CN110531029B - 一种基于环保物联网大数据预测空气质量趋势的装置 - Google Patents
一种基于环保物联网大数据预测空气质量趋势的装置 Download PDFInfo
- Publication number
- CN110531029B CN110531029B CN201910757242.8A CN201910757242A CN110531029B CN 110531029 B CN110531029 B CN 110531029B CN 201910757242 A CN201910757242 A CN 201910757242A CN 110531029 B CN110531029 B CN 110531029B
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- regional
- module
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Atmospheric Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及空气质量预测技术领域,具体公开了一种基于环保物联网大数据预测空气质量趋势的装置,包括环保数据监测模块、环保大数据存储模块、大气污染物扩散分析模块以及空气质量预测模块。本发明通过采用由物联网终端收集的区域环保大数据来基于人工神经网络进行分析并建立更加精准的空气质量预测模型,结合区域实时环保大数据能够准确预测特定条件下区域及周边的空气质量,进而为减少区域大气污染事件提供数据支撑,解决了传统空气质量预测方法忽略污染源波动导致的预测偏差问题,同时能够基于数据提供智能化污染源管控建议,精准防控大气污染事件的发生。
Description
技术领域
本发明涉及空气质量预测技术领域,具体是一种基于环保物联网大数据预测空气质量趋势的装置。
背景技术
随着我国工业化和城镇化进程持续推进,近年来环境状况也开始恶化,其中空气质量下降直接危害居民身体健康,容易成为社会焦点。而空气质量预测能够对未来短期内(三小时到三天)空气质量状况进行预警,进而通过污染源管控(限制排放)等措施来避免大气污染事件发生,具有重要的社会价值。
目前空气质量预测大部分是基于历史气象数据与空气质量数据进行,此类方法主要利用气象因素(风速等)来进行空气质量预测,没有收集、利用区域污染源波动数据。虽然气象因素对于空气质量具有重要影响,但污染源排放情况对于空气质量变化趋势也有重要意义,仅使用气象因素建立模型在实际应用中存在巨大偏差,导致前述方法仅能用于预测空气质量,不能用于提出合理污染源管控措施来避免空气污染事件发生。
因此,设计出一种基于环保物联网大数据预测空气质量趋势的装置,用于建立更加精准的空气质量预测模型,不仅能更加准确科学地进行空气质量预测,而且能够提供明确的管控措施来避免大气污染事件发生,对于减少大气污染事件发生具有重要意义。
发明内容
本发明的目的在于提供一种基于环保物联网大数据预测空气质量趋势的装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于环保物联网大数据预测空气质量趋势的装置,包括:依次连接的环保数据监测模块、环保大数据存储模块、大气污染物扩散分析模块以及空气质量预测模块,所述环保大数据存储模块还与空气质量预测模块连接;所述环保数据监测模块用于基于物联网终端实时采集监测数据并上传至环保大数据存储模块;所述环保大数据存储模块用于接收环保数据监测模块上传的监测数据并形成环保大数据进行储存;所述大气污染物扩散分析模块用于提取环保大数据存储模块储存的环保大数据并基于人工神经网络通过分析建立区域空气质量预测模型;所述空气质量预测模块用于提取环保大数据存储模块储存的当前若干时段的区域监测数据,并基于区域空气质量预测模型预测区域任意点空气质量状况,通过空气质量预测,能够对未来短时间内(3小时到三天)空气质量进行预警,进而可以提供精细化污染源管控方案;其中,所述环保大数据存储模块为一组可靠的分布式数据存储服务,能够存储区域环保相关数据,保证数据完整性、安全性,并通过多机并发机制实现数据快速读写,同时支持数据备份,自动将数据备份到多个物理机,当任意物理机发生故障时,自动通过备份将数据迁移到其他物理机。
作为本发明进一步的方案:所述监测数据包括废气排放点(例如烟囱等)的污染物排放数据、空气质量监测点的污染物浓度数据以及气象采集点的气象数据。
作为本发明再进一步的方案:所述可靠的分布式数据存储服务包括数据存储服务模块、数据读取服务模块与数据权限控制服务模块;所述数据存储服务模块与数据读取服务模块,用于通过多机并发读写提高数据处理速度,所述数据权限控制服务模块用于利用账户、用户组、密钥等方式进行数据访问权限授权与验证,杜绝数据非法访问事件发生。
作为本发明再进一步的方案:所述区域空气质量预测模型的分析建立为通过预设区域特定场景并基于神经网络建立区域空气质量预测模型,并利用区域大气污染物扩散真实监测数据(即对应区域的废气排放点污染物排放数据、空气质量监测点污染物浓度数据以及气象采集点气象数据)训练空气质量预测模型,学习区域污染物扩散特性。
作为本发明再进一步的方案:所述环保数据监测模块包括废气排放监测模块、空气质量监测模块与区域气象采集模块。
作为本发明再进一步的方案:所述废气排放监测模块用于实时采集区域内所有废气排放点(烟囱等)的污染物排放数据,所述污染物包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等。
作为本发明再进一步的方案:所述空气质量监测模块用于实时采集区域内所有空气质量监测点的污染物浓度数据,所述污染物包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等。
作为本发明再进一步的方案:所述区域气象采集模块用于实时采集区域内所有气象采集点的气象数据,所述区域气象采集模块可以为单独部署的采集设备,也可以集成到废气排放监测模块或空气质量监测模块,所述气象数据包括风速、风向、温度、湿度、大气压力、天气情况等数据。
作为本发明再进一步的方案:还包括用于为装置进行供电的电源模块,所述电源模块可以是交流电、直流电、一次性电池或可充电电池;当电源模块包括可充电电池时,该可充电电池可以支持有线充电或无线充电。
与现有技术相比,本发明的有益效果是:
本发明设置了环保数据监测模块、环保大数据存储模块、大气污染物扩散分析模块以及空气质量预测模块,通过采用由物联网终端收集的区域环保大数据来基于人工神经网络进行分析并建立更加精准的空气质量预测模型,结合区域实时环保大数据能够准确预测特定条件下区域及周边的空气质量,进而为减少区域大气污染事件提供数据支撑,由于内置了大气污染物扩散分析模块,能够自动分析区域环保大数据,建立空气质量预测模型,由于内置了空气质量预测模块,能够基于数据自动预测空气质量,解决了传统空气质量预测方法忽略污染源波动导致的预测偏差问题,同时能够基于数据提供智能化污染源管控建议,精准防控大气污染事件的发生。
附图说明
图1为基于环保物联网大数据预测空气质量趋势的装置的框图。
图2为基于环保物联网大数据预测空气质量趋势的装置中环保数据监测模块的框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细地说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1-2,本发明提供的一个实施例中,一种基于环保物联网大数据预测空气质量趋势的装置,包括:依次连接的环保数据监测模块、环保大数据存储模块、大气污染物扩散分析模块以及空气质量预测模块,所述环保大数据存储模块还与空气质量预测模块连接。
进一步的,在本发明实施例中,所述环保数据监测模块用于基于物联网终端实时采集监测数据并上传至环保大数据存储模块。
具体的,所述环保数据监测模块可以是一组污染物在线监测设备,且均为物联网设备,例如可以包括污染源监测设备、空气质量监测设备、气象监测设备等,监测数据的上传间隔为一分钟,即每分钟上传一次。
进一步的,在本发明实施例中,所述监测数据包括废气排放点(例如烟囱等)的污染物排放数据、空气质量监测点的污染物浓度数据以及气象采集点的气象数据。
进一步的,在本发明实施例中,所述环保数据监测模块包括废气排放监测模块、空气质量监测模块与区域气象采集模块,具体可以是多个基于物联网的污染物在线监测设备,对应的,所述废气排放监测模块可以是基于物联网的污染源监测设备,所述空气质量监测模块可以是基于物联网的空气质量监测设备,所述区域气象采集模块可以是基于物联网的气象监测设备。
其中,所述污染源监测设备固定于污染源,采集污染源所有监测指标信息(各类污染物排放明细),所述污染源可以为烟囱等工业废气排放设备;所述空气质量监测设备部署于区域周边,采集部署位置所有监测指标信息,而且,所述空气质量监测设备可以为固定式空气质量监测设备(空气质量监测站等),也可以为移动式空气质量监测设备(空气质量监测车等),具体根据需求进行选择,这里并不作限定。
进一步的,在本发明实施例中,所述废气排放监测模块用于实时采集区域内所有废气排放点(烟囱等)的污染物排放数据,所述污染物包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等。
进一步的,在本发明实施例中,所述空气质量监测模块用于实时采集所有空气质量监测点的污染物浓度数据,所述污染物包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等。
