CN117668497B - 基于深度学习实现环境保护下的碳排放分析方法及系统 - Google Patents
基于深度学习实现环境保护下的碳排放分析方法及系统 Download PDFInfo
- Publication number
- CN117668497B CN117668497B CN202410130199.3A CN202410130199A CN117668497B CN 117668497 B CN117668497 B CN 117668497B CN 202410130199 A CN202410130199 A CN 202410130199A CN 117668497 B CN117668497 B CN 117668497B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- analysis
- data
- model
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 349
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 349
- 238000004458 analytical method Methods 0.000 title claims abstract description 338
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000005457 optimization Methods 0.000 claims abstract description 75
- 230000007613 environmental effect Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000003672 processing method 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种基于深度学习实现环境保护下的碳排放分析方法及系统，该方法包括：设定分析区域，根据大数据提取分析区域内的历史碳排放数据；构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；将碳排放分析数据传输至终端；通过深度学习技术不断的对分析模型进行训练，提高优化模型的输出精度，并通过环境保护条例对优化模型添加约束条件，输出精准的碳排放分析数据，提高分析精度。
Description
技术领域
本申请涉及碳排放领域，具体而言，涉及一种基于深度学习实现环境保护下的碳排放分析方法及系统。
背景技术
碳排放核算是衡量从工业活动到地球生物圈直接和间接排放二氧化碳及其等效气体的措施，是指导排放企业按照监测计划收集、统计和记录与碳排放有关的数据，并计算所有与排放有关的数据的活动的统称。碳排放核算可以直接量化碳排放的数据，也可以通过分析各个环节的碳排放数据，找出潜在的减排环节和方法，这对实现碳中和目标和企业运行至关重要。现有的碳排放分析方法中无法根据不同区域内的环境保护条例生成不同的约束条件，从而难以精准的建立碳排量分析模型，造成分析模型输出结果误差较大，分析模型的输出结果偏离实际结果，影响碳排量分析的精度；针对上述问题，目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于深度学习实现环境保护下的碳排放分析方法及系统，通过深度学习技术不断的对分析模型进行训练，提高优化模型的输出精度，并通过环境保护条例对优化模型添加约束条件，输出精准的碳排放分析数据，提高分析精度。
本申请实施例还提供了一种基于深度学习实现环境保护下的碳排放分析方法，包括：
设定分析区域，根据大数据提取分析区域内的历史碳排放数据；
构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；
根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；
将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；
将碳排放分析数据传输至终端。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析方法中，设定分析区域，根据大数据提取分析区域内的历史碳排放数据，具体包括：
设定分析面积，根据分析面积划定分析区域，分析区域的面积与分析面积相同；
搜寻分析区域的边缘信息，根据边缘信息生成边缘线，根据边缘线将分析区域进行等区域划分，生成若干个子区域；
分别获取若干个子区域内的历史碳排放数据，并提取碳排放数据特征；
将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析方法中，将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据，具体包括：
获取每一个子区域的碳排放数据特征，判断同一子区域内的碳排放数据特征是否处于设定的特征区间；
若处于设定的特征区间，则保留碳排放数据特征；
若不处于设定的特征区间，则生成修正信息，根据修正信息对碳排放数据特征进行修正；
不同子区域的碳排放数据特征进行单独归一化处理，且不同子区域设定的特征区间不同，设定的特征区间与子区域一一对应；
