CN109726899A - 社会化网络媒体数据中城市空气污染事件的识别方法 - Google Patents

社会化网络媒体数据中城市空气污染事件的识别方法 Download PDF

Info

Publication number
CN109726899A
CN109726899A CN201811525992.4A CN201811525992A CN109726899A CN 109726899 A CN109726899 A CN 109726899A CN 201811525992 A CN201811525992 A CN 201811525992A CN 109726899 A CN109726899 A CN 109726899A
Authority
CN
China
Prior art keywords
air pollution
urban air
social network
network media
media data
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
Application number
CN201811525992.4A
Other languages
English (en)
Other versions
CN109726899B (zh
Inventor
雷蕾
周亚东
王煦焜
付冉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201811525992.4A priority Critical patent/CN109726899B/zh
Publication of CN109726899A publication Critical patent/CN109726899A/zh
Application granted granted Critical
Publication of CN109726899B publication Critical patent/CN109726899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种社会化网络媒体数据中城市空气污染事件的识别方法，首先以社会化网络媒体数据为数据源，从其中的历史数据中提取与城市空气污染相关的数据，其中，城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取，并以环境污染事件类型、栅格化城区位置、社会化媒体属性为重构指引，重构成具有完整语义功能的多模态城市空气污染基本事件数据；然后从社会化网络媒体数据中提取城市空气污染事件识别指标集；最后依据城市空气污染重要监测指标体系对社会化网络媒体数据中的城市空气污染事件进行识别。本发明解决了现有城市空气污染事件监测技术匮乏的问题。

