CN117407828B - 一种应用于海绵城市雨水收集***数据分析方法 - Google Patents

一种应用于海绵城市雨水收集***数据分析方法 Download PDF

Info

Publication number
CN117407828B
CN117407828B CN202311724859.2A CN202311724859A CN117407828B CN 117407828 B CN117407828 B CN 117407828B CN 202311724859 A CN202311724859 A CN 202311724859A CN 117407828 B CN117407828 B CN 117407828B
Authority
CN
China
Prior art keywords
data
monitoring data
rainwater
rainwater monitoring
abnormality
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
Application number
CN202311724859.2A
Other languages
English (en)
Other versions
CN117407828A (zh
Inventor
戚天芳
曹明成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Dortor Rain Rainwater Recycling Co ltd
Original Assignee
Shenzhen Dortor Rain Rainwater Recycling Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Dortor Rain Rainwater Recycling Co ltd filed Critical Shenzhen Dortor Rain Rainwater Recycling Co ltd
Priority to CN202311724859.2A priority Critical patent/CN117407828B/zh
Publication of CN117407828A publication Critical patent/CN117407828A/zh
Application granted granted Critical
Publication of CN117407828B publication Critical patent/CN117407828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种应用于海绵城市雨水收集***数据分析方法，包括：获取雨水监测数据；根据雨水监测数据之间的距离，获取每个雨水监测数据的邻域数据；根据每个雨水监测数据与每个雨水监测数据的邻域数据之间的距离，获取每个雨水监测数据的初始异常程度；获取每个雨水监测数据的每项数据的异常程度，进而得到每个雨水监测数据的若干项疑似异常数据；根据每个雨水监测数据中每项疑似异常数据，获取每个雨水监测数据的异常因子；根据每个雨水监测数据的异常因子以及初始异常程度，获取每个雨水监测数据的实际异常程度，进而得到雨水监测数据中的异常数据；本发明旨在识别出准确的异常数据。

