CN116577469B - 基于数据精度校准的大气环境监测***、数据预测方法 - Google Patents
基于数据精度校准的大气环境监测***、数据预测方法 Download PDFInfo
- Publication number
- CN116577469B CN116577469B CN202310557567.8A CN202310557567A CN116577469B CN 116577469 B CN116577469 B CN 116577469B CN 202310557567 A CN202310557567 A CN 202310557567A CN 116577469 B CN116577469 B CN 116577469B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- detection terminal
- mobile
- precision
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 230000007613 environmental effect Effects 0.000 claims description 56
- 238000004891 communication Methods 0.000 claims description 26
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 17
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000029305 taxis Effects 0.000 claims description 5
- 239000000969 carrier Substances 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019256 formaldehyde Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种基于数据精度校准的大气环境监测***、数据预测方法。所述大气环境监测***包括:移动检测终端、固定检测终端和云平台,所述数据精度校准的方法包括:以固定检测终端的ID和位置作为匹配参数,建立数据共享区域;当移动检测终端进入数据共享区域内,所述云平台将该区域内的固定端监测数据和第二精度补偿参数值发送给移动检测终端,并获取该移动检测终端的移动端监测数据和第一精度补偿参数值;云平台根据所述固定端监测数据、移动端监测数据以及第一精度补偿参数值更新第二精度补偿参数值,并将更新后的第二精度补偿参数值发送给移动检测终端,以实现对移动端监测数据进行动态校准,从而提高大气质量监测的精度。
Description
技术领域
本发明涉及环境监测数据精度校准技术领域,尤指一种基于数据精度校准的大气环境监测***、数据预测方法。
背景技术
近年来,随着人们环境保护意识的逐步提升,各种环境保护相关的项目陆续被推出。在环境监测领域,比如大气质量监测领域,有在城区内设立各类监测站对大气污染进行监测。通过这些监测站采集的数据,可以得出该城市大气污染、大气质量的综合情况。但现有技术方案要实现对城市的全覆盖监测,需要大量建设监测站,投入成本巨大。为了降低成本,市面上也有用于对大气质量进行监测的移动检测站。
由于移动检测站一般是设置在车上,跟随车辆到处奔波,难免会受到一些因素干扰而导致监测的数据出现异常。因此,现在亟需一种能够对移动检测站采集的数据进行校准的***,来提高大气质量监测的精度。
发明内容
本发明提供一种基于数据精度校准的大气环境监测***,其可以减少固定监测站的数量,从而降低大气质量监测的投入成本;同时可以对移动检测站采集的数据进行校准,以提高大气质量监测的准确性。
为实现上述目的,本发明采用的技术方案是:
一种基于数据精度校准的大气环境监测***,包括:
移动检测终端,用于采集第一环境数据并根据所述第一环境数据生成移动端监测数据和第一精度补偿参数值;
固定检测终端,用于采集第二环境数据并根据所述第二环境数据生成固定端监测数据和第二精度补偿参数值;
云平台,用于实时获取所述固定端监测数据;
所述数据精度校准的方法包括:
以固定检测终端的ID和位置作为匹配参数,建立数据共享区域;
当移动检测终端进入数据共享区域内,所述云平台将该区域内的固定端监测数据和第二精度补偿参数值发送给移动检测终端,并获取该移动检测终端的移动端监测数据和第一精度补偿参数值;
所述云平台根据所述固定端监测数据、移动端监测数据以及第一精度补偿参数值更新第二精度补偿参数值,并将更新后的第二精度补偿参数值发送给移动检测终端,以实现对移动端监测数据进行动态校准。
