CN110346517B - 一种智慧城市工业大气污染可视化预警方法及其系统 - Google Patents

一种智慧城市工业大气污染可视化预警方法及其系统 Download PDF

Info

Publication number
CN110346517B
CN110346517B CN201910676747.1A CN201910676747A CN110346517B CN 110346517 B CN110346517 B CN 110346517B CN 201910676747 A CN201910676747 A CN 201910676747A CN 110346517 B CN110346517 B CN 110346517B
Authority
CN
China
Prior art keywords
industrial
monitoring
point
air quality
ith
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
CN201910676747.1A
Other languages
English (en)
Other versions
CN110346517A (zh
Inventor
刘辉
刘泽宇
熊小慧
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.)
Dragon Totem Technology Hefei Co ltd
Xi'an Danyue Environmental Protection Technology Co ltd
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201910676747.1A priority Critical patent/CN110346517B/zh
Publication of CN110346517A publication Critical patent/CN110346517A/zh
Application granted granted Critical
Publication of CN110346517B publication Critical patent/CN110346517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Combustion & Propulsion (AREA)
  • Game Theory and Decision Science (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智慧城市工业大气污染可视化预警方法，包括获取监测点的位置数据信息、监测点空气数据和监测工业区的基础数据信息；提取相对位置信息特征；选取最优的空气质量监测站和最优的工业排放点；构建大气污染物预测模型；构建任意监测点的污染物浓度预测模型并进行修正；对监测工业区的大气污染排放进行可视化预警。本发明还公开了一种实现所述智慧城市工业大气污染可视化预警方法的系统。本发明能够对监测的工业区域内任意一点的实时动态的工业大气污染排放进行实时预测和预警，而且本发明方法的可靠性高，实用性好。

