CN107679743A - 一种基于大数据的环保智能执法应急溯源调度管理方法 - Google Patents
一种基于大数据的环保智能执法应急溯源调度管理方法 Download PDFInfo
- Publication number
- CN107679743A CN107679743A CN201710905059.9A CN201710905059A CN107679743A CN 107679743 A CN107679743 A CN 107679743A CN 201710905059 A CN201710905059 A CN 201710905059A CN 107679743 A CN107679743 A CN 107679743A
- Authority
- CN
- China
- Prior art keywords
- law enforcement
- tracing
- big data
- emergent
- management method
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000003915 air pollution Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000002045 lasting effect Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 239000003344 environmental pollutant Substances 0.000 claims description 5
- 231100000719 pollutant Toxicity 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006854 communication Effects 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003860 sleep quality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的环保智能执法应急溯源调度管理方法，包括：第一步骤：建立针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型；第二步骤：对空气污染数据执行自适应分层分类降维；第三步骤：利用针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型，根据自适应分层分类降维后的空气污染数据，结合大数据蚁群算法进行持续的训练细分。
Description
技术领域
本发明涉及大数据领域、机器学习领域、计算机仿真领域、环境保护领域、以及计算机交互系统领域，更具体地说，本发明涉及一种基于大数据的环保智能执法应急溯源调度管理方法。
背景技术
近年来，中国多次爆发大范围雾霾，雾霾物理成分主要为PM2.5、PM10 等，化学成分主要为碳、硫酸盐、铅、砷、镉、铜等，人类呼吸系统无法有效防御，严重危害健康。
该污染的发生与工业排放具有密切的相关性，由于长期以来缺乏有效的精细化管理手段，导致环保、城管部门对于违规排放的管理较为粗放。主要体现在两个方面：
1、溯源不够精细，时间滞后：例如某地发生大规模污染天气，执法人员出动应急处理，针对正在排放的工程进行检查管理。但是，造成当前排放的工厂已经进行过了排放，当执法人员到来时，已“自觉”停止排放，导致扑了个空。
2、人员调度安排的粗放性：污染具有阶段性、间歇性，当出现规模污染预警时，执法人员人手极度紧张，疲于应付，降低了执法效率。当平时空气好时，又出现人手的闲置，降低了执法人力资源的利用效率。
发明内容
本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于大数据的环保智能执法应急溯源调度管理方法。
根据本发明，提供了一种基于大数据的环保智能执法应急溯源调度管理方法，包括：
第一步骤：建立针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型；
第二步骤：对空气污染数据执行自适应分层分类降维；
第三步骤：利用针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型，根据自适应分层分类降维后的空气污染数据，结合大数据蚁群算法进行持续的训练细分。
优选地，第二步骤包括：结合空气扩散条件作为输入因子，使用误差逆向传播算法训练的多层前馈神经网络，建立用于空气污染溯源和走向预测的前馈模型；执行前馈模型的学习过程，其中采用空气污染历史数据作为前馈模型的输入训练因子，使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络前馈模型的权值和阈值，以使网络前馈模型的输出误差不断减小；并且通过遗传算法进行前馈模型的关联校正。
优选地，前馈模型的学习过程包括如下两个阶段：
输入训练因子的正向传播阶段，其中输入训练因子从输入层进入网络，经隐含层后，传向输出层，在输出端产生输出信号，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播阶段；
误差信号的反向传播阶段，其中将网络的实际输出与期望输出之间的差作为误差信号，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值根据误差反馈进行调整；
其中，输入训练因子的正向传播阶段与误差信号的反向传播阶段交替循环进行，在每完成一次循环时采用实时指标进行污染走向预测。
