CN117931094A - 基于区块链的环境空气监测数据可靠存储方法 - Google Patents
基于区块链的环境空气监测数据可靠存储方法 Download PDFInfo
- Publication number
- CN117931094A CN117931094A CN202410322934.0A CN202410322934A CN117931094A CN 117931094 A CN117931094 A CN 117931094A CN 202410322934 A CN202410322934 A CN 202410322934A CN 117931094 A CN117931094 A CN 117931094A
- Authority
- CN
- China
- Prior art keywords
- data point
- data
- abrupt
- target
- value
- 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
- 239000012080 ambient air Substances 0.000 title claims abstract description 114
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 121
- 230000035772 mutation Effects 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims 5
- 238000012545 processing Methods 0.000 abstract description 7
- 238000000354 decomposition reaction Methods 0.000 description 33
- 239000003570 air Substances 0.000 description 20
- 230000007613 environmental effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000009499 grossing Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电子数字数据处理技术领域,具体涉及基于区块链的环境空气监测数据可靠存储方法。方法包括:获取目标数据曲线上的突变数据点和非突变数据点;根据突变数据点对应的邻域数据点集合,得到第一突变数据点和第二突变数据点;根据预设的邻域参数值,获取每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值和每个第二突变数据点对应的目标邻域参数值;根据目标邻域参数值,得到每个非突变数据点、每个第一突变数据点和每个第二突变数据点对应的趋势项、季节项和残差项,并将趋势项、季节项和残差项存储到区块链中。本发明能够使得存储到区块链中的趋势项、季节项和残差项的可靠性较高。
Description
技术领域
本发明涉及电子数字数据处理技术领域,具体涉及一种基于区块链的环境空气监测数据可靠存储方法。
背景技术
由于环境空气质量会直接影响到人们的呼吸系统和身体健康,因此会对环境空气质量进行持续监测,并且会将监测得到的环境空气中的各项数据的数值状态或者污染源的分布和变化趋势上传到区块链进行存储,以便于人们能够及时的了解到当前空气中各项数据的数值状态以及污染源的分布和变化趋势,从而便于采取相应的措施或者便于制定更加有效的环保政策和规则,因此将可靠的环境空气中的各项数据的数值状态或者污染源的分布和变化趋势上传到区块链中至关重要。
现有技术中一般基于时序分解算法(STL)对监测得到的空气时序数据进行分解处理,将得到的各分解项分别存储到区块链中,即得到的各分解项可以表征空气时序数据的数值状态、分布情况和变化趋势等,但是监测得到的空气时序数据中的短暂且频繁变化的环境数据点或噪声数据点会使得对空气时序数据进行时序分解的结果受到影响,即会使得分解得到的各分解项的可靠性较低,进而导致存储到区块链中的数据的可靠性较低。
发明内容
为了解决上述问题,本发明提供一种基于区块链的环境空气监测数据可靠存储方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于区块链的环境空气监测数据可靠存储方法,包括以下步骤:
获取环境空气监测时间段对应的目标数据曲线;所述目标数据曲线由A个数据点构成,A大于0;
根据所述目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点,得到目标数据曲线上的每个突变数据点和非突变数据点;
获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合,根据所述每个突变数据点对应的邻域数据点集合中的数据点,得到目标数据曲线上的第一突变数据点和第二突变数据点;
获取预设的邻域参数值,根据所述预设的邻域参数值,分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值;
根据所述目标邻域参数值,得到所述目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项;将所述趋势项、季节项和残差项存储到区块链中。
优选地,获取环境空气监测时间段对应的目标数据曲线的方法,包括:
获取目标地区在环境空气监测时间段中的各初始环境空气数据以及各初始环境空气数据对应的采集时间;
根据时间的先后顺序对环境空气监测时间段中的各初始环境空气数据进行排序,将排序后的序列记为环境空气监测时间段对应的初始环境空气数据序列;
对所述初始环境空气数据序列进行预处理,将预处理之后的初始环境空气数据序列记为目标环境空气数据序列,将预处理之后的初始环境空气数据序列中的每个初始环境空气数据记为目标环境空气数据;
根据所述目标环境空气数据序列中的各目标环境空气数据以及各目标环境空气数据对应的初始环境空气数据的采集时间,绘制所述目标环境空气数据序列对应的数据曲线,并记为环境空气监测时间段对应的目标数据曲线;所述目标数据曲线上的所有数据点的纵坐标值为目标环境空气数据、横坐标值为采集对应目标环境空气数据对应的初始环境空气数据时的时间。
优选地,得到目标数据曲线上的每个突变数据点和非突变数据点的方法,包括:
将所述目标数据曲线上与各数据点相邻的两个数据点,分别记为目标数据曲线上的各数据点对应的第一邻域数据点和第二邻域数据点;所述各数据点对应的第一邻域数据点的横坐标值小于其对应的第二邻域数据点的横坐标值;
对于目标数据曲线上的任一数据点:
将该数据点的纵坐标值与其对应的第一邻域数据点的纵坐标值之间的差值,记为该数据点对应的第一差异值;
