CN118072872B - 一种基于多特征融合的空气质量监测站点中观溯源方法 - Google Patents
一种基于多特征融合的空气质量监测站点中观溯源方法 Download PDFInfo
- Publication number
- CN118072872B CN118072872B CN202410461552.6A CN202410461552A CN118072872B CN 118072872 B CN118072872 B CN 118072872B CN 202410461552 A CN202410461552 A CN 202410461552A CN 118072872 B CN118072872 B CN 118072872B
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- road
- quality monitoring
- monitoring station
- 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 65
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims abstract description 5
- 239000002893 slag Substances 0.000 claims description 56
- 239000000428 dust Substances 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 10
- 239000003344 environmental pollutant Substances 0.000 description 12
- 231100000719 pollutant Toxicity 0.000 description 12
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 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 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多特征融合的空气质量监测站点中观溯源方法，涉及大气污染溯源分析技术领域。该方法包括获取国控空气质量监测站点和省控空气质量监测站点的空气质量数据、污染源数据和气象数据；对空气质量数据、污染源数据和气象数据进行预处理；根据预处理后的空气质量数据计算空气质量分指数和空气质量指数；以每个站点的污染源数据和气象数据作为特征向量，以每个站点的空气质量分指数和空气质量指数作为标签，建立回归模型；对回归模型进行训练，根据训练后的回归模型得到污染源数据和气象数据的特征重要度。本发明通过深度融合城市空气质量监测站点附近的污染源特征和气象特征，能够学习相关数据之间关系且简化污染溯源分析成本。
Description
技术领域
本发明涉及大气污染溯源分析技术领域，具体涉及一种基于多特征融合的空气质量监测站点中观溯源方法。
背景技术
空气质量监测站能够对城市中的大气污染物进行定点、连续或者定时的采样，并能够监测到空气中的颗粒物、臭氧、二氧化氮、二氧化硫及一氧化碳等污染物。目前在城市范围内已知的常见污染物来源有工业生产，工地开工建设，道路扬尘，机动车辆污染排放等污染源。
针对大气污染溯源分析，国内外常见的污染溯源分析技术可分为被动式预测和主动式搜寻。主动式搜寻方法常见的有登高图、单纯型搜寻和路径移动搜寻，被动式预测方法包括烟流预测和分布几率预测等方法。主动式搜寻需要大量的点监测和线监测设备才能达到良好的效果，被动式搜寻方法不需要大量的检测设备，该方法需要结合气象数据和高斯扩散模型可以估算污染源位置。上述方法在宏观污染源管控方面不能提供足够的决策支持。
发明内容
针对现有技术中的上述不足，本发明提供了一种。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于多特征融合的空气质量监测站点中观溯源方法，包括以下步骤：
获取国控空气质量监测站点和省控空气质量监测站点的空气质量数据，以及各个站点所在区域的污染源数据和气象数据；
对获取的空气质量数据、污染源数据和气象数据进行预处理；
根据预处理后的空气质量数据计算空气质量分指数和空气质量指数；
