一种环境异常智能检测方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种环境异常智能检测方法。


背景技术：

2.在工业园区中，为保证工作环境安全，需要对厂区的环境进行检测。在通过空气质量进行环境异常智能检测的过程中，需要通过厂区中全部的空气质量传感器数据进行环境异常智能检测。空气质量传感器所检测的污染物为常用的六项空气污染物，包括二氧化氮（）、二氧化硫（）、一氧化碳（）、臭氧（）和颗粒物（、）。
3.现有技术中，通过空气质量传感器进行环境异常智能检测的方法为基于空气质量传感器所采集的检测数据建立时序数据集，通过数据集建立基于聚类算法的异常检测模型，例如：通过采集到的数据集进行cblof（cluster-based local outlier factor，基于聚类的局部因子检测法）异常检测，进而检测到空气质量传感器数据中的异常数据点，并且随着传感器数据的不断采集，将新采集到的数据点放入模型中，根据数据点与最近的簇类中心点的距离作为数据点的异常程度，以此进行环境异常的预警。
4.现有的环境异常智能检测方法中，由于传感器的空气质量检测数据存在着噪声值，因此，为保证异常检测模型能够准确地检测到园区中的环境异常，在采集到空气质量传感器的数据之后且在进行异常检测之前，需要对每个传感器的时序数据进行数据清洗，将其中的噪声点进行消除。现有技术中对于噪声数据点的消除所采用的常用方法是通过时序数据的wma（加权移动平均）方法，以时序平滑来消除噪声。
5.然而，在现有的空气质量检测传感器的时序数据噪声消除的过程中采用一致的平滑标准，会将异常数据点同样进行平滑处理，会导致在后的异常检测中降低异常数据点在cblof中的离群程度；并且对于空气质量检测数据进行wma的默认权重，无法准确地将空气质量时序数据进行噪声消除，最终导致环境检测的准确性降低。


技术实现要素：

6.本发明的目的在于提供一种环境异常智能检测方法，用于解决现有环境检测准确性低的问题。
7.为解决上述技术问题，本发明提供了一种环境异常智能检测方法，包括以下步骤：（1）获取检测区域内，每个空气质量传感器的位置数据、以及实时采集的空气质量检测数据；（2）在空气质量检测数据中选出每个空气质量传感器的若干组波动数据，并计算每个空气质量传感器的每组波动数据的噪声程度；对于某个空气质量传感器的若干组波动数据，噪声程度的计算过程为：计算该空气质量传感器与其他各个空气质量传感器之间的距离值，将所述距离值按照从小到大的顺序进行排序，并将排序得到的序列中前若干个距离值对应的其他空气质量传感器作为该空气质量传感器的邻近的若干空气质量传感器；
根据该空气质量传感器与其邻近的若干空气质量传感器的位置关系计算该空气质量传感器的波动数据与其邻近的若干空气质量传感器的对应空气质量检测数据的关联度；基于该空气质量传感器的波动数据计算该空气质量传感器的波动数据的离群因子，基于其邻近的若干空气质量传感器的对应空气质量检测数据计算其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子；根据所述关联度、该空气质量传感器的波动数据的离群因子、其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子计算该空气质量传感器的各组波动数据的噪声程度；（3）根据各空气质量传感器的各组波动数据的噪声程度计算各空气质量传感器的各组波动数据的平滑权重，噪声程度与平滑权重为反相关关系；（4）根据所述平滑权重对空气质量检测数据进行数据去噪处理，根据去噪处理后的空气质量检测数据以及环境异常智能检测模型完成环境异常智能检测。
8.进一步地，步骤（2）中，还包括基于该空气质量传感器的波动数据与其邻近的若干空气质量传感器的对应空气质量检测数据计算影响因子，根据影响因子优化其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子的步骤。
9.进一步地，步骤（3）中，平滑权重的计算过程为：；其中，为第个空气质量传感器的第组波动数据的第k个数据点的平滑权重；为第个空气质量传感器的第组波动数据的第k个数据点的噪声程度；为第个空气质量传感器的第组波动数据的第k个数据点对应的平滑的窗口内的第a个数据点的噪声程度；l为平滑的窗口长度。