将该数据点对应的第二邻域数据点的纵坐标值与该数据点的纵坐标值之间的差值,记为该数据点对应的第二差异值;
将该数据点对应的第二差异值与其对应的第一差异值之间的差值,记为该数据点对应的第一初始变化特征值;
将该数据点对应的第一邻域数据点对应的纵坐标值与其对应的第二邻域数据点的纵坐标值的均值,记为该数据点对应的邻域中间值;
将该数据点的纵坐标值与其对应的邻域中间值之间的差值的绝对值,记为该数据点对应的第二初始变化特征值;
对该数据点对应的第一初始变化特征值和第二初始变化特征值进行归一化处理,将归一化处理后的该数据点对应的第一初始变化特征值与第一权重进行相乘的值,记为该数据点对应的第一目标变化特征值,将归一化处理后的该数据点对应的第二初始变化特征值与第二权重进行相乘的值,记为该数据点对应的第二目标变化特征值;
将该数据点对应的第一目标变化特征值与其对应的第二目标变化特征值进行相加的值,记为该环境空气数据对应的突变评估值;
判断目标数据曲线上的每个数据点对应的突变评估值是否大于预设突变评估阈值,若是,则将对应的数据点记为突变数据点,否则,则将对应的数据点记为非突变数据点。
优选地,获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合的方法,包括:
在目标数据曲线上将位于各突变数据点后面的连续预设第一数量个数据点构建的数据点集合,记为对应突变数据点对应的邻域数据点集合。
优选地,得到目标数据曲线上的第一突变数据点和第二突变数据点的方法,包括:
对于目标数据曲线上的任一突变数据点:
将该突变数据点对应的邻域数据点集合中的最大纵坐标值对应的数据点以及最小纵坐标值对应的数据点,分别记为该突变数据点对应的第一数据点和第二数据点;
将该突变数据点对应的邻域数据点集合中的突变数据点的数量与其对应的邻域数据点集合中的数据点的总数量的比值,记为该突变数据点对应的第一初始评估值;
对该突变数据点对应的第一数据点对应的纵坐标值与其对应的第二数据点对应的纵坐标值之间的差值进行负相关映射,将负相关映射之后的值,记为该突变数据点对应的第二初始评估值;
将第三权重与该突变数据点对应的第一初始评估值进行相乘得到的值,记为该突变数据点对应的第一目标评估值,将第四权重与该突变数据点对应的第二初始评估值进行相乘得到的值,记为该突变数据点对应的第二目标评估值;
将该突变数据点对应的第一目标评估值与其对应的第二目标评估值进行相加后得到的值,记为该突变数据点对应的噪声评估值;
判断目标数据曲线上的每个突变数据点对应的噪声评估值是否大于等于噪声评估阈值,若是,则将对应的突变数据点记为第二突变数据点,否则,则将对应的突变数据点记为第一突变数据点。
优选地,获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值的方法,包括:
将预设的邻域参数值记为目标数据曲线上的所有非突变数据点对应的目标邻域参数值。
优选地,获取每个第一突变数据点对应的目标邻域参数值的方法,包括:
获取调整阈值;
将预设的邻域参数值与调整阈值进行相加的值,记为目标数据曲线上的所有第二突变数据点对应的目标邻域参数值。
优选地,获取每个第二突变数据点对应的目标邻域参数值的方法,包括:
将目标数据曲线上的任意两个相邻数据点之间的横坐标值的差值的绝对值,记为特征差值;
对于目标数据曲线上的任一第一突变数据点:
在目标数据曲线上获取位于该第一突变数据点后面的连续预设第二数量个数据点构建的数据点序列,并记为该第一突变数据点对应的邻域数据点序列;
获取该第一突变数据点对应的邻域数据点序列中的所有相邻的两个数据点形成的向量所构建的向量集合,并记为该第一突变数据点对应的邻域数据点序列对应的向量集合;
获取所述向量集合中的每个向量与所述目标数据曲线所处的二维空间中的横坐标轴之间的夹角,并记为对应向量对应的夹角;
将所述向量集合中的所有向量对应的夹角的均值,记为平均夹角;将所述特征差值与平均夹角的余弦值的比值记为该第一突变数据点对应的邻域数据点序列的邻域半径;
获取邻域密度阈值;
根据邻域密度阈值、该第一突变数据点对应的邻域数据点序列的邻域半径以及该第一突变数据点对应的邻域数据点序列中的任意两个数据点之间的距离,对该第一突变数据点对应的邻域数据点序列中的所有数据点进行密度聚类,并将统计得到的聚类簇的数量,记为该第一突变数据点对应的邻域数据点序列的表征值;
将所述表征值先与自然常数1进行相减,将相减得到的值再与该第一突变数据点对应的邻域数据点序列中的数据点的总数量进行相除,再将相除得到的值与调整阈值进行相乘,将相乘得到值向下取整,将向下取整之后的值记为该第一突变数据点对应的调整值;
将预设的邻域参数值与该第一突变数据点对应的调整值进行相减得到的值,记为该第一突变数据点对应的目标邻域参数值。
有益效果:本发明首先获取环境空气监测时间段对应的目标数据曲线;并根据目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点,得到目标数据曲线上的每个突变数据点和非突变数据点;之后根据每个突变数据点对应的邻域数据点集合中的数据点,得到目标数据曲线上的第一突变数据点和第二突变数据点;然后根据预设的邻域参数值,分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值;最后根据目标邻域参数值,得到目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项,并将趋势项、季节项和残差项存储到区块链中。本发明能够得到可靠的趋势项、季节项和残差项,进而使得存储到区块链中的趋势项、季节项和残差项的可靠性较高。
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为本发明一种基于区块链的环境空气监测数据可靠存储方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了一种基于区块链的环境空气监测数据可靠存储方法,详细说明如下:
如图1所示,该基于区块链的环境空气监测数据可靠存储方法,包括以下步骤:
步骤S001,获取环境空气监测时间段对应的目标数据曲线。
本实施例的主要目的是对目标数据曲线进行准确的时序分解,得到准确且可靠的季节项、趋势项以及残差项,并将得到的准确且可靠的季节项、趋势项以及残差项上传到区块链中进行存储,以便于人们能够及时的了解到当前空气中各项数据的数值状态以及污染源的分布和变化趋势,从而便于采取相应的措施或者便于制定更加有效的环保政策和规则。
本实施例首先利用监测设备采集目标地区在环境空气监测时间段中的各初始环境空气数据以及各初始环境空气数据对应的采集时间;本实施例是以一种类型的初始环境空气数据为例进行分析,例如本实施例后续进行分析或者处理的初始环境空气数据均是指的悬浮颗粒浓度,因此本实施例获取的空气监测时间段中的各初始环境空气数据均是指悬浮颗粒浓度。
