1.一种人工智能的数据智能处理方法,其特征在于,所述方法包括:
基于排烟口进行采样,获取PM2.5含量数据和风速数据;
分析PM2.5含量数据,确认PM2.5含量数据出现缺失的部分,生成缺失数据段,与风速数据结合计算PM2.5含量数据变化量和风速数据变化量的不相关程度;
根据PM2.5含量数据和风速数据得到PM2.5含量数据受风速数据影响的变化系数,通过变化系数对缺失数据段的前一个采样时刻的PM2.5含量数据进行还原,结合PM2.5含量数据变化量和风速数据变化量的不相关程度对缺失数据段的PM2.5含量数据进行还原;
根据还原后的PM2.5含量数据进行异常监测;
缺失数据段的生成方法包括:基于PM2.5含量数据计算任一数据点的异常程度,设置筛选阈值,异常程度大于筛选阈值的数据点为缺失数据点,通过缺失数据点确认PM2.5含量数据出现缺失的部分,生成缺失数据段;
不相关程度的计算方法包括:基于任一缺失数据段分别计算前一个采样时刻的PM2.5含量数据变化量和风速数据变化量的不相关程度,和后一个采样时刻的PM2.5含量数据变化量和风速数据变化量的不相关程度;
基于任一缺失数据段分别计算前一个采样时刻的PM2.5含量数据变化量和风速数据变化量的不相关程度,对应的计算公式为:其中, 表示第 个缺失数据段的前一个采样时刻的PM2.5含量数据变化量与风速数据变化量的不相关程度; 表示第 个缺失数据段的前一个采样时刻实际采样的PM2.5含量数据变化量; 表示第 个缺失数据段的前一个采样时刻实际采样的风速数据变化量;表示缺失数据段的范围;并根据该计算公式同理计算 , 表示第 个缺失数据段的后一个采样时刻的PM2.5含量数据变化量与风速数据变化量的不相关程度;
根据PM2.5含量数据和风速数据得到PM2.5含量数据受风速数据影响的变化系数,对应的计算公式为:其中,表示PM2.5含量数据受风速数据影响的变化系数; 和 分别表示第 个缺失数据段的前一个采样时刻之前相邻采样时刻的任两个PM2.5含量数据; 和 分别表示第个缺失数据段的前一个采样时刻之前相邻采样时刻的任两个风速数据;
通过变化系数对缺失数据段的前一个采样时刻的PM2.5含量数据进行还原,对应的计算公式为:
其中, 表示第 个缺失数据段的前一个采样时刻还原后的PM2.5含量数据; 表示第 个缺失数据段的前一个采样时刻实际采样的PM2.5含量数据; 表示PM2.5含量数据受风速数据影响的变化系数; 表示第 个缺失数据段的前一个采样时刻实际采样的风速数据。
2.如权利要求1所述的一种人工智能的数据智能处理方法,其特征在于,基于PM2.5含量数据计算任一数据点的异常程度,对应的计算公式为:其中, 表示PM2.5含量数据中第 个数据点的异常程度;表示PM2.5含量数据均值;
表示PM2.5含量数据中第 个数据点的数据值;表示第 个数据点的邻域数据点范围; 表示第 个数据点的邻域数据点 的数据值; 表示以自然常数为底的指数函数; 表示线性归一化函数。
3.如权利要求2所述的一种人工智能的数据智能处理方法,其特征在于,异常程度大于筛选阈值的数据点为缺失数据点,通过缺失数据点确认PM2.5含量数据出现缺失的部分,生成缺失数据段,包括:计算所有PM2.5含量数据的异常程度,当PM2.5含量数据中任一数据点的异常程度大于筛选阈值时,将当前数据点确认为缺失数据点;
在时序上设置判断条件,整合连续符合判断条件的所有缺失数据点,生成缺失数据段。
4.如权利要求1所述的一种人工智能的数据智能处理方法,其特征在于,结合PM2.5含量数据变化量和风速数据变化量的不相关程度对缺失数据段的PM2.5含量数据进行还原,对应的计算公式为:其中, 表示对第 个缺失数据段还原后的PM2.5含量数据; 表示第 个缺失数据段的前一个采样时刻还原后的PM2.5含量数据; 表示两个不相关程度不为0时对应的采样时刻的PM2.5含量数据变化量; 表示两个不相关程度不为0时对应的采样时刻的风速数据变化量;表示PM2.5含量数据受风速数据影响的变化系数; 表示第 个缺失数据段的前一个采样时刻的PM2.5含量数据变化量与风速数据变化量的不相关程度; 表示第 个缺失数据段的后一个采样时刻的PM2.5含量数据变化量与风速数据变化量的不相关程度,表示两个不相关程度不为0时对应的采样时刻的不相关程度变化量。
5.如权利要求1所述的一种人工智能的数据智能处理方法,其特征在于,根据还原后的PM2.5含量数据进行异常监测,包括:基于还原后的PM2.5含量数据计算局部可达密度,采用LOF算法获取还原后的PM2.5含量数据的LOF值,将局部可达密度与LOF值进行比较,实现还原后的PM2.5含量数据的异常监测。
6.一种人工智能的数据智能处理系统,其特征在于,所述系统存储有程序数据,所述程序数据被执行时实现如权利要求1‑5任一项所述的一种人工智能的数据智能处理方法。