将所有子区域保留的碳排放数据特征与所有子区域修正后的碳排放数据特征进行融合，得到分析区域的历史碳排放数据。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析方法中，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断所述训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析方法中，根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件，具体包括：
根据环境保护条例分析不同子区域的碳排放限制信息，根据不同子区域的权重信息，生成对应子区域的权重系数；
根据不同子区域的碳排放限制信息得到不同子区域的约束条件；
根据不同子区域的权重系数对不同子区域的约束条件进行权重优化，得到最终的约束条件。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析方法中，将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据，具体包括：
将约束条件添加至优化模型，生成约束参数；
根据约束参数生成调整信息，判断所述调整信息是否大于或小于设定的调整阈值；
若大于设定的调整阈值，则重新建立分析模型，并判断新的分析模型与约束条件的匹配度；
判断所述匹配度是否满足要求，若满足要求，则将新的分析模型替换原始的分析模型；
若不满足要求，则调整约束参数；
若小于设定的调整阈值，则根据调整信息对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据。
第二方面，本申请实施例提供了一种基于深度学习实现环境保护下的碳排放分析系统，该系统包括：存储器及处理器，所述存储器中包括基于深度学习实现环境保护下的碳排放分析方法的程序，所述基于深度学习实现环境保护下的碳排放分析方法的程序被所述处理器执行时实现以下步骤：
设定分析区域，根据大数据提取分析区域内的历史碳排放数据；
构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；
根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；
将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；
将碳排放分析数据传输至终端。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析系统中，设定分析区域，根据大数据提取分析区域内的历史碳排放数据，具体包括：
设定分析面积，根据分析面积划定分析区域，分析区域的面积与分析面积相同；
搜寻分析区域的边缘信息，根据边缘信息生成边缘线，根据边缘线将分析区域进行等区域划分，生成若干个子区域；
分别获取若干个子区域内的历史碳排放数据，并提取碳排放数据特征；
将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析系统中，将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据，具体包括：
获取每一个子区域的碳排放数据特征，判断同一子区域内的碳排放数据特征是否处于设定的特征区间；
若处于设定的特征区间，则保留碳排放数据特征；
若不处于设定的特征区间，则生成修正信息，根据修正信息对碳排放数据特征进行修正；
不同子区域的碳排放数据特征进行单独归一化处理，且不同子区域设定的特征区间不同，设定的特征区间与子区域一一对应；
将所有子区域保留的碳排放数据特征与所有子区域修正后的碳排放数据特征进行融合，得到分析区域的历史碳排放数据。
可选地，在本申请实施例所述的基于深度学习实现环境保护下的碳排放分析系统中，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断所述训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
由上可知，本申请实施例提供的一种基于深度学习实现环境保护下的碳排放分析方法及系统，通过设定分析区域，根据大数据提取分析区域内的历史碳排放数据；构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；将碳排放分析数据传输至终端；通过深度学习技术不断的对分析模型进行训练，提高优化模型的输出精度，并通过环境保护条例对优化模型添加约束条件，输出精准的碳排放分析数据，提高分析精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于深度学习实现环境保护下的碳排放分析方法的流程图；
图2为本申请实施例提供的基于深度学习实现环境保护下的碳排放分析方法的分析区域的历史碳排放数据获取流程图；
图3为本申请实施例提供的基于深度学习实现环境保护下的碳排放分析方法的碳排放数据特征归一化处理方法流程图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种基于深度学习实现环境保护下的碳排放分析方法的流程图。该基于深度学习实现环境保护下的碳排放分析方法用于终端设备中，该基于深度学习实现环境保护下的碳排放分析方法，包括以下步骤：
S101，设定分析区域，根据大数据提取分析区域内的历史碳排放数据；
S102，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；
S103，根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；
S104，将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；
