基于区块链的环境空气监测数据可靠存储方法与流程

本发明涉及电子数字数据处理，具体涉及一种基于区块链的环境空气监测数据可靠存储方法。

背景技术：

1、由于环境空气质量会直接影响到人们的呼吸系统和身体健康，因此会对环境空气质量进行持续监测，并且会将监测得到的环境空气中的各项数据的数值状态或者污染源的分布和变化趋势上传到区块链进行存储，以便于人们能够及时的了解到当前空气中各项数据的数值状态以及污染源的分布和变化趋势，从而便于采取相应的措施或者便于制定更加有效的环保政策和规则，因此将可靠的环境空气中的各项数据的数值状态或者污染源的分布和变化趋势上传到区块链中至关重要。

2、现有技术中一般基于时序分解算法(stl)对监测得到的空气时序数据进行分解处理，将得到的各分解项分别存储到区块链中，即得到的各分解项可以表征空气时序数据的数值状态、分布情况和变化趋势等，但是监测得到的空气时序数据中的短暂且频繁变化的环境数据点或噪声数据点会使得对空气时序数据进行时序分解的结果受到影响，即会使得分解得到的各分解项的可靠性较低，进而导致存储到区块链中的数据的可靠性较低。

技术实现思路

1、为了解决上述问题，本发明提供一种基于区块链的环境空气监测数据可靠存储方法，所采用的技术方案具体如下：

2、本发明一个实施例提供了一种基于区块链的环境空气监测数据可靠存储方法，包括以下步骤：

3、获取环境空气监测时间段对应的目标数据曲线；所述目标数据曲线由a个数据点构成，a大于0；

4、根据所述目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点，得到目标数据曲线上的每个突变数据点和非突变数据点；

5、获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合，根据所述每个突变数据点对应的邻域数据点集合中的数据点，得到目标数据曲线上的第一突变数据点和第二突变数据点；

6、获取预设的邻域参数值，根据所述预设的邻域参数值，分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值；

7、根据所述目标邻域参数值，得到所述目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项；将所述趋势项、季节项和残差项存储到区块链中。

8、优选地，获取环境空气监测时间段对应的目标数据曲线的方法，包括：

9、获取目标地区在环境空气监测时间段中的各初始环境空气数据以及各初始环境空气数据对应的采集时间；

10、根据时间的先后顺序对环境空气监测时间段中的各初始环境空气数据进行排序，将排序后的序列记为环境空气监测时间段对应的初始环境空气数据序列；

11、对所述初始环境空气数据序列进行预处理，将预处理之后的初始环境空气数据序列记为目标环境空气数据序列，将预处理之后的初始环境空气数据序列中的每个初始环境空气数据记为目标环境空气数据；

12、根据所述目标环境空气数据序列中的各目标环境空气数据以及各目标环境空气数据对应的初始环境空气数据的采集时间，绘制所述目标环境空气数据序列对应的数据曲线，并记为环境空气监测时间段对应的目标数据曲线；所述目标数据曲线上的所有数据点的纵坐标值为目标环境空气数据、横坐标值为采集对应目标环境空气数据对应的初始环境空气数据时的时间。

13、优选地，得到目标数据曲线上的每个突变数据点和非突变数据点的方法，包括：

14、将所述目标数据曲线上与各数据点相邻的两个数据点，分别记为目标数据曲线上的各数据点对应的第一邻域数据点和第二邻域数据点；所述各数据点对应的第一邻域数据点的横坐标值小于其对应的第二邻域数据点的横坐标值；

15、对于目标数据曲线上的任一数据点：

16、将该数据点的纵坐标值与其对应的第一邻域数据点的纵坐标值之间的差值，记为该数据点对应的第一差异值；

17、将该数据点对应的第二邻域数据点的纵坐标值与该数据点的纵坐标值之间的差值，记为该数据点对应的第二差异值；

18、将该数据点对应的第二差异值与其对应的第一差异值之间的差值，记为该数据点对应的第一初始变化特征值；

19、将该数据点对应的第一邻域数据点对应的纵坐标值与其对应的第二邻域数据点的纵坐标值的均值，记为该数据点对应的邻域中间值；

20、将该数据点的纵坐标值与其对应的邻域中间值之间的差值的绝对值，记为该数据点对应的第二初始变化特征值；

21、对该数据点对应的第一初始变化特征值和第二初始变化特征值进行归一化处理，将归一化处理后的该数据点对应的第一初始变化特征值与第一权重进行相乘的值，记为该数据点对应的第一目标变化特征值，将归一化处理后的该数据点对应的第二初始变化特征值与第二权重进行相乘的值，记为该数据点对应的第二目标变化特征值；

22、将该数据点对应的第一目标变化特征值与其对应的第二目标变化特征值进行相加的值，记为该环境空气数据对应的突变评估值；

23、判断目标数据曲线上的每个数据点对应的突变评估值是否大于预设突变评估阈值，若是，则将对应的数据点记为突变数据点，否则，则将对应的数据点记为非突变数据点。

24、优选地，获取所述目标数据曲线上的每个突变数据点对应的邻域数据点集合的方法，包括：

25、在目标数据曲线上将位于各突变数据点后面的连续预设第一数量个数据点构建的数据点集合，记为对应突变数据点对应的邻域数据点集合。

26、优选地，得到目标数据曲线上的第一突变数据点和第二突变数据点的方法，包括：

27、对于目标数据曲线上的任一突变数据点：

28、将该突变数据点对应的邻域数据点集合中的最大纵坐标值对应的数据点以及最小纵坐标值对应的数据点，分别记为该突变数据点对应的第一数据点和第二数据点；

29、将该突变数据点对应的邻域数据点集合中的突变数据点的数量与其对应的邻域数据点集合中的数据点的总数量的比值，记为该突变数据点对应的第一初始评估值；

30、对该突变数据点对应的第一数据点对应的纵坐标值与其对应的第二数据点对应的纵坐标值之间的差值进行负相关映射，将负相关映射之后的值，记为该突变数据点对应的第二初始评估值；

31、将第三权重与该突变数据点对应的第一初始评估值进行相乘得到的值，记为该突变数据点对应的第一目标评估值，将第四权重与该突变数据点对应的第二初始评估值进行相乘得到的值，记为该突变数据点对应的第二目标评估值；

32、将该突变数据点对应的第一目标评估值与其对应的第二目标评估值进行相加后得到的值，记为该突变数据点对应的噪声评估值；

33、判断目标数据曲线上的每个突变数据点对应的噪声评估值是否大于等于噪声评估阈值，若是，则将对应的突变数据点记为第二突变数据点，否则，则将对应的突变数据点记为第一突变数据点。

34、优选地，获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值的方法，包括：

35、将预设的邻域参数值记为目标数据曲线上的所有非突变数据点对应的目标邻域参数值。

36、优选地，获取每个第一突变数据点对应的目标邻域参数值的方法，包括：

37、获取调整阈值；

38、将预设的邻域参数值与调整阈值进行相加的值，记为目标数据曲线上的所有第二突变数据点对应的目标邻域参数值。

39、优选地，获取每个第二突变数据点对应的目标邻域参数值的方法，包括：

40、将目标数据曲线上的任意两个相邻数据点之间的横坐标值的差值的绝对值，记为特征差值；

41、对于目标数据曲线上的任一第一突变数据点：

42、在目标数据曲线上获取位于该第一突变数据点后面的连续预设第二数量个数据点构建的数据点序列，并记为该第一突变数据点对应的邻域数据点序列；

43、获取该第一突变数据点对应的邻域数据点序列中的所有相邻的两个数据点形成的向量所构建的向量集合，并记为该第一突变数据点对应的邻域数据点序列对应的向量集合；

44、获取所述向量集合中的每个向量与所述目标数据曲线所处的二维空间中的横坐标轴之间的夹角，并记为对应向量对应的夹角；

45、将所述向量集合中的所有向量对应的夹角的均值，记为平均夹角；将所述特征差值与平均夹角的余弦值的比值记为该第一突变数据点对应的邻域数据点序列的邻域半径；

46、获取邻域密度阈值；

47、根据邻域密度阈值、该第一突变数据点对应的邻域数据点序列的邻域半径以及该第一突变数据点对应的邻域数据点序列中的任意两个数据点之间的距离，对该第一突变数据点对应的邻域数据点序列中的所有数据点进行密度聚类，并将统计得到的聚类簇的数量，记为该第一突变数据点对应的邻域数据点序列的表征值；

48、将所述表征值先与自然常数1进行相减，将相减得到的值再与该第一突变数据点对应的邻域数据点序列中的数据点的总数量进行相除，再将相除得到的值与调整阈值进行相乘，将相乘得到值向下取整，将向下取整之后的值记为该第一突变数据点对应的调整值；

49、将预设的邻域参数值与该第一突变数据点对应的调整值进行相减得到的值，记为该第一突变数据点对应的目标邻域参数值。

50、有益效果：本发明首先获取环境空气监测时间段对应的目标数据曲线；并根据目标数据曲线上的每个数据点以及目标数据曲线上的每个数据点的邻域数据点，得到目标数据曲线上的每个突变数据点和非突变数据点；之后根据每个突变数据点对应的邻域数据点集合中的数据点，得到目标数据曲线上的第一突变数据点和第二突变数据点；然后根据预设的邻域参数值，分别获取目标数据曲线上的每个非突变数据点对应的目标邻域参数值、每个第一突变数据点对应的目标邻域参数值以及每个第二突变数据点对应的目标邻域参数值；最后根据目标邻域参数值，得到目标数据曲线上的每个非突变数据点、每个第一突变数据点以及每个第二突变数据点对应的趋势项、季节项和残差项，并将趋势项、季节项和残差项存储到区块链中。本发明能够得到可靠的趋势项、季节项和残差项，进而使得存储到区块链中的趋势项、季节项和残差项的可靠性较高。