[发明专利]基于机器学习算法的云端数据联调校准方法

说明书

本发明公开一种基于机器学习算法的云端数据联调校准方法，属于空气监测技术领域，包括网格化空气监测平台、云端服务器和设备管理系统，网格化空气监测平台提供网格内空气质量监测微站和国家标准监测站采集的空气污染物和气象数据，并将采集的数据传送至云端服务器中的Hbase数据库；云端服务器读取云端服务器中的Hbase数据库中的空气质量监测微站和国家标准监测站的数据，通过数据一致性对比，判断空气质量监测微站数据是否偏离，若数据偏离，使用数据校准模进行数据校准，输出校准参数；云端服务器通过通讯单元把校准参数传递给设备管理系统，能够有效解决空气质量监测微站数据数据偏移问题，云端自动校准，从而保证监测数据质量的可用性。

技术领域

本发明涉及一种基于机器学习算法的云端数据联调校准方法，属于空气监测技术领域。

背景技术

近年来，空气污染日益严重，尤其是空气中的PM2.5/PM10，空气中的SO2/CO/NO2/O3的浓度增高，严重威胁人们的健康和日常生活，鉴于环保局空气质量传感器监测技术固有的监测特性，如随着时间的增长，其传感特性发生严重漂移，导致前期校准的监测数值出现较大波动，而人为的发现、再次校准等工作无疑工作量巨大。

发明内容

本发明的目的在于提供一种基于机器学习算法的云端数据联调校准方法，能够有效解决空气质量监测微站数据数据偏移问题，云端自动校准，从而保证监测数据质量的可用性。

本发明所述的基于机器学习算法的云端数据联调校准方法，包括网格化空气监测平台、云端服务器和设备管理系统，网格化空气监测平台分别与云端服务器和设备管理系统连接实现数据通讯，方法包括以下步骤：

S1：网格化空气监测平台提供网格内空气质量监测微站和国家标准监测站采集的空气污染物和气象数据，并将采集的数据传送至云端服务器中的Hbase数据库；

S2：云端服务器读取云端服务器中的Hbase数据库中的空气质量监测微站和国家标准监测站的数据，通过数据一致性对比，判断空气质量监测微站数据是否偏离，若数据偏离，使用数据校准模型进行数据校准，输出校准参数；

S3：云端服务器通过通讯单元把校准参数传递给设备管理系统，设备管理系统把校准指令分发给网格区域内每一台空气质量监测微站设备，空气质量监测微站根据校准参数执行操作，并把校准后的数据上传到网格化空气监测平台。

获取网格区域内空气质量监测微站和国家标准站的PM2.5、SO2等空气污染物和风向/温湿度等气象要素，通过建立回归模型提取气体传感器和颗粒物传感器监测数据与标准考核站之间的规律性，云服务器端在线训练回归模型、解析传感特性的变化规律，通过数据校准模型计算出校准参数，传递给设备管理系统，设备管理系统向设备发出指令执行校准操作。从而保证监测数据质量的可用性，具有云端自动线校准功能，自动修正传感器漂移及环境干扰，无需现场人工校准。

所述的步骤S2中数据一致性对比是通过计算空气质量监测微站和国家标准监测站一定时间段内数据的相关系数和偏离度来判断数据是否偏离，判定条件包括相关系数判定条件和偏离度判定条件，其中相关系数判定条件如下：

其中，判定条件(1)中：S1＝(x1,x2,...,xn)，表示空气质量监测微站一定时间段内的监测数据集合；S2＝(y1,y2,...,yn)，表示国家标准监测站一定时间段内的监测数据集合；Corr表示多个变量间的简单相关系数的计算；m为相关系数，取值为0.8。

所述的偏离度判定条件如下：

其中，判定条件(2)中：avgIx＝(x1+x2+...+xn)/n，表示空气质量监测微站和国家标准监测站一定时间段内监测数据的平均值；

avgIY＝(y1+y2+...+yn)/n，表示国家标准监测站一定时间段内监测数据的平均值；