CN106652459A - 一种智能型路侧交通空气污染监测系统 - Google Patents

Abstract

本发明提供了一种智能型路侧交通空气污染监测系统，属于交通信息智能化集成领域。本发明包括服务器端、用户端和设置在路侧的设备终端，设备终端包括控制单元以及交通参数采集、空气质量监测、气象监测、远程管理等子系统，控制单元在设备终端与服务器端连接成功后，在每个时间周期内采集各子系统的输出数据上传给服务器端，服务器端同步接收各设备终端发回的数据，在用户端请求提供智慧出行路线时，基于实时的空气质量数据提供智慧出行路线。本发明集成空气污染监测、气象监测，规划出基于空气污染状态数据的最优出行路线，将交通流量统计、车型比例识别、空气污染水平集成在设备终端实现，提高了交通信息智能化和集成化。

Description

一种智能型路侧交通空气污染监测系统

技术领域

本发明涉及交通信息智能化集成领域，具体涉及一种智能型路侧交通空气污染监测系统，用于城市路侧环境下交通污染监测。

背景技术

随着人民生活水平的改善，出于健康的需求人们对于空气质量的要求越来越高。特别是对于出行人群的需求更为突出，例如知晓出行路线的真实空气污染状态，获得更小范围的准确空气污染预报等。

从研究的角度，由于缺乏长期针对性的监测，交通污染对出行人群的健康影响仍难以量化。目前，以建立空气污染监测站为主的监测是最常见的空气污染监测方式。空气污染监测主要运用重量法以及大气飘尘浓度测定方法检测颗粒物，利用Saltzman法测量二氧化氮，利用紫外光度法测定臭氧，利用分光光度法测定二氧化硫，利用红外法测定一氧化碳等，通过以上测量可以得到较精确的污染物浓度或者数值。但是这些方法大都难以做到便携式集成，而建设和维护空气质量监测站成本高且不能移动，不利于交通污染监测。

目前还存在的以遥感为主的监测方式，主要利用光学成像系统远距离探测大区域内颗粒物的形成、转移等情况。该方法属于大范围颗粒物监测，受制于遥感设备的分辨率，不适合做小区域空气污染以及不可见气体污染的监测。

便携式空气污染监测仪器具备灵活易用的特点，然而传统的空气质量监测仪忽视了对实时交通流率，车型比例等交通参数的采集以及更深层次的交通状态挖掘。此外进行交通污染监测往往要考虑温湿度、风向、风力等气象因素。因而，现有的空气污染监测系统在交通源空气污染监测过程中针对性不足。

发明内容

本发明的目的是在传统空气污染监测系统的基础上进行交通信息智能化集成与融合，形成集空气质量综合监测、交通信息采集、信息发布等功能在内的具有专业监测能力的综合性交通污染监测仪系统。

本发明提供的智能型路侧交通空气污染监测系统，包括服务器端、用户端和设置在路侧的设备终端。

所述的设备终端上设置太阳能电池供电，设备终端中包括控制单元、交通参数采集子系统、空气质量监测子系统、气象监测子系统和远程管理子系统。所述的控制单元在设备终端与服务器端连接成功后，在每个时间周期内采集各子系统的输出数据并上传给服务器端，控制单元通过远程管理子系统与服务器端通信。交通参数采集子系统输出交通流率、车型比例以及交通拥堵指数(车辆排队长度)给控制单元。空气质量监测子系统输出颗粒物的浓度值和有害气体(NO₂、CO、SO₂、O₃)的浓度值给控制单元。气象监测子系统输出风速值、风向值、温度值和相对湿度值给控制单元。

服务器端上运行实时管理监测平台，同步接收各设备终端发回的数据，在用户端请求提供智慧出行路线时，基于实时的空气质量数据提供智慧出行路线。

所述的用户端从服务器端获取当前道路的监测数据以及智慧出行路线。

所述的交通参数采集子系统包括交通监控摄像头和DSP图像处理器，对捕捉的交通视频信号处理，进行车辆识别，计算交通流率和车型比例值，并进而对交叉口车辆排队长度进行预测，并将预测结果发送给控制单元。

