[發明專利]基于算法模型的環境整改評判方法

在審

• 申請號: 202210657102.5
• 申請日: 2022-06-10
• 公開（公告）號: CN115034616A
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 何慶龍
• 申請（專利權）人: 賦業數據科技(上海)有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/26;G06N3/04;G06N3/08;G06F16/2458;G06F16/26
• 代理公司: 合肥正則元起專利代理事務所(普通合伙) 34160
• 代理人: 劉培越

1.基于算法模型的環境整改評判方法，其特征在于，包括以下步驟：

步驟一：設置環境整改區域，并采集環境整改區域內進行環境整改前的環境數據；

步驟二：根據所采集到的環境整改區域內進行環境整改前的環境數據，對環境整改區域的環境數據變化進行預測，并生成環境數據整改預測變化圖；

步驟三：在環境數據整改預測變化圖上設置若干個時間監測節點，并將每個時間監測節點對應的環境整改區域內的環境數據與環境數據整改預測變化圖對應的預測數據進行對比；

步驟四：根據對比結果對環境整改區域內的環境整治進度和效果進行評定。

2.根據權利要求1所述的基于算法模型的環境整改評判方法，其特征在于，對環境整改區域內的環境整改前的環境數據的獲取過程包括：

將所設置的環境整改區域的面積標記為S，并在所設置的環境整改區域內設置若干個環境數據采集點，對每個環境數據采集點內進行環境數據采樣，獲得環境數據樣本；環境數據樣本由m組環境數據組成，所述環境數據包括氣體數據、水質數據、聲音數據以及植被覆蓋面積數據。

3.根據權利要求2所述的基于算法模型的環境整改評判方法，其特征在于，所述環境數據采集點根據需求在環境整改區域內的任意位置進行設置，同時對每個環境數據采集點在環境整改區域內的位置進行記錄，生成對應環境數據采集點的位置信息，并將位置信息進行保存。

4.根據權利要求3所述的基于算法模型的環境整改評判方法，其特征在于，對各環境數據采集點的環境數據變化進行預測的過程包括：

構建深度卷積神經網絡訓練模型，并將各個環境數據采集點所獲取到的環境數據樣本輸入至深度卷積神經網絡訓練模型內；

對所輸入的環境數據樣本進行深度卷積訓練，輸出每個環境數據采集點在整改周期內的環境數據變化曲線，并根據所獲得的環境數據變化曲線生成環境數據整改預測變化圖；在環境整改預測變化圖中的環境數據變化曲線上設置若干個時間監測節點。

5.根據權利要求4所述的基于算法模型的環境整改評判方法，其特征在于，所述深度卷積神經網絡訓練模型的建立過程包括：

針對環境整改區域的環境數據樣本，設置環境整改周期T；

根據環境數據樣本中的氣體數據、水質數據聲音數據以及植被覆蓋面積數據分別設置環境整改措施，分別根據所設置的環境整改措施設置執行進度周期，根據所設置的執行進度周期對環境整改措施的完成時間節點進行標記；

由管理人員對環境整改措施的實際完成時間進行確認；根據所輸入的環境數據樣本，將環境數據樣本在環境整改周期內的預測變化值進行標記，并根據生成的預測變化值生成環境數據變化曲線。

6.根據權利要求5所述的基于算法模型的環境整改評判方法，其特征在于，將所述時間監測節點對應的環境整改區域內的環境數據與環境數據整改預測變化圖對應的預測數據進行對比的過程包括：

獲取時間監測節點的對應的標號為i的環境數據采集節點的環境數據的預測值；

在對應的時間監測節點對對應的環境數據采集點進行采樣，獲得標號為i的環境數據采集點的新的環境數據；

分別獲取標號為i的環境數據采集點所在位置的氣體數據偏差系數QX_i、水質數據偏差系數SX_i、聲音數據偏差系數YX_i以及植被覆蓋偏差系數ZX_i；

分別設置對應的系數偏差閾值，將所獲得的對應偏差系數與對應的系數偏差閾值進行對比，根據對比結果判斷環境整改是否產生效果。

7.根據權利要求6所述的基于算法模型的環境整改評判方法，其特征在于，當某一環境數據采集點所在位置的環境整改執行效果不佳時，則根據所獲得的對應的偏差系數做水平線，并獲得水平線與對應的環境數據變化曲線之間是否存在交點；

若存在交點，且交點所在位置對應的時間在該時間監測節點之前，則交點所在位置對應的時間與該時間監測節點之間的間隔時長，即為環境整改的進度落后時長。

8.根據權利要求7所述的基于算法模型的環境整改評判方法，其特征在于，所述深度卷積神經網絡訓練模型在導入新的環境整改措施后，則根據導入的新的環境數據以及新的環境整改措施，重新生成環境數據整改預測變化圖。