优选地，每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，其中如果训练的识别率高于现有则设为最优参数，否则执行选择、交叉和变异操作以进一步优化训练参数。
通过模块化数据接口多维度地呈现预测结果及溯源结果。
优选地，前馈模型包括输入层、隐层和输出层。
优选地，输入因子包括风速、风力、风向、温度、温差、气压、雨量、云量中的一个或多个。
优选地，在第一步骤中，设计如下函数，综合计算“执法对象-执法时间-执法人员”的综合得分，以便与所有“执法对象-执法时间-执法人员”均值进行对比，
其中S1、S2、S3分别为执法对象、执法时间、执法人员平均得分，通过已有样本的均值得到，S1i、S2i、S3i为用户第i次的记录；
对S1、S2、S3进行小波变换、希尔伯特黄变换和奇异值分解获取脑电信号的小波熵、希尔伯特黄熵、以及作为奇异谱中的最大值的奇异值第一主成分，分别记为特征向量P1、P2、P3；
采用Welch算法计算执法对象-执法人员以及执法对象-执法人员功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1,f2)。
用改进的相干函数分别计算相干系数，
通过上述数据对应关系用下式对应情况进行评分：
优选地，在第二步骤中，首先，结合空气扩散条件作为输入因子，使用误差逆向传播算法训练的多层前馈神经网络，建立用于空气污染溯源和走向预测的前馈模型。
优选地，在误差信号的反向传播阶段中，反向传播网络的激活函数选用Sigmoid函数
经过激活函数的作用，输入的第P个训练样本信息首先传播到隐含层单元上，经过f(u)的作用得到隐含层第j个神经元的输出信息
式中：Wij表示输入层第i个神经元到隐含层第j个神经元的权值， XP表示第P个样本在输入层的第i个输入值，表示隐含层第j个神经元的阈值。
优选地，污染物的指标值分别为yj＝(y1j,y2j,y3j)，相应的权重系数向量为w＝(w1,w2,w3)，其中w为(-1，1)范围内的一个小数，而且其中按照相关系数先对w进行主观赋权，然后基于客观赋权法对w进行训练调整。
优选地，引入相对比较法来衡量各因素对目标层的影响大小，其中定义判断矩阵A：
设权重向量为W，此时W为1×(n+1)向量，即：W＝(w1,w2,w3…wn+1)。
本发明通过蚁群算法和神经网络方式，找到执法人员最高效的执法对象、执法时间和执法路径，从而为政府环保部门雾霾治理事前部署、事中定位、事后追责等决策，提供了直观、清晰的有效手段。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1示意性地示出了根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法的流程图。
图2示意性地示出了根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法采用的前馈模型的示例。
图3示意性地示出了空气污染指数API值的实际值与空气污染指数 API值的预测值之间的对比。
图4示意性地示出了根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法的业务流程的示例。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。
图1示意性地示出了根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法的流程图。
如图1所示，根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法包括：
第一步骤S10：建立针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型(三角质量矩阵)；
以下是一种算法示例。
设计如下函数，综合计算“执法对象-执法时间-执法人员”，综合得分。与所有“执法对象-执法时间-执法人员”均值进行对比。
其中S1、S2、S3分别为执法对象、执法时间、执法人员平均得分，通过已有样本的均值得到，上表为初始样本的数据。S1i、S2i、S3i为用户第i次的记录。
对S1、S2、S3进行小波变换、希尔伯特黄(Hilbert-Huang)变换和奇异值分解获取脑电信号的小波熵、Hilbert-Huang熵，以及奇异值第一主成分(奇异谱中的最大值)，分别记为特征向量P1、P2、P3。
采用Welch算法计算执法对象-执法人员以及执法对象-执法人员功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1,f2)。
用改进的相干函数分别计算相干系数，
通过上述数据对应关系用下式对应情况进行评分。
第二步骤S20：对空气污染数据执行自适应分层分类降维。
以下是一种算法示例。
首先，结合空气扩散条件作为输入因子，使用误差逆向传播算法训练的多层前馈神经网络，建立用于空气污染溯源和走向预测的前馈模型；
例如，输入因子包括风速、风力、风向、温度、温差、气压、雨量、云量等。例如，风速按照根据蒲氏风速等级表，划分“0级、1级、2级….、12级、12级以上”；风向分为“北风、东北风、东风、东南风、南风、西南风、西风、西北风”；雨量具有离散性特性，因此采用“无雨、小雨/阵雨、中雨、大雨、暴雨、大暴雨、特大暴雨”表示；云量采用“晴、少云、多云间晴、多云、阴天问多云、阴天”表示。其他输入参数，作为隐藏神经元。
而且，具体地说，前馈模型包括输入层、隐层和输出层，例如如图2 所示。
