CN117493816B - 一种基于大数据的空气监测预警方法及系统 - Google Patents
一种基于大数据的空气监测预警方法及系统 Download PDFInfo
- Publication number
- CN117493816B CN117493816B CN202311842674.1A CN202311842674A CN117493816B CN 117493816 B CN117493816 B CN 117493816B CN 202311842674 A CN202311842674 A CN 202311842674A CN 117493816 B CN117493816 B CN 117493816B
- Authority
- CN
- China
- Prior art keywords
- data
- air pollutant
- pollutant concentration
- concentration data
- air
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000000809 air pollutant Substances 0.000 claims abstract description 347
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 347
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 239000000356 contaminant Substances 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 6
- 239000000779 smoke Substances 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G01N33/0065—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 using more than one threshold
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及电数字数据处理技术领域，具体涉及一种基于大数据的空气监测预警方法及系统，采集监测参数对应的空气污染物浓度数据并将其划分为至少两个浓度级，计算各浓度级的浓度级频率；分别获取任意一个空气污染物浓度数据前后的设定数量的空气污染物浓度数据，计算各空气污染物浓度数据对应的第一与第二预测数据；计算各空气污染物浓度数据的优选值与置信度；计算各空气污染物浓度数据的第一与第二判定值；获取正常数据与异常数据，计算各个正常数据为污染数据或未污染数据对应的距离度量，根据距离度量判定各个正常数据是否为污染数据；根据污染数据计算污染程度，基于污染程度对空气进行监测预警。本发明能够更加准确的对空气进行监测预警。
Description
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种基于大数据的空气监测预警方法及系统。
背景技术
随着科技的不断进步与发展，我国的工业发展水平也在不断提高，在带来了诸多积极影响的同时也带来了消极影响，随着各种类型工厂的扩建，大气环境正遭受着严重破坏，空气污染越发严重，空气质量也在不断的下降，由污染引起的疾病种类越来越多，患病人数日益增长；若要解决空气污染的问题势必离不开对空气质量的准确监测预警，及时的发现污染并采取相应措施，从而减少空气污染，提高空气质量。
现有的对空气质量的监测预警方法大多通过对历史数据的分析处理，通过处理后的结果实现对空气质量的监测预警，然而这种方法并未考虑到历史数据中的异常数据，直接基于历史数据进行分析，得到的分析结果也会由于异常数据的存在不够准确；比如，通过空气中的PM2.5浓度对应的历史数据对空气质量进行监测预警，而PM2.5浓度在采集的过程中容易受到多方面的影响，主要有采样流量的准确性、采样管的正确加热方式以及采样校准模的准确分析，所以采集到的PM2.5浓度的历史数据中存在诸多异常数据，如果不剔除异常数据直接基于历史数据进行分析，则得不到准确的监测预警结果。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于大数据的空气监测预警方法，所采用的技术方案具体如下：
采集监测参数从起始时刻到当前时刻中各监测时刻对应的空气污染物浓度数据，并将空气污染物浓度数据划分为至少两个浓度级，根据各浓度级中空气污染物浓度数据的数量计算各浓度级的浓度级频率；
任意选取一个空气污染物浓度数据，在该空气污染物浓度数据前后分别获取设定数量的空气污染物浓度数据，分别根据该空气污染物浓度数据前后设定数量的空气污染物浓度数据，获取该空气污染物浓度数据对应的第一预测数据与第二预测数据；
根据第一与第二预测数据，计算各空气污染物浓度数据的平稳指标；基于平稳指标与浓度级频率，计算各空气污染物浓度数据的优选值；将最大优选值对应的空气污染物浓度数据作为正常数据聚类中心；
根据各空气污染物浓度数据的优选值与浓度级频率，计算各空气污染物浓度数据的置信度；将最大置信度对应的空气污染物浓度数据作为异常数据聚类中心；
基于各空气污染物浓度数据的监测时刻以及浓度级频率，正常数据聚类中心对应的监测时刻以及浓度级频率，计算各空气污染物浓度数据的第一判定值；
基于各空气污染物浓度数据的监测时刻以及浓度级频率，异常数据聚类中心对应的监测时刻以及浓度级频率，计算各空气污染物浓度数据的第二判定值；
