CN105181898A - 基于大密度部署传感器的大气污染监控及管理方法及系统 - Google Patents

Abstract

本发明提出了一种基于大密度部署传感器的大气污染监控及管理方法及系统，该方法包括：获取部署区域的状态信息，在该部署区域大密度部署多个传感器；获取多个传感器的传感器数据，对传感器数据进行联合校正；利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据；采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析；将大气污染物数据发送至监控中心，监控人员实时监控整个区域内的大气污染状态。本发明可以实现实时监测取证，量化评级及精细化管理的目标，提供完善的可视化显示，实现污染源监测发现，证据取证，协作执法等一体化管理。

Description

基于大密度部署传感器的大气污染监控及管理方法及系统

技术领域

本发明涉及物联网及污染物监控技术领域，特别涉及一种基于大密度部署传感器的大气污染监控及管理方法及系统。

背景技术

近几年，大众对大气污染的关注日渐提升，从关注污染数据到家庭和自身的安全防护。政府和环保部门则更快、更早地将大气污染治理划入到工作范畴之内。早在2012年环保部与31个省(区、市)联合签署的《大气污染防治目标责任书》中已明确指出，北京、天津、河北将一体化全面分析和治理，预计在2017年实现PM2.5年均浓度下降25％的目标。由此可见，大众和相关政府部门对大气污染，特别是雾霾治理都提出了很高的要求和标准，如何落实这些标准和要求便是重中之重。

在雾霾防治中，首先需要清楚雾霾的成因和来源。这就需要建立起广泛密集的监测网络。在大气颗粒物污染，尤其是PM2.5的监测领域中，目前的做法有流动巡检，公共监测站，卫星遥感，无人机监测等。

具体来说，公共监测站虽然可以给出相应的统计分析及展示结果，比如常见的污染天数统计，污染趋势统计与预测判断等，但其部署密度的稀疏性使得其在监测场景的多样性、微环境的细化监测方面存在固有不足。卫星遥感通过气象卫星每天两次对大气云层进行拍照，然后运用图像学知识进行数据分析，但是只能获得大尺度污染信息，无法真实反映低空的真实污染状况，同时每天两次的扫描及数据处理使得数据实时性较差。无人机监测适用于大气污染应急事件，难以满足全天候监测需求。

此外，现有的大气污染监控中传感器的布设密度低且缺乏科学性。具体地，现有方式是在一个大范围区域内随机布设若干个传感器，缺乏对传感器布设点的规划，导致采集到的数据缺乏代表性，无法准确反映当前区域的大气污染数据。

综上，现有的各种雾霾监测手段各自均存在一定的问题，无法满足精细化管理的需求，监控精度和监控效率均有限。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出一种基于大密度部署传感器的大气污染监控及管理方法及系统，可以实现实时监测取证，量化评级及精细化管理的目标，提供完善的可视化显示，包括完善的分级管理体系和有效的联防联控机制，通过各个机构及模块的协同合作，实现污染源监测发现，证据取证，协作执法等一体化管理。

为了实现上述目的，本发明一方面的实施例提供一种基于大密度部署传感器的大气污染监控及管理方法，包括如下步骤：

步骤S1，获取部署区域的状态信息，根据所述部署区域的状态信息，在该部署区域大密度部署多个传感器；

步骤S2，获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间位置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大密度微环境下大气污染物数据；

步骤S3，根据所述已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据；

步骤S4，采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析，以进行对整个区域的大气污染预警；

步骤S5，将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至监控中心，以由监控人员实时监控整个区域内的大气污染状态。

进一步，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文信息。

进一步，在所述步骤S1中，所述根据部署区域的状态信息，在该部署区域大密度部署多个传感器，包括如下步骤：

根据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器；

获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器数据对所述部署区域进行二次加密部署多个传感器。

进一步，在所述步骤S2中，采用神经网络模型和高斯推断模型对所述传感器数据进行联合校正，包括如下步骤：

对所述传感器数据进行离线训练，包括：采用神经网络模型对所述传感器数据进行单点校正，动态获取训练后的传感器数据；

对所述训练后的传感器数据进行在线校准，包括：采用高斯推断模型对所述训练后的传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。

进一步，所述神经网络模型采用BP神经网络。

进一步，采用基于无向图模型的条件随机场模型对所述大气污染物数据进行预测过程中，以温度、湿度、风速、风向、降雨强度和时间作为输入特征值，以PM2.5数值作为输出预测值，其中，所述输入特征值和输出预测值均为离散型数值。

进一步，在所述步骤S4之后，还包括如下步骤：采用因果分析和张量分析方法对所述已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送至所述监控中心。

本发明实施例还提出一种基于大密度部署传感器的大气污染监控及管理系统，包括：于部署区域进行大密度部署的多个传感器，数据处理中心和监控中心，其中，每个所述传感器与所述数据处理中心进行通信，所述数据处理中心与所述监控中心进行通信，所述数据处理中心用于获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间位置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大密度微环境下大气污染物数据，并根据所述已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据，以及采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析，以进行对整个区域的大气污染预警，所述数据处理中心进一步将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至所述监控中心；所述监控中心用于接收所述已部署传感器位置点和未部署传感器位置点的大气污染物数据，并呈现给监控人员查看，以由监控人员实时监控整个区域内的大气污染状态。

进一步，所述多个传感器根据部署区域的状态信息进行大密度部署，包括：首先根据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器，然后所述数据处理中心获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器数据对所述部署区域进行二次加密部署多个传感器。

进一步，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文信息。

进一步，所述数据处理中心采用神经网络模型和高斯推断模型对所述传感器数据进行联合校正，包括：

所述数据处理中心采用神经网络模型对所述传感器数据进行单点校正，动态获取训练后的传感器数据，并采用高斯推断模型对所述训练后的传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。

进一步，所述神经网络模型采用BP神经网络。

进一步，所述时间序列中的预测模型采用基于无向图模型的条件随机场模型。

进一步，所述数据处理中心采用基于无向图模型的条件随机场模型对所述大气污染物数据进行预测过程中，以温度、湿度、风速、风向、降雨强度和时间作为输入特征值，以PM2.5数值作为输出预测值，其中，所述输入特征值和输出预测值均为离散型数值。

进一步，所述数据处理中心还用于采用因果分析和张量分析方法对所述已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送至所述监控中心。

根据本发明实施例的基于大密度部署传感器的大气污染监控及管理方法及系统，通过在区域内大密度部署传感器，并对返回的传感器数据采用云端算法进行联合校正，使得数据的精确度得到大幅提高，并进一步采用高斯推断模型推断出未部署传感器的位置点的污染数据，再将上述已部署和未部署的数据统一反馈给监控中心，进行监控和管理。本发明可以实现实时监测取证，量化评级及精细化管理的目标，提供完善的可视化显示，包括完善的分级管理体系和有效的联防联控机制，通过各个机构及模块的协同合作，实现污染源监测发现，证据取证，协作执法等一体化管理。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于大密度部署传感器的大气污染监控及管理方法的流程图；

图2为根据本发明实施例的云端校正算法的总体框架图；

图3为根据本发明实施例的传感器原始数据的示意图；

图4为根据本发明实施例的基准设备数据与前端设备数据的对比示意图；

图5为根据本发明实施例的高斯推断过程场景示意图；

图6为根据本发明实施例的条件随机场预测模型的示意图；

图7为根据本发明实施例的传感器大密度部署的示意图；

图8为根据本发明实施例的两个传感器的测量绝对误差分布图；

图9为根据本发明实施例的单点监测设备数据的统计分析图；

图10为根据本发明实施例的风速与大气颗粒污染物浓度的关系示意图；

图11为根据本发明实施例的大气颗粒污染物传播扩散示意图；

图12为根据本发明实施例的高纬度数据的可视化展示示意图；

图13为根据本发明实施例的基于大密度部署传感器的大气污染监控及管理的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提出一种基于大密度部署传感器的大气污染监控及管理方法和系统，首先给出传感器位置选点部署模型和分批次的部署方案，根据部署方案对大气颗粒污染物传感器进行大密度部署。然后利用多源异构数据对前端的传感器数据进行多维度的校正，使其得到一定的精度要求，使后续的分析挖掘结果具有更好的参考意义。经过大密度的部署和多源数据的联合校正，得到大密度微环境中细致的大气颗粒污染物分布情况。随后利用统计机器学习的方法对这些数据进行分析统计，给出相应的统计分析结果。在此基础上，将会利用已有部署点的数据，推断空间未部署传感器地点的数值，进而解决数据稀疏性的问题，同时也将将在时间维度上对监测数据进行预测分析，以实现提前预测，提前预警等目的。

如图1所示，本发明实施例的基于大密度部署传感器的大气污染监控及管理方法，包括如下步骤：

步骤S1，获取部署区域的状态信息，根据部署区域的状态信息，在该部署区域大密度部署多个传感器。在本发明的一个实施例中，传感器可以为大气颗粒污染物传感器。

其中，部署区域的状态信息包括：地理状态信息、交通状态信息(例如：道路、车辆信息)和气象人文信息。

具体地，本发明在传感器部署上采用逐渐增密的方法，首先根据部署区域的状态信息，在该部署区域大密度部署多个传感器，包括如下步骤：

首先，根据部署区域的状态信息，在部署区域进行一期部署多个传感器。

然后，获取一期部署的传感器返回的一定时间段的传感器数据，研究进一步的增密部署方案，根据气象人文信息和返回的传感器数据之间的对应关系，来推断出需要进一步部署加密区域，从而对部署区域进行二次加密部署多个传感器。

通过上述步骤中逐渐加密的部署方式，选择有效的部署点进行传感器的部署，使得在部署代价尽量小以及部署条件受制约的情况下，传感器的部署位置能够最大程度的反映到大气颗粒污染物在时空维度上的分布特征信息。

步骤S2，获取多个传感器的传感器数据，基于多个传感器的精度、空间位置和气象信息的差异，对传感器数据进行联合校正，得到已部署传感器位置点的大密度微环境下大气污染物数据。

具体来说，在实际的部署环境中，存在各种不同精度的传感器，分布在不同的空间位置，需要有效利用这些数据并进行分析。另外，不同位置的气象信息也存在一定的差异。本发明可以充分利用这些不同精度的传感器和多源的气象等信息，通过物联网、大数据、众包等技术，整合现有资源，融合多种数据，创建多源数据融合模型，进一步提升传感器读数精度。

需要说明的是，在对传感器数据进行校正之前，首先需要对获取的多个传感器的传感器数据(记为：传感器原始数据)进行数据预处理。

数据预处理用于对传感器原始数据中出现的噪声进行过滤。图3为根据本发明实施例的传感器原始数据的示意图。如图3所示，传感器原始数据存在较大的噪声，因此需要从含有噪声的数据中恢复出准确的原始数据。定义的数据为x∈Rⁿ，其中n为数据的长度，设定数据x受到噪声v的影响：

x_cor＝x+v(1)

其中Xcor为传感器原始数据，即实际中传感器的读值。数据预处理目的在于：在已知Xcor的情况下，估计出最接近x的数值。这个问题可以归结为优化论中的bi-criterion问题：

$\min imize(w.r.t.R_{+}^2)\left(\right||\hat{x}-x_{\mathrm{co}r}|{|}_2,\mathrm{\φ}\left(\hat{x}\right))---\left(2\right)$

归结为寻求接近于原始信号的数据，同时尽量平滑，即其中的值较小。优化论中有多种平滑策略进行处理，本发明准备选用基于多项式的平滑方式，如下式(3)：

$\mathrm{\φ}\left(x\right)=\underset{i=1}{\overset{n-1}{\Σ}}{(x_{i+1}-x_i)}^2=\left|\right|Dx|{|}_2^2---\left(3\right)$

进而该问题可以转化为解下述优化问题：

$\min imize\left|\right|\hat{x}-x_{\mathrm{co}r}|{|}_2^2+\mathrm{\δ}|\left|D\hat{x}\right|{|}_2^2---\left(4\right)$

该问题的求解可以转化为：

$\hat{x}={(I+{\mathrm{\δD}}^{T}D)}^{-1}{x}_{cor}---\left(5\right)$

其中，即为最接近的x的估计值，即数据预处理后的传感器数据。

在获取上述数据预处理后的传感器数据之后，采用云端校正算法对该数据进行联合校正，即将前端传感器的准确度校准到基本设备上。其中，本发明中选用的基准设备为环保局使用的PM2.5监测专业级设备——Thermo。该云端校正算法的目的为尽量提高数据准确性，以适合大密度部署需求的同时可以提供具有较高可信度的数据。

图2为根据本发明实施例的云端校正算法的总体框架图，该算法框架分别离线训练(OfflineTraining)和在线校准及推断(OnlineCalibrationandinference)两个大部分。

在本步骤中，采用神经网络模型(ANN)和高斯推断模型对传感器数据进行联合校正，包括如下步骤：

对传感器数据进行离线训练，包括：采用神经网络模型对传感器数据进行单点校正，其中，传感器数据包括气象数据(meteorologydata)、PM2.5数据(PublicPM2.5data)和有毒物质数据(POIs)，动态获取训练后的传感器数据。在本发明的一个实施例中，神经网络模型可以采用BP神经网络。

具体地，离线训练模型中，利用了神经网络的知识，对每个传感器的准确度进行单点的训练校准，并将训练的模型提供给在线的校准模型使用。

神经网络(ANN)模型用于传感器数据的单点校正，绘制出了传感器数据与基准设备读值的对比图。

图4为根据本发明实施例的基准设备数据与前端设备数据的对比示意图。如图4所示，所用的数据为半年内传感器采集的数据所绘制。如图4所示，传感器具有较大的波动性和很大的不稳定性，从之前的观察中发现，空气中的温度、湿度均会对传感器数据的准确性造成较大的影响，同时这种影响不是简单的线性关系。基于之上的因素，本发明选用能够处理该非线性关系的神经网络模型进行学习，并用于后续的校正。

具体地，本发明选用AQM设备(空气质量自动监测系统)的数据，以温度和湿度数据作为神经网络的输入，基准设备Thermo的数值作为神经网络的输出，进而进行训练神经网络模型。本发明的神经网络模型可以采用BP神经网络模型，基于BP神经网络的简洁和有效性，准备选用该模型进行训练。

通过观察发现，越多的数据积累会增加神经网络的模型数据的多样性，也将会使训练处的模型具有更加强的鲁棒性，将会增加动态更新数据的接口，逐步的更新增加相应的训练数据，将训练结果将动态的更新到在线的模型中进行校准。

经过基于神经网络模型的单点校正，传感器数据的精确性得到了一定程度的提高。但是实际的部署过程中，传感器的周边将会出现不同准确度的多种类型的设备，如何能够联合使用这些设备实时提供的信息，对AQM设备进行进一步的校正是需要考虑的问题。

在本步骤中，采用高斯推断模型对由神经网络模型的单点校正后的传感器数据进行在线校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。

步骤S3，根据已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据。在本发明的一个实施例中，大气污染物数据包括PM2.5、二氧化硫等数据。需要说明的是，大气污染物数据不限于上述例子，还可以包括其他污染物数据，在此不再赘述。

由于在实际的部署过程中，不可能部署的密集到每个区域都存在设备，未部署传感器区域的读值的推断也是一个需要解决的问题。本发明采用高斯推断模型根据已部署传感器位置点的数据推断出这些未部署传感器位置点的数据。

图5为根据本发明实施例的高斯推断过程场景示意图。

基于多种不同精度的传感器来进一步的校正AQM设备以及推断未知点的读值。定义高斯推断过程中的每个位置点的特征向量(FeatureVector)为：

x:[distance,{POI},Temp,Humidity](6)

不同位置点之间的相似点的定义通过下面的核函数进行衡量：

$k_{SE}(x,x^{\′})=\exp (-\underset{i=1}{\overset{n}{\Σ}}\frac{(x_i-x_i^{\′})}{2{\mathrm{\ω}}_i^2})---\left(7\right)$

ω_i标识了特征i的重要性，协相关矩阵通过下式进行计算和衡量：

$K_y=K(X,X)+diag\left({\mathrm{\δ}}_i^2\right)---\left(8\right)$

最后每一点的大气污染物数据(例如PM2.5的推测值)可以通过下面的式子给出：

${\mathrm{\μ}}_{*}=K_{*}^T{K}_y^{-1}y---\left(9\right)$

本发明基于布点理论得出的结果，将多个传感器在部署区域进行高密度的部署，通过多源信息的联合校正，得到更加准确的传感器数据，使用高斯推断模型进行基于时空维度的大气颗粒污染物的推断，最终在空间上准确推断出未部署传感器区域的污染物指数。

下面参考图7和图8对PM2.5指数的推断过程进行说明。

PM2.5的空间推断旨在探究污染物在整个城市的分布特点，如污染物的分布是否符合较为均匀的或污染物分布在局部范围内变化是否剧烈。研究PM2.5污染物的分布对未知地点PM2.5数值的推断以及污染源的发现，污染的扩散研究都具有重要意义。

图7为根据本发明实施例的传感器大密度部署的示意图。如图7所示，在城市人口与建筑物较为密集的区域，设备部署较为密集，而在空旷地带部署则相对稀疏。

图8为根据本发明实施例的两个传感器的测量绝对误差分布图。图8展示了两个传感器(设备26和设备28)在同一时间点设备读数绝对差值的分布(3个月的数据，每隔30min上传一次数据)。其中，横坐标为两个设备的绝对差值，纵坐标为相应误差的频率。由图8可以看出，两个传感器在地理位置上相距不足5km，但有超过30％的时刻两个设备的绝对误差在50以上，而且有些时候两个传感器的差值可以达到200。这意味着PM2.5分布在空间上存在着较大的起伏，通过简单的差值来处理很难取得理想的效果。本发明选用改进的高斯模型进行空间推断，得出未部署传感器地点的大气污染物数据的推断值。

步骤S4，采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析，以在时间维度上进行对整个区域的大气污染预警。

现有的对时间序列数据进行预测的模型主要有随机过程模型如自回归模型(AR)，隐马尔科夫模型(HMM)和神经网络模型。

自回归模型和隐马尔科夫模型主要应用在气象预报和金融数据预报分析，神经网络模型一般采用递归神经网络(RNN)，但由于递归神经网络结构复杂，往往难以训练到一个较为理想的效果。隐马尔科夫模型为典型的有向图模型，马尔科夫模型中分为可观测变量与隐含变量，隐含变量即待预测的值-PM25等级，而可观测变量即可以观测到的与PM25等级相关联的气象、地理位置等特征。

马尔科夫模型假设在观测到当前状态的条件下，未来状态与之前的状态独立。因此模型建立了当前状态与下一状态以及隐含变量与可观测变量的联合概率分布。由于马尔科夫模型为生成式模型(GenerativeModel)，它通过联合概率来近似条件概率。相比之下无向图时间序列模型条件随机场(CRF)直接对隐含变量进行建立条件概率，从实际应用的角度出发基于无向图的条件随机场性能往往优于有向图的隐马尔科夫模型，但条件随机场为有监督学习而隐马尔科夫模型无需训练数据有标注，为无监督学习。由于在进行污染物变化预测时可以获取历史数据，因此本发明综合以上因素采用基于无向图模型的条件随机场(CRF)。

图6为根据本发明实施例的条件随机场预测模型的示意图。在建立模型时，本发明采用温度、湿度、风速、风向、降雨强度以及时间作为输入特征，PM2.5指数作为输出。由于使用条件随机场模型需要输入的特征以及输出的预测均需要为离散型数值，因此本发明将首先按照前述方法对连续型数值进行离散化处理，然后再输入到条件随机场预测模型进行预测处理。

步骤S5，将已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至监控中心，以由监控人员实时监控整个区域内的大气污染状态。

为了直观有效的展示大气颗粒污染物的情况，并利于后续的研究与执法，本步骤将大气污染物数据发送至监控中心，由监控中心进行更加有效的展示。

具体地，监控中心可以提供可视化展示及监管平台，该平台将对原始数据及相关的研究成果进行有效的可视化展示，并实现配套的监管及联防联控系统，方便政府相关部门使用。

图12为根据本发明实施例的高纬度数据的可视化展示示意图。

如图12所示，监控中心呈现给用户的不仅是简单的底层地图与上层热图的简单组合，将会加入监测区域的地理参数信息、气象信息、实时路况信息及监测站点信息，使得用户可以直观的看到这些高维度的信息对污染物数值的影响，并且对将来的研究和监管执法起到数据支持的作用。

进一步，在步骤S4之后，还包括如下步骤：采用因果分析和张量分析方法对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污染物的源头和传播路径，并将空间层面上污染物的源头和传播路径发送至监控中心，从而对后续的监管治理提供切实有效的理论支撑，最后将会对联防联控、管控结合的监管平台进行研究分析，利用高效的数据可视化和取证手段，使监管部门能够高效的执法并进行治理。

本发明基于科学选点部署和利用多维度数据的联合校正得出的大气颗粒污染物数据，结合多维度的气象监测，利用统计机器学习中因果推断分析及张量分解等方法分析时空维度的监测数据，为后续污染物溯源及污染物传播路径还原等研究提供数据支撑，服务后续的治理及监管系统。

具体地，基于部署设备地点的数据及空间的推断研究，给出所检测区域的实时热图，通过一段时间的连续监测，将会给出如图11所示的大气颗粒污染物的传播扩散图。例如，图11使用北京的公共监测站数值生成，显示了2015年3月某天污染物的传播扩散状况，每幅图的时间间隔为1小时，可以明确的看出污染物整体的传播扩散路径。本发明利用因果推断分析及张量分解的方法处理动态变化的监测数据，给出相应的研究结论，为后续的理化手段分析污染物成分、源头及监管执法等提供数据支撑。

此外，基于科学选点部署和利用多维度数据的联合校正得出的大气颗粒污染物数据，利用统计机器学习方法对这些数据进行多维度的分析，并分别给出在时间维度、空间维度、行业维度等多种维度统计分析结果，包括:

1)微环境中单点监测设备的统计分析结果。

如图9所示，该结果直观的对比了一周之中每天数据的对比，并且展示了基于小时、月份、周的统计结果，可以发现数据中包含着很强的规律性，通过分析可以得出相应的更有价值的结果；

2)风速与大气颗粒污染物浓度的关系。

如图10所示，该监测设备所处地点西南风通常会造成污染指数的上升，将会进行类似更多的统计分析，得出更加详细有效的结果，供决策和后续研究使用。

如图13所示，本发明还提出一种基于大密度部署传感器的大气污染监控及管理系统，包括：于部署区域进行大密度部署的多个传感器1，数据处理中心2和监控中心3。其中，每个传感器1与数据处理中心2进行通信，数据处理中心2与监控中心3进行通信。

具体地，多个传感器1根据部署区域的状态信息进行大密度部署，包括：首先根据部署区域的状态信息，在部署区域进行一期部署多个传感器，然后数据处理中心2获取一期部署的传感器返回的传感器数据，根据气象人文信息和返回的传感器数据对部署区域进行二次加密部署多个传感器2。

其中，部署区域的状态信息包括：地理状态信息、交通状态信息(例如：道路、车辆信息)和气象人文信息。

通过上述逐渐加密的部署方式，选择有效的部署点进行多个传感器1的部署，使得在部署代价尽量小以及部署条件受制约的情况下，多个传感器1的部署位置能够最大程度的反映到大气颗粒污染物在时空维度上的分布特征信息。

数据处理中心2用于获取多个传感器的传感器数据，基于多个传感器的精度、空间位置和气象信息的差异，对传感器数据进行联合校正，得到已部署传感器位置点的大密度微环境下大气污染物数据。

具体来说，在实际的部署环境中，存在各种不同精度的传感器，分布在不同的空间位置，需要有效利用这些数据并进行分析。另外，不同位置的气象信息也存在一定的差异。本发明可以充分利用这些不同精度的传感器和多源的气象等信息，通过物联网、大数据、众包等技术，整合现有资源，融合多种数据，创建多源数据融合模型，进一步提升传感器读数精度。