其次，执行前馈模型的学习过程，其中采用空气污染历史数据作为前馈模型的输入训练因子，使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络前馈模型的权值和阈值，以使网络前馈模型的输出误差不断减小；
具体地说，在该步骤中，具有多因素性、不确定性、随机性、非线性的空气污染历史数据作为前馈模型的输入训练因子。
更具体地说，前馈模型的学习过程包括如下两个阶段：
1.输入训练因子的正向传播阶段，其中输入训练因子从输入层进入网络，经隐含层后，传向输出层，在输出端产生输出信号，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播阶段。
2.误差信号的反向传播阶段，其中网络的实际输出与期望输出之间的差即误差信号，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。
以上两个阶段交替循环进行，在每完成一次循环时采用实时的附近观测点、风力和风向等指标进行污染走向预测。并且，可以如下所述地采用遗传算法进行修正。
可以采用各污染因子数据判定各污染因子与污染物浓度的相关性。其中，各污染因子与因变量污染物浓度的相关系数均不为0，即各污染因子与因变量存在着不同程度的相关(正相关或负相关)。因此,各污染因子都可作为线性回归模型的变量进行计算。
随后，可以通过遗传算法进行前馈模型的关联校正；
具体地说，每次输入新的样本，根据交叉验证法原理，计算SVM (support vectormachine，支持向量机)分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则执行选择、交叉和变异等操作进一步优化训练参数。
结合大数据进行持续的训练细分，SVM分类器适应度函数f(xi)＝min(1-g(xi))，其中为SVM分类器对样本划分正确率。
优选地，可以通过模块化数据接口多维度自由呈现更精细的预测、溯源结果。
优选地，在误差信号的反向传播阶段中，反向传播(BackPropagation) BP网络的激活函数选用Sigmoid函数
经过激活函数的作用，输入的第P个训练样本信息首先可以传播到隐含层单元上，经过f(u)的作用得到隐含层第j个神经元的输出信息
式中：Wij表示输入层第i个神经元到隐含层第j个神经元的权值，XP表示第P个样本在输入层的第i个输入值，表示隐含层第j个神经元的阈值。
污染物的指标值分别为：
yj＝(y1j,y2j,y3j)
相应的权重系数向量为：
w＝(w1,w2,w3)
其中w为(-1，1)范围内的一个小数，其中按照相关系数先对w进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对w进行训练调整。
为衡量各种因素对目标层的影响大小，引入相对比较法，定义判断矩阵A
设权重向量为W，此时W为1×(n+1)向量。
即：W＝(w1,w2,w3…wn+1)。
参见图3的曲线对比示意，通过对上述历史数据进行训练，采用曲线 100表示空气污染指数API值的实际值，采用曲线200表示空气污染指数 API值的预测值，由图3可见，虽然预测还存在一定的误差，但是已经非常接近了。
随着样本量的增加，SVM分类器能够自适应不断优化完善，具体方法如下：每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数。
第三步骤S30：利用针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型，根据自适应分层分类降维后的空气污染数据，结合大数据蚁群算法进行持续的训练细分。
可以获取人群边界中心距特征，其中边界中心距指的是边界点到质心的距离。
蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素 (pheromone)的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。
以下是一种算法示例。
将环境参数、个体得分输入，使用通过有监督分类算法，以环境参数作为输入层，以个体睡眠质量评分作为输出层。通过与上一次环境参数输入形成的模型(历史最佳睡眠的环境参数)作为对比，个体睡眠质量好坏作为训练监督因子，更好为1，更差为O。
工作信号的正向传播，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播过程。误差信号的反向传播，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。以上两个阶段交替循环进行，每完成一次，用遗传算法进行修正。
权重因子选用Sigmoid函数
经过激活函数的作用，输入的第P个训练样本信息首先可以传播到隐含层单元上，经过f(u)的作用得到隐含层第j个神经元的输出信息
式中：——输入层第i个神经元到隐含层第j个神经元的权值，——第P个样本在输入层的第i个输入值，——隐含层第j个神经元的阈值。
睡眠质量的指标值分别为：
yj＝(y1j,y2j,y3j)
体征参数的权重系数向量为：
w＝(w1,w2,w3)
其中w为(-1，1)之间的一个小数，按照相关系数先进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整。
为衡量各种因素对目标层的影响大小，引入相对比较法，定义判断矩阵A
设权重向量为W，此时W为1×(n+1)向量。
即：W＝(w1,w2,w3…wn+1)
对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为 1的矩阵X，即
其中，i＝1，2···n，j＝1，2···p；
获得