以每个站点的污染源数据和气象数据作为特征向量，以每个站点的空气质量分指数和空气质量指数作为标签，建立回归模型；
对回归模型进行训练，根据训练后的回归模型得到污染源数据和气象数据的特征重要度。
可选地，所述污染源数据具体包括：
国控空气质量监测站点和省控空气质量监测站点的地理位置数据，城市道路数据，国控空气质量监测站点和省控空气质量监测站点所在区域的交通流量数据、交通拥堵指数数据、运渣车数量数据、运渣车轨迹点数据、道路扬尘数据、土方量数据，以及气象扩散条件数据。
可选地，所述道路扬尘数据的获取方法为：
对站点所在区域的道路进行网格聚合，得到站点所在区域的运渣车数量；
根据站点所在区域的道路路况信息确定道路扬尘等级；
获取站点所在区域的降雨信息；
根据站点所在区域的运渣车数量、降雨信息和道路扬尘等级确定站点所在区域的道路扬尘。
可选地，所述对站点所在区域的道路进行网格聚合，得到站点所在区域的运渣车数量，具体包括：
对站点所在区域的道路进行网格细微化处理，生成包含道路的小尺度网格；
将所有包含道路的小尺度网格进行聚合，生成包含道路的大尺度网格；
根据包含道路的小尺度网格内的运渣车数据进行加权平均，得到包含道路的大尺度网格内的运渣车数量。
可选地，所述根据站点所在区域的道路路况信息确定道路扬尘等级的方法为：
根据站点所在区域的道路路况信息中的道路积尘等级信息、道路泥泞等级信息和道路破损等级信息计算道路扬尘等级，表示为：
其中，为道路扬尘等级，/>为道路积尘等级信息，/>为道路泥泞等级信息，/>为道路破损等级信息。
可选地，所述根据站点所在区域的运渣车数量、降雨信息和道路扬尘等级确定站点所在区域的道路扬尘的方法为：
其中，为道路扬尘，/>为道路扬尘等级，/>为降雨信息，/>为运渣车数量。
可选地，所述土方量数据的获取方法为：
获取运渣车的全量GPS轨迹点；
根据运渣车的GPS轨迹点信息的第i个轨迹点作为锚点，查找锚点之后点位信息未超过距离阈值/>的所有点位，然后判断这些点位是否大于时间阈值/>，将符合条件的点位判断为停留点，然后选择停留点集的下一个GPS点位作为新的锚点；
判断停驻点距离阈值的公式为：
判断停驻点时间阈值的公式为：
其中，n表示未超过距离阈值的所有点位个数，/>表示锚点/>与锚点/>之间的距离，/>表示运渣车位于锚点/>与锚点/>之间的时间差，/>表示运渣车位于锚点/>的时间，/>表示运渣车位于锚点/>的时间；
根据距离阈值和时间阈值判断停驻点，若识别则得到运渣车的停驻点位信息；否则继续判断；
根据停驻点位附近的运渣车数量计算土方量数据。
可选地，所述气象数据具体包括：
国控空气质量监测站点和省控空气质量监测站点所在区域的降雨量数据、湿度数据、太阳辐射强度数据、风速数据。
可选地，所述对获取的空气质量数据、污染源数据和气象数据进行预处理具体包括：
对获取的空气质量数据、污染源数据和气象数据进行数据清洗和标准化处理。
本发明具有以下有益效果：
1、本发明通过深度融合城市空气质量监测站点附近的污染源特征和气象特征，利用随机森林回归分析模型，能够学习相关数据之间关系且使得能够简化污染溯源分析成本。
2、本发明通过对各个空气质量监测站点进行深度的数据融合与站点画像分析，建立了城市市区污染源与气象条件共同影响下的元模型。该模型能够挖掘城市市区范围的局部污染源并对其进行溯源分析。
3、本发明针对固定站点周围污染源强度指标可定性定量分析其对空气质量影响，从而在中观较小尺度上获取溯源信息，形成“一站一策”的精细化决策依据，在一定程度上可为城市管理者提供污染源合理管控的决策支持。
附图说明
图1为本发明中一种基于多特征融合的空气质量监测站点中观溯源方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供了一种基于多特征融合的空气质量监测站点中观溯源方法，包括以下步骤S1至S5：
S1、获取国控空气质量监测站点和省控空气质量监测站点的空气质量数据，以及各个站点所在区域的污染源数据和气象数据；
在本发明的一个可选实施例中，本实施例获取国控空气质量监测站点和省控空气质量监测站点的空气质量数据，即针对各个国控空气质量监测站点和省控空气质量监测站点，获取每小时的空气质量数据。
本实施例在基于国控空气质量监测站点和省控空气质量监测站点的空气质量数据的基础上，进一步融合站点附近污染源特征数据，从而提高多特征融合数据质量，能够实现中观角度的更全面、更准确的空气污染溯源分析。
本实施例获取的各个国控空气质量监测站点和省控空气质量监测站点所在区域的污染源数据具体包括：