进一步,所述固定检测终端设置在公路附近,所述移动检测终端采用公交车和出租车作为移动载体。
进一步,所述移动检测终端包含:第一控制模块、第一通讯模块、定位模块、第一传感器模块和数据接口模块,所述第一控制模块与所述第一通讯模块、定位模块、第一传感器模块以及数据接口模块连接。
进一步,所述第一通讯模块与OBD装置连接,所述移动检测终端通过所述OBD装置获取车辆的行驶数据。
进一步,所述第一传感器模块包括速度传感器、PM2.5传感器、PM10传感器、TVOC传感器、温度传感器、湿度传感器、二氧化氮传感器、二氧化硫传感器、二氧化碳传感器和一氧化碳传感器。
进一步,所述第一控制模块通过数据关联算法生成所述第一精度补偿参数值。
进一步,所述固定检测终端包括第二控制模块、第二通讯模块和第二传感器模块,所述第二控制模块与所述第二通讯模块及第二传感器模块连接;
所述第二传感器模块包括噪音传感器、风速风向传感器、PM2.5传感器、PM10传感器、TVOC传感器、温度传感器、湿度传感器、二氧化氮传感器、二氧化硫传感器、二氧化碳传感器和一氧化碳传感器。
一种环境数据预测方法,所述环境数据预测方法应用于如以上所述的基于数据精度校准的大气环境监测***,所述环境数据预测方法包括:
获取固定端监测数据和校准后的移动端监测数据,根据所述固定端监测数据和校准后的移动端监测数据,通过反距离加权插值算法计算整个网格单元的环境数据;
对所述整个网格单元的环境数据进行数据清洗;
构建基于xgboost框架的预测模型;
将清洗后的环境数据输入所述预测模型进行训练,得到用于预测空气质量的大气环境数据预测模型。
进一步,所述环境数据预测方法还包括:
生成空气质量预测报告,并将所述空气质量预测报告发送给用户管理平台。
进一步,所述对所述整个网格单元的环境数据进行数据清洗,具体为:
通过PCA算法对所述整个网格单元的环境数据进行降维处理。
本发明的有益效果在于:
本发明采用移动检测终端与固定检测终端相结合的方式来对大气质量进行监测,因移动检测终端监测区域的随机性,可以实现覆盖较大的监测范围,进而减少固定监测站的数量,从而降低大气质量监测的投入成本。
本发明所述云平台根据所述固定端监测数据、移动端监测数据以及第一精度补偿参数值更新第二精度补偿参数值,并将更新后的第二精度补偿参数值发送给移动检测终端,以实现对移动端监测数据进行动态校准,从而提高大气质量监测的准确性。
附图说明
图1是本发明实施例所述大气环境监测***的示意图。
图2是本发明实施例所述大气环境监测***的数据精度校准方法的流程图。
图3是本发明实施例所述固定检测终端分布在网格单元中的示意图。
图4是本发明实施例所述环境数据预测方法的流程图。
具体实施方式
请参阅图1-4所示,本发明关于一种基于数据精度校准的大气环境监测***、数据预测方法。本发明在使用时需对地理区域进行网格化处理,需要说明的是,网格化处理是对图像处理中栅格化的引申,即将被管理的或被评估的地理区域,划分成若干网格状单元,以便于对被管区域实行分层、分级或全区域管理与评估,便于在更小地理粒度进行精细化管理;或为移动通信网络规划、优化提供支撑。网格单元根据管理的需要,可以是正方形,也可以是不规则图形。
一般的,地理区域的网格化处理,是在特定平面上进行的,采用平面坐标系,进行等面积的网格化处理,实现网格的自动化划分。实际上,从宏观视野来看,直观上的“平面”实际上是曲面,那么,采用球面坐标***来进行区域的网格化处理,更便于统一管理与实现,因此,本申请采用地理坐标***来进行网格化处理。地理坐标***是一种利用三度空间的球面来定义地球表面位置的球面坐标***,可以通过经纬度标示地球上的任何一个位置。经度是地球上一个地点离一根被称为本初子午线的南北方向走线以东或以西的度数。纬度是指某点与地球球心的连线和地球赤道面所成的线面角,其数值在0至90度之间。不同精度的经纬线组成的网络,实质上也是一种对地球的网格化,只要确定规则,即可用于一般地理化分析中的网格化处理。
本发明所述的一种基于数据精度校准的大气环境监测***,请参阅图1所示,包括:移动检测终端、固定检测终端、云平台和用户管理平台,所述云平台与所述移动检测终端、固定检测终端以及用户管理平台通讯连接;其中,
所述移动检测终端,用于采集第一环境数据(第一环境数据指的是空气中的PM2.5/PM10、温湿度、气压、海拔以及移动检测终端的位置、速度等)并根据所述第一环境数据生成移动端监测数据和第一精度补偿参数值;
所述固定检测终端,用于采集第二环境数据(第二环境数据指的是空气中的PM2.5/PM10、噪音、温湿度、风速风向、一氧化碳、二氧化碳、硫化氢、氧气、二氧化氮、二氧化硫、VOC等)并根据所述第二环境数据生成固定端监测数据和第二精度补偿参数值;
所述云平台,用于实时获取所述固定端监测数据;其中,所述云平台是以数据计算处理与数据存储处理兼顾的综合云计算平台;
所述用户管理平台,用于查看所述云平台发送的空气质量监测数据和空气质量预测报告;其中,所述用户管理平台是指在电子设备上运行的应用程序,所述电子设备包括收发单元和显示单元,所述收发单元用于接收所述云平台传输的信息并传输给所述用户管理平台,所述显示单元用于显示所述用户管理平台上的信息。其中,所述收发单元包括光纤通信模块、4G通信模块和wifi通信模块,所述显示单元为液晶显示器。优选的,所述电子设备可以为台式计算机、笔记本电脑、平板电脑和手机。
请参阅图2所示,所述数据精度校准的方法包括:
以固定检测终端的ID和位置作为匹配参数,建立数据共享区域;例如,以一个固定检测终端的位置为圆心,半径一千米所在的圆形区域为数据共享区域;
当移动检测终端进入数据共享区域内,所述云平台将该区域内的固定端监测数据和第二精度补偿参数值发送给移动检测终端,并获取该移动检测终端的移动端监测数据和第一精度补偿参数值;
所述云平台根据所述固定端监测数据、移动端监测数据以及第一精度补偿参数值更新第二精度补偿参数值,并将更新后的第二精度补偿参数值发送给移动检测终端,以实现对移动端监测数据进行动态校准。
在上述方案中,采用移动检测终端与固定检测终端相结合的方式来对大气质量进行监测,因移动检测终端监测区域的随机性,可以实现覆盖较大的监测范围,进而减少固定监测站的数量,从而降低大气质量监测的投入成本。所述云平台根据所述固定端监测数据、移动端监测数据以及第一精度补偿参数值更新第二精度补偿参数值,并将更新后的第二精度补偿参数值发送给移动检测终端,以实现对移动端监测数据进行动态校准,从而提高大气质量监测的精度。同时,采用移动检测终端的目的在于对固定监测点空间分布稀疏带来的空间信息不全的补充以及监测精度不高的补偿,以便后续对全域空气质量进行实时监测、溯源、预测。
进一步地,所述固定检测终端设置在公交线路、一级公路以及二级公路附近,所述移动检测终端采用公交车和出租车作为移动载体;在上述方案中,所述固定检测终端分布在公交路线和道路主干道附近,其原因在于确保固定检测终端与移动检测终端存在尽可能多的空间重合度,便于为移动检测终端提供校对基准,提高污染物浓度监测的准确性。
图3是本发明实施例所述固定检测终端分布在网格单元中的示意图。在图3中,由各个线段围成的区域为网格单元,该网格单元的形状为不规则图形。该网格单元内布设有10个所述固定检测终端,位置如图3中的定位图标所示;移动检测终端的活动轨迹如图3中颜色较深的小网格所示。可见,10个所述固定检测终端整体分布较均匀,且与所述移动检测终端监测覆盖形成有效互补。固定检测终端1、2、3、4位于该网格单元的北部地区,多为林业区、水库、耕地,用地类型单一、污染源少,无需密集布局。固定检测终端5-10位于该网格单元的中南部人口较密集区域,用地类型复杂、空气质量微环境多变,所以该区域的固定检测终端与移动检测终端布局密度高。在本实施例中,该网格单元内有5条固定公交路线涵盖132个沿途主要站点,其覆盖该区域内全部重点监控企业,同时覆盖临近区域;5条固定公交线路上安排10台移动检测终端,达到监测主要道路污染数据的目的。该设计充分兼顾检测准确性与实施经济性。在公交覆盖的基础上,另外投放40台移动检测终端在运行路线不固定的出租车上,使得移动覆盖得到有效扩展;以实现覆盖较大的监测范围。因为装载在出租车上的移动检测终端对城市里的每一处地方都有可能随机的监测到,那么在一定时间段后,整个城市就实现了全覆盖监测,结合对重点监测区域使用的固定检测终端以及装载在公交车上的移动检测终端,这样使用较小成本就能实现对整个城市大气污染实时、有效的监测。
所述移动检测终端包含:第一控制模块、第一通讯模块、定位模块、第一传感器模块和数据接口模块,所述第一控制模块与所述第一通讯模块、定位模块、第一传感器模块以及数据接口模块连接。所述数据接口模块用于预留更多数据传输接口,方便后续连接更多种空气污染物(如:NOX、COX、SO2、CH2O、O3等)传感器。所述第一传感器模块用于采样PM2.5、PM10、S02、N02、CO等大气相关参数,其中,所述第一传感器模块包括速度传感器、PM2.5传感器、PM10传感器、TVOC传感器、温度传感器、湿度传感器、二氧化氮传感器、二氧化硫传感器、二氧化碳传感器和一氧化碳传感器。所述移动检测终端集多种传感器于一体,可以检测多种空气污染物浓度,为环境管理者、研究人员提供更全面的数据支持。所述第一通讯模块包括LTE通讯模块、蓝牙通讯模块、wifi通讯模块。所述第一控制模块连接有定位模块(包括GPS/北斗定位),用于获取监测点的位置信息、海拔信息,方便后续对污染源进行溯源。
进一步地,所述第一通讯模块与OBD装置连接(即OBD装置通过蓝牙连接移动检测终端),所述移动检测终端通过所述OBD装置获取车辆的行驶数据,行驶数据是指车辆的速度、ACC、尾气等相关参数。所述移动检测终端将车辆的行驶数据作为环境数据的辅助参数,以减少车辆排气对采样数据的干扰(因为车辆自身排气的原因,使得车辆周边的污染物浓度比全域空气环境中的污染物浓度高,造成一定程度的采样误差),提高了空气质量监测的准确率。需要说明的是,OBD是英文On-Board Diagnostics的缩写,中文翻译为“车载自动诊断***”。这个***将从发动机的运行状况随时监控汽车是否尾气超标,一旦超标,会马上发出警示。OBD装置可以监测多个***和部件,包括发动机、催化转化器、颗粒捕集器、氧传感器、排放控制***、燃油***、EGR等。OBD是通过各种与排放有关的部件信息,联接到电控单元(ECU),ECU具备检测和分析与排放相关故障的功能。当出现排放故障时,ECU记录故障信息和相关代码,并通过故障灯发出警告,告知驾驶员。
进一步地,所述第一控制模块通过数据关联算法生成所述第一精度补偿参数值,具体为,所述数据关联算法根据所述第一环境数据生成第一精度补偿参数值。所述数据关联算法是指利用样本测量值和环境的参数值作为输入节点,补偿之后的实际值作为输出节点,利用预设的样本数据对神经网络进行训练,建立好合适的网络之后利用已知的环境数据就可以对测量值进行补偿,求出实际值。
进一步地,所述固定检测终端包括第二控制模块、第二通讯模块和第二传感器模块,所述第二控制模块与所述第二通讯模块及第二传感器模块连接;其中,所述第二传感器模块包括噪音传感器、风速风向传感器、PM2.5传感器、PM10传感器、TVOC传感器、温度传感器、湿度传感器、二氧化氮传感器、二氧化硫传感器、二氧化碳传感器和一氧化碳传感器。所述固定检测终端可精确检测空气中的PM2.5/PM10、噪音、温湿度、风速风向、一氧化碳、二氧化碳、硫化氢、氧气、二氧化氮、二氧化硫、VOC等各类指数指标,为环境管理者、研究人员提供更全面的数据支持。所述第二通讯模块包括LTE通讯模块、蓝牙模块、自组网通讯模块。所述第二控制模块连接有定位模块(包括GPS/北斗定位),用于获取监测点的位置信息、海拔信息,方便后续对污染源进行溯源。
所述第二控制模块包括ARM处理器,本发明所述固定检测终端采用ARM处理器作为处理环境监测数据的模块,其优点在于体积小、低功耗、低成本、高性能、兼容性好。需要说明的是,ARM处理器是英国Acorn有限公司设计的低功耗成本的第一款RISC微处理器。全称为Advanced RISC Machine。ARM处理器本身是32位设计,但也配备16位指令集,一般来讲比等价32位代码节省达35%,却能保留32位***的所有优势。ARM的Jazelle技术使Java加速得到比基于软件的Java虚拟机(JVM)高得多的性能,和同等的非Java加速核相比功耗降低80%。CPU功能上增加DSP指令集提供增强的16位和32位算术运算能力,提高了性能和灵活性。ARM还提供两个前沿特性来辅助带深嵌入处理器的高集成SoC器件的调试,它们是嵌入式ICE-RT逻辑和嵌入式跟踪宏核(ETMS)系列。
本发明所述的一种环境数据预测方法,请参阅图4所示,所述环境数据预测方法应用于如以上所述的基于数据精度校准的大气环境监测***,所述环境数据预测方法包括以下步骤:
S1、获取固定端监测数据和校准后的移动端监测数据,根据所述固定端监测数据和校准后的移动端监测数据,通过反距离加权插值算法计算整个网格单元的环境数据;需要说明的是,反距离加权插值,即IDW(Inverse Distance Weight),也可以称为距离倒数乘方法。是指距离倒数乘方格网化方法是一个加权平均插值法,可以进行确切的或者圆滑的方式插值。方次参数控制着权系数如何随着离开一个格网结点距离的增加而下降。对于一个较大的方次,较近的数据点被给定一个较高的权重份额,对于一个较小的方次,权重比较均匀地分配给各数据点。IDW是基于“地理第一定律”的基本假设:即两个物体相似性随他们见的距离增大而减少。它以插值点与样本点间的距离为权重进行加权平均,离插值点越近的样本赋予的权重越大;本发明采用此种方法具有简单易行,直观并且效率高,在已知点分布均匀的情况下插值效果好等优点。
具体地,所述通过反距离加权插值算法计算整个网格单元的环境数据的计算公式如下:
其中:f(x,y)为坐标点(x,y)处的环境数据预测值;Zi为在(xi,yi)处的环境数据测量值;n为参与插值点的预测点周围样点的数量,d为预测点距各已知样点的距离;k为权重,一般取1-2,在计算时通常取2。
S2、对所述整个网格单元的环境数据进行数据清洗,具体为:通过PCA算法对所述整个网格单元的环境数据进行降维处理。PCA算法(Principal Component Analysis,主成分分析)通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。主成分分析法是一种降维的统计方法,它借助于一个正交变换,将其分量相关的原随机向量转化成其分量不相关的新随机向量,这在代数上表现为将原随机向量的协方差阵变换成对角形阵,在几何上表现为将原坐标系变换成新的正交坐标系,使之指向样本点散布最开的p个正交方向,然后对多维变量***进行降维处理,使之能以一个较高的精度转换成低维变量***,再通过构造适当的价值函数,进一步把低维***转化成一维***。经过PCA算法降维处理后的整个网格单元的环境数据从原始变量所构成的子集合中选择最佳变量,构成最佳变量集合;可以降低本发明所述预测模型的计算量,提供工作效率;
S3、构建基于xgboost框架的预测模型;其中,xgboost是一个优化的分布式梯度增强库,它在Gradient Boosting框架下实现机器学习算法。xgboost提供并行树提升,可以快速准确地解决许多数据问题。xgboost在求解损失函数极值时使用了牛顿法,将损失函数泰勒展开到二阶,另外损失函数中加入了正则化项。训练时的目标函数由两部分构成,第一部分为梯度提升算法损失,第二部分为正则化项。本发明采用xgboost框架构建预测模型,具有训练效率高、预测效果好、可控参数多、使用方便等有益效果。
S4、将清洗后的环境数据输入所述预测模型进行训练,得到用于预测空气质量的大气环境数据预测模型;所述大气环境数据预测模型可以根据同时段的历史环境数据以及当前的环境数据来预测整个网格单元区域在未来一段时间内的空气质量;
S5、生成空气质量预测报告,并将所述空气质量预测报告发送给用户管理平台。给用户管理平台推送空气质量预测报告,有助于用户及时了解未来一段时间内某一网格单元的空气质量情况,为环境管理者、研究人员进行生态环境管理与环境决策提供数据服务。
本发明所述环境数据预测方法应用于如以上所述的基于数据精度校准的大气环境监测***,所述大气环境监测***可以实现对移动端监测数据进行动态校准,使大气环境监测数据更加准确;而所述环境数据预测方法的大气环境数据预测模型是以校准后的大气环境监测数据作为数据集进行训练的,即用于所述预测模型训练的数据集也更加准确,因此本发明所述大气环境数据预测模型的预测结果也更加准确。
综上,本发明可以更准确地对城市全域的空气质量进行实时监测、预测以及污染物溯源。
以上实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (10)
1.一种基于数据精度校准的大气环境监测***,其特征在于,包括:
移动检测终端,用于采集第一环境数据并根据所述第一环境数据生成移动端监测数据和第一精度补偿参数值;
固定检测终端,用于采集第二环境数据并根据所述第二环境数据生成固定端监测数据和第二精度补偿参数值;
云平台,用于实时获取所述固定端监测数据;
所述数据精度校准的方法包括:
以固定检测终端的ID和位置作为匹配参数,建立数据共享区域;
当移动检测终端进入数据共享区域内,所述云平台将该区域内的固定端监测数据和第二精度补偿参数值发送给移动检测终端,并获取该移动检测终端的移动端监测数据和第一精度补偿参数值;
所述云平台根据所述固定端监测数据、移动端监测数据以及第一精度补偿参数值更新第二精度补偿参数值,并将更新后的第二精度补偿参数值发送给移动检测终端,以实现对移动端监测数据进行动态校准。
2.根据权利要求1所述的基于数据精度校准的大气环境监测***,其特征在于,所述固定检测终端设置在公路附近,所述移动检测终端采用公交车和出租车作为移动载体。
3.根据权利要求2所述的基于数据精度校准的大气环境监测***,其特征在于,所述移动检测终端包含:第一控制模块、第一通讯模块、定位模块、第一传感器模块和数据接口模块,所述第一控制模块与所述第一通讯模块、定位模块、第一传感器模块以及数据接口模块连接。
4.根据权利要求3所述的基于数据精度校准的大气环境监测***,其特征在于,所述第一通讯模块与OBD装置连接,所述移动检测终端通过所述OBD装置获取车辆的行驶数据。
5.根据权利要求3所述的基于数据精度校准的大气环境监测***,其特征在于,所述第一传感器模块包括速度传感器、PM2.5传感器、PM10传感器、TVOC传感器、温度传感器、湿度传感器、二氧化氮传感器、二氧化硫传感器、二氧化碳传感器和一氧化碳传感器。
6.根据权利要求3所述的基于数据精度校准的大气环境监测***,其特征在于,所述第一控制模块通过数据关联算法生成所述第一精度补偿参数值。
7.根据权利要求1所述的基于数据精度校准的大气环境监测***,其特征在于,所述固定检测终端包括第二控制模块、第二通讯模块和第二传感器模块,所述第二控制模块与所述第二通讯模块及第二传感器模块连接;
所述第二传感器模块包括噪音传感器、风速风向传感器、PM2.5传感器、PM10传感器、TVOC传感器、温度传感器、湿度传感器、二氧化氮传感器、二氧化硫传感器、二氧化碳传感器和一氧化碳传感器。
8.一种环境数据预测方法,其特征在于,所述环境数据预测方法应用于如权利要求1-7任一项所述的基于数据精度校准的大气环境监测***,所述环境数据预测方法包括:
获取固定端监测数据和校准后的移动端监测数据,根据所述固定端监测数据和校准后的移动端监测数据,通过反距离加权插值算法计算整个网格单元的环境数据;
对所述整个网格单元的环境数据进行数据清洗;
构建基于xgboost框架的预测模型;
将清洗后的环境数据输入所述预测模型进行训练,得到用于预测空气质量的大气环境数据预测模型。
9.根据权利要求8所述的环境数据预测方法,其特征在于,所述环境数据预测方法还包括:
生成空气质量预测报告,并将所述空气质量预测报告发送给用户管理平台。
10.根据权利要求8所述的环境数据预测方法,其特征在于,所述对所述整个网格单元的环境数据进行数据清洗,具体为:
通过PCA算法对所述整个网格单元的环境数据进行降维处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557567.8A CN116577469B (zh) | 2023-05-17 | 2023-05-17 | 基于数据精度校准的大气环境监测***、数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557567.8A CN116577469B (zh) | 2023-05-17 | 2023-05-17 | 基于数据精度校准的大气环境监测***、数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577469A CN116577469A (zh) | 2023-08-11 |
CN116577469B true CN116577469B (zh) | 2024-01-23 |
Family
ID=87544936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310557567.8A Active CN116577469B (zh) | 2023-05-17 | 2023-05-17 | 基于数据精度校准的大气环境监测***、数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577469B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
CN108614071A (zh) * | 2018-03-21 | 2018-10-02 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正***及参数更新方法 |
CN115358904A (zh) * | 2022-10-20 | 2022-11-18 | 四川国蓝中天环境科技集团有限公司 | 一种动静结合的城市区域空气质量监测站选址方法 |
CN115907077A (zh) * | 2022-10-08 | 2023-04-04 | 深圳市生态环境智能管控中心 | 智慧环保平台大气环境管理***的监控及预警模块和方法 |
-
2023
- 2023-05-17 CN CN202310557567.8A patent/CN116577469B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193056A (zh) * | 2017-05-09 | 2017-09-22 | 西南石油大学 | 空气污染物监测预警方法及云平台 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
CN108614071A (zh) * | 2018-03-21 | 2018-10-02 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正***及参数更新方法 |
CN115907077A (zh) * | 2022-10-08 | 2023-04-04 | 深圳市生态环境智能管控中心 | 智慧环保平台大气环境管理***的监控及预警模块和方法 |
CN115358904A (zh) * | 2022-10-20 | 2022-11-18 | 四川国蓝中天环境科技集团有限公司 | 一种动静结合的城市区域空气质量监测站选址方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116577469A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN113128791B (zh) | 基于moves模型的机动车排放清单测算方法及装置 | |
CN110889196B (zh) | 基于水质模型的水环境承载力评估方法、装置及存储介质 | |
CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
Zhu et al. | Multi-sensing paradigm based urban air quality monitoring and hazardous gas source analyzing: a review | |
Yao et al. | Analyzing the effects of rainfall on urban traffic-congestion bottlenecks | |
CN111523088A (zh) | 一种基于dpsir模型的生态环境评价方法 | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
Shakhov et al. | On modeling air pollution detection with internet of vehicles | |
Zhao et al. | Innovative spatial-temporal network modeling and analysis method of air quality | |
CN115146484A (zh) | 一种用于检测环境参数的环保监控***及监控方法 | |
Fridelin et al. | Implementation of microservice architectures on SEMAR extension for air quality monitoring | |
CN113777224B (zh) | 一种网格化空气质量评估数据的生成方法及*** | |
CN116577469B (zh) | 基于数据精度校准的大气环境监测***、数据预测方法 | |
Mukherjee et al. | Real-time optimal spatiotemporal sensor placement for monitoring air pollutants | |
CN109783527A (zh) | 非道路移动机械的大气污染统计方法、***、存储介质、终端 | |
CN115493657B (zh) | 一种基于无人机的大气污染溯源方法和装置 | |
Materukhin et al. | Simulation of Spatio-Temporal Data Streams from Geosensors Located On mobile Objects | |
Yujie et al. | Does the spatial pattern of urban blue–green space at city-level affects its cooling efficiency? Evidence from Yangtze River Economic Belt, China | |
CN114595428A (zh) | 一种基于夜光遥感的多源数据人口空间化方法 | |
Aithal et al. | Measuring urban sprawl in Tier II cities of Karnataka, India | |
Parsafard et al. | Sensor location design for interdicting mobile travelers with probabilistic space-time trajectories | |
Bai et al. | Evaluating and optimizing PM2. 5 stations in Yangtze River Delta from a spatial representativeness perspective | |
CN116297062B (zh) | 一种面向多维时空因子的pm2.5浓度精细化时空模拟与定量分析方法 | |
Valencia et al. | Application of Random Forest in a Predictive Model of PM 10 Particles in Mexico City. |
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 |