CN111077048A - 基于移动设备的机会式群体智能空气质量监测及评估方法 - Google Patents
基于移动设备的机会式群体智能空气质量监测及评估方法 Download PDFInfo
- Publication number
- CN111077048A CN111077048A CN201911178811.XA CN201911178811A CN111077048A CN 111077048 A CN111077048 A CN 111077048A CN 201911178811 A CN201911178811 A CN 201911178811A CN 111077048 A CN111077048 A CN 111077048A
- Authority
- CN
- China
- Prior art keywords
- air quality
- model
- quality monitoring
- opportunistic
- correlation
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000012352 Spearman correlation analysis Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000000528 statistical test Methods 0.000 claims abstract description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 231100000719 pollutant Toxicity 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract 2
- 239000003570 air Substances 0.000 description 28
- 239000007789 gas Substances 0.000 description 27
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000010419 fine particle Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 206010038731 Respiratory tract irritation Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 206010043521 Throat irritation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 150000003863 ammonium salts Chemical class 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010753 nasal discharge Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000018612 quorum sensing Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 206010041232 sneezing Diseases 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Dispersion Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于移动设备的机会式群体智能空气质量监测及评估方法,利用机会网络构建群体感知***,所述群体感知***包括同一区域的多个智能设备,所述***为间断连接***,每个带有气体传感器的所述智能设备收集气体数据用于空气质量监测,并通过移动中继器将数据以机会多跳的方式发送到同一区域的其他智能设备,通过差异化预测模型来计算所述区域内的空气质量;分别对PM2.5和SO2,NO2,O3,CO的每小时浓度进行相关分析,应用每组数据的K‑S统计检验,对每组气体数据进行Spearman相关分析,获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间存在的关系,筛选出对PM2.5浓度影响最大的气体,再根据对空气质量监测站的气体参数与PM2.5之间的Spearman等级相关性,构建有效模型。
Description
技术领域
本发明涉及计算机技术领域,具体来说,涉及一种基于移动设备的机会 式群体智能空气质量监测及评估方法。
背景技术
随着我国大多数地区工业化和城市化进程的推动,许多城市的社会环境问 题逐渐开始暴露,发达国家经历了上百年的环境问题也在我国经济发达的地区 开始集中性爆发,而其中雾霾的问题一直是社会各界关注的舆论热点。雾霾的 核心污染物是PM2.5,它指的是环境空气中空气动力学当量直径小于等于2.5 微米的颗粒物,它能够在空气中飘浮很长一段时间,人类长期吸入后会对其健 康产生巨大的影响和危害。PM2.5的化学成分主要包括有机碳、元素碳、硝酸 盐、硫酸盐、铵盐、钠盐等。在我国,2012年实现了PM2.5的自动监测和实 时信息发布,2014年正式成立长三角区域空气质量预报中心,2015年发布了 PM2.5的源分析结果,目前有关PM2.5的研究尚在进一步拓展当中。
PM2.5的预测方法有很多,常用的有基于多元线性回归模型的,基于时间 序列进行预测的,还有基于自回归移动平均模型等等。例如,现有技术通常采 用主成分分析法找出与PM2.5浓度相关的一系列主要指标,通过分析他们对 PM2.5浓度的影响大小,划分成主要成分和次要成分,进而进一步降低数据维 度,最后借助LASSO(The Least AbsoluteShrinkage and Selectionator operator)算法进行特征选取,给各成分确定相应的系数建立模型然后再进行 回归分析。
由于PM2.5的浓度变化是非线性的,使用神经网络可以构造出复杂的非线 性预测结构,可以很好地适应非线性量的预测,有现有技术采用自组织递归模 糊神经网络的方法来对PM2.5的小时浓度作预测。他同样的先采用主成分分析 法选取与PM2.5浓度相关影响性较强的量,将其作为自变量输入到神经网络, 用偏最小二乘法以及ε准则的方法对神经网络结构进行优化调整,并通过自适 应梯度下降算法调整模型的宽度和权值等参数,最后使用典型非线性***预测 PM2.5的浓度值。