作为其它的实施方式,初始环境空气数据也可以是PM2.5、PM10、SO2浓度、CO浓度、CO2浓度、臭氧浓度等,而且其它类型的环境空气数据均与悬浮颗粒浓度的分析或者处理方法均相同。
本实施例中的监测设备包括空气质量监测站和便携式空气质量检测仪等,且本实施例在获取目标地区的初始环境空气数据时,会在目标地区布设多个监测点,监测点的范围需要覆盖整个目标地区,而且一个监测时刻对应的初始环境空气数据为目标地区所有监测点的均值,例如目标地区在环境空气监测时间段中的第a个监测时刻对应的悬浮颗粒浓度为目标地区中的所有监测点在监测时间段中的第a个监测时刻所检测到的悬浮颗粒浓度的均值。
具体应用中,需要根据实际情况设置目标地区和环境空气监测时间段的时间长度,例如目标地区可以设置为任意一座城市、任意一个县、任意一个居民小区或者任意一个工业区等,可以将环境空气监测时间段的时间长度设置为1小时、3个小时或者6个小时等,而本实施例将目标地区设置为任意一个居民小区、将环境空气监测时间段的时间长度设置为1小时。
然后根据时间的先后顺序对环境空气监测时间段中的各初始环境空气数据进行排序,将排序后的序列记为环境空气监测时间段对应的初始环境空气数据序列;且具体应用中,需要根据实际情况设置初始环境空气数据序列中相邻的两个初始环境空气数据之间的采集时间间隔,例如可以将相邻的两个监测时刻之间的时间间隔均设置为1秒或者2秒等,而本实施例将初始环境空气数据序列中相邻的两个初始环境空气数据之间的采集时间间隔均设置为1秒。
为了后续分析的准确性和可靠性,本实施例对得到的初始环境空气数据序列进行预处理,将预处理之后的初始环境空气数据序列,记为目标环境空气数据序列;将预处理之后的初始环境空气数据序列中的每个初始环境空气数据记为目标环境空气数据,即得到了目标环境空气数据序列以及目标环境空气数据序列中的每个目标环境空气数据。
本实施例中的对初始环境空气数据序列进行预处理包括数据清洗、数据转换、数据标准化;数据清洗是指检查收集的数据是否存在错误或缺失值,如果有需要进行适当的处理,例如可以通过插值方法填充缺失值或者删除包含错误的数据记录;数据转换是指将初始数据转换为适合分析的格式;数据标准化是指对数据进行标准化处理,以消除不同参数之间的量纲影响;由于数据清洗、数据转换、数据标准化的具体过程为公知技术,因此本实施例不再详细描述。
紧接着根据目标环境空气数据序列中的各目标环境空气数据以及各目标环境空气数据对应的初始环境空气数据的采集时间,绘制目标环境空气数据序列对应的数据曲线,并记为环境空气监测时间段对应的目标数据曲线,且目标数据曲线上的数据点的数量A与目标环境空气数据序列中的目标环境空气数据的数量相等;并且目标数据曲线上的所有数据点的纵坐标值为目标环境空气数据、横坐标值为采集对应目标环境空气数据对应的初始环境空气数据时的时间,且本实施例中目标数据曲线上的相邻两个数据点之间的横坐标之间的距离均相等。
步骤S002,根据所述目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点,得到目标数据曲线上的每个突变数据点和非突变数据点。
紧接着本实施例将通过对上述得到的目标数据曲线进行分析,得到目标环境数据曲线上的每个突变数据和非突变数据,由于突变数据通常具有变化突增、突降或者局部极值的特征,且突变数据为目标数据曲线上出现变化异常的数据点的可能性较大,而这类数据点又是具有重要趋势变化的数据点,所以对于这类数据点,在后续进行时序分解时,需要进行细节的放大,使得能够得到更加可靠且准确的分解项;即获取目标数据曲线上的每个突变数据和非突变数据的目的是因为突变数据可以反映当前监测的环境空气数据的重要趋势走向,对后续的分解意义重大;因此本实施例中得到目标数据曲线上的每个突变数据和非突变数据的具体过程为:
获取目标数据曲线上与各数据点相邻的两个数据点,并分别记为目标数据曲线上的各数据点对应的第一邻域数据点和第二邻域数据点;且各数据点对应的第一邻域数据点在时间上位于其对应的第二邻域数据点的前面,即各数据点对应的第一邻域数据点的横坐标值小于其对应的第二邻域数据点的横坐标值。
对于目标数据曲线上的任一数据点将该数据点的纵坐标值与其对应的第一邻域数据点的纵坐标值之间的差值,记为该数据点对应的第一差异值;将该数据点对应的第二邻域数据点的纵坐标值与该数据点的纵坐标值之间的差值,记为该数据点对应的第二差异值;将该数据点对应的第二差异值与其对应的第一差异值之间的差值,记为该数据点对应的第一初始变化特征值;将该数据点对应的第一邻域数据点对应的纵坐标值与其对应的第二邻域数据点的纵坐标值的均值,记为该数据点对应的邻域中间值;将该数据点的纵坐标值与其对应的邻域中间值之间的差值的绝对值,记为该数据点对应的第二初始变化特征值;对该数据点对应的第一初始变化特征值和第二初始变化特征值进行归一化处理,将归一化处理后的该数据点对应的第一初始变化特征值与第一权重进行相乘的值,记为该数据点对应的第一目标变化特征值,将归一化处理后的该数据点对应的第二初始变化特征值与第二权重进行相乘的值,记为该数据点对应的第二目标变化特征值;将该数据点对应的第一目标变化特征值与其对应的第二目标变化特征值进行相加的值,记为该环境空气数据对应的突变评估值;根据如下公式计算该环境空气数据对应的突变评估值:
其中,为目标数据曲线上的第i个数据点对应的突变评估值,/>为第一权重,/>为目标数据曲线上的第i个数据点对应的纵坐标值,/>为目标数据曲线上的第i-1个数据点对应的纵坐标值,/>为目标数据曲线上的第个数据点对应的纵坐标值,Norm()为归一化函数,/>为第二权重。
另外,当的值以及/>的值越大时,/>的值越大,反之当/>的值以及/>的值越小时,/>的值越小;而/>的值越小,表明目标数据曲线上的第i个数据点为突变数据点的可能性越小,反之的值越大,表明目标数据曲线上的第i个数据点为突变数据点的可能性越大。当的值越小时,表明第i个数据点变化越稳定,即第i个数据点与其前后相邻的数据点差异越小,反之当/>的值越大时,表明第i个数据点变化越不稳定,即第i个数据点与其前后相邻的数据点差异越大;当的值越小时,表明第i个数据点变化越稳定,反之越不稳定。
具体应用中,需要根据实际情况设置第一权重和第二权重的值,本实施例将第一权重和第二权重的值分别设置为0.6和0.4。
因此通过上述过程得到了目标数据曲线上的每个数据点对应的突变评估值,并判断目标数据曲线上的每个数据点对应的突变评估值是否大于预设突变评估阈值,若是,则判定对应数据点变化越不稳定,并将对应的数据点记为突变数据点,否则,则判定对应数据点变化越稳定,并将对应的数据点记为非突变数据点。且具体应用中,需要根据实际情况设置预设突变评估阈值,本实施例将预设突变评估阈值设置为0.7。
至此,得到了目标数据曲线上的每个突变数据点和非突变数据点。
步骤S003,获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合,根据所述每个突变数据点对应的邻域数据点集合中的数据点,得到目标数据曲线上的第一突变数据点和第二突变数据点。