求解相关系数矩阵：
其中，R是实对称矩阵(即rij＝rji)，其中r为相关系数；
求解相关系数矩阵：
若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；
完成模型后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离。
计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵F(n×m)＝X(n×p)·U(p×m)；
其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数。
同时个体作为整体人群中，对应画像人群的一个新输入因子，用SVM 遗传修正整体人群对应画像人群环境模型，其对应人群的睡眠环境用户画像不断清晰细化。SVM分类器适应度函数f(xi)＝min(1-g(xi))，为SVM 分类器对样本划分正确率，随着样本量的增加，如果正确率高于历史最佳模型，则该模型取代原有最佳模型，从而随着样本量的增加模型自适应不断优化完善。
图4示意性地示出了根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法的业务流程的示例。如图所示，根据本发明优选实施例的基于大数据的环保智能执法应急溯源调度管理方法通过蚁群算法结合神经网络的方式，找到执法人员最高效的执法对象、执法时间和执法路径，从而为政府环保部门雾霾治理事前部署、事中定位、事后追责等决策，，提供了直观、清晰的有效手段。
需要说明的是，除非特别指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (10)
1.一种基于大数据的环保智能执法应急溯源调度管理方法，其特征在于包括：
第一步骤：建立针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型；
第二步骤：对空气污染数据执行自适应分层分类降维；
第三步骤：利用针对执法对象、执法时间、执法人员的个性化三角环境处理效率采集与评估模型，根据自适应分层分类降维后的空气污染数据，结合大数据蚁群算法进行持续的训练细分。
2.根据权利要求1所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，第二步骤包括：结合空气扩散条件作为输入因子，使用误差逆向传播算法训练的多层前馈神经网络，建立用于空气污染溯源和走向预测的前馈模型；执行前馈模型的学习过程，其中采用空气污染历史数据作为前馈模型的输入训练因子，使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络前馈模型的权值和阈值，以使网络前馈模型的输出误差不断减小；并且通过遗传算法进行前馈模型的关联校正。
3.根据权利要求2所述的基于大数据的环保智能执法应急溯源调度管理方法，前馈模型包括输入层、隐层和输出层；
而且，前馈模型的学习过程包括如下两个阶段：
输入训练因子的正向传播阶段，其中输入训练因子从输入层进入网络，经隐含层后，传向输出层，在输出端产生输出信号，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播阶段；
误差信号的反向传播阶段，其中将网络的实际输出与期望输出之间的差作为误差信号，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值根据误差反馈进行调整；
其中，输入训练因子的正向传播阶段与误差信号的反向传播阶段交替循环进行，在每完成一次循环时采用实时指标进行污染走向预测。
4.根据权利要求3所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，在第三步骤中，每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，其中如果训练的识别率高于现有则设为最优参数，否则执行选择、交叉和变异操作以进一步优化训练参数。
5.根据权利要求1或2所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，通过模块化数据接口多维度地呈现预测结果及溯源结果。
6.根据权利要求1或2所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，在第一步骤中，设计如下函数，综合计算“执法对象-执法时间-执法人员”的综合得分，以便与所有“执法对象-执法时间-执法人员”均值进行对比
其中S1、S2、S3分别为执法对象、执法时间、执法人员平均得分，通过已有样本的均值得到，S1i、S2i、S3i为用户第i次的记录；
对S1、S2、S3进行小波变换、希尔伯特黄变换和奇异值分解获取脑电信号的小波熵、希尔伯特黄熵、以及作为奇异谱中的最大值的奇异值第一主成分，分别记为特征向量P1、P2、P3；
采用Welch算法计算执法对象-执法人员以及执法对象-执法人员功率谱密度以及两者的互功率谱密度，分别记为Pxx(f1)、Pxy(f2)、Pyy(f1,f2)。
用改进的相干函数分别计算相干系数，
通过上述数据对应关系用下式对应情况进行评分：
7.根据权利要求1或2所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，在第二步骤中，首先，结合空气扩散条件作为输入因子，使用误差逆向传播算法训练的多层前馈神经网络，建立用于空气污染溯源和走向预测的前馈模型。
8.根据权利要求2所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，在误差信号的反向传播阶段中，反向传播网络的激活函数选用Sigmoid函数
经过激活函数的作用，输入的第P个训练样本信息首先传播到隐含层单元上，经过f(u)的作用得到隐含层第j个神经元的输出信息
式中：Wij表示输入层第i个神经元到隐含层第j个神经元的权值，XP表示第P个样本在输入层的第i个输入值，表示隐含层第j个神经元的阈值。
9.根据权利要求8所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，污染物的指标值分别为yj＝(y1j,y2j,y3j)，相应的权重系数向量为w＝(w1,w2,w3)，其中w为(-1，1)范围内的一个小数，而且其中按照相关系数先对w进行主观赋权，然后基于客观赋权法对w进行训练调整。
10.根据权利要求9所述的基于大数据的环保智能执法应急溯源调度管理方法，其特征在于，引入相对比较法来衡量各因素对目标层的影响大小，其中定义判断矩阵A：
设权重向量为W，此时W为1×(n+1)向量，即：W＝(w1,w2,w3…wn+1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905059.9A CN107679743B (zh) | 2017-09-29 | 2017-09-29 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710905059.9A CN107679743B (zh) | 2017-09-29 | 2017-09-29 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107679743A true CN107679743A (zh) | 2018-02-09 |
| CN107679743B CN107679743B (zh) | 2021-06-22 |
Family
ID=61138529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710905059.9A Active CN107679743B (zh) | 2017-09-29 | 2017-09-29 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107679743B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
| CN109948898A (zh) * | 2019-02-02 | 2019-06-28 | 中国北方车辆研究所 | 一种基于需求概率的移动机器人选型方法 |
| CN110069576A (zh) * | 2019-04-26 | 2019-07-30 | 飞叶科技股份有限公司 | 一种智慧城市管理事件溯源算法 |
| CN111027908A (zh) * | 2019-12-10 | 2020-04-17 | 福建瑞达精工股份有限公司 | 一种基于机器学习的智能粮仓管控方法及终端 |
| CN115083337A (zh) * | 2022-07-08 | 2022-09-20 | 深圳市安信泰科技有限公司 | 一种led显示驱动系统及方法 |
| CN116746910A (zh) * | 2023-06-15 | 2023-09-15 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
| CN116746910B (zh) * | 2023-06-15 | 2024-05-28 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023218A (zh) * | 2016-05-27 | 2016-10-12 | 哈尔滨工程大学 | 基于空谱联合背景共同稀疏表示的高光谱异常检测方法 |
| CN106352914A (zh) * | 2016-08-01 | 2017-01-25 | 孙扬 | 一种区域空气质量治理的装置 |
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
-
2017
- 2017-09-29 CN CN201710905059.9A patent/CN107679743B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106023218A (zh) * | 2016-05-27 | 2016-10-12 | 哈尔滨工程大学 | 基于空谱联合背景共同稀疏表示的高光谱异常检测方法 |
| CN106352914A (zh) * | 2016-08-01 | 2017-01-25 | 孙扬 | 一种区域空气质量治理的装置 |
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
| CN109948898A (zh) * | 2019-02-02 | 2019-06-28 | 中国北方车辆研究所 | 一种基于需求概率的移动机器人选型方法 |
| CN109948898B (zh) * | 2019-02-02 | 2023-09-19 | 中国北方车辆研究所 | 一种基于需求概率的移动机器人选型方法 |
| CN110069576A (zh) * | 2019-04-26 | 2019-07-30 | 飞叶科技股份有限公司 | 一种智慧城市管理事件溯源算法 |
| CN111027908A (zh) * | 2019-12-10 | 2020-04-17 | 福建瑞达精工股份有限公司 | 一种基于机器学习的智能粮仓管控方法及终端 |
