CN109115949B - 基于大数据的污染溯源方法及计算机可读介质 - Google Patents
基于大数据的污染溯源方法及计算机可读介质 Download PDFInfo
- Publication number
- CN109115949B CN109115949B CN201810831365.7A CN201810831365A CN109115949B CN 109115949 B CN109115949 B CN 109115949B CN 201810831365 A CN201810831365 A CN 201810831365A CN 109115949 B CN109115949 B CN 109115949B
- Authority
- CN
- China
- Prior art keywords
- pollutant
- air
- index
- location
- information
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000809 air pollutant Substances 0.000 claims abstract description 212
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 212
- 238000003915 air pollution Methods 0.000 claims abstract description 93
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 239000000356 contaminant Substances 0.000 claims abstract description 18
- 239000003344 environmental pollutant Substances 0.000 claims description 171
- 231100000719 pollutant Toxicity 0.000 claims description 171
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 108
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 54
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 54
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 54
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 54
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 54
- 230000002411 adverse Effects 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Environmental & Geological Engineering (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Dispersion Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的污染溯源方法及计算机可读介质,污染溯源方法包括如下步骤:由空气污染物传感器监测空气污染物信息;由空气污染物传感器将空气污染物信息和空气污染物传感器的所在地信息发送给空气污染分析中心;由气象监测传感器监测气象条件;由气象监测传感器将气象条件和气象监测传感器的所在地信息发送给空气污染分析中心;由空气污染分析中心判断当前的单个主要空气污染物;由空气污染分析中心调用针对单个主要空气污染物的独立模型;以及由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置。
Description
技术领域
本发明是关于计算机应用领域,特别是关于一种基于大数据的污染溯源方法及计算机可读介质。
背景技术
计算机是现代一种用于高速计算的电子计算机器,可以进行数值计算,又可以进行逻辑计算,还具有存储记忆功能。是能够按照程序运行,自动、高速处理海量数据的现代化智能电子设备。计算机对人类的生产活动和社会活动产生了极其重要的影响,并以强大的生命力飞速发展。它的应用领域从最初的军事科研应用扩展到目前社会的各个领域,已形成规模巨大的计算机产业,带动了全球范围的技术进步,由此引发了深刻的社会变革。计算机已遍及学校、企事业单位,进入寻常百姓家,成为信息社会中必不可少的工具。近年来,在工业、农业以及环保治理等领域中,计算机的应用也都取得了许多重大突破。
在我国经济快速发展和城市化加速进行的同时,排放到大气中的污染物也越来越多,导致大气质量迅速恶化,大气质量形势严峻。相应地作为大气污染形式之一的雾霾污染越来越严重,雾霾己经逐渐成为我国许多城市面临的重要问题。将计算机用于污染监测,不仅可以取得大量的准确数据,而且使整个监测***完全自动化,从而为监测技术的发展开辟了一条新途径。因此,将污染治理与计算机进行综合利用已经成为目前的研究热点。同时寻求基于计算机、大数据或者人工智能的自动定位方法是非常重要的。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于大数据的污染溯源方法及计算机可读介质,其能够克服现有技术的缺点。
为实现上述目的,本发明提供了一种基于大数据的污染溯源方法,污染溯源方法包括如下步骤:由空气污染物传感器监测空气污染物信息;由空气污染物传感器将空气污染物信息和空气污染物传感器的所在地信息发送给空气污染分析中心;由气象监测传感器监测气象条件;由气象监测传感器将气象条件和气象监测传感器的所在地信息发送给空气污染分析中心;由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物;由空气污染分析中心基于所判断的单个主要空气污染物,调用针对单个主要空气污染物的独立模型;以及由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置。
在一优选的实施方式中,空气污染物信息至少包括:当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度。
在一优选的实施方式中,由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物具体包括如下步骤:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,预测嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度;由空气污染分析中心依次判断嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度是否超过预定标准;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的一项指标超过预定标准,则将该项指标对应的污染物定义为单个主要空气污染物;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的多项指标超过预定标准,则判断该多项指标中的每一项指标超过预定标准的倍数,将超过预定标准的倍数最大的一项指标对应的污染物定义为单个主要空气污染物;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中没有任何指标超过预定标准,则由空气污染分析中心执行以下操作:分别调取PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告;基于当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,并基于PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告,判断对健康具有最大不利影响的污染物,并将该污染物定义为单个主要空气污染物。
在一优选的实施方式中,其中,气象条件包括气温、气压、湿度、降水量以及风速,并且其中,针对单个主要空气污染物的独立模型由如下步骤生成:由空气污染分析中心调取针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件;由空气污染分析中心基于针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件,生成以污染物源位置气象条件、污染物源位置附近位置以及污染物源位置附近位置气象条件为输入变量,以污染物源位置为输出变量的神经网路;将所生成的神经网络作为针对单个主要空气污染物的独立模型。
在一优选的实施方式中,由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置具体包括如下步骤:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,生成针对单个主要空气污染物的多个污染物生成位置以及多个污染物生成位置气象条件;由空气污染分析中心挑选多个污染物生成位置中的一个污染物生成位置作为验证点,多个污染物生成位置中的其余多个污染物生成位置被定义为污染物生成位置的附近位置;以污染物生成位置的附近位置、污染物生成位置的附近位置的气象条件以及污染物生成位置的气象条件,并基于所生成的针对单个主要空气污染物的独立模型,计算推算的污染物生成位置;判断推算的污染物生成位置与所选择的污染物生成位置之间的差异是否小于门限;如果差异小于门限,则将推算的污染物生成位置定义为单个主要空气污染物的污染源位置。
本发明还提供了一种用于基于大数据进行污染溯源的计算机可读介质,其特征在于:计算机可读介质包括用于使***执行以下操作的代码:由空气污染物传感器监测空气污染物信息;由空气污染物传感器将空气污染物信息和空气污染物传感器的所在地信息发送给空气污染分析中心;由气象监测传感器监测气象条件;由气象监测传感器将气象条件和气象监测传感器的所在地信息发送给空气污染分析中心;由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物;由空气污染分析中心基于所判断的单个主要空气污染物,调用针对单个主要空气污染物的独立模型;以及由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置。
在一优选的实施方式中,空气污染物信息至少包括:当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度。
在一优选的实施方式中,用于使空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物的代码包括用于执行以下操作的代码:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,预测嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度;由空气污染分析中心依次判断嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度是否超过预定标准;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的一项指标超过预定标准,则将该项指标对应的污染物定义为单个主要空气污染物;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的多项指标超过预定标准,则判断该多项指标中的每一项指标超过预定标准的倍数,将超过预定标准的倍数最大的一项指标对应的污染物定义为单个主要空气污染物;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中没有任何指标超过预定标准,则由空气污染分析中心执行以下操作:分别调取PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告;基于当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,并基于PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告,判断对健康具有最大不利影响的污染物,并将该污染物定义为单个主要空气污染物。
在一优选的实施方式中,其中,气象条件包括气温、气压、湿度、降水量以及风速,并且其中,用于使空气污染分析中心基于所判断的单个主要空气污染物,调用针对单个主要空气污染物的独立模型的代码包括用于执行以下操作的代码:由空气污染分析中心调取针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件;由空气污染分析中心基于针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件,生成以污染物源位置气象条件、污染物源位置附近位置以及污染物源位置附近位置气象条件为输入变量,以污染物源位置为输出变量的神经网路;将所生成的神经网络作为针对单个主要空气污染物的独立模型。
在一优选的实施方式中,用于使空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置的代码包括用于执行以下操作的代码:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,生成针对单个主要空气污染物的多个污染物生成位置以及多个污染物生成位置气象条件;由空气污染分析中心挑选多个污染物生成位置中的一个污染物生成位置作为验证点,多个污染物生成位置中的其余多个污染物生成位置被定义为污染物生成位置的附近位置;以污染物生成位置的附近位置、污染物生成位置的附近位置的气象条件以及污染物生成位置的气象条件,并基于所生成的针对单个主要空气污染物的独立模型,计算推算的污染物生成位置;判断推算的污染物生成位置与所选择的污染物生成位置之间的差异是否小于门限;如果差异小于门限,则将推算的污染物生成位置定义为单个主要空气污染物的污染源位置。
与现有技术相比,本发明具有如下优点:当前,环境污染是国家重点关注的重大问题,环保部门已经花费很大精力限制和处罚排污超标的企业。但是目前在大气污染源的溯源问题上,现有技术仍然不能给出很好的解决方案。大气污染物扩散速度快,受周围环境影响很大,所以使用人工判断的方法很难定位污染源位置,而使用定期检查的方法又很难搜索到企业排污超标的证据,所以对于大气污染的污染源而言,寻求基于计算机、大数据或者人工智能的自动定位方法是非常重要的。基于现有技术中存在的问题,本发明提出了一种基于大数据和利用计算机的污染源定位方法,本发明的方法充分考虑了气体污染物的排放特点,设计了有针对性的定位方法,同时本申请充分考虑了不同种类污染物之间的不同特点,设计了一种针对每一种污染物生成一个独立模型的方法,最大限度的保证了模型的精确性,保证了定位率。
附图说明
图1是根据本发明一实施方式的污染溯源方法流程图。
图2是根据本发明另一实施方式的污染溯源方法流程图。
图3是根据本发明另一实施方式的污染溯源方法流程图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
实施例1
图1是根据本发明一实施方式的方法流程图。如图所示,本发明的方法包括如下步骤:
步骤101:由空气污染物传感器监测空气污染物信息;
步骤102:由空气污染物传感器将空气污染物信息和空气污染物传感器的所在地信息发送给空气污染分析中心;
步骤103:由气象监测传感器监测气象条件;
步骤104:由气象监测传感器将气象条件和气象监测传感器的所在地信息发送给空气污染分析中心;
步骤105:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物;
步骤106:由空气污染分析中心基于所判断的单个主要空气污染物,调用针对单个主要空气污染物的独立模型;
步骤107:由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置。
实施例2
在一优选的实施方式中,空气污染物信息至少包括:当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度。
图2是根据本发明另一实施方式的方法流程图。如图所示,由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物具体包括如下步骤:
步骤201:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,预测嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度;
步骤202:由空气污染分析中心依次判断嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度是否超过预定标准;
步骤203:如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的一项指标超过预定标准,则将该项指标对应的污染物定义为单个主要空气污染物;
步骤204:如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的多项指标超过预定标准,则判断该多项指标中的每一项指标超过预定标准的倍数,将超过预定标准的倍数最大的一项指标对应的污染物定义为单个主要空气污染物;
步骤205:如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中没有任何指标超过预定标准,则由空气污染分析中心执行以下操作:
步骤201:分别调取PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告;
步骤206:基于当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,并基于PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告,判断对健康具有最大不利影响的污染物,并将该污染物定义为单个主要空气污染物。
实施例3
在一优选的实施方式中,其中,气象条件包括气温、气压、湿度、降水量以及风速,并且其中,针对单个主要空气污染物的独立模型由如下步骤生成:由空气污染分析中心调取针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件;由空气污染分析中心基于针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件,生成以污染物源位置气象条件、污染物源位置附近位置以及污染物源位置附近位置气象条件为输入变量,以污染物源位置为输出变量的神经网路;将所生成的神经网络作为针对单个主要空气污染物的独立模型。
图3是根据本发明另一实施方式的方法流程图。如图所示,由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置具体包括如下步骤:
步骤301:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,生成针对单个主要空气污染物的多个污染物生成位置以及多个污染物生成位置气象条件;
步骤302:由空气污染分析中心挑选多个污染物生成位置中的一个污染物生成位置作为验证点,多个污染物生成位置中的其余多个污染物生成位置被定义为污染物生成位置的附近位置;
步骤303:以污染物生成位置的附近位置、污染物生成位置的附近位置的气象条件以及污染物生成位置的气象条件,并基于所生成的针对单个主要空气污染物的独立模型,计算推算的污染物生成位置;
步骤304:判断推算的污染物生成位置与所选择的污染物生成位置之间的差异是否小于门限;
步骤305:如果差异小于门限,则将推算的污染物生成位置定义为单个主要空气污染物的污染源位置。
实施例4
本发明提供了一种用于基于大数据进行污染溯源的计算机可读介质,其特征在于:计算机可读介质包括用于使***执行以下操作的代码:
由空气污染物传感器监测空气污染物信息;
由空气污染物传感器将空气污染物信息和空气污染物传感器的所在地信息发送给空气污染分析中心;
由气象监测传感器监测气象条件;
由气象监测传感器将气象条件和气象监测传感器的所在地信息发送给空气污染分析中心;
由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物;
由空气污染分析中心基于所判断的单个主要空气污染物,调用针对单个主要空气污染物的独立模型;
由空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置。
实施例5
在一优选的实施方式中,空气污染物信息至少包括:当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度。
在一优选的实施方式中,用于使空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,判断当前的单个主要空气污染物的代码包括用于执行以下操作的代码:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,预测嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度;由空气污染分析中心依次判断嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度是否超过预定标准;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的一项指标超过预定标准,则将该项指标对应的污染物定义为单个主要空气污染物;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的多项指标超过预定标准,则判断该多项指标中的每一项指标超过预定标准的倍数,将超过预定标准的倍数最大的一项指标对应的污染物定义为单个主要空气污染物;如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中没有任何指标超过预定标准,则由空气污染分析中心执行以下操作:分别调取PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告;基于当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,并基于PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告,判断对健康具有最大不利影响的污染物,并将该污染物定义为单个主要空气污染物。
实施例6
在一优选的实施方式中,其中,气象条件包括气温、气压、湿度、降水量以及风速,并且其中,用于使空气污染分析中心基于所判断的单个主要空气污染物,调用针对单个主要空气污染物的独立模型的代码包括用于执行以下操作的代码:由空气污染分析中心调取针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件;由空气污染分析中心基于针对单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件,生成以污染物源位置气象条件、污染物源位置附近位置以及污染物源位置附近位置气象条件为输入变量,以污染物源位置为输出变量的神经网路;将所生成的神经网络作为针对单个主要空气污染物的独立模型。
在一优选的实施方式中,用于使空气污染分析中心基于针对单个主要空气污染物的独立模型,分析空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,从而生成单个主要空气污染物的污染源位置的代码包括用于执行以下操作的代码:由空气污染分析中心基于空气污染物信息、空气污染物传感器的所在地信息、气象条件和气象监测传感器的所在地信息,生成针对单个主要空气污染物的多个污染物生成位置以及多个污染物生成位置气象条件;由空气污染分析中心挑选多个污染物生成位置中的一个污染物生成位置作为验证点,多个污染物生成位置中的其余多个污染物生成位置被定义为污染物生成位置的附近位置;以污染物生成位置的附近位置、污染物生成位置的附近位置的气象条件以及污染物生成位置的气象条件,并基于所生成的针对单个主要空气污染物的独立模型,计算推算的污染物生成位置;判断推算的污染物生成位置与所选择的污染物生成位置之间的差异是否小于门限;如果差异小于门限,则将推算的污染物生成位置定义为单个主要空气污染物的污染源位置。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (2)
1.一种基于大数据的污染溯源方法,其特征在于:所述污染溯源方法包括如下步骤:
由空气污染物传感器监测空气污染物信息;
由所述空气污染物传感器将所述空气污染物信息和所述空气污染物传感器的所在地信息发送给空气污染分析中心;
由气象监测传感器监测气象条件;
由所述气象监测传感器将所述气象条件和所述气象监测传感器的所在地信息发送给空气污染分析中心;
由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,判断当前的单个主要空气污染物;
由所述空气污染分析中心基于所判断的单个主要空气污染物,调用针对所述单个主要空气污染物的独立模型;以及
由所述空气污染分析中心基于针对所述单个主要空气污染物的独立模型,分析所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,从而生成所述单个主要空气污染物的污染源位置,空气污染物信息至少包括:当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,判断当前的单个主要空气污染物具体包括如下步骤:
由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,预测嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度;
由所述空气污染分析中心依次判断嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度是否超过预定标准;
如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的一项指标超过所述预定标准,则将该项指标对应的污染物定义为单个主要空气污染物;
如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的多项指标超过所述预定标准,则判断该多项指标中的每一项指标超过所述预定标准的倍数,将超过所述预定标准的倍数最大的一项指标对应的污染物定义为单个主要空气污染物;
如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中没有任何指标超过所述预定标准,则由所述空气污染分析中心执行以下操作:
分别调取PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告;
基于当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,并基于PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告,判断对健康具有最大不利影响的污染物,并将该污染物定义为单个主要空气污染物,
其中,所述气象条件包括气温、气压、湿度、降水量以及风速,并且其中,针对所述单个主要空气污染物的独立模型由如下步骤生成:
由所述空气污染分析中心调取针对所述单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件;
由所述空气污染分析中心基于针对所述单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件,生成以污染物源位置气象条件、污染物源位置附近位置以及污染物源位置附近位置气象条件为输入变量,以污染物源位置为输出变量的神经网路;
将所生成的神经网络作为针对所述单个主要空气污染物的独立模型,
由所述空气污染分析中心基于针对所述单个主要空气污染物的独立模型,分析所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,从而生成所述单个主要空气污染物的污染源位置具体包括如下步骤:
由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,生成针对所述单个主要空气污染物的多个污染物生成位置以及多个污染物生成位置气象条件;
由所述空气污染分析中心挑选多个污染物生成位置中的一个污染物生成位置作为验证点,多个污染物生成位置中的其余多个污染物生成位置被定义为污染物生成位置的附近位置;
以污染物生成位置的附近位置、污染物生成位置的附近位置的气象条件以及污染物生成位置的气象条件,并基于所生成的针对所述单个主要空气污染物的独立模型,计算推算的污染物生成位置;
判断推算的污染物生成位置与所选择的污染物生成位置之间的差异是否小于门限;
如果所述差异小于门限,则将推算的污染物生成位置定义为所述单个主要空气污染物的污染源位置。
2.一种用于基于大数据进行污染溯源的计算机可读介质,其特征在于:所述计算机可读介质包括用于使***执行以下操作的代码:
由空气污染物传感器监测空气污染物信息;
由所述空气污染物传感器将所述空气污染物信息和所述空气污染物传感器的所在地信息发送给空气污染分析中心;
由气象监测传感器监测气象条件;
由所述气象监测传感器将所述气象条件和所述气象监测传感器的所在地信息发送给空气污染分析中心;
由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,判断当前的单个主要空气污染物;
由所述空气污染分析中心基于所判断的单个主要空气污染物,调用针对所述单个主要空气污染物的独立模型;以及
由所述空气污染分析中心基于针对所述单个主要空气污染物的独立模型,分析所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,从而生成所述单个主要空气污染物的污染源位置,空气污染物信息至少包括:当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,
用于使所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,判断当前的单个主要空气污染物的代码包括用于执行以下操作的代码:
由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,预测嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度;
由所述空气污染分析中心依次判断嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度是否超过预定标准;
如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的一项指标超过所述预定标准,则将该项指标对应的污染物定义为单个主要空气污染物;
如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中的多项指标超过所述预定标准,则判断该多项指标中的每一项指标超过所述预定标准的倍数,将超过所述预定标准的倍数最大的一项指标对应的污染物定义为单个主要空气污染物;
如果嗣后的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度中没有任何指标超过所述预定标准,则由所述空气污染分析中心执行以下操作:
分别调取PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告;
基于当前的PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度,并基于PM2.5指数、PM10指数、一氧化碳浓度、二氧化氮浓度、臭氧浓度以及二氧化硫浓度与健康不利影响风险之间的关系报告,判断对健康具有最大不利影响的污染物,并将该污染物定义为单个主要空气污染物,
其中,所述气象条件包括气温、气压、湿度、降水量以及风速,并且其中,用于使所述空气污染分析中心基于所判断的单个主要空气污染物,调用针对所述单个主要空气污染物的独立模型的代码包括用于执行以下操作的代码:
由所述空气污染分析中心调取针对所述单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件;
由所述空气污染分析中心基于针对所述单个主要空气污染物的历史污染物源位置、历史污染物源位置气象条件、历史污染物源位置附近位置以及历史污染物源位置附近位置气象条件,生成以污染物源位置气象条件、污染物源位置附近位置以及污染物源位置附近位置气象条件为输入变量,以污染物源位置为输出变量的神经网路;
将所生成的神经网络作为针对所述单个主要空气污染物的独立模型,
用于使所述空气污染分析中心基于针对所述单个主要空气污染物的独立模型,分析所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,从而生成所述单个主要空气污染物的污染源位置的代码包括用于执行以下操作的代码:
由所述空气污染分析中心基于所述空气污染物信息、所述空气污染物传感器的所在地信息、所述气象条件和所述气象监测传感器的所在地信息,生成针对所述单个主要空气污染物的多个污染物生成位置以及多个污染物生成位置气象条件;
由所述空气污染分析中心挑选多个污染物生成位置中的一个污染物生成位置作为验证点,多个污染物生成位置中的其余多个污染物生成位置被定义为污染物生成位置的附近位置;
以污染物生成位置的附近位置、污染物生成位置的附近位置的气象条件以及污染物生成位置的气象条件,并基于所生成的针对所述单个主要空气污染物的独立模型,计算推算的污染物生成位置;
判断推算的污染物生成位置与所选择的污染物生成位置之间的差异是否小于门限;
如果所述差异小于门限,则将推算的污染物生成位置定义为所述单个主要空气污染物的污染源位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810831365.7A CN109115949B (zh) | 2018-07-26 | 2018-07-26 | 基于大数据的污染溯源方法及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810831365.7A CN109115949B (zh) | 2018-07-26 | 2018-07-26 | 基于大数据的污染溯源方法及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109115949A CN109115949A (zh) | 2019-01-01 |
CN109115949B true CN109115949B (zh) | 2020-12-11 |
Family
ID=64863659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810831365.7A Expired - Fee Related CN109115949B (zh) | 2018-07-26 | 2018-07-26 | 基于大数据的污染溯源方法及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109115949B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3086215B1 (fr) * | 2018-09-26 | 2020-09-04 | Valeo Systemes Thermiques | Procede de determination d'un parametre de qualite d'air pour vehicule automobile |
CN114280226A (zh) * | 2020-09-18 | 2022-04-05 | 英业达科技有限公司 | 配合气象环境的空气污染分析与防治决策***及其方法 |
CN113777236B (zh) * | 2021-09-08 | 2022-04-26 | 中科三清科技有限公司 | 基于排放源的空气质量监控方法和装置 |
CN117236528B (zh) * | 2023-11-15 | 2024-01-23 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116734A (zh) * | 2009-12-30 | 2011-07-06 | 财团法人工业技术研究院 | 污染物来源预测方法及*** |
CN106446226A (zh) * | 2016-09-30 | 2017-02-22 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、*** |
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力***环境调度方法 |
CN107121532A (zh) * | 2017-06-01 | 2017-09-01 | 杭州蓝山环保科技有限公司 | 室内污染物浓度的预估方法、存储器及电子装置 |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
CN107607450A (zh) * | 2017-09-15 | 2018-01-19 | 深圳市卡普瑞环境科技有限公司 | 一种大气质量监测方法及相关设备 |
CN107643367A (zh) * | 2017-09-15 | 2018-01-30 | 深圳市卡普瑞环境科技有限公司 | 一种定位的方法、装置以及存储介质 |
CN107894492A (zh) * | 2017-11-24 | 2018-04-10 | 成都立威斯科技有限公司 | 一种城市大气污染实时监测方法 |
-
2018
- 2018-07-26 CN CN201810831365.7A patent/CN109115949B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102116734A (zh) * | 2009-12-30 | 2011-07-06 | 财团法人工业技术研究院 | 污染物来源预测方法及*** |
CN106682381A (zh) * | 2015-11-10 | 2017-05-17 | 中国科学院沈阳计算技术研究所有限公司 | 一种面向环境空气质量的动态数据模拟预报方法 |
CN106446226A (zh) * | 2016-09-30 | 2017-02-22 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、*** |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力***环境调度方法 |
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN107121532A (zh) * | 2017-06-01 | 2017-09-01 | 杭州蓝山环保科技有限公司 | 室内污染物浓度的预估方法、存储器及电子装置 |
CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
CN107607450A (zh) * | 2017-09-15 | 2018-01-19 | 深圳市卡普瑞环境科技有限公司 | 一种大气质量监测方法及相关设备 |
CN107643367A (zh) * | 2017-09-15 | 2018-01-30 | 深圳市卡普瑞环境科技有限公司 | 一种定位的方法、装置以及存储介质 |
CN107894492A (zh) * | 2017-11-24 | 2018-04-10 | 成都立威斯科技有限公司 | 一种城市大气污染实时监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109115949A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115949B (zh) | 基于大数据的污染溯源方法及计算机可读介质 | |
CN108200030A (zh) | 恶意流量的检测方法、***、装置及计算机可读存储介质 | |
CN108870090B (zh) | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 | |
CN104103005A (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
CN111985567A (zh) | 一种基于机器学习的污染源类型自动识别方法 | |
CN110012009B (zh) | 基于决策树和自相似模型结合的物联网入侵检测方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN109034140A (zh) | 基于深度学习结构的工业控制网络信号异常检测方法 | |
CN115423373A (zh) | 一种园区的碳排放评价方法、***、电子设备及存储介质 | |
CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
CN113435471A (zh) | 深度特征聚类的高排放移动源污染识别方法及*** | |
CN116708038B (zh) | 基于资产测绘的工业互联网企业网络安全威胁识别方法 | |
CN113807622A (zh) | 一种事件决策生成方法、装置、电子设备及存储介质 | |
CN108509561B (zh) | 基于机器学习的岗位招聘数据筛选方法、***及存储介质 | |
CN113537563A (zh) | 污染应急管控效果评估方法及装置 | |
CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
CN112800666A (zh) | 日志行为分析的训练方法、身份安全风险预测方法 | |
CN116051496A (zh) | 一种实时下水道缺陷检测方法 | |
CN115829122A (zh) | 一种电力客服工单投诉预警方法及*** | |
CN115290139A (zh) | 一种基于大数据的建筑物室外环境性能检测预测平台 | |
CN107327334B (zh) | 一种汽车尾气排放故障诊断*** | |
CN111523826B (zh) | 一种数据采集方法、装置及设备 | |
CN111221704B (zh) | 一种确定办公管理应用***运行状态的方法及*** | |
CN114064396A (zh) | 一种kpi数据异常分数确定方法、异常检测方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201211 |