根据第一与第二判定值获取正常数据与异常数据，保留正常数据，所述正常数据包括未污染数据与污染数据，计算各个正常数据为污染数据或未污染数据对应的距离度量，根据距离度量判定各个正常数据是否为污染数据；根据污染数据计算污染程度，基于污染程度对空气进行监测预警。
进一步地，所述分别根据该空气污染物浓度数据前后设定数量的空气污染物浓度数据，获取该空气污染物浓度数据对应的第一预测数据与第二预测数据具体为：
根据该空气污染物浓度数据之前设定数量的空气污染物浓度数据，计算任意两空气污染物浓度数据的差值绝对值，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到该空气污染物浓度数据对应的第一预测数据；当各差值绝对值不相等时，则根据该空气污染物浓度数据之前设定数量的空气污染物浓度数据对应的监测时刻与各差值绝对值，计算该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值，进而得到该空气污染物浓度数据对应的第一预测数据；
根据该空气污染物浓度数据之后设定数量的空气污染物浓度数据，计算任意两空气污染物浓度数据的差值绝对值，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到该空气污染物浓度数据对应的第二预测数据；当各差值绝对值不相等时，则根据该空气污染物浓度数据之后设定数量的空气污染物浓度数据对应的监测时刻与各差值绝对值，计算该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值，进而得到该空气污染物浓度数据对应的第二预测数据。
进一步地，所述平稳指标为：
其中，为第j个空气污染物浓度数据的平稳指标，/>为第j个空气污染物浓度数据对应的第一预测数据；/>为第j个空气污染物浓度数据对应的第二预测数据；/>为第j个空气污染物浓度数据的取值。
进一步地，所述基于平稳指标与浓度级频率，计算各空气污染物浓度数据的优选值具体为：计算各空气污染物浓度数据对应的平稳指标与浓度级频率的乘积，将所述乘积与设定数值的比值记为优选值。
进一步地，该方法还包括对优选值进行优化，得到优化后的优选值，优化后的优选值为：
其中，为第j个空气污染物浓度数据对应的优化后的优选值，/>为第j个空气污染物浓度数据的监测时刻，/>为与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据对应的监测时刻；/>为与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据的优选值，/>为第j个空气污染物浓度数据的优选值；/>为与第j个空气污染物浓度数据相邻的空气污染物浓度数据的总数量；/>为自然常数。
进一步地，所述第一判定值为：
其中，为第j个空气污染物浓度数据对应的第一判定值；/>为第j个空气污染物浓度数据对应的浓度级频率；/>为正常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率；/>为第j个空气污染物浓度数据对应的监测时刻；/>为正常数据聚类中心/>对应的空气污染物浓度数据的监测时刻；/>为第j个空气污染物浓度数据的取值；/>为正常数据聚类中心/>对应的空气污染物浓度数据的取值；/>为自然常数；/>为求取最大值的函数；/>为求取绝对值的函数。
进一步地，所述第二判定值为：
其中，为第j个空气污染物浓度数据对应的第二判定值；/>为第j个空气污染物浓度数据对应的浓度级频率；/>为异常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率；/>为第j个空气污染物浓度数据对应的监测时刻；/>为异常数据聚类中心对应的空气污染物浓度数据的监测时刻；/>为第j个空气污染物浓度数据的取值；/>为异常数据聚类中心/>对应的空气污染物浓度数据的取值；/>为自然常数；/>为求取最大值的函数；/>为求取绝对值的函数。
进一步地，所述根据第一与第二判定值获取正常数据与异常数据的方法为：对于任意一个空气污染物浓度数据，比较该空气污染物浓度数据对应的第一判定值与第二判定值的大小，当第一判定值大于第二判定值时，则该空气污染物浓度数据为正常数据；当第一判定值小于等于第二判定值时，则该空气污染物浓度数据为异常数据。
进一步地，所述污染程度为：
其中，为污染程度，/>为污染数据的总数量；/>为污染数据对应的空气污染物浓度数据的最大值；/>为未污染数据聚类中心/>对应的空气污染物浓度数据的取值；/>为第a个正常数据对应的空气污染物浓度数据的取值。
本发明还提供了一种基于大数据的空气监测预警系统，包括处理器与存储器，所述处理器执行所述存储器存储的一种基于大数据的空气监测预警方法的程序。
本发明实施例至少具有如下有益效果：
本发明通过对采集监测参数对应的空气污染物浓度数据进行分析处理，即通过在任意一个空气污染物浓度数据前后分别获取设定数量的空气污染物浓度数据，计算各空气污染物浓度数据对应的第一与第二预测数据；然后计算各空气污染物浓度数据的优选值与置信度；获取正常数据聚类中心与异常数据聚类中心；进而得到各空气污染物浓度数据的第一判定值与第二判定值；并根据第一判定值与第二判定值获取正常数据与异常数据，能够剔除掉在采集过程中由于各种因素产生的异常数据，有效避免了异常数据的对污染程度的计算产生的影响，提高了对空气监测预警的准确度。在后续过程中筛选出正常数据，通过对正常数据的分析，获取污染程度，通过污染程度对空气进行监测预警；本发明能够更加准确的对空气进行监测预警，获取准确的监测预警结果。
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和优点，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的介绍，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它附图。