进一步的,在本发明实施例中,所述区域气象采集模块用于实时采集所有气象采集点的气象数据,所述区域气象采集模块可以为单独部署的采集设备,也可以集成到废气排放监测模块或空气质量监测模块,所述气象数据包括风速、风向、温度、湿度、大气压力、天气情况等数据。
进一步的,在本发明实施例中,所述环保大数据存储模块,用于接收环保数据监测模块上传的监测数据并形成环保大数据进行储存。
进一步的,在本发明实施例中,所述环保大数据存储模块为一组可靠的分布式数据存储服务,能够存储区域环保相关数据,保证数据完整性、安全性,并通过多机并发机制实现数据快速读写,例如,所述可靠的分布式数据存储服务,可以为部署在云端的服务,也可以为部署在物联网监测设备所在地的服务,可以理解的,所述可靠的分布式数据存储服务支持数据备份,自动将数据备份到多个物理机;当任意物理机发生故障时,自动通过备份将数据迁移到其他物理机。
具体的,所述可靠的分布式数据存储服务包括数据存储服务模块、数据读取服务模块与数据权限控制服务模块;所述数据存储服务模块与数据读取服务模块,用于通过多机并发读写提高数据处理速度,所述数据权限控制服务模块用于利用账户、用户组、密钥等方式进行数据访问权限授权与验证,杜绝数据非法访问事件发生。
进一步的,在本发明实施例中,所述大气污染物扩散分析模块,用于提取环保大数据存储模块储存的环保大数据并基于人工神经网络通过分析对应区域内的真实环保大数据建立区域空气质量预测模型。
其中,所述区域空气质量预测模型为通过预设区域特定场景并基于神经网络建立区域空气质量预测模型,并利用区域大气污染物扩散真实监测数据(即对应区域的废气排放点污染物排放数据、空气质量监测点污染物浓度数据以及气象采集点气象数据)训练空气质量预测模型,学习区域污染物扩散特性。
具体的,区域空气质量预测模型为基于神经网络的预测模型,包含多个卷积层、LSTM层、全连接层、隐藏层、激活层等;其中,区域空气质量预测模型输入包括区域前N个时段污染物扩散状态数据、预测时段污染源预估数据、预测时段区域气象预测数据与相对位置信息;区域空气质量预测模型输出为目标点的空气质量值,通过卷积网络抽取每个时段特征值,循环神经网络利用卷积网络输出值进一步学习时序特征。
进一步的,在本发明实施例中,所述区域污染物扩散状态数据包括区域所有污染源数据、区域气象数据、区域空气质量数据等;所述区域所有污染源数据包括污染物成分、排放强度等、烟囱高度等;所述区域气象数据包括风速、风向、温度、湿度等;所述空气质量值包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等污染物浓度;所述区域气象预测数据,是指在特定时段区域气象预测值,来源为国家气象预测部门公布的预测数据;所述相对位置信息包括预测目标点与所有污染源的距离,包括水平坐标距离、垂直距离,其中水平坐标距离为污染源下风向距离和下风向垂直距离。
进一步的,在本发明实施例中,所述空气质量预测模块,用于提取环保大数据存储模块储存的当前若干时段的区域监测数据,并基于区域空气质量预测模型预测特定条件下工业区域及周边任意点空气质量状况,通过空气质量预测,能够对未来短时间内(3小时到三天)空气质量进行预警,进而可以提供精细化污染源管控方案。
进一步的,在本发明实施例中,所述特定条件包括区域当前N个时段的区域污染物扩散数据、预测时段污染源预估数据、预测时段区域气象预测数据、相对位置信息等;所述区域气象数据包括温度、湿度、风向、风力大小等;区域气象预测数据来源为国家天气预报部门发布的数据;任意点空气质量包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等。
进一步的,在本发明实施例中,所述基于环保物联网大数据预测空气质量趋势的装置还包括用于为装置进行供电的电源模块,所述电源模块可以是交流电、直流电、一次性电池或可充电电池;当电源模块包括可充电电池时,该可充电电池可以支持有线充电或无线充电,其中未涉及部分均与现有技术相同或可采用现有技术加以实现。
本领域技术人员可以理解,图1-2中示出的模块,仅仅是与本申请方案相关的部分的框图,并不构成对本申请方案所述基于环保物联网大数据预测空气质量趋势的装置的限定,具体的基于环保物联网大数据预测空气质量趋势的装置可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本发明提供的另一个实施例中,一种采用上述基于环保物联网大数据预测空气质量趋势的装置的空气质量趋势预测方法,步骤如下:
1)环保大数据收集:环保大数据收集通过基于物联网的环保数据监测模块进行实时采集监测数据,同时将监测数据实时上传到环保大数据存储模块。
具体的,所述环保数据监测模块为一组污染物在线监测设备,包括污染源监测设备、空气质量监测设备、气象监测设备等现有产品。
其中,所述污染源监测设备固定于污染源,采集污染源所有监测指标信息(各类污染物排放明细)。
其中,所述污染源为烟囱等工业废气排放设备。
其中,所述空气质量监测设备部署于区域周边,采集部署位置所有监测指标信息,可以为固定式空气质量监测设备(空气质量监测站等),也可以为移动式空气质量监测设备(空气质量监测车等)。
其中,所述监测指标包括二氧化硫、臭氧、烟尘、流速、温度、压力、湿度等。
其中,所述区域气象监测设备能够实时采集所有气象采集点的气象信息,而且,区域气象监测模块可以为单独部署,也可以集成到污染源监测设或空气质量监测设备内。
其中,所述气象信息包括风速、风向、温度、湿度、大气压力、天气情况等。
其中,所述监测数据实时上传的间隔时间为一分钟,即每分钟上传一次。
其中,所述环保大数据存储模块包括一套分布式存储***,能够稳定地存储海量环保数据、能够快速响应环保数据查询请求。
2)区域大气污染物扩散分析:通过大气污染物扩散分析模块提取环保大数据存储模块储存的环保大数据并基于人工神经网络通过自动分析区域大气污染物扩散真实数据建立区域空气质量预测模型。
其中,区域空气质量预测模型为基于神经网络的预测模型,包含多个卷积层、LSTM层、全连接层、隐藏层、激活层等;区域空气质量预测模型输入包括,前N个时段状态数据(污染源、气象、空气质量等)、预测时段气象数据(预测值,包括风速、风力、温度等)、预测时段污染源预估数据(人为设定的管控值);区域空气质量预测模型的输出为,预测点污染物浓度值;而且,区域空气质量预测模型使用真实区域大气污染物扩散监测数据拟合。
例如,前N个时段状态数据可以表示为S=(s1,s2...sn),某时段状态数据可以表示为st=(x,y,z,H,v,q,h,w,r),st为st+1前一时段状态数据;其中,x、y、z分别为监测点在污染源下风向方向距离、下风向垂直方向距离以及水平高度距离,均为矢量值,表征所有污染源与预测点的位置信息;H为污染源高度与烟羽排放上冲高度之和,为矢量值,表示所有污染源高度;q为污染源单位排放强度,即单位时间污染物排放量,单位为mg/s,为矢量值,表征所有污染源的排放强度;v为风速(m/s);h为日照强度;w为天气状况(多云、雾、下雨等),表征区域内的气象信息,来源为国家气象预测部门数据;r为预测点大气污染物浓度值,单位为mg/m3。
其中,使用区域大气污染物扩散监测数据拟合是指将区域历史监测数据进行标准化处理后作为训练样例训练空气质量预测模型。
其中,将区域所有历史监测数据进行标准化处理包括以下步骤:
以30分钟为间隔将历史数据分割为时段数据;
对所有时段数据进行去尾平均转换为该时段状态数据;
连续N+1个时段的数据转换为一条训练样例。
其中,连续N+1个时段的数据转换为一条训练样例是指,以时间顺序排列后,样例输入参数x为(s1,s2...sN,HN+1,vN+1,qN+1,hN+1,wN+1),样例输出目标值y为rN+1。其中,s1至sN分别为第1至N个时段状态数据数,HN+1为N+1时刻污染源高度与烟羽上冲高度之和,vN+1为N+1时刻风速,qN+1为N+1时刻污染源排放强度,hN+1为N+1时刻日照强度,wN+1为N+1时刻天气状况值,rN+1为N+1时刻监测点空气质量监测值。
3)区域空气质量预测:通过空气质量预测模块提取环保大数据存储模块储存的当前若干时段的区域监测数据,并基于当前若干时段的区域监测数据,在特定条件下,利用空气质量预测模型对未来某时段(3小时到三天)区域及周边任意点空气质量状况进行预测。
其中,当前若干时段的区域监测数据是指,当前时段前N个时段区域监测数据(污染源、气象、空气质量、位置等),表示为S=(s1,s2...sn);在特定条件下是指,指定的特定污染源状况与气象状况P=(Hp,vp,qp,hp,wp),其中,气象状况是指未来时段区域气象预测值,来源为国家气象预报部门发布的数据,vp为预测风速,hp为预测光照强度,wp为预测天气状况,污染源状况为区域内所有污染源污染物排放假设值,包括污染物排放强度、污染物排放高度等,qp为设定的污染物排放强度,Hp为设定的污染物高度,均可以人为设定。
其中,空气质量状况进行预测基于空气质量预测模型rp=f(s1,s2...sn,Hp,vp,qp,hp,wp)进行,其中,任意时刻前N个时段监测数据S=(s1,s2...sn)为确定值,由于污染源与气象状况设定值P=(Hp,vp,qp,hp,wp)中,气象状况为确定的预测值,污染源状况为管控值,通过设置不同的污染物排放强度qp值,可以得到不同的空气质量预测值,通过控制qp值可以实现精细化空气质量治理。
除非本文中有明确的说明,上述实施例方法中的步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,其中至少一部分步骤并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤也不必然是依次进行,而是可以与其它步骤轮流或者交替地执行。
本发明的有益效果是:本发明设置了基于物联网终端的环保数据监测模块、用于储存数据的环保大数据存储模块、基于深度学习技术的大气污染物扩散分析模块以及用来预测空气质量的空气质量预测模块,通过基于由物联网终端收集的区域环保大数据来分析区域内污染源、气象、大气质量相关影响,自动生成基于深度学习网络的空气质量预测模型,能够同时利用气象数据与污染物排放时序数据来建立空气质量预测模型,通过最新人工智能算法(CNN网络与RNN网络)学习连续的区域空气质量变化数据;而且,基于空气质量预测模型,结合区域实时环保大数据,能够准确预测特定条件下(天气状况、污染物排放状况等)区域及周边空气质量,精确的空气质量预测能够为减少区域大气污染事件提供数据支撑。
本发明由于内置了大气污染物扩散分析模块,能够自动分析区域环保大数据,并建立空气质量预测模型,由于内置了空气质量预测模块,能够基于数据自动预测空气质量,提供精细化空气质量治理方案,借助大数据处理技术与智能分析算法,自动分析区域环保大数据来建立更加精准的空气质量预测模型。
本发明能够解决传统空气质量预测方法忽略污染源波动导致的预测偏差问题,同时能够基于数据提供智能化污染源管控建议、精准防控大气污染事件发生,不仅能更加准确科学地进行空气质量预测,而且能够提供明确的管控措施来避免大气污染事件发生,对于减少大气污染事件发生具有重要意义。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,例如,本发明由Python语言通过编程实现本发明方法,即完成了基于物联网监测环保大数据预测空气质量趋势的全部处理过程,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为随机存储器、闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (1)
1.一种基于环保物联网大数据预测空气质量趋势的装置,其特征在于,包括:依次连接的环保数据监测模块、环保大数据存储模块、大气污染物扩散分析模块以及空气质量预测模块,所述环保大数据存储模块还与空气质量预测模块连接;
所述环保数据监测模块用于基于物联网终端实时采集监测数据并上传至环保大数据存储模块;所述监测数据包括废气排放点的污染物排放数据、空气质量监测点的污染物浓度数据以及气象采集点的气象数据;
所述环保数据监测模块包括废气排放监测模块、空气质量监测模块与区域气象采集模块;所述废气排放监测模块用于实时采集区域内废气排放点的污染物排放数据;所述污染物包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧和一氧化碳;所述空气质量监测模块用于实时采集区域内空气质量监测点的污染物浓度数据;所述区域气象采集模块用于实时采集区域内气象采集点的气象数据,所述气象数据包括风速、风向、温度、湿度、大气压力和天气情况;
所述环保大数据存储模块用于接收环保数据监测模块上传的监测数据并形成环保大数据进行储存;
所述大气污染物扩散分析模块用于提取环保大数据存储模块储存的环保大数据并基于人工神经网络通过分析建立区域空气质量预测模型;所述大气污染物扩散分析模块,用于提取环保大数据存储模块储存的环保大数据并基于人工神经网络通过分析对应区域内的真实环保大数据建立区域空气质量预测模型;其中,所述区域空气质量预测模型为通过预设区域特定场景并基于神经网络建立区域空气质量预测模型,并利用区域大气污染物扩散真实监测数据训练空气质量预测模型,学习区域污染物扩散特性;区域空气质量预测模型为基于神经网络的预测模型,包含多个卷积层、LSTM层、全连接层、隐藏层、激活层;其中,区域空气质量预测模型输入包括区域前N个时段污染物扩散状态数据、预测时段污染源预估数据、预测时段区域气象预测数据与相对位置信息;区域空气质量预测模型输出为目标点的空气质量值,通过卷积网络抽取每个时段特征值,循环神经网络利用卷积网络输出值进一步学习时序特征;
所述空气质量预测模块用于提取环保大数据存储模块储存的当前若干时段的区域监测数据,并基于区域空气质量预测模型预测区域空气质量状况;
所述区域污染物扩散状态数据包括区域所有污染源数据、区域气象数据、区域空气质量数据;所述区域所有污染源数据包括污染物成分、排放强度、烟囱高度;所述区域气象数据包括风速、风向、温度、湿度;所述空气质量值包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳的污染物浓度;所述区域气象预测数据,是指在特定时段区域气象预测值,来源为国家气象预测部门公布的预测数据;所述相对位置信息包括预测目标点与所有污染源的距离,包括水平坐标距离、垂直距离,其中水平坐标距离为污染源下风向距离和下风向垂直距离;
所述基于环保物联网大数据预测空气质量趋势的装置还包括用于为装置供电的电源模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757242.8A CN110531029B (zh) | 2019-08-16 | 2019-08-16 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757242.8A CN110531029B (zh) | 2019-08-16 | 2019-08-16 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110531029A CN110531029A (zh) | 2019-12-03 |
CN110531029B true CN110531029B (zh) | 2022-02-25 |
Family
ID=68663425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757242.8A Active CN110531029B (zh) | 2019-08-16 | 2019-08-16 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110531029B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI812051B (zh) * | 2022-03-08 | 2023-08-11 | 國立臺灣師範大學 | 有機氣體濃度預測方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111011247A (zh) * | 2019-12-13 | 2020-04-17 | 巨星农牧股份有限公司 | 一种可持续性和智能化养猪方法 |
CN111103220B (zh) * | 2019-12-31 | 2021-04-27 | 西安交通大学 | 一种对大气污染物浓度的预测调控方法及*** |
CN111157682A (zh) * | 2020-01-06 | 2020-05-15 | 上海应用技术大学 | 空气质量监测及预测***及方法 |
CN111814964A (zh) * | 2020-07-20 | 2020-10-23 | 江西省环境监测中心站 | 基于空气质量状况预报的空气污染处理方法及存储介质 |
CN112769930A (zh) * | 2020-12-31 | 2021-05-07 | 北京佳华智联科技有限公司 | 一种污染趋势预测方法及装置、污染事件监测装置及设备 |
CN112836952A (zh) * | 2021-01-26 | 2021-05-25 | 华风气象传媒集团有限责任公司 | 一种出行推荐方法 |
CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
CN113420071A (zh) * | 2021-06-24 | 2021-09-21 | 天津大学 | 大气污染区域联防联控应急调控方案优选方法 |
CN116029411A (zh) * | 2022-05-23 | 2023-04-28 | 成都秦川物联网科技股份有限公司 | 一种基于物联网的智慧城市区域管理方法和*** |
CN116562712B (zh) * | 2023-06-29 | 2023-09-19 | 内江师范学院 | 一种用于预测空气质量的***和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106352914A (zh) * | 2016-08-01 | 2017-01-25 | 孙扬 | 一种区域空气质量治理的装置 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报*** |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力***环境调度方法 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109376443A (zh) * | 2018-11-02 | 2019-02-22 | 唐山华洋环保科技有限公司 | 区域大气污染环境仿真动态模拟*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492822B (zh) * | 2018-11-24 | 2021-08-03 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
CN110070224A (zh) * | 2019-04-20 | 2019-07-30 | 北京工业大学 | 一种基于多步骤递归预测的空气质量预测方法 |
-
2019
- 2019-08-16 CN CN201910757242.8A patent/CN110531029B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106352914A (zh) * | 2016-08-01 | 2017-01-25 | 孙扬 | 一种区域空气质量治理的装置 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力***环境调度方法 |
CN106651036A (zh) * | 2016-12-26 | 2017-05-10 | 东莞理工学院 | 空气质量预报*** |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109376443A (zh) * | 2018-11-02 | 2019-02-22 | 唐山华洋环保科技有限公司 | 区域大气污染环境仿真动态模拟*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI812051B (zh) * | 2022-03-08 | 2023-08-11 | 國立臺灣師範大學 | 有機氣體濃度預測方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110531029A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN112085241B (zh) | 一种基于机器学***台 | |
Wang et al. | Regional prediction of ground-level ozone using a hybrid sequence-to-sequence deep learning approach | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
CN106651036A (zh) | 空气质量预报*** | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
CN114693003B (zh) | 一种基于物联网的智慧城市空气质量预测方法和*** | |
CN102679935B (zh) | 一种计算输电线路覆冰厚度的***及其方法 | |
CN114048952B (zh) | 基于边缘物联技术和神经网络的炼铁厂安全态势感知方法 | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN117708617B (zh) | 基于多源大数据及污染特征时空匹配的大气污染溯源方法 | |
CN111060654A (zh) | 一种基于数字孪生的无人机大气污染实时监测预警平台 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN115762169A (zh) | 一种环卫车无人驾驶的智能控制***及方法 | |
CN113947013A (zh) | 基于混合深度神经网络建模的锅炉短期NOx排放预测方法 | |
CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
CN114819423B (zh) | 应用gis技术及数据信息融合***的碳排治理*** | |
CN115471128A (zh) | 一种基于大数据的预测空气质量趋势的装置 | |
CN114118678A (zh) | 一种基于边缘物联网的炼铁厂管理***及其架构方法 | |
Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
Zhou et al. | Holiday travel pattern forecast based on machine learning algorithm | |
CN117542434B (zh) | 一种基于数据分析的空气污染物浓度分析方法 | |
CN117388445B (zh) | 一种大气环境监测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |