CN117708540A - 银行仓库内二氧化碳浓度智能管理方法、装置及存储介质 - Google Patents

Abstract

本发明提供一种银行仓库内二氧化碳浓度智能管理方法、装置及存储介质，获取银行仓库内的二氧化碳气体浓度初始数据集合以及关联二氧化碳气体浓度子序列，根据各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，进而对各个二氧化碳气体浓度初始数据进行去噪，最后根据去噪后的数据进行银行仓库异常判断。相较于固定滤波窗口，通过对应的滤波窗口对各二氧化碳气体浓度初始数据进行去噪处理，能够提升去噪滤波的效果，以及滤波准确性，降低噪声对二氧化碳气体浓度异常判断的干扰，提升二氧化碳气体浓度异常判断的准确性。

Description

银行仓库内二氧化碳浓度智能管理方法、装置及存储介质

技术领域

本发明涉及一种银行仓库内二氧化碳浓度智能管理方法、装置及存储介质。

背景技术

银行仓库用于放置相关银行物品，其中不乏比较重要的设备，因此，银行仓库的监管至关重要。由于银行仓库中的空气流通性差，银行仓库内的二氧化碳不易消散和排出，若浓度过高，则不但影响设备的正常保存，而且有可能会伤害仓管人员的健康。因此，需要对银行仓库中的二氧化碳浓度进行实时监测。通常采用对应的二氧化碳浓度传感器进行二氧化碳浓度检测，然后对二氧化碳浓度进行异常判断。但是，采集到的二氧化碳浓度可能会存在噪声干扰，噪声有可能会影响正常的数据异常判断，则需要对其进行过滤去噪。

发明内容

为了解决上述技术问题，本发明提供一种银行仓库内二氧化碳浓度智能管理方法、装置及存储介质。

一种银行仓库内二氧化碳浓度智能管理方法，包括：

获取银行仓库内的二氧化碳气体浓度初始数据集合，所述二氧化碳气体浓度初始数据集合包括多个采样时刻的二氧化碳气体浓度初始数据，并按时序获取所述二氧化碳气体浓度初始数据集合所对应的二氧化碳气体浓度初始数据时序序列；

从所述二氧化碳气体浓度初始数据时序序列中获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列；

根据各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小；

根据各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，对各个二氧化碳气体浓度初始数据进行去噪，得到二氧化碳气体浓度目标数据时序序列；

根据二氧化碳气体浓度目标数据时序序列对银行仓库进行二氧化碳气体浓度异常判断。

进一步地，从所述二氧化碳气体浓度初始数据时序序列中获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列，包括：

对于任意一个二氧化碳气体浓度初始数据，获取所述二氧化碳气体浓度初始数据时序序列中，以该二氧化碳气体浓度初始数据为中心，左右各预设时间长度的二氧化碳气体浓度初始数据，得到该二氧化碳气体浓度初始数据的所述关联二氧化碳气体浓度子序列。

进一步地，根据各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，包括：

对于任意一个二氧化碳气体浓度初始数据，采用时间序列分解算法获取该二氧化碳气体浓度初始数据的关联二氧化碳气体浓度子序列的二氧化碳气体浓度残差序列；

根据二氧化碳气体浓度残差序列中数据差异情况，以及所对应的关联二氧化碳气体浓度子序列中数据差异情况，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标；

根据所述滤波窗口调整指标，得到该二氧化碳气体浓度初始数据所对应的滤波窗口大小。

进一步地，根据二氧化碳气体浓度残差序列中数据差异情况，以及所对应的关联二氧化碳气体浓度子序列中数据差异情况，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标，包括：

获取所述二氧化碳气体浓度残差序列中的二氧化碳气体浓度残差均值、二氧化碳气体浓度残差最大值和二氧化碳气体浓度残差最小值，并计算二氧化碳气体浓度残差最大值和二氧化碳气体浓度残差最小值的差值，得到残差范围值；