S105，将碳排放分析数据传输至终端。
需要说明的是，通过建立分析模型，并对分析模型不断的训练，提高分析模型的输出精度，同时通过环境保护条例对分析模型添加约束条件，对分析模型进行限制，从而精准的输出碳排放分析，提高碳排放的分析精度。
请参照图2，图2是本申请一些实施例中的一种基于深度学习实现环境保护下的碳排放分析方法的根据本发明实施例，设定分析区域，根据大数据提取分析区域内的历史碳排放数据，具体包括：
S201，设定分析面积，根据分析面积划定分析区域，分析区域的面积与分析面积相同；
S202，搜寻分析区域的边缘信息，根据边缘信息生成边缘线，根据边缘线将分析区域进行等区域划分，生成若干个子区域；
S203，分别获取若干个子区域内的历史碳排放数据，并提取碳排放数据特征；
S204，将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据。
需要说明的是，通过设定分析面积，生成对应面积的分析区域，将分析区域进行等区域划分，从而对不同子区域进行单独分析，将若干个子区域的历史碳排放数据进行归一化处理，使碳排放数据处于设定的区域内，提高历史碳排放数据的准确性，从而保证分析模型的训练精度。
请参照图3，图3是本申请一些实施例中的一种基于深度学习实现环境保护下的碳排放分析方法的分析区域的历史碳排放数据获取方法流程图。根据本发明实施例，将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据，具体包括：
S301，获取每一个子区域的碳排放数据特征，判断同一子区域内的碳排放数据特征是否处于设定的特征区间；
S302，若处于设定的特征区间，则保留碳排放数据特征；
S303，若不处于设定的特征区间，则生成修正信息，根据修正信息对碳排放数据特征进行修正；
S304，不同子区域的碳排放数据特征进行单独归一化处理，且不同子区域设定的特征区间不同，设定的特征区间与子区域一一对应；
S305，将所有子区域保留的碳排放数据特征与所有子区域修正后的碳排放数据特征进行融合，得到分析区域的历史碳排放数据。
需要说明的是，通过分析碳排放数据特征的归一化处理结果是否满足要求，从而对碳排放数据特征进行修正，提高碳排放数据的准确度。
根据本发明实施例，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
需要说明的是，通过不同子区域的历史碳排放数据建立训练数据集，通过训练数据集对分析模型进行不断的训练，保证分析模型训练结果收敛，使分析模型的输出结果更加贴近实际结果，在分析模型训练过程中，调整不同子区域的历史碳排放数据比例，提高训练精度。
根据本发明实施例，根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件，具体包括：
根据环境保护条例分析不同子区域的碳排放限制信息，根据不同子区域的权重信息，生成对应子区域的权重系数；
根据不同子区域的碳排放限制信息得到不同子区域的约束条件；
根据不同子区域的权重系数对不同子区域的约束条件进行权重优化，得到最终的约束条件。
需要说明的是，不同的环境保护条例会对碳排放进行不同条件的限制，从而生成不同子区域的碳排放限制信息，不同子区域的碳排放限制信息匹配不同的权重系数，根据不同的权重系数调整不同子区域的约束条件，从而进行约束条件的优化调整。
根据本发明实施例，将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据，具体包括：
将约束条件添加至优化模型，生成约束参数；
根据约束参数生成调整信息，判断调整信息是否大于或小于设定的调整阈值；
若大于设定的调整阈值，则重新建立分析模型，并判断新的分析模型与约束条件的匹配度；
判断匹配度是否满足要求，若满足要求，则将新的分析模型替换原始的分析模型；
若不满足要求，则调整约束参数；
若小于设定的调整阈值，则根据调整信息对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据。
需要说明的是，通过分析约束条件的调整信息，从而判断约束条件是否满足要求，进而不断的调整约束参数，使约束条件与分析模型匹配度较高，从而保证约束条件与分析模型的匹配度，提高分析模型的输出精度。
根据本发明实施例，根据调整后的优化模型输出碳排放分析数据,还包括：
获取不同时间节点的碳排放分析数据，将相邻时间节点的碳排放分析数据进行比较，得到数据偏差率；
判断数据偏差率是否大于或等于设置的数据偏差率阈值；
若大于或等于，则生成反馈信息，根据反馈信息对碳排放分析数据进行误差处理，并剔除误差大于设定的误差阈值的碳排放分析数据；
若小于，则得到碳排放分析数据。
需要说明的是，通过分析不同时间节点的碳排放分析数据，从而分析碳排放数据的差异，从而分析差异结果进行优化碳排放分析数据。
根据本发明实施例，获取不同时间节点的碳排放分析数据，还包括：
获取不同时间节点的碳排放分析数据，将相邻时间节点的碳排放分析数据进行比较，得到数据波动信息；
将数据波动信息与设定的波动信息进行比较，得到波动偏差率；
判断波动偏差率是否大于设定的波动偏差率阈值；
若大于，则生成预警信息，根据预定信息对碳排放数据进行预警；
若小于，则判定碳排放数据符合环境保护条例限制的碳排放要求。
需要说明的是，通过分析碳排放分析数据，从而分析碳排放数据的波动，保证碳排放波动较小，保证碳排放数据满足要求，提高碳排放分析精度。
第二方面，本申请实施例提供了一种基于深度学习实现环境保护下的碳排放分析系统，该系统包括：存储器及处理器，存储器中包括基于深度学习实现环境保护下的碳排放分析方法的程序，基于深度学习实现环境保护下的碳排放分析方法的程序被处理器执行时实现以下步骤：