国控空气质量监测站点和省控空气质量监测站点的地理位置数据，城市道路数据，国控空气质量监测站点和省控空气质量监测站点所在区域的交通流量数据、交通拥堵指数数据、运渣车数量数据、运渣车轨迹点数据、道路扬尘数据、土方量数据，以及气象扩散条件数据。
其中国控空气质量监测站点和省控空气质量监测站点所在区域的交通流量数据的获取方法为：根据国控空气质量监测站点和省控空气质量监测站点所在区域的交通道路监控卡扣设备所拍摄的车辆车牌信息数据进行处理得到交通流量数据，其中交通流量数据包含小型车、中型车和大型车。
其中交通拥堵指数数据的获取方法为：根据路网基础信息获取对应路段的交通拥堵指数数据。
其中运渣车数量数据的获取方法为：首先将城市道路网格化，将运渣车的全量轨迹点匹配到道路网格，根据运渣车车牌信息对t小时内的GPS数据做去重分析得到运渣车数量数据。
其中运渣车轨迹点数据的获取方法为：将运渣车数据GPS轨迹点信息与道路网格进行匹配，剔除单位时间内的GPS轨迹漂移点，剔除相同时间戳的GPS轨迹重复点；根据GPS轨迹点信息计算车辆行驶里程，得到运渣车轨迹点数据。
其中道路扬尘数据的获取方法为：
对站点所在区域的道路进行网格聚合，得到站点所在区域的运渣车数量；具体包括：
对站点所在区域的道路进行网格细微化处理，生成包含道路的小尺度网格；
将所有包含道路的小尺度网格进行聚合，生成包含道路的大尺度网格；
根据包含道路的小尺度网格内的运渣车数据进行加权平均，得到包含道路的大尺度网格内的运渣车数量。
根据站点所在区域的道路路况信息确定道路扬尘等级；具体为：
根据站点所在区域的道路路况信息中的道路积尘等级信息、道路泥泞等级信息和道路破损等级信息计算道路扬尘等级，表示为：
其中，为道路扬尘等级，/>为道路积尘等级信息，/>为道路泥泞等级信息，/>为道路破损等级信息。
获取站点所在区域的降雨信息；
根据站点所在区域的运渣车数量、降雨信息和道路扬尘等级确定站点所在区域的道路扬尘，具体为：
其中，为道路扬尘，/>为道路扬尘等级，/>为降雨信息，/>为运渣车数量。
具体而言，本实施例将站点附近道路进一步进行网格细微化为边长16m的网格grid_mini，之后将16m的小网格聚合为160米的大网格grid_big，根据小网格内的运渣车数量加权平均得到大网格内的运渣车数量truck_num。同时根据走航车收集空气质量站点附近路网的道路路况信息，包括道路积尘等级信息、道路泥泞等级信息/>和道路破损等级信息/>。进一步地将上述三种等级信息相加得到道路扬尘等级weight。进一步地，考虑到降雨对扬尘的抑制作用，获取降雨信息status。根据运渣车数量和道路路况信息计算道路扬尘。
其中土方量数据的获取方法为：
获取运渣车的全量GPS轨迹点；
根据运渣车的GPS轨迹点信息的第i个轨迹点作为锚点，查找锚点之后点位信息未超过距离阈值/>的所有点位，然后判断这些点位是否大于时间阈值/>，将符合条件的点位判断为停留点，然后选择停留点集的下一个GPS点位作为新的锚点；
判断停驻点距离阈值的公式为：
判断停驻点时间阈值的公式为：
其中，n表示未超过距离阈值的所有点位个数，/>表示锚点/>与锚点/>之间的距离，/>表示运渣车位于锚点/>与锚点/>之间的时间差，/>表示运渣车位于锚点/>的时间，/>表示运渣车位于锚点/>的时间；
根据距离阈值和时间阈值判断停驻点，若识别则得到运渣车的停驻点位信息；否则继续判断；
根据停驻点位附近的运渣车数量计算土方量数据。
本实施例获取的各个国控空气质量监测站点和省控空气质量监测站点所在区域的气象数据具体包括：
国控空气质量监测站点和省控空气质量监测站点所在区域的降雨量数据、湿度数据、太阳辐射强度数据、风速数据。
本实施例在获取国控空气质量监测站点和省控空气质量监测站点的空气质量数据，以及各个站点所在区域的污染源数据和气象数据后，将空气质量数据与污染源数据和气象数据进行合并，并依据时间戳进行时间上的关联。
S2、对获取的空气质量数据、污染源数据和气象数据进行预处理；
在本发明的一个可选实施例中，本实施例对获取的空气质量数据、污染源数据和气象数据进行预处理具体包括：
对获取的空气质量数据、污染源数据和气象数据进行数据清洗和标准化处理。
S3、根据预处理后的空气质量数据计算空气质量分指数和空气质量指数；
在本发明的一个可选实施例中，空气质量指数(AQI)定量描述空气质量状况的无量纲指数，是新环境空气质量标准用于描述空气质量状况的指标，优、良、轻度污染、中度污染、重度污染、严重污染等空气质量状况就是根据它来划分的。它适合于表示城市的短期空气质量状况和变化趋势，如每小时、每日空气质量。