Description

一种应用于海绵城市雨水收集***数据分析方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种应用于海绵城市雨水收集***数据分析方法。
背景技术
随着水资源和环境问题的日益严重，海绵城市理念应运而生，旨在通过绿色基础设施和可持续水资源管理来改善城市的水文环境，雨水收集***作为城市的重要组成部分，对于有效利用雨水资源、缓解城市内涝、改善水质等具有重要意义，而对雨水收集***中的雨水监测数据进行异常分析，能够有助于雨水收集***进行优化雨水的处理和利用方式，确保了雨水资源的有效利用。
通过LOF算法对雨水监测数据进行异常检测时，是根据雨水监测数据与其相邻的雨水监测数据之间的密度，进行异常数据判断，而雨水监测数据的每项数据出现异常时都会使得雨水监测数据出现异常，因此雨水监测数据中的各项数据的异常也同样一个影响着雨水监测数据的异常数据，因此根据雨水监测数据与其相邻的雨水监测数据之间的密度，得到的异常数据不准确，可能会造成误检。
发明内容
为了解决上述问题，本发明提供一种应用于海绵城市雨水收集***数据分析方法。
本发明的一种应用于海绵城市雨水收集***数据分析方法采用如下技术方案：
本发明一个实施例提供了一种应用于海绵城市雨水收集***数据分析方法，该方法包括以下步骤：
获取雨水监测数据；
根据雨水监测数据之间的距离，获取每个雨水监测数据的邻域数据；根据每个雨水监测数据与每个雨水监测数据的邻域数据之间的距离，获取每个雨水监测数据的初始异常程度；
根据雨水监测数据的每项数据的值，获取每个雨水监测数据的每项数据的异常程度；根据每个雨水监测数据的每项数据的异常程度，获取每个雨水监测数据的若干项疑似异常数据；根据每个雨水监测数据中每项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子；根据每个雨水监测数据的异常因子以及初始异常程度，获取每个雨水监测数据的实际异常程度；
根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的异常数据。
优选的，所述根据雨水监测数据之间的距离，获取每个雨水监测数据的邻域数据，包括的具体步骤如下：
预设邻域数据数量，将每个雨水监测数据的各项数据映射到一个多维坐标系中，在多维坐标系中，获取与第/>个雨水监测数据距离最近的/>个雨水监测数据，记为第/>个雨水监测数据的邻域数据。
优选的，所述根据每个雨水监测数据与每个雨水监测数据的邻域数据之间的距离，获取每个雨水监测数据的初始异常程度，包括的具体步骤如下：
在多维坐标系中，获取第个雨水监测数据与第/>个雨水监测数据的每个邻域数据之间的距离，将最大的距离作为第/>个雨水监测数据的初始异常程度。
优选的，所述根据雨水监测数据的每项数据的值，获取每个雨水监测数据的每项数据的异常程度，包括的具体步骤如下：
式中，代表第/>个雨水监测数据的第/>项数据的异常程度；/>表示第/>个雨水监测数据的邻域数据的数量；/>代表第/>个雨水监测数据的第/>项数据的值；/>代表第/>个雨水监测数据的第/>个领域数据的第/>项数据的值；/>代表第/>个雨水监测数据的所有邻域数据的第/>项数据的值的标准差；/>代表绝对值符号。
优选的，所述根据每个雨水监测数据的每项数据的异常程度，获取每个雨水监测数据的若干项疑似异常数据，包括的具体步骤如下：
预设异常程度阈值，若第/>个雨水监测数据的第/>项数据的异常程度大于或等于异常程度阈值/>，将第/>个雨水监测数据的第/>项数据记为第/>个雨水监测数据的一项疑似异常数据，得到第/>个雨水监测数据的若干项疑似异常数据。
优选的，所述根据每个雨水监测数据中每项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子，包括的具体步骤如下：
根据每个雨水监测数据的每项数据的异常程度，得到每个雨水监测数据中每项疑似异常数据的异常程度；
式中，代表第/>个雨水监测数据的异常因子；/>代表第/>个雨水监测数据的疑似异常数据的项数；/>代表第/>个雨水监测数据的第/>项疑似异常数据的异常程度。
优选的，所述得到每个雨水监测数据中每项疑似异常数据的异常程度，包括的具体步骤如下：
将每个雨水监测数据中每项疑似异常数据对应项数据的异常程度，作为每个雨水监测数据中每项疑似异常数据的异常程度。
优选的，所述根据每个雨水监测数据的异常因子以及初始异常程度，获取每个雨水监测数据的实际异常程度，包括的具体步骤如下：
式中，表示第/>个雨水监测数据的实际异常程度；/>代表第/>个雨水监测数据的异常因子；/>代表第/>个雨水监测数据的初始异常程度。
优选的，所述根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的若干异常数据，包括的具体步骤如下：
预设实际异常程度阈值，若第/>个雨水监测数据的实际异常程度大于或等于实际异常程度阈值/>，则第/>个雨水监测数据为雨水监测数据中的一个异常数据，获取雨水监测数据中的异常数据。