设定分析区域，根据大数据提取分析区域内的历史碳排放数据；
构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；
根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；
将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；
将碳排放分析数据传输至终端。
需要说明的是，通过建立分析模型，并对分析模型不断的训练，提高分析模型的输出精度，同时通过环境保护条例对分析模型添加约束条件，对分析模型进行限制，从而精准的输出碳排放分析，提高碳排放的分析精度。
根据本发明实施例，设定分析区域，根据大数据提取分析区域内的历史碳排放数据，具体包括：
设定分析面积，根据分析面积划定分析区域，分析区域的面积与分析面积相同；
搜寻分析区域的边缘信息，根据边缘信息生成边缘线，根据边缘线将分析区域进行等区域划分，生成若干个子区域；
分别获取若干个子区域内的历史碳排放数据，并提取碳排放数据特征；
将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据。
需要说明的是，通过设定分析面积，生成对应面积的分析区域，将分析区域进行等区域划分，从而对不同子区域进行单独分析，将若干个子区域的历史碳排放数据进行归一化处理，使碳排放数据处于设定的区域内，提高历史碳排放数据的准确性，从而保证分析模型的训练精度。
根据本发明实施例，将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据，具体包括：
获取每一个子区域的碳排放数据特征，判断同一子区域内的碳排放数据特征是否处于设定的特征区间；
若处于设定的特征区间，则保留碳排放数据特征；
若不处于设定的特征区间，则生成修正信息，根据修正信息对碳排放数据特征进行修正；
不同子区域的碳排放数据特征进行单独归一化处理，且不同子区域设定的特征区间不同，设定的特征区间与子区域一一对应；
将所有子区域保留的碳排放数据特征与所有子区域修正后的碳排放数据特征进行融合，得到分析区域的历史碳排放数据。
根据本发明实施例，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
需要说明的是，通过分析碳排放数据特征的归一化处理结果是否满足要求，从而对碳排放数据特征进行修正，提高碳排放数据的准确度。
根据本发明实施例，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
需要说明的是，通过不同子区域的历史碳排放数据建立训练数据集，通过训练数据集对分析模型进行不断的训练，保证分析模型训练结果收敛，使分析模型的输出结果更加贴近实际结果，在分析模型训练过程中，调整不同子区域的历史碳排放数据比例，提高训练精度。
根据本发明实施例，根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件，具体包括：
根据环境保护条例分析不同子区域的碳排放限制信息，根据不同子区域的权重信息，生成对应子区域的权重系数；
根据不同子区域的碳排放限制信息得到不同子区域的约束条件；
根据不同子区域的权重系数对不同子区域的约束条件进行权重优化，得到最终的约束条件。
需要说明的是，不同的环境保护条例会对碳排放进行不同条件的限制，从而生成不同子区域的碳排放限制信息，不同子区域的碳排放限制信息匹配不同的权重系数，根据不同的权重系数调整不同子区域的约束条件，从而进行约束条件的优化调整。
根据本发明实施例，将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据，具体包括：
将约束条件添加至优化模型，生成约束参数；
根据约束参数生成调整信息，判断调整信息是否大于或小于设定的调整阈值；
若大于设定的调整阈值，则重新建立分析模型，并判断新的分析模型与约束条件的匹配度；
判断匹配度是否满足要求，若满足要求，则将新的分析模型替换原始的分析模型；
若不满足要求，则调整约束参数；
若小于设定的调整阈值，则根据调整信息对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据。
需要说明的是，通过分析约束条件的调整信息，从而判断约束条件是否满足要求，进而不断的调整约束参数，使约束条件与分析模型匹配度较高，从而保证约束条件与分析模型的匹配度，提高分析模型的输出精度。
根据本发明实施例，根据调整后的优化模型输出碳排放分析数据,还包括：
获取不同时间节点的碳排放分析数据，将相邻时间节点的碳排放分析数据进行比较，得到数据偏差率；
判断数据偏差率是否大于或等于设置的数据偏差率阈值；
若大于或等于，则生成反馈信息，根据反馈信息对碳排放分析数据进行误差处理，并剔除误差大于设定的误差阈值的碳排放分析数据；
若小于，则得到碳排放分析数据。
需要说明的是，通过分析不同时间节点的碳排放分析数据，从而分析碳排放数据的差异，从而分析差异结果进行优化碳排放分析数据。
根据本发明实施例，获取不同时间节点的碳排放分析数据，还包括：
获取不同时间节点的碳排放分析数据，将相邻时间节点的碳排放分析数据进行比较，得到数据波动信息；
将数据波动信息与设定的波动信息进行比较，得到波动偏差率；
判断波动偏差率是否大于设定的波动偏差率阈值；
若大于，则生成预警信息，根据预定信息对碳排放数据进行预警；
若小于，则判定碳排放数据符合环境保护条例限制的碳排放要求。
需要说明的是，通过分析碳排放分析数据，从而分析碳排放数据的波动，保证碳排放波动较小，保证碳排放数据满足要求，提高碳排放分析精度。