对于任意一个二氧化碳气体浓度残差，计算该二氧化碳气体浓度残差与所述二氧化碳气体浓度残差均值的差值绝对值，并计算残差范围值与差值绝对值的商值；计算所有二氧化碳气体浓度残差对应的商值的均值，为该二氧化碳气体浓度初始数据的残差程度指标；

获取该二氧化碳气体浓度初始数据对应的关联二氧化碳气体浓度子序列的方差和均值，得到关联方差和关联均值；计算所述关联方差和所述关联均值的商值，然后乘以残差程度指标，得到该二氧化碳气体浓度初始数据的浓度异常指标；

根据该二氧化碳气体浓度初始数据的浓度异常指标，以及关联二氧化碳气体浓度子序列所对应的差值序列，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标。

进一步地，关联二氧化碳气体浓度子序列所对应的差值序列的获取过程，包括：

对于关联二氧化碳气体浓度子序列中的第i个数据，设定关联二氧化碳气体浓度子序列中的数据总数量为n，若第i个数据不是第1个数据，则计算第i个数据与第i-1个数据的差值，作为第i个数据的差值特征；若第i个数据是第1个数据，则计算第1个数据与第n个数据的差值，作为第1个数据的差值特征；所有的差值特征构成差值序列。

进一步地，根据该二氧化碳气体浓度初始数据的浓度异常指标，以及关联二氧化碳气体浓度子序列所对应的差值序列，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标，包括：

对于所述差值序列中的任意一个差值特征对，所述差值特征对由相邻的两个差值特征构成，若该差值特征对中一个为正数，一个为负数，则记录该差值特征对；获取记录得到的差值特征对的数量，并获取记录得到的差值特征对的数量与所述差值序列中的差值特征对的总数量的商值，为该二氧化碳气体浓度初始数据所对应的浓度波动指标；

计算该二氧化碳气体浓度初始数据的残差程度指标与浓度波动指标的乘积，得到浓度变化指标；

计算该二氧化碳气体浓度初始数据的浓度异常指标与浓度变化指标的和值，并归一化得到归一化值，计算1和该归一化值的差值，作为该二氧化碳气体浓度初始数据的滤波窗口调整指标。

进一步地，根据所述滤波窗口调整指标，得到该二氧化碳气体浓度初始数据所对应的滤波窗口大小，包括：

计算设定正数与所述滤波窗口调整指标的乘积，然后加1处理后取整，得到该二氧化碳气体浓度初始数据所对应的滤波窗口大小。

进一步地，根据二氧化碳气体浓度目标数据时序序列对银行仓库进行二氧化碳气体浓度异常判断，包括：

将二氧化碳气体浓度目标数据时序序列中的各个数据与预设浓度阈值进行比较，获取大于所述预设浓度阈值的数据，定义为异常浓度数据，若异常浓度数据的数量超过预设数量，且存在相邻两个异常浓度数据的时间间隔小于预设时间间隔，则输出银行仓库报警信号。

一种银行仓库内二氧化碳浓度智能管理装置，包括：存储器及处理器；所述存储器与所述处理器连接；所述存储器，用于存储程序指令；所述处理器，用于在程序指令被执行时，实现上述银行仓库内二氧化碳浓度智能管理方法。

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银行仓库内二氧化碳浓度智能管理方法。

本发明具有如下有益效果：在进行二氧化碳气体浓度异常判断中，获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列，通过关联的数据子序列进行分析，有助于后续准确地得到各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，然后结合各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，根据实际情况确定得到各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，相较于固定滤波窗口，通过对应的滤波窗口对各二氧化碳气体浓度初始数据进行去噪处理，能够提升去噪滤波的效果，以及滤波准确性，降低噪声对银行仓库内二氧化碳气体浓度异常判断的干扰，提升银行仓库内二氧化碳气体浓度异常判断的准确性。

附图说明

图1为本发明提供的一种银行仓库内二氧化碳浓度智能管理方法的流程图。

实施方式

如图1所示，本实施例提供一种银行仓库内二氧化碳浓度智能管理方法，包括如下步骤：

步骤S1：获取银行仓库内的二氧化碳气体浓度初始数据集合，所述二氧化碳气体浓度初始数据集合包括多个采样时刻的二氧化碳气体浓度初始数据，并按时序获取所述二氧化碳气体浓度初始数据集合所对应的二氧化碳气体浓度初始数据时序序列：

获取银行仓库所对应的二氧化碳气体浓度初始数据集合，二氧化碳气体浓度初始数据集合包括多个采样时刻的二氧化碳气体浓度初始数据。其中二氧化碳气体浓度初始数据集合对应的采样时间段，即所包含的采样时刻的数量，由实际需要进行设置，比如：相邻两个采样时刻之间的时间间隔可以为半分钟，二氧化碳气体浓度初始数据集合对应的采样时间段可以为2天。二氧化碳气体浓度初始数据由二氧化碳浓度传感器检测得到。二氧化碳浓度传感器设置在银行仓库内的设定位置，比如银行仓库的中心位置的顶部。

由于各个二氧化碳气体浓度初始数据是按照时序采集得到的，因此，将各采样时刻的二氧化碳气体浓度初始数据按时序进行排序，得到二氧化碳气体浓度初始数据集合所对应的二氧化碳气体浓度初始数据时序序列。

步骤S2：从所述二氧化碳气体浓度初始数据时序序列中获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列：

从二氧化碳气体浓度初始数据时序序列中获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列，每一个二氧化碳气体浓度初始数据均对应有一个关联二氧化碳气体浓度子序列，为了体现关联性，本实施例中，对于任意一个二氧化碳气体浓度初始数据，获取二氧化碳气体浓度初始数据时序序列中，以该二氧化碳气体浓度初始数据为中心，左右各预设时间长度的二氧化碳气体浓度初始数据，将左右预设时间长度内的各二氧化碳气体浓度初始数据以及该二氧化碳气体浓度初始数据本身，构成一个数据序列，为该二氧化碳气体浓度初始数据的关联二氧化碳气体浓度子序列。该二氧化碳气体浓度初始数据的左时间表示该二氧化碳气体浓度初始数据对应采样时刻之前的采样时刻，该二氧化碳气体浓度初始数据的右时间表示该二氧化碳气体浓度初始数据对应采样时刻之后的采样时刻。比如：左右各预设时间长度为左10个采样时刻，右10个采样时刻，即将该二氧化碳气体浓度初始数据的对应的采样时刻之前的10个采样时刻以及之后的10个采样时刻，连同该二氧化碳气体浓度初始数据，总共21个采样时刻的二氧化碳气体浓度初始数据所构成的序列，为该二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列。

通过上述方式，得到各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列。

应当理解，对于二氧化碳气体浓度初始数据时序序列中的第一个二氧化碳气体浓度初始数据，或者前几个二氧化碳气体浓度初始数据，由于其左侧有可能构不成设定时间长度的二氧化碳气体浓度初始数据，则可以只获取其右预设时间长度的二氧化碳气体浓度初始数据作为关联二氧化碳气体浓度子序列；同理，对于二氧化碳气体浓度初始数据时序序列中的最后一个二氧化碳气体浓度初始数据，或者最后几个二氧化碳气体浓度初始数据，由于其右侧有可能构不成设定时间长度的二氧化碳气体浓度初始数据，则可以只获取其左预设时间长度的二氧化碳气体浓度初始数据作为关联二氧化碳气体浓度子序列。

步骤S3：根据各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小：

由于各个二氧化碳气体浓度初始数据的处理过程相同，以下以任意一个二氧化碳气体浓度初始数据为例。

采用时间序列分解算法获取该二氧化碳气体浓度初始数据的关联二氧化碳气体浓度子序列的二氧化碳气体浓度残差序列。其中，时间序列分解算法具体为基于局部加权回归的时间序列分解算法。利用时间序列分解算法可以获得关联二氧化碳气体浓度子序列的趋势项、季节项和残差，残差具有随机性和不可预测性，包含着关联二氧化碳气体浓度子序列中的部分噪声情况，因此，可以依据残差情况进行浓度波动情况的分析。

然后根据二氧化碳气体浓度残差序列中数据差异情况，以及所对应的关联二氧化碳气体浓度子序列中数据差异情况，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标。作为一个具体实施方式，如下给出具体实现过程：

步骤S3-1：二氧化碳气体浓度残差序列中包括多个二氧化碳气体浓度残差，那么，获取二氧化碳气体浓度残差序列中的二氧化碳气体浓度残差的均值，以及二氧化碳气体浓度残差的最大值和二氧化碳气体浓度残差的最小值。并计算二氧化碳气体浓度残差最大值和二氧化碳气体浓度残差最小值的差值，该差值定义为残差范围值。

步骤S3-2：对于任意一个二氧化碳气体浓度残差，计算该二氧化碳气体浓度残差与二氧化碳气体浓度残差均值的差值绝对值，并计算上述得到的残差范围值与该差值绝对值的商值，从而得到每一个二氧化碳气体浓度残差所对应的商值。计算所有二氧化碳气体浓度残差对应的商值的均值，该均值为该二氧化碳气体浓度初始数据的残差程度指标。残差程度指标反映了二氧化碳浓度的离散性。

步骤S3-3：该二氧化碳气体浓度初始数据对应的关联二氧化碳气体浓度子序列包含多个二氧化碳气体初始浓度，则计算得到该二氧化碳气体浓度初始数据对应的关联二氧化碳气体浓度子序列的方差和均值，定义为关联方差和关联均值。计算关联方差和关联均值的商值，然后将该商值乘以上述得到的残差程度指标，得到的计算结果为该二氧化碳气体浓度初始数据的浓度异常指标。其中，关联方差反映了关联二氧化碳气体浓度子序列中数据的数据波动情况，关联均值反映了关联二氧化碳气体浓度子序列中数据的数据均衡情况，关联方差和关联均值的商值越大，说明二氧化碳浓度在其关联范围内的数据离散程度越大，而残差程度指标越大，离散程度越大，对应的浓度越异常，越需要较小的滤波窗口。

步骤S3-4：获取该二氧化碳气体浓度初始数据对应的关联二氧化碳气体浓度子序列所对应的差值序列，作为一个具体实施方式，差值序列的获取过程为：设定关联二氧化碳气体浓度子序列中的数据总数量为n，对于关联二氧化碳气体浓度子序列中的第i个数据，若第i个数据不是第1个数据，则计算第i个数据与第i-1个数据的差值，作为第i个数据的差值特征；若第i个数据是第1个数据，则计算第1个数据与第n个数据的差值，作为第1个数据的差值特征；进而得到关联二氧化碳气体浓度子序列中每一个数据的差值特征，将所有差值特征按照关联二氧化碳气体浓度子序列中各数据的顺序进行排序，得到该二氧化碳气体浓度初始数据对应的关联二氧化碳气体浓度子序列所对应的差值序列。差值特征为正数时，表示对应的两个二氧化碳气体浓度初始数据中，后一个数据大于前一个数据，差值特征为负数时，表示对应的两个二氧化碳气体浓度初始数据中，后一个数据小于前一个数据，差值特征为0时，表示对应的两个二氧化碳气体浓度初始数据中，后一个数据等于前一个数据。因此，差值序列中的各个差值特征的数值情况，具体是数值的正负情况，反映了二氧化碳气体浓度初始数据的波动情况。

然后根据该二氧化碳气体浓度初始数据的浓度异常指标，以及关联二氧化碳气体浓度子序列所对应的差值序列，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标。其中，对于差值序列中的任意一个差值特征对，差值特征对由相邻的两个差值特征构成，举例来说，本实施例中的差值特征对中的相邻两个差值特征分别由：第i个数据与第i-1个数据的差值，和第i+1个数据与第i个数据的差值构成，因此，每一个差值特征对均涉及三个气体浓度数据。若该差值特征对中一个为正数，一个为负数，表示差值特征对所对应的三个气体浓度数据之间的变化波动比较大，则记录该差值特征对。每出现一次上述情况，就记录一个差值特征对。获取记录得到的差值特征对的数量，同时获取差值序列中的差值特征对的总数量，然后计算记录得到的差值特征对的数量与差值序列中的差值特征对的总数量的商值，作为变化波动比较大的差值特征对的数量占比，该商值为该二氧化碳气体浓度初始数据所对应的浓度波动指标。

由于浓度波动指标越大，说明二氧化碳气体浓度在其关联范围内的波动程度越大，而且残差程度指标越大，说明二氧化碳气体浓度在其关联范围内的离散程度越大。因此，计算该二氧化碳气体浓度初始数据的残差程度指标与该二氧化碳气体浓度初始数据的浓度波动指标的乘积，得到该二氧化碳气体浓度初始数据的浓度变化指标。浓度变化指标越大，说明二氧化碳气体浓度在其关联范围内稳定性越差，变化程度越大。

浓度异常指标与浓度变化指标均反映了二氧化碳气体浓度在其关联范围内的波动和异常情况，因此，波动和异常情况越大，就需要较小的滤波窗口。因此，计算该二氧化碳气体浓度初始数据的浓度异常指标与该二氧化碳气体浓度初始数据的浓度变化指标的和值，并将该和值进行归一化得到归一化值，计算1和该归一化值的差值，作为该二氧化碳气体浓度初始数据的滤波窗口调整指标。其中，归一化可以为最大值最小值归一化，也可以为现有其他归一化形式，比如：1-e^-x，x表示浓度异常指标与浓度变化指标的和值。那么，浓度异常指标与浓度变化指标越大，滤波窗口调整指标越小，越需要较小尺寸，或者说较小窗口长度的滤波窗口，以确保能够获取较为准确的去噪后的数据。相对应地，浓度异常指标与浓度变化指标越小，数据越稳定，滤波窗口调整指标越大，可以设置较大窗口长度的滤波窗口。

通过上述过程，可以得到每一个二氧化碳气体浓度初始数据所对应的滤波窗口调整指标。

最后，根据滤波窗口调整指标，得到各二氧化碳气体浓度初始数据所对应的滤波窗口大小。对于任意一个二氧化碳气体浓度初始数据，计算设定正数与对应的滤波窗口调整指标的乘积，其中，设定正数大于一个预设值，具体数值由实际需要进行设置，可以为整数，也可以不是整数，本实施例设定正数以5为例。然后将得到的乘积加1，最后将加1后的数据取整（取整方式可以具体为向上取整），得到的整数为该二氧化碳气体浓度初始数据所对应的滤波窗口大小。采用上述过程，得到各个二氧化碳气体浓度初始数据所对应的滤波窗口大小。

步骤S4：根据各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，对各个二氧化碳气体浓度初始数据进行去噪，得到二氧化碳气体浓度目标数据时序序列：

得到各个二氧化碳气体浓度初始数据所对应的滤波窗口大小之后，对各个二氧化碳气体浓度初始数据进行去噪，得到二氧化碳气体浓度目标数据时序序列。其中，对于任意一个二氧化碳气体浓度初始数据，以该二氧化碳气体浓度初始数据为中心，利用对应的滤波窗口大小采用均值滤波算法进行滤波处理，得到的数据为二氧化碳气体浓度目标数据。因此，每一个二氧化碳气体浓度初始数据均得到一个二氧化碳气体浓度目标数据，所有的二氧化碳气体浓度目标数据按照时序构成二氧化碳气体浓度目标数据时序序列。

应当理解，对于二氧化碳气体浓度初始数据时序序列中的第一个二氧化碳气体浓度初始数据，或者前几个二氧化碳气体浓度初始数据，由于其左侧有可能没有数据或者数据数量不够，若以对应的滤波窗口大小进行滤波时，无法将对应的二氧化碳气体浓度初始数据作为中心，那么，此时可以只计算滤波窗口内的各个二氧化碳气体浓度初始数据的均值，将该均值作为滤波结果；同理，对于二氧化碳气体浓度初始数据时序序列中的最后一个二氧化碳气体浓度初始数据，或者最后几个二氧化碳气体浓度初始数据，也只计算滤波窗口内的各个二氧化碳气体浓度初始数据的均值，将该均值作为滤波结果。

应当理解，还可以采用现有的其他滤波算法，比如中值滤波等等。

步骤S5：根据二氧化碳气体浓度目标数据时序序列对银行仓库进行二氧化碳气体浓度异常判断：

由于二氧化碳气体浓度过高，表征银行仓库内二氧化碳气体浓度异常，因此，预设一个浓度阈值，该预设浓度阈值由实际需要进行设置。将二氧化碳气体浓度目标数据时序序列中的各个数据与预设浓度阈值进行比较，获取其中大于预设浓度阈值的数据，这些数据定义为异常浓度数据。预设有一个数量，以及时间间隔，预设数量和预设时间间隔均由实际需要进行设置。然后，获取得到的异常浓度数据的数量，以及每相邻两个异常浓度数据的时间间隔，将得到的异常浓度数据的数量与预设数量进行比较，并比较每相邻两个异常浓度数据的时间间隔与预设时间间隔，若得到的异常浓度数据的数量超过预设数量，且存在相邻两个异常浓度数据的时间间隔小于预设时间间隔，表征存在多个异常浓度数据，而且也存在时间比较接近的两个异常浓度数据，则二氧化碳气体浓度异常，输出银行仓库报警信号。比如：预设数量为4个，预设时间间隔为4秒，那么，若异常浓度数据的数量为5个，计算这5个异常浓度数据中每相邻的两个异常浓度数据之间的时间间隔，若其中有一个时间间隔小于4秒，则输出银行仓库报警信号。报警信号可以输出至后台，也可以输出至银行仓库内的报警器。

本实施例还提供一种银行仓库内二氧化碳浓度智能管理装置，包括：存储器和处理器。其中，存储器通过总线与处理器连接。存储器用于存储程序指令。处理器用于在程序指令被执行时，执行上述图1所述的银行仓库内二氧化碳浓度智能管理方法。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序可被执行实现上述图1所述的银行仓库内二氧化碳浓度智能管理方法。银行仓库内二氧化碳浓度智能管理方法的具体实现及有效效果，可参见上述，在此不再赘述。

Claims (10)

1.一种银行仓库内二氧化碳浓度智能管理方法，其特征在于，包括：

获取银行仓库内的二氧化碳气体浓度初始数据集合，所述二氧化碳气体浓度初始数据集合包括多个采样时刻的二氧化碳气体浓度初始数据，并按时序获取所述二氧化碳气体浓度初始数据集合所对应的二氧化碳气体浓度初始数据时序序列；

从所述二氧化碳气体浓度初始数据时序序列中获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列；

根据各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小；

根据各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，对各个二氧化碳气体浓度初始数据进行去噪，得到二氧化碳气体浓度目标数据时序序列；

根据二氧化碳气体浓度目标数据时序序列对银行仓库进行二氧化碳气体浓度异常判断。

2.根据权利要求1所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，从所述二氧化碳气体浓度初始数据时序序列中获取各个二氧化碳气体浓度初始数据所对应的关联二氧化碳气体浓度子序列，包括：

对于任意一个二氧化碳气体浓度初始数据，获取所述二氧化碳气体浓度初始数据时序序列中，以该二氧化碳气体浓度初始数据为中心，左右各预设时间长度的二氧化碳气体浓度初始数据，得到该二氧化碳气体浓度初始数据的所述关联二氧化碳气体浓度子序列。

3.根据权利要求1所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，根据各个二氧化碳气体浓度初始数据与其所对应的关联二氧化碳气体浓度子序列的关联情况和差异情况，获取各个二氧化碳气体浓度初始数据所对应的滤波窗口大小，包括：

对于任意一个二氧化碳气体浓度初始数据，采用时间序列分解算法获取该二氧化碳气体浓度初始数据的关联二氧化碳气体浓度子序列的二氧化碳气体浓度残差序列；

根据二氧化碳气体浓度残差序列中数据差异情况，以及所对应的关联二氧化碳气体浓度子序列中数据差异情况，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标；

根据所述滤波窗口调整指标，得到该二氧化碳气体浓度初始数据所对应的滤波窗口大小。

4.根据权利要求3所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，根据二氧化碳气体浓度残差序列中数据差异情况，以及所对应的关联二氧化碳气体浓度子序列中数据差异情况，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标，包括：

获取所述二氧化碳气体浓度残差序列中的二氧化碳气体浓度残差均值、二氧化碳气体浓度残差最大值和二氧化碳气体浓度残差最小值，并计算二氧化碳气体浓度残差最大值和二氧化碳气体浓度残差最小值的差值，得到残差范围值；

对于任意一个二氧化碳气体浓度残差，计算该二氧化碳气体浓度残差与所述二氧化碳气体浓度残差均值的差值绝对值，并计算残差范围值与差值绝对值的商值；计算所有二氧化碳气体浓度残差对应的商值的均值，为该二氧化碳气体浓度初始数据的残差程度指标；

获取该二氧化碳气体浓度初始数据对应的关联二氧化碳气体浓度子序列的方差和均值，得到关联方差和关联均值；计算所述关联方差和所述关联均值的商值，然后乘以残差程度指标，得到该二氧化碳气体浓度初始数据的浓度异常指标；

根据该二氧化碳气体浓度初始数据的浓度异常指标，以及关联二氧化碳气体浓度子序列所对应的差值序列，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标。

5.根据权利要求4所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，关联二氧化碳气体浓度子序列所对应的差值序列的获取过程，包括：

对于关联二氧化碳气体浓度子序列中的第i个数据，设定关联二氧化碳气体浓度子序列中的数据总数量为n，若第i个数据不是第1个数据，则计算第i个数据与第i-1个数据的差值，作为第i个数据的差值特征；若第i个数据是第1个数据，则计算第1个数据与第n个数据的差值，作为第1个数据的差值特征；所有的差值特征构成差值序列。

6.根据权利要求5所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，根据该二氧化碳气体浓度初始数据的浓度异常指标，以及关联二氧化碳气体浓度子序列所对应的差值序列，得到该二氧化碳气体浓度初始数据的滤波窗口调整指标，包括：

对于所述差值序列中的任意一个差值特征对，所述差值特征对由相邻的两个差值特征构成，若该差值特征对中一个为正数，一个为负数，则记录该差值特征对；获取记录得到的差值特征对的数量，并获取记录得到的差值特征对的数量与所述差值序列中的差值特征对的总数量的商值，为该二氧化碳气体浓度初始数据所对应的浓度波动指标；

计算该二氧化碳气体浓度初始数据的残差程度指标与浓度波动指标的乘积，得到浓度变化指标；

计算该二氧化碳气体浓度初始数据的浓度异常指标与浓度变化指标的和值，并归一化得到归一化值，计算1和该归一化值的差值，作为该二氧化碳气体浓度初始数据的滤波窗口调整指标。

7.根据权利要求3所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，根据所述滤波窗口调整指标，得到该二氧化碳气体浓度初始数据所对应的滤波窗口大小，包括：

计算设定正数与所述滤波窗口调整指标的乘积，然后加1处理后取整，得到该二氧化碳气体浓度初始数据所对应的滤波窗口大小。

8.根据权利要求1所述的银行仓库内二氧化碳浓度智能管理方法，其特征在于，根据二氧化碳气体浓度目标数据时序序列对银行仓库进行二氧化碳气体浓度异常判断，包括：

将二氧化碳气体浓度目标数据时序序列中的各个数据与预设浓度阈值进行比较，获取大于所述预设浓度阈值的数据，定义为异常浓度数据，若异常浓度数据的数量超过预设数量，且存在相邻两个异常浓度数据的时间间隔小于预设时间间隔，则输出银行仓库报警信号。

9.一种银行仓库内二氧化碳浓度智能管理装置，其特征在于，包括：存储器及处理器；所述存储器与所述处理器连接；所述存储器，用于存储程序指令；所述处理器，用于在程序指令被执行时，实现权利要求1-8中任一项所述的银行仓库内二氧化碳浓度智能管理方法。

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权利要求1-8中任一项所述的银行仓库内二氧化碳浓度智能管理方法。