CN106918677B - 用于污染物溯源的设备和方法 - Google Patents

Abstract

提供了一种用于污染物溯源的设备，包括：获取单元，被配置为获取监测点的监测数据；计算单元，被配置为从监测数据中选取参数，并对每个参数均匀划分级别，以及设定时间窗和时间间隔，计算监测点之间的激活力矩阵；以及确定单元，被配置为根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯。还提供了一种用于污染物溯源的方法。采用本发明，能够实现较短时间、细时空粒度上的污染物溯源。

Description

用于污染物溯源的设备和方法

技术领域

本申请涉及数据分析领域，具体涉及一种用于污染物溯源的设备和方法。

背景技术

目前，大气、水源等污染状况日益严重。污染的形成受排放物、扩散条件、地理环境等因素影响，其成因复杂多样，这为准确地分析某地区污染的分布和扩散趋势带来了困难。

现有的方法主要基于高斯模型建立大气污染扩散模型。然而，该方法仅适用于对较大区域(市区与城镇)进行较长时间且尺度较大(以月份为单位)的污染扩散分析，无法用于短时间、细时空粒度的污染物溯源。

发明内容

本发明提出一种对不同监测站点所监测到的污染物进行溯源的技术方案。主要思想是：通过迭代计算不同监测点污染浓度在相邻时间窗的相关性，找出污染源头。另外，本发明的技术方案同样也适用于针对与大气污染具有相似时序特征数据(如水源污染、交通拥塞流等)的事故源定位追踪。

根据本发明的一个方面，提供了一种用于污染物溯源的设备，包括：获取单元，被配置为获取监测点的监测数据；计算单元，被配置为从监测数据中选取参数，并对每个参数均匀划分级别，以及设定时间窗和时间间隔，计算监测点之间的激活力矩阵；以及确定单元，被配置为根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯。

在一个实施例中，计算单元被配置为：对选取的参数进行分组；以及通过对分组后的参数进行直方图均衡来划分级别。

在一个实施例中，计算单元被配置为：计算监测点i到达共现级别的次数f_i；计算监测点j到达共现级别的次数f_j；计算监测点i在特定时间窗内先于或同时和监测点j到达共现级别的次数f_ij；计算监测点i和监测点j之间的距离d_ij；以及根据f_i、f_j、f_ij和d_ij来计算监测点i和监测点j之间的激活力。

在一个实施例中，计算单元被配置为根据以下参数来计算监测点i和监测点j之间的距离d_jj：监测点i和监测点j之间的地理距离、实时风力级别、风向与监测点i和监测点j的连线之间的夹角、监测点i和监测点j的海拔高度、以及风速监测点的海拔高度。

在一个实施例中，确定单元被配置为：设定污染源数N以及距离约束，其中N为大于1的正整数；在目标时间窗的激活力矩阵中找出满足距离约束的值最大的前N对监测点；以及以找到的前N对监测点为目标，依次在前一时间窗的激活力矩阵中找出满足距离约束的值最大的N对监测点，直到所有时间窗被追溯。

根据本发明的另一个方面，提供了一种用于污染物溯源的方法，包括：获取监测点的监测数据；从监测数据中选取参数，并对每个参数均匀划分级别，以及设定时间窗和时间间隔，计算监测点之间的激活力矩阵；以及根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯。

在一个实施例中，对选取的参数进行分组；以及通过对分组后的参数进行直方图均衡来划分级别。

在一个实施例中，计算监测点i到达共现级别的次数f_i；计算监测点j到达共现级别的次数f_j；计算监测点i在特定时间窗内先于或同时和监测点j到达共现级别的次数f_ij；计算监测点i和监测点j之间的距离d_ij；以及根据f_i、f_j、f_ij和d_ij来计算监测点i和监测点j之间的激活力。

在一个实施例中，根据以下参数来计算监测点i和监测点j之间的距离d_jj：监测点i和监测点j之间的地理距离、实时风力级别、风向与监测点i和监测点j的连线之间的夹角、监测点i和监测点j的海拔高度、以及风速监测点的海拔高度。

在一个实施例中，设定污染源数N以及距离约束，其中N为大于1的正整数；在目标时间窗的激活力矩阵中找出满足距离约束的值最大的前N对监测点；以及以找到的前N对监测点为目标，依次在前一时间窗的激活力矩阵中找出满足距离约束的值最大的N对监测点，直到所有时间窗被追溯。

采用本发明的技术方案，能够实现较短时间(例如数小时)、细时空粒度(例如1km*1km，每15分钟)上的污染物溯源。

附图说明

通过下文结合附图的详细描述，本发明的上述和其它特征将会变得更加明显，其中：

图1是示出了根据本发明的用于污染物溯源的设备的框图。

图2是示出了根据本发明的用于污染物溯源的方法的流程图。

图3-13是示出了根据本发明一个具体示例的数据计算结果的示意图。

具体实施方式

下面，通过结合附图对本发明的具体实施例的描述，本发明的原理和实现将会变得明显。应当注意的是，本发明不应局限于下文所述的具体实施例。另外，为了简便起见，省略了与本发明无关的公知技术的详细描述。

图1是示出了根据本发明一个实施例的用于污染物溯源的设备的框图。如图1所示，设备10包括获取单元110、计算单元120和确定单元130。下面，详细描述设备10中的各个单元的操作。

获取单元110被配置为获取监测点的监测数据，该监测数据例如可以是时空数据。在本申请中，“时空数据”是指同时具有时间和空间维度的数据，例如大气污染监测数据、交通流量数据等等。

在一个示例中，对于大气污染监测站点来说，监测点的时空数据可以包括6种主要大气污染物(PM2.5、PM10、SO₂、NO₂、CO、O₃)的浓度及其对应空气质量指数(IAQI)值。

计算单元120被配置为从监测数据中选取参数，并对每个参数均匀划分级别，使得每个级别的监测数据的数量大致相同。计算单元120还设定时间窗和时间间隔，并计算监测点之间的激活力矩阵。

确定单元130被配置为根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯。从而，最终确定污染源头。

下面，通过具体实施例来描述图1所示的设备10的操作。

在本实施例中，用激活力矩阵来表示监测点之间的相关性。在本申请中，激活力是一种可以表述网络节点关系的统计量，能够用来构建复杂网络。

获取单元110获取多个监测点的监测数据。就大气污染监测站点来说，获取单元110可以获取6种主要大气污染物(PM2.5，PM10，SO2，NO2，CO，O3)的浓度及其对应空气质量指数(IAQI)值。

计算单元120从监测数据中选取参数，并对每个参数均匀划分级别，使得每个级别的监测数据的数量大致相同。优选地，计算单元120对选取的参数进行分组，以及通过对分组后的参数进行直方图均衡来划分级别。例如，以分组后的大气污染物(IAQI1，IAQI2，IAQI3)为例，对于不同季节/时间段，直方图均衡后的所划分的等级数目和等级之间的界限不尽相同，可以视实际需求而定。以2013.12-2014.2期间大气污染监测数据为例，可以将其分为三组，每组10个污染等级，如图3所示。

计算单元120设定时间窗和时间间隔，计算监测点之间的激活力矩阵。例如，计算单元120设定时间窗ITV，其由以t时刻为终点时刻的m个时间间隔(间隔时长为l₂)构成，某个指定时间段(时长为L)的时间窗(时长为l₁)的个数为：

n＝(L-l₁)/l₂+1

相应地，第i和j监测点在时间窗ITV里的激活力可表示为：

激活力AF_ij描述污染监测点间的激活关联关系，即其各自变化的关联关系。它是一个有向的度量，即AF_ij不等于AF_ji。f_ij为监测点i在时间窗ITV内先于或同时和监测点j到达共现级别的的次数，f_i为监测点i到达共现级别的次数，f_j为监测点j到达共现级别的次数，距离d_ij定义为受地理距离、风向和地势影响的距离：

其中，d₀为监测点i与j之间的地理距离，s为实时风力级别，θ为风向与i与j之间连线的夹角(其取值在[0，π])，h为监测点i和j所处的平均海拔高度，h₀为风速监测点的海拔高度。由此可见，若i与j之间为顺风，则d_ij相对减小。若风向与i与j之间连线方向重合，则风速影响大。此外，根据大气运动理论，高度越大，风速越大，则d_ij也相对减小。

例如，计算单元120计算监测点i在时间窗ITV(m＝5，共6个时刻：t-5，t-4，t-3，t-2，t-1，t)内的级别依次为{5，1，2，2，3，4}，而监测点j在时间窗ITV内的级别依次为{3，2，2，2，2，4}，则两监测点同时出现在同一级别的时刻为t，t-2，和t-3，其共现级别为{2，4}，则f_ij＝1，f_ji＝2，f_i＝3，f_j＝4。

确定单元130根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯。

例如，确定单元130设定污染源数N以及距离约束D，其中N为大于1的正整数，距离约束D是指监测点i和监测点j之间的距离满足d_ij＜D。

然后，确定单元130在目标时间窗的激活力矩阵中找出满足距离约束的值最大的前N对监测点。例如，设m个监测点在目标时间窗(即以目标时刻t为终点时刻的时间窗)的激活力矩阵为：

确定单元130找出该激活力矩阵中满足距离约束D且值最大的前N对监测点，每对监测点中，对应较早时刻的监测点为另一监测点污染物的源头。例如，监测点A和B监测点间的相关值较大，在该对监测点中，监测点B对应时刻t-1早于监测点A的时刻t，则监测点B为监测点A处污染的源头。

接下来，确定单元130以找到的前N对监测点为目标，依次在前一时间窗的激活力矩阵中找出满足距离约束的值最大的N对监测点，直到所有时间窗被追溯。

下面，以一个具体示例来详细说明本实施例中的设备10的操作。

假设获取单元110获取1号至6号监测站点2014年7月1日9：00-7月2日11：00(共26小时)的PM2.5浓度数据。

计算单元120设定时间窗长度为25小时，每时间窗包含99个时间间隔，每个间隔长度为15分钟，共包含100个时刻。时间窗的个数n计算过程如下：

n＝(L-l₁)/l₂+1

＝(26*60-100*15)/15+1

＝5

即，2014年7月1日9：00-7月2日11：00(共26小时)共有5个时间窗，如图4所示。

计算单元120计算监测点间的距离d_ij，如图5所示。

计算单元120在时间窗ITV1(即以目标t时刻为终点时刻的时间窗)中，统计6个监测点间的某监测点i在该时间窗内先于或同时和另一监测点j到达共现级别的次数f_ij，结果如图6所示。

计算单元120在时间窗ITV1(即以目标t时刻为终点时刻的时间窗)中，统计6个监测点间的某监测点i到达共现级别的次数f_i，结果如图7所示。然后，计算单元120在时间窗ITV1(即以目标t时刻为终点时刻的时间窗)中，统计6个监测点间的某监测点j到达共现级别的次数f_j，结果如图8所示。

基于图11和图12的计算结果，计算单元120计算在时间窗ITV1(即以目标t时刻为终点时刻的时间窗)中6个监测点之间的激活力矩阵AF^t(×10^-4)，结果如图9所示。

以类似的方式，计算单元120计算在时间窗ITV2(即以t-1时刻为终点时刻的时间窗)中6个监测点间的激活力矩阵

结果如图10所示。

以类似的方式，计算单元120计算在时间窗ITV3(即以t-2时刻为终点时刻的时间窗)中6个监测点间的激活力矩阵

结果如图11所示。

以类似的方式，计算单元120计算在时间窗ITV4(即以t-3时刻为终点时刻的时间窗)中6个监测点间的激活力矩阵

结果如图12所示。

以类似的方式，计算单元120计算在时间窗ITV5(即以t-4时刻为终点时刻的时间窗)中6个监测点间的激活力矩阵

结果如图13所示。

确定单元130设置N＝3，距离约束D＝2。

以监测点6为例，确定单元130追溯其污染源。在目标时间窗(即以目标时刻t为终点时刻的时间窗)，激活力矩阵AF^t的第6列为：(75.78854408，136.1259795，543.2346494，35.55249721，105.0967919，0)

确定单元130由此可以确定，与监测点6相关性最强的3个点为监测点3，2，5。同时，考虑距离约束d_6，3，d_6，2，d_6，5＜D，所以监测点6的最可能源头为监测点3。

接着，确定单元130以监测点3为目标，找到AF^t-1的第3列：(259.0593409，546.6317198，0，37.39217989，14.82641246，4.256889997)

参考距离约束D后，确定单元130可以确定观测点3的最可能源头为观测点2。

接着，确定单元130以监测点2为目标，找到AF^t-2的第2列：(484.4417732，0，73.06454847，25.77477702，11.33722744，1.732755692)

参考距离约束D后，确定单元130可以确定观测点2的最可能源头为观测点1。

接着，确定单元130以监测点1为目标，找到AF^t-3的第1列：(0，72.16548944，24.59670026，13.84624713，1.360286145，4.393017483)

参考距离约束D后，确定单元130可以确定观测点1的最可能源头为观测点2。

接着，确定单元130以监测点2为目标，找到AF^t-4的第2列：(712.1877616，0，86.41876318，19.74760869，14.32023423，1.402560188)

参考距离约束D后，确定单元130可以确定观测点2的最可能源头为观测点1。

至此，所有时间窗遍历结束。确定单元130可以确定监测点6的最可能的污染源头的位置位于监测点1。

采用本发明的技术方案，能够实现较短时间(例如数小时)、细时空粒度(例如1km*1km，每15分钟)上的污染物溯源。

图2是示出了根据本发明一个实施例的用于污染物溯源的方法的流程图。如图2所示，方法20在步骤S210处开始。

在步骤S220，获取监测点的监测数据。例如，该监测数据可以包括大气污染监测数据或交通数据。

在步骤S230，从监测数据中选取参数，并对每个参数均匀划分级别，以及设定时间窗和时间间隔，计算监测点之间的激活力矩阵。优选地，对选取的参数进行分组，以及通过对分组后的参数进行直方图均衡来划分级别。

在步骤S240，根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯。

最后，方法20在步骤S250处结束。

应该理解，本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如，上述实施例中的***内的各种组件可以通过多种器件来实现，这些器件包括但不限于：模拟电路、数字电路、通用处理器、数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD)，等等。

另外，本领域的技术人员可以理解，本发明实施例中描述的初始参数可以存储在本地数据库中，也可以存储在分布式数据库中或者可以存储在远程数据库中。

此外，这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地，该计算机程序产品是如下的一种产品：具有计算机可读介质，计算机可读介质上编码有计算机程序逻辑，当在计算设备上执行时，该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算***的至少一个处理器上执行时，计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上，以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。

尽管以上已经结合本发明的优选实施例示出了本发明，但是本领域的技术人员将会理解，在不脱离本发明的精神和范围的情况下，可以对本发明进行各种修改、替换和改变。因此，本发明不应由上述实施例来限定，而应由所附权利要求及其等价物来限定。

Claims (4)

1.一种用于污染物溯源的设备，包括：

获取单元，被配置为获取监测点的监测数据；

计算单元，被配置为从监测数据中选取参数，并对每个参数均匀划分级别，以及设定时间窗和时间间隔，计算监测点之间的激活力矩阵；以及

确定单元，被配置为根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯，

其中，所述确定单元被配置为：

设定污染源数N以及距离约束，其中N为大于1的正整数；

在目标时间窗的激活力矩阵中找出满足距离约束的值最大的前N对监测点；以及

以找到的前N对监测点为目标，依次在前一时间窗的激活力矩阵中找出满足距离约束的值最大的N对监测点，直到所有时间窗被追溯，

其中，所述计算单元被配置为：

计算监测点i到达共现级别的次数f_i；

计算监测点j到达共现级别的次数f_j；

计算监测点i在特定时间窗内先于或同时和监测点j到达共现级别的次数f_ij；

计算监测点i和监测点j之间的距离d_ij；以及

根据f_i、f_j、f_ij和d_ij来计算监测点i和监测点j之间的激活力，其中，所述计算单元还被配置为根据下式：

来计算监测点i和监测点j之间的距离d_ij，其中，d₀为监测点i与j之间的地理距离，s为实时风力级别，θ为风向与i与j之间连线的夹角，其取值在[0,π]，h为监测点i和j所处的平均海拔高度，h₀为风速监测点的海拔高度。

2.根据权利要求1所述的设备，其中，所述计算单元被配置为：

对选取的参数进行分组；以及

通过对分组后的参数进行直方图均衡来划分级别。

3.一种用于污染物溯源的方法，包括：

获取监测点的监测数据；

从监测数据中选取参数，并对每个参数均匀划分级别，以及设定时间窗和时间间隔，计算监测点之间的激活力矩阵；以及

根据激活力矩阵中的数值大小，在距离约束下依次找出前一时间窗的激活力最强的监测点，直到所有时间窗被追溯，其中具体包括：

设定污染源数N以及距离约束，其中N为大于1的正整数；

在目标时间窗的激活力矩阵中找出满足距离约束的值最大的前N对监测点；以及

以找到的前N对监测点为目标，依次在前一时间窗的激活力矩阵中找出满足距离约束的值最大的N对监测点，直到所有时间窗被追溯，

其中，计算监测点之间的激活力矩阵包括：

计算监测点i到达共现级别的次数f_i；

计算监测点j到达共现级别的次数f_j；

计算监测点i在特定时间窗内先于或同时和监测点j到达共现级别的次数f_ij；

计算监测点i和监测点j之间的距离d_ij；以及

根据f_i、f_j、f_ij和d_ij来计算监测点i和监测点j之间的激活力，其中，根据下式：

来计算监测点i和监测点j之间的距离d_ij，其中，d₀为监测点i与j之间的地理距离，s为实时风力级别，θ为风向与i与j之间连线的夹角，其取值在[0,π]，h为监测点i和j所处的平均海拔高度，h₀为风速监测点的海拔高度。

4.根据权利要求3所述的方法，其中，

对选取的参数进行分组；以及

通过对分组后的参数进行直方图均衡来划分级别。

Images