图1为本发明的一种基于大数据的空气监测预警方法实施例的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的具体场景为：由于工厂运行排放的大量烟尘，烟尘排放到空气中会对空气产生一定的影响，造成空气的污染，进而威胁工人以及工厂附近居民的健康，因此，需要准确对空气进行监测预警。本发明通过监测与空气质量相关的监测参数对应的空气污染物浓度数据，对空气污染物浓度数据进行分析和处理，得到污染程度，根据污染程度对空气进行监测预警。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的空气监测预警方法的方法流程图，该方法包括以下步骤：
步骤1，采集监测参数从起始时刻到当前时刻中各监测时刻对应的空气污染物浓度数据，并将空气污染物浓度数据划分为至少两个浓度级，根据各浓度级中空气污染物浓度数据的数量计算各浓度级的浓度级频率。
本实施例中的空气污染物为PM2.5，使用采样流量法采集PM2.5从起始时刻到当前时刻中各监测时刻对应的浓度数据；即，其中，/>为由各浓度数据构成的集合；/>为第1个浓度数据的取值；/>为第2个浓度数据的取值；/>为第j个浓度数据的取值；/>为第m个浓度数据的取值；m为浓度数据的总数量；m大于2。
其中，将工厂刚开始运行时的时刻记为起始时刻，实施者在具体操作过程中可以选取其他时刻作为起始时刻。使用采样流量法采集PM2.5的浓度数据为公知技术，不再赘述。
然后将采集到的各空气污染物浓度数据划分为至少两个浓度级，例如0~35微克/立方米为一个浓度级，35~75微克/立方米为一个浓度级，75~115微克/立方米为一个浓度级；115~150微克/立方米为一个浓度级；以此类推得到各浓度级。浓度级的个数以及各浓度级对应的浓度范围由实施者自行设置。
得到划分好的各个浓度级后，根据各浓度级中空气污染物浓度数据的数量计算各浓度级的浓度级频率；对于任意一个浓度级，统计该浓度级中空气污染物浓度数据的数量，将该浓度级中空气污染物浓度数据的数量与空气污染物浓度数据的总数量的比值记为该浓度级的浓度级频率，用公式表示为：，其中，/>为浓度级K的浓度级频率；/>为浓度级K中空气污染物浓度数据的数量，m为空气污染物浓度数据的总数量。
步骤2，任意选取一个空气污染物浓度数据，在该空气污染物浓度数据前后分别获取设定数量的空气污染物浓度数据，分别根据该空气污染物浓度数据前后设定数量的空气污染物浓度数据，获取该空气污染物浓度数据对应的第一预测数据与第二预测数据。
由于本发明获取的是监测参数从起始时刻到当前时刻中各监测时刻对应的空气污染物浓度数据，不仅获取了当前时刻对应的空气污染物浓度数据，还获取历史时刻对应的空气污染物浓度数据。由于数据量过大，极有可能存在一些受干扰的数据，影响空气污染程度的评价准确率，同时在使用采样流量法采集PM2.5的浓度数据时，PM2.5的浓度数据在采集的过程中容易受到多方面的影响，主要有采样流量的准确性、采样管的正确加热方式以及采样校准模的准确分析，所以采集到的PM2.5对应的浓度数据会存在诸多异常数据，异常数据会在后续过程中影响对空气进行监测预警的准确度，故本发明需要消除各空气污染物浓度数据中的异常数据。
即使工厂排出的烟尘对空气产生了污染，烟尘对空气的污染程度也是呈现缓慢增长的趋势的，那么PM2.5在连续多个监测时刻对应的浓度数据同样呈现缓慢增长的趋势，不会出现太大的波动。基于此，对于任意一个空气污染物浓度数据，在该空气污染物浓度数据前后分别获取设定数量的空气污染物浓度数据，分别根据该空气污染物浓度数据前后设定数量的空气污染物浓度数据，获取该空气污染物浓度数据对应的第一预测数据与第二预测数据。
具体地，该空气污染物浓度数据对应的第一预测数据的获取方法为：根据该空气污染物浓度数据之前设定数量的空气污染物浓度数据，其中，设定数量的取值为5，实施者可根据具体情况调节设定数量的取值；计算任意两空气污染物浓度数据的差值绝对值，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到该空气污染物浓度数据对应的第一预测数据；当各差值绝对值不相等时，则根据该空气污染物浓度数据之前设定数量的空气污染物浓度数据对应的监测时刻与各差值绝对值，计算该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值，进而得到该空气污染物浓度数据对应的第一预测数据。
以第10个空气污染物浓度数据为例，对第一预测数据的具体计算过程进行说明：首先获取第10个空气污染物浓度数据之前的5个空气污染物浓度数据，即，/>，/>，/>以及/>，然后对相邻两空气污染物浓度数据进行作差，得到相邻两空气污染物浓度数据的差值绝对值，即/>，/>，以此类推，得到/>，/>，/>，/>以及/>对应的各差值绝对值，即/>以及/>，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定第10个空气污染物浓度数据对应的第一预测数据和第10个空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到第10个空气污染物浓度数据对应的第一预测数据；其中第10个空气污染物浓度数据之前的第一个空气污染物浓度数据为/>。
当各差值绝对值不相等时，则根据，/>，/>，/>以及/>对应的监测时刻与以及/>，计算第10个空气污染物浓度数据对应的第一预测数据和第10个空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值，进而得到第10个空气污染物浓度数据对应的第一预测数据。
具体地，第10个空气污染物浓度数据对应的第一预测数据和第10个空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值为：
其中，为第10个空气污染物浓度数据对应的第一预测数据和第10个空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值；/>为第k个空气污染物浓度数据对应的监测时刻；/>为第9个空气污染物浓度数据对应的监测时刻；/>为第k个空气污染物浓度数据与第k+1个空气污染物浓度数据的差值绝对值。
当各差值绝对值不相等时，通过获取的各空气污染物浓度数据对应的监测时刻以及第10个空气污染物浓度数据之前设定数量的空气污染物浓度数据对应的差值绝对值，得到第10个空气污染物浓度数据对应的第一预测数据和第10个空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值，计算时，加入了监测时刻，考虑了监测时刻对计算差值绝对值的影响，使得计算的差值绝对值更加准确，同时考虑了获取的空气污染物浓度数据对应的各差值绝对值，对所有差值绝对值求取平均值，考虑了即使工厂排出的烟尘对空气产生了污染，烟尘对空气的污染程度也是呈现缓慢增长的趋势的，更加准确地得到第10个空气污染物浓度数据对应的第一预测数据和第10个空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值，进而使第一预测数据更加贴近第10个空气污染物浓度数据对应的真实值。
进一步地，由于计算出的第10个空气污染物浓度数据对应的第一预测数据为两个值，一个较大值，一个较小值，所以本实施例比较与/>的大小，当/>大于/>时，则第10个空气污染物浓度数据对应的第一预测数据为较大值；当/>小于等于/>时，则第10个空气污染物浓度数据对应的第一预测数据为较小值。
该空气污染物浓度数据对应的第二预测数据的获取方法为：根据该空气污染物浓度数据之后设定数量的空气污染物浓度数据，计算任意两空气污染物浓度数据的差值绝对值，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到该空气污染物浓度数据对应的第二预测数据；当各差值绝对值不相等时，则根据该空气污染物浓度数据之后设定数量的空气污染物浓度数据对应的监测时刻与各差值绝对值，计算该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值，进而得到该空气污染物浓度数据对应的第二预测数据。其中，计算该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值的计算方法与计算该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值的计算方法一致，不再赘述。
步骤3，根据第一与第二预测数据，计算各空气污染物浓度数据的平稳指标；基于平稳指标与浓度级频率，计算各空气污染物浓度数据的优选值；将最大优选值对应的空气污染物浓度数据作为正常数据聚类中心；根据各空气污染物浓度数据的优选值与浓度级频率，计算各空气污染物浓度数据的置信度；将最大置信度对应的空气污染物浓度数据作为异常数据聚类中心。
所述平稳指标为：
其中，为第j个空气污染物浓度数据的平稳指标，/>为第j个空气污染物浓度数据对应的第一预测数据；/>为第j个空气污染物浓度数据对应的第二预测数据；/>为第j个空气污染物浓度数据的取值。
平稳指标表征了各个空气污染物浓度数据的平稳程度，表征第j个空气污染物浓度数据的取值及其对应的第一预测值和第二预测值的差异，差异较小时，说明第j个空气污染物浓度数据的平稳程度较高；反之，则说明第j个空气污染物浓度数据的平稳程度较低，即第j个空气污染物浓度数据为异常数据的可能性较大。
当空气污染物浓度数据对应的平稳指标越大，说明该空气污染物浓度数据越有可能为正常数据聚类中心；当某个浓度级中空气污染物浓度数据的数量越多，说明该浓度级中存在正常数据聚类中心的可能性越大，基于此，计算各空气污染物浓度数据的优选值，优选值的获取方法为：计算各空气污染物浓度数据对应的平稳指标与浓度级频率的乘积，将所述乘积与设定数值的比值记为优选值，用公式表示为：，/>为第j个空气污染物浓度数据对应的优选值，/>为第j个空气污染物浓度数据对应的浓度级频率，为第j个空气污染物浓度数据对应的平稳指标。/>为设定数值，本实施例中/>。实施者可根据实际情况设置设定数值的取值。其中，空气污染物浓度数据对应的浓度级频率为该空气污染物浓度数据所在浓度级对应的浓度级频率。
进一步地，为了更加准确地得到正常数据聚类中心对应的空气污染物浓度数据，本实施例还包括对优选值进行优化，得到优化后的优选值，优化后的优选值为：
其中，为第j个空气污染物浓度数据对应的优化后的优选值，/>为第j个空气污染物浓度数据的监测时刻，/>为与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据对应的监测时刻；/>为与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据的优选值，/>为第j个空气污染物浓度数据的优选值；/>为与第j个空气污染物浓度数据相邻的空气污染物浓度数据的总数量；/>为自然常数。
由于异常数据往往是相对孤立的，故根据上述步骤每个空气污染物浓度数据均有其对应的优选值，为提高精度，对优选值进行优化，对优选值进行优化的原理为：通过与第j个空气污染物浓度数据相邻的空气污染物浓度数据对应的优选值以及监测时刻，完成对优选值的优化，得到各空气污染物浓度数据优化后的优选值，提高了后续获取正常数据聚类中心的准确性。表征第j个空气污染物浓度数据对应的监测时刻和与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据对应的监测时刻的差异，该差异作为权重对第j个空气污染物浓度数据的优选值进行优化，当/>的取值较小时，说明两空气污染物浓度数据对应的监测时刻相差较小，则与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据对应的优选值所占的比重较大。反之，所占比重较小。
其中，需要说明的是，本实施例将在第j个空气污染物浓度数据前后获取的设定数量的空气污染物浓度数据记为与第j个空气污染物浓度数据相邻的空气污染物浓度数据。当j=10时，则与第10个空气污染物浓度数据相邻的空气污染物浓度数据分别为：，/>，，/>，/>，/>，/>，/>，/>以及/>。
进一步地，将最大优化后的优选值对应的空气污染物浓度数据作为正常数据聚类中心。
得到正常数据聚类中心后，获取异常数据聚类中心，本实施例通过各空气污染物浓度数据的优选值与浓度级频率，计算各空气污染物浓度数据的置信度；将最大置信度对应的空气污染物浓度数据作为异常数据聚类中心。
所述置信度为：，/>为第j个空气污染物浓度数据对应的置信度，/>为第j个空气污染物浓度数据对应的浓度级频率；/>为第j个空气污染物浓度数据对应的优化后的优选值，/>为调节系数，本实施例中调节系数的取值为1，实施者可根据实际情况选取调节系数的取值。/>的取值越大，说明第j个空气污染物浓度数据越不可能为异常数据聚类中心，对应的置信度越小；/>的取值越大，说明第j个空气污染物浓度数据为正常数据聚类中心得可能性越大，越不可能为异常数据聚类中心，对应的置信度越小。
步骤4，基于各空气污染物浓度数据的监测时刻以及浓度级频率，正常数据聚类中心对应的监测时刻以及浓度级频率，计算各空气污染物浓度数据的第一判定值；基于各空气污染物浓度数据的监测时刻以及浓度级频率，异常数据聚类中心对应的监测时刻以及浓度级频率，计算各空气污染物浓度数据的第二判定值。
所述第一判定值为：
其中，为第j个空气污染物浓度数据对应的第一判定值；/>为第j个空气污染物浓度数据对应的浓度级频率；/>为正常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率；/>为第j个空气污染物浓度数据对应的监测时刻；/>为正常数据聚类中心/>对应的空气污染物浓度数据的监测时刻；/>为第j个空气污染物浓度数据的取值；/>为正常数据聚类中心/>对应的空气污染物浓度数据的取值；/>为自然常数；/>为求取最大值的函数；/>为求取绝对值的函数。
表征第j个空气污染物浓度数据对应的浓度级频率与正常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率之间的差异，该差异越大，说明第j个空气污染物浓度数据为正常数据的可能性越小；第一判定值的取值越小；/>表征第j个空气污染物浓度数据对应的监测时刻与正常数据聚类中心/>对应的空气污染物浓度数据的监测时刻之间的差异，该差异越大，说明第j个空气污染物浓度数据为正常数据的可能性越小；第一判定值的取值越小。/>表征第j个空气污染物浓度数据的取值与正常数据聚类中心/>对应的空气污染物浓度数据的取值之间的差异；该差异越大，说明第j个空气污染物浓度数据为正常数据的可能性越小；第一判定值的取值越小。/>表征通过浓度级频率的较大值对浓度级频率之间的差异进行归一化，/>表征通过监测时刻的较大值对监测时刻之间的差异进行归一化，/>表征对空气污染物浓度数据的取值之间的差异进行归一化，对各个差异进行归一化，在计算第一判定值时避免了由于量纲之间的互相影响而产生的误差，同时能够在后续过程中方便比较第一判定值与第二判定值的大小。
所述第二判定值为：
其中，为第j个空气污染物浓度数据对应的第二判定值；/>为第j个空气污染物浓度数据对应的浓度级频率；/>为异常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率；/>为第j个空气污染物浓度数据对应的监测时刻；/>为异常数据聚类中心对应的空气污染物浓度数据的监测时刻；/>为第j个空气污染物浓度数据的取值；/>为异常数据聚类中心/>对应的空气污染物浓度数据的取值；/>为自然常数；/>为求取最大值的函数；/>为求取绝对值的函数。
表征第j个空气污染物浓度数据对应的浓度级频率与异常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率之间的差异，该差异越大，说明第j个空气污染物浓度数据为异常数据的可能性越小；第二判定值的取值越小；/>表征第j个空气污染物浓度数据对应的监测时刻与异常数据聚类中心/>对应的空气污染物浓度数据的监测时刻之间的差异，该差异越大，说明第j个空气污染物浓度数据为异常数据的可能性越小；第二判定值的取值越小。/>表征第j个空气污染物浓度数据的取值与异常数据聚类中心/>对应的空气污染物浓度数据的取值之间的差异；该差异越大，说明第j个空气污染物浓度数据为异常数据的可能性越小；第二判定值的取值越小。/>表征通过浓度级频率两者中的较大值对浓度级频率之间的差异进行归一化，/>表征通过监测时刻两者中的较大值对监测时刻之间的差异进行归一化，/>表征对空气污染物浓度数据的取值之间的差异进行归一化，对各个差异进行归一化，在计算第二判定值时避免了由于量纲之间的互相影响而产生的误差，同时能够在后续过程中方便比较第一判定值与第二判定值的大小。
步骤5，根据第一与第二判定值获取正常数据与异常数据，保留正常数据，所述正常数据包括未污染数据与污染数据，计算各个正常数据为污染数据或未污染数据对应的距离度量，根据距离度量判定各个正常数据是否为污染数据；根据污染数据计算污染程度，基于污染程度对空气进行监测预警。
所述根据第一与第二判定值获取正常数据与异常数据的方法为：对于任意一个空气污染物浓度数据，比较该空气污染物浓度数据对应的第一判定值与第二判定值的大小，当第一判定值大于第二判定值时，则该空气污染物浓度数据为正常数据；当第一判定值小于等于第二判定值时，则该空气污染物浓度数据为异常数据。
进一步地，将正常数据中的污染数据与未污染数据区分开，区分方法为：将工厂未进行生产时采集到的空气污染物浓度数据作为未污染数据聚类中心，将对人体造成危害时的空气污染物浓度数据作为污染数据聚类中心，本实施例选取75微克/立方米为污染数据聚类中心，在实际操作过程中，实施者可根据具体情况选取污染数据聚类中心的取值。然后根据各个正常数据的取值，分别计算各个正常数据与污染数据聚类中心以及未污染数据聚类中心之间的距离度量，即距离度量用公式表示为：，其中/>为第a个正常数据与未污染数据聚类中心/>之间的距离度量；/>为未污染数据聚类中心/>对应的空气污染物浓度数据的取值；/>为第a个正常数据对应的空气污染物浓度数据的取值。/>表征第a个正常数据与未污染数据聚类中心/>之间的差异，差异越大，说明第a个正常数据为未污染数据的可能性越小。
然后比较各个正常数据与污染数据聚类中心之间的距离度量和各个正常数据与未污染数据聚类中心之间的距离度量两者距离度量的大小；当正常数据与污染数据聚类中心之间的距离度量大于正常数据与未污染数据聚类中心之间的距离度量，则该正常数据为未污染数据；反之，则该正常数据为污染数据。
最后，根据污染数据计算污染程度，基于污染程度对空气进行监测预警。
污染程度为：
其中，为污染程度，/>为污染数据的总数量；/>为污染数据对应的空气污染物浓度数据的最大值；/>为未污染数据聚类中心/>对应的空气污染物浓度数据的取值；/>为第a个正常数据对应的空气污染物浓度数据的取值。
表征第a个正常数据对应的空气污染物浓度数据与未污染数据聚类中心/>对应的空气污染物浓度数据之间的差异，差异越大，说明污染程度越严重，则/>的取值越大，/>表征对该差异的归一化，使得污染程度的取值在0-1范围内，方便后续通过污染程度对空气进行监测预警。
至此，完成对污染程度的计算，设置不同的阈值将污染程度分为不同级别，根据不同级别的污染程度完成不同的报警。本实施例中阈值的取值分别为0.1和0.9；实施者可根据具体情况设置阈值的取值；即当污染程度大于或等于0.9时，认为污染程度过大，将会对工人造成极大危害，发出紧急预警，暂停工厂的生产，立刻解决污染问题；当污染程度大于0.1小于0.9时，发出一般预警，采取相关措施，降低污染程度；当污染程度小于或等于0.1时，认为危害程度不大，发出低级预警，提醒工作人员适当调节通风机即可。
本发明还提供了一种基于大数据的空气监测预警系统，包括处理器与存储器，处理器执行存储器存储的一种基于大数据的空气监测预警方法的程序，由于一种基于大数据的空气监测预警方法的具体实施方式已在上述步骤1至步骤5中详细给出，不再过多赘述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于大数据的空气监测预警方法，其特征在于，该方法包括以下步骤：
采集监测参数从起始时刻到当前时刻中各监测时刻对应的空气污染物浓度数据，并将空气污染物浓度数据划分为至少两个浓度级，根据各浓度级中空气污染物浓度数据的数量计算各浓度级的浓度级频率；
任意选取一个空气污染物浓度数据，在该空气污染物浓度数据前后分别获取设定数量的空气污染物浓度数据，分别根据该空气污染物浓度数据前后设定数量的空气污染物浓度数据，获取该空气污染物浓度数据对应的第一预测数据与第二预测数据；
根据第一与第二预测数据，计算各空气污染物浓度数据的平稳指标；基于平稳指标与浓度级频率，计算各空气污染物浓度数据的优选值；将最大优选值对应的空气污染物浓度数据作为正常数据聚类中心；
根据各空气污染物浓度数据的优选值与浓度级频率，计算各空气污染物浓度数据的置信度；将最大置信度对应的空气污染物浓度数据作为异常数据聚类中心；
基于各空气污染物浓度数据的监测时刻以及浓度级频率，正常数据聚类中心对应的监测时刻以及浓度级频率，计算各空气污染物浓度数据的第一判定值；
基于各空气污染物浓度数据的监测时刻以及浓度级频率，异常数据聚类中心对应的监测时刻以及浓度级频率，计算各空气污染物浓度数据的第二判定值；
根据第一与第二判定值获取正常数据与异常数据，保留正常数据，所述正常数据包括未污染数据与污染数据，计算各个正常数据为污染数据或未污染数据对应的距离度量，根据距离度量判定各个正常数据是否为污染数据；根据污染数据计算污染程度，基于污染程度对空气进行监测预警。
2.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述分别根据该空气污染物浓度数据前后设定数量的空气污染物浓度数据，获取该空气污染物浓度数据对应的第一预测数据与第二预测数据具体为：
根据该空气污染物浓度数据之前设定数量的空气污染物浓度数据，计算任意两空气污染物浓度数据的差值绝对值，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到该空气污染物浓度数据对应的第一预测数据；当各差值绝对值不相等时，则根据该空气污染物浓度数据之前设定数量的空气污染物浓度数据对应的监测时刻与各差值绝对值，计算该空气污染物浓度数据对应的第一预测数据和该空气污染物浓度数据之前的第一个空气污染物浓度数据的差值绝对值，进而得到该空气污染物浓度数据对应的第一预测数据；
根据该空气污染物浓度数据之后设定数量的空气污染物浓度数据，计算任意两空气污染物浓度数据的差值绝对值，比较各差值绝对值是否相等，当各差值绝对值相等时，则判定该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值与各差值绝对值相等，进而得到该空气污染物浓度数据对应的第二预测数据；当各差值绝对值不相等时，则根据该空气污染物浓度数据之后设定数量的空气污染物浓度数据对应的监测时刻与各差值绝对值，计算该空气污染物浓度数据对应的第二预测数据和该空气污染物浓度数据之后的第一个空气污染物浓度数据的差值绝对值，进而得到该空气污染物浓度数据对应的第二预测数据。
3.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述平稳指标为：
其中，为第j个空气污染物浓度数据的平稳指标，/>为第j个空气污染物浓度数据对应的第一预测数据；/>为第j个空气污染物浓度数据对应的第二预测数据；/>为第j个空气污染物浓度数据的取值。
4.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述基于平稳指标与浓度级频率，计算各空气污染物浓度数据的优选值具体为：计算各空气污染物浓度数据对应的平稳指标与浓度级频率的乘积，将所述乘积与设定数值的比值记为优选值。
5.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，该方法还包括对优选值进行优化，得到优化后的优选值，优化后的优选值为：
其中，为第j个空气污染物浓度数据对应的优化后的优选值，/>为第j个空气污染物浓度数据的监测时刻，/>为与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据对应的监测时刻；/>为与第j个空气污染物浓度数据相邻的第i个空气污染物浓度数据的优选值，/>为第j个空气污染物浓度数据的优选值；/>为与第j个空气污染物浓度数据相邻的空气污染物浓度数据的总数量；/>为自然常数。
6.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述第一判定值为：
其中，为第j个空气污染物浓度数据对应的第一判定值；/>为第j个空气污染物浓度数据对应的浓度级频率；/>为正常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率；/>为第j个空气污染物浓度数据对应的监测时刻；/>为正常数据聚类中心/>对应的空气污染物浓度数据的监测时刻；/>为第j个空气污染物浓度数据的取值；/>为正常数据聚类中心/>对应的空气污染物浓度数据的取值；/>为自然常数；/>为求取最大值的函数；为求取绝对值的函数。
7.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述第二判定值为：
其中，为第j个空气污染物浓度数据对应的第二判定值；/>为第j个空气污染物浓度数据对应的浓度级频率；/>为异常数据聚类中心/>对应的空气污染物浓度数据的浓度级频率；/>为第j个空气污染物浓度数据对应的监测时刻；/>为异常数据聚类中心/>对应的空气污染物浓度数据的监测时刻；/>为第j个空气污染物浓度数据的取值；/>为异常数据聚类中心/>对应的空气污染物浓度数据的取值；/>为自然常数；/>为求取最大值的函数；/>为求取绝对值的函数。
8.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述根据第一与第二判定值获取正常数据与异常数据的方法为：对于任意一个空气污染物浓度数据，比较该空气污染物浓度数据对应的第一判定值与第二判定值的大小，当第一判定值大于第二判定值时，则该空气污染物浓度数据为正常数据；当第一判定值小于等于第二判定值时，则该空气污染物浓度数据为异常数据。
9.根据权利要求1所述的一种基于大数据的空气监测预警方法，其特征在于，所述污染程度为：
其中，为污染程度，/>为污染数据的总数量；/>为污染数据对应的空气污染物浓度数据的最大值；/>为未污染数据聚类中心/>对应的空气污染物浓度数据的取值；为第a个正常数据对应的空气污染物浓度数据的取值。
10.一种基于大数据的空气监测预警系统，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的如权利要求1-9中任一项所述的一种基于大数据的空气监测预警方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311842674.1A CN117493816B (zh) | 2023-12-29 | 2023-12-29 | 一种基于大数据的空气监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311842674.1A CN117493816B (zh) | 2023-12-29 | 2023-12-29 | 一种基于大数据的空气监测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117493816A CN117493816A (zh) | 2024-02-02 |
| CN117493816B true CN117493816B (zh) | 2024-03-29 |
Family
ID=89674913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311842674.1A Active CN117493816B (zh) | 2023-12-29 | 2023-12-29 | 一种基于大数据的空气监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117493816B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871794B (zh) * | 2024-03-13 | 2024-05-24 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102038968A (zh) * | 2009-10-14 | 2011-05-04 | 王玲玲 | 一种可控制污染物浓度的室内空气净化机及其净化方法 |
| CN109142171A (zh) * | 2018-06-15 | 2019-01-04 | 上海师范大学 | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 |
| WO2021012982A1 (zh) * | 2019-07-25 | 2021-01-28 | 中南大学 | 一种车外大气污染环境下列车乘员健康预警系统及其方法 |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及系统 |
| CN117093832A (zh) * | 2023-10-18 | 2023-11-21 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
-
2023
- 2023-12-29 CN CN202311842674.1A patent/CN117493816B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102038968A (zh) * | 2009-10-14 | 2011-05-04 | 王玲玲 | 一种可控制污染物浓度的室内空气净化机及其净化方法 |
| CN109142171A (zh) * | 2018-06-15 | 2019-01-04 | 上海师范大学 | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 |
| WO2021012982A1 (zh) * | 2019-07-25 | 2021-01-28 | 中南大学 | 一种车外大气污染环境下列车乘员健康预警系统及其方法 |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及系统 |
| CN117093832A (zh) * | 2023-10-18 | 2023-11-21 | 山东公用环保集团检测运营有限公司 | 一种用于空气质量数据缺失的数据插补方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117493816A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117493816B (zh) | 一种基于大数据的空气监测预警方法及系统 | |
| CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
| CN117195008B (zh) | 一种用于空气质量监测的异常数据处理方法 | |
| CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| CN115876258B (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
| CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
| CN109874148B (zh) | 天馈异常检测方法、装置、系统及计算机设备 | |
| CN115077627A (zh) | 一种多融合环境数据监管方法及监管系统 | |
| CN112923727A (zh) | 一种基于温度趋势特征提取的焙烧炉实时炉况评估方法 | |
| CN116738353B (zh) | 基于数据分析的制药车间空气滤芯性能检测方法 | |
| CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
| CN117503107A (zh) | 一种基于差压传感器的牛呼吸频率的测量方法及装置 | |
| CN112723075A (zh) | 一种数据不平衡的电梯振动影响因素分析方法 | |
| CN116366756A (zh) | 一种手机智能化测试运行监控系统 | |
| CN116298984A (zh) | 一种锂离子电池容量跳水点和电池衰减程度识别方法 | |
| CN114660245B (zh) | 在线分析仪表自检测控制方法及系统 | |
| CN113408383B (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
| CN114001887B (zh) | 一种基于挠度监测的桥梁损伤评定方法 | |
| CN115648592A (zh) | 挤出机运行状态的评估方法、系统及存储介质 | |
| CN110850847B (zh) | 一种列车车载设备故障监控方法及装置 | |
| CN110925182A (zh) | 热轧产线除鳞泵振动劣化的预警方法 | |
| CN116034905B (zh) | 一种基于智能耳标运动量的猪只行为节律分析方法 | |
| CN115122154B (zh) | 一种金属构件加工数控铣床运行检测及控制方法 | |
| CN116744321B (zh) | 一种用于5g通信智能运维一体化平台的数据调控方法 |
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 |