由于对人类健康的危害,烟雾的广泛传播和频繁发生引起了人们的极大关注。 据报道,由于空气污染,每年有超过300万人过早死亡。细颗粒物(PM2.5) 是许多疾病的主要原因,因为空气污染物能够深入呼吸道,到达肺部。最近 的研究表明,接触细颗粒会导致短期健康影响,如眼睛,鼻子,喉咙和肺部刺 激,咳嗽,打喷嚏,流鼻涕和呼吸急促。接触细颗粒也会影响肺功能并恶化 哮喘和心脏病等疾病。
在指定地点(交通路口,景区,建筑物屋顶)部署了复杂但昂贵的监测站, 以收集污染物(PM2.5或PM10)和污染气体(CO,O3,NO2,SO2等)。由于 部署和维护的成本,这些监测站是静态和稀疏部署的,因此在我们的分析后面 的分析中未能在许多城市化区域提供全面覆盖。
通常,基于激光的粒子传感器配备有提供精确的PM2.5测量。有缩小版本 可以更加普遍地感知家庭内部的空气质量,但准确性不够精确。使用移动设备 对PM2.5值进行人群感知被认为是一种补充官方站点读数的潜在解决方案。 但是,即使是缩小的传感器仍然昂贵且大尺寸用于嵌入在移动设备上的大规模 部署。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于智能设备进行 机会主义群体空气质量监测及评估方法,能够不直接测量PM2.5值,而是 分析污染物与污染气体之间的关系,并利用相关性构建预测模型进行估算。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于智能设备进行机会主义群体空气质量监测及评估方法,利用 机会网络构建群体感知***,所述群体感知***包括同一区域的多个智能 设备,所述***为间断连接***,每个带有气体传感器的所述智能设备收 集气体数据用于空气质量监测(NO2、SO2和CO),并通过移动继电器将数 据以机会多跳的方式发送到同一区域的其他智能设备,通过差异化预测模 型来计算所述区域内的空气质量;
其中,所述通过差异化预测模型来计算所述区域内的空气质量包括: 分别对PM2.5和SO2,NO2,O3,CO的每小时浓度进行相关分析,首先应用 每组数据的K-S(Kolmogorov-Smirnov)统计检验,对每组气体数据进行 Spearman相关分析,获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间 存在的关系,并筛选出对PM2.5浓度影响最大的气体,再根据对空气质量 监测站的气体参数与PM2.5之间的Spearman等级相关性,构建有效模型,其中,所述构建有效模型包括多项式回归模型、非线性多项式回归模型及 其他非线性回归模型。
更进一步地,收集的各监测站的污染物数据,对空气质素监测站分类, 具体包括将监测站划分为不同的类型,并为不同类型的监测站和不同的季 节建立不同的模型,采用k近邻算法(KNN)、支持向量机(SVM)和朴素贝叶 斯分类器对两类监测站进行分类。
更进一步地,基于上述分析建立合适的模型作为估计模型来预测实时 PM2.5值,所述合适的模型为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X1X2+β6X1X3+
β7X1X4+β8X2X3+β9X2X4+β10X3X4+ε
其中,Y为PM2.5的预测值,X1为SO2的自变量,X2为NO2的自变量, X3为O3的自变量,X4为CO的自变量,βn为回归系数,n=[0,10],ε为 随机误差。
更进一步地,多种预测模型被应用于不同类型的监测站。
更进一步地,为了提高预测效果,建立不同类型监测站的预测模型和 不同季节的预测模型,所述不同类型监测站的预测模型为交通站点预测模 型、背景站点预测模型和各站点普通预测模型。
更进一步地,将气体传感器设置于共享出行工具或智能设备上,以利 于空气质量的监测和数据收集。
更进一步地,气体传感器从共享出行工具或智能设备中获得稳定的电 力供应。
更进一步地,所诉空气质量监测站的气体参数与PM2.5之间的 Spearman等级相关性进一步包括:相关系数的绝对值越高,相关性越强; 相关系数越接近1或-1,相关度越强,相关系数越接近0,相关度越弱。
更进一步地,所述获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间 存在的关系进一步包括:PM2.5的浓度和SO2,NO2,O3,CO的浓度之间为 非线性相关,且CO对PM2.5浓度的影响比NO2和SO2更显著。
更进一步地,所述有效模型进一步包括,从最简单的二次多项式开始, 用幂函数建立变量多项式回归模型和多元回归模型,其中,所述多项式回 归模型包括纯二次方模型、交互二次方模型、完全二次方模型。
与现有技术相比,有益效果为:本发明分析了官方空气质量监测站的 实际原始数据的分布和特征,提出了一种群体感应方案,通过预测污染气 体读数来预测PM2.5进而得出空气质量水平;分析并绘制PM2.5与其他污 染气体参数(NO2,SO2,O3和CO)之间的相关性,然后建立和改进用于估 算PM2.5的气体值和场地类型的预测模型。本发明不直接测量PM2.5值, 而是分析污染物与污染气体之间的关系,并利用相关性构建预测模型进行 估算,与现有技术中相比,用于测量污染气体的传感器便宜得多且形状因 子更小,这使得它们可用于许多人群感应应用中的大规模部署。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是 本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的 前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于移动设备的机会式群体智能空 气质量监测及评估方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是 全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其 他实施例,都属于本发明保护的范围。
细颗粒主要来自汽车,卡车,公共汽车和越野车辆(例如,建筑设备,雪 地车,机车)排气,其他涉及燃烧的操作木材,取暖油或煤等燃料以及森林和 草火等天然来源。
