本发明属于大气环境检测质量控制领域，具体而言涉及一种基于多维时序分析的臭氧人为干扰检测方法。
背景技术：
1、随着环境空气质量管理的精细化要求不断提升，o3(臭氧)作为区域性污染物和气候变化的重要因子，其监测与评估工作逐渐成为环境监测领域的核心任务。然而，由于o3生成和消减过程复杂，其浓度不仅受区域污染排放、光化学反应等自然因素影响，还容易受到外界干扰因素的影响，尤其是人为干扰。例如，通过调整监测点位周边的nox浓度，可能导致o3浓度的非自然波动，进而干扰监测数据的准确性。
2、现有技术中，针对o3浓度异常的识别大多采用固定阈值法或基于经验规则的算法。这些方法虽然在一定程度上可以识别简单的异常，但在面对多维数据相关性较强、季节特性显著、波动频繁等复杂情境时，识别准确性明显不足。此外，部分算法缺乏对监测点历史数据特性的动态建模，无法充分考虑各点位o3浓度波动的个性化特征，也无法有效捕捉数据中的隐性干扰模式。
3、近年来，基于统计分析与机器学习的异常检测方法逐渐应用于环境监测领域，但由于其依赖于大规模训练数据，模型复杂性高，难以快速适应监测点位的个体特性和实时变化需求，因此在实际应用中存在一定局限性。特别是在o3和nox浓度相关性较强的场景下，如何利用其时序动态特征进行建模分析，成为提高异常干扰识别精度的关键问题。
4、综上，由于非自然干扰造成的臭氧数据异常检测问题是本领域亟待解决的问题
技术实现思路
1、鉴于上述的分析，为了解决上述对于臭氧数据由于非自然干扰造成的异常检测问题，本发明实施例提供一种基于多维时序分析的臭氧异常检测方法，包括以下步骤：
2、s1、获取臭氧浓度监测数据和氮氧化物浓度监测数据，所述臭氧浓度监测数据和氮氧化物浓度监测数据均包括通过监测设备每隔第一周期采集记录的时间序列数据；
3、s2、基于所述臭氧浓度监测数据获取第一一阶差分序列，基于所述氮氧化物浓度监测数据获取第二一阶差分序列；
4、s3、基于所述第一一阶差分序列在第一时间窗口中的数据的均值和标准差构建第一置信区间，基于所述第二一阶差分序列在第一时间窗口中的数据的均值和标准差构建第二置信区间；
5、s4、基于所述第一置信区间将所述第一一阶差分序列转化为第一标签序列，基于所述第二置信区间将所述第二一阶差分序列转化为第二标签序列；
6、基于置信区间将一阶差分序列转化为标签序列包括：将所述一阶差分序列中的数据值与所述置信区间做比较，若所述数据值小于所述置信区间的最小值，则将所述数据值转化为-1；若所述数据值大于所述置信区间的最大值，则将所述数据值转化为1；若所述数据值属于所述置信区间，则将所述数据值转化为0；
7、s5、基于所述第一标签序列和所述第二标签序列各自在目标时间窗口中的数据分布进行统计，若第一标签序列和所述第二标签序列的数据分布符合预设关系则判定目标时间窗口内的臭氧浓度监测数据异常。
8、在一些实施例中，步骤s2中，获取所述第一一阶差分序列和所述第二一阶差分序列的方法包括：
9、获取时间序列数据{xt}，其中xt为采样点t的浓度值；
10、对时间序列数据中的采样点计算一阶差分，表示为：
11、δxt＝xt-xt-1，其中δxt表示采样点t的一阶差分。
12、在一些实施例中，步骤s3中，构建所述第一置信区间和所述第二置信区间的方法包括：
13、计算一阶差分序列{δxt}在第一时间窗口中的数据的均值μδx和标准差σδx，表示为：
14、
15、其中，n表示第一时间窗口中的采样点总数；
16、基于所述均值和标准差确定的置信区间为[μδx-3σδx,μδx+3σδx]。
17、在一些实施例中，步骤s4中，转化获得所述第一标签序列和所述第二标签序列的方法包括：
18、基于置信区间的上下限对一阶差分序列中的元素δxt进行映射，表示为：
19、
20、其中l(xt)表示映射结果。
21、在一些实施例中，第一周期为5分钟。
22、在一些实施例中，所述目标时间窗口的长度为一小时。
23、在一些实施例中，步骤s5包括：
24、s51、对所述第一标签序列和所述第二标签序列各自在目标时间窗口中的数据进行数据分布统计，以获得第一标签序列统计结果和第二标签序列统计结果，第一标签序列统计结果包括第一标签序列正标签数记为和第一标签序列负标签数记为二标签序列统计结果包括第二标签序列正标签数记为和第二标签序列负标签数记为
25、s52、若第一标签序列统计结果和第二标签序列统计结果满足第一预设关系或者第二预设关系，则判定目标时间窗口内的臭氧浓度监测数据异常并发出报警；
26、其中第一预设关系表示为：
27、且
28、第二预设关系表示为：
29、且
30、在一些实施例中，步骤s5还包括：基于第一标签序列和第二标签序列各自在目标时间窗口中的数据计算皮尔逊相关系数，皮尔逊相关系数记为
31、若皮尔逊相关系数、第一标签序列统计结果和第二标签序列统计结果同时满足第三预设关系，则判定目标时间窗口内的臭氧浓度监测数据异常并发出报警；
32、第三预设关系包括：
33、且
34、以及
35、
36、在一些实施例中，所述第一时间窗口为所述目标时间窗口之前的七天。
37、本发明以上实施例至少具有以下有益效果：
38、本发明实施例提供的臭氧异常干扰识别技术中引入了时间序列一阶差分分析，以捕捉监测数据的瞬态变化特征，取代传统静态阈值法，实现对异常波动的动态刻画。这种方法避免了因固定阈值设定不合理而造成的误判，对突发性干扰具有更高的敏感性。
1.一种基于多维时序分析的臭氧异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多维时序分析的臭氧异常检测方法，其特征在于：步骤s2中，获取所述第一一阶差分序列和所述第二一阶差分序列的方法包括：
3.根据权利要求2所述的基于多维时序分析的臭氧异常检测方法，其特征在于：步骤s3中，构建所述第一置信区间和所述第二置信区间的方法包括：
4.根据权利要求3所述的基于多维时序分析的臭氧异常检测方法，其特征在于：步骤s4中，转化获得所述第一标签序列和所述第二标签序列的方法包括：
5.根据权利要求4所述的基于多维时序分析的臭氧异常检测方法，其特征在于：第一周期为5分钟。
6.根据权利要求5所述的基于多维时序分析的臭氧异常检测方法，其特征在于：所述目标时间窗口的长度为一小时。
7.根据权利要求6所述的基于多维时序分析的臭氧异常检测方法，其特征在于：步骤s5包括：
8.根据权利要求7所述的基于多维时序分析的臭氧异常检测方法，其特征在于：步骤s5还包括：基于第一标签序列和第二标签序列各自在目标时间窗口中的数据计算皮尔逊相关系数，皮尔逊相关系数记为
9.根据权利要求1所述的基于多维时序分析的臭氧异常检测方法，其特征在于：所述第一时间窗口为所述目标时间窗口之前的七天。