优选的，所述获取雨水监测数据，包括的具体步骤如下：
在雨水收集***中获取近一段时间中的若干个雨水监测数据，每个雨水监测数据中包含若干项数据：雨水收集量、雨水PH值、雨水浑浊度、雨水重金属含量以及雨水有机物含量。
本发明的技术方案的有益效果是：本发明首先获取雨水监测数据的邻域数据；根据雨水监测数据与其邻域数据之间的距离，量化得到雨水监测数据的初始异常程度，反映雨水监测数据自身的异常；根据雨水监测数据的每项数据与其邻域数据的每项数据的值的差异，获取每个雨水监测数据的每项数据的异常程度，得到每个雨水监测数据的若干项疑似异常数据，接着根据雨水监测数据的若干项疑似异常数据的异常程度，得到雨水监测数据的异常因子，通过分析雨水监测数据每项数据的异常来分析雨水监测数据整体的异常，使得对雨水监测数据的异常分析更加准确；最后根据每个雨水监测数据的异常因子结合初始异常程度，获取每个雨水监测数据的实际异常程度，进而得到雨水监测数据中的异常数据，不仅考虑了雨水监测数据中每项数据的异常还考虑了雨水监测数据自身的异常，使得获取的雨水监测数据的实际异常程度更加准确，使得到异常数据更加准确，避免了误检现象。
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，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他的附图。
图1为本发明的一种应用于海绵城市雨水收集***数据分析方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种应用于海绵城市雨水收集***数据分析方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种应用于海绵城市雨水收集***数据分析方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种应用于海绵城市雨水收集***数据分析方法的步骤流程图，该方法包括以下步骤：
S001．采集雨水监测数据。
需要说明的是，本发明的目的是对雨水监测数据进行异常数据分析，便于及时发现潜在的环境问题，并且有助于雨水收集***进行优化雨水的处理和利用方式，确保资源的利用，因此需要首先获取雨水监测数据，雨水监测数据中主要包括雨水收集量、雨水pH值、雨水浑浊度、雨水重金属含量、雨水有机物含量等数据。
在本发明实施例中，在雨水收集***中获取近一段时间中的若干个雨水监测数据，其中每个雨水监测数据中包含若干项数据：雨水收集量、雨水PH值、雨水浑浊度、雨水重金属含量以及雨水有机物含量；需要说明的是，雨水收集***对雨水监测数据的采集频率为1次/天，并且在下雨时采集雨水监测数据，在未下雨时不采集雨水监测数据。
至此，获取了雨水监测数据。
S002．根据雨水监测数据，获取每个雨水监测数据的邻域数据；根据每个雨水监测数据与其邻域数据之间的距离，获取每个雨水监测数据的初始异常程度。
需要说明的是，LOF算法根据每个数据与每个数据的邻域数据的距离获取数据的异常程度，能够将局部相对密度异常的数据从全部数据中检测出来，因此在本发明中首先获取每个雨水监测数据的邻域数据，接着根据每个雨水监测数据与其邻域数据之间的距离，获取每天雨水监测数据的初始异常程度。
在本发明实施例中，获取每个雨水监测数据的邻域数据：预设邻域数据数量，将每个雨水监测数据的各项数据映射到一个多维坐标系中，则每个雨水监测数据对应多维坐标系中一个坐标点，而每项数据均为多维坐标系中的一个维度，在多维坐标系中，获取与第个雨水监测数据距离最近的/>个雨水监测数据，即与第/>个雨水监测数据对应的坐标点欧式距离最近的/>个坐标点对应的雨水监测数据，记为第/>个雨水监测数据的邻域数据，同理获取每个雨水监测数据的邻域数据，在本发明实施例中，预设邻域数据数量/>，在其他实施例中，实施人员可根据具体实施情况设置/>的值。
获取每个雨水监测数据的初始异常程度：在多维坐标系中，获取第个雨水监测数据与第/>个雨水监测数据的每个邻域数据之间的距离，将最大距离作为第/>个雨水监测数据的初始异常程度，需要说明的是，雨水监测数据之间的距离度量使用欧式距离。
至此，根据雨水监测数据，获取每个雨水监测数据的邻域数据；根据每个雨水监测数据与其邻域数据之间的距离，获取每个雨水监测数据的初始异常程度。
S003．获取每个雨水监测数据的每项数据的异常程度，根据每个雨水监测数据的每项数据的异常程度，获取每个雨水监测数据的若干项疑似异常数据，根据每个雨水监测数据的若干项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子，根据每个雨水监测数据的异常因子以及每个雨水监测数据的初始异常程度，获取每个雨水监测数据的实际异常程度。
需要说明的是，当雨水监测数据中的任何一项数据与其邻域数据的该项数据的值的相差较大，也可认为雨水监测数据存在异常，因此通过分析任意一个雨水监测数据的任意一项数据与其邻域数据的该项数据的值的差异，获取该雨水监测数据的该项数据的异常程度，便于后续根据该雨水监测数据的每项数据的异常程度，获取该雨水监测数据的异常因子。