10.进一步地，步骤（2）中，噪声程度的计算过程为：其中，为第个空气质量传感器的第组波动数据的第k个数据点的噪声程度；为第个空气质量传感器的第组波动数据的第k个数据点的离群因子；为优化后的其邻近的若干空气质量传感器中的第个空气质量传感器的第组空气质量检测数据的第k个数据点的离群因子；为第个空气质量传感器的波动数据与其邻近的若干空气质量传感器中的第个空气质量传感器的对应空气质量检测数据的关联度；为其邻近的若干空气质量传感器的数量；为调整因子；为线性归一化函数，e为自然常数，| |为取绝对值符号。
11.进一步地，步骤（2）中，关联度的计算过程为：其中，为第个空气质量传感器的波动数据与其邻近的若干空气质量传感器中的第个空气质量传感器的对应空气质量检测数据的关联度；为线性归一化函数；为第个空气质量传感器与其邻近的若干空气质量传感器中的第个空气质量传感器之间的空间距离；为第个空气质量传感器的第组波动数据；为其邻近的若干空气质量传感器中的第个空气质量传感器对应的第组空气质量检测数据；为动态时间规整距离函数；为波动数据总组数。
12.进一步地，步骤（2）中，离群因子是根据各数据点的局部平均链接距离计算得到。
13.进一步地，影响因子的计算过程为：其中，为其邻近的若干空气质量传感器中的第个空气质量传感器对应的第组空气质量检测数据的第k个数据点的k时序序列邻域中的第n个数据点的影响因子；为第个空气质量传感器的第组波动数据的第k个数据点的局部平均链接距离；为其邻近的若干空气质量传感器中的第个空气质量传感器对应的第组空气质量检测数据的第k个数据点的k时序序列邻域中的第n个数据点的局部平均链接距离；为归一化函数，| |为取绝对值符号，为取最大值符号，为取最小值符号。
14.进一步地，数据去噪处理的方法为加权移动平均方法。
15.进一步地，环境异常智能检测模型为隐马尔可夫模型。
16.进一步地，还包括根据隐马尔可夫模型进行环境预测的步骤。
17.本发明具有如下有益效果：本发明在得到每个空气质量传感器的位置关系以及所采集的空气质量检测数据之后，首先，选出波动数据，基于相邻传感器之间的关联度可以初步判断波动数据为异常数据还是噪声数据，也即关联度大，波动数据为噪声数据的可能性大，接着基于波动数据以及相邻传感器对应数据计算出相应数据的离群因子，最后基于离群因子的差异以及关联度确定波动数据的噪声程度，根据噪声程度确定平滑权重，如果噪声程度高，说明波动数据为噪声数据，那么在平滑过程中降低波动数据的平滑权重，这样可以降低噪声数据的影响，如果噪声程度低，说明波动数据为异常数据，那么在平滑过程中提高波动数据的平滑权重，这样可以提高异常数据的影响，实现了消除时序数据中噪声点的同时保证异常数据点的显著，可以更加准确的进行环境检测。
附图说明
18.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。
19.图1为本发明的环境异常智能检测方法的流程图；图2为本发明噪声程度的计算流程图。
具体实施方式
20.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技术方案的具体实施方式、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。
21.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。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
22.本发明的主要构思在于：基于现有的数据平滑处理过程中噪声数据和异常数据权重不准确导致环境检测不准确的问题，经研究发现，在园区中出现空气污染时，不止是一个空气质量检测传感器会出现数值上的变化，对于空气污染辐射范围会根据污染源与空气流动情况先后出现多个传感器数据上的变化，因此本发明根据每个空气质量传感器的波动数据与其邻近的若干空气质量传感器对应的空气质量检测数据的关联程度以及离群因子计算出每个空气质量传感器的波动数据中每个数据点的噪声程度，基于每个数据点的噪声程度确定每个数据点的平滑权重，实现噪声程度越大，平滑权重越小，噪声程度越小，平滑权重越大，进而利用计算好的平滑权重进行数据处理，实现了消除时序数据中噪声点的同时保证异常数据点的显著，可以更加准确的进行环境检测。
23.本实施例提出的一种环境异常智能检测方法，如图1所示，包括以下步骤：s01.获取检测区域内，每个空气质量传感器的位置数据、以及实时采集的空气质量检测数据。
24.本发明所针对的具体场景为：在一个区域的环境检测中，在不同的位置设置多个空气质量传感器，以实现该区域中不同位置的空气质量检测。
25.设置多个空气质量传感器的原因在于，当监测区域中出现空气质量异常时，受到影响的不止是单一的空气质量传感器，而是对于一个范围内的空气质量传感器都有影响，因此，通过不同位置的空气质量传感器所采集的数据可以更加准确的进行噪声点数据与异常数据的区分。
26.因此，本发明在工业园区中，为保证对于整个园区的环境监测，需要在园区中布置多个空气质量传感器，以对园区空气中的常规污染物含量进行检测。对于园区中的空气质量传感器，通过对园区进行数字化建模，获取到园区的平面图并确定每一个空气质量检测传感器的空间位置，并且采集每一个空气质量检测传感器的检测时序数据。
27.其中传感器的空间位置关系可以通过园区二维平面作为衡量区域，对于每一个传感器检测到的多维数据（每一种污染物为一个维度）本发明以其中的含量数据为例，对于每一个污染物都可以建立一个环境异常智能检测模型，进而共同形成一个环境异常智能
检测方法。
28.至此，获取到空气质量传感器的空间位置与空气中含量时序数据。
29.s02.在步骤s01的数据中，选出每个空气质量传感器的若干组波动数据，并计算每个空气质量传感器的每组波动数据的噪声程度。
30.本步骤中，如图2所示，对于某个空气质量传感器采集的若干组波动数据，每组波动数据的噪声程度的计算过程如下：s021.计算该空气质量传感器的波动数据与其邻近的若干空气质量传感器的对应空气质量检测数据的关联度（这里的对应是指时序上对应）。
31.对于园区内的传感器集合为，其中集合中的每一个元素即为一个空气质量传感器的坐标位置，如第个传感器的坐标即为，那么在整个集合中即可获取空气质量传感器之间的空间距离。
32.本发明中，假设一个园区中存在个空气质量传感器，对于第个传感器，确定该传感器的个最近邻传感器（也即与第个传感器邻近的若干空气质量传感器的数量为），本发明中，（值可以根据实际场景中的园区内空气质量传感器数量与园区大小进行调整）。为了确定该第i个传感器的个最近邻传感器，计算该第i个传感器与其他各个空气质量传感器之间的距离值，将这些距离值按照从小到大的顺序进行排序，并将排序得到的序列中前个距离值对应的其他空气质量传感器作为该第i个传感器的邻近的若干空气质量传感器。设第个空气质量传感器邻近的若干空气质量传感器为空气质量传感器组合，关联度的计算过程为：其中，为第个空气质量传感器的波动数据与空气质量传感器组合中的第个空气质量传感器的对应空气质量检测数据的关联度，为第个空气质量传感器与空气质量传感器组合中的第个空气质量传感器之间的空间距离，此处的空间距离为二者在园区平面模型的坐标系中的欧氏距离；为第个空气质量传感器的第组波动数据，也即第个空气质量传感器中的第个波动子序列（波动区间的时序数据）；为空气质量传感器组合中的第个空气质量传感器对应的第组空气质量检测数据，同样为时序数据的子序列；为波动数据总组数；为动态时间规整距离函数；为线性归一化函数，用于对空气质量传感器组合中的每一个空气质量传感器所计算出的括号内的数值进行线性归一化，其线性归一化方法为。
33.本发明中设定，即在第个传感器的历史时序数据中选出（人工标注）个波动区间，首先，通过第个传感器以及空气质量传感器组合中的第个传感器的历史时序数据中相同区间中的时序数据进行距离衡量，将个波动子序列之间的距离
均值作为两个传感器的波动相似性的衡量；接着，对于全部个空间位置最近邻传感器之间的波动相似性与空间欧氏距离之间的比值作为传感器之间关联性的衡量；最后通过归一化获取两个传感器之间的关联度。
34.从关联度的计算公式可以看出，通过传感器之间的异常波动距离与空间位置欧氏距离的衡量获取到的传感器之间的关联度，进而当出现空气污染时，可以根据关联度在传感器之间进行异常数据点偏移的判断，当第i个传感器的波动数据与空气质量传感器组合中的第个空气质量传感器的对应空气质量检测数据的关联度大时，则说明第i个传感器的波动数据可能为异常数据点，当关联度小时，表明第i个传感器的波动数据偏移在空气质量传感器组合中没有相似的数据点偏移，则说明第i个传感器的波动数据可能为噪声数据点。
35.s022.计算该空气质量传感器的波动数据的离群因子、以及其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子。
36.设第个空气质量传感器的第组波动数据的第k个数据点为imk，空气质量传感器组合中的第个空气质量传感器对应的第组空气质量检测数据的第k个数据点为jmk，第k个数据点为imk的k时序序列邻域（这里的k时序序列邻域也即某个数据点时序上的邻域数据点的数量，一般k=10）中的第n个数据点为in，第k个数据点为jmk的k时序序列邻域中的第n个数据点为jn，第个空气质量传感器的第组波动数据的第k个数据点的离群因子的计算过程为：其中，为第个空气质量传感器的第组波动数据的第k个数据点的局部平均链接距离；为第k个数据点imk的k时序序列邻域中的第n个数据点in的局部平均链接距离。也即数据点in是属于第i个空气质量传感器的第组波动数据集合im内，关于局部平均链接距离的计算为现有技术，这里不做过多赘述。
37.空气质量传感器组合中的第个空气质量传感器的第组空气质量检测数据的第k个数据点的离群因子的计算过程为：其中，为空气质量传感器组合中的第个空气质量传感器对应的第组空气质量检测数据的第k个数据点的局部平均链接距离；为第k个数据点jmk的k时序序列邻域中的第n个数据点jn的局部平均链接距离；也即数据点jn是属于空气质量传感器组合中的第个空气质量传感器对应的第组空气质量检测数据集合
内。
38.关于，由于在实际场景中，存在着污染物扩散过程中的时间差异，也就是会出现对于第个传感器中的第组波动数据，在空气质量传感器组合中的第个传感器采集到的数据中的个数据点中才出现对应的波动。那么在通过之间对应的第组数据点进行衡量时，就会出现错误判断，为解决这个问题，就需要在对比的过程中在一个范围内进行变化对应数据点的判断。在第个传感器的数据点imk通过空气质量传感器组合的第个传感器的数据点jmk获取噪声程度进行判断的过程中，对于空气质量传感器组合中的第个传感器中数据点jmk附近的数据点也需要进行判断，从而消除因为时间差异带来的噪声程度不准确。
39.对于，通过其距离邻域中数据点各自的距离邻域中的连通情况进行判断。当出现空气质量传感器组合中第个传感器数据点jmk的距离邻域中的数据点的局部平均链接距离与第个传感器数据点imk的局部平均链接距离相近的数据点时，则说明两个传感器的时序数据中出现了因为空气污染物扩散的时间差异，那么在这个情况下就需要通过平均链接距离相近的数据点在计算离群因子的过程中进行更高程度的参考。
40.因此需要通过差异相近进行平均链接距离的影响因子的计算，进而对进行优化，优化后的空气质量传感器组合中的第个空气质量传感器的第组空气质量检测数据的第k个数据点的离群因子的计算过程为：的计算过程为：其中，为第k个数据点jmk的k时序序列邻域中的第n个数据点jn的影响因子；为归一化函数；| |为取绝对值符号；为取最大值符号，为取最小值符号；表示数据点imk的局部平均链接距离减去数据点jmk的k时序序列邻域中每个数据点的局部平均链接距离的最大值；表示数据点imk的局部平均链接距离减去数据点jmk的k时序序列邻域中每个数据点的局部平均链接距离的最小值，上述公式是对数据点jn的影响因子归一化的过程。
41.相较于直接通过数据点imk与数据点jmk进行离群因子的衡量，基于上述的离群因子优化，通过影响因子可以消除因为实际场景中因为空气中污染物的传播时间差异导致的数据点噪声程度判断不准确的问题。
42.s023.根据步骤s021计算的关联度、以及步骤s022计算的离群因子计算该空气质
量传感器的各组波动数据的噪声程度。
43.其中，为第个空气质量传感器的第组波动数据的第k个数据点的噪声程度，为调整因子，取值，保证分母不为；为空气质量传感器组合中空气质量传感器的数量，此处根据设定；e为自然常数，| |为取绝对值符号。
44.上述噪声程度的公式中，通过相邻近的传感器对应数据点之间离群因子的差异与传感器之间的关联度的比值作为差异衡量。当与越接近，则说明该数据点越可能为异常数据点；也就是越接近于，则说明该数据点越可能为异常数据点，而与差异越大，则说明该数据点越可能为噪声数据点。
45.因为在实际场景中空气中污染物的扩散会因为风向存在着一个方向性，所以对于近邻中的关联传感器就不是全部都有关联，所以在上式中通过前个传感器的归一化数值之和作为数据点的噪声程度。
46.基于通过传感器之间的对应数据点的离群因子差异与传感器空间关联度的相似关系进行数据点噪声程度的衡量，在后续过程中通过该噪声程度对数据点的的滑窗中的数据点权重分布进行衡量，相较于传统的中数据点权重根据正弦函数进行加权可以更有针对性地将噪声数据点进行平滑同时保留时序数据中的异常数据点。
47.s03.根据步骤s02计算出的各空气质量传感器的各组波动数据的噪声程度计算各空气质量传感器的各组波动数据的平滑权重。
48.在进行时序数据的平滑去噪时，则可以根据数据点的噪声程度对滑窗内数据点的平滑权重进行获取，噪声程度与平滑权重为反相关关系，噪声程度高的数据点，则进行更小权重的选取，从而降低平滑过程中的噪声影响。
49.平滑权重的计算过程为：；其中，为第个空气质量传感器的第组波动数据的第k个数据点的平滑权重；为第个空气质量传感器的第组波动数据的第k个数据点对应的平滑的窗口内的第a个数据点的噪声程度；l为平滑的窗口长度，也即平滑的窗口长度，这里取l=11，也就是说，对于一个数据点通过其两侧的十个数据点进行平滑，在窗口中每一个数据点都有其噪声程度，第个空气质量传感器的第组波动数据的第k个数据点属于窗口内。
50.s04.根据步骤s03计算出的平滑权重进行数据去噪处理，去噪后的空气质量检测数据输入训练好的隐马尔可夫模型，完成环境异常智能检测。
51.本步骤中，在得到根据步骤s03的平滑权重进行平滑后的空气质量检测时序数据之后，根据历史数据对每一个数据点的状态进行标注，0为正常状态，1为偏离状态，2为异常状态。通过历史数据中的前数据进行初始状态概率转移矩阵的获取，并根据所有历史数据进行隐马尔可夫模型的训练。
52.在获取到用于环境异常智能检测的隐马尔可夫模型之后，对于每一个新采集到的空气质量数据，根据状态概率转移矩阵中概率最高的状态转移预测出下一个数据点的状态，当检测到预测状态为异常状态时进行预警。
53.本发明根据相邻传感器对应的检测数据的关联度和离群因子，得到每个波动数据中每个数据点的噪声程度，进而基于造成程度确定每个数据点的平滑权重，也即通过需要进行环境检测区域中的多传感器之间的数据点的一致与差异进行数据预处理，消除时序数据中噪声点的同时保证异常数据点的显著，提高了数据处理的准确性，进而提高环境检测的准确性。
54.需要说明的是：以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种环境异常智能检测方法，其特征在于，包括以下步骤：（1）获取检测区域内，每个空气质量传感器的位置数据、以及实时采集的空气质量检测数据；（2）在空气质量检测数据中选出每个空气质量传感器的若干组波动数据，并计算每个空气质量传感器的每组波动数据的噪声程度；对于某个空气质量传感器的若干组波动数据，噪声程度的计算过程为：计算该空气质量传感器与其他各个空气质量传感器之间的距离值，将所述距离值按照从小到大的顺序进行排序，并将排序得到的序列中前若干个距离值对应的其他空气质量传感器作为该空气质量传感器的邻近的若干空气质量传感器；根据该空气质量传感器与其邻近的若干空气质量传感器的位置关系，计算该空气质量传感器的波动数据与其邻近的若干空气质量传感器的对应空气质量检测数据的关联度；基于该空气质量传感器的波动数据计算该空气质量传感器的波动数据的离群因子，基于其邻近的若干空气质量传感器的对应空气质量检测数据计算其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子；根据所述关联度、该空气质量传感器的波动数据的离群因子、其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子计算该空气质量传感器的各组波动数据的噪声程度；（3）根据各空气质量传感器的各组波动数据的噪声程度计算各空气质量传感器的各组波动数据的平滑权重，噪声程度与平滑权重为反相关关系；（4）根据所述平滑权重对空气质量检测数据进行数据去噪处理，根据去噪处理后的空气质量检测数据以及环境异常智能检测模型完成环境异常智能检测。2.根据权利要求1所述的环境异常智能检测方法，其特征在于，步骤（2）中，还包括基于该空气质量传感器的波动数据与其邻近的若干空气质量传感器的对应空气质量检测数据计算影响因子，根据影响因子优化其邻近的若干空气质量传感器的对应空气质量检测数据的离群因子的步骤。3.根据权利要求1所述的环境异常智能检测方法，其特征在于，步骤（3）中，平滑权重的计算过程为：；其中，为第个空气质量传感器的第组波动数据的第k个数据点的平滑权重；为第个空气质量传感器的第组波动数据的第k个数据点的噪声程度；为第个空气质量传感器的第组波动数据的第k个数据点对应的平滑的窗口内的第a个数据点的噪声程度；l为平滑的窗口长度。4.根据权利要求2所述的环境异常智能检测方法，其特征在于，步骤（2）中，噪声程度的计算过程为：
其中，为第个空气质量传感器的第组波动数据的第k个数据点的噪声程度；为第个空气质量传感器的第组波动数据的第k个数据点的离群因子；为优化后的其邻近的若干空气质量传感器中的第个空气质量传感器的第组空气质量检测数据的第k个数据点的离群因子；为第个空气质量传感器的波动数据与其邻近的若干空气质量传感器中的第个空气质量传感器的对应空气质量检测数据的关联度；为其邻近的若干空气质量传感器的数量；为调整因子；为线性归一化函数，e为自然常数，| |为取绝对值符号。5.根据权利要求1所述的环境异常智能检测方法，其特征在于，步骤（2）中，关联度的计算过程为：其中，为第个空气质量传感器的波动数据与其邻近的若干空气质量传感器中的第个空气质量传感器的对应空气质量检测数据的关联度；为线性归一化函数；为第个空气质量传感器与其邻近的若干空气质量传感器中的第个空气质量传感器之间的空间距离；为第个空气质量传感器的第组波动数据；为其邻近的若干空气质量传感器中的第个空气质量传感器对应的第组空气质量检测数据；为动态时间规整距离函数；为波动数据总组数。6.根据权利要求1所述的环境异常智能检测方法，其特征在于，步骤（2）中，离群因子是根据各数据点的局部平均链接距离计算得到。7.根据权利要求2所述的环境异常智能检测方法，其特征在于，影响因子的计算过程为：其中，为其邻近的若干空气质量传感器中的第个空气质量传感器对应的第组空气质量检测数据的第k个数据点的k时序序列邻域中的第n个数据点的影响因子；为第个空气质量传感器的第组波动数据的第k个数据点的局部平均链接距离；为其邻近的若干空气质量传感器中的第个空气质量传感器对应的第组空气质量检测数据的第k个数据点的k时序序列邻域中的第n个数据点的局部平均链接距离；为归一化函数，| |为取绝对值符号，为取最大值符号，为取最小值符号。
8.根据权利要求1所述的环境异常智能检测方法，其特征在于，数据去噪处理的方法为加权移动平均方法。9.根据权利要求1所述的环境异常智能检测方法，其特征在于，环境异常智能检测模型为隐马尔可夫模型。10.根据权利要求9所述的环境异常智能检测方法，其特征在于，还包括根据隐马尔可夫模型进行环境预测的步骤。

技术总结
本发明涉及数据处理技术领域，具体涉及一种环境异常智能检测方法。方法包括：获取检测区域内，每个空气质量传感器的位置数据、以及实时采集的空气质量检测数据；选出波动数据，并计算噪声程度；噪声程度的计算过程为：根据该空气质量传感器与其邻近的若干空气质量传感器的位置关系计算关联度；基于该空气质量传感器的波动数据与其邻近的若干空气质量传感器的对应空气质量检测数据计算对应的离群因子；根据所述关联度、各离群因子波动数据的噪声程度；根据噪声程度计算平滑权重，噪声程度与平滑权重为反相关关系；去噪后完成检测。本发明实现了消除时序数据中噪声点的同时保证异常数据点的显著，可以更加准确的进行环境检测。测。测。


技术研发人员：高晓霞
受保护的技术使用者：山东瑞程数据科技有限公司
技术研发日：2023.06.08
技术公布日：2023/7/12