量包括空气质量参数、水质参数、土壤质量参数和温室气体排放参数,因变量为环境评价指数;
使用收集到的环境数据信息和对应的单元区域标识作为训练数据集,将训练数据集输入到多元线性回归模型中,进行模型的训练;
使用一部分独立的数据作为测试数据集,将训练好的模型应用到测试数据集上,对模型进行评估;
将训练好的多元线性回归模型应用到实际的环境监测数据中,将每个单元区域内的环境数据信息集合输入到模型中,得到该区域的环境评价指数。
3.如权利要求2所述的一种基于CIM模型的数据管理方法,其特征在于,所述区域环境评价模型的计算公式,如下:
Pi=ω1×Uia+ω2×Uiw+ω3×Uis+ω4×Uig
其中,Pi表示第i个单元区域的环境评价指数;Uia表示第i个单元区域的空气质量参数;Uiw表示第i个单元区域的水质参数;Uis表示第i个单元区域的土壤质量参数;Uig表示第i个单元区域的温室气体排放参数;ω1、ω2、ω3和ω4分别表示空气质量参数、水质参数、土壤质量参数和温室气体排放参数对环境评价指数计算结果的影响权重。
4.如权利要求1所述的一种基于CIM模型的数据管理方法,其特征在于,获得二维园区环境评价矩阵的方法,包括:
根据园区地理范围建立地理坐标系,将园区的中心点定义为地理坐标系的原点,根据每个单元区域相对于中心点的位置来确定每个单元区域的坐标;
根据地理坐标系,将相邻的单元区域按照其坐标进行排列分布;
将每个单元区域的环境评价指数与该单元区域的坐标进行关联;
将相同时间节点下的各个单元区域环境评价指数按照地理坐标进行排列分布,生成二维园区环境评价矩阵。
5.如权利要求4所述的一种基于CIM模型的数据管理方法,其特征在于,获得三维园区环境评价矩阵的方法,包括:
建立时间轴,用于记录每个时间节点的数据,时间轴采用线性结构,其中每个节点表示一个时间节点;
为每个时间节点分配唯一标识,并将该时间节点对应的二维园区环境评价矩阵插入到时间轴上;
将不同时间节点的二维园区环境评价矩阵按照时间顺序排列,获得三维园区环境评价矩阵,其中第一维是时间节点,第二维是地理坐标,第三维是环境评价指数。
6.如权利要求1所述的一种基于CIM模型的数据管理方法,其特征在于,所述环境评价指数分析模型采用卷积循环神经网络模型,所述环境评价指数分析模型的输入为三维园区环境评价矩阵,输出为每个时间节点内园区环境污染源头区域;
所述环境评价指数分析模型包括:
输入层,接收三维园区环境评价矩阵作为输入数据;
卷积层,通过使用卷积核提取输入数据中的局部特征,所述局部特征包括输入数据中的周期性特征和趋势特征;
池化层,用于对卷积层的输出进行下采样,以减少数据的维度和计算量;
全连接层,用于将池化层的输出展平,并将其输入到全连接层中,用于识别环境污染源头区域的特定特征;
循环层,使用长短时记忆网络模型,捕捉输入数据中的时间序列特征;
输出层,使用全连接层对循环层的输出进行处理,得到每个时间节点内园区环境污染源头区域的预测结果。
7.如权利要求1所述的一种基于CIM模型的数据管理方法,其特征在于,部署环境传感器集合的方法,包括:
根据园区的生产特点和监测需求,确定需要采集的环境数据类型和相应的传感器设备;部署空气质量传感器、水质传感器、土壤质量传感器和温室气体排放传感器来分别监测空气质量参数、水质参数、土壤质量参数和温室气体排放参数;
针对每个单元区域,根据单元区域内的环境特征和监测需求,选择部署位置,确保环境传感器集合能够准确监测单元区域的环境数据;
将选定的传感器设备安装在预先确定的部署位置,并进行配置和调试,确保传感器的参数设置正确。
8.一种基于CIM模型的数据管理系统,其特征在于,所述系统包括:
园区单元区域划分模块,用于将园区划分为若干个相邻的单元区域,并为每个单元区域标注唯一标识;
环境传感器管理模块,用于在每个单元区域内部署环境传感器集合,所述环境传感器集合用于采集每个单元区域的环境数据信息集合;
环境数据采集模块,用于根据预先设定的时间节点,控制各单元区域的环境传感器集合采集对应单元区域内的环境数据信息集合;
区域环境评价模型模块,用于将每个单元区域内的环境数据信息集合输入至预先存储的区域环境评价模型中,输出该单元区域的环境评价指数,并将环境评价指数与采集的时间节点进行关联;
环境数据插补模块,用于根据各个单元区域的地理方位,将若干个单元区域进行排列分布,并将相同时间节点获得的单元区域的环境评价指数插补至该单元区域所对应的位置,获得二维园区环境评价矩阵;
三维环境评价矩阵模块,用于将插补后的二维园区环境评价矩阵与对应的时间节点进行关联;并根据时间顺序,将预设时间段内所有时间节点的二维园区环境评价矩阵进行排列,获得三维园区环境评价矩阵;
环境污染源头分析模块,用于将三维园区环境评价矩阵输入至预先训练的环境评价指数分析模型中,获得每个时间节点内园区环境污染源头区域。
9.一种基于CIM模型的数据管理电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311671185.4A CN117390590B (zh) | 2023-12-07 | 2023-12-07 | 一种基于cim模型的数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311671185.4A CN117390590B (zh) | 2023-12-07 | 2023-12-07 | 一种基于cim模型的数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390590A true CN117390590A (zh) | 2024-01-12 |
CN117390590B CN117390590B (zh) | 2024-02-20 |
Family
ID=89466892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311671185.4A Active CN117390590B (zh) | 2023-12-07 | 2023-12-07 | 一种基于cim模型的数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390590B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902605A (zh) * | 2021-10-19 | 2022-01-07 | 中建八局第二建设有限公司 | 一种基于cⅰm架构的智慧园区运维管理模式 |
CN115913998A (zh) * | 2022-10-24 | 2023-04-04 | 四创电子股份有限公司 | 一种pctse智慧园区状态评价方法和系统 |
CN116466823A (zh) * | 2023-04-19 | 2023-07-21 | 东南大学 | 一种社区环境品质自动识别与评价方法、系统及设备 |
CN116665001A (zh) * | 2023-06-01 | 2023-08-29 | 深圳市中壬速客信息技术有限公司 | 一种智慧园区多源数据动态监控和实时分析系统及方法 |
-
2023
- 2023-12-07 CN CN202311671185.4A patent/CN117390590B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902605A (zh) * | 2021-10-19 | 2022-01-07 | 中建八局第二建设有限公司 | 一种基于cⅰm架构的智慧园区运维管理模式 |
CN115913998A (zh) * | 2022-10-24 | 2023-04-04 | 四创电子股份有限公司 | 一种pctse智慧园区状态评价方法和系统 |
CN116466823A (zh) * | 2023-04-19 | 2023-07-21 | 东南大学 | 一种社区环境品质自动识别与评价方法、系统及设备 |
CN116665001A (zh) * | 2023-06-01 | 2023-08-29 | 深圳市中壬速客信息技术有限公司 | 一种智慧园区多源数据动态监控和实时分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117390590B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Izquierdo et al. | Division of water supply systems into district metered areas using a multi-agent based approach | |
CN110991262A (zh) | 生态服务价值预测的多带宽地理加权回归元胞自动机方法 | |
CN113887143A (zh) | 多源异构空气污染物的空间插值方法、装置及计算机设备 | |
CN116865258A (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
CN111461399A (zh) | 一种基于故障非线性离散分布的驻点坐标配置方法 | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN115167530A (zh) | 基于多维传感的带电作业勘察数据处理方法及系统 | |
CN108876062B (zh) | 一种犯罪事件智能预测的大数据方法及装置 | |
CN117036112B (zh) | 一种土地规划用的地理信息系统及方法 | |
CN117390590B (zh) | 一种基于cim模型的数据管理方法及系统 | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
WO2022195628A1 (en) | An artificial neural network based virtual air monitoring network system | |
Chren | Towards multi-layered reliability analysis in smart grids | |
CN117436334B (zh) | 一种油浸式电力变压器温度场的仿真方法及系统 | |
CN117611108B (zh) | 一种城乡建设用地有偿调剂的智能决策构建方法 | |
CN117035468B (zh) | 一种电缆管理分析方法、装置、设备及存储介质 | |
CN113435802B (zh) | 输电网监测规划方案构建方法、装置、设备和存储介质 | |
CN117852975B (zh) | 基于数字化设计的城市更新行动可视化评估方法及系统 | |
Najafabadi et al. | Inference of pattern variation of taxi ridership using deep learning methods: a case study of New York City | |
Ge et al. | Smart Power Distribution Network: Situation Awareness, Planning, and Operation | |
Lee | Energy Consumption Prediction Using RNN Algorithms in a Digital Twin for Effective Building Operations. | |
CN118300104A (zh) | 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质 |
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 |