| CN115083337A (zh) * | 2022-07-08 | 2022-09-20 | 深圳市安信泰科技有限公司 | 一种led显示驱动系统及方法 |
| CN115083337B (zh) * | 2022-07-08 | 2023-05-16 | 深圳市安信泰科技有限公司 | 一种led显示驱动系统及方法 |
| CN116746910A (zh) * | 2023-06-15 | 2023-09-15 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
| CN116746910B (zh) * | 2023-06-15 | 2024-05-28 | 广州医科大学附属脑科医院 | 基于可穿戴设备的步态监测方法及装置、可穿戴设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107679743B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679743A (zh) | 一种基于大数据的环保智能执法应急溯源调度管理方法 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| Kahraman et al. | A new multi-attribute decision making method: Hierarchical fuzzy axiomatic design | |
| Liu et al. | Spatial air quality index prediction model based on decomposition, adaptive boosting, and three-stage feature selection: A case study in China | |
| Rutkowski et al. | Designing and learning of adjustable quasi-triangular norms with applications to neuro-fuzzy systems | |
| CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
| CN106570597A (zh) | 一种sdn架构下基于深度学习的内容流行度预测方法 | |
| CN113011570B (zh) | 一种采用神经网络压缩系统的人脸表情识别方法 | |
| CN112532439A (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
| CN108711016A (zh) | 一种基于bp神经网络的驾驶行为评分方法 | |
| CN101719277A (zh) | 一种遗传模糊聚类图像分割方法 | |
| Sharma | Designing and modeling fuzzy control Systems | |
| Santos et al. | Fuzzy systems for multicriteria decision making | |
| CN101599138A (zh) | 基于人工神经网络的土地评价方法 | |
| CN113065974A (zh) | 一种基于动态网络表示学习的链路预测方法 | |
| CN107577736A (zh) | 一种基于bp神经网络的文件推荐方法及系统 | |
| CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
| WO2024077969A1 (zh) | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 | |
| CN109446420A (zh) | 一种跨域协同过滤方法和系统 | |
| Noury et al. | Urmia lake water level fluctuation hydro informatics modeling using support vector machine and conjunction of wavelet and neural network | |
| Kaur et al. | Minimal variability OWA operator combining ANFIS and fuzzy c-means for forecasting BSE index | |
| Shamshiry et al. | Comparison of artificial neural network (ANN) and multiple regression analysis for predicting the amount of solid waste generation in a tourist and tropical area—Langkawi Island | |
| Kaburlasos et al. | Intervals' numbers (INs) interpolation/extrapolation | |
| Jiang et al. | Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting |
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 |