本发明公开的一种基于深度学习实现环境保护下的碳排放分析方法及系统，通过设定分析区域，根据大数据提取分析区域内的历史碳排放数据；构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；将碳排放分析数据传输至终端；通过深度学习技术不断的对分析模型进行训练，提高优化模型的输出精度，并通过环境保护条例对优化模型添加约束条件，输出精准的碳排放分析数据，提高分析精度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种基于深度学习实现环境保护下的碳排放分析方法，其特征在于，包括：
设定分析区域，根据大数据提取分析区域内的历史碳排放数据；
构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；
根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；
将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；
将碳排放分析数据传输至终端；
所述设定分析区域，根据大数据提取分析区域内的历史碳排放数据，具体包括：
设定分析面积，根据分析面积划定分析区域，分析区域的面积与分析面积相同；
搜寻分析区域的边缘信息，根据边缘信息生成边缘线，根据边缘线将分析区域进行等区域划分，生成若干个子区域；
分别获取若干个子区域内的历史碳排放数据，并提取碳排放数据特征；
将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据；
所述将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据，具体包括：
获取每一个子区域的碳排放数据特征，判断同一子区域内的碳排放数据特征是否处于设定的特征区间；
若处于设定的特征区间，则保留碳排放数据特征；
若不处于设定的特征区间，则生成修正信息，根据修正信息对碳排放数据特征进行修正；
不同子区域的碳排放数据特征进行单独归一化处理，且不同子区域设定的特征区间不同，设定的特征区间与子区域一一对应；
将所有子区域保留的碳排放数据特征与所有子区域修正后的碳排放数据特征进行融合，得到分析区域的历史碳排放数据；
所述根据调整后的优化模型输出碳排放分析数据,还包括：
获取不同时间节点的碳排放分析数据，将相邻时间节点的碳排放分析数据进行比
较，得到数据偏差率；
判断数据偏差率是否大于或等于设置的数据偏差率阈值；
若大于或等于，则生成反馈信息，根据反馈信息对碳排放分析数据进行误差处理，
并剔除误差大于设定的误差阈值的碳排放分析数据；
若小于，则得到碳排放分析数据。
2.根据权利要求1所述的基于深度学习实现环境保护下的碳排放分析方法，其特征在于，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断所述训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
3.根据权利要求2所述的基于深度学习实现环境保护下的碳排放分析方法，其特征在于，根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件，具体包括：
根据环境保护条例分析不同子区域的碳排放限制信息，根据不同子区域的权重信息，生成对应子区域的权重系数；
根据不同子区域的碳排放限制信息得到不同子区域的约束条件；
根据不同子区域的权重系数对不同子区域的约束条件进行权重优化，得到最终的约束条件。
4.根据权利要求3所述的基于深度学习实现环境保护下的碳排放分析方法，其特征在于，将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据，具体包括：
将约束条件添加至优化模型，生成约束参数；
根据约束参数生成调整信息，判断所述调整信息是否大于或小于设定的调整阈值；
若大于设定的调整阈值，则重新建立分析模型，并判断新的分析模型与约束条件的匹配度；
判断所述匹配度是否满足要求，若满足要求，则将新的分析模型替换原始的分析模型；
若不满足要求，则调整约束参数；
若小于设定的调整阈值，则根据调整信息对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据。
5.一种基于深度学习实现环境保护下的碳排放分析系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括基于深度学习实现环境保护下的碳排放分析方法的程序，所述基于深度学习实现环境保护下的碳排放分析方法的程序被所述处理器执行时实现以下步骤：
设定分析区域，根据大数据提取分析区域内的历史碳排放数据；
构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型；
根据环境保护条例分析碳排放限制信息，根据碳排放限制信息生成约束条件；
将约束条件添加至优化模型对模型参数进行调整，根据调整后的优化模型输出碳排放分析数据；
将碳排放分析数据传输至终端；
所述设定分析区域，根据大数据提取分析区域内的历史碳排放数据，具体包括：
设定分析面积，根据分析面积划定分析区域，分析区域的面积与分析面积相同；
搜寻分析区域的边缘信息，根据边缘信息生成边缘线，根据边缘线将分析区域进行等区域划分，生成若干个子区域；
分别获取若干个子区域内的历史碳排放数据，并提取碳排放数据特征；
将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据；
所述将碳排放数据特征进行归一化处理，并将每一个子区域处理后的碳排放数据进行融合，得到分析区域的历史碳排放数据，具体包括：
获取每一个子区域的碳排放数据特征，判断同一子区域内的碳排放数据特征是否处于设定的特征区间；
若处于设定的特征区间，则保留碳排放数据特征；
若不处于设定的特征区间，则生成修正信息，根据修正信息对碳排放数据特征进行修正；
不同子区域的碳排放数据特征进行单独归一化处理，且不同子区域设定的特征区间不同，设定的特征区间与子区域一一对应；
将所有子区域保留的碳排放数据特征与所有子区域修正后的碳排放数据特征进行融合，得到分析区域的历史碳排放数据；
所述根据调整后的优化模型输出碳排放分析数据,还包括：
获取不同时间节点的碳排放分析数据，将相邻时间节点的碳排放分析数据进行比
较，得到数据偏差率；
判断数据偏差率是否大于或等于设置的数据偏差率阈值；
若大于或等于，则生成反馈信息，根据反馈信息对碳排放分析数据进行误差处理，
并剔除误差大于设定的误差阈值的碳排放分析数据；
若小于，则得到碳排放分析数据。
6.根据权利要求5所述的基于深度学习实现环境保护下的碳排放分析系统，其特征在于，构建分析模型，根据历史碳排放数据输入分析模型进行训练，得到优化模型，具体包括：
构建分析模型，将不同子区域的历史碳排放数据按照不同比例进行生成不同数据量的数据集，得到训练数据集；
将训练数据集输入分析模型进行迭代训练，得到训练结果；
判断所述训练结果是否收敛；
若收敛，则生成优化模型；
若不收敛，则调整不同子区域的历史排放数据量的比例，得到新的训练集对分析模型进行二次训练，直至分析模型收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410130199.3A CN117668497B (zh) | 2024-01-31 | 2024-01-31 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410130199.3A CN117668497B (zh) | 2024-01-31 | 2024-01-31 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117668497A CN117668497A (zh) | 2024-03-08 |
| CN117668497B true CN117668497B (zh) | 2024-05-07 |
Family
ID=90071609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410130199.3A Active CN117668497B (zh) | 2024-01-31 | 2024-01-31 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668497B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101966557B1 (ko) * | 2017-12-08 | 2019-04-05 | 세종대학교산학협력단 | 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법 |
| WO2019200747A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| CN112085534A (zh) * | 2020-09-11 | 2020-12-15 | 中德（珠海）人工智能研究院有限公司 | 一种关注度分析方法、系统及存储介质 |
| WO2021082394A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测系统 |
| WO2021082393A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的机场场面可变滑出时间预测方法 |
| WO2022076920A1 (en) * | 2020-10-08 | 2022-04-14 | Essenlix Corporation | Assay error reduction |
| CN114936681A (zh) * | 2022-05-09 | 2022-08-23 | 国家电网有限公司西北分部 | 一种基于深度学习的碳排放预测方法 |
| CN114997263A (zh) * | 2022-04-20 | 2022-09-02 | 平安科技（深圳）有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
| CN115290096A (zh) * | 2022-09-29 | 2022-11-04 | 广东技术师范大学 | 一种基于强化学习差分算法的无人机动态航迹规划方法 |
| KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
| CN116681556A (zh) * | 2023-06-13 | 2023-09-01 | 叶章浩 | 一种基于教育大数据的智慧远程教学云平台系统及方法 |
| CN116739829A (zh) * | 2023-07-03 | 2023-09-12 | 深圳义云科技有限公司 | 一种基于大数据的电力数据分析方法、系统及介质 |
| CN116777082A (zh) * | 2023-08-17 | 2023-09-19 | 北京建工环境修复股份有限公司 | 基于资源预估的农田碳排放预测方法及系统 |