PM2.5是中国空气质量的决定性因素。然而,由于现有商用检测器的高 成本,很难获得高精度和宽的单独PM2.5数据,并且它具有强大的时间和空间 灵敏度。所以我们需要用气体参数(SO2,NO2,O3和CO)来估算PM2.5值, 这些参数可以由移动传感器收集。城市空气污染与特定污染之间存在内在联系。 SO2是SOx中的一种,它可以与大气中的其他化合物反应形成小颗粒,NO2也 会形成细颗粒污染,表明NO2与大气中的其他化合物反应形成PM2.5,SO2也 有助于大气中的PM2.5。PM2.5的浓度与NO2,SO2和CO的浓度显着正相关, 表明NO2,SO2和CO对PM2.5的浓度有显着影响。
本实施例进公开了一种基于智能设备进行机会主义群体空气质量监测 及评估方法,利用机会网络构建群体感知***,所述群体感知***包括同 一区域的多个智能设备,所述***为间断连接***,每个带有气体传感器 的所述智能设备收集气体数据用于空气质量监测(NO2、SO2和CO),并通 过移动继电器将数据以机会多跳的方式发送到同一区域的其他智能设备, 通过差异化预测模型来计算所述区域内的空气质量;
其中,所述通过差异化预测模型来计算所述区域内的空气质量包括: 分别对PM2.5和SO2,NO2,O3,CO的每小时浓度进行相关分析,首先应用 每组数据的K-S(Kolmogorov-Smirnov)统计检验,对每组气体数据进行 Spearman相关分析,获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间 存在的关系,并筛选出对PM2.5浓度影响最大的气体,再根据对空气质量 监测站的气体参数与PM2.5之间的Spearman等级相关性,构建有效模型,其中,所述构建有效模型包括多项式回归模型、非线性多项式回归模型及 其他非线性回归模型。
更进一步地,收集的各监测站的污染物数据,对空气质素监测站分类, 具体包括将监测站划分为不同的类型,并为不同类型的监测站和不同的季 节建立不同的模型,采用k近邻算法(KNN)、支持向量机(SVM)和朴素贝叶 斯分类器对两类监测站进行分类。
更进一步地,基于上述分析建立合适的模型作为估计模型来预测实时 PM2.5值,所述合适的模型为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X1X2+β6X1X3+ β7X1X4+β8X2X3+β9X2X4+β10X3X4+ε
其中,Y为PM2.5的预测值,X1为SO2的自变量,X2为NO2的自变量, X3为O3的自变量,X4为CO的自变量,βn为回归系数,n=[0,10],ε为 随机误差。
更进一步地,多种预测模型被应用于不同类型的监测站。
更进一步地,为了提高预测效果,建立不同类型监测站的预测模型和 不同季节的预测模型,所述不同类型监测站的预测模型为交通站点预测模 型、背景站点预测模型和各站点普通预测模型。
更进一步地,将气体传感器设置于共享出行工具或智能设备上,以利 于空气质量的监测和数据收集。
更进一步地,气体传感器从共享出行工具或智能设备中获得稳定的电 力供应。
更进一步地,所诉空气质量监测站的气体参数与PM2.5之间的 Spearman等级相关性进一步包括:相关系数的绝对值越高,相关性越强; 相关系数越接近1或-1,相关度越强,相关系数越接近0,相关度越弱。
更进一步地,所述获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间 存在的关系进一步包括:PM2.5的浓度和SO2,NO2,O3,CO的浓度之间为 非线性相关,且CO对PM2.5浓度的影响比NO2和SO2更显著。
更进一步地,所述有效模型进一步包括,从最简单的二次多项式开始, 用幂函数建立变量多项式回归模型和多元回归模型,其中,所述多项式回 归模型包括纯二次方模型、交互二次方模型、完全二次方模型。
本实施例模拟了CO,NO2,SO2,O3和PM2.5值之间的一些数学模型,并 根据这些模型得出它们的相关性。选择合适的模型作为预测模型来估计实时 PM2.5值。
Effective Model有效模型
我们从最简单的二次多项式开始,尝试用幂函数建立变量多项式回归模型 和多元回归模型。
(1)Polynomial Regression Model多项式回归模型
Model 1Pure Quadratic模型1纯二次方
Model 2Interaction Quadratic模型2交互二次方
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X1X2+β6X1X3+β7X1X4+ β8X2X3+β9X2X4+β10X3X4+ε (2)
Model 3Full Quadratic模型3完全二次方
(2)Nonlinear Polynomials regression非线性多项式回归
当n的值不同时,存在不同的非线性多项式回归模型。
Model 4
Y=β0+(β1X1+β2X2+β3X3+β4X4)n+ε (4)
(3)Other Nonlinear Regression其他非线性回归
考虑到PM2.5的分布与复变量之间的非线性关系,我们使用幂函数形式的 几个多元回归方程。
Model 5
Model 6
Model 7
我们可以建立一个合适的模型,仅通过SO2,NO2和CO来预测PM2.5浓度 得到O3对PM2:5浓度几乎没有贡献。
考虑到PM2.5的分布与复变量之间的非线性关系,我们建立了幂函数形式 的多项式二次回归模型(公式8)。
Model Interaction Quadratic二次模型交互
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X1X2+β6X1X3+β7X1X4+ β8X2X3+β9X2X4+β10X3X4+ε (8)
由式8多项式回归得到的预测PM2.5值与SO2、NO2、O3、CO的关系。因 此,我们可以建立一个合适的模型,仅通过SO2、NO2和CO作为O3来预测PM2.5 浓度,估计模型建立方程使用2014年和2015年的空气质量数据作为训练数据 集。然后,我们预测未来数据(2016年)的数据基于估计模型和比较这个模型和 实际模型之间的绝对误差,以验证这个估计模型的有效性。
分别以SO2、NO2、O3、CO、SO2、NO2、CO为参数的交互模型(方 程8)推导出黑线和黄线的曲线。这两条曲线非常接近。这意味着, 参数为SO2、NO2、CO的模型与参数为SO2、NO2、O3、CO的模型性能 基本相同。
Y=9.7718+0.6268X1+0.2122X2+37.7171X4+0.0027X1X2-0.2982X1X4+ 0.1184X2X4(9)
空气质素监测站分类
本申请根据本节收集的各监测站的污染物数据,把不同类型的监测站分类。 本文考虑了交通站和背景站的分类器,因为这两种类型的站是典型的,完全不 同。
因此,根据站点类型的不同建立分类模型。本文采用k近邻算法(KNN)、 支持向量机(SVM)和朴素贝叶斯分类器对两类监测站进行分类。
在数据挖掘技术中,简单实现的KNN算法是更常用的分类算法。SVM是最 好的现成监督学***均值。筛选出分类效果最高准确分类率,分类 性能最佳的分类器。
为了方便理解本发明的上述技术方案,以下通过具体使用方式上对本发明 的上述技术方案进行详细说明。
考虑到大气污染物的上述特点,建立不同类型监测站和不同季节的预测模 型是提高预测效果的良好选择。
多种预测模型被应用于不同类型的监测站。三种预测模型的预测误差率 CDF,分别为交通站点预测模型、背景站点预测模型和各站点常见预测模型。
PM2.5的预测是利用四种污染气体和三种污染气体这两种数据建立的三 种预测模型进行的。为了考察所提出的基于站点类型的预测模型的准确性, PM2.5绝对误差小于10、20、30、35、40、50和100/ig/m3。基于站类型的 预测模型的预测精度高于普通模型。例如,交通站预测模型中PM2.5绝对误 差小于35ig/m3的比例为79.61%,而当三种污染气体用作数据源时,所有站 的普通模型的比率为64.92%,因此基于台站类型的预测模型的预测精度提 高了约15%。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发 明的保护范围之内。
Claims (10)
1.一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,利用机会网络构建群体感知***,所述群体感知***包括同一区域的多个智能设备,所述***为间断连接***,每个带有气体传感器的所述智能设备收集气体数据用于空气质量监测(NO2、SO2和CO),并通过移动中继器将数据以机会多跳的方式发送到同一区域的其他智能设备,通过差异化预测模型来计算所述区域内的空气质量;
其中,所述通过差异化预测模型来计算所述区域内的空气质量包括:分别对PM2.5和SO2,NO2,O3,CO的每小时浓度进行相关分析,首先应用每组数据的K-S(Kolmogorov-Smirnov)统计检验,对每组气体数据进行Spearman相关分析,获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间存在的关系,并筛选出对PM2.5浓度影响最大的气体,再根据对空气质量监测站的气体参数与PM2.5之间的Spearman等级相关性,构建有效模型,其中,所述构建有效模型包括多项式回归模型、非线性多项式回归模型及其他非线性回归模型。
2.根据权利要求1所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,收集的各监测站的污染物数据,对空气质素监测站分类,具体包括将监测站划分为不同的类型,并为不同类型的监测站和不同的季节建立不同的模型,采用k近邻算法(KNN)、支持向量机(SVM)和朴素贝叶斯分类器对两类监测站进行分类。
3.根据权利要求2所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,基于上述分析建立合适的模型作为估计模型来预测实时PM2.5值,所述合适的模型为:
Y=β0+β1X1+β2X2+β3X3+β4X4+β5X1X2+β6X1X3+β7X1X4+β8X2X3+β9X2X4+β10X3X4+ε
其中,Y为PM2.5的预测值,X1为SO2的自变量,X2为NO2的自变量,X3为O3的自变量,X4为CO的自变量,βn为回归系数,n=[0,10],ε为随机误差。
4.根据权利要求3所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,多种预测模型被应用于不同类型的监测站。
5.根据权利要求4所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,为了提高预测效果,建立不同类型监测站的预测模型和不同季节的预测模型,所述不同类型监测站的预测模型为交通站点预测模型、背景站点预测模型和各站点普通预测模型。
6.根据权利要求5所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,将气体传感器设置于共享出行工具或智能设备上,以利于空气质量的监测和数据收集。
7.根据权利要求6所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,气体传感器从共享出行工具或智能设备中获得稳定的电力供应。
8.根据权利要求7所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,所诉空气质量监测站的气体参数与PM2.5之间的Spearman等级相关性进一步包括:相关系数的绝对值越高,相关性越强;相关系数越接近1或-1,相关度越强,相关系数越接近0,相关度越弱。
9.根据权利要求8所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,所述获取PM2.5的浓度和SO2,NO2,O3,CO的浓度之间存在的关系进一步包括:PM2.5的浓度和SO2,NO2,O3,CO的浓度之间为非线性相关,且CO对PM2.5浓度的影响比NO2和SO2更显著。
10.根据权利要求9所述的一种基于移动设备的机会式群体智能空气质量监测及评估方法,其特征在于,所述有效模型进一步包括,从最简单的二次多项式开始,用幂函数建立变量多项式回归模型和多元回归模型,其中,所述多项式回归模型包括纯二次方模型、交互二次方模型、完全二次方模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911178811.XA CN111077048A (zh) | 2019-11-27 | 2019-11-27 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911178811.XA CN111077048A (zh) | 2019-11-27 | 2019-11-27 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111077048A true CN111077048A (zh) | 2020-04-28 |
Family
ID=70311818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911178811.XA Pending CN111077048A (zh) | 2019-11-27 | 2019-11-27 | 基于移动设备的机会式群体智能空气质量监测及评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111077048A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680404A (zh) * | 2020-05-25 | 2020-09-18 | 中国科学院城市环境研究所 | 一种基于站点监测数据构建的大气元素汞浓度预测方法 |
CN112836856A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于多项式回归算法的抽油机水驱井检泵周期预测方法 |
CN113281229A (zh) * | 2021-02-09 | 2021-08-20 | 北京工业大学 | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 |
CN113553551A (zh) * | 2021-07-28 | 2021-10-26 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测模型 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150074526A (ko) * | 2013-12-24 | 2015-07-02 | 강릉원주대학교산학협력단 | 기상정보 측정 및 수집 방법 및 시스템 |
CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和*** |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN109784552A (zh) * | 2018-12-29 | 2019-05-21 | 武汉大学 | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 |
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
-
2019
- 2019-11-27 CN CN201911178811.XA patent/CN111077048A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150074526A (ko) * | 2013-12-24 | 2015-07-02 | 강릉원주대학교산학협력단 | 기상정보 측정 및 수집 방법 및 시스템 |
CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和*** |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN109784552A (zh) * | 2018-12-29 | 2019-05-21 | 武汉大学 | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 |
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
Non-Patent Citations (6)
Title |
---|
刘小兵: "基于支持向量回归机的PM2.5浓度预测模型分析与研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技I辑》 * |
孟想: "基于群智感知的空气质量传感器校准方法设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
岳晓宁 等: "《增量式自适应大数据挖掘算法》", 31 October 2019, 辽宁科学技术出版社 * |
张怡文 等: "基于神经网络的PM2.5预测模型", 《江苏师范大学学报(自然科学版)》 * |
贾鹏飞 等: "《玩转科技制作》", 31 December 2018, 天津科学技术出版社 * |
陈多宏 等: "《多功能高精度区域空气质量预报***研发及示范应用》", 31 August 2018, 广州:中山大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680404A (zh) * | 2020-05-25 | 2020-09-18 | 中国科学院城市环境研究所 | 一种基于站点监测数据构建的大气元素汞浓度预测方法 |
CN111680404B (zh) * | 2020-05-25 | 2022-06-21 | 中国科学院城市环境研究所 | 一种基于站点监测数据构建的大气元素汞浓度预测方法 |
CN112836856A (zh) * | 2021-01-07 | 2021-05-25 | 中国石油大学(华东) | 一种基于多项式回归算法的抽油机水驱井检泵周期预测方法 |
CN113281229A (zh) * | 2021-02-09 | 2021-08-20 | 北京工业大学 | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 |
CN113281229B (zh) * | 2021-02-09 | 2022-11-29 | 北京工业大学 | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 |
CN113553551A (zh) * | 2021-07-28 | 2021-10-26 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测模型 |
CN113553551B (zh) * | 2021-07-28 | 2024-02-02 | 生态环境部华南环境科学研究所 | 一种耦合景观格局的臭氧浓度预测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
CN111077048A (zh) | 基于移动设备的机会式群体智能空气质量监测及评估方法 | |
CN106650825B (zh) | 一种机动车尾气排放数据融合*** | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
Wang et al. | Fine-scale estimation of carbon monoxide and fine particulate matter concentrations in proximity to a road intersection by using wavelet neural network with genetic algorithm | |
Tella et al. | Spatial assessment of PM10 hotspots using random forest, K-nearest neighbour and Naïve Bayes | |
CN114280695A (zh) | 一种空气污染物监测预警方法及云平台 | |
US20110313958A1 (en) | System and method for empirical ensemble-based virtual sensing of particulates | |
Kingsy et al. | Air pollution analysis using enhanced K-Means clustering algorithm for real time sensor data | |
Mishra et al. | Air quality analysis and smog detection in smart cities for safer transport using machine learning (ML) regression models | |
Baran | Prediction of air quality index by extreme learning machines | |
Basu et al. | Augmenting limited background monitoring data for improved performance in land use regression modelling: Using support vector regression and mobile monitoring | |
Wang et al. | Hybrid model for prediction of carbon monoxide and fine particulate matter concentrations near a road intersection | |
Sá et al. | Two step calibration method for ozone low-cost sensor: Field experiences with the UrbanSense DCUs | |
Nguyen et al. | Deep learning for construction emission monitoring with low-cost sensor network | |
Barthwal et al. | Iot system based forecasting and modeling exceedance probability and return period of air quality using extreme value distribution | |
Vujić et al. | Air quality monitoring and modeling near coal fired power plant | |
Gocheva-Ilieva et al. | PM10 Prediction and Forecasting Using CART: A Case Study for Pleven, Bulgaria | |
CN112966442B (zh) | 基于因果中心性的雾霾分析识别方法 | |
Ghayoumi Zadeh et al. | A Bidirectional Long Short-Term Neural Network Model to Predict Air Pollutant Concentrations: A Case Study of Tehran, Iran | |
Purnomo et al. | Achieving sustainable environment through prediction of air pollutants in Yogyakarta using adaptive neuro fuzzy inference system | |
Laraki et al. | 2.24 a novel real driving emissions mapping model at a road-segment scale | |
Renugadevi et al. | Air Quality Prediction using Random Forest algorithm | |
Ojeda-Magaña et al. | Air pollution analysis with a pfcm clustering algorithm applied in a real database of salamanca (mexico) | |
Aktan et al. | The neural network modeling of suspended particulate matter with autoregressive structure |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |