CN113791186A - 一种选择水质异常报警监测因子的方法及其*** - Google Patents
一种选择水质异常报警监测因子的方法及其*** Download PDFInfo
- Publication number
- CN113791186A CN113791186A CN202110926543.6A CN202110926543A CN113791186A CN 113791186 A CN113791186 A CN 113791186A CN 202110926543 A CN202110926543 A CN 202110926543A CN 113791186 A CN113791186 A CN 113791186A
- Authority
- CN
- China
- Prior art keywords
- water quality
- quality monitoring
- factor
- correlation
- historical data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 194
- 238000012544 monitoring process Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 14
- 108010014172 Factor V Proteins 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Food Science & Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种选择水质异常报警监测因子的方法及其***,其中选择水质异常报警监测因子的方法,具体包括以下步骤:获取水质监测因子的历史数据;对水质监测因子的历史数据集合进行预处理;根据预处理后的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标;根据水质监测因子间的相关指标确定水质监测因子相关性临界值;根据相关性临界值选择满足条件的水质异常报警因子组合。本申请克服了单因子预警无法在水质超标前提前预警;同时通过选择多个相关程度高的水质监测因子组合,组成多因子水质异常报警因子组,依据报警因子监测数据变化趋势,实现对水质超标前的提前预警,提高水质异常报警的灵敏性。
Description
技术领域
本申请涉及数据处理领域,具体地,涉及一种选择水质异常报警监测因子的方法及其***。
背景技术
水环境质量预警是流域水环境管理实现精细化、科学化的核心。目前的水环境预警技术主要是以水质自动站实时数据监控为基础,基于预警模型对发现的水质异常现象发出预警。水环境预警又分为单因子预警和多因子预警,单因子预警模型是基于单一预警因子,当监测指标数据超出预警阈值时,进行水质报警;而多因子预警是首先选择合适的预警因子组合,然后通过预警模型,对因子组合的实时监测数据关系变化进行分析,判定预警因子组合的数据关系是否异常,并进行水质预警。多因子预警是通过监测多个水质指标组合变化趋势,实现水质超标前的提前预警。现有技术中确定预警因子组合的方式通常是依赖于环境学科知识和经验,辅以相关性分析进行选择,但是该种方式太过依赖历史经验,从而缺乏确定预警因子的准确性。
因此如何通过更加准确的方式获取预警因子,是本领域技术人员急需解决的问题。
发明内容
本申请提供了一种选择水质异常报警监测因子的方法,具体包括以下步骤:获取水质监测因子的历史数据集合;对水质监测因子的历史数据集合进行预处理;根据预处理后的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标;根据水质监测因子间的相关指标确定水质监测因子相关性临界值;根据相关性临界值选择满足条件的水质异常报警因子组合。
如上的,其中,其中所有水质监测因子的历史数据集合定义为A={AP1,……APb},APi(i=1,2...b)为水质监测因子Pi的历史数据集合。
如上的,其中,对水质监测因子的历史数据集合进行预处理之前,还包括,确定水质监测因子的预处理数据序列。
如上的,其中,预处理过程具体表示为:c=1,2...m,其中Spi-c表示该水质监测因子Pi归一化后的值,max(APi),min(APi)分别为水质监测因子Pi的历史数据的最大、最小值,c为自然数,aic∈Api,表示水质监测因子Pi的历史数据集合的第c条数据。
如上的,其中,任意两个水质监测因子之间的相关指标包括,任意两个水质监测因子的相关度,任意两个水质监测因子历史数据变化趋势的相似度,任意两个水质监测因子之间的数据综合相关度。
如上的,其中,根据预处理后的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标,包括以下子步骤:计算任意两个水质监测因子之间的相关度;计算任意两个水质监测因子历史数据变化趋势的相似度;根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。
如上的,其中,相关度rij具体表示为:
如上的,其中,任意两个水质监测因子Pi,Pj之间的相关度历史数据变化趋势的相似度Hij具体表示为:
Hij=Hji=max[h(Spi,Spj),h(SpjSpi)],j≠i
其中,afi为预处理数据序列Spi中连续的f个数组成的序列,bfj为预处理数据序列Spj中连续的f个数组成的序列,其中,afi-k表示水质监测因子Pi的历史数据集合,经过预处理后得到的预处理数据序列Spi中的连续f个数组成的数据序列的第k个值,bfj-k表示水质监测因子Pj的历史数据集合,经过预处理后得到的Spj中的连续f个数组成的数据序列的第k个值;同理,
如上的,其中,数据综合相关度wij表示为:
一种选择水质异常报警监测因子的***,具体包括:获取单元,预处理单元、计算单元、确定单元以及选择单元;获取单元,用于获取水质监测因子的历史数据集合;预处理单元,用于对水质监测因子的历史数据集合进行预处理;计算单元,用于根据预处理的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标;确定单元,用于确定水质监测因子相关性临界值;选择单元,用于根据相关性临界值选择满足条件的水质异常报警因子,组成预警因子组的集合。
本申请具有以下有益效果:
本申请提供的本申请提供的选择水质异常报警监测因子的方法及其***,克服了单因子预警无法在水质超标前提前预警;同时通过选择多个亲密程度高的水质监测因子组合,组成多因子水质异常报警因子组,依据报警因子监测数据变化趋势,实现对水质超标前的提前预警,提高水质异常报警的灵敏性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的选择水质异常报警监测因子的方法流程图;
图2是根据本申请实施例提供的选择水质异常报警监测因子的***的内部结构图。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动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。
本申请涉及一种选择水质异常报警因子的方法及其***。根据本申请,能够度量两个水质监测因子历史数据之间的亲密程度,选择亲密程度高的多因子水生态水质监测因子组合作为水质异常报警因子,提高确定水质异常报警因子的准确性。
实施例一
本实施例是基于数据相关性和轨迹相似性算法,辩证分析任意两因子之间的间亲密程度,利用95百分位数算法计算出水质监测因子异常报警因子组合的亲密度临界值,选择两因子间亲密程度大于临界值的水质监测因子作为多因子水质异常报警因子组。
如图1所示,是本申请提供的一种选择水质异常报警因子的方法,具体包括以下步骤:
步骤S110:获取水质监测因子的历史数据集合。
具体地,从外部获取水质监测因子的历史数据,并对其进行整理形成历史数据集合。其中所有水质监测因子的历史数据集合定义为A={AP1,……APb},其中APi(i=1,2...b)为水质监测因子Pi的历史数据集合,APi=[ai1,ai2,……aim],aim表示水质监测因子Pi的历史数据集合的第m条数据,m为每个水质监测因子的数据条数。
步骤S120:对水质监测因子的历史数据集合进行预处理。
其中进行预处理之前,还包括,确定水质监测因子Pi的预处理数据序列,水质监测因子Pi的预处理数据序列为:Spi=[Spi-1,Spi-2,……,Spi-m]。
具体地,对所有水质监测因子的预处理数据序列进行处理,具体进行归一化处理,将水质监测因子预处理数据序列中的数据映射到0-1范围之内。
其中预处理过程具体表示为:
其中Spi-c表示该水质监测因子Pi归一化后的值,max(APi),min(APi)分别为水质监测因子Pi的历史数据的最大、最小值,c为自然数,aic∈Api,表示水质监测因子Pi的历史数据集合的第c条数据。
步骤S130:根据预处理后的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标。
具体地,相关指标具体为,任意两个水质监测因子的相关度,任意两个水质监测因子历史数据变化趋势的相似度,任意两个水质监测因子之间的数据综合相关度。
其中步骤S130具体包括以下子步骤:
步骤S1301:计算任意两个水质监测因子之间的相关度。
计算任意两个水质监测因子Pi,Pj之间的相关度,其中相关度rij具体表示为:
进一步地,将历史数据集合中任意两个水质监测因子计算得出的所有相关度构成相关度集合R。
步骤S1302:计算任意两个水质监测因子历史数据变化趋势的相似度。
具体地,任意两个水质监测因子Pi,Pj之间的相关度历史数据变化趋势的相似度Hij具体表示为:
Hij=max[h(Spi,Spj),h(Spj,Spi)],j≠i
其中,afi为序列Spi中连续的f个数组成的序列,bfj为序列Spj中连续的f个数组成的序列,其中,afi-k表示水质监测因子Pi的历史数据集合,经过预处理后得到的Spi中的连续f个数组成的数据序列的第k个值,bfj-k表示水质监测因子Pj的历史数据集合,经过预处理后得到的Spj中的连续f个数组成的数据序列的第k个值。同理,
进一步地,将历史数据集合中所有任意两个水质监测因子所计算得出的相似度H构成相似度集合G。
步骤S1303:根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。
具体地,数据综合相关度wij表示为:
进一步地,所有数据综合相关度按照从小到大排列构成数据综合相关度集合W。
步骤S140:根据相关指标确定水质监测因子相关性临界值。
具体地,根据数据综合相关度集合W确定水质监测因子相关性临界值。
其中水质监测因子的相关性临界值c具体表示为:
c=gW[l+2]+(1-g)W[l+1]
e=(q-1)*0.95
其中,q为集合W中元素个数,l为e的整数部分,g为e的小数部分。W[l]为集合W的第l个数值。
步骤S150:根据相关性临界值选择满足条件的水质异常报警因子组合。
具体地,根据水质监测因子的相关性临界值c和数据综合相关度集合W,选择满足条件的水质异常报警因子作为水质异常报警监测因子,具体根据以下条件进行水质异常报警监测因子的选择,进一步确定水质报警监测因子集合L。
L={(Pi,Pj)|wij>=c}
其中,wij表示数据综合相关度,若任意两个水质监测因子Pi,Pj之间的数据综合相关度大于相关性临界值,则该任意两个水质监测因子作为水质异常报警监测因子,反之则不能作为水质异常报警监测因子。多个符合条件的水质异常报警监测因子组成水质报警监测因子集合L。
实施例二
如图2所示,本申请提供一种选择水质异常报警水质监测因子***,具体包括:获取单元210、预处理单元220、计算单元230、确定单元240以及选择单元250。
获取单元210用于获取水质监测因子的历史数据。
预处理单元220与获取单元210连接,用于对水质监测因子的历史数据集合进行预处理。
计算单元230与预处理单元220连接,用于根据预处理的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标。
其中计算单元230具体包括以下子模块:相关度计算模块、相似度计算模块、数据综合相关度计算模块。
其中,相关度计算模块用于计算任意两个水质监测因子之间的相关度。
相似度计算模块用于计算任意两个水质监测因子历史数据变化趋势的相似度。
数据综合相关度计算模块与相似度计算模块和相关度计算模块连接,用于根据任意两个水质监测因子的相关度和相似度确定数据综合相关度。
确定单元240与计算单元230连接,用于确定水质监测因子相关性临界值。
选择单元250与确定单元240连接,用于根据相关性临界值选择满足条件的水质异常报警因子,组成预警因子组的集合。
本申请具有以下有益效果:
本申请提供的选择水质异常报警监测因子的方法及其***,克服了单因子预警无法在水质超标前提前预警;同时通过选择多个亲密程度高的水质监测因子组合,组成多因子水质异常报警因子组,依据报警因子监测数据变化趋势,实现对水质超标前的提前预警,提高水质异常报警的灵敏性。
虽然当前申请参考的示例被描述,其只是为了解释的目的而不是对本申请的限制,对实施方式的改变,增加和/或删除可以被做出而不脱离本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种选择水质异常报警监测因子的方法,其特征在于,具体包括以下步骤:
获取水质监测因子的历史数据集合;
对水质监测因子的历史数据集合进行预处理;
根据预处理后的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标;
根据水质监测因子间的相关指标确定水质监测因子相关性临界值;
根据相关性临界值选择满足条件的水质异常报警监测因子组合。
2.如权利要求1所述的选择水质异常报警监测因子的方法,其特征在于,其中所有水质监测因子的历史数据集合定义为A={AP1,……APb},APi(i=1,2...b)为水质监测因子Pi的历史数据集合。
3.如权利要求1所述的选择水质异常报警监测因子的方法,其特征在于,对水质监测因子的历史数据集合进行预处理之前,还包括,确定水质监测因子的预处理数据序列。
5.如权利要求1所述的选择水质异常报警监测因子的方法,其特征在于,任意两个水质监测因子之间的相关指标包括,任意两个水质监测因子的相关度,任意两个水质监测因子历史数据变化趋势的相似度,任意两个水质监测因子之间的数据综合相关度。
6.如权利要求5所述的选择水质异常报警监测因子的方法,其特征在于,根据预处理后的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标,包括以下子步骤:
计算任意两个水质监测因子之间的相关度;
计算任意两个水质监测因子历史数据变化趋势的相似度;
根据任意两个水质监测因子的相关度和历史数据变化趋势的相似度确定数据综合相关度。
10.一种选择水质异常报警监测因子的***,其特征在于,具体包括:获取单元,预处理单元、计算单元、确定单元以及选择单元;
获取单元,用于获取水质监测因子的历史数据集合;
预处理单元,用于对水质监测因子的历史数据集合进行预处理;
计算单元,用于根据预处理的历史数据集合,计算水质监测因子的历史数据集合中任意两个水质监测因子之间的相关指标;
确定单元,用于确定水质监测因子相关性临界值;
选择单元,用于根据相关性临界值选择满足条件的水质异常报警因子,组成预警因子组的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926543.6A CN113791186B (zh) | 2021-08-12 | 2021-08-12 | 一种选择水质异常报警监测因子的方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110926543.6A CN113791186B (zh) | 2021-08-12 | 2021-08-12 | 一种选择水质异常报警监测因子的方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791186A true CN113791186A (zh) | 2021-12-14 |
CN113791186B CN113791186B (zh) | 2024-06-25 |
Family
ID=78875984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110926543.6A Active CN113791186B (zh) | 2021-08-12 | 2021-08-12 | 一种选择水质异常报警监测因子的方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791186B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258403A (zh) * | 2023-01-19 | 2023-06-13 | 河南省新乡水文水资源勘测局 | 一种基于大数据的水质监测预警方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999709A (zh) * | 2012-12-20 | 2013-03-27 | 中国环境科学研究院 | 一种农业活动区地下水风险分级分区评价方法 |
CN106339536A (zh) * | 2016-08-19 | 2017-01-18 | 南华大学 | 基于水污染指数法和云模型的水质综合评价方法 |
CN106570591A (zh) * | 2016-11-08 | 2017-04-19 | 北京师范大学 | 基于水质监测及源解析的傍河水源地水质安全预警方法 |
CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN109342674A (zh) * | 2018-08-31 | 2019-02-15 | 河海大学 | 湖泊水质在线监测分析*** |
CN109580509A (zh) * | 2018-12-03 | 2019-04-05 | 北京英视睿达科技有限公司 | 全光谱水质监测方法和*** |
CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
CN112148987A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 基于目标对象活跃度的消息推送方法及相关设备 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及*** |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN112966891A (zh) * | 2021-01-23 | 2021-06-15 | 成都市环境保护科学研究院(成都市固体废物管理中心) | 一种河流水环境质量预测方法 |
CN113159456A (zh) * | 2020-09-30 | 2021-07-23 | 中科三清科技有限公司 | 水质预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-12 CN CN202110926543.6A patent/CN113791186B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999709A (zh) * | 2012-12-20 | 2013-03-27 | 中国环境科学研究院 | 一种农业活动区地下水风险分级分区评价方法 |
CN106339536A (zh) * | 2016-08-19 | 2017-01-18 | 南华大学 | 基于水污染指数法和云模型的水质综合评价方法 |
CN106570591A (zh) * | 2016-11-08 | 2017-04-19 | 北京师范大学 | 基于水质监测及源解析的傍河水源地水质安全预警方法 |
CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN109342674A (zh) * | 2018-08-31 | 2019-02-15 | 河海大学 | 湖泊水质在线监测分析*** |
CN109580509A (zh) * | 2018-12-03 | 2019-04-05 | 北京英视睿达科技有限公司 | 全光谱水质监测方法和*** |
CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
CN111080464A (zh) * | 2019-11-27 | 2020-04-28 | 中国农业大学 | 一种池塘养殖水质关键因子预测方法及装置 |
CN112233734A (zh) * | 2020-09-30 | 2021-01-15 | 山东大学 | 基于机器学习的水质数据推演获取方法及*** |
CN113159456A (zh) * | 2020-09-30 | 2021-07-23 | 中科三清科技有限公司 | 水质预测方法、装置、电子设备及存储介质 |
CN112148987A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 基于目标对象活跃度的消息推送方法及相关设备 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN112966891A (zh) * | 2021-01-23 | 2021-06-15 | 成都市环境保护科学研究院(成都市固体废物管理中心) | 一种河流水环境质量预测方法 |
Non-Patent Citations (1)
Title |
---|
代志会;杨默;: "滨海城市饮用水水源水质评价方法筛选", 建筑与预算, no. 03, pages 54 - 59 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258403A (zh) * | 2023-01-19 | 2023-06-13 | 河南省新乡水文水资源勘测局 | 一种基于大数据的水质监测预警方法及*** |
CN116258403B (zh) * | 2023-01-19 | 2023-09-15 | 河南省新乡水文水资源勘测局 | 一种基于大数据的水质监测预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113791186B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警***及方法 | |
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及*** | |
CN111275307A (zh) | 一种水质自动在线站高频连续观测数据质量控制方法 | |
CN112036755A (zh) | 一种建筑工程质量检测的监管方法及*** | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN110297207A (zh) | 智能电表的故障诊断方法、***及电子装置 | |
CN115376045A (zh) | 基于多模态融合深度学习的公共安全指挥智能化处理方法 | |
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
CN113936132B (zh) | 基于计算机视觉的化工厂水体污染检测方法与*** | |
CN113344133A (zh) | 一种时序行为异常波动检测方法及*** | |
CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理***及方法 | |
CN113791186A (zh) | 一种选择水质异常报警监测因子的方法及其*** | |
CN114151293B (zh) | 风机变桨***的故障预警方法、***、设备及存储介质 | |
CN116932523A (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警***及方法 | |
CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN115144548B (zh) | 有害气体成分实时监测***及其监测方法 | |
CN116708152A (zh) | 基于机器学习的无线网路设备故障根因定位方法及*** | |
CN116383645A (zh) | 一种基于异常检测的***健康度智能监测评估方法 | |
CN115186935A (zh) | 一种机电设备非线性故障预测方法及*** |
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 |