所述的空气质量监测子系统包含气体模块和颗粒物模块，其中气体模块使用4个电化学传感器，分别探测NO₂，CO，SO₂，O₃的浓度值，颗粒物模块使用颗粒物传感器，测量PM2.5和PM10的浓度值。

所述的气象监测子系统包括风向风速传感器以及DHT22温湿度传感器。风向风速传感器测量风向值和风速值，DHT22温湿度传感器测量温度值和相对湿度值。

所述的设备终端，布置于城市道路的各个交叉口。

所述的服务器端，对各设备终端发送来的空气质量数据，运用马尔可夫链预测下一时刻各设备终端所在位置节点的空气质量。

所述的服务器端提供智慧出行路线的方法是：在各交叉口布置设备终端后，每个设备终端作为一个节点。首先预测各节点在下一时刻的空气质量，并确定各节点的权值；第i个节点的权值其中M为节点个数，g_i为第i个节点处的空气质量状态值。然后，将各个节点的权值作为最短路径算法的输入，根据用户的当前位置和目标位置，计算出一条或多条空气污染最小的出行路线。

本发明的优点与积极效果在于：

(1)本发明系统在考虑空气污染监测的基础上增加了气象参数的辅助监测，并同时采集交通数据，在监测方式上与传统空气监测系统相比，对交通污染的监测更具针对性，可规划出基于空气污染状态数据的最优出行路线。

(2)通过搭建从设备终端到远程管理的各个子系统，形成了从数据采集至信息发布的一体化架构，并在各个子系统一系列采集功能的基础上产生了基于交通污染状态的用户出行推荐功能，与传统的监测系统相比，交通信息智能化的水平有所提高。

(3)将交通流量统计、车型比例识别、空气污染水平计算一系列数据层处理方法写入嵌入式终端，使得终端可以直接输出更为抽象的信息，提高了交通信息的集成化水平。

附图说明

图1为本发明的智能型路侧交通空气污染监测系统的总体结构示意图；

图2为本发明的设备终端的结构示意图；

图3为多重交通波演化轨迹示意图；

图4为需要采用最短路径规划空气污染最小的出行路线的一个示例图；

图5为本发明的设备终端的控制箱内部的结构示意图；

图6为本发明的设备终端的一个实物示例图；

图7为本发明的设备终端的固定安装在路侧的一个示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种综合式智能型在线交通空气污染监测系统，如图1所示，整体包括设备终端1、服务器端2及用户端3。

设备终端1搭配太阳能电池系统作为户外供电方式，以实现长期运行。设备终端1主要包括有控制单元11、交通参数采集子系统12、空气质量监测子系统13、气象监测子系统14和远程管理子系统15，如图2所示。控制单元11开机后进行设备初始化，初始化正常则通过远程管理子系统15向服务器端发送连接请求指令，服务器端2接收到连接请求指令后向设备终端1发送一组数字代表连接成功。此后，设备终端1在每个时间周期内，例如45秒，发送一次数据至服务器。如果初始化失败，控制单元11将向服务器端2发送一组错误代码。控制单元11在初始化完成后，首先向服务器端2依次发送的数据包括有交通流率值、车型比例值、风向值、风速值、温度值、相对湿度值、颗粒物的浓度值以及有害气体的浓度值。颗粒物包括PM2.5和PM10，有害气体是指NO₂、CO、SO₂和O₃。

本发明实施例中，控制单元11选用ARM架构的STM32F107芯片结合DSP信号处理器DM642组成。交通参数采集子系统12使用微型的交通监控摄像头，并集成DSP图像处理器实现。

交通参数采集子系统12通过微型的交通监控摄像头进行视频信号捕捉，使用DSP图像处理器对车辆进行识别，计算交通流率和车型比例值，并对交叉口车辆排队长度进行预测。

交通参数采集子系统12采用嵌入式车辆识别算法，运用高斯背景建模获取运动目标。设一帧图像中点坐标(x,y)处的灰度值为该点坐标(x,y)处的灰度值的均值为u_n(x,y)，标准差为σ_n(x,y)，则当满足时，该像素点(x,y)被认为是运动目标点，其中，k为经验值。在图像指定位置设置R*U块虚拟检测区，使用块匹配算法作为运动估计算法检测虚拟检测区中心点速度，以此判断出运动目标，R、U均为正整数。确定MSE匹配准则如下：