在本发明实施例中，获取第个雨水监测数据的第/>项数据的异常程度：
式中，代表第/>个雨水监测数据的第/>项数据的异常程度；/>表示第/>个雨水监测数据的邻域数据的数量；/>代表第/>个雨水监测数据的第/>项数据的值；/>代表第/>个雨水监测数据的第/>个领域数据的第/>项数据的值；/>代表第/>个雨水监测数据的所有邻域数据的第/>项数据的值的标准差；/>代表绝对值符号；/>代表第/>个雨水监测数据的第/>项数据的值与第/>个雨水监测数据的第/>个领域数据的第/>项数据的值的差值绝对值；代表第/>个雨水监测数据的第/>项数据的值与其所有领域数据的第/>项数据的值的平均差异，如果平均差异与第/>个雨水监测数据的所有邻域数据的第/>项数据的值的标准差的比值越大时，说明第/>个雨水监测数据的第/>项数据与其邻域数据的所有第/>项数据相比，离群程度越大，则第/>个雨水监测数据的第/>项数据的异常程度越大，同理，获取每个雨水监测数据的每项数据的异常程度。
需要说明的是，当任意一个雨水监测数据的任意一项数据的异常程度大于1时，说明该雨水监测数据的该项数据的值与其所有邻域数据的该项数据的值的平均差异远远超过了该雨水监测数据的所有邻域数据的该项数据的值的标准差（所有邻域数据的该项数据的波动程度），此时该雨水监测数据的该项数据更有可能为异常数据。
在本发明实施例中，预设异常程度阈值，当第/>个雨水监测数据的第/>项数据的异常程度大于或等于异常程度阈值/>时，第/>个雨水监测数据的第/>项数据为疑似异常数据，将第/>个雨水监测数据的第/>项数据记为第/>个雨水监测数据的一项疑似异常数据，得到第/>个雨水监测数据的若干项疑似异常数据；同理，获取每个雨水监测数据的若干项疑似异常数据，在本发明实施例中，预设异常程度阈值/>，在其他实施例中，实施人员可根据具体实施情况设置/>的值。
需要说明的是，对于每个雨水监测数据的异常程度，需要考虑每个雨水监测数据的每项疑似异常数据的异常程度，已知每项疑似异常数据的异常程度的值大于1，因此当每个雨水监测数据中所有项疑似异常数据的异常程度与1的差异越大时，说明该雨水监测数据越异常，因此在本发明中，根据每个雨水监测数据中每项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子。
在本发明实施例中，获取第个雨水监测数据的异常因子：
将每个雨水监测数据中每项疑似异常数据对应项数据的异常程度，作为每个雨水监测数据中每项疑似异常数据的异常程度；
式中，代表第/>个雨水监测数据的异常因子；/>代表第/>个雨水监测数据的疑似异常数据的项数；/>代表第/>个雨水监测数据的第/>项疑似异常数据的异常程度，同理，获取每个雨水监测数据的异常因子，需要说明的是，对于不存在疑似异常数据的雨水监测数据，其异常因子的值为0。
需要说明的是，每个雨水监测数据的初始异常程度，是根据雨水监测数据之间的距离所获取，反应的雨水监测数据整体的异常，而每个雨水监测数据的异常因子评判了雨水监测数据中的每项数据的异常程度，因此本发明需要根据每个雨水监测数据的初始异常程度以及每个雨水监测数据的异常因子，获取每个雨水监测数据的实际异常程度。
在本发明实施例中，获取每个雨水监测数据的实际异常程度：
其中，表示第/>个雨水监测数据的实际异常程度；/>代表第/>个雨水监测数据的异常因子；/>代表第/>个雨水监测数据的初始异常程度；当第/>个雨水监测数据的初始异常程度以及第/>个雨水监测数据的异常因子越大时，第/>个雨水监测数据的实际异常程度越大。
至此，获取每个雨水监测数据的每项数据的异常程度，根据每个雨水监测数据的每项数据的异常程度，获取每个雨水监测数据的若干项疑似异常数据，根据每个雨水监测数据的若干项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子，根据每个雨水监测数据的异常因子以及每个雨水监测数据的初始异常程度，获取每个雨水监测数据的实际异常程度。
S004.根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的异常数据。
需要说明的是，当任意一个雨水监测数据的实际异常程度越大时，该雨水监测数据越异常，因此根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的异常数据。
在本发明实施例中，预设实际异常程度阈值，若第/>个雨水监测数据的实际异常程度大于或等于实际异常程度阈值/>，则第/>个雨水监测数据为雨水监测数据中的一个异常数据，获取雨水监测数据中的若干异常数据，在本发明实施例中，预设实际异常程度阈值，在其他实施例中，实施人员可根据具体实施情况设置/>的值。
当雨水监测数据中存在异常数据时，对产生异常数据的原因进行分析，可以及时发现潜在的环境问题，并且有助于雨水收集***进行优化雨水的处理和利用方式，确保雨水资源的有效利用，确保城市水环境的健康和稳定。
至此，根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的异常数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种应用于海绵城市雨水收集***数据分析方法，其特征在于，该方法包括以下步骤：
获取雨水监测数据；
根据雨水监测数据之间的距离，获取每个雨水监测数据的邻域数据；根据每个雨水监测数据与每个雨水监测数据的邻域数据之间的距离，获取每个雨水监测数据的初始异常程度；
根据雨水监测数据的每项数据的值，获取每个雨水监测数据的每项数据的异常程度，所述根据雨水监测数据的每项数据的值，获取每个雨水监测数据的每项数据的异常程度，包括的具体步骤如下：
式中，代表第/>个雨水监测数据的第/>项数据的异常程度；/>表示第/>个雨水监测数据的邻域数据的数量；/>代表第/>个雨水监测数据的第/>项数据的值；/>代表第/>个雨水监测数据的第/>个领域数据的第/>项数据的值；/>代表第/>个雨水监测数据的所有邻域数据的第/>项数据的值的标准差；/>代表绝对值符号；
根据每个雨水监测数据的每项数据的异常程度，获取每个雨水监测数据的若干项疑似异常数据；根据每个雨水监测数据中每项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子，所述根据每个雨水监测数据中每项疑似异常数据的异常程度，获取每个雨水监测数据的异常因子，包括的具体步骤如下：
将每个雨水监测数据中每项疑似异常数据对应项数据的异常程度，作为每个雨水监测数据中每项疑似异常数据的异常程度；
式中，代表第/>个雨水监测数据的异常因子；/>代表第/>个雨水监测数据的疑似异常数据的项数；/>代表第/>个雨水监测数据的第/>项疑似异常数据的异常程度；
根据每个雨水监测数据的异常因子以及初始异常程度，获取每个雨水监测数据的实际异常程度，所述根据每个雨水监测数据的异常因子以及初始异常程度，获取每个雨水监测数据的实际异常程度，包括的具体步骤如下：
式中，表示第/>个雨水监测数据的实际异常程度；/>代表第/>个雨水监测数据的初始异常程度；
根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的异常数据。
2.根据权利要求1所述的一种应用于海绵城市雨水收集***数据分析方法，其特征在于，所述根据雨水监测数据之间的距离，获取每个雨水监测数据的邻域数据，包括的具体步骤如下：
预设邻域数据数量，将每个雨水监测数据的各项数据映射到一个多维坐标系中，在多维坐标系中，获取与第/>个雨水监测数据距离最近的/>个雨水监测数据，记为第/>个雨水监测数据的邻域数据。
3.根据权利要求2所述的一种应用于海绵城市雨水收集***数据分析方法，其特征在于，所述根据每个雨水监测数据与每个雨水监测数据的邻域数据之间的距离，获取每个雨水监测数据的初始异常程度，包括的具体步骤如下：
在多维坐标系中，获取第个雨水监测数据与第/>个雨水监测数据的每个邻域数据之间的距离，将最大的距离作为第/>个雨水监测数据的初始异常程度。
4.根据权利要求1所述的一种应用于海绵城市雨水收集***数据分析方法，其特征在于，所述根据每个雨水监测数据的每项数据的异常程度，获取每个雨水监测数据的若干项疑似异常数据，包括的具体步骤如下：
预设异常程度阈值，若第/>个雨水监测数据的第/>项数据的异常程度大于或等于异常程度阈值/>，将第/>个雨水监测数据的第/>项数据记为第/>个雨水监测数据的一项疑似异常数据，得到第/>个雨水监测数据的若干项疑似异常数据。
5.根据权利要求1所述的一种应用于海绵城市雨水收集***数据分析方法，其特征在于，所述根据每个雨水监测数据的实际异常程度，获取雨水监测数据中的若干异常数据，包括的具体步骤如下：
预设实际异常程度阈值，若第/>个雨水监测数据的实际异常程度大于或等于实际异常程度阈值/>，则第/>个雨水监测数据为雨水监测数据中的一个异常数据，获取雨水监测数据中的异常数据。
6.根据权利要求1所述的一种应用于海绵城市雨水收集***数据分析方法，其特征在于，所述获取雨水监测数据，包括的具体步骤如下：
在雨水收集***中获取近一段时间中的若干个雨水监测数据，每个雨水监测数据中包含若干项数据：雨水收集量、雨水PH值、雨水浑浊度、雨水重金属含量以及雨水有机物含量。
CN202311724859.2A 2023-12-15 2023-12-15 一种应用于海绵城市雨水收集***数据分析方法 Active CN117407828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311724859.2A CN117407828B (zh) 2023-12-15 2023-12-15 一种应用于海绵城市雨水收集***数据分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311724859.2A CN117407828B (zh) 2023-12-15 2023-12-15 一种应用于海绵城市雨水收集***数据分析方法

Publications (2)

Publication Number Publication Date
CN117407828A CN117407828A (zh) 2024-01-16
CN117407828B true CN117407828B (zh) 2024-03-19

Family

ID=89500381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311724859.2A Active CN117407828B (zh) 2023-12-15 2023-12-15 一种应用于海绵城市雨水收集***数据分析方法

Country Status (1)

Country Link
CN (1) CN117407828B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117668684B (zh) * 2024-01-31 2024-04-16 新风光电子科技股份有限公司 基于大数据分析的电网电能数据异常检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018418A (zh) * 2012-12-16 2013-04-03 天津大学 景观水体水质在线预警***
CN111398886A (zh) * 2020-04-09 2020-07-10 国网山东省电力公司电力科学研究院 一种自动化检定流水线表位在线异常的检测方法及***
CN114527249A (zh) * 2022-01-17 2022-05-24 南方海洋科学与工程广东省实验室(广州) 一种水质监测数据质量控制方法及***
CN115333678A (zh) * 2022-10-17 2022-11-11 江西省绿时代低碳环保发展有限公司 一种无人船水质监测数据传输方法及***
CN116522270A (zh) * 2023-07-04 2023-08-01 西安启迪能源技术有限公司 用于智慧海绵城市的数据处理***
CN117078048A (zh) * 2023-10-17 2023-11-17 深圳市福山自动化科技有限公司 基于数字孪生的智慧城市资源管理方法及***
CN117093879A (zh) * 2023-10-19 2023-11-21 无锡尚航数据有限公司 一种数据中心智能化运营管理方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018418A (zh) * 2012-12-16 2013-04-03 天津大学 景观水体水质在线预警***
CN111398886A (zh) * 2020-04-09 2020-07-10 国网山东省电力公司电力科学研究院 一种自动化检定流水线表位在线异常的检测方法及***
CN114527249A (zh) * 2022-01-17 2022-05-24 南方海洋科学与工程广东省实验室(广州) 一种水质监测数据质量控制方法及***
CN115333678A (zh) * 2022-10-17 2022-11-11 江西省绿时代低碳环保发展有限公司 一种无人船水质监测数据传输方法及***
CN116522270A (zh) * 2023-07-04 2023-08-01 西安启迪能源技术有限公司 用于智慧海绵城市的数据处理***
CN117078048A (zh) * 2023-10-17 2023-11-17 深圳市福山自动化科技有限公司 基于数字孪生的智慧城市资源管理方法及***
CN117093879A (zh) * 2023-10-19 2023-11-21 无锡尚航数据有限公司 一种数据中心智能化运营管理方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Kohonen-SOM LOF Approach for Anomaly Detection;Amri Muhaimin等;《2021 IEEE 7th Information Technology International Seminar (ITIS)》;20220616;第1-6页 *
基于LOF与CEEMD的城镇取用水监测数据异常值识别;宋丽娜等;《水利信息化》;20220430(第02期);第33-40页 *
基于异常值识别的计量小区短期需水量预测;胡诗苑等;《哈尔滨工业大学学报》;20220831;第54卷(第08期);第43-51页 *

Also Published As

Publication number Publication date
CN117407828A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN117407828B (zh) 一种应用于海绵城市雨水收集***数据分析方法
CN105717556B (zh) 一种基于大数据的自分型雷达估测降水方法
CN109815627B (zh) 一种径流变异影响因子确定方法及***
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
WO2023134626A1 (zh) 一种基于cart分类模型的黑臭水体提取方法
CN111161097B (zh) 基于假设检验的事件检测算法检测开关事件的方法和装置
CN117093947B (zh) 一种发电柴油机运行异常监测方法及***
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN118038278B (zh) 一种建筑工程质量智能检测方法及***
CN109389172B (zh) 一种基于无参数网格的无线电信号数据聚类方法
CN117251749A (zh) 一种基于增量分析的物联网数据处理方法
CN112766590A (zh) 一种居民典型电力消费模式的提取方法与***
CN117273195A (zh) 一种蒸汽供热***需求负荷预测方法
CN106816871B (zh) 一种电力***状态相似性分析方法
CN115453664A (zh) 一种适用于无资料地区的降雨径流预报方法
CN115456440A (zh) 分布式光伏电站发电特性的评估方法、装置及***
CN111985563B (zh) 一种基于谐波发射水平的工业用户电力设备分类方法
CN110751398B (zh) 一种区域生态质量评价方法及装置
CN114114400A (zh) 微地震事件有效信号拾取方法
CN106452947A (zh) 一种用于光纤安防大数据存储的方法
CN112529311A (zh) 一种基于图卷积分析的道路流量预测方法和装置
CN110990791A (zh) 一种基于大数据处理的智能电网建设用数据分析方法
CN108108864B (zh) 一种实验室质量控制数据管理方法
CN111553611B (zh) 一种获取设计良率的方法及装置
CN118152740B (zh) 一种基于绿色能源支撑的算网数据可视化方法及***

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