CN116186594B - 基于决策网络结合大数据实现环境变化趋势智能检测方法 - Google Patents
基于决策网络结合大数据实现环境变化趋势智能检测方法 Download PDFInfo
- Publication number
- CN116186594B CN116186594B CN202310462050.0A CN202310462050A CN116186594B CN 116186594 B CN116186594 B CN 116186594B CN 202310462050 A CN202310462050 A CN 202310462050A CN 116186594 B CN116186594 B CN 116186594B
- Authority
- CN
- China
- Prior art keywords
- data
- environmental
- environment
- classified
- classification
- 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
Images
Classifications
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及环境分析技术领域,揭露了一种基于决策网络结合大数据实现环境变化趋势智能检测方法,包括:计算当前环境数据中每个数据的相似系数;对当前环境数据进行数据分类,得到分类环境数据,对分类环境数据进行特征提取,得到环境数据特征,确定分类环境数据中每类数据对应的环境因子,分析环境因子与环境数据特征的线性关系,对目标区域的环境变化趋势进行分析,得到第一分析结果;对历史环境数据中的环境变化趋势进行决策分析,得到分析结果,对目标区域的环境变化趋势进行分析;对第一分析结果和第二分析结果进行结果汇总,得到最终分析结果,生成目标区域的环境变化趋势的检测报告。本发明在于提高环境变化趋势智能检测的准确性。
Description
技术领域
本发明涉及环境分析技术领域,尤其涉及基于决策网络结合大数据实现环境变化趋势智能检测方法。
背景技术
随着科技水平的不断进步,目前全球各地的空气污染问题也日益增加,近年来大部分地区持续遭受到了严重的环境污染,严重的污染会带来一系列不好的影响,包括对人的身心健康以及生物的生存环境都会造成一定的影响,因此需要提前对某些区域进行环境的变化分析,便于了解环境的变化趋势,可以提前对环境进行改进和做好相应的防范措施。
但是现有的环境变化趋势的检测方法是通过相关的检测设备采集检测区域的环境数据,结合环境数据和区域的地质等属性,分析检测区域的环境变化趋势,但是该方法只是通过各个仪器结合当前的环境分析得到的结果,没有结合该区域的历史数据,并且没有采用相应的数据处理网络对数据进行分析,进而导致环境变化趋势检测的结果会存在误差,使得环境变化趋势分析的准确性降低,因此需要一种能够提高环境变化趋势智能检测的准确性的方法。
发明内容
本发明提供基于决策网络结合大数据实现环境变化趋势智能检测方法,其主要目的在于提高环境变化趋势智能检测的准确性。
为实现上述目的,本发明提供的基于决策网络结合大数据实现环境变化趋势智能检测方法,包括:
获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,并对所述分类环境数据进行特征提取,得到环境数据特征;
根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
可选地,所述根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,包括:
对所述当前环境数据进行预处理,得到目标环境数据,对所述目标环境数据进行标签提取,得到环境数据标签;
对所述环境数据标签进行向量化操作,得到环境标签向量,计算所述环境标签向量之间的相似度,得到标签相似度;
对所述标签相似度和所述相似系数,对所述目标环境数据进行分类处理,得到分类环境数据。
可选地,所述对所述分类环境数据进行特征提取,得到环境数据特征,包括:
对所述分类环境数据进行属性解析,得到分类数据属性,提取所述分类数据属性对应的分类属性信号;
计算所述分类属性信号中每个类别的信号权重,得到分类信号权重,根据所述分类信号权重,对所述分类属性信号进行信号筛选,得到目标分类属性信号;
对所述目标分类属性信号进行特征提取,得到分类信号特征,构建所述分类信号特征中每个类别的特征对应的信号特征矩阵,得到分类信号特征矩阵;
根据所述每个类别,对所述分类信号特征矩阵进行加权求和,得到目标特征矩阵,根据所述目标特征矩阵,确定所述分类环境数据的环境数据特征。
可选地,所述计算所述分类属性信号中每个类别的信号权重,得到分类信号权重,包括:
其中,Ej表示分类属性信号每个类别中第j个信号的信号权重,j表示分类属性信号对应的信号序列号,Bj表示分类属性信号中第j个信号对应的信号强度均值,表示第j个属性信号对应的向量协方差,trace()表示空间滤波函数。
可选地,所述对所述分类信号特征矩阵进行加权求和,得到目标特征矩阵,包括:
通过下述公式对所述分类信号特征矩阵进行加权求和:
其中,G表示分类信号特征矩阵加权求和得到的目标特征矩阵,S表示sigmoid函数,、a+1以及a+u表示分类信号特征矩阵中的矩阵序列号,a+u表示分类信号特征矩阵的矩阵总数,ωa表示分类信号特征矩阵中第a个矩阵对应的矩阵权重系数,ha表示分类信号特征矩阵中第a个矩阵对应的矩阵均值,a∈(a,a+u)表示矩阵的选取范围。