参与空气质量评价的主要污染物为细颗粒物（PM2.5）、可吸入颗粒物(PM10)、二氧化硫、二氧化氮、臭氧、一氧化碳。六参因子参照《环境空气质量指数（AQI）技术规定（试行）》中空气质量分指数及对应的污染物项目浓度限值表格与计算公式算出各自的空气质量分指数（IAQI），AQI是六项污染物空气质量分指数中的最大值。当AQI大于50时，空气质量分指数（IAQI）最大的污染物为首要污染物，若IAQI最大的污染物为两项或两项以上时，并列为首要污染物。
S4、以每个站点的污染源数据和气象数据作为特征向量，以每个站点的空气质量分指数和空气质量指数作为标签，建立回归模型；
在本发明的一个可选实施例中，本实施例采用基于CART回归树的随机森林算法模型，将全部站点过去若干小时的平均污染物浓度作为输入特征输入模型，以每个站点的污染源数据和气象为特征向量，以每个站点的空气质量分指数和空气质量指数作为标签，建立回归模型。
本实施例通过建立随机森林回归模型可根据空气质量监测站点附近的污染源数据特征自动进行特征转换和特征工程，无需将特征进行归一化操作，从而提高模型运行速度。
S5、对随机森林回归模型进行训练，根据训练后的回归模型得到污染源数据和气象数据的特征重要度。
在本发明的一个可选实施例中，本实施例的随机森林模型中由基于CART算法的决策树构成，该算法采用平方误差最小化准则构建二叉决策树，CART决策树使用信息增益计算特征的重要性。
计算具体过程如下所示：
输入训练集，N表示样本量大小，J表示特征维度大小。从训练集中随机选择n<N个样本训练随机森林模型，原始随机森林模型中包含有K颗CART回归树。
（1）计算在***过程中导致的平方误差最小的特征并在该特征j上选择最佳***点，形成树的分支。
（2）每个分支形成一个新的节点，重复过程（1）和（2）直到生成K个回归树。
对于每颗回归树上的每个节点特征来说，其特征重要性计算公式为：
其中，表示特征/>在第k颗树中的重要性；n表示样本个数；/>表示当前***节点的样本个数；/>表示当前节点平方误差变化大小，/>表示当前节点左子集的样本个数，/>表示当前节点左子集的的平方误差变化大小，/>表示当前节点右子集的样本个数，/>表示当前节点右子集的平方误差变化大小。
将K颗回归树中得到的特征重要性计算结果相加求平均，即得到特征/>的重要性得分。
将J个特征的重要性得分相加，可以得到污染源特征和气象特征对污染物浓度的贡献的解释。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，包括以下步骤：
获取国控空气质量监测站点和省控空气质量监测站点的空气质量数据，以及各个站点所在区域的污染源数据和气象数据；所述污染源数据具体包括：
国控空气质量监测站点和省控空气质量监测站点的地理位置数据，城市道路数据，国控空气质量监测站点和省控空气质量监测站点所在区域的交通流量数据、交通拥堵指数数据、运渣车数量数据、运渣车轨迹点数据、道路扬尘数据、土方量数据，以及气象扩散条件数据；
所述土方量数据的获取方法为：
获取运渣车的全量GPS轨迹点；
根据运渣车的GPS轨迹点信息的第i个轨迹点作为锚点，查找锚点之后点位信息未超过距离阈值/>的所有点位，然后判断这些点位是否大于时间阈值/>，将符合条件的点位判断为停留点，然后选择停留点集的下一个GPS点位作为新的锚点；
判断停驻点距离阈值的公式为：
判断停驻点时间阈值的公式为：
其中，n表示未超过距离阈值的所有点位个数，/>表示锚点/>与锚点/>之间的距离，/>表示运渣车位于锚点/>与锚点/>之间的时间差，/>表示运渣车位于锚点/>的时间，/>表示运渣车位于锚点/>的时间；
根据距离阈值和时间阈值判断停驻点，若识别则得到运渣车的停驻点位信息；否则继续判断；
根据停驻点位附近的运渣车数量计算土方量数据；
对获取的空气质量数据、污染源数据和气象数据进行预处理；
根据预处理后的空气质量数据计算空气质量分指数和空气质量指数；
以每个站点的污染源数据和气象数据作为特征向量，以每个站点的空气质量分指数和空气质量指数作为标签，建立回归模型；
对回归模型进行训练，根据训练后的回归模型得到污染源数据和气象数据的特征重要度。
2.根据权利要求1所述的一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，所述道路扬尘数据的获取方法为：
对站点所在区域的道路进行网格聚合，得到站点所在区域的运渣车数量；
