CN115561408A - 空气污染预警方法、装置、电子设备及存储介质 - Google Patents
空气污染预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115561408A CN115561408A CN202211438849.8A CN202211438849A CN115561408A CN 115561408 A CN115561408 A CN 115561408A CN 202211438849 A CN202211438849 A CN 202211438849A CN 115561408 A CN115561408 A CN 115561408A
- Authority
- CN
- China
- Prior art keywords
- air pollution
- station
- micro
- standard monitoring
- stations
- 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.)
- Granted
Links
- 238000003915 air pollution Methods 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 310
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 21
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 abstract description 8
- 231100000719 pollutant Toxicity 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000011109 contamination Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
- G01N33/0065—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means using more than one threshold
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Emergency Alarm Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明适用于污染物监测技术领域,提供了一种空气污染预警方法、装置、电子设备及存储介质,该方法包括:获取目标区域内各个微站的空气污染检测结果;若任意一个微站检测到发生空气污染事件,则获取目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对各个标准监测站点进行空气污染预警。本发明能够以对标准监测站点即将发生的污染进行预测预警。
Description
技术领域
本发明属于污染物监测技术领域,尤其涉及一种空气污染预警方法、装置、电子设备及存储介质。
背景技术
随着空气质量污染物监测网络的不断完善,现在的监测网络除了标准监测站点如国控站、省控站、市控站外,还有众多的微型监测站点(微站)。
由于微站的数量远远多于标准监测站点,且微站大多布设在污染源可能存在的位置,因此,当发生污染时,距离污染源最近的微站先检测到空气污染,一段时间后距离污染源较近的标准监测站点才能检测到空气污染,即标准监测站点相对于微站,检测污染存在一定的滞后性。因此,如何对标准监测站点和微站进行关联,当微站检测到污染时,对标准监测站点即将检测到的污染进行预测预警,从而进行提前预防和成因分析,是目前亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种空气污染预警方法、装置、电子设备及存储介质,以对标准监测站点即将发生的污染进行预测预警。
本发明实施例的第一方面提供了一种空气污染预警方法,包括:
获取目标区域内各个微站的空气污染检测结果;
若任意一个微站检测到发生空气污染事件,则获取目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;
根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对与该微站关联的各个标准监测站点进行空气污染预警。
结合第一方面,在第一方面的一种可能的实现方式中,关联规则概率库的建立过程包括:
获取目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件和历史风向数据;
对于任意一种风向下的任意一个微站,若在该微站检测到历史空气污染事件后预设时间内,某个标准监测站点也检测到历史空气污染事件,并且该微站与该标准监测站点之间满足预设的关联前提条件,则将该标准监测站点与该微站进行关联,通过遍历该风向下该微站检测到的所有历史空气污染事件,得到该风向下该微站与各个标准监测站点之间的关联关系;
统计该风向下该微站发生历史空气污染事件的次数k1、以及该风向下与该微站关联的各个标准监测站点发生历史空气污染事件的次数k2,并计算k2与k1的比值,得到该风向下该微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;基于不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率,建立关联规则概率库。
进一步的,在获取目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件之前,还包括确定目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件的过程;确定目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件,包括:
获取目标区域内各个微站和各个标准监测站点的历史空气监测数据;
对历史空气监测数据进行预处理后,通过峰值检测算法从历史空气监测数据中确定历史空气污染事件,得到目标区域内各个微站检测到的历史空气污染事件以及各个标准监测站点检测到的历史空气污染事件。
进一步的,空气污染事件和历史空气污染事件为一氧化碳污染事件,历史空气监测数据为一氧化碳浓度监测数据;或者,空气污染事件和历史空气污染事件为二氧化硫污染事件,历史空气监测数据为二氧化硫浓度监测数据;
对于不同的历史空气监测数据,峰值检测算法的检测参数不同。
进一步的,判断该微站与该标准监测站点之间是否满足预设的关联前提条件,包括:
在地理平面坐标系中计算该微站与该标准监测站点之间的距离、以及该微站指向该标准监测站点的方向与风向的夹角;
若在该微站检测到历史空气污染事件后预设时间内,同时满足第一条件、第二条件和第三条件,则判定满足预设的关联前提条件;
第一条件为距离小于预设距离阈值;
第二条件为夹角小于预设角度阈值;
第三条件为目标区域的风速位于预设的风速区间范围内。
进一步的,在建立关联规则概率库之后,还包括每隔预设时间间隔对关联规则概率库进行更新;
对关联规则概率库进行更新的过程包括:
将预设时间间隔内各个微站和各个标准监测站点发生的空气污染事件添加到相应的历史空气污染事件中,并重新计算不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率。
结合第一方面,在第一方面的一种可能的实现方式中,在对与该微站关联的各个标准监测站点进行空气污染预警之后,还包括:
若在该微站检测到空气污染事件后的预设时间内,某个与该微站关联的标准监测站点也检测到空气污染事件,则确定两个空气污染事件相关。
本发明实施例的第二方面提供了一种空气污染预警装置,包括:
获取模块,用于获取目标区域内各个微站的空气污染检测结果;
查询模块,用于若任意一个微站检测到发生空气污染事件,则获取目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;
预警模块,用于根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对与该微站关联的各个标准监测站点进行空气污染预警。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面的空气污染预警方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面的空气污染预警方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过预先建立目标区域的关联规则概率库,关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率,从而任意一个微站检测到发生空气污染事件时,根据目标区域的当前风向,从预设的关联规则概率库中可以查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,进而对与该微站关联的各个标准监测站点进行空气污染预警。本发明实施例能够对标准监测站点即将发生的空气污染进行预测预警,并且还能为标准监测站点检测到的空气污染事件提供分析依据,例如发现污染物来源、明确污染成因等,帮助相关部门进行管控。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的空气质量监测站点的分布示意图;
图2是本发明实施例提供的空气污染预警方法的实现流程示意图;
图3是本发明实施例提供的微站与标准监测站点的关联关系示意图;
图4是本发明实施例提供的空气污染预警装置的结构示意图;
图5是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
首先对微站和标准检测站点进行简单介绍。
微站大多布设在污染源可能存在的位置,监测小范围内的空气污染。而标准检测站点如国控站、省控站、市控站等监测大范围内的空气污染。因此,当发生空气污染事件时,通常距离污染源最近的微站先检测到空气污染,一段时间后标准监测站点才能检测到空气污染。以区域A为例,参见图1所示,其各类空气质量监测站点加起来有一千多个(图1中仅示出了部分微站和标准监测站点),利用这些空气质量监测站点的监测数据探究标准监测站点和微站的关联规则,能够对标准监测站点即将发生的污染进行预测预警,发现可能的污染物来源、明确污染成因,帮助相关部门进行管控。
图2是本发明实施例提供的空气污染预警方法的实现流程示意图。参见图2所示,该方法包括:
步骤S101,获取目标区域内各个微站的空气污染检测结果。
在本发明实施例中,可以直接从监测网络***上获取目标区域内各个微站的当前空气污染检测结果,例如当前哪个微站发生了空气污染事件。其中,目标区域可以是某个城市,空气污染事件可以是CO污染、SO2污染等。
或者,可以每半个小时读取一次标准监测站点和微站的监测数据,然后与历史监测数据合并,通过数据预处理及峰值检测算法寻找划分污染案例,确定近半个小时各个微站发生的污染案例,得到各个微站的空气污染检测结果。数据预处理及峰值检测算法在本说明书后续将进行详细介绍。
步骤S102,若任意一个微站检测到发生空气污染事件,则获取目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率。
在本实施例中,若某一个微站检测到发生空气污染事件,例如CO污染,若当前风向为东风,则可以从预设的关联规则概率库中查询风向为东风时与该微站关联的各个标准监测站点发生空气污染事件的概率。可以理解的是,由于微站与标准监测站点之间的地理位置关系,不同风向下,微站关联的标准监测站点一般不同,因此寻找关联的标准监测站点时必须考虑风向的影响。
步骤S103,根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对与该微站关联的各个标准监测站点进行空气污染预警。
在本实施例中,关联规则概率库中查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率一般不相同,可以筛选出概率较高的标准监测站点,对其即将发生的空气污染事件进行预测预警。
作为一种可能的实现方式中,在对与该微站关联的各个标准监测站点进行空气污染预警之后,还可以包括:
若在该微站检测到空气污染事件后的预设时间内,某个与该微站关联的标准监测站点也检测到空气污染事件,则确定两个空气污染事件相关。
在本实施例中,由于标准监测站点相对于微站响应污染存在滞后性,因此预设时间可以设置为未来1-1.5h的时间段。示例性的,当某个微站检测到CO污染后1-1.5h的时段内,在某个标准监测站点也检测到CO污染,则可以确定两个空气污染事件相关,根据微站的位置可以分析标准监测站点此次检测到CO污染的污染物来源、污染成因等,从而帮助相关部门进行管控。
可见,本发明实施例通过预先建立目标区域的关联规则概率库,关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率,从而任意一个微站检测到发生空气污染事件时,根据目标区域的当前风向,从预设的关联规则概率库中可以查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,进而对与该微站关联的各个标准监测站点进行空气污染预警。本发明实施例能够对标准监测站点即将发生的空气污染进行预测预警,还能为标准监测站点检测到的空气污染事件提供分析依据,例如发现污染物来源、明确污染成因等,帮助相关部门进行管控。
作为一种可能的实现方式中,上述关联规则概率库的建立过程包括:
获取目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件和历史风向数据;
对于任意一种风向下的任意一个微站,若在该微站检测到历史空气污染事件后预设时间内,某个标准监测站点也检测到历史空气污染事件,并且该微站与该标准监测站点之间满足预设的关联前提条件,则将该标准监测站点与该微站进行关联,通过遍历该风向下该微站检测到的所有历史空气污染事件,得到该风向下该微站与各个标准监测站点之间的关联关系;
统计该风向下该微站发生历史空气污染事件的次数k1、以及该风向下与该微站关联的各个标准监测站点发生历史空气污染事件的次数k2,并计算k2与k1的比值,得到该风向下该微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;基于不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率,建立关联规则概率库。
在本实施例中,关联规则概率库以模型所运算城市数据为基准,根据城市标准监测站点、微站等布局特点、以及标准监测站点和微站在不同风向、风速及距离影响下的关联性进行自动化构建。
现以A市为例,选取A市距离当前时间节点最近两个月的标准监测站点和微站的历史污染事件,对标准监测站点历史污染事件、微站历史污染事件进行关联,由于标准监测站点的检测具有滞后性,因此关联原则为标准监测站点发生的历史污染事件比微站发生的历史污染事件延后预设时间(例如微站发生历史污染事件后的1-2h),且两者之间满足预设的关联前提条件。以CO为例,关联分析结果如表1和图3所示,得到每一个标准监测站点以及与之匹配度较高的十个微站,还得到标准监测站点和匹配度较高的微站关联的次数。
表1 关联关系表
ID | 标准监测站点-污染物 | 微站-污染物 | 次数 |
1 | 标准监测站点1-co | 微站1-co | 5 |
2 | 标准监测站点1-co | 微站2-co | 5 |
3 | 标准监测站点1-co | 微站3-co | 5 |
4 | 标准监测站点1-co | 微站4-co | 4 |
5 | 标准监测站点1-co | 微站5-co | 4 |
6 | 标准监测站点1-co | 微站6-co | 3 |
7 | 标准监测站点1-co | 微站7-co | 3 |
8 | 标准监测站点1-co | 微站8-co | 3 |
9 | 标准监测站点1-co | 微站9-co | 3 |
10 | 标准监测站点1-co | 微站10-co | 3 |
11 | 标准监测站点2-co | 微站2-co | 5 |
12 | 标准监测站点2-co | 微站4-co | 4 |
13 | 标准监测站点2-co | 微站11-co | 4 |
14 | 标准监测站点2-co | 微站12-co | 4 |
15 | 标准监测站点2-co | 微站13-co | 4 |
16 | 标准监测站点2-co | 微站3-co | 4 |
17 | 标准监测站点2-co | 微站8-co | 3 |
18 | 标准监测站点2-co | 微站14-co | 3 |
19 | 标准监测站点2-co | 微站5-co | 3 |
20 | 标准监测站点2-co | 微站7-co | 3 |
21 | 标准监测站点3-co | 微站8-co | 4 |
22 | 标准监测站点3-co | 微站10-co | 4 |
23 | 标准监测站点3-co | 微站5-co | 4 |
24 | 标准监测站点3-co | 微站1-co | 4 |
25 | 标准监测站点3-co | 微站3-co | 4 |
26 | 标准监测站点3-co | 微站14-co | 3 |
27 | 标准监测站点3-co | 微站11-co | 3 |
28 | 标准监测站点3-co | 微站2-co | 3 |
29 | 标准监测站点3-co | 微站15-co | 3 |
30 | 标准监测站点3-co | 微站16-co | 3 |
31 | 标准监测站点4-co | 微站3-co | 6 |
32 | 标准监测站点4-co | 微站17-co | 6 |
33 | 标准监测站点4-co | 微站18-co | 6 |
34 | 标准监测站点4-co | 微站19-co | 6 |
35 | 标准监测站点4-co | 微站5-co | 5 |
36 | 标准监测站点4-co | 微站20-co | 5 |
37 | 标准监测站点4-co | 微站21-co | 5 |
38 | 标准监测站点4-co | 微站13-co | 5 |
39 | 标准监测站点4-co | 微站7-co | 4 |
40 | 标准监测站点4-co | 微站12-co | 4 |
41 | 标准监测站点5-co | 微站1-co | 5 |
42 | 标准监测站点5-co | 微站3-co | 5 |
43 | 标准监测站点5-co | 微站14-co | 4 |
44 | 标准监测站点5-co | 微站8-co | 4 |
45 | 标准监测站点5-co | 微站10 | 4 |
46 | 标准监测站点5-co | 微站2-co | 4 |
47 | 标准监测站点5-co | 微站7-co | 3 |
48 | 标准监测站点5-co | 微站4-co | 3 |
49 | 标准监测站点5-co | 微站15-co | 3 |
50 | 标准监测站点5-co | 微站22-co | 3 |
51 | 标准监测站点6-co | 微站23-co | 5 |
52 | 标准监测站点6-co | 微站2-co | 5 |
53 | 标准监测站点6-co | 微站17-co | 5 |
54 | 标准监测站点6-co | 微站11-co | 4 |
55 | 标准监测站点6-co | 微站5-co | 4 |
56 | 标准监测站点6-co | 微站18-co | 4 |
57 | 标准监测站点6-co | 微站24-co | 4 |
58 | 标准监测站点6-co | 微站25-co | 4 |
59 | 标准监测站点6-co | 微站26-co | 4 |
60 | 标准监测站点6-co | 微站27-co | 4 |
然后,分别统计不同风向条件下每个微站发生污染的次数,以及与之关联的标准监测站点发生污染的次数,当前风向下与该微站关联的标准监测站点发生污染的次数与当前风向下该微站发生污染次数的比值,即为微站在当前风向下发生污染时,关联的标准监测站点即将发生污染的概率。部分关联规则概率库可以参见表2所示,表2中显示了微站站点名称、微站在不同的风向条件下发生污染的次数,以及对应的每个标准监测站点发生污染的概率。
表2 关联概率表
微站站点名称 | 风向 | 污染次数 | 标准监测站点4 (%) | 标准监测站点2 (%) | 标准监测站点6 (%) | 标准监测站点1 (%) | 标准监测站点5 (%) | 标准监测站点3 (%) |
微站1 | 东风 | 12 | 0.1667 | 0.0000 | 0.1667 | 0.3333 | 0.0833 | 0.1667 |
微站2 | 静稳 | 12 | 0.0000 | 0.2500 | 0.0000 | 0.3333 | 0.2500 | 0.0833 |
微站3 | 东北风 | 11 | 0.2727 | 0.2727 | 0.1818 | 0.2727 | 0.3636 | 0.1818 |
微站4 | 东北风 | 11 | 0.0909 | 0.0909 | 0.1818 | 0.2727 | 0.0000 | 0.0000 |
微站5 | 东北风 | 15 | 0.1333 | 0.0000 | 0.0667 | 0.2667 | 0.0667 | 0.1333 |
微站6 | 东风 | 30 | 0.0667 | 0.1667 | 0.1000 | 0.2667 | 0.1333 | 0.1333 |
微站7 | 东风 | 19 | 0.2105 | 0.2105 | 0.3684 | 0.2632 | 0.2105 | 0.3158 |
微站8 | 东风 | 19 | 0.1053 | 0.1579 | 0.2632 | 0.2632 | 0.1579 | 0.2632 |
微站9 | 东风 | 19 | 0.0526 | 0.1053 | 0.0526 | 0.2632 | 0.1579 | 0.1579 |
微站10 | 东风 | 12 | 0.1667 | 0.3333 | 0.0833 | 0.2500 | 0.1667 | 0.3333 |
微站11 | 东风 | 20 | 0.1000 | 0.2500 | 0.1000 | 0.2500 | 0.1500 | 0.1500 |
微站12 | 东风 | 24 | 0.0833 | 0.2500 | 0.0833 | 0.2500 | 0.2500 | 0.2083 |
微站13 | 东风 | 12 | 0.0833 | 0.1667 | 0.0833 | 0.2500 | 0.1667 | 0.1667 |
微站14 | 北风 | 12 | 0.0833 | 0.2500 | 0.1667 | 0.2500 | 0.0833 | 0.1667 |
微站15 | 东风 | 24 | 0.0417 | 0.0833 | 0.1667 | 0.2500 | 0.0833 | 0.0833 |
微站16 | 东风 | 12 | 0.0000 | 0.2500 | 0.0833 | 0.2500 | 0.1667 | 0.1667 |
微站17 | 东风 | 12 | 0.0000 | 0.2500 | 0.0833 | 0.2500 | 0.2500 | 0.3333 |
微站18 | 东风 | 12 | 0.0000 | 0.0833 | 0.1667 | 0.2500 | 0.0000 | 0.0000 |
微站19 | 东北风 | 17 | 0.1765 | 0.0588 | 0.1176 | 0.2353 | 0.0588 | 0.1176 |
微站20 | 北风 | 17 | 0.1176 | 0.0000 | 0.0588 | 0.2353 | 0.0588 | 0.1176 |
微站21 | 东风 | 30 | 0.0000 | 0.0667 | 0.1333 | 0.2333 | 0.0667 | 0.1000 |
微站22 | 西南风 | 13 | 0.0769 | 0.1538 | 0.2308 | 0.2308 | 0.1538 | 0.0769 |
微站23 | 东风 | 13 | 0.0769 | 0.1538 | 0.1538 | 0.2308 | 0.1538 | 0.1538 |
微站24 | 东风 | 13 | 0.0769 | 0.3077 | 0.2308 | 0.2308 | 0.0769 | 0.1538 |
微站25 | 东风 | 13 | 0.0000 | 0.1538 | 0.0769 | 0.2308 | 0.0000 | 0.2308 |
微站26 | 东风 | 23 | 0.1304 | 0.0870 | 0.1304 | 0.2174 | 0.1304 | 0.1739 |
微站27 | 东风 | 12 | 0.0833 | 0.1667 | 0.0833 | 0.2500 | 0.1667 | 0.1667 |
作为一种可能的实现方式,在步骤S101获取目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件之前,还包括确定目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件的过程。
确定目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件,可以详述为:
获取目标区域内各个微站和各个标准监测站点的历史空气监测数据;
对历史空气监测数据进行预处理后,通过峰值检测算法从历史空气监测数据中确定历史空气污染事件,得到目标区域内各个微站检测到的历史空气污染事件以及各个标准监测站点检测到的历史空气污染事件。
在本实施例中,可以采集FTP服务器端目标城市的标准监测站点数据、微站数据和气象相关的数据,对上述采集的数据进行如下的数据清洗:
(1)删除空值、零值、负值的数据并插值;
(2)将微站数据统一为五分钟数据;
(3)将标准监测站点、微站的分钟数据按小时进行滑动平均,减少数据忽高忽低的问题;
(4)去除数据昼夜周期性,便于寻找发生污染的时段。
然后,对上述清洗的时间序列数据进行峰值信号检测算法设计,自适应划分高值时段,寻找污染案例。
具体的,在峰值信号检测算法中,峰的宽度无法事先确定,峰高明显偏离其他值,算法实时更新(每个数据点都会更新),算法步骤如下:
将污染活动数据向量逐个输入固定长度的移动计算区域,设初始移动计算区域大小为n,波动参数设为threshold,影响参数设为influence,移动计算区域内的活动数据向量filteredY=y(1),.....y(n)。
计算当前移动区域内的算术平均值:
计算当前移动区域内的标准偏差:
计算当前移动区域外第一个数据y(n+i)(i=1....L-n)和目前移动区域内活动数据均值的差值绝对值:
diff(n+i) = |y(n+i)-avgFilter(n)|
计算当前移动区域内数据向量波动量大小:
fluctuate(n)= threshold * stdFilter(n)
如果满足diff(n+i) > fluctuate并且y(n+i) > avgFilter(n),设第n+i个数据的信号值为1(高值信号)。如果此时diff(n+i) > fluctuate并且y(n+i) < avgFilter(n),设第n+i个数据的信号值为-1(平值信号)。上述过程之后将filteredY(n+i) 变量进行削峰赋值:
filteredY(n+i) = influence * y(n+i) + (1-influence) * filteredY(n)
如果满足diff(n+i) < fluctuate,设第n+i个数据的信号值为0(平值信号),并将filteredY(n+i)赋值为y(n+i):
filteredY(n+i) = y(n+i)
循环计算,将移动区域向后移动一个单位时间数据,并计算执行上述过程,得到下一个数据的信号值,直到将L长度的数据向量计算完成并得到最终的信号向量signals,根据signals划分高低平信号寻找空气污染事件。
作为一种可能的实现方式,空气污染事件和历史空气污染事件为一氧化碳污染事件,历史空气监测数据为一氧化碳浓度监测数据;或者,空气污染事件和历史空气污染事件为二氧化硫污染事件,历史空气监测数据为二氧化硫浓度监测数据;对于不同的历史空气监测数据,峰值检测算法的检测参数不同。
在本实施例中,根据不同污染物的历史变化规律与特征,相应调整移动区域大小、波动参数、影响参数等,能够更准确地识别空气污染事件。
作为一种可能的实现方式,判断该微站与该标准监测站点之间是否满足预设的关联前提条件,包括:
在地理平面坐标系中计算该微站与该标准监测站点之间的距离、以及该微站指向该标准监测站点的方向与风向的夹角;
若在该微站检测到历史空气污染事件后预设时间内,同时满足第一条件、第二条件和第三条件,则判定满足预设的关联前提条件;
第一条件为距离小于预设距离阈值;
第二条件为夹角小于预设角度阈值;
第三条件为目标区域的风速位于预设的风速区间范围内。
在一个实施例中,示例性的,关联过程还可以详述为:
第一步,主线程程序运行,每隔半小时读取一次FTP服务器标准监测站点和微站半小时数据,新的标准监测站点和微站数据与历史积累三天数据进行合并,积累数据保持三天的数据量,超过当前时间以前三天的数据自动剔除。
第二步,副线程程序运行,每隔三天在FTP服务器读取一次气象数据,气象数据包含最近三天的风速、风向等信息,将气象数据分别与最近三天的标准监测站点和微站数据按照小时时间进行匹配。
第三步,在主线程中划分微站案例,将清洗后的三天微站数据经过峰值信号检测算法后形成高低平信号,选取高值信号数据进行划分,划分标准为时间间隔小于1小时,如果高值数据一直连续,则为一个污染案例,如果案例间隔大于等于1小时,则划分为另外一个污染案例。标准监测站点也按照相同的方法在副线程运行,分别按CO和SO2参数划分污染案例,其中时间间隔1小时是根据实际情况选择的,如果间隔过小,则多个污染案例可能是同一个污染事件引起的,设置过大,则同一个污染案例可能是多个污染事件引起的。
第四步,根据风向、风速、站点距离等匹配合并微站、标准监测站点的污染案例。遍历微站站点名称以及其所属案例,由于标准监测站点相对于微站响应污染存在滞后性,可以选取峰值比该案例峰值时间晚出现一个小时至两个小时,并且案例开始时间比该案例晚半个小时的标准监测站点案例,如果该标准监测站点案例不存在则循环遍历下一个,若存在则把该微站案例的站点名称、开始时间、结束时间、峰值时间、经纬度等信息与该标准监测站点案例进行关联合并。先将标准监测站点、微站经纬度转换为地理坐标系,再将地理坐标系转换为平面坐标系,通过标准监测站点和微站的平面坐标系计算得出两个站点之间的距离和夹角,夹角以微站为起点,连接标准监测站点直线与正北0度直线的夹角即为二者夹角,计算过程如下:
dif_lon =此微站平面坐标系经度-此标准监测站点平面坐标系经度;
dif_lat =此微站平面坐标系维度-此标准监测站点平面坐标系维度;
计算微站风向角度与微站标准监测站点夹角的角度差,如果该微站案例某一五分钟数据风向满足:|风向角度-angle|<30或|风向角度-angle|>330,则保留该案例,继续下一步,否则,剔除该案例。如果此时该微站案例风速都小于等于1米/秒,则剔除该案例,否则保留该案例并进行下一步;如果该案例风速都大于7.9米/秒,则作为异常数据剔除,不再保留该案例;循环计算,最后筛选出微站、标准监测站点距离小于等于40KM,并且满足上述风向角度和风速条件的案例,此时筛选出的是与一个微站一个案例关联匹配案例。嵌套循环遍历得出所有微站及其所有案例相关联匹配的标准监测站点案例数据集M。
进一步的,在建立关联规则概率库之后,还包括每隔预设时间间隔对关联规则概率库进行更新。
对关联规则概率库进行更新的过程包括:
将预设时间间隔内各个微站和各个标准监测站点发生的空气污染事件添加到相应的历史空气污染事件中,并重新计算不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率。
在本实施例中,可以每隔三天结合风向、风速、关联站点距离等数据更新概率库,随着污染案例的不断积累和概率库的不断更新完善,概率库会越来越符合该城市在不同风速、风向、距离等影响下,微站和标准监测站点之间潜在联系特性,能够使预警概率越来越准确。
计算这三天中所有微站在不同风向条件下的案例数量,得到数据集N;循环嵌套遍历风向和微站站点名称,在指定风向下,根据微站名称定位到第四步数据集M中,M中每一行代表一次污染事件,遍历该微站对应的M中标准监测站点名称,并计数行数,可以得到该微站在该风向下对应的每个标准监测站点发生污染的次数,在数据集N中可以的得到该风向下该微站在最近三天一共发生污染的次数,将该风向下该微站发生的污染次数与该微站关联的各个标准监测站点发生污染次数进行合并,循环操作可以得到不同风向下不同微站与其关联标准监测站点分别发生污染事件的次数,即为最近三天数据得出的新的概率库。将该微站的历史污染次数加上该微站最近三天污染次数作为更新后的该微站新的污染次数,与以上相同,将该微站关联的每个标准监测站点污染次数与历史污染次数相加作为该关联标准监测站点新的污染次数,分别将该微站关联的每个标准监测站点的污染次数除以该微站的污染次数,即为该微站发生污染时所关联的每个标准监测站点发生污染概率,得到更新完一次的概率库。
示例性的,计算公式如下:
某微站a_东风_更新后的污染次数=微站a_东风_原概率库污染次数+微站a_东风_最近三天污染次数;
某标准监测站点b_东风_更新后的污染次数=标准监测站点b_东风_原概率库污染次数+标准监测站点b_东风_最近三天污染次数;
微站a发生污染后标准监测站点b发生污染概率(更新后的概率)=标准监测站点b_东风_更新后的污染次数/微站a_东风_更新后的污染次数。
结合以上内容,本发明能够根据不同城市的标准监测站点和微站数据,建立自适应、自更新的关联规则概率库,对标准监测站点即将发生的污染进行预测预警,发现可能的污染物来源、明确污染成因,帮助相关部门进行管控。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供了一种空气污染预警装置,参见图4所示,该装置40包括:
获取模块41,用于获取目标区域内各个微站的空气污染检测结果。
查询模块42,用于若任意一个微站检测到发生空气污染事件,则获取目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率。
预警模块43,用于根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对与该微站关联的各个标准监测站点进行空气污染预警。
作为一种可能的实现方式,查询模块42还用于:
获取目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件和历史风向数据;
对于任意一种风向下的任意一个微站,若在该微站检测到历史空气污染事件后预设时间内,某个标准监测站点也检测到历史空气污染事件,并且该微站与该标准监测站点之间满足预设的关联前提条件,则将该标准监测站点与该微站进行关联,通过遍历该风向下该微站检测到的所有历史空气污染事件,得到该风向下该微站与各个标准监测站点之间的关联关系;
统计该风向下该微站发生历史空气污染事件的次数k1、以及该风向下与该微站关联的各个标准监测站点发生历史空气污染事件的次数k2,并计算k2与k1的比值,得到该风向下该微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;基于不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率,建立关联规则概率库。
作为一种可能的实现方式,在获取目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件之前,查询模块42还用于:
获取目标区域内各个微站和各个标准监测站点的历史空气监测数据;
对历史空气监测数据进行预处理后,通过峰值检测算法从历史空气监测数据中确定历史空气污染事件,得到目标区域内各个微站检测到的历史空气污染事件以及各个标准监测站点检测到的历史空气污染事件。
作为一种可能的实现方式,空气污染事件和历史空气污染事件为一氧化碳污染事件,历史空气监测数据为一氧化碳浓度监测数据;或者,空气污染事件和历史空气污染事件为二氧化硫污染事件,历史空气监测数据为二氧化硫浓度监测数据;对于不同的历史空气监测数据,峰值检测算法的检测参数不同。
作为一种可能的实现方式,查询模块42具体用于:
在地理平面坐标系中计算该微站与该标准监测站点之间的距离、以及该微站指向该标准监测站点的方向与风向的夹角;
若在该微站检测到历史空气污染事件后预设时间内,同时满足第一条件、第二条件和第三条件,则判定满足预设的关联前提条件;
第一条件为距离小于预设距离阈值;
第二条件为夹角小于预设角度阈值;
第三条件为目标区域的风速位于预设的风速区间范围内。
作为一种可能的实现方式,在建立关联规则概率库之后,查询模块42还用于:
将预设时间间隔内各个微站和各个标准监测站点发生的空气污染事件添加到相应的历史空气污染事件中,并重新计算不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率。
作为一种可能的实现方式,在对与该微站关联的各个标准监测站点进行空气污染预警之后,预警模块43还用于:
若在该微站检测到空气污染事件后的预设时间内,某个与该微站关联的标准监测站点也检测到空气污染事件,则确定两个空气污染事件相关。
图5是本发明实施例提供的电子设备50的示意图。如图5所示,该实施例的电子设备50包括:处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53,例如空气污染预警程序。处理器51执行计算机程序53时实现上述各个空气污染预警方法实施例中的步骤,例如图2所示的步骤S101至S103。或者,处理器51执行计算机程序53时实现上述各装置实施例中各模块的功能,例如图4所示模块41至43的功能。
示例性的,计算机程序53可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器52中,并由处理器51执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序53在电子设备50中的执行过程。
电子设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备50可包括,但不仅限于,处理器51、存储器52。本领域技术人员可以理解,图5仅仅是电子设备50的示例,并不构成对电子设备50的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备50还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是电子设备50的内部存储单元,例如电子设备50的硬盘或内存。存储器52也可以是电子设备50的外部存储设备,例如电子设备50上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。进一步地,存储器52还可以既包括电子设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及电子设备50所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种空气污染预警方法,其特征在于,包括:
获取目标区域内各个微站的空气污染检测结果;
若任意一个微站检测到发生空气污染事件,则获取所述目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;所述关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;
根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对与该微站关联的各个标准监测站点进行空气污染预警。
2.如权利要求1所述的空气污染预警方法,其特征在于,所述关联规则概率库的建立过程包括:
获取所述目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件和历史风向数据;
对于任意一种风向下的任意一个微站,若在该微站检测到历史空气污染事件后预设时间内,某个标准监测站点也检测到历史空气污染事件,并且该微站与该标准监测站点之间满足预设的关联前提条件,则将该标准监测站点与该微站进行关联,通过遍历该风向下该微站检测到的所有历史空气污染事件,得到该风向下该微站与各个标准监测站点之间的关联关系;
统计该风向下该微站发生历史空气污染事件的次数k1、以及该风向下与该微站关联的各个标准监测站点发生历史空气污染事件的次数k2,并计算k2与k1的比值,得到该风向下该微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;基于不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率,建立关联规则概率库。
3.如权利要求2所述的空气污染预警方法,其特征在于,在获取所述目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件之前,还包括确定所述目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件的过程;
所述确定所述目标区域内各个微站检测到的历史空气污染事件、各个标准监测站点检测到的历史空气污染事件,包括:
获取目标区域内各个微站和各个标准监测站点的历史空气监测数据;
对所述历史空气监测数据进行预处理后,通过峰值检测算法从所述历史空气监测数据中确定历史空气污染事件,得到所述目标区域内各个微站检测到的历史空气污染事件以及各个标准监测站点检测到的历史空气污染事件。
4.如权利要求3所述的空气污染预警方法,其特征在于,所述空气污染事件和历史空气污染事件为一氧化碳污染事件,所述历史空气监测数据为一氧化碳浓度监测数据;或者,所述空气污染事件和历史空气污染事件为二氧化硫污染事件,所述历史空气监测数据为二氧化硫浓度监测数据;
对于不同的历史空气监测数据,所述峰值检测算法的检测参数不同。
5.如权利要求2所述的空气污染预警方法,其特征在于,判断该微站与该标准监测站点之间是否满足预设的关联前提条件,包括:
在地理平面坐标系中计算该微站与该标准监测站点之间的距离、以及该微站指向该标准监测站点的方向与风向的夹角;
若在该微站检测到历史空气污染事件后预设时间内,同时满足第一条件、第二条件和第三条件,则判定满足预设的关联前提条件;
所述第一条件为所述距离小于预设距离阈值;
所述第二条件为所述夹角小于预设角度阈值;
所述第三条件为所述目标区域的风速位于预设的风速区间范围内。
6.如权利要求2所述的空气污染预警方法,其特征在于,在建立关联规则概率库之后,还包括每隔预设时间间隔对所述关联规则概率库进行更新;
对所述关联规则概率库进行更新的过程包括:
将预设时间间隔内各个微站和各个标准监测站点发生的空气污染事件添加到相应的历史空气污染事件中,并重新计算不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率。
7.如权利要求1所述的空气污染预警方法,其特征在于,在对与该微站关联的各个标准监测站点进行空气污染预警之后,还包括:
若在该微站检测到空气污染事件后的预设时间内,某个与该微站关联的标准监测站点也检测到空气污染事件,则确定两个空气污染事件相关。
8.一种空气污染预警装置,其特征在于,包括:
获取模块,用于获取目标区域内各个微站的空气污染检测结果;
查询模块,用于若任意一个微站检测到发生空气污染事件,则获取所述目标区域的当前风向,并从预设的关联规则概率库中查询当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率;所述关联规则概率库中包含不同风向下各个微站与各个标准监测站点之间的关联关系、以及不同风向下每个微站发生空气污染事件时与其关联的各个标准监测站点发生空气污染事件的概率;
预警模块,用于根据查询到的当前风向下与该微站关联的各个标准监测站点发生空气污染事件的概率,对与该微站关联的各个标准监测站点进行空气污染预警。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的空气污染预警方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的空气污染预警方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438849.8A CN115561408B (zh) | 2022-11-17 | 2022-11-17 | 空气污染预警方法、装置、电子设备及存储介质 |
PCT/CN2023/087822 WO2024103616A1 (zh) | 2022-11-17 | 2023-04-12 | 空气污染预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438849.8A CN115561408B (zh) | 2022-11-17 | 2022-11-17 | 空气污染预警方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115561408A true CN115561408A (zh) | 2023-01-03 |
CN115561408B CN115561408B (zh) | 2023-04-28 |
Family
ID=84770306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211438849.8A Active CN115561408B (zh) | 2022-11-17 | 2022-11-17 | 空气污染预警方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115561408B (zh) |
WO (1) | WO2024103616A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738360A (zh) * | 2023-05-25 | 2023-09-12 | 青岛海科微纳传感技术有限公司 | 一种基于多维融合模型的空气检测***及方法 |
CN117591907A (zh) * | 2024-01-18 | 2024-02-23 | 四川国蓝中天环境科技集团有限公司 | 基于密集型空气质量微站监测的污染发生及传播感知方法 |
WO2024103616A1 (zh) * | 2022-11-17 | 2024-05-23 | 河北先河环保科技股份有限公司 | 空气污染预警方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208686A (ja) * | 2002-01-10 | 2003-07-25 | Moritoshi Sato | 大気汚染観測データ送受信システム |
CN105488316A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的***和方法 |
CN108351866A (zh) * | 2015-11-12 | 2018-07-31 | 国际商业机器公司 | 超短时空气污染预报 |
CN114280695A (zh) * | 2017-05-09 | 2022-04-05 | 西南石油大学 | 一种空气污染物监测预警方法及云平台 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
CN113125635B (zh) * | 2019-12-31 | 2023-04-28 | 北京蛙鸣华清环保科技有限公司 | 一种大气污染预警方法、装置及可读存储介质 |
CN112465243B (zh) * | 2020-12-02 | 2024-01-09 | 南通大学 | 一种空气质量预报方法及*** |
CN113793028B (zh) * | 2021-09-14 | 2024-04-26 | 济南东之林智能软件有限公司 | 污染源关联信息的确定方法、装置及终端设备 |
CN115295086A (zh) * | 2022-08-04 | 2022-11-04 | 厦门新能汇聚智能科技有限公司 | 空气质量预测模型的建模方法、装置、设备和存储介质 |
CN115561408B (zh) * | 2022-11-17 | 2023-04-28 | 河北先河环保科技股份有限公司 | 空气污染预警方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-17 CN CN202211438849.8A patent/CN115561408B/zh active Active
-
2023
- 2023-04-12 WO PCT/CN2023/087822 patent/WO2024103616A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208686A (ja) * | 2002-01-10 | 2003-07-25 | Moritoshi Sato | 大気汚染観測データ送受信システム |
CN105488316A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的***和方法 |
CN108351866A (zh) * | 2015-11-12 | 2018-07-31 | 国际商业机器公司 | 超短时空气污染预报 |
CN114280695A (zh) * | 2017-05-09 | 2022-04-05 | 西南石油大学 | 一种空气污染物监测预警方法及云平台 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024103616A1 (zh) * | 2022-11-17 | 2024-05-23 | 河北先河环保科技股份有限公司 | 空气污染预警方法、装置、电子设备及存储介质 |
CN116738360A (zh) * | 2023-05-25 | 2023-09-12 | 青岛海科微纳传感技术有限公司 | 一种基于多维融合模型的空气检测***及方法 |
CN116738360B (zh) * | 2023-05-25 | 2023-11-03 | 青岛海科微纳传感技术有限公司 | 一种基于多维融合模型的空气检测***及方法 |
CN117591907A (zh) * | 2024-01-18 | 2024-02-23 | 四川国蓝中天环境科技集团有限公司 | 基于密集型空气质量微站监测的污染发生及传播感知方法 |
CN117591907B (zh) * | 2024-01-18 | 2024-03-26 | 四川国蓝中天环境科技集团有限公司 | 基于密集型空气质量微站监测的污染发生及传播感知方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024103616A1 (zh) | 2024-05-23 |
CN115561408B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115561408A (zh) | 空气污染预警方法、装置、电子设备及存储介质 | |
CN109916413B (zh) | 基于网格划分的道路匹配方法、***、装置和存储介质 | |
Pei et al. | A new insight into land use classification based on aggregated mobile phone data | |
US9880012B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
CN108513676B (zh) | 一种路况识别方法、装置及设备 | |
CN110969854A (zh) | 一种交通流量的预测方法、***及终端设备 | |
CN112344990B (zh) | 环境异常监测方法、装置、设备及存储介质 | |
CN105933294A (zh) | 网络用户定位方法、装置及终端 | |
US20190384864A1 (en) | Facilitating spatial indexing on distributed key-value stores | |
CN111768030A (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
CN113108792A (zh) | Wi-Fi指纹地图重建方法、装置、终端设备及介质 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及*** | |
CN113722409A (zh) | 空间关系的确定方法、装置、计算机设备及存储介质 | |
CN111209487B (zh) | 用户数据分析方法、服务器及计算机可读存储介质 | |
CN114420137A (zh) | 一种野生动物探测方法及设备 | |
Pfoser et al. | Indeterminacy and spatiotemporal data: Basic definitions and case study | |
CN115792137B (zh) | 大气污染溯源方法及装置、终端 | |
CN111540202A (zh) | 一种相似卡口确定方法、装置、电子设备及可读存储介质 | |
CN114237265B (zh) | 最优日常巡检路线的规划方法、***、计算机及存储介质 | |
Chandio et al. | Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN113593244A (zh) | 一种流量确定方法、装置、存储介质及电子装置 | |
CN117870651B (zh) | 基于rtk-slam技术的地图高精度采集方法、存储器及存储介质 | |
CN112866916B (zh) | 无线通讯网络覆盖范围的处理方法及装置 |
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 |