一种油烟超标在线预警方法、系统、设备及存储介质与流程

1.本发明属于油烟设备技术领域，具体涉及一种油烟超标在线预警方法、系统、设备及存储介质。


背景技术：

2.近年来，餐饮油烟污染是民众反应最为强烈的大气污染问题之一，且长期居高不下。仅在国家层面，2020年就收到餐饮油烟举报34208件，占平台总举报量的7.7％，占大气污染举报量的16％。餐饮油烟已成为继工业废气、汽车尾气后的另一主要大气污染源。另一方面，餐饮企业数量巨大，分布散、乱、杂，靠人力监管无法实现全覆盖，仅仅依靠监管人员现场检查已远远满足不了当今的环保要求。大力推广运用新型技术手段，变“人防”为“技防”，是解决当前油烟污染的重要手段。
3.既往的油烟在线监控系统受技术水平的限制，只能简单的监控油烟净化系统的各个设备的开停状态，只要各设备是正常开启的，就简单的认为油烟排放也是正常达标的，又或者监控油烟净化设备的运行功率和状态等，根据这些参数的变化以判断油烟净化设备的工作状态，从而估算设备需要进行清洗，以及油烟排放是否达标，又或者接收到了所在区域的投诉反馈，才能被动的知道油烟超标。现有的油烟在线监控系统仍存在以下缺点：只能对现有的油烟超标企业进行干预，不能对企业的油烟设备使用过程中的超标情况进行实时预警，进而不能实现全过程的油烟设备的可控管理。


技术实现要素：

4.本发明的目的在于克服现有技术中存在的上述不足，而提供一种油烟超标在线预警方法，可以对企业的油烟设备使用过程中的超标情况进行实时预警。
5.本发明提供了一种油烟超标在线预警方法，包括以下步骤：
6.获取油烟设备历史-时间窗内的油烟监测数据和投诉数据，所述历史-时间窗为所述油烟设备的当前时刻的前m天内，其中m大于等于1；
7.选定决策树预测模型，基于所述油烟监测数据和投诉数据进行数据训练，得到优化后决策树预测模型；
8.将所述油烟监测数据输入优化后决策树预测模型，计算输出预测油烟超标投诉数据。
9.进一步地，所述油烟监测数据包括日油烟浓度均值、日油烟浓度最大值、排放状态，所述投诉数据为针对油烟超标的有效投诉数据。
10.进一步地，所述在线预警方法还包括：
11.获取企业的企业信息，一个企业对应至少一个油烟设备，所述企业信息包括企业的位置信息和企业对应的油烟设备的油烟监测数据；
12.根据所述企业信息，构建企业位置与所述油烟设备之间的关联，得到企业基于至少一个油烟设备的预测油烟超标投诉数据。
13.进一步地，所述基于所述油烟监测数据和投诉数据进行数据训练，优化决策树预测模型的步骤包括以下：
14.读取所述油烟监测数据，以所述油烟监测数据为样本特征划分测试集数据、以所述投诉数据为样本标签划分训练集数据；
15.采用所述决策树预测模型对所述油烟监测数据进行拟合，并计算得分，通过比较训练集数据评分和测试集数据评分判断是否存在过拟合现象，若存在过拟合现象，则对所述决策树预测模型进行剪枝，以优化决策树预测模型。
16.进一步地，所述决策树预测模型的剪枝参数为max_depth＝2。
17.进一步地，所述基于所述油烟监测数据和投诉数据进行数据训练，得到优化后决策树预测模型还包括采用混淆矩阵的方式对优化后决策树预测模型进行评估，所述评估的指标包括准确率、精确度和召回率。
18.进一步地，所述在线预警方法还包括：当所述预测油烟超标投诉数据中存在投诉时，则进行线上预警。
19.一种油烟超标在线预警方法的系统，包括：
20.数据获取模块，用于获取油烟监测数据；
21.数据训练模块，用于对所述油烟监测数据进行训练分析；
22.数据预测模块，用于根据训练分析结果得到未来指定时间的预测油烟超标投诉数据，当所述预测油烟超标投诉数据中存在投诉时，发出预警通知。
23.一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时用于实现如上所述的一种油烟超标在线预警方法的步骤。
24.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的一种油烟超标在线预警方法的步骤。
25.相比现有技术，本发明的有益效果在于：
26.本发明通过获取企业油烟设备历史-时间窗内的油烟监测数据，并对监测数据进行处理分析，进而对未来指定时间内的监测数据进行预警，可实现对企业油烟设备使用过程中的超标情况进行实时预警，及时对存在油烟超标风险的企业进行预警，为企业治理和监管油烟状况提供科学合理的指导，实现油烟设备的可控管理；同时通过建立决策树预测模型可以较好的分析并延袭历史-时间窗内监测数据所呈现的波动性和周期性，进而为未来指定时间内的预警数据提供精确的理论数据基础。
27.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
28.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一简单地介绍，显而易见地，下面描述中的附图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。
29.图1示出了本发明实施例一种油烟超标在线预警方法的流程示意图；
30.图2示出了本发明实施例一种油烟超标在线预警方法的数据训练格式图；
31.图3示出了本发明实施例一种油烟超标在线预警方法的系统的结构示意图。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
33.图1示出了本发明实施例中一种油烟超标在线预警方法流程示意图。如图1所示，本发明提供了一种油烟超标在线预警方法，包括以下步骤：获取油烟设备的历史-时间窗内的油烟监测数据和投诉数据；选定决策树预测模型，基于所述油烟监测数据和投诉数据进行数据训练，得到优化后决策树预测模型；将所述油烟监测数据输入优化后决策树预测模型，计算输出预测油烟超标投诉数据。
34.应该理解的是，虽然图1的示意图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
35.具体地，历史-时间窗内的油烟监测数据和投诉数据为所述油烟设备的当前时刻的前m天内的油烟监测数据和投诉数据，m大于等于1。通过设置历史-时间窗，可充分利用历史监测数据，克服滑动固定时间窗所带来的局限，既能在大时间尺度上把握油烟超标情况，又能够及时反映监测数据的快读骤变，可提高预警的准确率。历史-时间窗可以是日-时间窗或月-时间窗，根据用户需求进行调整。优选地，日-时间窗以日为监测间隔，是对油烟设备监测最小的分解时间窗，即每日凌晨三点获取监控平台前一日的监测数据。精确到日，可更好的掌握企业的油烟设备的每日油烟排放状态以及对油烟超标的投诉情况，及时反映油烟排放情况，有利于及时发现超标问题，进行预警；同时以日为监测间隔，也能为未来指定时间内的油烟超标预警提供更为精确的历史数据基础。
36.油烟浓度是反映餐饮企业油烟是否超标的重要依据，通过监测油烟浓度质量情况，根据油烟浓度变化趋势可判断餐饮企业油烟治理情况。优选地，在一实施例中，以日-时间窗为监测间隔，油烟监测数据包括日油烟浓度均值、日油烟浓度最大值以及排放状态。在另一实施例中，在基于月-时间窗进行监测时，油烟监测数据包括月油烟浓度均值、月油烟浓度最大值以及排放状态。具体地，投诉数据为针对油烟超标的有效投诉数据，即在油烟设备上安装有油油烟监控终端，当油烟经过油烟监控终端时，油烟监控终端对油烟浓度进行检测，并将数据传输至监控平台，当日油烟浓度均值、日油烟浓度最大值中至少一个超过设定阈值，则由监控平台进行投诉，其中因油烟监控终端故障、监控平台出错等原因导致的异常投诉为无效投诉数据。通过监测投诉数据可以反向定位超标的企业油烟设备，进而更好
的进行管理。
37.进一步地，该油烟超标在线预警方法还包括：
38.获取企业的企业信息，一个企业对应至少一个油烟设备，该企业信息包括企业的位置信息和企业对应的油烟设备的油烟监测数据；根据该企业信息，构建企业位置与油烟设备之间的关联，得到企业基于至少一个油烟设备的预测油烟超标投诉数据和投诉数据。
39.具体地，一个企业对应至少一个油烟设备，当一个企业对应多个油烟设备室，在对单个企业的油烟设备监控数据分析时，将多个油烟设备进行叠加，即统计多个油烟设备的监控数据均值能够更加全面的评估单个企业的油烟排放情况，避免对单个企业的多个油烟设备排放情况出现错判或者漏判，提高对企业油烟设备的监管效果。同时，在此基础上，该油烟超标在线预警方法还包括获取多个企业的企业信息，多个企业对应多个油烟设备，基于多个油烟设备，得到被监控的多个企业的油烟监测数据和投诉数据，并基于企业位置信息进行统计分析。通过获取多个企业的数据，并将多个企业的数据基于其位置信息进行整合，可以得到以街道、区级、镇级、市级或省级为统计单位的投诉数据，可更直观的展示企业油烟设备的超标情况，便于用户对油烟超标情况进行管理和预警。
40.决策树算法是一种逼近离散函数值的方法，它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树算法构造决策树来发现数据中蕴含的分类规则，如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树的构造可以分为两步进行，第一步，决策树的生成，有训练样本集生成决策树的过程。第二步，决策树的剪枝，决策树的剪枝是对上一阶段生成的决策树进行检验、矫正和修下的过程，主要是用测试数据集中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
41.进一步地，如图2所示，基于油烟监测数据和投诉数据进行数据训练，优化决策树预测模型的步骤包括以下：
42.读取油烟监测数据，以油烟监测数据为样本特征划分测试集数据、以所述投诉数据为样本标签划分训练集数据；采用所述决策树预测模型对所述油烟监测数据进行拟合，并计算得分，通过比较训练集数据评分和测试集数据评分判断是否存在过拟合现象，若存在过拟合现象，则对所述决策树预测模型进行剪枝，以优化决策树预测模型。
43.在本发明实施例中，数据划分方法为：x_train,x_test,y_train,y_test＝train_test_split(iris.iloc[:,2:5],iris.iloc[:,5],train_size＝0.6,test_size＝0.4,random_state＝1234)，其中x_train表示划分出的训练集数据即训练后划分出来的训练数据集列表，格式为[排放状态，日油烟浓度均值，日油烟浓度最大值]；x_test表示划分出的测试集数据即训练后划分出来的测试数据集列表，格式为[排放状态，日油烟浓度均值，日油烟浓度最大值]；y_train表示划分出的训练集数据的标签即训练后得出的是否投诉的训练数据集列表；y_test表示划分出的测试集数据的标签即训练后得出的是否投诉的测试数据集列表；iris表示读取的监测数据集合；iloc[:,2:5]表示取训练数据中第2，第3，第4列(即图2中c、d、e列)数据作为待划分的样本特征集合；iloc[:,5]表示取训练数据中第5列(即图2中f列)作为待划分的样本标签；train_size表示训练集占总样本的比例，本发明中train_size取值为0.6；test_size表示测试集占总样本的比例，本发明中test_size取值为
0.4；random_state表示随机数的种子，重复试验的时候，保证得到一组一样的随机数，比如每次为1，在其他参数一样的情况下得到的随机数组是一样的，本发明中random_state取1、2、3或4中任意一个。
[0044]
读取监控平台中油烟监测数据集合，以数据中的日油烟浓度均值、日油烟浓度最大值、排放状态作为待划分的样本特征集合，以数据中的投诉数据作为待划分的样本标签，将读取的数据集合划分为训练集和测试集，采用所述决策树预测模型对所述油烟监测数据进行拟合，并计算得分，其中训练集得分计算公式为：train_score＝y_tree.score(x_train,y_train)，测试集计算得分公式为test_score＝y_tree.score(x_test,ye_test)，通过比较训练集数据评分和测试集数据评分判断是否存在过拟合现象，若训练集得分和测试集得分相差较大，则认为存在过拟合现象，若存在过拟合现象，则对所述决策树预测模型进行剪枝以避免过拟合现象。
[0045]
具体地，采用测试集数据对决策树进行剪枝，通过max_depth参数来限定决策树的深度，当决策树达到限定深度时，就不在分裂，避免过拟合的现象，以优化决策树预测模型。其中剪枝参数使用范围为max_depth:[none,1,2,3,5,10,15]，优选地，剪枝模型确定参数为max_depth＝2。
[0046]
进一步地，基于油烟监测数据和投诉数据进行数据训练，优化决策树预测模型的步骤还包括对优化后的决策树预测模型进行评估，本发明实施例中采用混淆矩阵的方式进行模型评估。
[0047]
混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。具体评价指标有准确率、精确度、召回率(也叫查全率)等，这些精度指标从不同的侧面反映了分类的精度。在分类精度评价中，主要用于比较分类结果和实际测得值，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个实测像元的位置和分类与分类图像中的相应位置和分类相比较计算的，如表1。
[0048]
表1
[0049][0050]
其中0表示不投诉；1表示投诉；tp表示预测为正，实际为正；fp表示预测为正，实际为负；fn表示预测为负，实际为正；tn表示预测为负，实际为负。其中准确率(accuracy)，也称为正确率，表示预测正确的样本在所有样本中的比例，accuracy计算公式＝(tp+tn)/(tp+tn+fp+fn)；精确度(precision)，也称查准率，表示预测正的样本中真实为正的比例，precision计算公式＝tp/(tp+fp)；召回率(recall)，也称查全率，表示成功预测出的正样本占真实正样本的比例，recall计算公式＝tp/(tp+fn)。
[0051]
将训练集数据输入优化后决策树预测模型、knn模型、svm模型中，以knn模型、svm模型作为对照，对优化后决策树预测模型的预测精度进行评估。如下表2-表4是所有模型的混淆矩阵结果：
[0052]
表1knn模型的混淆矩阵结果
[0053]
投诉与否precisionrecallf1-score
00.970.970.97 10.60.650.63
ꢀꢀꢀꢀ
accuracy0.955431 macro avg0.790.810.8weighted avg0.950.950.95
[0054]
表2决策树预测模型的混淆矩阵结果
[0055][0056][0057]
表3svm模型的混淆矩阵结果
[0058]
投诉与否precisionrecallf1-score00.970.970.97 10.620.660.64
ꢀꢀꢀꢀ
accuracy0.955431 macro avg0.80.820.81weighted avg0.950.950.95
[0059]
由于我们研究的是投诉模型，预测投诉但实际没有投诉不会有什么影响，但是预测没有投诉却被投诉了则影响较大，故在召回率上要求更高，而三个模型在0值的召回率和平均召回率的结果上看，用决策树预测模型的结果最好。故针对单个监测点的投诉预测，建议采用优化后决策树预测模型，设置参数max_depth＝2。
[0060]
将所述油烟监测数据输入优化后决策树预测模型，计算输出预测油烟超标投诉数据，该预测油烟超标投诉数据为在未来时间内针对油烟超标而产生的投诉数据，即根据油烟设备现有的油烟监测数据预测是否会产生投诉。预测油烟超标投诉数据可通过曲线图或表格进行展示，其可以具体到企业、街道、区级、镇级、市级或省级的预测油烟超标投诉数据。
[0061]
具体地，本发明通过建立决策树预测模型可以较好的分析并延袭历史-时间窗内监测数据所呈现的波动性和周期性，进而为未来指定时间内的预警数据提供精确的理论数据基础。
[0062]
进一步地，在线预警方法还包括：当预测油烟超标投诉数据存在投诉时，则进行线上预警。根据预测的企业数据列表生成批量预警的插入sql语句，插入数据库，记录预警油烟监测数据，使得预警数据落地，然后在页面查询预警数据作为展示。
[0063]
如图3所示，本发明还提供了一种油烟超标在线预警方法的系统，包括：
[0064]
数据获取模块，用于获取油烟监测数据；其中数据获取模块与油烟监控终端无线
连接，油烟监控终端，用于采集实时油烟监测数据，并将油烟监测数据以报文的形式发送，该油烟监控终端可以为单一的油烟监控仪，也可以为多个油烟指标检测设备的集合。油烟监控终端对油烟浓度进行监测，并通过无线网络将采集数据以数据报文形式向采集服务器发送报文数据(采用环保局hj/t212-2017协议)；
[0065]
数据训练模块，用于对所述油烟监测数据进行训练分析；
[0066]
数据预测模块，用于根据训练分析结果得到未来指定时间的预测油烟超标投诉数据，当所述预测油烟超标投诉数据中存在投诉时，发出预警通知。
[0067]
本发明提供的一种油烟超标在线预警方法的应用，通过环境监测技术、地理信息技术、云计算技术等手段，实现对油烟浓度的监测和预警。监管人员通过系统平台(电脑或手机)即可查看辖区餐饮企业油烟超标预警情况，及时发现并处理异常情况。系统通过对油烟数据的在线预警，实现了对餐饮企业油烟治理和排放的超前监管，可及时遏制企业油烟超标的情况，科学合理的控制油烟数据。通过采用决策树及其预测模型，分析企业油烟设备的历史数据以对未来数据进行预测，为企业治理和监管油烟状况提供科学合理的指导。
[0068]
本发明还提供了一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时用于实现如上所述的一种油烟超标在线预警方法的步骤。
[0069]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的一种油烟超标在线预警方法的步骤。
[0070]
本发明所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)，它用作外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddr sdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)。
[0071]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0072]
本发明是参照根据本发明实施例的方法、设备(系统)、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。
[0073]
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。
[0074]
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。
[0075]
尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

技术特征：
1.一种油烟超标在线预警方法，其特征在于，包括以下步骤：获取油烟设备历史-时间窗内的油烟监测数据和投诉数据，所述历史-时间窗为所述油烟设备的当前时刻的前m天内，其中m大于等于1；选定决策树预测模型，基于所述油烟监测数据和投诉数据进行数据训练，得到优化后决策树预测模型；将所述油烟监测数据输入所述优化后决策树预测模型，计算输出预测油烟超标投诉数据。2.根据权利要求1所述的一种油烟超标在线预警方法，其特征在于，所述油烟监测数据包括日油烟浓度均值、日油烟浓度最大值、排放状态，所述投诉数据为针对油烟超标的有效投诉数据。3.根据权利要求1所述的一种油烟超标在线预警方法，其特征在于，所述在线预警方法还包括：获取企业的企业信息，一个企业对应至少一个油烟设备，所述企业信息包括企业的位置信息和企业对应的油烟设备的油烟监测数据；根据所述企业信息，构建企业位置与所述油烟设备之间的关联，得到企业基于至少一个油烟设备的预测油烟超标投诉数据。4.根据权利要求1所述的一种油烟超标在线预警方法，其特征在于，所述基于所述油烟监测数据和投诉数据进行数据训练，得到优化后决策树预测模型的步骤包括以下：读取所述油烟监测数据，以所述油烟监测数据为样本特征划分测试集数据、以所述投诉数据为样本标签划分训练集数据；采用所述决策树预测模型对所述油烟监测数据进行拟合，并计算得分，通过比较训练集数据评分和测试集数据评分判断是否存在过拟合现象，若存在过拟合现象，则对所述决策树预测模型进行剪枝，得到优化后决策树预测模型。5.根据权利要求4所述的一种油烟超标在线预警方法，其特征在于，所述决策树预测模型的剪枝参数为max_depth＝2。6.根据权利要求1所述的一种油烟超标在线预警方法，其特征在于，所述基于所述油烟监测数据和投诉数据进行数据训练，得到优化后决策树预测模型还包括采用混淆矩阵的方式对优化后决策树预测模型进行评估，所述评估的指标包括准确率、精确度和召回率。7.根据权利要求1所述的一种油烟超标在线预警方法，其特征在于，所述在线预警方法还包括：当所述预测油烟超标投诉数据中存在投诉时，则进行线上预警。8.根据权利要求1-7任一项所述的一种油烟超标在线预警方法的系统，其特征在于，包括：数据获取模块，用于获取油烟监测数据；数据训练模块，用于对所述油烟监测数据进行训练分析；数据预测模块，用于根据训练分析结果得到未来指定时间的预测油烟超标投诉数据，当所述预测油烟超标投诉数据中存在投诉时，发出预警通知。9.一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时用于实现如权利要求1-7中任一项所述的一种油烟超标在线预警方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如权利要求1-7中任一项所述的一种油烟超标在线预警方法的步骤。

技术总结
本发明属于油烟设备技术领域，具体涉及一种油烟超标在线预警方法、系统、设备及存储介质，包括：获取油烟设备历史-时间窗内的油烟监测数据和投诉数据，所述历史-时间窗为所述油烟设备的当前时刻的前m天内；选定决策树预测模型，基于所述油烟监测数据和投诉数据进行数据训练，优化决策树预测模型；将所述油烟监测数据输入优化后决策树预测模型，计算输出预测油烟超标投诉数据。本发明通过获取既往油烟监测数据，并对监测数据进行处理分析，进而对未来指定时间内的监测数据进行预警，可实现对企业油烟设备使用过程中的超标情况进行实时预警，及时对存在油烟超标风险的企业进行预警，为企业治理和监管油烟状况提供科学合理的指导。导。导。


技术研发人员：杨蓉 谷育钢 李玉涛 曾庆龙
受保护的技术使用者：广州正虹环境科技有限公司
技术研发日：2023.03.07
技术公布日：2023/7/21