需要说明的是，数据处理中心2在对传感器数据进行校正之前，首先需要对获取的多个传感器的传感器数据(记为：传感器原始数据)进行数据预处理。

数据预处理用于对传感器原始数据中出现的噪声进行过滤。图3为根据本发明实施例的传感器原始数据的示意图。如图3所示，传感器原始数据存在较大的噪声，因此需要从含有噪声的数据中恢复出准确的原始数据。定义的数据为x∈Rⁿ，其中n为数据的长度，设定数据x受到噪声v的影响：

x_cor＝x+v(1)

其中Xcor为传感器原始数据，即实际中传感器的读值。数据预处理目的在于：在已知Xcor的情况下，估计出最接近x的数值。这个问题可以归结为优化论中的bi-criterion问题：

$\min imize(w.r.t.R_{+}^2)\left(\right||\hat{x}-x_{cor}|{|}_2,\mathrm{\φ}\left(\hat{x}\right))---\left(2\right)$

归结为寻求接近于原始信号的数据，同时尽量平滑，即其中的值较小。优化论中有多种平滑策略进行处理，本发明准备选用基于多项式的平滑方式，如下式(3)：

$\mathrm{\φ}\left(x\right)=\underset{i=1}{\overset{n-1}{\Σ}}{(x_{i+1}-x_i)}^2=\left|\right|Dx|{|}_2^2---\left(3\right)$

进而该问题可以转化为解下述优化问题：

$\min imize\left|\right|\hat{x}-x_{cor}|{|}_2^2+\mathrm{\δ}|\left|D\hat{x}\right|{|}_2^2---\left(4\right)$

该问题的求解可以转化为：

$\hat{x}={(I+{\mathrm{\δD}}^{T}D)}^{-1}{x}_{cor}---\left(5\right)$

其中，即为最接近的x的估计值，即数据预处理后的传感器数据。

数据处理中心2在获取上述数据预处理后的传感器数据之后，采用云端校正算法对该数据进行联合校正，即将前端传感器的准确度校准到基本设备上。其中，本发明中选用的基准设备为环保局使用的PM2.5监测专业级设备——Thermo。该云端校正算法的目的为尽量提高数据准确性，以适合大密度部署需求的同时可以提供具有较高可信度的数据。

数据处理中心2采用神经网络模型和高斯推断模型对传感器数据进行联合校正，包括：采用神经网络模型对传感器数据进行单点校正，动态获取训练后的传感器数据，并采用高斯推断模型对训练后的传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。在本发明的一个实施例中，神经网络模型采用BP神经网络。

神经网络(ANN)模型用于传感器数据的单点校正，绘制出了制作传感器读值与基准设备读值的对比图。

图4为根据本发明实施例的基准设备数据与前端设备数据的对比示意图。如图4所示，所用的数据为半年内传感器采集的数据所绘制。如图4所示，传感器具有较大的波动性和很大的不稳定性，从之前的观察中发现，空气中的温度、湿度均会对传感器数据的准确性造成较大的影响，同时这种影响不是简单的线性关系。基于之上的因素，本发明选用能够处理该非线性关系的神经网络模型进行学习，并用于后续的校正。

具体地，本发明选用AQM设备(空气质量自动监测系统)的数据，数据处理中心2以温度和湿度数据作为神经网络的输入，基准设备Thermo的数值作为神经网络的输出，进而进行训练神经网络模型。本发明的神经网络模型可以采用BP神经网络模型，基于BP神经网络的简洁和有效性，准备选用该模型进行训练。

通过观察发现，越多的数据积累会增加神经网络的模型数据的多样性，也将会使训练处的模型具有更加强的鲁棒性，将会增加动态更新数据的接口，逐步的更新增加相应的训练数据，将训练结果将动态的更新到在线的模型中进行校准。

基于神经网络模型的单点校正后，传感器数据的精确性得到了一定程度的提高。但是实际的部署过程中，传感器的周边将会出现不同准确度的多种类型的设备，如何能够联合使用这些设备实时提供的信息，对AQM设备进行进一步的校正是需要考虑的问题。

数据处理中心2进一步采用高斯推断模型对由神经网络模型的单点校正后的传感器数据进行在线校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。

数据处理中心2根据已部署传感器位置点的联合校正后的传感器数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据。

具体地，数据处理中心2根据已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据。在本发明的一个实施例中，大气污染物数据包括PM2.5、二氧化硫等数据。需要说明的是，大气污染物数据不限于上述例子，还可以包括其他污染物数据，在此不再赘述。

由于在实际的部署过程中，不可能部署的密集到每个区域都存在设备，未部署传感器区域的读值的推断也是一个需要解决的问题。本发明采用高斯推断模型根据已部署传感器位置点的数据推断出这些未部署传感器位置点的数据。

图5为根据本发明实施例的高斯推断过程场景示意图。

基于多种不同精度的传感器来进一步的校正AQM设备以及推断未知点的读值。定义高斯推断过程中的每个位置点的特征向量(FeatureVector)为：

x:[distance,{POI},Temp,Humidity](6)

不同位置点之间的相似点的定义通过下面的核函数进行衡量：

$k_{SE}(x,x^{\′})=exp(-\underset{i=1}{\overset{n}{\Σ}}\frac{{(x_i-x_i^{\′})}^2}{2w_i^2})---\left(7\right)$

ω_i标识了特征i的重要性，协相关矩阵通过下式进行计算和衡量：

$K_y=-K(X,X)+diag\left({\mathrm{\δ}}_i^2\right)---\left(8\right)$

最后每一点的大气污染物数据(例如PM2.5的推测值)可以通过下面的式子给出：

${\mathrm{\μ}}_{*}=K_{*}^T{K}_y^{-1}y---\left(9\right)$

本发明基于布点理论得出的结果，将多个传感器在部署区域进行高密度的部署，通过多源信息的联合校正，得到更加准确的传感器数据，使用高斯推断模型进行基于时空维度的大气颗粒污染物的推断，最终在空间上准确推断出未部署传感器区域的污染物指数。

数据处理中心2采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析，以进行对整个区域的大气污染预警。在本发明的一个实施例中，时间序列中的预测模型采用基于无向图模型的条件随机场模型。

现有的对时间序列数据进行预测的模型主要有随机过程模型如自回归模型(AR)，隐马尔科夫模型(HMM)和神经网络模型。

自回归模型和隐马尔科夫模型主要应用在气象预报和金融数据预报分析，神经网络模型一般采用递归神经网络(RNN)，但由于递归神经网络结构复杂，往往难以训练到一个较为理想的效果。隐马尔科夫模型为典型的有向图模型，马尔科夫模型中分为可观测变量与隐含变量，隐含变量即待预测的值-PM25等级，而可观测变量即可以观测到的与PM25等级相关联的气象、地理位置等特征。

马尔科夫模型假设在观测到当前状态的条件下，未来状态与之前的状态独立。因此模型建立了当前状态与下一状态以及隐含变量与可观测变量的联合概率分布。由于马尔科夫模型为生成式模型(GenerativeModel)，它通过联合概率来近似条件概率。相比之下无向图时间序列模型条件随机场(CRF)直接对隐含变量进行建立条件概率，从实际应用的角度出发基于无向图的条件随机场性能往往优于有向图的隐马尔科夫模型，但条件随机场为有监督学习而隐马尔科夫模型无需训练数据有标注，为无监督学习。由于在进行污染物变化预测时可以获取历史数据，因此本发明综合以上因素采用基于无向图模型的条件随机场(CRF)。

图6为根据本发明实施例的条件随机场预测模型的示意图。在建立模型时，本发明采用温度、湿度、风速、风向、降雨强度以及时间作为输入特征，PM2.5指数作为输出。由于使用条件随机场模型需要输入的特征以及输出的预测均需要为离散型数值，因此本发明将首先按照前述方法对连续型数值进行离散化处理，然后再输入到条件随机场预测模型进行预测处理。

数据处理中心2进一步将已部署传感器位置点和未部署传感器位置点的大气污染物数据以数字和/或可视化图像形式发送至监控中心3，由监控中心3进行更加有效的展示。

监控中心3用于接收已部署传感器位置点和未部署传感器位置点的大气污染物数据，并呈现给监控人员查看，以由监控人员实时监控整个区域内的大气污染状态。

具体地，监控中心3可以提供可视化展示及监管平台，该平台将对原始数据及相关的研究成果进行有效的可视化展示，并实现配套的监管及联防联控系统，方便政府相关部门使用。

进一步，数据处理中心2还用于采用因果分析和张量分析方法对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污染物的源头和传播路径，并将空间层面上污染物的源头和传播路径发送至监控中心3，从而对后续的监管治理提供切实有效的理论支撑，最后将会对联防联控、管控结合的监管平台进行研究分析，利用高效的数据可视化和取证手段，使监管部门能够高效的执法并进行治理。

本发明基于科学选点部署和利用多维度数据的联合校正得出的大气颗粒污染物数据，结合多维度的气象监测，利用统计机器学习中因果推断分析及张量分解等方法分析时空维度的监测数据，为后续污染物溯源及污染物传播路径还原等研究提供数据支撑，服务后续的治理及监管系统。

此外，基于科学选点部署和利用多维度数据的联合校正得出的大气颗粒污染物数据，利用统计机器学习方法对这些数据进行多维度的分析，并分别给出在时间维度、空间维度、行业维度等多种维度统计分析结果，包括：

1)微环境中单点监测设备的统计分析结果。

如图9所示，该结果直观的对比了一周之中每天数据的对比，并且展示了基于小时、月份、周的统计结果，可以发现数据中包含着很强的规律性，通过分析可以得出相应的更有价值的结果；