Description

一种智慧城市工业大气污染可视化预警方法及其系统
技术领域
本发明具体涉及一种智慧城市工业大气污染可视化预警方法及其系统。
背景技术
随着经济技术的发展，我国城市化的进程也越来越快，城市内工业区的数目也越来越多。而随着城市化的发展，人们对于环境问题也日益关注。
随着城市内工业区的增加，工业区的大气污染排放问题一直是城市的核心问题之一。以SO2、氮氧化物、可吸入颗粒物、CO、臭氧为主的大气污染物给人民的生活环境等均带来了巨大的冲击。
针对工业区域进行大气污染物分析预测时，现有研究往往忽略了各大工业排放点对于周围空气质量的影响。对于非空气质量检测站周边的某一位置进行预测时，工业区内排放点相应生产排放要素的提供能够很大程度上影响大气污染物预测结果。而且对于工业区大气污染排放的预警，往往采用的是固定式的空气质量监测站的模式，即通过在工业区中设立若干个位置固定的空气质量监测站，监测站实时采集附近的空气污染物数据，并根据采集的污染物数据进行空气质量预警。
但是，目前的预警手段，手段单一，而且预警数据的来源是固定的空气质量监测站的数据来源，数据来源单一且往往只能够体现监测站附近的空气质量状况，而针对远离监测站点的工业区域的大气污染物浓度难以实现有效预测。
发明内容
本发明的目的之一在于提供一种可靠性高、实用性好且能够对工业区中任意位置的大气污染状况进行精确预测和预警的智慧城市工业大气污染可视化预警方法。
本发明的目的之二在于提供一种实现所述智慧城市工业大气污染可视化预警方法的系统。
本发明提供的这种智慧城市工业大气污染可视化预警方法，包括如下步骤：
S1.在监测工业区内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测工业区的基础数据信息；
S2.根据监测点的位置数据信息、监测工业区内工业排放点的位置数据信息和监测工业区内空气质量监测站的位置数据信息，进行相对位置信息特征的提取；
S3.选取最优的空气质量监测站和最优的工业排放点；
S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的工业排放点的排放数据信息，构建大气污染物预测模型；
S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型；
S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正；
S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测工业区的大气污染排放进行可视化预警。
步骤S1所述的在监测工业区内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测工业区的基础数据信息，具体为采用空气质量监测车，以移动的方式在监测工业区进行随机移动，并采集空气质量监测车所在位置的移动空气质量数据，同时记录采集移动空气质量数据时空气质量监测车的位置信息，同时记录监测工业区内空气质量监测站的位置信息和固定空气质量数据；同时获取监测区域的实时天气数据信息和风向数据信息。
步骤S2所述的进行相对位置信息特征的提取，具体为采用如下步骤进行提取：
A.根据第i个空气质量监测站的绝对位置信息、第i个工业排放点的绝对位置信息和监测点的绝对位置信息，采用如下公式计算相对位置信息，从而提取相对位置信息特征：
ΔLGSA(i)＝Longitude_site(i)-Longitude_A1
ΔLTSA(i)＝Latitude_site(i)-Latitude_A1
ΔHSA(i)＝Height_site(i)-Height_A1
ΔLGFA(i)＝Longitude_fac(i)-Longitude_A1
ΔLTFA(i)＝Latitude_fac(i)-Latitude_A1
ΔHFA(i)＝Height_fac(i)-Height_A1
Figure BDA0002143542280000031
Figure BDA0002143542280000032
式中ΔLGSA(i)为第i个空气质量监测站与监测点的东西距离相对量；ΔLTSA(i)为第i个空气质量监测站与监测点的南北距离相对量；ΔHSA(i)为第i个空气质量监测站与监测点的海拔高差；ΔLGFA(i)为第i个工业排放点与监测点的东西距离相对量；ΔLTFA(i)为第i个工业排放点与监测点的南北距离相对量；ΔHFA(i)为第i个工业排放点与监测点的海拔高差；RPSA(i)为第i个空气质量监测站与监测点的空间相对距离；RPFA(i)为第i个工业排放点与监测点的空间相对距离；Longitude_site(i)为第i个空气质量监测站的经度信息，Latitude_site(i)为第i个空气质量监测站的纬度信息，Height_site(i)为第i个空气质量监测站的海拔数据信息；Longitude_fac(i)为第i个工业排放点的经度信息，Latitude_fac(i)为第i个工业排放点的纬度信息，Height_fac(i)为第i个工业排放点的海拔信息；
B.采用如下算式计算相对风速角，从而提取相对风速角特征：
Figure BDA0002143542280000041
Figure BDA0002143542280000042
式中β_sitei(t)为t时刻第i个空气质量监测站与监测点之间的相对风速角；α_sitei(t)为t时刻第i个空气质量监测站的风向角；β_faci(t)为t时刻第i个工业排放点与监测点之间的相对风速角；α_faci(t)为t时刻第i个工业排放点的风向角。
步骤S3所述的选取最优的空气质量监测站和最优的工业排放点，具体为采用如下步骤选取最优的空气质量监测站和最优的工业排放点：
采用如下步骤选取最优的空气质量监测站：
a1.设定最远距离L_max，初步筛选时只考虑RPSA(i)≤L_max的空气质量监测站，且设定符合条件的空气质量监测站的数目为Nsite；设定最终选取的空气质量监测站的数目为Nchoose-site；
b1.选取RPSA(i)值最小的Nini个空气质量监测站作为初始站点，并添加进入备选站点库；
c1.采用如下算式依次计算未进入备选站点库的空气质量监测站的分布值：
ΔLGas(i,j)＝|Longitude_as(j)-Longitude_site(i)|
ΔLTas(i,j)＝|Latitude_as(j)-Latitude_site(i)|
Figure BDA0002143542280000051
式中Longitude_as(j)为备选站点库中第j个站点的东西向绝对位置，Latitude_as(j)为备选站点库中第j个站点的南北向绝对位置；Longitude_site(i)为第i个未进入备选站点库的空气质量监测站的东西向绝对位置，Latitude_site(i)第i个未进入备选站点库的空气质量监测站的南北向绝对位置；Nas为备选站点库中的站点数目；δ为寻优参数；
d1.选取步骤c1中最大分布值所对应的未进入备选站点库的空气质量监测站作为寻优结果，并将该未进入备选站点库的空气质量监测站添加进备选站点库；
e1.重复步骤c1～步骤d1，直至备选站点库中存在的备选站点达到设定的数目Nchoose-site，寻优结束；
采用如下步骤选取最优的工业排放点：
a2.设定最远距离L_max_faci，初步筛选时只考虑RPNA(i)≤L_max_faci的工业排放点，且设定符合条件的工业排放点的数目为Nfaci；设定最终选取的工业排放点的数目为Nchoose-faci；
b2.选取RPNA(i)值最小的Nini-faci个工业排放点作为初始节点，并添加进入备选节点库；
c2.采用如下算式依次计算未进入备选节点库的工业排放点的分布值：
ΔLGaf(i,j)＝|Longitude_af(j)-Longitude_faci(i)|
ΔLTaf(i,j)＝|Latitude_af(j)-Latitude_faci(i)|
Figure BDA0002143542280000061
式中Longitude_af(j)为备选节点库中第j个节点的东西向绝对位置，Latitude_af(j)为备选节点库中第j个节点的南北向绝对位置；Longitude_faci(i)为第i个未进入备选节点库的工业排放点的东西向绝对位置，Latitude_faci(i)第i个未进入备选节点库的工业排放点的南北向绝对位置；Nas-faci为备选节点库中的节点数目；δfaci为寻优参数；
d2.选取步骤c2中最大分布值所对应的未进入备选节点库的工业排放点作为寻优结果，并将该未进入备选节点库的工业排放点添加进备选节点库；
e2.重复步骤c2～步骤d2，直至备选节点库中存在的备选节点达到设定的数目Nchoose-faci，寻优结束。
步骤S4所述的空气质量监测站的空气质量数据，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度；所述的工业排放点的排放数据信息，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度。
步骤S4所述的构建大气污染物预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自的预测模型：
(1)设定模型参数；
(2)获取训练数据；
(3)构建Elman预测模型；
(4)采用步骤(3)构建的Elman预测模型对t+1时刻的污染物浓度进行预测。
步骤S5所述的构建任意监测点的污染物浓度预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自独立的预测模型：
1)构建输入特征向量，并设定权重；
2)构建训练集；
3)构建GRU预测模型，并进行测试；
4)对权重权值进行优化。
步骤4)所述的对权重权值进行优化，具体为采用免疫粒子群优化算法对权值进行优化，具体包括如下步骤：
ⅰ.设定免疫粒子群优化算法的初始参数；
ⅱ.评价每个粒子时，采用该粒子所对应的权值进行步骤3)的测试，并将平均绝对误差MAE值作为适应度值；
ⅲ.随机初始化初代种群；
ⅳ.采用粒子群优化算法产生新一代种群，计算各粒子的适应度值，并将至今为止种群的最优位置存入抗体免疫记忆库中作为记忆粒子；
ⅴ.随机生成若干个新粒子加入种群，并计算粒子的抗体浓度选择概率；
ⅵ.选取种群中适应度较差的前20％的粒子，并采用记忆库中的记忆粒子替代所选取的粒子，最终形成新一代种群；
ⅶ.判断是否满足事先设定的终止条件：
若满足终止条件，则完成权值的优化，输出最终的优化权值；
否则，则重复步骤ⅲ～步骤ⅶ，直至满足终止条件。
步骤S6所述的对步骤S5构建的任意监测点的污染物浓度预测模型进行修正，具体为采用回声状态网络ESN构建误差拟合修正模型，从而实现对污染物浓度预测模型的优化。
步骤S7所述的对监测工业区的大气污染排放进行可视化预警，具体为采用如下步骤进行可视化预警：
Ⅰ.向平台内导入区域二维地图，作为底部图层；并按照真实地理位置及比例关系将图层坐标与真实点坐标进行对应，并绘制网格线；
Ⅱ.对任意点预测结果进行分析，建立6个视图分别对应六类大气污染物的预测结果，同时布局监测点，根据预测结果，采用不同的颜色进行标示，从而进行可视化预警。
本发明还提供了一种实现所述智慧城市工业大气污染可视化预警方法的系统，包括基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块；基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块依次串接；基础数据获取模块用于获取监测点的位置数据信息、监测点的空气数据和监测工业区域的基础数据信息，进行相应的特征提取，并将提取结果上传最优选取模块；最优选取模块用于选取最优的空气质量监测站和最优的工业排放点，并将选取结果上传大气污染物预测模块；大气污染预测模块用于对大气污染数据进行预测并将结果上传任意监测点污染物浓度预测模块；任意监测点污染物浓度预测模块用于对监测工业区域内的任意点的污染物浓度进行预测并将结果上传污染物浓度预测修正模块；污染物浓度预测修正模块用于对预测结果进行修正并将结果上传可视化预警模块；可视化预警模块用于根据修正的预测结果对监测区域的大气污染排放进行可视化预警。
本发明提供的这种智慧城市工业大气污染可视化预警方法及其系统，对监测区域的基础数据采集，并构建监测区域内任意点的预测模型进行预测，然后再通过对预测模型进行修正，并最终根据修正结果进行可视化报警；因此，本发明能够对监测的工业区域内任意一点的实时动态的工业大气污染排放进行实时预测和预警，而且本发明方法的可靠性高，实用性好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的系统功能模块图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种智慧城市工业大气污染可视化预警方法，包括如下步骤：
S1.在监测工业区内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测工业区的基础数据信息；具体为采用空气质量监测车，以移动的方式在监测工业区进行随机移动，并采集空气质量监测车所在位置的移动空气质量数据，同时记录采集移动空气质量数据时空气质量监测车的位置信息，同时记录监测工业区内空气质量监测站的位置信息和固定空气质量数据；同时获取监测区域的实时天气数据信息和风向数据信息；
在具体实施时，采用空气质量检测车移动检测的方式采集训练样本；在检测过程中需实时记录定位数据，车载采集系统空气质量数据及所在园区天气数据、风向数据等；通过移动实时监测的方式可以采集到足够的、低相关性的训练数据；同时，训练过程和预测过程中作为系统输入的固定监测站点数据及工业排放点相关排放数据均由外部相应部门提供；
S2.根据监测点的位置数据信息、监测工业区内工业排放点的位置数据信息和监测工业区内空气质量监测站的位置数据信息，进行相对位置信息特征的提取；具体为采用如下步骤进行提取：
A.根据第i个空气质量监测站的绝对位置信息、第i个工业排放点的绝对位置信息和监测点的绝对位置信息，采用如下公式计算相对位置信息，从而提取相对位置信息特征：
ΔLGSA(i)＝Longitude_site(i)-Longitude_A1
ΔLTSA(i)＝Latitude_site(i)-Latitude_A1
ΔHSA(i)＝Height_site(i)-Height_A1
ΔLGFA(i)＝Longitude_fac(i)-Longitude_A1
ΔLTFA(i)＝Latitude_fac(i)-Latitude_A1
ΔHFA(i)＝Height_fac(i)-Height_A1
Figure BDA0002143542280000101
Figure BDA0002143542280000102
式中ΔLGSA(i)为第i个空气质量监测站与监测点的东西距离相对量；ΔLTSA(i)为第i个空气质量监测站与监测点的南北距离相对量；ΔHSA(i)为第i个空气质量监测站与监测点的海拔高差；ΔLGFA(i)为第i个工业排放点与监测点的东西距离相对量；ΔLTFA(i)为第i个工业排放点与监测点的南北距离相对量；ΔHFA(i)为第i个工业排放点与监测点的海拔高差；RPSA(i)为第i个空气质量监测站与监测点的空间相对距离；RPFA(i)为第i个工业排放点与监测点的空间相对距离；Longitude_site(i)为第i个空气质量监测站的经度信息，Latitude_site(i)为第i个空气质量监测站的纬度信息，Height_site(i)为第i个空气质量监测站的海拔数据信息；Longitude_fac(i)为第i个工业排放点的经度信息，Latitude_fac(i)为第i个工业排放点的纬度信息，Height_fac(i)为第i个工业排放点的海拔信息；
B.采用如下算式计算相对风速角，从而提取相对风速角特征：
Figure BDA0002143542280000111
Figure BDA0002143542280000112
式中β_sitei(t)为t时刻第i个空气质量监测站与监测点之间的相对风速角；α_sitei(t)为t时刻第i个空气质量监测站的风向角；β_faci(t)为t时刻第i个工业排放点与监测点之间的相对风速角；α_faci(t)为t时刻第i个工业排放点的风向角；
S3.选取最优的空气质量监测站和最优的工业排放点；具体为采用如下步骤选取最优的空气质量监测站和最优的工业排放点：
采用如下步骤选取最优的空气质量监测站：
a1.设定最远距离L_max，初步筛选时只考虑RPSA(i)≤L_max的空气质量监测站，且设定符合条件的空气质量监测站的数目为Nsite；设定最终选取的空气质量监测站的数目为Nchoose-site(优选为8个)；
b1.选取RPSA(i)值最小的Nini个(优选为3个)空气质量监测站作为初始站点，并添加进入备选站点库；
c1.采用如下算式依次计算未进入备选站点库的空气质量监测站的分布值：
ΔLGas(i,j)＝|Longitude_as(j)-Longitude_site(i)|
ΔLTas(i,j)＝|Latitude_as(j)-Latitude_site(i)|
Figure BDA0002143542280000121
式中Longitude_as(j)为备选站点库中第j个站点的东西向绝对位置，Latitude_as(j)为备选站点库中第j个站点的南北向绝对位置；Longitude_site(i)为第i个未进入备选站点库的空气质量监测站的东西向绝对位置，Latitude_site(i)第i个未进入备选站点库的空气质量监测站的南北向绝对位置；Nas为备选站点库中的站点数目；δ为寻优参数；
d1.选取步骤c1中最大分布值所对应的未进入备选站点库的空气质量监测站作为寻优结果，并将该未进入备选站点库的空气质量监测站添加进备选站点库；
e1.重复步骤c1～步骤d1，直至备选站点库中存在的备选站点达到设定的数目Nchoose-site，寻优结束；
采用如下步骤选取最优的工业排放点：
a2.设定最远距离L_max_faci，初步筛选时只考虑RPNA(i)≤L_max_faci的工业排放点，且设定符合条件的工业排放点的数目为Nfaci；设定最终选取的工业排放点的数目为Nchoose-faci(优选为8个)；
b2.选取RPNA(i)值最小的Nini-faci个(优选为3个)工业排放点作为初始节点，并添加进入备选节点库；
c2.采用如下算式依次计算未进入备选节点库的工业排放点的分布值：
ΔLGaf(i,j)＝|Longitude_af(j)-Longitude_faci(i)|
ΔLTaf(i,j)＝|Latitude_af(j)-Latitude_faci(i)|
Figure BDA0002143542280000131
式中Longitude_af(j)为备选节点库中第j个节点的东西向绝对位置，Latitude_af(j)为备选节点库中第j个节点的南北向绝对位置；Longitude_faci(i)为第i个未进入备选节点库的工业排放点的东西向绝对位置，Latitude_faci(i)第i个未进入备选节点库的工业排放点的南北向绝对位置；Nas-faci为备选节点库中的节点数目；δfaci为寻优参数；
d2.选取步骤c2中最大分布值所对应的未进入备选节点库的工业排放点作为寻优结果，并将该未进入备选节点库的工业排放点添加进备选节点库；
e2.重复步骤c2～步骤d2，直至备选节点库中存在的备选节点达到设定的数目Nchoose-faci，寻优结束；
S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的工业排放点的排放数据信息，构建大气污染物预测模型；所述的空气质量监测站的空气质量数据，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度；所述的工业排放点的排放数据信息，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度；
在具体实施时，采用由工业区管理部门提供各排放点最新时刻t的排放数据作为排放特征。第i个排放点的排放特征量为t时刻往前一小时时间段内排放气体中几类主要大气污染物的排放总量，包括SO2排放量
Figure BDA0002143542280000132
氮氧化物排放量
Figure BDA0002143542280000133
PM2.5排放量PPi fac(t)，PM10排放量
Figure BDA0002143542280000134
CO排放量
Figure BDA0002143542280000135
臭氧排放量
Figure BDA0002143542280000136
同样，各检测大气污染物监测点提取的相关特征包括SO2浓度
Figure BDA0002143542280000141
氮氧化物浓度
Figure BDA0002143542280000142
PM2.5浓度CPi site(t)，PM10浓度
Figure BDA0002143542280000143
CO浓度
Figure BDA0002143542280000144
臭氧浓度
Figure BDA0002143542280000145
几类主要大气污染物；
同时，所述的构建大气污染物预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自的预测模型(这里仅以SO2为例进行说明)：
(1)设定模型参数；
拟定样本频率为每一小时采样一次，设使用环境下当前时刻为t，采用当前时刻往前的共20个小时的历史采样点数据作为预测模型的输入，即
Figure BDA0002143542280000146
预测t+1时刻的SO2浓度
Figure BDA0002143542280000147
(2)获取训练数据；
以SO2浓度为例，训练集由多个站点所采集采样间隔1小时的长时间时间序列组成。将时间序列按照递归的方式划分为一个Ntrain×20的训练矩阵和与之相对长度为Ntrain的实值列向量，如下所示：
Figure BDA0002143542280000148
(3)构建Elman预测模型；
将训练矩阵归一化后与实值列向量一起输入Elman神经网络进行训练，拟定神经网络层数为4层，分别为：输入层、隐含层、承接层和输出层，对应神经元个数分别为20个、20个、12个、1个；采用Signmoid函数作为激励函数，BP算法训练，学习率为0.01，设定最长迭代数为2000，得到最终SO2浓度预测模型；
(4)采用步骤(3)构建的Elman预测模型对t+1时刻的污染物浓度进行预测；
系统运行过程中，将
Figure BDA0002143542280000151
输入上述预测模型得到t+1时刻的SO2浓度
Figure BDA0002143542280000152
作为新的监测点i污染物浓度特征量，供后续使用；
S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型；具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自独立的预测模型(这里仅以SO2为例进行说明)：
1)构建输入特征向量，并设定权重；
根据上述步骤所提取的特征，SO2浓度预测模型所需特征包括：
Figure BDA0002143542280000153
共计6×(8+Nfac)维特征；针对不同类型的特征，添加相应的权值用于优化最终预测结果。拟定权值γ1,γ2,γ3,...,γ12分别对应
Figure BDA0002143542280000154
ΔLGSA(i)，ΔLGFA(i)，ΔLTSA(i)，ΔLTFA(i)，ΔHSA(i)，ΔHFA(i)，WS_i(t)，WF_i(t)，β_sitei(t)，β_faci(t)这12大类特征；
2)构建训练集；
根据所采集的数据来构建模型的训练集，将检测车每次测量时所处位置看作检测点位置，所处时刻看作待预测t+1时刻，采用选取站点、排放点，提取历史数据，最终构建对应的6×(8+Nfac)维特征向量，以此作为模型输入；而检测车所检测到的SO2浓度作为模型训练过程的真实输出；检测车采集到足够的样本后即可构成训练矩阵和真实输出向量；
3)构建GRU预测模型，并进行测试；
对训练矩阵和真实输出向量按照3:1的比例划分为训练集和测试集，对训练集进行归一化，然后分别对6×(8+Nfac)维特征的每一个乘以其所属特征大类的对应权值，最后将其输入GRU深度学习模型中进行训练；GRU深度学习模型包括1层输入层，1层Dropout失活层，4层GRU层，1层全连接层和一层输出层。输入层神经元个数为6×(8+Nfac)；Dropout失活层概率为0.5；4层GRU层单元个数分别为12×(8+Nfac)，12×(8+Nfac)，6×(8+Nfac)和3×(8+Nfac)；全连接层神经元个数为12个，采用Sigmoid函数作为激活函数；输出层神经元个数为1；
采用均方误差函数作为深度学习的损失函数，使用Adam算法对预测模型进行迭代训练，设定学习率为0.001，最大迭代次数为5000；将训练集与真实输出向量输入训练好GRU预测模型后，对测试集应用相同参数进行归一化，各特征乘以对应权值后输入训练好的模型进行测试，得到预测结果；将测试集测试结果与测试集真实输出进行计算，得到平均绝对误差MAE，用以衡量模型预测性能；
4)对权重权值进行优化；具体为采用免疫粒子群优化算法对权值进行优化，具体包括如下步骤：
ⅰ.设定免疫粒子群优化算法的初始参数；
具体包括学习因子c1和c2，粒子群种群个数NP，迭代数NI，飞行速度vk(k＝1,2,...,NP)，种群中每个粒子表示为xi，粒子维数为12，分别对应权值γ1,γ2,γ3,...,γ12设定粒子中每个元素的取值范围为
Figure BDA0002143542280000171
ⅱ.评价每个粒子时，采用该粒子所对应的权值进行步骤3)的测试，并将平均绝对误差MAE值作为适应度值；
ⅲ.随机初始化初代种群D0；
ⅳ.采用粒子群优化算法产生新一代种群，计算各粒子的适应度值，并将至今为止种群的最优位置pbest存入抗体免疫记忆库中作为记忆粒子；
ⅴ.随机生成若干个(Mp个)新粒子加入种群，并计算Mp+Np个粒子的抗体浓度选择概率；抗体浓度选择概率的计算算式如下：
Figure BDA0002143542280000172
式中fit(xi)表示xi的适应度值。根据抗体浓度选择概率降序重排Mp+Np个粒子，选取前Np个粒子作为新的种群；
ⅵ.选取种群中适应度较差的前20％的粒子，并采用记忆库中的记忆粒子替代所选取的粒子，最终形成新一代种群；
ⅶ.判断是否满足事先设定的终止条件；所述终止条件为迭代次数是否达到迭代数NI：
若满足终止条件，则完成权值的优化，输出最终的优化权值；
否则，则重复步骤ⅲ～步骤ⅶ，直至满足终止条件；
S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正，具体为采用回声状态网络ESN构建误差拟合修正模型，从而实现对污染物浓度预测模型的优化；
在具体实施时，包括如下步骤：
步骤D1：特征提取
误差优化模型所需输入的环境特征包括：月份特征、地理信息特征、天气状况特征、温度特征；由于同一园区相同时刻上述环境特征基本保持恒定，所以在实际使用中只需由相关部门提供园区大范围内环境特征实时数据即可；
1)月份特征直接输入预测时间所述的月份值，即1～12；
2)地理信息特征为园区中心所处的经纬度，包括经度值(东经为正，西经为负)和纬度值(北纬为正，南纬为负)，该特征针对同一工业区为固定值；
3)天气状况特征描述较为抽象，需对其进行量化，本发明采用由当地气象局所提供的t+1时刻预测降雨概率和降雨量来衡量天气状况；
4)温度特征为当地气象局所提供的t+1时刻预测室外温度；
步骤D2：训练误差修正模型
利用移动检测车及上述系列流程得到新的数据集、相应环境特征量及数据集预测结果；采用以上共6维特征数据作为输入，计算预测结果与真实值之间的残差作为真实输出向量，训练回声状态网络(ESN)；ESN网络总共分为4层，第1层输入层神经元个数为6；第2层储备池层规模为16，第四层输出层神经元个数为1。设定谱半径为ρ，输入尺度因子ωin，输出正则化因子λr，采用tanh(·)为激活函数，设定最长迭代数为2000，采用岭回归算法(RidgeRegression)作为训练算法；
通过训练，最终得到误差优化模型，将其与任意检测点污染物浓度预测模型相组合，得到最终的混合污染物浓度预测模型；
S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测工业区的大气污染排放进行可视化预警；具体为采用如下步骤进行可视化预警：
Ⅰ.向平台内导入区域二维地图，作为底部图层；并按照真实地理位置及比例关系将图层坐标与真实点坐标进行对应，并绘制网格线；
Ⅱ.对任意点预测结果进行分析，建立6个视图分别对应六类大气污染物的预测结果，同时布局监测点，根据预测结果，采用不同的颜色进行标示，从而进行可视化预警；
在具体实施时，可以采用如下步骤进行可视化预警：
向平台内导入园区二维地图，作为底部图层。按照真实地理位置及比例关系将图层坐标与真实点坐标进行对应，并绘制网格线；
对任意点预测结果进行分析，建立6个视图分别对应六类大气污染物的预测结果，采用真实距离每隔10米的方式布局检测点，并通过上述流程预测每类大气污染物区域内所有检测点的浓度值，并判断浓度值分别处于哪个区间；针对每类大气污染物划分成5个浓度区间，按照浓度由小到大的关系采用由浅到深的红色表示；
在每个视图网格上根据每个检测节点的预测值，将以节点为中心、边长为10m的矩形区域绘制成对应的颜色，将即时视图发布到平台用户端，根据使用者的权限展示6个预测视图相应内容。
如图2所示为本发明系统的系统功能模块图：本发明还提供了一种实现所述智慧城市工业大气污染可视化预警方法的系统，包括基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块；基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块依次串接；基础数据获取模块用于获取监测点的位置数据信息、监测点的空气数据和监测工业区域的基础数据信息，进行相应的特征提取，并将提取结果上传最优选取模块；最优选取模块用于选取最优的空气质量监测站和最优的工业排放点，并将选取结果上传大气污染物预测模块；大气污染预测模块用于对大气污染数据进行预测并将结果上传任意监测点污染物浓度预测模块；任意监测点污染物浓度预测模块用于对监测工业区域内的任意点的污染物浓度进行预测并将结果上传污染物浓度预测修正模块；污染物浓度预测修正模块用于对预测结果进行修正并将结果上传可视化预警模块；可视化预警模块用于根据修正的预测结果对监测区域的大气污染排放进行可视化预警。
本发明结合空气质量监测点监测信息、工业排放点排放信息、区域环境要素信息及空间位置信息进行工业区任意一点的实时动态大气污染物预测，并通过构建可视化平台实现实时展示。与传统大气污染物预测方式相比，具有如下优势：
针对不同的待预测点，自主提出了一套基于检测站点离散化最优空间分布的空气质量监测点选取算法，用以自适应的选取在空间分布上对于待测点具有显著代表性与相关性的站点；该算法平衡了紧密化监测站与待测点间距离及离散化各监测站的站间距离两项要求，从而寻找到针对待测点具有最优空间分布的监测站点集合；同时，该方案的自适应性是实现任意点污染物预测的重要前提与保障；
采用了结合空间位置信息的方式实现对于工业区域内任意点的预测，能够实现从原先的固定点预测到如今的区域面预测，预测范围不在局限于周围具有预测站点的位置，对于研究污染物空间分布与流动特性提供了重要参考；
在传统大气污染物预测模型的基础上结合了工业排放点排放量这个产能要素，这一要素能够在很大程度上决定工业区域的大气污染程度，对于工业区域的大气污染物预测精度具有显著提升效果；
构建了工业区域大气污染物实时可视化平台；在实现任意点空间预测的这一重要前提下利用可视化软件实现预测结果的直观展示，帮助用户高效清晰的分析未来一段时间内的大气污染分布状况，对于决策者的决策提供了一定参考；
利用GRU深度学习网络构建任意点大气污染物浓度预测模型，在保证庞大训练数据量的前提下相比于神经网络和其余回归算法具有更高的预测精度，同时采用免疫记忆粒子群优化算法实现对模型输入特征的权值优化，在一定程度上提升了预测准确性；
采用移动空气质量检测车来实现训练数据的采集，与传统固定点检测仪器采集方法相比具有更高的采集效率，且能采集到具有更高差异性、更低相关度的样本数据，同时对于系统所需的空间位置这一重要特征的样本差异性具有决定性意义；
结合了包括月份特征、地理信息特征、天气状况特征、温度特征在内的多项环境特征，构建针对任一点大气污染物浓度预测模型预测误差的误差修正模型，充分利用已知信息，提升最终预测准确率。

Claims (9)

1.一种智慧城市工业大气污染可视化预警方法，包括如下步骤：
S1.在监测工业区内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测工业区的基础数据信息；
S2.根据监测点的位置数据信息、监测工业区内工业排放点的位置数据信息和监测工业区内空气质量监测站的位置数据信息，进行相对位置信息特征的提取；具体为采用如下步骤进行提取：
A.根据第i个空气质量监测站的绝对位置信息、第i个工业排放点的绝对位置信息和监测点的绝对位置信息，采用如下公式计算相对位置信息，从而提取相对位置信息特征：
ΔLGSA(i)＝Longitude_site(i)-Longitude_A1
ΔLTSA(i)＝Latitude_site(i)-Latitude_A1
ΔHSA(i)＝Height_site(i)-Height_A1
ΔLGFA(i)＝Longitude_fac(i)-Longitude_A1
ΔLTFA(i)＝Latitude_fac(i)-Latitude_A1
ΔHFA(i)＝Height_fac(i)-Height_A1
Figure FDA0003026153060000011
Figure FDA0003026153060000012
式中ΔLGSA(i)为第i个空气质量监测站与监测点的东西距离相对量；ΔLTSA(i)为第i个空气质量监测站与监测点的南北距离相对量；ΔHSA(i)为第i个空气质量监测站与监测点的海拔高差；ΔLGFA(i)为第i个工业排放点与监测点的东西距离相对量；ΔLTFA(i)为第i个工业排放点与监测点的南北距离相对量；ΔHFA(i)为第i个工业排放点与监测点的海拔高差；RPSA(i)为第i个空气质量监测站与监测点的空间相对距离；RPFA(i)为第i个工业排放点与监测点的空间相对距离；Longitude_site(i)为第i个空气质量监测站的经度信息，Latitude_site(i)为第i个空气质量监测站的纬度信息，Height_site(i)为第i个空气质量监测站的海拔数据信息；Longitude_fac(i)为第i个工业排放点的经度信息，Latitude_fac(i)为第i个工业排放点的纬度信息，Height_fac(i)为第i个工业排放点的海拔信息；
B.采用如下算式计算相对风速角，从而提取相对风速角特征：
Figure FDA0003026153060000021
Figure FDA0003026153060000022
式中β_sitei(t)为t时刻第i个空气质量监测站与监测点之间的相对风速角；α_sitei(t)为t时刻第i个空气质量监测站的风向角；β_faci(t)为t时刻第i个工业排放点与监测点之间的相对风速角；α_faci(t)为t时刻第i个工业排放点的风向角；
S3.选取最优的空气质量监测站和最优的工业排放点；
S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的工业排放点的排放数据信息，构建大气污染物预测模型；
S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型；
S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正；
S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测工业区的大气污染排放进行可视化预警。
2.根据权利要求1所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S1所述的在监测工业区内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测工业区的基础数据信息，具体为采用空气质量监测车，以移动的方式在监测工业区进行随机移动，并采集空气质量监测车所在位置的移动空气质量数据，同时记录采集移动空气质量数据时空气质量监测车的位置信息，同时记录监测工业区内空气质量监测站的位置信息和固定空气质量数据；同时获取监测区域的实时天气数据信息和风向数据信息。
3.根据权利要求2所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S3所述的选取最优的空气质量监测站和最优的工业排放点，具体为采用如下步骤选取最优的空气质量监测站和最优的工业排放点：
采用如下步骤选取最优的空气质量监测站：
a1.设定最远距离L_max，初步筛选时只考虑RPSA(i)≤L_max的空气质量监测站，且设定符合条件的空气质量监测站的数目为Nsite；设定最终选取的空气质量监测站的数目为Nchoose-site；
b1.选取RPSA(i)值最小的Nini个空气质量监测站作为初始站点，并添加进入备选站点库；
c1.采用如下算式依次计算未进入备选站点库的空气质量监测站的分布值：
ΔLGas(i,j)＝|Longitude_as(j)-Longitude_site(i)|
ΔLTas(i,j)＝|Latitude_as(j)-Latitude_site(i)|
Figure FDA0003026153060000031
式中Longitude_as(j)为备选站点库中第j个站点的东西向绝对位置，Latitude_as(j)为备选站点库中第j个站点的南北向绝对位置；Longitude_site(i)为第i个未进入备选站点库的空气质量监测站的东西向绝对位置，Latitude_site(i)第i个未进入备选站点库的空气质量监测站的南北向绝对位置；Nas为备选站点库中的站点数目；δ为寻优参数；
d1.选取步骤c1中最大分布值所对应的未进入备选站点库的空气质量监测站作为寻优结果，并将该未进入备选站点库的空气质量监测站添加进备选站点库；
e1.重复步骤c1～步骤d1，直至备选站点库中存在的备选站点达到设定的数目Nchoose-site，寻优结束；
采用如下步骤选取最优的工业排放点：
a2.设定最远距离L_max_faci，初步筛选时只考虑RPNA(i)≤L_max_faci的工业排放点，且设定符合条件的工业排放点的数目为Nfaci；设定最终选取的工业排放点的数目为Nchoose-faci；
b2.选取RPNA(i)值最小的Nini-faci个工业排放点作为初始节点，并添加进入备选节点库；
c2.采用如下算式依次计算未进入备选节点库的工业排放点的分布值：
ΔLGaf(i,j)＝|Longitude_af(j)-Longitude_faci(i)|
ΔLTaf(i,j)＝|Latitude_af(j)-Latitude_faci(i)|
Figure FDA0003026153060000041
式中Longitude_af(j)为备选节点库中第j个节点的东西向绝对位置，Latitude_af(j)为备选节点库中第j个节点的南北向绝对位置；Longitude_faci(i)为第i个未进入备选节点库的工业排放点的东西向绝对位置，Latitude_faci(i)第i个未进入备选节点库的工业排放点的南北向绝对位置；Nas-faci为备选节点库中的节点数目；δfaci为寻优参数；
d2.选取步骤c2中最大分布值所对应的未进入备选节点库的工业排放点作为寻优结果，并将该未进入备选节点库的工业排放点添加进备选节点库；
e2.重复步骤c2～步骤d2，直至备选节点库中存在的备选节点达到设定的数目Nchoose-faci，寻优结束。
4.根据权利要求3所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S4所述的空气质量监测站的空气质量数据，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度；所述的工业排放点的排放数据信息，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度。
5.根据权利要求1～4之一所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S4所述的构建大气污染物预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自的预测模型：
(1)设定模型参数；
(2)获取训练数据；
(3)构建Elman预测模型；
(4)采用步骤(3)构建的Elman预测模型对t+1时刻的污染物浓度进行预测。
6.根据权利要求5所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S5所述的构建任意监测点的污染物浓度预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自独立的预测模型：
1)构建输入特征向量，并设定权重；
2)构建训练集；
3)构建GRU预测模型，并进行测试；
4)对权重权值进行优化，具体为采用免疫粒子群优化算法对权值进行优化，包括如下步骤：
ⅰ.设定免疫粒子群优化算法的初始参数；
ⅱ.评价每个粒子时，采用该粒子所对应的权值进行步骤3)的测试，并将平均绝对误差MAE值作为适应度值；
ⅲ.随机初始化初代种群；
ⅳ.采用粒子群优化算法产生新一代种群，计算各粒子的适应度值，并将至今为止种群的最优位置存入抗体免疫记忆库中作为记忆粒子；
ⅴ.随机生成若干个新粒子加入种群，并计算粒子的抗体浓度选择概率；
ⅵ.选取种群中适应度较差的前20％的粒子，并采用记忆库中的记忆粒子替代所选取的粒子，最终形成新一代种群；
ⅶ.判断是否满足事先设定的终止条件；所述终止条件为迭代次数是否达到迭代数NI：
若满足终止条件，则完成权值的优化，输出最终的优化权值；
否则，则重复步骤ⅲ～步骤ⅶ，直至满足终止条件。
7.根据权利要求6所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S6所述的对步骤S5构建的任意监测点的污染物浓度预测模型进行修正，具体为采用回声状态网络ESN构建误差拟合修正模型，从而实现对污染物浓度预测模型的优化。
8.根据权利要求7所述的智慧城市工业大气污染可视化预警方法，其特征在于步骤S7所述的对监测工业区的大气污染排放进行可视化预警，具体为采用如下步骤进行可视化预警：
Ⅰ.向平台内导入区域二维地图，作为底部图层；并按照真实地理位置及比例关系将图层坐标与真实点坐标进行对应，并绘制网格线；
Ⅱ.对任意点预测结果进行分析，建立6个视图分别对应六类大气污染物的预测结果，同时布局监测点，根据预测结果，采用不同的颜色进行标示，从而进行可视化预警。
9.一种实现权利要求1～8之一所述的智慧城市工业大气污染可视化预警方法的系统，且特征在于包括基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块；基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块依次串接；基础数据获取模块用于获取监测点的位置数据信息、监测点的空气数据和监测工业区域的基础数据信息，进行相应的特征提取，并将提取结果上传最优选取模块；最优选取模块用于选取最优的空气质量监测站和最优的工业排放点，并将选取结果上传大气污染物预测模块；大气污染预测模块用于对大气污染数据进行预测并将结果上传任意监测点污染物浓度预测模块；任意监测点污染物浓度预测模块用于对监测工业区域内的任意点的污染物浓度进行预测并将结果上传污染物浓度预测修正模块；污染物浓度预测修正模块用于对预测结果进行修正并将结果上传可视化预警模块；可视化预警模块用于根据修正的预测结果对监测区域的大气污染排放进行可视化预警。
CN201910676747.1A 2019-07-25 2019-07-25 一种智慧城市工业大气污染可视化预警方法及其系统 Active CN110346517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910676747.1A CN110346517B (zh) 2019-07-25 2019-07-25 一种智慧城市工业大气污染可视化预警方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910676747.1A CN110346517B (zh) 2019-07-25 2019-07-25 一种智慧城市工业大气污染可视化预警方法及其系统

Publications (2)

Publication Number Publication Date
CN110346517A CN110346517A (zh) 2019-10-18
CN110346517B true CN110346517B (zh) 2021-06-08

Family

ID=68180094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910676747.1A Active CN110346517B (zh) 2019-07-25 2019-07-25 一种智慧城市工业大气污染可视化预警方法及其系统

Country Status (1)

Country Link
CN (1) CN110346517B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242369B (zh) * 2020-01-09 2023-06-02 中国人民解放军国防科技大学 基于多重融合卷积gru的pm2.5数据预测方法
CN111239338A (zh) * 2020-01-19 2020-06-05 徐州工业职业技术学院 开放式空气质量监测系统
CN111289414A (zh) * 2020-03-12 2020-06-16 徐州工业职业技术学院 Pm2.5污染监测与预测方法
CN111814392B (zh) * 2020-06-19 2024-02-13 中冶南方城市建设工程技术有限公司 基于深度学习的工地敏感测点噪声预测方法
CN111768038B (zh) * 2020-06-30 2023-02-03 平安国际智慧城市科技股份有限公司 污染物监控方法、装置、终端设备及存储介质
CN112229952B (zh) * 2020-09-30 2022-11-15 重庆科技学院 一种监测化工园区有毒有害气体的方法
CN115235692B (zh) * 2021-04-23 2024-08-23 中国石油化工股份有限公司 突发性气体泄漏诊断方法、诊断装置及诊断系统
CN113640476B (zh) * 2021-10-14 2021-12-24 江苏嘉斌环保科技有限公司 一种气体排放用监测方法及设备
CN114004429B (zh) * 2022-01-04 2022-04-08 苏州元澄科技股份有限公司 一种用于构建数字城市的数据处理方法和系统
CN117350175B (zh) * 2023-12-04 2024-03-12 河北东医生物科技有限公司 人工智能生态因子空气环境质量监测方法及系统
CN117455708B (zh) * 2023-12-22 2024-03-01 山西亚鑫新能科技有限公司 一种无组织排放智能治理系统
CN117853295A (zh) * 2023-12-25 2024-04-09 安徽同新源科技有限公司 一种基于工业互联和数字全景的安全环保应急系统
CN118411458B (zh) * 2024-07-01 2024-09-13 深圳大学 基于神经辐射场的可吸入颗粒物污染可视化方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101840635B (zh) * 2010-05-06 2012-05-30 招商局重庆交通科研设计院有限公司 基于人工免疫粒子群算法的可变限速控制方法
CN103514366B (zh) * 2013-09-13 2017-02-08 中南大学 一种城市空气质量浓度监测缺失数据的修复方法
CN105488316B (zh) * 2014-09-17 2018-11-16 日本电气株式会社 用于预测空气质量的系统和方法
CN107273995A (zh) * 2016-04-08 2017-10-20 株式会社日立制作所 空气质量预报方法
CN108701274B (zh) * 2017-05-24 2021-10-08 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN107943928B (zh) * 2017-11-21 2018-10-30 清华大学 一种基于时空数据统计学习的臭氧浓度预测方法及系统
CN108008705A (zh) * 2017-11-23 2018-05-08 武汉英伦丰创软件有限公司 一种大气污染可视化监测评估系统
CN108875127B (zh) * 2018-04-28 2022-04-19 中国人民解放军国防科技大学 一种计算机气象软件中基于风场数据的槽线修正方法
CN108924755B (zh) * 2018-06-29 2020-05-22 合肥工业大学 基于免疫粒子群优化的dv-hop室内定位方法
CN109214581B (zh) * 2018-09-20 2022-02-11 中南大学 一种考虑风向和置信区间的铁路沿线风速预测方法
CN109657858B (zh) * 2018-12-17 2023-06-23 杭州电子科技大学 基于不平衡修正半监督学习的道边空气污染预测方法
CN109739218A (zh) * 2018-12-24 2019-05-10 江苏大学 一种基于gru网络的仿优秀驾驶员换道模型建立方法

Also Published As

Publication number Publication date
CN110346517A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110346517B (zh) 一种智慧城市工业大气污染可视化预警方法及其系统
CN108701274B (zh) 一种城市小尺度空气质量指数预测方法与系统
CN110346518B (zh) 一种交通排放污染可视化预警方法及其系统
CN109522603B (zh) 基于云平台的车载拉格朗日实时大气污染溯源系统及方法
CN106651036A (zh) 空气质量预报系统
CN114371260A (zh) 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
Lin et al. Mining public datasets for modeling intra-city PM2. 5 concentrations at a fine spatial resolution
CN106650825A (zh) 一种机动车尾气排放数据融合系统
CN115759488B (zh) 一种基于边缘计算的碳排放监测预警分析系统及其方法
CN110738354B (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
Liu et al. Spatio-temporal prediction and factor identification of urban air quality using support vector machine
CN111949749A (zh) 基于高阶图卷积网络的空气质量监测站点位置推荐方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN111696369A (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
CN110503348B (zh) 一种基于位置匹配的个体空气污染暴露模拟测量方法
CN114186491B (zh) 基于改进lur模型的细颗粒物浓度时空特征分布方法
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN113836808A (zh) 一种基于重污染特征约束的pm2.5深度学习预测方法
CN108537336A (zh) 一种基于深度神经网络的空气质量预测方法
CN116070839A (zh) 一种多源数据的道路微环境空气质量贡献溯源方法
CN116822185B (zh) 基于hasm的日降水数据空间模拟方法和系统
CN110533239A (zh) 一种智慧城市空气品质高精度测量方法
CN113092684A (zh) 一种基于时空矩阵分解的空气质量推断方法
CN106919645A (zh) 复杂地貌大景区的景点气象要素智能精细预测方法

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
TR01 Transfer of patent right

Effective date of registration: 20231215

Address after: Room 1706, Unit 2, Building 2, Yicuiyuan i, No. 11 Tangyan South Road, High tech Zone, Xi'an City, Shaanxi Province, 710000

Patentee after: Xi'an Danyue Environmental Protection Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231215

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932

Patentee before: CENTRAL SOUTH University

TR01 Transfer of patent right