CN110346518A - 一种交通排放污染可视化预警方法及其系统 - Google Patents
一种交通排放污染可视化预警方法及其系统 Download PDFInfo
- Publication number
- CN110346518A CN110346518A CN201910677429.7A CN201910677429A CN110346518A CN 110346518 A CN110346518 A CN 110346518A CN 201910677429 A CN201910677429 A CN 201910677429A CN 110346518 A CN110346518 A CN 110346518A
- Authority
- CN
- China
- Prior art keywords
- node
- air quality
- traffic
- monitoring station
- quality monitoring
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 217
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 56
- 231100000719 pollutant Toxicity 0.000 claims abstract description 56
- 238000012800 visualization Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000003915 air pollution Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 claims description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical class [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 18
- 230000006870 function Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Toxicology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通排放污染可视化预警方法,包括监测区域的基础数据信息;进行相对位置信息特征的提取;选取最优的空气质量监测站和最优的交通道路节点;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;对监测区域的城市交通污染排放进行可视化预警。本发明还公开了一种实现所述交通排放污染可视化预警方法的系统。本发明方法能够对道路交通覆盖区域内任意一点的实时动态大气污染物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
技术领域
本发明具体涉及一种一种交通排放污染可视化预警方法及其系统。
背景技术
近年来,随着工业化、城市化进程的加深,私家车的日益普及,我国空气污染问题日益严峻。空气质量日益呈现恶化的趋势,对于城市居民的身体健康和社会的经济发展产生重要影响。随着机器学习、深度神经网络等智能算法的日渐普及,采用智能算法基于环境大数据实现大气污染物预测,对于辅助相关部门决策、提升环境保护效率、控制污染物扩散、实现产业调控等方面有着重要价值。在城市道路覆盖区域内,汽车运行过程中的尾气排放是大气污染的重要源头,道路单位时间内的车流量在一定程度上决定了附近区域该时段内的空气质量。
目前,对于城市交通污染排放的预警,往往采用的是固定式的空气质量监测站的模式,即通过在城市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地区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、实用性好且能够对道路交通覆盖区域内任意一点的实时动态大气污染物进行实时预测和预警的交通排放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交通排放污染可视化预警方法的系统。
本发明提供的这种交通排放污染可视化预警方法,包括如下步骤:
S1.在监测区域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区域的基础数据信息;
S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域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交通道路节点;
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,以及最优的交通道路节点的交通数据信息,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,对监测区域的城市交通污染排放进行可视化预警。
步骤S1所述的在监测区域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区域的基础数据信息,具体为采用空气质量监测车,以移动的方式在监测区域进行随机移动,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,同时记录监测区域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个交通路口节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
ΔLGNA(i)=Longitude_node(i)-Longitude_A1
ΔLTNA(i)=Latitude_node(i)-Latitude_A1
ΔHNA(i)=Height_node(i)-Height_A1
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;ΔLGNA(i)为第i个交通路口节点与监测点的东西距离相对量;ΔLTNA(i)为第i个交通路口节点与监测点的南北距离相对量;ΔHNA(i)为第i个交通路口节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;RPNA(i)为第i个交通路口节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_node(i)为第i个交通路口节点的经度信息,Latitude_node(i)为第i个交通路口节点的纬度信息,Height_node(i)为第i个交通路口节点的海拔信息;
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:
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_nodei(t)为t时刻第i个交通路口节点与监测点之间的相对风速角;α_nodei(t)为t时刻第i个交通路口节点的风向角。
步骤S3所述的选取最优的空气质量监测站和最优的交通道路节点,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交通道路节点:
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)|
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交通路口节点:
a2.设定最远距离L_max_note,初步筛选时只考虑RPNA(i)≤L_max_note的交通路口节点,且设定符合条件的交通路口节点的数目为Nnote;设定最终选取的交通路口节点的数目为Nchoose-note;
b2.选取RPNA(i)值最小的Nini-note个交通路口节点作为初始节点,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交通路口节点的分布值:
ΔLGan(i,j)=|Longitude_an(j)-Longitude_note(i)|
ΔLTan(i,j)=|Latitude_an(j)-Latitude_note(i)|
式中Longitude_an(j)为备选节点库中第j个节点的东西向绝对位置,Latitude_an(j)为备选节点库中第j个节点的南北向绝对位置;Longitude_note(i)为第i个未进入备选节点库的交通路口节点的东西向绝对位置,Latitude_note(i)第i个未进入备选节点库的交通路口节点的南北向绝对位置;Nas-note为备选节点库中的节点数目;δnote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交通路口节点作为寻优结果,并将该未进入备选节点库的交通路口节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-note,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;所述的交通道路节点的交通数据信息,具体包括t时刻往前若干时间内该交通道路节点的车流量。
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SVM预测模型;
(4)采用步骤(3)构建的SVM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)构建深度信念网络预测模型,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,具体为采用蚁群优化算法进行优化,具体包括如下步骤:
ⅰ.初始化蚁群参数;
ⅱ.将Np个蚂蚁分别放置于所属的初始领域内,计算每个蚂蚁的转移概率,并按照转移概率移动;
ⅲ.评价每个蚂蚁时,采用该粒子对应权值对进行步骤3)中的训练测试,将平均绝对误差值作为目标函数值,计算种群中每只蚂蚁的目标函数值并记录当前最优值;
ⅳ.修正每只蚂蚁的信息素强度;
ⅴ.判断是否满足终止条件:
若满足终止条件,则完成权值优化,输出最优解;
若不满足终止条件,则重复步骤ⅲ~步骤ⅴ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ANN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所述的对监测区域的城市交通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交通排放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交通道路节点,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城市交通污染排放进行可视化预警。
本发明提供的这种一种交通排放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,本发明方法能够对道路交通覆盖区域内任意一点的实时动态大气污染物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:本发明提供的这种交通排放污染可视化预警方法,包括如下步骤:
S1.在监测区域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区域的基础数据信息;具体为采用空气质量监测车,以移动的方式在监测区域进行随机移动,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,同时记录监测区域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;
S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域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个交通路口节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
ΔLGNA(i)=Longitude_node(i)-Longitude_A1
ΔLTNA(i)=Latitude_node(i)-Latitude_A1
ΔHNA(i)=Height_node(i)-Height_A1
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;ΔLGNA(i)为第i个交通路口节点与监测点的东西距离相对量;ΔLTNA(i)为第i个交通路口节点与监测点的南北距离相对量;ΔHNA(i)为第i个交通路口节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;RPNA(i)为第i个交通路口节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_node(i)为第i个交通路口节点的经度信息,Latitude_node(i)为第i个交通路口节点的纬度信息,Height_node(i)为第i个交通路口节点的海拔信息;
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:
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_nodei(t)为t时刻第i个交通路口节点与监测点之间的相对风速角;α_nodei(t)为t时刻第i个交通路口节点的风向角;
S3.选取最优的空气质量监测站和最优的交通道路节点;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交通道路节点:
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(比如8个);
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)|
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交通路口节点:
a2.设定最远距离L_max_note,初步筛选时只考虑RPNA(i)≤L_max_note的交通路口节点,且设定符合条件的交通路口节点的数目为Nnote;设定最终选取的交通路口节点的数目为Nchoose-note;
b2.选取RPNA(i)值最小的Nini-note个交通路口节点作为初始节点,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交通路口节点的分布值:
ΔLGan(i,j)=|Longitude_an(j)-Longitude_note(i)|
ΔLTan(i,j)=|Latitude_an(j)-Latitude_note(i)|
式中Longitude_an(j)为备选节点库中第j个节点的东西向绝对位置,Latitude_an(j)为备选节点库中第j个节点的南北向绝对位置;Longitude_note(i)为第i个未进入备选节点库的交通路口节点的东西向绝对位置,Latitude_note(i)第i个未进入备选节点库的交通路口节点的南北向绝对位置;Nas-note为备选节点库中的节点数目;δnote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交通路口节点作为寻优结果,并将该未进入备选节点库的交通路口节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-note,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,以及最优的交通道路节点的交通数据信息,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;所述的交通道路节点的交通数据信息,具体包括t时刻往前若干时间内该交通道路节点的车流量;
同时,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:(以SO2浓度预测为例,剩余的所有大气污染物均采用相同步骤建立预测模型即可)
(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,即预测t+1时刻的SO2浓度
(2)获取训练数据;
以SO2浓度为例(剩余的所有大气污染物均采用相同步骤获取训练数据即可),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:
(3)构建SVM预测模型;
初始化SVM模型结构及各层权值矩阵,将训练矩阵归一化后与实值列向量一起输入模型中,采用高斯核函数作为SVM的核函数。采用均方差损失函数作为SVM的损失函数。初始化高斯核的超参数σ及SVM惩罚因子c,由于这两个超参数的不同取值会极大影响最终的分类准确率,所以本发明采用K折叠交叉验证(K-fold Cross Validation,K-CV)的方式对其进行优化;
首先将训练集均分为10组子集,将其中的9组作为训练集,剩余一组作为测试集,对SVM模型进行训练及测试,获取测试准确率。分别将10组子集作为测试集,求取最终的10组预测精度MAE值作为相应参数选择的评价指标;
而参数的选择方式采用交叉遍历的方式,分别选定核参数σ及惩罚因子c的取值范围及迭代步长,采用循环嵌套的方式遍历不同取值组合下上述评价指标,将评价指标最高的参数组合作为最终的最优参数;
参数寻优后采用训练集对SVM模型进行训练,并用测试集进行测试,得到最终的故障识别预判断模型;
(4)采用步骤(3)构建的SVM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,将输入上述预测模型得到t+1时刻的SO2浓度作为新的监测点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:(以SO2为例,剩余的大气污染物均采用相同的技术步骤构建预测模型即可):
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:
共计6×(8+Nnode)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+Nnode)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)构建深度信念网络预测模型,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+Nnode)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DBN深度学习模型中进行训练。DBN深度学习模型包括1层输入层,4层RBM层,1层全连接层和一层输出层。输入层神经元个数为6×(8+Nnode);4层RBM层神经元个数分别为12×(8+Nnode),12×(8+Nnode),6×(8+Nnode)和3×(8+Nnode);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,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DBN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;具体为采用蚁群优化算法进行优化,具体包括如下步骤:
ⅰ.初始化蚁群参数;包括信息启发因子α、期望启发因子β,蚁群数量Np,信息挥发因子ρ,令时刻t=0,随机初始化初代种群D0;
ⅱ.将Np个蚂蚁分别放置于所属的初始领域内,计算每个蚂蚁的转移概率,并按照转移概率移动;
ⅲ.评价每个蚂蚁时,采用该粒子对应权值对进行步骤3)中的训练测试,将MAE值作为目标函数值,计算种群中每只蚂蚁的目标函数值并记录当前最优值;
ⅳ.修正每只蚂蚁的信息素强度;
ⅴ.判断是否满足终止条件:
若满足终止条件,则完成权值优化,输出最优解;
若不满足终止条件,则重复步骤ⅲ~步骤ⅴ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ANN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;具体包括如下步骤:
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、湿度特征、气压特征;由于同一区域相同时刻上述环境特征基本保持恒定,所以实际使用中只需由相关部门提供城市区域大范围内环境特征实时数据即可;
月份特征直接输入预测时间所述的月份值,即1~12;
地理信息特征为区域中心所处的经纬度,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),该特征针对同一区域为固定值;
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;
温度特征为当地气象局所提供的t+1时刻预测室外温度;
湿度特征为当地气象局所提供的t时刻室外湿度;
气压特征为当地气象局所提供的t时刻大气气压;
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8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,训练离群鲁棒性极限学习机(ORELM);ORELM网络结构共分为4层,第一层输入层神经元个数为8;第二第三层为隐含层,神经元个数分别为12和6个;第四层为输出层,神经元个数为1。拟定最大迭代数为2000,正则化参数为C,采用sigmoid函数为激活函数;
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,对监测区域的城市交通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:
首先向平台内导入区域二维地图,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;
然后,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交通排放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交通道路节点,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城市交通污染排放进行可视化预警。
本发明提供的这种一种交通排放污染可视化预警方法,与传统大气污染物预测方式相比,具有如下优势:
(1)针对不同的待预测点,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,本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。
(2)采用了结合空间位置信息的方式实现对于城市区域内任意点的大气污染物浓度预测,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。
(3)在传统大气污染物预测模型的基础上利用交通节点车流量这一关键要素进行预测,能够在一定程度上衡量汽车排放对任意点大气污染物浓度的影响,对于城市道路交通区域的大气污染物预测精度具有显著提升效果。
(4)构建了城市道路交通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平台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。
(5)利用DBN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,同时采用蚁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。
(6)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。
(7)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 (10)
1.一种交通排放污染可视化预警方法,包括如下步骤:
S1.在监测区域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区域的基础数据信息;
S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域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交通道路节点;
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,以及最优的交通道路节点的交通数据信息,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,对监测区域的城市交通污染排放进行可视化预警。
2.根据权利要求1所述的交通排放污染可视化预警方法,其特征在于步骤S1所述的在监测区域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区域的基础数据信息,具体为采用空气质量监测车,以移动的方式在监测区域进行随机移动,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,同时记录监测区域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所述的交通排放污染可视化预警方法,其特征在于步骤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个交通路口节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
ΔLGNA(i)=Longitude_node(i)-Longitude_A1
ΔLTNA(i)=Latitude_node(i)-Latitude_A1
ΔHNA(i)=Height_node(i)-Height_A1
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;ΔLGNA(i)为第i个交通路口节点与监测点的东西距离相对量;ΔLTNA(i)为第i个交通路口节点与监测点的南北距离相对量;ΔHNA(i)为第i个交通路口节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;RPNA(i)为第i个交通路口节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_node(i)为第i个交通路口节点的经度信息,Latitude_node(i)为第i个交通路口节点的纬度信息,Height_node(i)为第i个交通路口节点的海拔信息;
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:
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_nodei(t)为t时刻第i个交通路口节点与监测点之间的相对风速角;α_nodei(t)为t时刻第i个交通路口节点的风向角。
4.根据权利要求3所述的交通排放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交通道路节点,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交通道路节点:
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)|
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交通路口节点:
a2.设定最远距离L_max_note,初步筛选时只考虑RPNA(i)≤L_max_note的交通路口节点,且设定符合条件的交通路口节点的数目为Nnote;设定最终选取的交通路口节点的数目为Nchoose-note;
b2.选取RPNA(i)值最小的Nini-note个交通路口节点作为初始节点,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交通路口节点的分布值:
ΔLGan(i,j)=|Longitude_an(j)-Longitude_note(i)|
ΔLTan(i,j)=|Latitude_an(j)-Latitude_note(i)|
式中Longitude_an(j)为备选节点库中第j个节点的东西向绝对位置,Latitude_an(j)为备选节点库中第j个节点的南北向绝对位置;Longitude_note(i)为第i个未进入备选节点库的交通路口节点的东西向绝对位置,Latitude_note(i)第i个未进入备选节点库的交通路口节点的南北向绝对位置;Nas-note为备选节点库中的节点数目;δnote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交通路口节点作为寻优结果,并将该未进入备选节点库的交通路口节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-note,寻优结束。
5.根据权利要求1~4之一所述的交通排放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;所述的交通道路节点的交通数据信息,具体包括t时刻往前若干时间内该交通道路节点的车流量。
6.根据权利要求5所述的交通排放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SVM预测模型;
(4)采用步骤(3)构建的SVM预测模型对t+1时刻的污染物浓度进行预测。
7.根据权利要求6所述的交通排放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)构建深度信念网络预测模型,并进行测试;
4)对权重权值进行优化,具体为采用蚁群优化算法进行优化;包括如下步骤:
ⅰ.初始化蚁群参数;
ⅱ.将Np个蚂蚁分别放置于所属的初始领域内,计算每个蚂蚁的转移概率,并按照转移概率移动;
ⅲ.评价每个蚂蚁时,采用该粒子对应权值对进行步骤3)中的训练测试,将平均绝对误差值作为目标函数值,计算种群中每只蚂蚁的目标函数值并记录当前最优值;
ⅳ.修正每只蚂蚁的信息素强度;
ⅴ.判断是否满足终止条件:
若满足终止条件,则完成权值优化,输出最优解;
若不满足终止条件,则重复步骤ⅲ~步骤ⅴ直至满足终止条件。
8.根据权利要求7所述的交通排放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ANN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。
9.根据权利要求8所述的交通排放污染可视化预警方法,其特征在于步骤S7所述的对监测区域的城市交通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。
10.一种实现权利要求1~9之一所述的交通排放污染可视化预警方法的系统,其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交通道路节点,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城市交通污染排放进行可视化预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677429.7A CN110346518B (zh) | 2019-07-25 | 2019-07-25 | 一种交通排放污染可视化预警方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677429.7A CN110346518B (zh) | 2019-07-25 | 2019-07-25 | 一种交通排放污染可视化预警方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110346518A true CN110346518A (zh) | 2019-10-18 |
CN110346518B CN110346518B (zh) | 2021-06-15 |
Family
ID=68180136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910677429.7A Active CN110346518B (zh) | 2019-07-25 | 2019-07-25 | 一种交通排放污染可视化预警方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110346518B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112485319A (zh) * | 2020-10-19 | 2021-03-12 | 上海畅合智能技术有限公司 | 大气环境走航监测方法及信息处理方法、装置、监测车 |
CN113011455A (zh) * | 2021-02-02 | 2021-06-22 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
CN113822522A (zh) * | 2021-06-23 | 2021-12-21 | 中国科学院空天信息创新研究院 | 一种滑坡易发性评估方法、装置、设备及可读存储介质 |
US11495124B2 (en) * | 2019-11-22 | 2022-11-08 | At&T Intellectual Property I, L.P. | Traffic pattern detection for creating a simulated traffic zone experience |
US11587049B2 (en) | 2019-11-22 | 2023-02-21 | At&T Intellectual Property I, L.P. | Combining user device identity with vehicle information for traffic zone detection |
CN118376738A (zh) * | 2024-06-21 | 2024-07-23 | 贵州交投高新科技有限公司 | 一种大数据支持的交通碳排放监测方法及监测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840635A (zh) * | 2010-05-06 | 2010-09-22 | 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 |
CN103514366A (zh) * | 2013-09-13 | 2014-01-15 | 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 |
CN105488316A (zh) * | 2014-09-17 | 2016-04-13 | 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 |
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 |
CN108701274A (zh) * | 2017-05-24 | 2018-10-23 | 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 |
CN108875127A (zh) * | 2018-04-28 | 2018-11-23 | 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 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 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 |
CN109657858A (zh) * | 2018-12-17 | 2019-04-19 | 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 |
-
2019
- 2019-07-25 CN CN201910677429.7A patent/CN110346518B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101840635A (zh) * | 2010-05-06 | 2010-09-22 | 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 |
CN103514366A (zh) * | 2013-09-13 | 2014-01-15 | 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 |
CN105488316A (zh) * | 2014-09-17 | 2016-04-13 | 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 |
CN108701274A (zh) * | 2017-05-24 | 2018-10-23 | 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 |
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 |
CN108875127A (zh) * | 2018-04-28 | 2018-11-23 | 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 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 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 |
CN109657858A (zh) * | 2018-12-17 | 2019-04-19 | 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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11495124B2 (en) * | 2019-11-22 | 2022-11-08 | At&T Intellectual Property I, L.P. | Traffic pattern detection for creating a simulated traffic zone experience |
US11587049B2 (en) | 2019-11-22 | 2023-02-21 | At&T Intellectual Property I, L.P. | Combining user device identity with vehicle information for traffic zone detection |
CN112485319A (zh) * | 2020-10-19 | 2021-03-12 | 上海畅合智能技术有限公司 | 大气环境走航监测方法及信息处理方法、装置、监测车 |
CN113011455A (zh) * | 2021-02-02 | 2021-06-22 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
CN113011455B (zh) * | 2021-02-02 | 2024-01-05 | 北京数汇通信息技术有限公司 | 一种空气质量预测svm模型构建方法 |
CN113822522A (zh) * | 2021-06-23 | 2021-12-21 | 中国科学院空天信息创新研究院 | 一种滑坡易发性评估方法、装置、设备及可读存储介质 |
CN113822522B (zh) * | 2021-06-23 | 2024-09-20 | 中国科学院空天信息创新研究院 | 一种滑坡易发性评估方法、装置、设备及可读存储介质 |
CN118376738A (zh) * | 2024-06-21 | 2024-07-23 | 贵州交投高新科技有限公司 | 一种大数据支持的交通碳排放监测方法及监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110346518B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346517A (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
CN110346518A (zh) | 一种交通排放污染可视化预警方法及其系统 | |
CN106650825B (zh) | 一种机动车尾气排放数据融合系统 | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
CN105608697B (zh) | 基于遥感气溶胶和萤火虫群算法的空气污染源识别方法 | |
CN114356880A (zh) | 基于数据驱动的小尺度区域大气污染物快速溯源方法 | |
CN109063908B (zh) | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 | |
CN109242291A (zh) | 河湖流域水环境智慧管理方法 | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
CN106651036A (zh) | 空气质量预报系统 | |
CN109934377A (zh) | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 | |
CN111696369B (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 | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
CN110503139A (zh) | 一种城市区域尾气污染预测方法 | |
CN113112068A (zh) | 一种村镇公共设施选址布局的方法及其系统 | |
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 | |
Xu et al. | Fine-grained prediction of PM2. 5 concentration based on multisource data and deep learning | |
CN108492553A (zh) | 一种面向实时路网排放评估的车辆活动水平分析方法 | |
CN108090624B (zh) | 一种改进元胞自动机的城市生态安全模拟与预测的方法 | |
CN112163367A (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
Lin et al. | Building autocorrelation-aware representations for fine-scale spatiotemporal prediction | |
Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN114139984B (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 |
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 |