2)风速与大气颗粒污染物浓度的关系。

如图10所示，该监测设备所处地点西南风通常会造成污染指数的上升，将会进行类似更多的统计分析，得出更加详细有效的结果，供决策和后续研究使用。

根据本发明实施例的基于大密度部署传感器的大气污染监控及管理方法及系统，通过在区域内大密度部署传感器，并对返回的传感器数据采用云端算法进行联合校正，使得数据的精确度得到大幅提高，并进一步采用高斯推断模型推断出未部署传感器的位置点的污染数据，再将上述已部署和未部署的数据统一反馈给监控中心，进行监控和管理。本发明可以实现实时监测取证，量化评级及精细化管理的目标，不仅提供完善的可视化显示，包括完善的分级管理体系和有效的联防联控机制，通过各个机构及模块的协同合作，实现污染源监测发现，证据取证，协作执法等一体化管理。

本发明实施例的基于大密度部署传感器的大气污染监控及管理方法及系统具有以下有益效果：通过网格化部署，实现精准治霾，治理有的放矢，最大限度减少一刀切式关停减产造成的经济损失；实现科技治霾，增强雾霾预警和分析能力，帮助政府快速实现降霾目标，普惠民生；建立区域联防联控，量化排污标准，形成执法依据，有效限制污染排放，实现绿色生产。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。

Claims (16)

1.一种基于大密度部署传感器的大气污染监控及管理方法，其特征在于，包括如下步骤：

步骤S1，获取部署区域的状态信息，根据所述部署区域的状态信息，在该部署区域大密度部署多个传感器；

步骤S2，获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间位置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大密度微环境下大气污染物数据；

步骤S3，根据所述已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据；

步骤S4，采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析，以进行对整个区域的大气污染预警；

步骤S5，将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至监控中心，以由监控人员实时监控整个区域内的大气污染状态。

2.如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文信息。

3.如权利要求2所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，在所述步骤S1中，所述根据部署区域的状态信息，在该部署区域大密度部署多个传感器，包括如下步骤：

根据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器；

获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器数据对所述部署区域进行二次加密部署多个传感器。

4.如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，在所述步骤S2中，采用神经网络模型和高斯推断模型对所述传感器数据进行联合校正，包括如下步骤：

对所述传感器数据进行离线训练，包括：采用神经网络模型对所述传感器数据进行单点校正，动态获取训练后的传感器数据；

对所述训练后的传感器数据进行在线校准，包括：采用高斯推断模型对所述训练后的传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。

5.如权利要求4所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，所述神经网络模型采用BP神经网络。

6.如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，在所述步骤S4中，所述时间序列中的预测模型采用基于无向图模型的条件随机场模型。

7.如权利要求6所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，采用基于无向图模型的条件随机场模型对所述大气污染物数据进行预测过程中，以温度、湿度、风速、风向、降雨强度和时间作为输入特征值，以PM2.5数值作为输出预测值，其中，所述输入特征值和输出预测值均为离散型数值。

8.如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在于，在所述步骤S4之后，还包括如下步骤：采用因果分析和张量分析方法对所述已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送至所述监控中心。

9.一种基于大密度部署传感器的大气污染监控及管理系统，其特征在于，包括：于部署区域进行大密度部署的多个传感器，数据处理中心和监控中心，其中，每个所述传感器与所述数据处理中心进行通信，所述数据处理中心与所述监控中心进行通信，

所述数据处理中心用于获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间位置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大密度微环境下大气污染物数据，并根据所述已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据，以及采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析，以进行对整个区域的大气污染预警，所述数据处理中心进一步将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至所述监控中心；

所述监控中心用于接收所述已部署传感器位置点和未部署传感器位置点的大气污染物数据，并呈现给监控人员查看，以由监控人员实时监控整个区域内的大气污染状态。

10.如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述多个传感器根据部署区域的状态信息进行大密度部署，包括：首先根据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器，然后所述数据处理中心获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器数据对所述部署区域进行二次加密部署多个传感器。

11.如权利要求10所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文信息。

12.如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述数据处理中心采用神经网络模型和高斯推断模型对所述传感器数据进行联合校正，包括：

所述数据处理中心采用神经网络模型对所述传感器数据进行单点校正，动态获取训练后的传感器数据，并采用高斯推断模型对所述训练后的传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。

13.如权利要求12所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述神经网络模型采用BP神经网络。

14.如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述时间序列中的预测模型采用基于无向图模型的条件随机场模型。

15.如权利要求14所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述数据处理中心采用基于无向图模型的条件随机场模型对所述大气污染物数据进行预测过程中，以温度、湿度、风速、风向、降雨强度和时间作为输入特征值，以PM2.5数值作为输出预测值，其中，所述输入特征值和输出预测值均为离散型数值。

16.如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征在于，所述数据处理中心还用于采用因果分析和张量分析方法对所述已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送至所述监控中心。