根据站点所在区域的道路路况信息确定道路扬尘等级；
获取站点所在区域的降雨信息；
根据站点所在区域的运渣车数量、降雨信息和道路扬尘等级确定站点所在区域的道路扬尘。
3.根据权利要求2所述的一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，所述对站点所在区域的道路进行网格聚合，得到站点所在区域的运渣车数量，具体包括：
对站点所在区域的道路进行网格细微化处理，生成包含道路的小尺度网格；
将所有包含道路的小尺度网格进行聚合，生成包含道路的大尺度网格；
根据包含道路的小尺度网格内的运渣车数据进行加权平均，得到包含道路的大尺度网格内的运渣车数量。
4.根据权利要求2所述的一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，所述根据站点所在区域的道路路况信息确定道路扬尘等级的方法为：
根据站点所在区域的道路路况信息中的道路积尘等级信息、道路泥泞等级信息和道路破损等级信息计算道路扬尘等级，表示为：
其中，为道路扬尘等级，/>为道路积尘等级信息，/>为道路泥泞等级信息，/>为道路破损等级信息。
5.根据权利要求2所述的一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，所述根据站点所在区域的运渣车数量、降雨信息和道路扬尘等级确定站点所在区域的道路扬尘的方法为：
其中，为道路扬尘，/>为道路扬尘等级，/>为降雨信息，/>为运渣车数量。
6.根据权利要求1所述的一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，所述气象数据具体包括：
国控空气质量监测站点和省控空气质量监测站点所在区域的降雨量数据、湿度数据、太阳辐射强度数据、风速数据。
7.根据权利要求1所述的一种基于多特征融合的空气质量监测站点中观溯源方法，其特征在于，所述对获取的空气质量数据、污染源数据和气象数据进行预处理具体包括：
对获取的空气质量数据、污染源数据和气象数据进行数据清洗和标准化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410461552.6A CN118072872B (zh) | 2024-04-17 | 2024-04-17 | 一种基于多特征融合的空气质量监测站点中观溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410461552.6A CN118072872B (zh) | 2024-04-17 | 2024-04-17 | 一种基于多特征融合的空气质量监测站点中观溯源方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118072872A CN118072872A (zh) | 2024-05-24 |
| CN118072872B true CN118072872B (zh) | 2024-06-25 |
Family
ID=91099423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410461552.6A Active CN118072872B (zh) | 2024-04-17 | 2024-04-17 | 一种基于多特征融合的空气质量监测站点中观溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118072872B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871790A (zh) * | 2024-03-11 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 基于多种数据融合的路边监测站数据分析和交通溯源方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT201700064056A1 (it) * | 2017-06-09 | 2018-12-09 | Sense Square S R L S | Mappatura delle sorgenti d’inquinamento atmosferico e tracciamento degli inquinanti mediante l’utilizzo di reti di monitoraggio della qualità dell’aria ad alta risoluzione spazio-temporale |
| CN112444605A (zh) * | 2020-11-24 | 2021-03-05 | 深圳中兴网信科技有限公司 | 大气污染智能化精准溯源方法、***、设备和存储介质 |
| CN114356880B (zh) * | 2021-12-15 | 2023-04-11 | 浙江工业大学 | 基于数据驱动的小尺度区域大气污染物快速溯源方法 |
-
2024
- 2024-04-17 CN CN202410461552.6A patent/CN118072872B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871790A (zh) * | 2024-03-11 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 基于多种数据融合的路边监测站数据分析和交通溯源方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118072872A (zh) | 2024-05-24 |
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 | |
| CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
| CN110598953A (zh) | 一种时空相关的空气质量预测方法 | |
| CN114359002B (zh) | 基于移动监测趋势挖掘的大气污染小尺度溯源方法及*** | |
| CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
| CN111696369B (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
| CN102779410A (zh) | 一种多源异类海量交通数据融合的并行实现方法 | |
| CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
| CN114218976B (zh) | 臭氧前体物高值区精细化排放源追溯定位方法和*** | |
| CN105957348A (zh) | 一种基于gis和pems的城市公交线路节点处排放估算方法 | |
| CN105893352A (zh) | 一种基于社交网络大数据的空气质量预警和监测分析*** | |
| CN116626233A (zh) | 基于多源数据融合的大气污染溯源方法、终端及存储介质 | |
| CN116070839A (zh) | 一种多源数据的道路微环境空气质量贡献溯源方法 | |
| CN114511087B (zh) | 一种基于双模型的空气质量空间推断方法及*** | |
| CN112132450A (zh) | 一种气态污染物的定位方法 | |
| CN118072872B (zh) | 一种基于多特征融合的空气质量监测站点中观溯源方法 | |
| CN113255956A (zh) | 城市大气污染预测方法 | |
| CN117291343A (zh) | 一种基于空天地监测网络的大气污染防治管控*** | |
| CN114519124A (zh) | 一种大气环境污染联防联控治理方法 | |
| Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
| CN116340768B (zh) | 一种智能化道路积尘负荷监测方法及监测装置 | |
| CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
| CN112505247B (zh) | 空气质量分析方法、装置、设备及存储介质 | |
| CN115345351A (zh) | 一种基于用户行为的电动汽车充电负荷预测方法 | |
| CN116187150A (zh) | 一种基于改进型蚁群算法的空气污染源反演方法 |
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 |