接下来本实施例将进一步对突变数据点进行分析,因为上述得到的突变数据中可能包含噪声数据点,而噪声数据点在后续进行拟合分解时会对拟合分解的结果造成影响,即可能使得拟合分解时得到的分解项的可靠性以及准确性较低,为了保证后续进行拟合分解的可靠性以及准确性,后续在进行时序分解是会削弱噪声数据点带来的影响,但是需要保留具有重要趋势变化的数据点的变化特征;又因为对于噪声数据点来说,其具有起伏随机多变且相邻较近的监测时间范围内的数据变化较小的特征,而对于代表重要趋势变化的数据点来说,则其具有在较近时间范围内的数据变化基本为长时间突增或突降,且数据值相对较大的特点,因此接下来本实施例将基于噪声数据点以及重要趋势变化的数据点之间的区别特征,对突变数据点进行进一步的区分,得到突变数据点中的噪声数据点以及具有重要趋势变化的数据点,即得到第一突变数据点和第二突变数据点,具体为:
在目标数据曲线上获取位于各突变数据点后面的连续预设第一数量个数据点,并将在目标数据曲线上获取的位于各突变数据点后面的连续预设数量个数据点构建的集合,记为目标数据曲线上的各突变数据点对应的邻域数据点集合;具体应用中,需要根据实际情况设置预设第一数量的值,例如可以将预设第一数量的值设置为5;即若目标数据曲线上的第a个数据点为突变数据点,则该突变数据点对应的邻域数据点集合是由目标数据曲线上的第a+1个数据点到第a+5个数据点之间的所有数据点构成的,且包括第a+1个数据点和第a+5个数据点。
对于目标数据曲线上的任一突变数据点:获取该突变数据点对应的邻域数据点集合中的最大纵坐标值对应的数据点以及最小纵坐标值对应的数据点,并分别将最大纵坐标值对应的数据点记为该突变数据点对应的第一数据点,将最小纵坐标值对应的数据点记为该突变数据点对应的第二数据点;将该突变数据点对应的邻域数据点集合中的突变数据点的数量与其对应的邻域数据点集合中的数据点的总数量的比值,记为该突变数据点对应的第一初始评估值;对该突变数据点对应的第一数据点对应的纵坐标值与其对应的第二数据点对应的纵坐标值之间的差值进行负相关映射,将负相关映射之后的值,记为该突变数据点对应的第二初始评估值;将第三权重与该突变数据点对应的第一初始评估值进行相乘得到的值,记为该突变数据点对应的第一目标评估值,将第四权重与该突变数据点对应的第二初始评估值进行相乘得到的值,记为该突变数据点对应的第二目标评估值;将该突变数据点对应的第一目标评估值与其对应的第二目标评估值进行相加后得到的值,记为该突变数据点对应的噪声评估值;根据如下公式计算该突变数据点对应的噪声评估值:
其中,为该突变数据点对应的噪声评估值,/>为第三权重,/>为该突变数据点对应的邻域数据点集合中的数据点的总数量,/>为该突变数据点对应的邻域数据点集合中的突变数据点的总数量,/>为第四权重,/>为该突变数据点对应的邻域数据点集合中的所有数据点中的最大纵坐标值,即也是该突变数据点对应的第一数据点对应的纵坐标值,/>为该突变数据点对应的邻域数据点集合中的所有数据点中的最小纵坐标值,即也是该突变数据点对应的第二数据点对应的纵坐标值,exp()为以自然常数e为底的指数函数。
另外,当越大时,表明该突变数据点为噪声数据点的概率越大,反之当/>越小时,表明该突变数据点为噪声数据点的概率越小,即表明该突变数据点是具有重要趋势变化的数据点的概率越大;且当/>的值越大时,表明该突变数据点为噪声数据点的概率越大,即该突变数据点的噪声特征越明显,反之当/>的值越小时,表明该突变数据点是具有重要趋势变化的数据点的概率越大,即该突变数据点的噪声特征越不明显;由于噪声数据点的邻域范围内的数据点的纵坐标值的变化范围不高,所以当/>的值越小时,表明该突变数据点为噪声数据点的概率越大,即该突变数据点的噪声特征越明显,反之当的值越大时,表明该突变数据点是具有重要趋势变化的数据点的概率越大,即该突变数据点的噪声特征越不明显;即当/>的值越大、/>的值越小时,/>越大。
具体应用中,需要根据实际情况设置第三权重和第四权重的值,例如本实施例可以将第三权重和第四权重的值分别设置为0.7和0.3。
因此通过上述过程得到了目标数据曲线上的每个突变数据对应的噪声评估值,紧接着判断目标数据曲线上的每个突变数据点对应的噪声评估值是否大于等于噪声评估阈值,若是,则判定对应的突变数据点为噪声数据点,且并将对应的突变数据点记为第二突变数据点,否则,则判定对应的突变数据点是具有重要趋势变化的数据点,并将对应的突变数据点记为第一突变数据点。
具体应用中,需要根据实际情况设置噪声评估阈值,例如本实施例将噪声评估阈值设置为0.8。
至此,本实施例得到了目标数据曲线上的各一突变数据点和各二突变数据点。
步骤S004,获取预设的邻域参数值,根据所述预设的邻域参数值,分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值;根据所述目标邻域参数值,得到所述目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项;将所述趋势项、季节项和残差项存储到区块链中。
由于对监测得到的环境空气数据进行时序分解,得到的趋势项、季节项以及残差项能表征数值状态或者污染源的分布和变化趋势,所以后续本实施例将对监测得到的环境空气数据进行时序分解,但是由于噪声数据点会影响时序分解的结果,即噪声数据点会影响时序分解过程中的局部加权回归,所以在进行时序分解时需要减小甚至排除噪声数据点对时序分解的影响,使得STL算法更关注于真实变化趋势,得到更加准确的分解项,即在进行时序分解的过程中,要对噪声数据点(第二突变数据)进行局部加权回归拟合时的平滑处理,减小噪声数据点对于拟合曲线的影响,进而使得分解效果更好,而且在时序分解时还需要避免具有重要趋势变化的数据点(第一突变数据)被过分解;由于在基于STL算法进行时序分解时,存在局部加权回归平滑处理的步骤,因此本实施例主要通过调整局部加权回归平滑处理时的邻域参数,来实现对噪声数据点进行拟合时的平滑处理,并避免具有重要趋势变化的数据点被过分解的目的,进而使得进行时序分解得到的各分解项更加可靠,也使得存储到区块链中的趋势项、季节项和残差项也更加可靠;因此本实施例将获取每个数据点的目标标邻域参数值,并基于目标邻域参数值,得到目标数据曲线上的各数据点对应的趋势项、季节项和残差项,具体过程为:
首先获取预设的邻域参数阈值,所述预设的邻域参数阈值主要是指局部加权回归平滑时的邻域参数,且邻域参数是拟合时对于当前数据点的待观测参考窗口宽度;而且当邻域参数值越大时,表示拟合时参考的后续数据点越多,最终得到的局部拟合效果也越平滑,反之当邻域参数值越小时,表示拟合时参考的后续数据点越少,越能反映当前局部的细节趋势变化;且能够使用交叉验证法或ACF图像来获取局部加权回归平滑处理的预设的邻域参数阈值。
本实施例首先将预设的邻域参数值记为目标数据曲线上的所有非突变数据点对应的目标邻域参数值;因此得到了目标数据曲线上的所有非突变数据点对应的目标邻域参数值。
对于噪声数据点(第二突变数据)来说,本实施例将通过调大噪声数据点(第二突变数据)的邻域参数值,来减小其对于拟合曲线的影响,具体为:获取调整阈值,将预设的邻域参数值与调整阈值进行相加的值,记为目标数据曲线上的所有第二突变数据点对应的目标邻域参数值;且在时序分解的过程中,第二突变数据不存在被过分解的问题;因此通过上述过程得到了目标数据曲线上的所有第二突变数据点对应的目标邻域参数值。
具体应用中,需要根据实际情况设置调整阈值,例如本实施例将调整阈值/>的值设置为3。
对于第一突变数据点(具有重要趋势变化的数据点)来说,为了细化重要趋势变化,本实施例将通过调小具有重要趋势变化的数据点的邻域参数值,来实现细化重要趋势变化的目的,但是为了避免设置的邻域参数过小导致局部重要趋势变化被过分解的问题,本实施例将通过分析每个第一突变数据点的邻域范围的特征,来获取合适的邻域参数值,使得后续分解时不仅能够细化重要趋势变化,还能避免被过分解的目的;具体为:
由于本实施例中目标数据曲线上的相邻两个数据点之间的横坐标差值均相等,为了后续获取到第一突变数据点的目标邻域参数值,本实施例将目标数据曲线上的任意两个相邻数据点之间的横坐标值的差值的绝对值,记为特征差值。
对于目标数据曲线上的任一第一突变数据点:
在目标数据曲线上获取位于该第一突变数据点后面的连续预设第二数量个数据点构建的数据点序列,并记为该第一突变数据点对应的邻域数据点序列,且所述邻域数据点序列中的数据点是按照时间的先后顺序排列的,即是按照横坐标值从小到大的顺序排列的;且具体应用中,需要根据实际情况设置预设第二数量的值,例如本实施例可以将预设第二数量的值设置为5或者10。
对于目标数据曲线所在的二维空间,获取该第一突变数据点对应的邻域数据点序列中的所有相邻的两个数据点形成的向量所构建的向量集合,并记为该第一突变数据点对应的邻域数据点序列对应的向量集合,然后获取向量集合中的每个向量与目标数据曲线所在的二维空间中的横坐标轴之间的夹角,并记为对应向量对应的夹角;将向量集合中的所有向量对应的夹角的均值,记为平均夹角;然后计算得到平均夹角的余弦值,并将特征差值与平均夹角的余弦值的比值记为该第一突变数据点对应的邻域数据点序列的邻域半径,且邻域数据点序列对应的向量集合中的第j个向量为对应邻域数据点序列中的第j-1个数据点到第j个数据点形成的向量;根据如下公式计算该第一突变数据点对应的邻域数据点序列的邻域半径:
其中,为该第一突变数据点对应的邻域数据点序列的邻域半径,/>为该第一突变数据点对应的邻域数据点序列对应的向量集合中的向量的数量,/>为该第一突变数据点对应的邻域数据点序列对应的向量集合中的第j个向量与目标数据曲线所在的二维空间中的横坐标轴之间的夹角,COS()为余弦函数。
另外,当越大时,/>的值越小,当/>越小时,/>的值越大;/>越小,表明该第一突变数据点对应的邻域数据点序列内的数据点变化趋势单一,即变化程度较小,此时需要设置相对来说较大的邻域半径,才能使得聚类的结果更好;/>越大,表明该第一突变数据点对应的邻域数据点序列内的数据点变化趋势越复杂,此时需要设置相对来说较小的邻域半径,才能使得聚类的结果更好。
然后获取邻域密度阈值,所述该第一突变数据点对应的邻域数据点序列的邻域半径和邻域密度阈值均是DBSCAN聚类算法的邻域密度阈值和邻域半径,所述邻域密度阈值是指DBSCAN聚类算法中邻域半径内的最少数据点数量,而且基于上述得到的邻域半径进行聚类能够使得对该第一突变数据点对应的邻域数据点序列中的所有数据点进行聚类的结果更可靠;具体应用中,需要根据实际情况设置邻域密度阈值,例如本实施例将邻域密度阈值的值设置为1。
然后根据邻域密度阈值、该第一突变数据点对应的邻域数据点序列的邻域半径以及该第一突变数据点对应的邻域数据点序列中的任意两个数据点之间的距离,对该第一突变数据点对应的邻域数据点序列中的所有数据点进行密度聚类,得到各聚类簇,并将统计得到的聚类簇的数量,记为该第一突变数据点对应的邻域数据点序列的表征值;将该第一突变数据点对应的邻域数据点序列的表征值先与自然常数1进行相减,将相减得到的值再与该第一突变数据点对应的邻域数据点序列中的数据点的总数量进行相除,再将相除得到的值与调整阈值进行相乘,将相乘得到值向下取整,将向下取整之后的值记为该第一突变数据点对应的调整值;将预设的邻域参数值与该第一突变数据点对应的调整值进行相减得到的值,记为该第一突变数据点对应的目标邻域参数值;根据如下公式计算该第一突变数据点对应的目标邻域参数值:
其中,为该第一突变数据点对应的目标邻域参数值,/>为预设的邻域参数值,/>为该第一突变数据点对应的邻域数据点序列的表征值,即/>为对该第一突变数据点对应的邻域数据点序列中的所有数据点进行聚类所得到的聚类簇的数量,/>为该第一突变数据点对应的邻域数据点序列中的数据点的总数量,/>为向下取整符号。
当越大时,/>的值越大,/>的越小;反之当/>越小时,/>的值越小,/>的越大;而当/>越大,表明该第一突变数据点对应的邻域数据点序列中的数据点变化趋势越复杂,而当/>越小,表明该第一突变数据点对应的邻域数据点序列中的数据点变化趋势较单一,因此本实施例基于/>来获取该第一突变数据点对应的目标邻域参数值,能够使得后续进行时序分解时细化重要趋势变化的同时也不会被过分解,即使得分解效果更好更准确。
至此,得到了目标数据曲线上的所有第一突变数据点对应的目标邻域参数值、所有第二突变数据点对应的目标邻域参数值以及所有非突变数据点对应的目标邻域参数值;即得到了目标数据曲线上的所有数据点对应的目标邻域参数值。
最后根据STL算法以及目标空气数据曲线上的所有数据点对应的目标邻域参数值,得到目标空气数据曲线上的所有数据点对应的趋势项、季节项和残差项,将得到的趋势项、季节项和残差项存储到区块链中,且基于所有数据点对应的目标邻域参数值,得到的所有数据点对应的趋势项、季节项和残差项更加可靠,进而存储到区块链中的数据也更加可靠。
而且区块链可以保证上传到区块链的数据无法被修改或删除,即对在区块链上存储的任何数据进行修改都会留下痕迹,进而能够保证数据的真实性和安全性,同时区块链上数据或者交易均为公开的,因此增加了数据的透明度,有助于增强公众对空气质量信息的信任;另外区块链的去中心化特性可以使得数据的存储和管理不再依赖单一的机构,降低单点故障的风险,因此将得到的可靠的趋势项、季节项和残差项存储到区块链进行可靠的存储,能够提高区块链中存储的数据的可信度和可靠性。
本实施例首先获取环境空气监测时间段对应的目标数据曲线;并根据目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点,得到目标数据曲线上的每个突变数据点和非突变数据点;之后根据每个突变数据点对应的邻域数据点集合中的数据点,得到目标数据曲线上的第一突变数据点和第二突变数据点;然后根据预设的邻域参数值,分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值;最后根据目标邻域参数值,得到目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项,并将趋势项、季节项和残差项存储到区块链中。本实施例能够得到可靠的趋势项、季节项和残差项,进而使得存储到区块链中的趋势项、季节项和残差项的可靠性较高。
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精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于区块链的环境空气监测数据可靠存储方法,其特征在于,该方法包括如下步骤:
获取环境空气监测时间段对应的目标数据曲线;所述目标数据曲线由A个数据点构成,A大于0;
根据所述目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点,得到目标数据曲线上的每个突变数据点和非突变数据点;
获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合,根据所述每个突变数据点对应的邻域数据点集合中的数据点,得到目标数据曲线上的第一突变数据点和第二突变数据点;
获取预设的邻域参数值,根据所述预设的邻域参数值,分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值;
根据所述目标邻域参数值,得到所述目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项;将所述趋势项、季节项和残差项存储到区块链中。
2.如权利要求1所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,获取环境空气监测时间段对应的目标数据曲线的方法,包括:
获取目标地区在环境空气监测时间段中的各初始环境空气数据以及各初始环境空气数据对应的采集时间;
根据时间的先后顺序对环境空气监测时间段中的各初始环境空气数据进行排序,将排序后的序列记为环境空气监测时间段对应的初始环境空气数据序列;
对所述初始环境空气数据序列进行预处理,将预处理之后的初始环境空气数据序列记为目标环境空气数据序列,将预处理之后的初始环境空气数据序列中的每个初始环境空气数据记为目标环境空气数据;
根据所述目标环境空气数据序列中的各目标环境空气数据以及各目标环境空气数据对应的初始环境空气数据的采集时间,绘制所述目标环境空气数据序列对应的数据曲线,并记为环境空气监测时间段对应的目标数据曲线;所述目标数据曲线上的所有数据点的纵坐标值为目标环境空气数据、横坐标值为采集对应目标环境空气数据对应的初始环境空气数据时的时间。
3.如权利要求2所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,得到目标数据曲线上的每个突变数据点和非突变数据点的方法,包括:
将所述目标数据曲线上与各数据点相邻的两个数据点,分别记为目标数据曲线上的各数据点对应的第一邻域数据点和第二邻域数据点;所述各数据点对应的第一邻域数据点的横坐标值小于其对应的第二邻域数据点的横坐标值;
对于目标数据曲线上的任一数据点:
将该数据点的纵坐标值与其对应的第一邻域数据点的纵坐标值之间的差值,记为该数据点对应的第一差异值;
将该数据点对应的第二邻域数据点的纵坐标值与该数据点的纵坐标值之间的差值,记为该数据点对应的第二差异值;
将该数据点对应的第二差异值与其对应的第一差异值之间的差值,记为该数据点对应的第一初始变化特征值;
将该数据点对应的第一邻域数据点对应的纵坐标值与其对应的第二邻域数据点的纵坐标值的均值,记为该数据点对应的邻域中间值;
将该数据点的纵坐标值与其对应的邻域中间值之间的差值的绝对值,记为该数据点对应的第二初始变化特征值;
对该数据点对应的第一初始变化特征值和第二初始变化特征值进行归一化处理,将归一化处理后的该数据点对应的第一初始变化特征值与第一权重进行相乘的值,记为该数据点对应的第一目标变化特征值,将归一化处理后的该数据点对应的第二初始变化特征值与第二权重进行相乘的值,记为该数据点对应的第二目标变化特征值;
将该数据点对应的第一目标变化特征值与其对应的第二目标变化特征值进行相加的值,记为该环境空气数据对应的突变评估值;
判断目标数据曲线上的每个数据点对应的突变评估值是否大于预设突变评估阈值,若是,则将对应的数据点记为突变数据点,否则,则将对应的数据点记为非突变数据点。
4.如权利要求1所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合的方法,包括:
在目标数据曲线上将位于各突变数据点后面的连续预设第一数量个数据点构建的数据点集合,记为对应突变数据点对应的邻域数据点集合。
5.如权利要求1所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,得到目标数据曲线上的第一突变数据点和第二突变数据点的方法,包括:
对于目标数据曲线上的任一突变数据点:
将该突变数据点对应的邻域数据点集合中的最大纵坐标值对应的数据点以及最小纵坐标值对应的数据点,分别记为该突变数据点对应的第一数据点和第二数据点;
将该突变数据点对应的邻域数据点集合中的突变数据点的数量与其对应的邻域数据点集合中的数据点的总数量的比值,记为该突变数据点对应的第一初始评估值;
对该突变数据点对应的第一数据点对应的纵坐标值与其对应的第二数据点对应的纵坐标值之间的差值进行负相关映射,将负相关映射之后的值,记为该突变数据点对应的第二初始评估值;
将第三权重与该突变数据点对应的第一初始评估值进行相乘得到的值,记为该突变数据点对应的第一目标评估值,将第四权重与该突变数据点对应的第二初始评估值进行相乘得到的值,记为该突变数据点对应的第二目标评估值;
将该突变数据点对应的第一目标评估值与其对应的第二目标评估值进行相加后得到的值,记为该突变数据点对应的噪声评估值;
判断目标数据曲线上的每个突变数据点对应的噪声评估值是否大于等于噪声评估阈值,若是,则将对应的突变数据点记为第二突变数据点,否则,则将对应的突变数据点记为第一突变数据点。
6.如权利要求1所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值的方法,包括:
将预设的邻域参数值记为目标数据曲线上的所有非突变数据点对应的目标邻域参数值。
7.如权利要求1所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,获取每个第一突变数据点对应的目标邻域参数值的方法,包括:
获取调整阈值;
将预设的邻域参数值与调整阈值进行相加的值,记为目标数据曲线上的所有第二突变数据点对应的目标邻域参数值。
8.如权利要求7所述的基于区块链的环境空气监测数据可靠存储方法,其特征在于,获取每个第二突变数据点对应的目标邻域参数值的方法,包括:
将目标数据曲线上的任意两个相邻数据点之间的横坐标值的差值的绝对值,记为特征差值;
对于目标数据曲线上的任一第一突变数据点:
在目标数据曲线上获取位于该第一突变数据点后面的连续预设第二数量个数据点构建的数据点序列,并记为该第一突变数据点对应的邻域数据点序列;
获取该第一突变数据点对应的邻域数据点序列中的所有相邻的两个数据点形成的向量所构建的向量集合,并记为该第一突变数据点对应的邻域数据点序列对应的向量集合;
获取所述向量集合中的每个向量与所述目标数据曲线所处的二维空间中的横坐标轴之间的夹角,并记为对应向量对应的夹角;
将所述向量集合中的所有向量对应的夹角的均值,记为平均夹角;将所述特征差值与平均夹角的余弦值的比值记为该第一突变数据点对应的邻域数据点序列的邻域半径;
获取邻域密度阈值;
根据邻域密度阈值、该第一突变数据点对应的邻域数据点序列的邻域半径以及该第一突变数据点对应的邻域数据点序列中的任意两个数据点之间的距离,对该第一突变数据点对应的邻域数据点序列中的所有数据点进行密度聚类,并将统计得到的聚类簇的数量,记为该第一突变数据点对应的邻域数据点序列的表征值;
将所述表征值先与自然常数1进行相减,将相减得到的值再与该第一突变数据点对应的邻域数据点序列中的数据点的总数量进行相除,再将相除得到的值与调整阈值进行相乘,将相乘得到值向下取整,将向下取整之后的值记为该第一突变数据点对应的调整值;
将预设的邻域参数值与该第一突变数据点对应的调整值进行相减得到的值,记为该第一突变数据点对应的目标邻域参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410322934.0A CN117931094B (zh) | 2024-03-21 | 2024-03-21 | 基于区块链的环境空气监测数据可靠存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410322934.0A CN117931094B (zh) | 2024-03-21 | 2024-03-21 | 基于区块链的环境空气监测数据可靠存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117931094A true CN117931094A (zh) | 2024-04-26 |
CN117931094B CN117931094B (zh) | 2024-06-14 |
Family
ID=90752417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410322934.0A Active CN117931094B (zh) | 2024-03-21 | 2024-03-21 | 基于区块链的环境空气监测数据可靠存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117931094B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140111517A1 (en) * | 2012-10-22 | 2014-04-24 | United States Cellular Corporation | Detecting and processing anomalous parameter data points by a mobile wireless data network forecasting system |
KR20180081437A (ko) * | 2017-01-06 | 2018-07-16 | (주) 다봄소프트 | 이상치 탐지 방법, 이를 이용하는 장치 및 시스템 |
JP2020144669A (ja) * | 2019-03-07 | 2020-09-10 | 日本電気株式会社 | 情報処理装置、コンテナ配置方法及びコンテナ配置プログラム |
CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学(武汉) | 一种基于季节性循环神经网络的空气质量预测方法 |
CN115882868A (zh) * | 2023-02-27 | 2023-03-31 | 深圳市特安电子有限公司 | 一种气体监测数据智能存储方法 |
US20230252109A1 (en) * | 2022-01-17 | 2023-08-10 | Vmware, Inc | Methods and systems that continuously optimize sampling rates for metric data in distributed computer systems by preserving metric-data-sequence patterns and characteristics |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116756529A (zh) * | 2023-08-21 | 2023-09-15 | 莒南凯佳化工有限公司 | 一种吊白块生产设备运行状态检测系统 |
CN116864020A (zh) * | 2023-09-05 | 2023-10-10 | 山东鲁扬新材料科技有限公司 | 应用于egda生成过程的数据管理系统 |
CN117057517A (zh) * | 2023-10-12 | 2023-11-14 | 国网吉林省电力有限公司长春供电公司 | 基于数字孪生的电力数据高效处理方法及系统 |
CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
CN117421610A (zh) * | 2023-12-19 | 2024-01-19 | 山东德源电力科技股份有限公司 | 一种用于电能表运行状态预警的数据异常分析方法 |
CN117493798A (zh) * | 2023-10-31 | 2024-02-02 | 北京天耀宏图科技有限公司 | 一种气象环境数据分析方法及系统 |
CN117556377A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN117648590A (zh) * | 2024-01-30 | 2024-03-05 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
-
2024
- 2024-03-21 CN CN202410322934.0A patent/CN117931094B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140111517A1 (en) * | 2012-10-22 | 2014-04-24 | United States Cellular Corporation | Detecting and processing anomalous parameter data points by a mobile wireless data network forecasting system |
KR20180081437A (ko) * | 2017-01-06 | 2018-07-16 | (주) 다봄소프트 | 이상치 탐지 방법, 이를 이용하는 장치 및 시스템 |
JP2020144669A (ja) * | 2019-03-07 | 2020-09-10 | 日本電気株式会社 | 情報処理装置、コンテナ配置方法及びコンテナ配置プログラム |
CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学(武汉) | 一种基于季节性循环神经网络的空气质量预测方法 |
US20230252109A1 (en) * | 2022-01-17 | 2023-08-10 | Vmware, Inc | Methods and systems that continuously optimize sampling rates for metric data in distributed computer systems by preserving metric-data-sequence patterns and characteristics |
CN115882868A (zh) * | 2023-02-27 | 2023-03-31 | 深圳市特安电子有限公司 | 一种气体监测数据智能存储方法 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN116702081A (zh) * | 2023-08-07 | 2023-09-05 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116756529A (zh) * | 2023-08-21 | 2023-09-15 | 莒南凯佳化工有限公司 | 一种吊白块生产设备运行状态检测系统 |
CN116864020A (zh) * | 2023-09-05 | 2023-10-10 | 山东鲁扬新材料科技有限公司 | 应用于egda生成过程的数据管理系统 |
CN117057517A (zh) * | 2023-10-12 | 2023-11-14 | 国网吉林省电力有限公司长春供电公司 | 基于数字孪生的电力数据高效处理方法及系统 |
CN117493798A (zh) * | 2023-10-31 | 2024-02-02 | 北京天耀宏图科技有限公司 | 一种气象环境数据分析方法及系统 |
CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
CN117421610A (zh) * | 2023-12-19 | 2024-01-19 | 山东德源电力科技股份有限公司 | 一种用于电能表运行状态预警的数据异常分析方法 |
CN117556377A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN117648590A (zh) * | 2024-01-30 | 2024-03-05 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
Non-Patent Citations (3)
Title |
---|
WILD, M 等: "Mapping the time-varying spatial heterogeneity of temperature processes over the urban landscape of Augsburg, Germany", 《URBAN CLIMATE》, vol. 43, 31 May 2022 (2022-05-31), pages 10160 * |
张澍: "气象调整下的区域空气质量评估", 《中国科学:数学》, vol. 50, no. 04, 13 April 2020 (2020-04-13), pages 527 - 558 * |
张静;李旭祥;蔡启闽;许先意;: "非参数局部多项式法在大气环境数据分析中的应用", 环境工程, no. 1, 30 September 2010 (2010-09-30), pages 348 - 351 * |
Also Published As
Publication number | Publication date |
---|---|
CN117931094B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN111436944A (zh) | 一种基于智能移动终端的跌倒检测方法 | |
CN116881745A (zh) | 基于大数据的压力变送器异常监测方法 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理系统 | |
CN116627707A (zh) | 一种用户异常操作行为的检测方法及系统 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN117931094B (zh) | 基于区块链的环境空气监测数据可靠存储方法 | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
CN111695735A (zh) | 一种基于流计算的铁路弓网实时预警方法、系统及装置 | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
CN115512223A (zh) | 一种融合多种变化检测算法的红树林动态监测方法 | |
CN112257690B (zh) | 一种重金属污染评估方法及装置 | |
CN114595767A (zh) | 具有时间序列状态变量的工业设备故障检测方法 | |
CN114358176A (zh) | 一种基于lof算法的风电站原始风电数据质量控制的方法 | |
CN114235652A (zh) | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 | |
CN110376436A (zh) | 一种多尺度噪声功率谱线谱检测方法 | |
CN110969209A (zh) | 一种陌生人识别方法、装置、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 |