Description

社会化网络媒体数据中城市空气污染事件的识别方法
技术领域
本发明属于社会化网络媒体数据分析技术领域，具体涉及一种社会化网络媒体数据中城市空气污染事件的识别方法。
背景技术
空气质量是指人类、植物、动物和建筑物等暴露于其中的空气的好坏。人类活动或自然过程使得某些化学物质、颗粒物、生物质及其它有害物进入大气中，造成空气污染，导致空气质量的恶化。近年来各国的研究证实，空气质量对人类的身心健康具有显著影响，空气中污染物的浓度与人类呼吸系统疾病、心脏病等多种疾病的发病率、死亡率存在显著的正相关，与心理疾病的发病也存在潜在关联。
为了解决城市空气污染问题、提升环境质量，需要开展城市空气质量评价与影响分析、空气污染预测与源治理等工作，而这些工作的重要基础之一是城市空气污染事件的快速、高效识别。面对这一现实需求，可以社会化媒体数据作为城市空气环境监测的补充数据来源，设计基于社会化网络媒体数据的城市空气污染事件识别方法，作为现有城市空气污染事件监测技术的有效补充。
发明内容
本发明的目的是提供一种社会化网络媒体数据中城市空气污染事件的识别方法，解决了现有城市空气污染事件监测技术匮乏的问题。
本发明所采用的技术方案是，社会化网络媒体数据中城市空气污染事件的识别方法，具体按照以下步骤实施：
步骤1、以社会化网络媒体数据为数据源，从其中的历史数据中提取与城市空气污染相关的数据，其中，城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取，并以环境污染事件类型、栅格化城区位置、社会化媒体属性为重构指引，重构成具有完整语义功能的多模态城市空气污染基本事件数据；
步骤2，从社会化网络媒体数据中提取城市空气污染事件识别指标集；
步骤3、依据城市空气污染重要监测指标体系对社会化网络媒体数据中的城市空气污染事件进行识别。
本发明的特点还在于，
步骤2具体按照以下步骤实施：
步骤2.1、在直接描述城市空气质量的指标方面，提取网民描述环境空气质量的典型语义模式，包括描述对象和描述特征词；
步骤2.2、在城市空气污染事件方面，提取归纳潜在的污染源类型、污染事件名称、污染事件动态描述、相关污染因子要素、人体感受；
步骤2.3、基于步骤2.1及步骤2.2，结合相应的区域位置的历史环境空气信息，建立城市空气污染重要监测指标体系。
步骤2.1中网民描述环境空气质量的典型语义模式分别从工业生产、城市交通、居民生活多方面提取，同时提取出相应的地理区域、描述对象、以及空气质量特征词。
步骤2.2中污染源类型包括：工业、农业、居民生活、交通运输业、建筑业；污染事件名称包括化学品、尾气、秸秆、垃圾、烟囱、工地、涂料、油漆；污染事件动态描述包括排放、泄露、爆炸、燃烧、焚烧；相关污染因子要素包括废气、黑烟、硫黄、氨氮；人体感受包括呛、熏、刺鼻、臭、难闻。
步骤2.3中区域位置以人口密度、土地特征因素为依据对城市区域进行栅格化处理；历史环境空气信息是建立城市空气污染重要监测指标体系，涉及多个方面的评价检测指标，如细颗粒物PM2.5、可吸入颗粒物PM10。
步骤3具体按照以下步骤实施：
步骤3.1、基于证据理论完成并实现城市空气污染事件的不确定性融合，并采用优化求解的方式近似计算证据函数；
步骤3.2、对社会化网络媒体数据中的城市污染现象依据证据函数进行深入语义理解与融合，并映射至城市环境空气重要监测指标体系，得到整合后的更为抽象的决策层集语义形式，进而完成对城市污染事件的识别。
步骤3.1中以原证据函数m_origin与近似后证据函数m间的证据距离以及近似计算前后证据函数的不确定度变化的加权和作为目标函数，约束条件为证据焦元势以及焦元个数的限制，即
其中，obj(m)为所需最小化的目标函数，α,β为加权系数，m_origin为原证据函数m为近似后证据函数，dJ(m_origin,m)代表原证据函数m_origin与近似后证据函数m间的证据距离，U(·)代表证据不确定度，A,B代表焦元，m(·) 为基本概率分配函数，k1代表焦元的最大势，k2代表焦元的最大个数，Θ代表识别框架。
步骤3.2中在进行城市空气污染事件的不确定性融合之前，在传统的框架转换基础上引入中间粒度层框架进行框架的一致性转换，即与寻找各个既有框架Θi(i＝1,K L)之间距离最小的中间框架Θopt，而后，基于中间框架针对所有既有框架进行相应地粗化或细化操作，再进行证据融合。
本发明的有益效果是，社会化网络媒体数据中城市空气污染事件的识别方法，基于社会化网络媒体数据中用户实时发布的相关数据进行城市空气污染事件的识别，从而使得本方法所获得的事件识别结果准确并具有高时效性；在进行城市空气污染事件的理解与识别过程中，使用到的相应的监测指标体系以及在不确定性融合过程中使用到的证据函数都可预先离线完成，不基于实时用户数据，从而使得本方法在运算时间上大幅减少。
附图说明
图1是本发明社会化网络媒体数据中城市空气污染事件的识别方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明社会化网络媒体数据中城市空气污染事件的识别方法，如图1所示，具体按照以下步骤实施：
步骤1、以社会化网络媒体数据为数据源，从其中的历史数据中提取与城市空气污染相关的数据，其中，城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取，并以环境污染事件类型、栅格化城区位置、社会化媒体属性为重构指引，重构成具有完整语义功能的多模态城市空气污染基本事件数据；
步骤2，从社会化网络媒体数据中提取城市空气污染事件识别指标集，具体按照以下步骤实施：
步骤2.1、在直接描述城市空气质量的指标方面，提取网民描述环境空气质量的典型语义模式，包括描述对象和描述特征词；
步骤2.2、在城市空气污染事件方面，提取归纳潜在的污染源类型、污染事件名称、污染事件动态描述、相关污染因子要素、人体感受；
步骤2.3、基于步骤2.1及步骤2.2，结合相应的区域位置的历史环境空气信息，建立城市空气污染重要监测指标体系。
其中，步骤2.1中网民描述环境空气质量的典型语义模式分别从工业生产、城市交通、居民生活多方面提取，同时提取出相应的地理区域、描述对象、以及空气质量特征词。
步骤2.2中污染源类型包括：工业、农业、居民生活、交通运输业、建筑业；污染事件名称包括化学品、尾气、秸秆、垃圾、烟囱、工地、涂料、油漆；污染事件动态描述包括排放、泄露、爆炸、燃烧、焚烧；相关污染因子要素包括废气、黑烟、硫黄、氨氮；人体感受包括呛、熏、刺鼻、臭、难闻。
步骤2.3中区域位置以人口密度、土地特征因素为依据对城市区域进行栅格化处理；历史环境空气信息是建立城市空气污染重要监测指标体系，涉及多个方面的评价检测指标，如细颗粒物PM2.5、可吸入颗粒物PM10；
步骤3、依据城市空气污染重要监测指标体系对社会化网络媒体数据中的城市空气污染事件进行识别，具体按照以下步骤实施：
步骤3.1、基于证据理论完成并实现城市空气污染事件的不确定性融合，并采用优化求解的方式近似计算证据函数；
步骤3.2、对社会化网络媒体数据中的城市污染现象依据证据函数进行深入语义理解与融合，并映射至城市环境空气重要监测指标体系，得到整合后的更为抽象的决策层集语义形式，进而完成对城市污染事件的识别。
步骤3.1中以原证据函数m_origin与近似后证据函数m间的证据距离以及近似计算前后证据函数的不确定度变化的加权和作为目标函数，约束条件为证据焦元势以及焦元个数的限制，即
其中，obj(m)为所需最小化的目标函数，α,β为加权系数，m_origin为原证据函数m为近似后证据函数，dJ(m_origin,m)代表原证据函数m_origin与近似后证据函数m间的证据距离，U(·)代表证据不确定度，A,B代表焦元，m(·) 为基本概率分配函数，k1代表焦元的最大势，k2代表焦元的最大个数，Θ代表识别框架。
步骤3.2中在进行城市空气污染事件的不确定性融合之前，在传统的框架转换基础上引入中间粒度层框架进行框架的一致性转换，即与寻找各个既有框架Θi(i＝1,KL)之间距离最小的中间框架Θopt，而后，基于中间框架针对所有既有框架进行相应地粗化或细化操作，再进行证据融合。
本发明社会化网络媒体数据中城市空气污染事件的识别方法，首先从直接描述城市空气质量方面和污染事件两个方面，通过建立网民描述环境空气质量的典型语义模式，并考虑潜在的污染相关词语，建立城市空气污染重要监测指标体系；随后将社会化网络媒体数据映射至城市环境空气重要监测指标体系，从而得到整合后的更为抽象的决策层集语义形式，完成对城市空气污染事件的融合理解。本发明可从繁杂无序的网络媒体数据中推理出更为抽象的具有决策层语义形式的污染事件描述，从而为城市空气质量评估监测提供便利、信息性强的数据依据。

Claims (8)

1.社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，具体按照以下步骤实施：
步骤1、以社会化网络媒体数据为数据源，从其中的历史数据中提取与城市空气污染相关的数据，其中，城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取，并以环境污染事件类型、栅格化城区位置、社会化媒体属性为重构指引，重构成具有完整语义功能的多模态城市空气污染基本事件数据；
步骤2，从社会化网络媒体数据中提取城市空气污染事件识别指标集；
步骤3、依据城市空气污染重要监测指标体系对社会化网络媒体数据中的城市空气污染事件进行识别。
2.根据权利要求1所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤2具体按照以下步骤实施：
步骤2.1、在直接描述城市空气质量的指标方面，提取网民描述环境空气质量的典型语义模式，包括描述对象和描述特征词；
步骤2.2、在城市空气污染事件方面，提取归纳潜在的污染源类型、污染事件名称、污染事件动态描述、相关污染因子要素、人体感受；
步骤2.3、基于步骤2.1及步骤2.2，结合相应的区域位置的历史环境空气信息，建立城市空气污染重要监测指标体系。
3.根据权利要求2所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤2.1中网民描述环境空气质量的典型语义模式分别从工业生产、城市交通、居民生活多方面提取，同时提取出相应的地理区域、描述对象、以及空气质量特征词。
4.根据权利要求2所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤2.2中污染源类型包括：工业、农业、居民生活、交通运输业、建筑业；污染事件名称包括化学品、尾气、秸秆、垃圾、烟囱、工地、涂料、油漆；污染事件动态描述包括排放、泄露、爆炸、燃烧、焚烧；相关污染因子要素包括废气、黑烟、硫黄、氨氮；人体感受包括呛、熏、刺鼻、臭、难闻。
5.根据权利要求2所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤2.3中区域位置以人口密度、土地特征因素为依据对城市区域进行栅格化处理；历史环境空气信息是建立城市空气污染重要监测指标体系，涉及多个方面的评价检测指标，如细颗粒物PM2.5、可吸入颗粒物PM10。
6.根据权利要求1所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1、基于证据理论完成并实现城市空气污染事件的不确定性融合，并采用优化求解的方式近似计算证据函数；
步骤3.2、对社会化网络媒体数据中的城市污染现象依据证据函数进行深入语义理解与融合，并映射至城市环境空气重要监测指标体系，得到整合后的更为抽象的决策层集语义形式，进而完成对城市污染事件的识别。
7.根据权利要求6所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤3.1中以原证据函数m_origin与近似后证据函数m间的证据距离以及近似计算前后证据函数的不确定度变化的加权和作为目标函数，约束条件为证据焦元势以及焦元个数的限制，即
其中，obj(m)为所需最小化的目标函数，α,β为加权系数，m_origin为原证据函数m为近似后证据函数，dJ(m_origin,m)代表原证据函数m_origin与近似后证据函数m间的证据距离，U(·)代表证据不确定度，A,B代表焦元，m(·)为基本概率分配函数，k1代表焦元的最大势，k2代表焦元的最大个数，Θ代表识别框架。
8.根据权利要求6所述的社会化网络媒体数据中城市空气污染事件的识别方法，其特征在于，所述步骤3.2中在进行城市空气污染事件的不确定性融合之前，在传统的框架转换基础上引入中间粒度层框架进行框架的一致性转换，即与寻找各个既有框架Θi(i＝1,...L)之间距离最小的中间框架Θopt，而后，基于中间框架针对所有既有框架进行相应地粗化或细化操作，再进行证据融合。
CN201811525992.4A 2018-12-13 2018-12-13 社会化网络媒体数据中城市空气污染事件的识别方法 Active CN109726899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811525992.4A CN109726899B (zh) 2018-12-13 2018-12-13 社会化网络媒体数据中城市空气污染事件的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811525992.4A CN109726899B (zh) 2018-12-13 2018-12-13 社会化网络媒体数据中城市空气污染事件的识别方法

Publications (2)

Publication Number Publication Date
CN109726899A true CN109726899A (zh) 2019-05-07
CN109726899B CN109726899B (zh) 2023-05-09

Family

ID=66295294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811525992.4A Active CN109726899B (zh) 2018-12-13 2018-12-13 社会化网络媒体数据中城市空气污染事件的识别方法

Country Status (1)

Country Link
CN (1) CN109726899B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020103601A1 (en) * 2000-12-04 2002-08-01 Hayes Thomas D. Method for identifying sources of rapidly released contaminants at contaminated sites
CN102628852A (zh) * 2012-03-13 2012-08-08 北京工业大学 基于污染物来源识别技术的大气污染源分级方法
US20120318866A1 (en) * 2009-07-17 2012-12-20 Primary Marking Systems, Inc. Mobile device for tracking evidence
US20150109193A1 (en) * 2012-01-20 2015-04-23 Medivators Inc. Use of human input recognition to prevent contamination
CN104850963A (zh) * 2015-06-01 2015-08-19 北京师范大学 一种流域突发水污染事件预警及应急处置方法和系统
CN106599557A (zh) * 2016-12-02 2017-04-26 武汉大学 一种面向过程的空气污染事件建模方法
CN106779418A (zh) * 2016-12-20 2017-05-31 河海大学常州校区 基于神经网络和证据理论的水污染事件智能决策方法
CN107016082A (zh) * 2017-03-31 2017-08-04 君晟合众（北京）科技有限公司 一种污染事件识别与处理方法及系统
CN207397097U (zh) * 2017-11-15 2018-05-22 谢文可 城市河道排污口巡查系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020103601A1 (en) * 2000-12-04 2002-08-01 Hayes Thomas D. Method for identifying sources of rapidly released contaminants at contaminated sites
US20120318866A1 (en) * 2009-07-17 2012-12-20 Primary Marking Systems, Inc. Mobile device for tracking evidence
US20150109193A1 (en) * 2012-01-20 2015-04-23 Medivators Inc. Use of human input recognition to prevent contamination
CN102628852A (zh) * 2012-03-13 2012-08-08 北京工业大学 基于污染物来源识别技术的大气污染源分级方法
CN104850963A (zh) * 2015-06-01 2015-08-19 北京师范大学 一种流域突发水污染事件预警及应急处置方法和系统
CN106599557A (zh) * 2016-12-02 2017-04-26 武汉大学 一种面向过程的空气污染事件建模方法
CN106779418A (zh) * 2016-12-20 2017-05-31 河海大学常州校区 基于神经网络和证据理论的水污染事件智能决策方法
CN107016082A (zh) * 2017-03-31 2017-08-04 君晟合众（北京）科技有限公司 一种污染事件识别与处理方法及系统
CN207397097U (zh) * 2017-11-15 2018-05-22 谢文可 城市河道排污口巡查系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷蕾 等: "长沙空气环境监测进入新纪元", 发明与创新 *

Also Published As

Publication number Publication date
CN109726899B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Al-Dabbous et al. The influence of roadside vegetation barriers on airborne nanoparticles and pedestrians exposure under varying wind conditions
CN107563562A (zh) 网格化城市大气污染物排放的评估方法及装置
Adamala An overview of big data applications in water resources engineering
Rao et al. A survey on air quality forecasting techniques
CN110119662A (zh) 一种基于深度学习的垃圾种类识别系统
Ngoc et al. Particulate matter exposure of passengers at bus stations: A review
CN113191096B (zh) 基于WRF和XFlow耦合的多精细度融合污染物扩散分析方法
CN112446549A (zh) 基于大数据的城市垃圾智慧监管平台
CN107480643A (zh) 一种智能垃圾分类处理的机器人
He et al. Extracting human perceptions from street view images for better assessing urban renewal potential
Bautista et al. Simulating the hydrological impact of green roof use and an increase in green areas in an urban catchment with i-tree: A case study with the town of Fontibón in Bogotá, Colombia
CN111508598A (zh) 一种呼吸系统疾病门诊量预测方法
CN110006799A (zh) 一种热点网格污染类型的分类方法
CN105825046A (zh) 一种医疗数据的收集及处理方法及装置
CN109920476A (zh) 基于混沌博弈算法的miRNA-疾病相关性预测方法
Xu et al. Prediction of short-term ultrafine particle exposures using real-time street-level images paired with air quality measurements
Lv et al. A review on the dispersion and distribution characteristics of pollutants in street canyons and improvement measures
Jia et al. Bibliometric analysis on global research trends of airborne microorganisms in recent ten years (2011-2020)
Sofowote et al. Source apportionment of ambient PM2. 5 in an industrialized city using dispersion-normalized, multi-time resolution factor analyses
Zhang et al. Urban visual intelligence: Studying cities with AI and street-level imagery
CN109784771A (zh) 基于时序、pca、聚类的土地评价方法
CN118314385A (zh) 一种生活垃圾处理的碳排放计算方法
CN109726899A (zh) 社会化网络媒体数据中城市空气污染事件的识别方法
Mundher et al. Identifying suitable variables for visual aesthetic quality assessment of permanent forest reserves in the Klang Valley urban Area, Malaysia
CN117456342A (zh) 一种基于街景影像的交通事故风险评估方法及系统

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