可选地,所述根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,包括:
提取所述分类环境数据中的文本,得到数据文本,对所述数据文本进行分词处理,得到数据文本分词;
对所述数据文本分词中每个分词进行语义解析,得到分词语义,根据所述分词语义,提取所述数据文本分词中的关键字符;
根据所述关键字符,从预设的环境字符映射表中查询所述关键字符对应的环境因素,得到第一环境因素;
分析所述分类环境数据中数据对应的数据类别,根据所述数据类别,分析所述分类环境数据对应的环境因素,得到第二环境因素;
结合所述第一环境因素和所述第二环境因素,确定所述分类环境数据中每类数据对应的环境因子。
可选地,所述分析所述环境因子与所述环境数据特征的线性关系,包括:
计算所述环境因子和所述环境数据特征之间的关联系数,根据所述关联系数,构建所述环境因子与所述环境数据特征之间对应的散点图;
对所述散点图进行拟合处理,得到拟合散点图,计算所述拟合散点图中拟合曲线对应的曲线倾斜率;
可选地,所述计算所述环境因子和所述环境数据特征之间的关联系数,包括:
通过下述公式计算所述环境因子和所述环境数据特征之间的关联系数:
其中,L表示环境因子和环境数据特征之间的关联系数,D表示环境因子和环境数据特征对应的维度系数,Y表示环境数据特征的数量,n和n+1分别表示环境因子和环境数据特征的序列号,Mn表示第n个环境因子对应的特征向量,lnMn表示第n个环境因子对应的特征向量的对数值,Pn+1表示第n+1个环境数据特征对应的特征向量,lnPn+1表示第n+1个环境数据特征对应的特征向量的对数值,max()表示对数差值的极大值,min()表示对数差值的极小值。
可选地,所述利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,包括:
利用预设的决策网络中的输入层对所述历史环境数据进行层次划分,得到数据层次;
根据所述数据层次,对所述历史环境数据进行排序,得到数据序列,利用所述决策网络中的隐藏层构建所述历史环境数据对应的数据柱形图;
结合所述数据序列和所述数据柱形图,利用所述决策网络中的决策层对所述历史环境数据进行决策分析,得到分析结果。
为了解决上述问题,本发明还提供基于无人机自动巡护的环境监测***,所述***包括:
数据采集模块,用于获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
特征提取模块,用于根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,并对所述分类环境数据进行特征提取,得到环境数据特征;
线性分析模块,用于根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
变化分析模块,用于调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
报告生成模块,用于对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
本发明通过获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,可以了解所述目标区域的环境方面的数据,便于后续对所述目标区域的环境变化趋势的分析,本发明通过根据所述相似系数,对所述当前环境数据进行数据分类,可以将所述当前环境数据按照相应的规则或者规律划分到一起,进而便于后续数据的处理,其中,本发明通过根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,可以得到所述分类环境数据中每类数据的具体环境因素,以便于后续能够准确地分析环境的变化趋势,其中,本发明通过调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行分析,可以得到所述目标区域对应的历史环境变化趋势情况,提高了后续所述目标区域的环境变化趋势分析的准确性;此外,本发明通过对所述第一分析结果和所述第二分析结果进行结果汇总,可以提高所述目标区域的环境变化趋势分析的准确性,以便于得到更加准确的环境变化分析结果。因此,本发明实施例提供的基于决策网络结合大数据实现环境变化趋势智能检测方法,能够提高环境变化趋势智能检测的准确性。
附图说明
图1为本发明一实施例提供的基于决策网络结合大数据实现环境变化趋势智能检测方法的流程示意图;
图2为本发明一实施例提供的基于决策网络结合大数据实现环境变化趋势智能检测***的功能模块图;
图3为本发明一实施例提供的实现所述基于决策网络结合大数据实现环境变化趋势智能检测方法的电子设备的结构示意图。
图中,1-电子设备;10-处理器;11-存储器;12-通信总线;13-通信接口;100-基于决策网络结合大数据实现环境变化趋势智能检测***;101-数据采集模块;102-特征提取模块;103-线性分析模块;104-变化分析模块;105-报告生成模块。
本发明目的的实现、功能特点及优点将结合实施例,参照附图作进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供基于决策网络结合大数据实现环境变化趋势智能检测方法。本申请实施例中,所述基于决策网络结合大数据实现环境变化趋势智能检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于决策网络结合大数据实现环境变化趋势智能检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于决策网络结合大数据实现环境变化趋势智能检测方法的流程示意图。在本实施例中,所述基于决策网络结合大数据实现环境变化趋势智能检测方法包括步骤S1—S5。
