CN109726899B - 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
CN109726899B
CN109726899B CN201811525992.4A CN201811525992A CN109726899B CN 109726899 B CN109726899 B CN 109726899B CN 201811525992 A CN201811525992 A CN 201811525992A CN 109726899 B CN109726899 B CN 109726899B
Authority
CN
China
Prior art keywords
pollution
urban
air pollution
evidence
urban air
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
Application number
CN201811525992.4A
Other languages
English (en)
Other versions
CN109726899A (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

Images

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
Figure GDA0002005335170000031
Figure GDA0002005335170000032
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
Figure GDA0002005335170000061
Figure GDA0002005335170000062
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 (1)

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；
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；
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；
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；
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；
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；
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；
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，
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；
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
Figure FDA0004156319450000021
Figure FDA0004156319450000022
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、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；
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 CN109726899A (zh) 2019-05-07
CN109726899B true 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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6591702B2 (en) * 2000-12-04 2003-07-15 Gas Technology Institute Method for identifying sources of rapidly released contaminants at contaminated sites
US8998084B2 (en) * 2009-07-17 2015-04-07 Primary Marking Systems, Inc. Mobile device for tracking evidence
US9361530B2 (en) * 2012-01-20 2016-06-07 Medivators Inc. Use of human input recognition to prevent contamination
CN102628852B (zh) * 2012-03-13 2014-12-31 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
CN207397097U (zh) * 2017-11-15 2018-05-22 谢文可 城市河道排污口巡查系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
长沙空气环境监测进入新纪元;雷蕾 等;发明与创新;第463卷(第01期);第6-16页 *

Also Published As

Publication number Publication date
CN109726899A (zh) 2019-05-07

Similar Documents

Publication Publication Date Title
Sharma et al. Forecasting air pollution load in Delhi using data analysis tools
Taneja et al. Predicting trends in air pollution in Delhi using data mining
CN109102193A (zh) 地理设计生态红线划定与管理系统及数据库、评价模型
Liu et al. Smart environment design planning for smart city based on deep learning
Zeng et al. Forecasting the concentration of sulfur dioxide in Beijing using a novel grey interval model with oscillation sequence
CN109002961A (zh) 一种基于网络数据的跨区域文化景观间功能结构规划方法
CN109615239B (zh) 基于社会化网络媒体数据的城市空气质量的评估方法
Yan et al. Encoder-decoder model for forecast of PM2. 5 concentration per hour
William et al. Artificial Intelligence Based Air Quality Monitoring System with Modernized Environmental Safety of Sustainable Development
CN115983522A (zh) 一种乡村生境质量评估及预测方法
CN112990531B (zh) 一种基于特征增强ConvLSTM的雾霾预测方法
SAPUTRA et al. Environmental Protection and Management of The National Capital Development in The Perspective of Sustainable Development Goals
CN109726899B (zh) 社会化网络媒体数据中城市空气污染事件的识别方法
CN116307298A (zh) 一种基于多源异构张量数据的组合碳排放预测模型
Duan et al. Research on sustainable reuse of urban ruins based on artificial intelligence technology: A study of Guangzhou
Folmer et al. Spatial inequalities and regional development
Aljanabi et al. Comparison of multiple machine learning algorithms for urban air quality forecasting
CN113762642A (zh) 基于bo-emd-lstm深度学习算法的教室空气质量预测方法
Sirisumpun et al. Spatio-Temporal PM2. 5 Forecasting in Thailand Using Encoder-Decoder Networks
Zhang et al. Mountain air pollution evaluation and urban public art based on data mining
Li et al. RETRACTED ARTICLE: River wetland landscape planning and design from low-carbon perspective
Swarna et al. Analysis of air quality indices using fuzzy inference system
Xiong et al. Air quality statistics and prediction based on urban agglomerations and sentiment analysis of people under different pollutants
Lap-Fu Environmental planning and economic efficiency of green cities based on improved neural network and satellite remote sensing
Goode et al. Twentieth-century growth of urban ecology

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