[發明專利]一種異常值的識別方法、裝置、電子設備及存儲介質

有效

• 申請號: 202210361921.5
• 申請日: 2022-04-07
• 公開（公告）號: CN114580572B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陳煥盛;王文丁;肖林鴻;杜勃瑩;吳劍斌;秦東明
• 申請（專利權）人: 中科三清科技有限公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/2135;G06Q50/26
• 代理公司: 北京北匯律師事務所 11711
• 代理人: 畢艷紅

1.一種異常值的識別方法，其特征在于，所述方法包括：

確定多個顆粒物組分的統計閾值，所述統計閾值包括單組分閾值和數據波動閾值，所述數據波動閾值包括第一波動數據的數據波動閾值和第二波動數據的數據波動閾值；

獲取待檢測的顆粒物監測數據，所述顆粒物監測數據包括多個顆粒物組分的監測數據；

確定所述顆粒物監測數據中的無效數據，所述無效數據包括以下多種：負值，缺測值，陰陽離子失衡的無效時次的數據，目標顆粒物組分的陰陽離子失衡的無效時次的數據；其中，所述目標顆粒物組分是指重要程度最高的多個顆粒物組分；

對所述無效數據進行相應處理，所述相應處理用于使得所述無效數據不被參考；

基于所述多個顆粒物組分的統計閾值，確定所述顆粒物監測數據的第一得分；

基于訓練后的異常值識別模型，確定所述顆粒物監測數據的第二得分，其中，所述訓練后的異常值識別模型包括多個模型，所述第二得分基于所述多個模型的處理結果得到，所述處理結果用于判定各個顆粒物組分的監測數據屬于正常值或異常值；

獲取所述第一得分的第一權重和所述第二得分的第二權重；

基于所述第一得分、第二得分、第一權重和第二權重，確定最終得分；

基于所述最終得分和預設的得分閾值，確定所述顆粒物監測數據的異常值識別結果；

其中，所述第一得分包括單組分得分和數據波動得分；

所述基于所述各個顆粒物組分的統計閾值，確定所述顆粒物監測數據的第一得分，包括：

基于所述顆粒物監測數據中顆粒物組分的監測數據和對應的統計閾值，確定所述顆粒物監測數據的單組分得分；

基于所述顆粒物監測數據中顆粒物組分在多個監測時次的監測數據，確定顆粒物組分的波動數據，所述波動數據用于指示顆粒物組分的監測數據與相鄰監測時次的監測數據之間的偏差，所述波動數據包括當前時次的監測數據與前一時次的監測數據之間的第一波動數據，以及當前時次的監測數據與后一時次的監測數據之間的第二波動數據；基于顆粒物組分的波動數據和對應的數據波動閾值，確定顆粒物組分的數據波動得分。

2.根據權利要求1所述的方法，其特征在于，確定數據波動得分的顆粒物組分為目標顆粒物組分。

3.根據權利要求1所述的方法，其特征在于，所述確定多個顆粒物組分的統計閾值，包括：

獲取歷史時段的顆粒物監測數據；

根據百分位閾值法，在所述歷史時段的顆粒物監測數據中，統計每個顆粒物組分的單組分閾值的第一上限值和第一下限值；和/或

基于顆粒物組分在所述歷史時段的多個監測時次的監測數據，確定顆粒物組分在所述歷史時段的波動數據；根據百分位閾值法，在所述歷史時段的波動數據中，統計數據波動閾值的第二上限值。

4.根據權利要求1所述的方法，其特征在于，所述第一權重、所述第二權重和所述得分閾值基于質量控制要求進行調整。

5.根據權利要求1所述的方法，其特征在于，所述多個模型的類型包括以下任意多種的組合：基于角度的離群值檢測模型，基于密度的局部離群因子檢測模型，K近鄰檢測模型，特征打包檢測模型，基于聚類的局部離群因子檢測模型，基于直方圖的離群值檢測模型，主成分分析降維檢測模型，單分類支持向量機檢測模型，孤立森林模型。

6.根據權利要求1所述的方法，其特征在于，每個地區所對應的統計閾值和/或異常值識別模型不同，所述統計閾值和/或所述異常值識別模型與對應地區的監測數據特征相適應；或

每個時段所對應的統計閾值和/或異常值識別模型不同，所述統計閾值和/或所述異常值識別模型與對應時段的監測數據特征相適應；或

每個污染條件所對應的統計閾值和/或異常值識別模型不同，所述統計閾值和/或所述異常值識別模型與對應污染條件的監測數據特征相適應。

7.根據權利要求1所述的方法，其特征在于，所述方法還包括：

每當達到更新條件時，基于最新的顆粒物監測數據，重新確定所述多個顆粒物組分的統計閾值，并對所述異常值識別模型重新進行訓練。