| WO2023184832A1 (zh) * | 2022-03-31 | 2023-10-05 | 上海商汤智能科技有限公司 | 生理状态检测方法、装置、电子设备、存储介质及程序 |
| CN116882637A (zh) * | 2023-09-05 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种农田碳排放分析方法及系统 |
| CN116958529A (zh) * | 2023-07-21 | 2023-10-27 | 广州高新兴机器人有限公司 | 一种机器人远程控制方法、系统及介质 |
| CN117010577A (zh) * | 2023-10-07 | 2023-11-07 | 北京建工环境修复股份有限公司 | 基于时空分布的多维度碳排放监测方法及系统 |
| CN117110541A (zh) * | 2023-08-21 | 2023-11-24 | 中国科学院空天信息创新研究院 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220142484A1 (en) * | 2014-10-29 | 2022-05-12 | Spectral Md, Inc. | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification |
| US10267951B2 (en) * | 2016-05-12 | 2019-04-23 | The Climate Corporation | Statistical blending of weather data sets |
| US20220358515A1 (en) * | 2021-05-07 | 2022-11-10 | The Boston Consulting Group, Inc. | Carbon emissions management system |
| US20230198258A1 (en) * | 2021-12-16 | 2023-06-22 | Singularity Energy, Inc. | Apparatus and method for optimizing carbon emissions in a power grid |
| US20230196289A1 (en) * | 2021-12-16 | 2023-06-22 | International Business Machines Corporation | Auto-generating news headlines based on climate, carbon and impact predictions |
-
2024
- 2024-01-31 CN CN202410130199.3A patent/CN117668497B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101966557B1 (ko) * | 2017-12-08 | 2019-04-05 | 세종대학교산학협력단 | 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법 |
| WO2019200747A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | 分割股骨近端的方法、装置、计算机设备和存储介质 |
| WO2021082394A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测系统 |
| WO2021082393A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的机场场面可变滑出时间预测方法 |
| CN112085534A (zh) * | 2020-09-11 | 2020-12-15 | 中德（珠海）人工智能研究院有限公司 | 一种关注度分析方法、系统及存储介质 |
| WO2022076920A1 (en) * | 2020-10-08 | 2022-04-14 | Essenlix Corporation | Assay error reduction |
| WO2023184832A1 (zh) * | 2022-03-31 | 2023-10-05 | 上海商汤智能科技有限公司 | 生理状态检测方法、装置、电子设备、存储介质及程序 |
| CN114997263A (zh) * | 2022-04-20 | 2022-09-02 | 平安科技（深圳）有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
| CN114936681A (zh) * | 2022-05-09 | 2022-08-23 | 国家电网有限公司西北分部 | 一种基于深度学习的碳排放预测方法 |
| CN115290096A (zh) * | 2022-09-29 | 2022-11-04 | 广东技术师范大学 | 一种基于强化学习差分算法的无人机动态航迹规划方法 |
| KR102540762B1 (ko) * | 2022-10-14 | 2023-06-14 | 대한민국 | 위성영상을 이용한 저수지 모니터링 방법 |
| CN116681556A (zh) * | 2023-06-13 | 2023-09-01 | 叶章浩 | 一种基于教育大数据的智慧远程教学云平台系统及方法 |
| CN116739829A (zh) * | 2023-07-03 | 2023-09-12 | 深圳义云科技有限公司 | 一种基于大数据的电力数据分析方法、系统及介质 |