其中，MSE为求最小均方误差，设某运动目标点在当前帧的坐标为(m,n)，在上一帧的坐标为(m+p,n+q)，p,q分别表示相对点(m,n)在横纵坐标轴上的位移，f_k(m,n)为当前帧在点(m,n)处像素的灰度值，f_k-1(m+p,n+q)为上一帧在点(m+p,n+q)处像素的灰度值。

通过运动目标识别和速度计算交通流率和车型比例值，并通过交通波理论来对交叉口车辆排队长度进行预测。下面结合图3说明本发明排队长度预测功能的实现。

交通波中，设变化前的流率、密度和速度分别为q₁,k₁,u₁，变化后的流率、密度和速度分别为q₂,k₂,u₂，则交通流传播速度

首先，假设交通波全部消散，在接下来的红灯期间，车辆被迫在停车线前停止。因此到达车辆和停止车辆形成了两组流率不同的车队。这两组状态不同的车队在相交处就形成了排队波，排队波传播速度v₁可表达为下式：

其中，0和k_j代表堵塞流率和密度；和为第n个周期的平均到达流率和密度；图3中和分别代表第n个周期有效绿灯的开始和结束时间。

排队波以v₁持续向上游传播，当该方向的红灯结束、绿灯开始时排队车辆开始以饱和通行流率消散，假设下游没有堵塞，同时形成消散波以速度v₂沿停车线向上游延伸。

式中，q_m和k_m为饱和通行车辆的流率和密度。

消散波的v₂通常高于速度v₁，所以两波会在相遇，此时达到最大排队长度。两波一旦相遇，会形成第三个波向停车线以速度v₃传播。

在当前信号周期结束、下个周期红灯开始时，如果队列仍不能完全消散，将会形成滞留队列并形成第4个交通波沿着停车线以速度v₄向上游移动。

第4个交通波描述的是排队的压缩过程。v₃和v₄的移动方向相反，因此会在时刻相遇，此时为最小排队长度，即滞留队列长度。两波相遇时将形成下一周期中的排队波，向上游移动的波速v₅与v₁相似，如此往复循环。

其中，和分别代表第n+1个周期的平均到达流率和密度。

排队长度的变化具有很强的周期规律性，所以根据图像数据识别出点A、点B和点C，那么即使没有整个到达车辆的流量信息，整个周期内的排队和消散过程也可以推出，从而得到最大排队长度(点H)和滞留排队长度(点D)。

转折点A、B、C通过逻辑判断得到对应具体时间T_A，T_B，T_C，如下过程：

A点可用于判断排队车辆是否越过排队检测器。T_A时刻之后，摄像头设置虚拟检测区会在较长时间内被车辆占用，设置当时间之后，如果检测区占用时间大于3秒，表示点A存在。

B点表示消散波向后传播到达排队检测器的时刻，绿灯开始后到T_B时刻之前交通流率为0，检测区占用时间大于3秒，T_B时刻之后检测区占用时间小于3秒。

C点表明T_C时刻队列中末端车辆通过检测区。T_C时刻之前，交通状态为饱和状态(q_m，k_m)，T_C时刻之后向到达流状态过渡。通过设置车间时距ΔT和车间时距的方差Dt来判断C点出现的时刻。ΔT常设为2.5秒，Dt为经验阈值。当车间时距变大超过且连续三次超过时间间隔ΔT时，此时如果车头时距的方差Dt也明显增大，则判断C点存在。

要计算最大排队长度、滞留队列长度，首先应先计算v₂和v₃；由饱和流率q_m，饱和密度k_m，堵塞密度k_j已知，v₂可由交通波计算公式得出；v₃可以通过得到，而未知，所以先通过下式计算出平均速度u_s、平均流率q及交通密度K。

其中，u_i为车速，L_e为有效车长，是车长和检测区长度总和；t_o,i和t_g,j分别为车辆经过虚拟检测区的占用时间和间隔时间；此处N为车辆总数。此处使用不同时间段的数据计算得到的交通状态是不同的，使用发生在T_B和T_C之间的数据计算可以实时更新常数q_m，k_m；使用T_C时刻之后(之前)的数据计算得到和进而得到v₃。

计算出v₂和v₃后，任何周期n内的最大排队长度和达到最大排队长度时刻

其中，L_d表示设置的虚拟检测区的中心点到停车线的距离。

同样，滞留队列长度和相应时刻可以用下式计算得到：

其中，v₄为交通波的速度，与v₂波速的数值相同。

空气质量监测子系统13包含气体检测单元和颗粒物检测器。气体检测单元中使用电化学传感器配置可调速空气采样泵和PEFE(聚四氟乙烯)过滤装置，气体经过物理过滤后以某流速流经传感器检测区域。气体检测单元将浓度信号转化为电压信号，经由24位高精度AD采集模块采集到差分电压值，通过公式C₁₃＝(A₁₃+Z₂-Z₁)/S_e计算得到浓度值；其中，C₁₃为浓度值，A₁₃为测量的差分电压值，Z₂为工作电极偏移电压，Z₁为辅助电极偏移电压，S_e为灵敏度。气体检测单元共使用4个电化学传感器，分别为探测NO₂，CO，SO₂，O₃的浓度值。每个传感器需要单独校准，获得其中Z₁、Z₂和S_e的值。颗粒物信息采集则使用激光散射原理的颗粒物传感器。颗粒物检测器通过对输出PWM信号频率和脉宽进行标定，获取PM2.5、PM10两种参数的浓度数值并多次累计求取平均值。最后空气质量监测子系统13将NO₂、CO、SO₂、O₃、PM2.5和PM10六种参数的浓度值发送给控制单元11。

气象监测子系统14包括物理风向风速传感器以及DHT22温湿度传感器等模块。物理风向风速传感器中，将采集的原始AD值转换为标定后的角度值作为风向值，风向值为0到360度，将脉冲频率标定为风速值，单位为米/秒。DHT22测量温度值(摄氏度)和相对湿度值。气象监测子系统14通过控制单元11向服务器端12上传风速值、风向值、温度值和相对湿度值。

远程管理子系统15包括GPS模块和GPRS模块。GPS模块负责授时、定位以解决多台设备在数据上传中的同步问题。GPRS模块在控制单元11的控制下实时将数据上传至云服务器，即服务器端12。GPS模块和GPRS模块分别与控制单元11连接。GPS模块与控制单元11之间使用4800波特率的串行通信。GPRS模块与控制单元11串行通信。

服务器端2上搭建有实时管理监测平台，同时接收多个设备终端1发回的数据，在此基础上构建智慧出行推荐系统。服务器端2可将部分数据网站形式对外发布。用户端3通过网络从服务器端2获取所发布的当前道路的监测数据以及智慧出行路线。服务器端2在用户端3要求获取智慧出现路线时，基于实时获取的空气质量数据，预测下一时刻各路口的空气质量状况，然后计算出一条或多条智慧出行路线。

智慧出行路线的获取方法是：

首先，确定各节点(交叉口)的历史及实时路侧空气污染状态，运用马尔可夫链预测下一时刻各个节点的空气质量状况。以其中一个节点为例说明。空气污染状态Q可划分为r个子状态{q₁，q₂，q₃,…q_r}，根据历史数据统计出从一个时刻到下一时刻各个状态间互相转移的概率矩阵P，表示为：

依据以上概率矩阵得到预测值。其中P₁₁表示状态q₁下一时刻转移到q₁的概率；P₁₂表示状态q₁下一时刻转移到q₂的概率，以此类推。

其次，计算各个节点的权值，第i个节点的权值w_i为：

其中，M为节点个数，g_i为第i个节点处的空气质量状态值，根据设备终端上传的数据进行计算得到。

然后，根据用户当前位置和目标位置，利用最短路径算法来计算出一条或多条空气污染最小的出行路线，即智慧出行路线。最短路径算法例如可以使用Dijkstra算法。计算智慧出行路线的一个过程如下：

步骤1)设V表示全部节点集合，设S表示已选择节点，T＝V-S为剩余节点集合，第i个节点的权值为w_i。将V中节点用无向图来表示，当节点相邻时，二者之间有连接边，连接边上的值为两个节点的权值之和。计算起始节点到T中各节点的距离值，距离值为路径上各节点的权值之和，与实际地理距离无关，若两节点不相邻，则设置两个节点之间的距离值为∞，初始S中仅包含出发节点。

步骤2)从T中选取一个与S的中间节点相邻且权值最小的节点W，加入到S中。第一次搜索，将出发节点作为中间节点。

步骤3)更新出发节点经中间节点到T中各节点的距离值，若出发节点到T中某个节点的权值减小，则修改和保留出发节点到该节点的路径和权值。

步骤4)将W作为中间节点，继续重复上述步骤2和3，直到到达目标位置，获得出发节点到所有节点的最优路径，最终可根据实际出行输出需要的空气污染最小的出行路线。

以图4所示图来说明上述计算过程。假设出行者从A点出行至D点，节点A、B、C、D对应权值分别为2,3,1,5。

距离值AB＝A+B＝5，AC＝A+C＝3，AD＝∞,BC＝B+C＝4,BD＝B+D＝8,CD＝C+D＝6。

最优路径的实现过程如下表所示：

通过上面过程，查找到节点A到节点B,C,D的最优路径。则当用户请求到节点D时，发送对应的最优路径给用户。

控制箱内部结构如图5所示，图中给出了各组成部件的尺寸，单位是mm。①～⑦分别是控制盒，颗粒物检测器，气体检测单元，电源适配器，内置电池，空气泵和太阳能电池板接口。其中STM32控制单元和DSP图像处理器在控制盒内部，同时颗粒物检测器也安装于控制盒。颗粒物检测器与气体检测单元均通过气泵与外界进行空气流通，其中气体检测单元与气泵的连接之间需要加装有PEFE过滤器。GPS和GPRS模块的天线位于控制盒外部的侧壁。同时控制箱内部有温湿度检测器，当机箱内温湿度高于设定阈值时，设备将进入休眠状态。图6为整机实拍，控制箱外侧还包括风向、风速传感器以及摄像头。图7为固定安装在路侧的一个设备终端的示例图。

Claims (9)

1.一种智能型路侧交通空气污染监测系统，包括服务器端、用户端和设置在路侧的设备终端；其特征在于，

所述的设备终端上设置太阳能电池供电，包括控制单元、交通参数采集子系统、空气质量监测子系统、气象监测子系统和远程管理子系统；所述的控制单元在设备终端与服务器端连接成功后，在每个时间周期内采集各子系统的输出数据并上传给服务器端，控制单元通过远程管理子系统与服务器端通信；所述的交通参数采集子系统输出交通流率、车型比例和交通拥堵指数给控制单元；所述的空气质量监测子系统输出颗粒物的浓度值和有害气体的浓度值给控制单元；所述的气象监测子系统输出风速值、风向值、温度值和相对湿度值给控制单元；

所述的服务器端上运行实时管理监测平台，同步接收各设备终端发回的数据，在用户端请求提供智慧出行路线时，基于实时的空气质量数据提供智慧出行路线；

所述的用户端从服务器端获取当前道路的监测数据以及智慧出行路线。

2.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的控制单元在开机后进行初始化，初始化成功时通过远程管理子系统向服务器端发送连接请求指令，初始化失败时向服务器端发送错误代码。

3.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的设备终端，布置于城市道路的各个交叉口。

4.根据权利要求1或3所述的智能型路侧交通空气污染监测系统，其特征在于，，所述的服务器端，对各设备终端发送来的空气质量数据，运用马尔可夫链预测下一时刻各设备终端所在位置节点的空气质量。

5.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的服务器端，提供智慧出行路线的方法是：在各交叉口布置设备终端，每个设备终端作为一个节点；

首先预测各节点在下一时刻的空气质量，并确定各节点的权值；

第i个节点的权值其中M为节点个数，g_i为第i个节点处的空气质量状态值；

然后，将各个节点的权值作为最短路径算法的输入，根据用户的当前位置和目标位置，计算出一条或多条空气污染最小的出行路线。

6.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的交通参数采集子系统包括交通监控摄像头和DSP图像处理器，其中计算交通拥堵指数的方法是：

(1)假设交通波全部消散，在接下来的红灯期间，车辆被迫在停车线前停止，到达车辆和停止车辆形成了两组流率不同的车队，车队在相交处形成排队波，设排队波传播速度为v₁；排队波以v₁持续向上游传播，当该方向的红灯结束、绿灯开始时，排队车辆开始以饱和通行流率消散，并假设下游没有堵塞，同时形成消散波以速度v₂沿停车线向上游延伸；设消散波与排队波在时刻相遇，此时达到最大排队长度，两波一旦相遇，形成第3个波向停车线，并以速度v₃传播；在当前信号周期结束、下个周期红灯开始时，如果队列仍未完全消散，将形成滞留队列并形成第4个交通波沿着停车线以速度v₄向上游移动；设第3个和第4个交通波在时刻相遇，此时达到滞留队列长度；

(2)根据所监控的视频图像，识别点A、B和C，并计算对应的时刻T_A、T_B和T_C；

A点用于判断排队车辆是否越过排队检测器，在T_A时刻之后，摄像头设置的虚拟检测区在较长时间内被车辆占用，设置当绿灯后虚拟检测区被占用时间大于3秒，表示点A存在；

B点表示消散波向后传播到达排队检测器的时刻，绿灯开始后到T_B时刻之前交通流率为0，检测区占用时间大于3秒，T_B时刻之后检测区占用时间小于3秒；

C点表示T_C时刻队列中末端车辆通过虚拟检测区，T_C时刻之前，交通状态为饱和状态，T_C时刻之后向到达流状态过渡；通过设置车间时距和车间时距的方差来判断C点出现的时刻；当车间时距变大超过且连续三次超过时间间隔ΔT时，且此时车头时距的方差也明显增大，则判断C点存在；

(3)首先，计算平均速度u_s、平均流率q及交通密度K，如下：

$u_i=\frac{L_e}{t_{o,i}};u_s=\frac{1}{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{1}{u_i}};q=\frac{1}{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}(t_{o,i}+t_{g,i})};K=\frac{q}{u_s};$

其中，u_i为车速，L_e为有效车长，是车长和虚拟检测区长度总和；t_o,i和t_g,j分别为车辆经过虚拟检测区的占用时间和间隔时间；N为车辆总数；

计算速度v₂和v₃，如下：

$v_2=\frac{q_m-0}{k_m-k_j};v_3=\frac{q_m-q_a^n}{k_m-k_a^n};$

其中，q_m和k_m为饱和通行车辆的流率和密度，0和k_j代表堵塞流率和密度，和为第n个周期的平均到达流率和密度；

第n个周期内的最大排队长度和达到最大排队长度时刻为：

$\left\{\begin{array}{c}{L}_{\max }^n=L_d+\frac{T_C-T_B}{\frac{1}{v_2}+\frac{1}{v_3}}\\ T_{\max }^n=T_B+\frac{L_{\max }^n-L_d}{v_2}\end{array}\right.$

其中，L_d表示设置的虚拟检测区的中心点到停车线的距离；

第n个周期内的滞留队列长度和相应的达到最大排队长度的时刻为：

$\left\{\begin{array}{c}{L}_{\min }^n=\frac{\frac{L_{\max }^n}{v_3}+T_{\max }^n-T_g^{n+1}}{\frac{1}{v_3}+\frac{1}{v_4}}\\ T_{\min }^n=T_g^{n+1}+\frac{L_{\min }^n}{v_4}\end{array}\right.$

其中，v₄与v₂的数值相同，表示第n+1个周期内有效绿灯的开始时间。

7.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的空气质量监测子系统包含气体检测单元和颗粒物检测器，其中气体检测单元使用4个电化学传感器，分别探测NO₂，CO，SO₂，O₃的浓度值，颗粒物检测器使用颗粒物传感器，测量PM2.5和PM10的浓度值。

8.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的气象监测子系统包括风向风速传感器以及DHT22温湿度传感器。

9.根据权利要求1所述的智能型路侧交通空气污染监测系统，其特征在于，所述的远程管理子系统包括GPS模块和GPRS模块。