S1、获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,计算所述当前环境数据中每个数据的相似系数。
本发明通过获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,可以了解所述目标区域的环境方面的数据,便于后续对所述目标区域的环境变化趋势的分析。
其中,所述目标区域是需要进行环境变化趋势分析的区域,所述预设的环境采集器是用于对环境进行数据采集的设备,如烟雾检测传感器,所述当前环境数据是所述目标区域当前的环境对应的数据,如空气中的颗粒物含量以及空气湿度等数据。
本发明通过计算所述当前环境数据中每个数据的相似系数,便于后续所述当前环境数据的分类处理,其中,所述相似系数表示所述当前环境数据中每个数据的相似程度。
作为本发明的一个实施例,所述计算所述当前环境数据中每个数据的相似系数,包括:
通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值。
S2、根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,并对所述分类环境数据进行特征提取,得到环境数据特征。
本发明通过根据所述相似系数,对所述当前环境数据进行数据分类,可以将所述当前环境数据按照相应的规则或者规律划分到一起,进而便于后续数据的处理,其中,所述分类环境数据是所述当前环境数据经过分类后得到的属性。
作为本发明的一个实施例,所述根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,包括:对所述当前环境数据进行预处理,得到目标环境数据,对所述目标环境数据进行标签提取,得到环境数据标签,对所述环境数据标签进行向量化操作,得到环境标签向量,计算所述环境标签向量之间的相似度,得到标签相似度,对所述标签相似度和所述相似系数,对所述目标环境数据进行分类处理,得到分类环境数据。
其中,所述目标环境数据是所述当前环境数据经过预处理得到的数据,所述预处理包括数据清理、数据规约以及数据集成等操作,所述环境数据标签是所述目标环境数据对应的数据标识,所述环境标签向量是所述环境数据标签对应的向量表达形式,所述标签相似度表示所述环境标签向量之间的相似程度。
进一步的,对所述目标环境数据进行标签提取可以通过标签提取工具实现,所述标签提取工具是由脚本语言编译,对所述环境数据标签进行向量化操作可以通过word2vec算法实现,所述环境标签向量之间的相似度可以通过计算所述环境标签之间的夹角余弦值得到,对所述目标环境数据进行分类处理可以通过分类函数实现,如if逻辑函数。
本发明通过对所述分类环境数据进行特征提取,可以了解所述分类环境数据的数据表征,便于对分类环境数据进行数据分析,其中,所述环境数据特征是所述分类环境数据中数据的表征。
作为本发明的一个实施例,所述对所述分类环境数据进行特征提取,得到环境数据特征,包括:对所述分类环境数据进行属性解析,得到分类数据属性,提取所述分类数据属性对应的分类属性信号,计算所述分类属性信号中每个类别的信号权重,得到分类信号权重,根据所述分类信号权重,对所述分类属性信号进行信号筛选,得到目标分类属性信号,对所述目标分类属性信号进行特征提取,得到分类信号特征,构建所述分类信号特征中每个类别的特征对应的信号特征矩阵,得到分类信号特征矩阵,根据所述每个类别,对所述分类信号特征矩阵进行加权求和,得到目标特征矩阵,根据所述目标特征矩阵,确定所述分类环境数据的环境数据特征。
其中,所述分类数据属性是所述分类环境数据中每个数据对应的属性信息,所述分类属性信号是所述分类数据属性对应的固定不变的物理量,所述分类信号权重表示所述分类属性信号中每个类别中的信号对应的重要程度,所述目标分类属性信号是所述分类属性信号根据所述分类信号权重的数值大小筛选后得到的属性信号,所述分类信号特征是所述目标分类属性信号的信号表征部分,所述分类信号特征矩阵是所述分类信号特征中每个类别的特征对应的方阵,所述目标特征矩阵是所述分类信号特征矩阵加权求和得到的综合矩阵。
进一步的,对所述分类环境数据进行属性解析可以通过属性解析工具实现,所述属性解析工具是Java语言编译,提取所述分类数据属性对应的分类属性信号可以通过傅里叶变换法实现,对所述分类属性信号进行信号筛选可以通过vlookup函数实现,对所述目标分类属性信号进行特征提取可以通过特征提取算法实现,如lbp特征提取算法,构建所述分类信号特征中每个类别的特征对应的信号特征矩阵可以通过矩阵构建函数实现,如zeros函数。
作为本发明的一个可选实施例,所述计算所述分类属性信号中每个类别的信号权重,得到分类信号权重,包括:
通过下述公式计算所述分类属性信号中每个类别的信号权重:
其中,Ej表示分类属性信号每个类别中第j个信号的信号权重,j表示分类属性信号对应的信号序列号,Bj表示分类属性信号中第j个信号对应的信号强度均值,表示第j个属性信号对应的向量协方差,trace()表示空间滤波函数。
作为本发明的一个可选实施例,所述对所述分类信号特征矩阵进行加权求和,得到目标特征矩阵,包括:
通过下述公式对所述分类信号特征矩阵进行加权求和:
其中,G表示分类信号特征矩阵加权求和得到的目标特征矩阵,S表示sigmoid函数,、a+1以及a+u表示分类信号特征矩阵中的矩阵序列号,a+u表示分类信号特征矩阵的矩阵总数,ωa表示分类信号特征矩阵中第a个矩阵对应的矩阵权重系数,ha表示分类信号特征矩阵中第a个矩阵对应的矩阵均值,a∈(a,a+u)表示矩阵的选取范围。
S3、根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果。
本发明通过根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,可以得到所述分类环境数据中每类数据的具体环境因素,以便于后续能够准确地分析环境的变化趋势,其中,所述环境因子是所述分类环境中每类数据中对应的环境因素,如温度、湿度以及风力等级。
作为本发明的一个实施例,所述根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,包括:提取所述分类环境数据中的文本,得到数据文本,对所述数据文本进行分词处理,得到数据文本分词,对所述数据文本分词中每个分词进行语义解析,得到分词语义,根据所述分词语义,提取所述数据文本分词中的关键字符,根据所述关键字符,从预设的环境字符映射表中查询所述关键字符对应的环境因素,得到第一环境因素,分析所述分类环境数据中数据对应的数据类别,根据所述数据类别,分析所述分类环境数据对应的环境因素,得到第二环境因素,结合所述第一环境因素和所述第二环境因素,确定所述分类环境数据中每类数据对应的环境因子。
其中,所述数据文本是所述分类环境数据中的文字形式的内容,所述数据文本分词是所述数据文本中具有逻辑性的字词,所述分词语义是所述数据文本分词对应的含义和解释,所述关键字符是所述数据文本分词中具有代表性的字符,所述预设的环境字符映射表是通过大量的环境数据训练,得到的环境因素与具有映射关系的字符构成的表格,所述第一环境因素是通过所述关键字符得到的所述分类环境数据中的环境因素,所述数据类别是所述分类环境数据中数据对应的类型,所述第二环境因素是根据所述数据类别分析得到的所述分类环境数据中的环境因素。
进一步的,作为本发明的一个可选实施例,提取所述分类环境数据中的文本可以通过OCR文本识别技术实现,对所述数据文本进行分词处理可以通过ik分词器实现,对所述数据文本分词中每个分词进行语义解析可以通过语义分析法实现,提取所述数据文本分词中的关键字符可以通过TF-IDF算法实现,查询所述关键字符对应的环境因素可以通过查询函数实现,如find函数,分析所述分类环境数据中数据对应的数据类别可以通过分解主体分析法实现,所述分类环境数据对应的环境因素可以通过分析所述数据类别对应的数据类型实现,如气象类别、土壤类别以及地理类别等。
本发明通过分析所述环境因子与所述环境数据特征的线性关系,可以得到所述环境因子和所述环境数据特征之间存在的映射关系,进而便于分析环境对应的变化趋势,其中,所述线性关系表示所述环境因子和所述环境数据特征之间的映射关系。
作为本发明的一个实施例,所述分析所述环境因子与所述环境数据特征的线性关系,包括:计算所述环境因子和所述环境数据特征之间的关联系数,根据所述关联系数,构建所述环境因子与所述环境数据特征之间对应的散点图,对所述散点图进行拟合处理,得到拟合散点图,计算所述拟合散点图中拟合曲线对应的曲线倾斜率,根据所述曲线倾斜率,利用预设的线性函数分析所述环境因子与所述环境数据特征的线性关系。
其中,所述关联系数表示所述环境因子与所述环境数据特征之间的关联程度,所述散点图是根据所述关联系数,将所述环境因子与对应的所述环境数据特征相互对应,并依据所述环境因子为坐标轴,记录所述环境数据特征对应的分布图,所述拟合散点图是所述散点图中的点依据次序通过曲线连接后得到的图形,所述曲线倾斜率表示所述拟合散点图对应的倾斜程度,所述预设的线性函数是用于分析变量之间的线性关系的函数,如一次线性函数。
进一步的,作为本发明的一个可选实施例,构建所述环境因子与所述环境数据特征之间对应的散点图可以通过作图工具实现,如visio工具,对所述散点图进行拟合处理可以通过二乘曲线拟合法实现,计算所述拟合散点图中拟合曲线对应的曲线倾斜率计算方法为:k=(y1-y2)/(x1-x2),k表示曲线倾斜率,x1和y1表示其中一个点的坐标值,x2和y2表示另一个点的坐标值。
进一步的,作为本发明的一个可选实施例,所述计算所述环境因子和所述环境数据特征之间的关联系数,包括:
通过下述公式计算所述环境因子和所述环境数据特征之间的关联系数:
其中,L表示环境因子和环境数据特征之间的关联系数,D表示环境因子和环境数据特征对应的维度系数,Y表示环境数据特征的数量,n和n+1分别表示环境因子和环境数据特征的序列号,Mn表示第n个环境因子对应的特征向量,lnMn表示第n个环境因子对应的特征向量的对数值,Pn+1表示第n+1个环境数据特征对应的特征向量,lnPn+1表示第n+1个环境数据特征对应的特征向量的对数值,max()表示对数差值的极大值,min()表示对数差值的极小值。
本发明通过根据所述线性关系,对所述目标区域的环境变化趋势进行分析,可以通过所述线性关系得到所述目标区域的环境变化趋势,其中,所述第一分析结果是通过所述线性关系分析得到的环境变化结果,进一步的,对所述目标区域的环境变化趋势进行分析可以通过线性回归分析法实现。
S4、调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的环境变化曲线图,根据所述环境变化曲线图,对所述目标区域的环境变化趋势进行分析,得到第二分析结果。
本发明通过调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行分析,可以得到所述目标区域对应的历史环境变化趋势情况,提高了后续所述目标区域的环境变化趋势分析的准确性,其中,所述历史环境数据是所述目标区域之前记录的环境参数信息,所述预设的决策网络是将数据通过图形的方法辅助做出决策的神经网络,如贝叶斯网络。
作为本发明的一个实施例,所述利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,包括:利用预设的决策网络中的输入层对所述历史环境数据进行层次划分,得到数据层次,根据所述数据层次,对所述历史环境数据进行排序,得到数据序列,利用所述决策网络中的隐藏层构建所述历史环境数据对应的数据柱形图,结合所述数据序列和所述数据柱形图,利用所述决策网络中的决策层对所述历史环境数据进行决策分析,得到分析结果。
其中,所述输入层是对所述历史环境数据进行层次分析的神经网络,所述数据层次表示所述历史环境数据中每个数据对应的级别,所述数据序列是所述历史环境数据进行决策分析时对应的优先顺序,所述隐藏层是用于将所述历史环境数据转化成对应的图像形式的神经网络,所述数据柱形图是所述历史环境数据对应的数据图像表达形式,所述决策层是用于对所述历史环境数据进行决策分析的神经网络。
进一步的,对所述历史环境数据进行层次划分可以通过所述输入层中的输入函数实现,如input()函数,对所述历史环境数据进行排序可以通过排序算法实现,如冒泡排序算法,构建所述历史环境数据对应的数据柱形图可以通过所述隐藏层中的单隐层神经网络实现,对所述历史环境数据进行决策分析可以通过所述决策层中的决策树算法实现。
本发明通过根据所述分析结果,构建所述目标区域的历史环境曲线图,可以通过所述历史环境曲线图了解所述目标区域的历史环境变化情况,其中,所述历史环境曲线图是根据所述分析结果构建的所述目标区域的历史环境变化的线路图,进一步的,构建所述目标区域的历史环境曲线图可以通过上述的visio工具实现。
本发明通过根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,便于了解所述目标区域的历史环境变化的情况,其中,所述第二分析结果是所述目标区域的历史环境变化分析的结果,进一步的,对所述目标区域的环境变化趋势进行分析可以通过上述的线性回归分析法实现。
S5、对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
本发明通过对所述第一分析结果和所述第二分析结果进行结果汇总,可以提高所述目标区域的环境变化趋势分析的准确性,以便于得到更加准确的环境变化分析结果,其中,所述最终分析结果是所述第一分析结果和所述第二分析结果融合汇总得到的结果,进一步的,对所述第一分析结果和所述第二分析结果进行结果汇总可以通过CONCATENATE函数实现。
本发明通过根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告,以便于能够直观地了解所述目标区域的环境变化趋势的分析报告。
本发明通过获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,可以了解所述目标区域的环境方面的数据,便于后续对所述目标区域的环境变化趋势的分析,本发明通过根据所述相似系数,对所述当前环境数据进行数据分类,可以将所述当前环境数据按照相应的规则或者规律划分到一起,进而便于后续数据的处理,其中,本发明通过根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,可以得到所述分类环境数据中每类数据的具体环境因素,以便于后续能够准确地分析环境的变化趋势,其中,本发明通过调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行分析,可以得到所述目标区域对应的历史环境变化趋势情况,提高了后续所述目标区域的环境变化趋势分析的准确性;此外,本发明通过对所述第一分析结果和所述第二分析结果进行结果汇总,可以提高所述目标区域的环境变化趋势分析的准确性,以便于得到更加准确的环境变化分析结果。因此,本发明实施例提供的基于决策网络结合大数据实现环境变化趋势智能检测方法,能够提高环境变化趋势智能检测的准确性。
如图2所示,是本发明一实施例提供的基于决策网络结合大数据实现环境变化趋势智能检测***的功能模块图。
本发明所述基于决策网络结合大数据实现环境变化趋势智能检测***100可以安装于电子设备中。根据实现的功能,所述基于决策网络结合大数据实现环境变化趋势智能检测***100可以包括数据采集模块101、特征提取模块102、线性分析模块103、变化分析模块104及报告生成模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据采集模块101,用于获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
所述特征提取模块102,用于根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,并对所述分类环境数据进行特征提取,得到环境数据特征;
所述线性分析模块103,用于根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
所述变化分析模块104,用于调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
所述报告生成模块105,用于对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
详细地,本申请实施例中所述基于决策网络结合大数据实现环境变化趋势智能检测***100中所述的各模块在使用时采用与上述图1中所述的基于决策网络结合大数据实现环境变化趋势智能检测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现基于决策网络结合大数据实现环境变化趋势智能检测方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于决策网络结合大数据实现环境变化趋势智能检测方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于决策网络结合大数据实现环境变化趋势智能检测方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于决策网络结合大数据实现环境变化趋势智能检测方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于决策网络结合大数据实现环境变化趋势智能检测方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,并对所述分类环境数据进行特征提取,得到环境数据特征;
根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,并对所述分类环境数据进行特征提取,得到环境数据特征;
根据所述分类环境数据,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
调取所述目标区域的历史环境数据,利用预设的决策网络对所述历史环境数据中的环境变化趋势进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.基于决策网络结合大数据实现环境变化趋势智能检测方法,其特征在于,所述方法包括:
获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,对所述分类环境数据进行属性解析,得到分类数据属性,提取所述分类数据属性对应的分类属性信号;计算所述分类属性信号中每个类别的信号权重,得到分类信号权重,根据所述分类信号权重,对所述分类属性信号进行信号筛选,得到目标分类属性信号;对所述目标分类属性信号进行特征提取,得到分类信号特征,构建所述分类信号特征中每个类别的特征对应的信号特征矩阵,得到分类信号特征矩阵;根据所述每个类别,对所述分类信号特征矩阵进行加权求和,得到目标特征矩阵,根据所述目标特征矩阵,确定所述分类环境数据的环境数据特征;
根据所述分类环境数据,提取所述分类环境数据中的文本,得到数据文本,对所述数据文本进行分词处理,得到数据文本分词;对所述数据文本分词中每个分词进行语义解析,得到分词语义,根据所述分词语义,提取所述数据文本分词中的关键字符;根据所述关键字符,从预设的环境字符映射表中查询所述关键字符对应的环境因素,得到第一环境因素;分析所述分类环境数据中数据对应的数据类别,根据所述数据类别,分析所述分类环境数据对应的环境因素,得到第二环境因素;结合所述第一环境因素和所述第二环境因素,确定所述分类环境数据中每类数据对应的环境因子;
分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
调取所述目标区域的历史环境数据,利用预设的决策网络中的输入层对所述历史环境数据进行层次划分,得到数据层次;根据所述数据层次,对所述历史环境数据进行排序,得到数据序列,利用所述决策网络中的隐藏层构建所述历史环境数据对应的数据柱形图;结合所述数据序列和所述数据柱形图,利用所述决策网络中的决策层对所述历史环境数据进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
2.如权利要求1所述的基于决策网络结合大数据实现环境变化趋势智能检测方法,其特征在于,所述根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,包括:
对所述当前环境数据进行预处理,得到目标环境数据,对所述目标环境数据进行标签提取,得到环境数据标签;
对所述环境数据标签进行向量化操作,得到环境标签向量,计算所述环境标签向量之间的相似度,得到标签相似度;
对所述标签相似度和所述相似系数,对所述目标环境数据进行分类处理,得到分类环境数据。
5.如权利要求1所述的基于决策网络结合大数据实现环境变化趋势智能检测方法,其特征在于,所述分析所述环境因子与所述环境数据特征的线性关系,包括:
计算所述环境因子和所述环境数据特征之间的关联系数,根据所述关联系数,构建所述环境因子与所述环境数据特征之间对应的散点图;
对所述散点图进行拟合处理,得到拟合散点图,计算所述拟合散点图中拟合曲线对应的曲线倾斜率;
根据所述曲线倾斜率,利用预设的线性函数分析所述环境因子与所述环境数据特征的线性关系。
6.如权利要求5所述的基于决策网络结合大数据实现环境变化趋势智能检测方法,其特征在于,所述计算所述环境因子和所述环境数据特征之间的关联系数,包括:
通过下述公式计算所述环境因子和所述环境数据特征之间的关联系数:
其中,L表示环境因子和环境数据特征之间的关联系数,D表示环境因子和环境数据特征对应的维度系数,Y表示环境数据特征的数量,n和n+1分别表示环境因子和环境数据特征的序列号,Mn表示第n个环境因子对应的特征向量,lnMn表示第n个环境因子对应的特征向量的对数值,Pn+1表示第n+1个环境数据特征对应的特征向量,lnPn+1表示第n+1个环境数据特征对应的特征向量的对数值,max()表示对数差值的极大值,min()表示对数差值的极小值。
7.基于决策网络结合大数据实现环境变化趋势智能检测***,其特征在于,所述***包括:
数据采集模块,用于获取待分析环境的目标区域,利用预设的环境采集器采集所述目标区域的当前环境数据,通过下述公式计算所述当前环境数据中每个数据的相似系数:
其中,F表示当前环境数据中每个数据的相似系数,i表示当前环境数据的序列号,x表示当前环境数据的总数,Ci表示当前环境数据中第i个数据的向量值,Ci+1表示当前环境数据中第i+1个数据的向量值;
特征提取模块,用于根据所述相似系数,对所述当前环境数据进行数据分类,得到分类环境数据,对所述分类环境数据进行属性解析,得到分类数据属性,提取所述分类数据属性对应的分类属性信号;计算所述分类属性信号中每个类别的信号权重,得到分类信号权重,根据所述分类信号权重,对所述分类属性信号进行信号筛选,得到目标分类属性信号;对所述目标分类属性信号进行特征提取,得到分类信号特征,构建所述分类信号特征中每个类别的特征对应的信号特征矩阵,得到分类信号特征矩阵;根据所述每个类别,对所述分类信号特征矩阵进行加权求和,得到目标特征矩阵,根据所述目标特征矩阵,确定所述分类环境数据的环境数据特征;
线性分析模块,用于根据所述分类环境数据,提取所述分类环境数据中的文本,得到数据文本,对所述数据文本进行分词处理,得到数据文本分词;对所述数据文本分词中每个分词进行语义解析,得到分词语义,根据所述分词语义,提取所述数据文本分词中的关键字符;根据所述关键字符,从预设的环境字符映射表中查询所述关键字符对应的环境因素,得到第一环境因素;分析所述分类环境数据中数据对应的数据类别,根据所述数据类别,分析所述分类环境数据对应的环境因素,得到第二环境因素;结合所述第一环境因素和所述第二环境因素,确定所述分类环境数据中每类数据对应的环境因子,分析所述环境因子与所述环境数据特征的线性关系,根据所述线性关系,对所述目标区域的环境变化趋势进行分析,得到第一分析结果;
变化分析模块,用于调取所述目标区域的历史环境数据,利用预设的决策网络中的输入层对所述历史环境数据进行层次划分,得到数据层次;根据所述数据层次,对所述历史环境数据进行排序,得到数据序列,利用所述决策网络中的隐藏层构建所述历史环境数据对应的数据柱形图;结合所述数据序列和所述数据柱形图,利用所述决策网络中的决策层对所述历史环境数据进行决策分析,得到分析结果,根据所述分析结果,构建所述目标区域的历史环境曲线图,根据所述历史环境曲线图和所述环境因子,对所述目标区域的环境变化趋势进行分析,得到第二分析结果;
报告生成模块,用于对所述第一分析结果和所述第二分析结果进行结果汇总,得到最终分析结果,根据所述最终分析结果,生成所述目标区域的环境变化趋势的检测报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462050.0A CN116186594B (zh) | 2023-04-26 | 2023-04-26 | 基于决策网络结合大数据实现环境变化趋势智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462050.0A CN116186594B (zh) | 2023-04-26 | 2023-04-26 | 基于决策网络结合大数据实现环境变化趋势智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186594A CN116186594A (zh) | 2023-05-30 |
CN116186594B true CN116186594B (zh) | 2023-07-04 |
Family
ID=86452573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310462050.0A Active CN116186594B (zh) | 2023-04-26 | 2023-04-26 | 基于决策网络结合大数据实现环境变化趋势智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186594B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823320A (zh) * | 2023-07-04 | 2023-09-29 | 北京华伟恒远信息***技术有限公司 | 一种营商环境数据分析处理方法、***、设备及存储介质 |
CN117540179B (zh) * | 2024-01-10 | 2024-04-12 | 深圳市拓安科技有限公司 | 一种用于实现环境检测的方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114489561A (zh) * | 2022-02-15 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 音频音量智能调节方法、装置、电子设备及存储介质 |
CN114626766A (zh) * | 2022-05-12 | 2022-06-14 | 深圳市伟创高科电子有限公司 | 基于大数据的共享电动车调度方法、装置、设备及介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302436A1 (en) * | 2003-08-25 | 2015-10-22 | Thomas J. Reynolds | Decision strategy analytics |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
BR112018075407A2 (pt) * | 2016-06-07 | 2019-03-19 | Illumina, Inc. | plataforma de análise genômica para executar uma segmentação de análise de sequência |
CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
CN107895008B (zh) * | 2017-11-10 | 2022-02-08 | 中国电子科技集团公司第三十二研究所 | 基于大数据平台的情报信息热点发现方法 |
CA3169998A1 (en) * | 2020-02-03 | 2021-08-12 | Strong Force TX Portfolio 2018, LLC | Artificial intelligence selection and configuration |
CN112180471B (zh) * | 2020-08-21 | 2022-07-12 | 远景智能国际私人投资有限公司 | 天气预报方法、装置、设备及存储介质 |
CN113783841B (zh) * | 2021-08-06 | 2022-11-22 | 成都墨甲信息科技有限公司 | 工业物联网入侵检测网络架构构建方法、装置、设备及存储介质 |
CN115564029A (zh) * | 2022-11-14 | 2023-01-03 | 吉林大学 | 一种基于混合增强智能的高一致性人机混合决策方法 |
-
2023
- 2023-04-26 CN CN202310462050.0A patent/CN116186594B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114489561A (zh) * | 2022-02-15 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 音频音量智能调节方法、装置、电子设备及存储介质 |
CN114626766A (zh) * | 2022-05-12 | 2022-06-14 | 深圳市伟创高科电子有限公司 | 基于大数据的共享电动车调度方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116186594A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112380870A (zh) | 用户意图分析方法、装置、电子设备及计算机存储介质 | |
CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及*** | |
CN114398557B (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN111506729A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN113987188B (zh) | 一种短文本分类方法、装置及电子设备 | |
CN116662839A (zh) | 基于多维智能采集的关联大数据聚类分析方法及装置 | |
CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
CN113343306B (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
CN114418489B (zh) | 物流分拣机器人的智能监测预警方法、装置、设备及介质 | |
CN116842936A (zh) | 关键词识别方法、装置、电子设备和计算机可读存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 | |
CN114970552B (zh) | 基于微服务的用户回访信息分析方法、装置、设备及介质 | |
CN115759875B (zh) | 一种公共资源交易的供应商分类分级管理方法及*** | |
CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 | |
CN116522105B (zh) | 基于云计算的数据一体化搭建的方法、装置、设备及介质 | |
CN114201533B (zh) | 车辆涉水深度检测方法、装置、电子设备及存储介质 | |
CN116307736A (zh) | 风险画像自动生成的方法、装置、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 | ||
GR01 | Patent grant |