| CN116958529A (zh) * | 2023-07-21 | 2023-10-27 | 广州高新兴机器人有限公司 | 一种机器人远程控制方法、系统及介质 |
| CN116777082A (zh) * | 2023-08-17 | 2023-09-19 | 北京建工环境修复股份有限公司 | 基于资源预估的农田碳排放预测方法及系统 |
| CN117110541A (zh) * | 2023-08-21 | 2023-11-24 | 中国科学院空天信息创新研究院 | 一种基于边缘计算的碳排放监测预警分析系统及其方法 |
| CN116882637A (zh) * | 2023-09-05 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种农田碳排放分析方法及系统 |
| CN117010577A (zh) * | 2023-10-07 | 2023-11-07 | 北京建工环境修复股份有限公司 | 基于时空分布的多维度碳排放监测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Research on remote sensing image carbon emission monitoring based on deep learning;Zhou, Shaoqing等;《Signal Processing》;20230630;第207卷;1-10 * |
| 基于模态分解及注意力机制的长短时间网络的短期负荷预测研究;乔石;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20240115(第1期);C042-962 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117668497A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8041597B2 (en) | Self-calibrating outlier model and adaptive cascade model for fraud detection | |
| CN110688288B (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
| CN113769519B (zh) | 一种建筑工地的智能降尘控制方法及系统 | |
| US10169717B2 (en) | System and method for defining and using different levels of ground truth | |
| US9967275B1 (en) | Efficient detection of network anomalies | |
| CN112347226A (zh) | 文档知识抽取方法、装置、计算机设备及可读存储介质 | |
| CN115271407B (zh) | 基于人工智能的工业互联网数据处理方法及系统 | |
| CN111177217A (zh) | 数据预处理方法、装置、计算机设备及存储介质 | |
| CN117668497B (zh) | 基于深度学习实现环境保护下的碳排放分析方法及系统 | |
| CN117151436B (zh) | 一种应急救援演习方法、系统及介质 | |
| CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
| CN117035374A (zh) | 一种应对突发事件的兵力协同调度方法、系统及介质 | |
| US20230412627A1 (en) | Method and apparatus for anomaly detection | |
| KR102613177B1 (ko) | 초거대 인공지능(Hyperscale AI) 비전 데이터 드리프트(Vision Data Drift)탐지 네트워크 기반의 인공지능 데이터 관리 시스템 및 방법 | |
| CN116720841A (zh) | 一种基于多维数据的政务信息协同处理系统 | |
| CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
| CN114760109B (zh) | 用于安全分析的数值行为安全基线生成方法及装置 | |
| CN112395280B (zh) | 一种数据质量检测方法及其系统 | |
| CN111177656B (zh) | 一种行为检测方法、计算机设备和计算机可读存储介质 | |
| Yan et al. | Price of Stability in Quality-Aware Federated Learning | |
| CN113918817B (zh) | 推送模型构建方法、装置、计算机设备及存储介质 | |
| Hauser et al. | An improved assessing requirements quality with ML methods | |
| CN118134425A (zh) | 一种差旅场景智能管理方法、系统及介质 | |
| CN117407513B (zh) | 基于大语言模型的提问处理方法、装置、设备和存储介质 | |
| CN112148355B (zh) | 一种基于深度学习的系统差分升级方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |