CN119474672A 基于大数据分析的污染设施异常排放早期预警方法 （深圳市长菁环保科技有限公司）

道仙湖社区畔山路122号梧桐山新居基于大数据分析的污染设施异常排放早期本发明公开了基于大数据分析的污染设施督学习方法，实现了污染设施异常排放早期预2S2、将数据集存储在大数据存储平台中，使用HadooS3、利用图神经网络模型对外部事件与污染设施排S6、采用基于策略的不确定性估计的贝叶斯优化2.根据权利要求1所述的基于大数据分析的污染设施异常排放早期预警方法，其特征3im表示节点i和节点m之间的关联权重；3.根据权利要求1所述的基于大数据分析的污染设施异常排放早期预警方法，其特征//44.根据权利要求1所述的基于大数据分析的污染设施异常排放早期预警方法，其特征5.根据权利要求1所述的基于大数据分析的污染设施异常排放早期预警方法，其特征5prevprev节因子，pthreshold表示污染排放预警的设定阈值，P(t)<pthreshold表示排放在正常范围内；6.根据权利要求1所述的基于大数据分析的污染设施异常排放早期预警方法，其特征中进行快速学习，少样本学习技术通过将少量异常排放行为与正常排放模式进行对比学678[0009]本发明的一个目的在于提出基于大数据分析的污染设施[0013]S3、利用图神经网络模型对外部事件与污染设施排放行9im表示节点i和节点m之间的关联权重；动态调整图中各节点之间的关联权重，节点在每一时刻的状态根据历史传播路径进行更[0043]S53、外部事件与设施排放之间的因果路径分析通过多维权重机制进行复杂化建时间t上因果路径Cij和依赖路径Gij的因果函数，α2表示路径敏感调节因子，σ2表示平滑参i和Tj表示外部事件ei和排放行为pj在时间维度[0051]S61、采用基于策略的不确定性估计的贝叶斯优化算法对排放预警阈值进行动态prevprev示调节因子，pthreshold表示污染排放预警的设定阈值，P(t)<pthreshold表示排放在正常范围[0061]S73、利用生成的正常排放模式，自监督学习模型检测与正常排放模式偏离的行[0072]图1为本发明提出的基于大数据分析的污染设施异常排放早期预警方法的流程[0073]图2为本发明提出的基于大数据分析的污染设施异常排放早期预警方法的异常排[0078]S3、利用图神经网络模型对外部事件与污染设施排放行im表示节点i和节点m之间的关联权重；动态调整图中各节点之间的关联权重，节点在每一时刻的状态根据历史传播路径进行更z生成的排放数据的条件概率，表示生成器生成的模拟排[0109]S53、外部事件与设施排放之间的因果路径分析通过多维权重机制进行复杂化建[0117]S61、采用基于策略的不确定性估计的贝叶斯优化算法对排放预警阈值进行动态prevprev示调节因子，pthreshold表示污染排放预警的设定阈值，P(t)<pthreshold表示排放在正常范围[0127]S73、利用生成的正常排放模式，自监督学习模型检测与正常排放模式偏离的行[0135]接下来，因果推断模型进一步分析了外部事件与设施排放行为之间的因果关而本发明中的少样本学习技术能够快速从极少的历史异常数据中生成新的异常模式标签，时空事件推断)有效提升了污染监控系统的