CN115656446B - 一种基于物联网的空气质量检测***及方法 - Google Patents
一种基于物联网的空气质量检测***及方法 Download PDFInfo
- Publication number
- CN115656446B CN115656446B CN202211670249.4A CN202211670249A CN115656446B CN 115656446 B CN115656446 B CN 115656446B CN 202211670249 A CN202211670249 A CN 202211670249A CN 115656446 B CN115656446 B CN 115656446B
- Authority
- CN
- China
- Prior art keywords
- air quality
- data
- quality detection
- detection area
- historical
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000003915 air pollution Methods 0.000 claims description 60
- 230000002265 prevention Effects 0.000 claims description 60
- 230000007613 environmental effect Effects 0.000 claims description 46
- 239000002245 particle Substances 0.000 claims description 37
- 238000013499 data model Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000013211 curve analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000003908 quality control method Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 239000003570 air Substances 0.000 description 130
- 239000002956 ash Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 239000010902 straw Substances 0.000 description 3
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 3
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004056 waste incineration Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的空气质量检测***及方法，属于空气质量检测技术领域。该***包括空气质量检测区域模块、数据训练模块、空气质量变化趋势模块、预警模块；所述空气质量检测区域模块的输出端与所述数据训练模块的输入端相连接；所述数据训练模块的输出端与所述空气质量变化趋势模块的输入端相连接；所述空气质量变化趋势模块的输出端与所述预警模块的输入端相连接。在本发明中，考虑到不同的区域环境因素对空气质量检测的影响程度，在选取历史数据组训练时，利用多重筛选得出最接近当前区域环境的历史数据，提高空气质量防治效果。
Description
技术领域
本发明涉及空气质量检测技术领域，具体为一种基于物联网的空气质量检测***及方法。
背景技术
空气质量检测，是指对空气质量的好坏进行检测。空气质量的好坏反映了空气中污染物浓度的高低。空气污染是一个复杂的现象，在特定时间和地点空气污染物浓度受到许多因素影响。来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一，其中包括车辆、船舶、飞机的尾气、工业企业生产排放、居民生活和取暖、垃圾焚烧等。城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。然而在目前的技术手段中，根据空气质量检测进行空气质量的变化预测时，往往采取同区域下的历史数据进行下一步的推定，然而环境的不断变化会导致同区域下历史数据偏颇较大，使得预测结果精度较差。
发明内容
本发明的目的在于提供一种基于物联网的空气质量检测***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于物联网的空气质量检测方法，该方法包括以下步骤：
S1、构建空气质量检测区域，获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；
S2、构建历史数据库，所述历史数据库内包括有空气质量检测数据、空气污染防治数据，构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；
S3、设置时间周期，获取时间周期下当前空气质量检测区域的实时采集数据，根据预测数据模型输出空气质量变化趋势曲线；
S4、根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理，在判断到达空气污染防治阈值的时间点时，作出预警提示。
根据上述技术方案，所述空气质量检测区域内的环境数据包括区域环境地貌特征、区域建筑物特征、区域人员密度指数；
所述区域环境地貌特征包括空气质量检测区域内的宏观地貌，例如盆地多平原、丘陵，利于农业的地带，往往会由于秸秆燃烧等造成大气污染严重；所述区域建筑物特征包括当前空气质量检测区域内的工业设施，由于区域在不断发展规划，例如可能几年前还没有一些重工业工厂基地，那么这时采用以前的历史数据明显数据偏颇过度；所述区域人员密度指数包括区域内人类的生活密度，高密度的人员区域会造成大量的人员生活污染，类似于汽车尾气排放等等；
所述输出当前空气质量检测区域的环境影响因素包括分别输出当前空气质量检
测区域的区域环境地貌特征、区域建筑物特征、区域人员密度指数，所述区域环境地貌特征
包括存在自然地貌影响的区域环境特征，例如（火山、风沙等）、存在人为影响的区域环境特
征，例如（秸秆焚烧等），分别设置影响系数
；设置每存在一种相应区域环境特征，记一
个数组值A，生成当前空气质量检测区域的区域环境地貌特征值：
其中，
代表当前空气质量检测区域的区域环境地貌特征值；
分别代表存在自
然地貌影响的区域环境特征、存在人为影响的区域环境特征的数量；所述区域建筑物特征
取区域建筑物内的工业建筑物数量值；所述区域人员密度指数调用区域内常住人口密度指
数；
并对当前空气质量检测区域的区域环境地貌特征、区域建筑物特征、区域人员密度指数输出的数据进行归一化处理。
根据上述技术方案，所述构建数据处理模型包括：
在历史数据库中随机选取N组数据经归一化处理后的值，作为初始的粒子解，每一个粒子解存在随机位置和速度；
构建粒子解的适应度模型
：
其中，
、
、
分别代表区域环境地貌特征、区域建筑物特征、区域人员密度指数
的适应度影响系数；
、
、
分别代表选取的N组数据中的第i组数据的归一化处理后的值，1
≤i≤N；
、
、
分别代表当前空气质量检测区域中数据的归一化处理后的值；
选取
最小值作为粒子解的最优位置G，所有粒子解向最优位置G进行靠近，记为
第一次迭代，所述靠近的运动方程：
其中，
代表第c次下的第i组数据的随机粒子解对应的移动速度向量，设置有速
度最大值
，若
＞
，则取
；
代表第c次下的第i组数据的随机粒子解对
应的位置向量；
代表介于
之间的随机数；
代表第c次下的第i组数据的随机
粒子解经过的最优位置，在第一次迭代中，P=G；G代表所有粒子解经过的位置中最优的位
置，在第一次迭代中，即
的最小值；
、代表学习因子；
代表惯性因子，是一个非负值；
在上述步骤中，在第二次迭代下，则P、G会发生变化，P取两次中粒子解自身的最优位置，而G取两次中所有粒子解的适应度最小值，以此类推，不断迭代；
设置迭代次数阈值，在迭代次数满足阈值时，获取距离最优位置G最近的粒子解，作为唯一输出，选取其对应的历史数据记为高优先级的历史空气质量检测数据，剩余历史数据送回历史数据库，重新进行随机挑选训练；
***设置需要参与训练的历史数据组数量值，在高优先级的历史空气质量检测数据数量满足参与训练的历史数据组数量值时，停止数据采集。
根据上述技术方案，获取选取的高优先级的历史空气质量检测数据，采集其后续
时间下对应的最近的空气污染防治时间点，计算间隔时间长，记为如下数据集合
，其中
分别代表n组数据的间隔时间长，n代表需要参与训练的
历史数据组数量值；
对集合U中数据作灰色累加生成处理，生成集合U1：
对集合U1中数据作加权邻值计算，生成集合U2：
构建集合U1的白化微分方程为：
其中，
为发展灰数；
为内生控制灰数；
代表集合U1中任一数据；
构建待估参数向量，待估参数向量根据集合U、U1、U2的数据，写成矩阵，利用最小二乘法计算可得，其中待估参数向量代表发展灰数与内生控制灰数的比值；
构建模型输出：
其中，
代表预测数据模型的最终输出解，并将其作为当前空气质量检测区
域的距离污染防治的预测时长。
根据上述技术方案，设置时间周期，在时间周期下选取R个时间点，获取R个时间点下当前空气质量检测区域的实时采集数据，根据预测数据模型输出R个时间点下的当前空气质量检测区域的距离污染防治的预测时长，对预测时长进行真实处理后，构建成预测曲线，作为空气质量变化趋势曲线；
所述真实处理指在计算过程中，将生成的距离污染防治的预测时长加上每个时间点与初始时间点之间的时长；
设置曲线斜率阈值，采集空气质量变化趋势曲线超出曲线斜率阈值点的数量I；
根据历史空气污染防治数据，构建空气污染防治阈值时长Y，根据输出的空气质量变化趋势曲线，构建当前空气质量检测区域的空气污染防治阈值时长：
其中，
代表当前空气质量检测区域的空气污染防治阈值时长；
代表影响因子；
在时间达到当前空气质量检测区域的空气污染防治阈值时长时，作出预警提示。
一种基于物联网的空气质量检测***，该***包括空气质量检测区域模块、数据训练模块、空气质量变化趋势模块、预警模块；所述空气质量检测区域模块用于构建空气质量检测区域，获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；所述数据训练模块用于构建历史数据库，所述历史数据库内包括有空气质量检测数据、空气污染防治数据，构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；所述空气质量变化趋势模块用于设置时间周期，获取时间周期下当前空气质量检测区域的实时采集数据，根据预测数据模型输出空气质量变化趋势曲线；所述预警模块用于根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理，在判断到达空气污染防治阈值的时间点时，作出预警提示；
所述空气质量检测区域模块中利用多重传感器、雷达进行地貌以及建筑物的识别分析，并将识别到的数据与***主机建立连接，将***主机接收的数据存储至数据库下。
所述空气质量检测区域模块的输出端与所述数据训练模块的输入端相连接；所述数据训练模块的输出端与所述空气质量变化趋势模块的输入端相连接；所述空气质量变化趋势模块的输出端与所述预警模块的输入端相连接。
根据上述技术方案，所述空气质量检测区域模块包括区域构建单元、环境采集单元；
所述区域构建单元用于构建空气质量检测区域；所述环境采集单元用于获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；
所述区域构建单元的输出端与所述环境采集单元的输入端相连接。
根据上述技术方案，所述数据训练模块包括历史数据库单元、数据训练单元；
所述历史数据库单元用于构建历史数据库，存储空气质量检测数据、空气污染防治数据；所述数据训练单元用于构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；
所述历史数据库单元的输出端与所述数据训练单元的输入端相连接。
根据上述技术方案，所述空气质量变化趋势模块包括时间点分析单元、曲线分析单元；
所述时间点分析单元用于设置时间周期，将时间周期分成R个时间点，获取时间周期下R个时间点内当前空气质量检测区域的实时采集数据；所述曲线分析单元用于根据预测数据模型输出的数据，构建空气质量变化趋势曲线；其中，R为***设置常数；
所述时间点分析单元的输出端与所述曲线分析单元的输入端相连接。
所述预警模块包括阈值更新单元、预警单元；
所述阈值更新单元用于根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理；所述预警单元在判断到达空气污染防治阈值的时间点时，作出预警提示。
与现有技术相比，本发明所达到的有益效果是：
在本发明中，考虑到不同的区域环境因素对空气质量检测的影响程度，在选取历史数据组训练时，利用多重筛选得出最接近当前区域环境的历史数据，提高空气质量防治效果。同时在空气防止阈值方向，添加相应的曲线斜率判别点，在曲线发生大幅度变化点较多时，可以获知当前区域环境空气质量变化的不确定，从而能够实现阈值的进一步更新判定，加强空气质量预防。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于物联网的空气质量检测***及方法的流程示意图。
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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，在本实施例一中：提供一种基于物联网的空气质量检测方法，
根据***要求构建空气质量检测区域，获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；
所述空气质量检测区域内的环境数据包括区域环境地貌特征、区域建筑物特征、区域人员密度指数；
所述输出当前空气质量检测区域的环境影响因素包括分别输出当前空气质量检
测区域的区域环境地貌特征、区域建筑物特征、区域人员密度指数，所述区域环境地貌特征
包括存在自然地貌影响的区域环境特征，例如（火山、风沙等）、存在人为影响的区域环境特
征，例如（秸秆焚烧等），分别设置影响系数
；设置每存在一种相应区域环境特征，记一
个数组值A，生成当前空气质量检测区域的区域环境地貌特征值：
其中，
代表当前空气质量检测区域的区域环境地貌特征值；
分别代表存在自
然地貌影响的区域环境特征、存在人为影响的区域环境特征的数量；例如某一区域同时存
在火山、风沙，就记
=2；
所述区域建筑物特征取区域建筑物内的工业建筑物数量值；所述区域人员密度指数调用区域内常住人口密度指数；
并对当前空气质量检测区域的区域环境地貌特征、区域建筑物特征、区域人员密度指数输出的数据进行归一化处理。
构建历史数据库，所述历史数据库内包括有空气质量检测数据、空气污染防治数据，构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；
所述构建数据处理模型包括：
在历史数据库中随机选取N组数据经归一化处理后的值，作为初始的粒子解，每一个粒子解存在随机位置和速度；
构建粒子解的适应度模型
：
其中，
、
、
分别代表区域环境地貌特征、区域建筑物特征、区域人员密度指数
的适应度影响系数；
、
、
分别代表选取的N组数据中的第i组数据的归一化处理后的值，1
≤i≤N；
、
、
分别代表当前空气质量检测区域中数据的归一化处理后的值；
选取
最小值作为粒子解的最优位置G，所有粒子解向最优位置G进行靠近，记为
第一次迭代，所述靠近的运动方程：
其中，
代表第c次下的第i组数据的随机粒子解对应的移动速度向量，设置有速
度最大值
，若
＞
，则取
；
代表第c次下的第i组数据的随机粒子解对
应的位置向量；
代表介于
之间的随机数；
代表第c次下的第i组数据的随机
粒子解经过的最优位置，在第一次迭代中，P=G；G代表所有粒子解经过的位置中最优的位
置，在第一次迭代中，即
的最小值；
、
代表学习因子；
代表惯性因子，是一个非负值；
在上述步骤中，在第二次迭代下，则P、G会发生变化，P取两次中粒子解自身的最优位置，而G取两次中所有粒子解的适应度最小值，以此类推，不断迭代；
设置迭代次数阈值，在迭代次数满足阈值时，获取距离最优位置G最近的粒子解，作为唯一输出，选取其对应的历史数据记为高优先级的历史空气质量检测数据，剩余历史数据送回历史数据库，重新进行随机挑选训练；
***设置需要参与训练的历史数据组数量值，在高优先级的历史空气质量检测数据数量满足参与训练的历史数据组数量值时，停止数据采集。
获取选取的高优先级的历史空气质量检测数据，采集其后续时间下对应的最近的
空气污染防治时间点，计算间隔时间长，记为如下数据集合
，其中
分别代表n组数据的间隔时间长，n代表需要参与训练的历史数据组数量值；
对集合U中数据作灰色累加生成处理，生成集合U1：
所述灰色累加生成包括：
其中，
代表集合U1中的第b个数据；
代表序号；
例如，
=
，则有U1=
对集合U1中数据作加权邻值计算，生成集合U2：
所述加权邻值计算包括：
其中，
代表集合U2中的第
个数据；
代表权值比例；
；
代表集合U1中第
个数据；
例如，
代表权值比例，取0.5；则上述U1处理后为：
构建集合U1的白化微分方程为：
其中，
为发展灰数；
为内生控制灰数；
代表集合U1中任一数据；
构建待估参数向量，待估参数向量根据集合U、U1、U2的数据，写成矩阵，利用最小二乘法计算可得，其中待估参数向量代表发展灰数与内生控制灰数的比值；
构建模型输出：
其中，
代表预测数据模型的最终输出解，并将其作为当前空气质量检测区
域的距离污染防治的预测时长。
设置时间周期，在时间周期下选取R个时间点，获取R个时间点下当前空气质量检测区域的实时采集数据，根据预测数据模型输出R个时间点下的当前空气质量检测区域的距离污染防治的预测时长，对预测时长进行真实处理后，构建成预测曲线，作为空气质量变化趋势曲线；
所述真实处理指在计算过程中，将生成的距离污染防治的预测时长加上每个时间点与初始时间点之间的时长；
设置曲线斜率阈值，采集空气质量变化趋势曲线超出曲线斜率阈值点的数量I；
根据历史空气污染防治数据，构建空气污染防治阈值时长Y（时长一般以防治时间为准，一般取30天左右），根据输出的空气质量变化趋势曲线，构建当前空气质量检测区域的空气污染防治阈值时长：
其中，
代表当前空气质量检测区域的空气污染防治阈值时长；
代表影响因子；
在时间达到当前空气质量检测区域的空气污染防治阈值时长时，作出预警提示。
在本实施例二中，提供一种基于物联网的空气质量检测***，该***包括空气质量检测区域模块、数据训练模块、空气质量变化趋势模块、预警模块；所述空气质量检测区域模块用于构建空气质量检测区域，获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；所述数据训练模块用于构建历史数据库，所述历史数据库内包括有空气质量检测数据、空气污染防治数据，构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；所述空气质量变化趋势模块用于设置时间周期，获取时间周期下当前空气质量检测区域的实时采集数据，根据预测数据模型输出空气质量变化趋势曲线；所述预警模块用于根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理，在判断到达空气污染防治阈值的时间点时，作出预警提示；
所述空气质量检测区域模块的输出端与所述数据训练模块的输入端相连接；所述数据训练模块的输出端与所述空气质量变化趋势模块的输入端相连接；所述空气质量变化趋势模块的输出端与所述预警模块的输入端相连接。
所述空气质量检测区域模块包括区域构建单元、环境采集单元；
所述区域构建单元用于构建空气质量检测区域；所述环境采集单元用于获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；
所述区域构建单元的输出端与所述环境采集单元的输入端相连接。
所述数据训练模块包括历史数据库单元、数据训练单元；
所述历史数据库单元用于构建历史数据库，存储空气质量检测数据、空气污染防治数据；所述数据训练单元用于构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；
所述历史数据库单元的输出端与所述数据训练单元的输入端相连接。
所述空气质量变化趋势模块包括时间点分析单元、曲线分析单元；
所述时间点分析单元用于设置时间周期，将时间周期分成R个时间点，获取时间周期下R个时间点内当前空气质量检测区域的实时采集数据；所述曲线分析单元用于根据预测数据模型输出的数据，构建空气质量变化趋势曲线；其中，R为***设置常数；
所述时间点分析单元的输出端与所述曲线分析单元的输入端相连接。
所述预警模块包括阈值更新单元、预警单元；
所述阈值更新单元用于根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理；所述预警单元在判断到达空气污染防治阈值的时间点时，作出预警提示。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。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 (7)
1.一种基于物联网的空气质量检测方法，其特征在于：该方法包括以下步骤：
S1、构建空气质量检测区域，获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；
S2、构建历史数据库，所述历史数据库内包括有空气质量检测数据、空气污染防治数据，构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；
S3、设置时间周期，获取时间周期下当前空气质量检测区域的实时采集数据，根据预测数据模型输出空气质量变化趋势曲线；
S4、根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理，在判断到达空气污染防治阈值的时间点时，作出预警提示；
所述空气质量检测区域内的环境数据包括区域环境地貌特征、区域建筑物特征、区域人员密度指数；
所述输出当前空气质量检测区域的环境影响因素包括分别输出当前空气质量检测区域的区域环境地貌特征、区域建筑物特征、区域人员密度指数，所述区域环境地貌特征包括存在自然地貌影响的区域环境特征、存在人为影响的区域环境特征，分别设置影响系数
；设置每存在一种相应区域环境特征，记一个数组值A，生成当前空气质量检测区域的区域环境地貌特征值：
其中，
代表当前空气质量检测区域的区域环境地貌特征值；
分别代表存在自然地貌影响的区域环境特征、存在人为影响的区域环境特征的数量；
所述区域建筑物特征取区域建筑物内的工业建筑物数量值；所述区域人员密度指数调用区域内常住人口密度指数；
并对当前空气质量检测区域的区域环境地貌特征、区域建筑物特征、区域人员密度指数输出的数据进行归一化处理；
所述构建数据处理模型包括：
在历史数据库中随机选取N组数据经归一化处理后的值，作为初始的粒子解，每一个粒子解存在随机位置和速度；
构建粒子解的适应度模型
：
其中，
、
、
分别代表区域环境地貌特征、区域建筑物特征、区域人员密度指数的适应度影响系数；
、
、
分别代表选取的N组数据中的第i组数据的归一化处理后的值，1≤i≤N；
、
、
分别代表当前空气质量检测区域中数据的归一化处理后的值；
选取
最小值作为粒子解的最优位置G，所有粒子解向最优位置G进行靠近，记为第一次迭代，所述靠近的运动方程：
其中，
代表第c次下的第i组数据的随机粒子解对应的移动速度向量，设置有速度最大值，若
＞
，则取
；
代表第c次下的第i组数据的随机粒子解对应的位置向量；
代表介于
之间的随机数；
代表第c次下的第i组数据的随机粒子解经过的最优位置，在第一次迭代中，P=G；G代表所有粒子解经过的位置中最优的位置，在第一次迭代中，即
的最小值；
、
代表学习因子；
代表惯性因子，是一个非负值；
设置迭代次数阈值，在迭代次数满足阈值时，获取距离最优位置G最近的粒子解，作为唯一输出，选取其对应的历史数据记为高优先级的历史空气质量检测数据，剩余历史数据送回历史数据库，重新进行随机挑选训练；
***设置需要参与训练的历史数据组数量值，在高优先级的历史空气质量检测数据数量满足参与训练的历史数据组数量值时，停止数据采集；
获取选取的高优先级的历史空气质量检测数据，采集其后续时间下对应的最近的空气污染防治时间点，计算间隔时间长，记为如下数据集合
，其中
分别代表n组数据的间隔时间长，n代表需要参与训练的历史数据组数量值；
对集合U中数据作灰色累加生成处理，生成集合U1：
对集合U1中数据作加权邻值计算，生成集合U2：
构建集合U1的白化微分方程为：
其中，
为发展灰数；
为内生控制灰数；
代表集合U1中任一数据；
构建待估参数向量，待估参数向量根据集合U、U1、U2的数据，写成矩阵，利用最小二乘法计算可得，其中待估参数向量代表发展灰数与内生控制灰数的比值；
构建模型输出：
其中，
代表预测数据模型的最终输出解，并将其作为当前空气质量检测区域的距离污染防治的预测时长。
2.根据权利要求1所述的一种基于物联网的空气质量检测方法，其特征在于：设置时间周期，在时间周期下选取R个时间点，获取R个时间点下当前空气质量检测区域的实时采集数据，根据预测数据模型输出R个时间点下的当前空气质量检测区域的距离污染防治的预测时长，对预测时长进行真实处理后，构建成预测曲线，作为空气质量变化趋势曲线；
所述真实处理指在计算过程中，将生成的距离污染防治的预测时长加上每个时间点与初始时间点之间的时长；
设置曲线斜率阈值，采集空气质量变化趋势曲线超出曲线斜率阈值点的数量I；
根据历史空气污染防治数据，构建空气污染防治阈值时长Y，根据输出的空气质量变化趋势曲线，构建当前空气质量检测区域的空气污染防治阈值时长：
其中，
代表当前空气质量检测区域的空气污染防治阈值时长；
代表影响因子；
在时间达到当前空气质量检测区域的空气污染防治阈值时长时，作出预警提示。
3.应用权利要求1所述的一种基于物联网的空气质量检测方法的一种基于物联网的空气质量检测***，其特征在于：该***包括空气质量检测区域模块、数据训练模块、空气质量变化趋势模块、预警模块；所述空气质量检测区域模块用于构建空气质量检测区域，获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；所述数据训练模块用于构建历史数据库，所述历史数据库内包括有空气质量检测数据、空气污染防治数据，构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；所述空气质量变化趋势模块用于设置时间周期，获取时间周期下当前空气质量检测区域的实时采集数据，根据预测数据模型输出空气质量变化趋势曲线；所述预警模块用于根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理，在判断到达空气污染防治阈值的时间点时，作出预警提示；
所述空气质量检测区域模块的输出端与所述数据训练模块的输入端相连接；所述数据训练模块的输出端与所述空气质量变化趋势模块的输入端相连接；所述空气质量变化趋势模块的输出端与所述预警模块的输入端相连接。
4.根据权利要求3所述的一种基于物联网的空气质量检测***，其特征在于：所述空气质量检测区域模块包括区域构建单元、环境采集单元；
所述区域构建单元用于构建空气质量检测区域；所述环境采集单元用于获取空气质量检测区域内的环境数据，输出当前空气质量检测区域的环境影响因素；
所述区域构建单元的输出端与所述环境采集单元的输入端相连接。
5.根据权利要求3所述的一种基于物联网的空气质量检测***，其特征在于：所述数据训练模块包括历史数据库单元、数据训练单元；
所述历史数据库单元用于构建历史数据库，存储空气质量检测数据、空气污染防治数据；所述数据训练单元用于构建数据处理模型，选取出高优先级的历史空气质量检测数据构建预测数据模型；
所述历史数据库单元的输出端与所述数据训练单元的输入端相连接。
6.根据权利要求3所述的一种基于物联网的空气质量检测***，其特征在于：所述空气质量变化趋势模块包括时间点分析单元、曲线分析单元；
所述时间点分析单元用于设置时间周期，将时间周期分成R个时间点，获取时间周期下R个时间点内当前空气质量检测区域的实时采集数据；所述曲线分析单元用于根据预测数据模型输出的数据，构建空气质量变化趋势曲线；其中，R为***设置常数；
所述时间点分析单元的输出端与所述曲线分析单元的输入端相连接。
7.根据权利要求3所述的一种基于物联网的空气质量检测***，其特征在于：所述预警模块包括阈值更新单元、预警单元；
所述阈值更新单元用于根据历史空气污染防治数据，构建空气污染防治阈值时长，根据输出的空气质量变化趋势曲线，对当前空气质量检测区域的空气污染防治阈值时长进行更新处理；所述预警单元在判断到达空气污染防治阈值的时间点时，作出预警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211670249.4A CN115656446B (zh) | 2022-12-26 | 2022-12-26 | 一种基于物联网的空气质量检测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211670249.4A CN115656446B (zh) | 2022-12-26 | 2022-12-26 | 一种基于物联网的空气质量检测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115656446A CN115656446A (zh) | 2023-01-31 |
| CN115656446B true CN115656446B (zh) | 2023-03-14 |
Family
ID=85022151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211670249.4A Active CN115656446B (zh) | 2022-12-26 | 2022-12-26 | 一种基于物联网的空气质量检测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115656446B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及*** |
| CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及*** |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330514B (zh) * | 2017-07-10 | 2020-07-31 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
| CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
| CN110363347B (zh) * | 2019-07-12 | 2022-04-15 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
| CN110675006A (zh) * | 2019-11-07 | 2020-01-10 | 桂林理工大学 | 一种室内空气质量实时监测与甲醛衰减预测*** |
| CN112734129B (zh) * | 2021-01-21 | 2021-09-07 | 中国科学院地理科学与资源研究所 | 基于非监督限制性优化的空气污染时空趋势预测方法 |
| CN112818608A (zh) * | 2021-02-22 | 2021-05-18 | 南方电网调峰调频发电有限公司 | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 |
| CN113011660A (zh) * | 2021-03-23 | 2021-06-22 | 上海应用技术大学 | 空气质量预测方法、***及存储介质 |
| CN113537515A (zh) * | 2021-07-27 | 2021-10-22 | 江苏蓝创智能科技股份有限公司 | Pm2.5预测方法、***、装置及存储介质 |
| CN114676822B (zh) * | 2022-03-25 | 2024-04-23 | 东南大学 | 一种基于深度学习的多属性融合空气质量预报方法 |
| CN114781538A (zh) * | 2022-05-07 | 2022-07-22 | 东莞理工学院 | 一种ga-bp神经网络耦合决策树的空气质量预测方法和*** |
| CN114841461B (zh) * | 2022-05-19 | 2024-06-14 | 重庆邮电大学 | 基于时序缺失感知和多源因素融合的空气质量集成预测方法 |
| CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及*** |
-
2022
- 2022-12-26 CN CN202211670249.4A patent/CN115656446B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115656446A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115656446B (zh) | 一种基于物联网的空气质量检测***及方法 | |
| CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
| CN108268935B (zh) | 一种基于时序循环神经网络的pm2.5浓度值预测方法及*** | |
| Ma et al. | Spatiotemporal prediction of PM2. 5 concentrations at different time granularities using IDW-BLSTM | |
| Brunelli et al. | Two-days ahead prediction of daily maximum concentrations of SO2, O3, PM10, NO2, CO in the urban area of Palermo, Italy | |
| CN108064047B (zh) | 一种基于粒子群的水质传感器网络优化部署方法 | |
| CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
| CN112085163A (zh) | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 | |
| Kolehmainen et al. | Forecasting air quality parameters using hybrid neural network modelling | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| Perez et al. | Forecasting of hourly PM2. 5 in south-west zone in Santiago de Chile | |
| Dursun et al. | Modelling sulphur dioxide levels of Konya city using artificial intelligent related to ozone, nitrogen dioxide and meteorological factors | |
| Brunelli et al. | Three hours ahead prevision of SO2 pollutant concentration using an Elman neural based forecaster | |
| Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
| CN116187822A (zh) | 一种基于模型预测的污染物网格化监测与评估方法 | |
| Bougoudis et al. | Fuzzy inference ANN ensembles for air pollutants modeling in a major urban area: the case of Athens | |
| Gorai et al. | A comparative study of the feed forward back propagation (FFBP) and layer recurrent (LR) neural network model for forecasting ground level ozone concentration | |
| CN115757534A (zh) | 基于潜在源贡献分析的深度学习模型的空气质量预测方法 | |
| CN114942480A (zh) | 基于信息感知注意力动态协同网络的海洋站风速预报方法 | |
| Sharma et al. | Efficient air pollutants prediction using ANFIS trained by modified PSO algorithm | |
| Gavrila | Ozone concentration prediction using artificial neural networks | |
| Mlakar et al. | Short-term air pollution prediction on the basis of artificial neural networks | |
| Perez et al. | Carbon monoxide concentration forecasting in Santiago, Chile | |
| CN109670646B (zh) | 一种基于混合门限神经网络的pm2.5浓度值预测方法 | |
| Botteldooren et al. | An iterative fuzzy model for cognitive processes involved in environment quality judgement |
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 |