CN110457760B - 一种基于空气污染传播模式的空气污染治理方法 - Google Patents
一种基于空气污染传播模式的空气污染治理方法 Download PDFInfo
- Publication number
- CN110457760B CN110457760B CN201910645554.XA CN201910645554A CN110457760B CN 110457760 B CN110457760 B CN 110457760B CN 201910645554 A CN201910645554 A CN 201910645554A CN 110457760 B CN110457760 B CN 110457760B
- Authority
- CN
- China
- Prior art keywords
- air pollution
- air
- propagation
- pollution
- 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.)
- Active
Links
Images
Abstract
本发明公开了一种基于空气污染传播模式的空气污染治理方法,包括以下步骤:(1)根据气象数据和空气污染数据,针对每一时刻每个空气监测站点,构建其与周边空气监测站点基于采样仿真的空气污染运输建模,以此得到空气污染运输实例;(2)根据空气污染运输实例,采用广度搜索的算法对时空上连续的空气污染运输实例进行连接,构成大量的空气污染传播网络;(3)对大量的空气污染传播网络进行频繁子图挖掘,提取频繁出现的污染传播路径,得到空气污染传播模式;(4)根据该空气污染传播模式采用相应的空气治理措施。该空气污染治理方法能够根据空气污染传播模式采取相应的空气治理手段,提升了空气治理效果。
Description
技术领域
本发明属于空气污染治理领域,具体涉及一种基于空气污染传播模式的空气污染治理方法。
背景技术
近年来,空气污染由于其对现代社会的许多方面的严重影响,如公共卫生环境和可持续发展,已成为全球关注的问题。减轻空气污染的首要前提之一是了解污染物如何在大空间范围内传播,从而使专家能够确定污染的起源和演变过程。然而,由于复杂和动态风场导致的污染物运输不确定,捕获此类传播过程仍然具有很大的挑战性。随着数据传感和管理技术的进步,基于大规模的广泛分布的气象站或者空气质量监测站收集得到的数据,已经有许多监测,分析和预测空气污染的数据驱动解决方案被提出,如空气质量预测和局部污染溯源。
为了分析空气污染的传播,在环境科学领域中提出了最先进的方法HYSPLIT。这种方法能自动推断污染物在大气中如何扩散并影响一个区域。虽然一定程度上确定了给定区域的潜在污染源,但HYSPLIT无法考虑:a)动态污染物传播固有的不确定性,和b)多个城市之间复杂的相互影响。而在数据科学领域中也提出了很多基于贝叶斯学习,格兰杰因果性的方法,但是这些方法不能够捕捉连续跨地区的空气污染传播。
申请公布号为CN105528753A的专利申请公开了一种基于网络病毒传播模型的空气污染溯源方法,具体包括以下步骤:获取相关子图;构造大气污染转移方程;单点溯源分析;该基于网络病毒传播模型的空气污染溯源方法,能够准确地按照时间要求寻找源头的空间位置,并且能得到源头的影响强度。
发明内容
本发明的目的是提供一种基于空气污染传播模式的空气污染治理方法,该空气污染治理方法能够很好地捕捉空气污染传播在空间上的不确定性,刻画大范围的、涉及多个地区的空气污染传播路径,根据该空气污染传播模式采用对应的空气治理手段。
本发明的技术方案为:
一种基于空气污染传播模式的空气污染治理方法,包括以下步骤:
(1)根据气象数据和空气污染数据,针对每一时刻每个空气监测站点,构建其与周边空气监测站点基于采样仿真的空气污染运输建模,以此得到空气污染运输实例;
(2)根据空气污染运输实例,采用广度搜索的算法对时空上连续的空气污染运输实例进行连接,构成大量的空气污染传播网络;
(3)对大量的空气污染传播网络进行频繁子图挖掘,提取频繁出现的候选空气污染传播模式,得到空气污染传播模式;
(4)根据该空气污染传播模式采用相应的空气治理措施。
优选地,步骤(1)的具体过程为:
在目标空气质量监测站一定半径范围内随机释放s个空气包裹,根据气象数据中的风速和风向动态地更新每一个空气包裹的位置,直到空气包裹到达下一个邻近空气质量监测站,空气污染运输时间eijt.tt为所有包裹到达该邻近空气质量监测站的时间平均值;
假设到达邻近空气质量监测站的空气包裹数目为sr,目标空气质量监测站与该邻近空气质量监测站之间的空气污染物运输概率eijt.p=sr/s;
运输的空气污染物浓度eijt.tc为目标空气质量监测站在释放空气包裹时刻的污染物浓度乘以空气污染物运输概率eijt.p;
空气污染运输对邻近空气质量监测站造成的影响eijt.a为运输的空气污染物浓度eijt.tc除以污染物到达该邻近空气质量监测站时该站点的空气污染物浓度;
则空气污染运输实例eijt表示为{目标空气质量监测站i,空气污染运输时间eijt.tt,邻近空气质量监测站j,运输的空气污染物浓度eijt.tc,空气污染物运输概率eijt.p,空气污染运输对邻近空气质量监测站造成的影响eijt.a}。
优选地,步骤(2)的具体过程为:
当且仅当两个空气污染运输实例涉及到同一个空气质量监测站,并且这两个空气污染运输实例在该空气质量监测站的时间点是一样的,则这两个空气污染运输实例在时空上连续;
(a)通过层级索引来加速空气污染运输实例的快速查询:将所有空气污染运输实例分别按照传输开始时间和传输结束时间建立索引,再分别按照上游空气质量监测站和下游空气质量监测站进行进一步的索引;
(b)进行拼接时,从某一个空气污染运输实例开始,寻找与其在时空上连续的其他空气污染运输实例进行拼接,直至无法找到能够进行拼接的空气污染运输实例为止,即得到一个空气污染传播网络,同时,对访问过的空气污染传播实例进行标记;
(c)遍历每一个未被访问过的空气污染运输实例,重复步骤(b),直至所有空气污染运输实例均被访问过,得到大量的空气污染传播网络。
优选地,步骤(3)的具体过程为:
定义污染浓度阈值λp和频繁阈值λe;
从一条边、两个节点的候选空气污染传播模式开始,不断地通过增加一条边来生成新的候选空气污染传播模式,计算每一个候选空气污染传播模式的支持度;
当一个候选空气污染传播模式出现在某个空气污染传播网络,并且在该空气污染传播网络相应的边上运输的空气污染浓度eijt.tc大于污染浓度阈值λp,即eijt.tc>λp,则该空气污染传播网络支持该候选空气污染传播模式,称这个空气污染传播网络是该候选空气污染传播模式的一个匹配传播网络,一个候选空气污染传播模式的支持度为其匹配传播网络的个数除以总时间尺度;
当且仅当候选空气污染传播模式的支持度大于频繁阈值λe,该候选的空气污染传播模式是频繁的,是一个空气污染传播模式。
其中,所述污染浓度阈值λp为20~35,频繁阈值λe为0.35~0.5。进一步地,所述污染浓度阈值λp为30,频繁阈值λe为0.4。
本发明通过基于采样的仿真和基于图的表达与挖掘方法来刻画连续的、涉及多个地区的空气污染传播过程,并且解决了过程中涉及到的不确定性。
本发明用于从气象和空气质量数据中发现空气污染传播模式,通过基于采样的仿真和基于图的表达与挖掘方法来刻画连续的、涉及多个地区的污染传播过程,并且解决了过程中涉及到的不确定性。相比已有的空气污染传播分析方法,本发明有如下几个优点:
1)能支持基于拓扑结构的空气污染传播分析,例如具有星形拓扑结构的空气污染传播模式意味着中心地区很可能是一个主要的污染源头,向周边地区传播空气污染物。
2)基于采样的污染物运输仿真和基于统计意义上的显著性污染传播模式提取,共同解决了污染传播过程中的随机性和不确定性。因此,最终得到的空气污染传播模式更具分析价值、更可信。
3)刻画了空气污染在空气质量检测站点层面上复杂的相互影响和传播过程,能够支持更具体的分析和决策,例如基于传播模式中的上游站点的污染事件进行空气污染预警,实现对空气污染的治理。
4)此外,本发明中确定的空气污染传播模式在时空大数据分析、环境治理等相关领域上有着广泛应用的潜力。
相比之前的方法,本发明能够很好地捕捉空气污染传播在空间上的不确定性,刻画大范围的、涉及多个地区的空气污染传播。从而在时空大数据分析、环境治理等相关领域上有着广泛应用的潜力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明的空气污染传播模式的构建过程流程图;
图2为利用气象和空气质量数据进行基于采样的仿真模拟来得到空气污染运输实例的过程图,其中,A为4个空气质量监测站的分布示意图,B为空气包裹的运动轨迹示意图,C为空气包裹的仿真模拟轨迹,D为空气质量监测站之间的空气污染物运输概率示意图;
图3为空气污染运输实例之间的时空连续性示意图,其中,A为时空上连续示意图,B为时间上不连续示意图,C为空间上不连续示意图,D为对时空上连续的两个空气污染运输实例拼接结果示意图。
图4为通过频繁子图挖掘算法提取显著的空气污染传播模式的过程图,其中,(a)~(f)为6个空气污染传播网络。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
参见图1~图4,本发明提供的基于空气污染传播模式的空气污染治理方法,包括以下步骤:
S101,根据气象数据和空气污染数据,针对每一时刻每个空气监测站点,构建其与周边空气监测站点基于采样仿真的空气污染运输建模,以此得到空气污染运输实例。
如图2A所示,模拟的环境中包含有4个空气质量监测站,分别为空气质量监测站1、2、3、4,如图2C,为了建模空气质量监测站1与邻近空气质量监测站2、3、4之间的空气污染物运输过程,在空气质量监测站1周边20km以内,随机释放个s=9空气包裹。
每个空气包裹的位置分别根据周边的气象状况,迭代地、动态地进行更新,如图2B。具体地,位置更新公式为其中,为空气包裹的在位置L(t)时的移动速度,M为在t时刻离该空气包裹距离小于dn的若干个气象监测站,dm为空气包裹与气象监测站m之间的距离,为气象监测站m在t时刻观测到的风场。
假设到达某个邻近空气质量监测站的空气包裹数目为sr,目标空气质量监测站与该空气质量监测站之间的空气污染物运输概率eijt.p可以表示为sr/s,运输的污染物浓度估计为目标空气质量监测站在释放空气包裹时刻的污染物浓度乘以空气污染物运输概率eijt.p,该运输事件对邻近空气质量监测站带来的影响为估计的运输污染物浓度除以污染物到达该邻近监测站时该站点的污染物浓度。
该运输事件对邻近空气质量监测站带来的影响为估计的运输污染物浓度除以污染物到达该邻近监测站时该站点的污染物浓度。这样一个污染运输事件被表示为一个空气污染运输实例eijt,表示在t时刻开始,空气污染物从空气质量监测站i,空气污染运输时间eijt.tt,运输到空气质量监测站j。除了空气污染运输时间eijt.tt之外,一个空气污染运输实例eijt包含另外三个属性,分别为运输的空气污染物浓度eijt.tc,空气污染物运输概率eijt.p,空气污染运输对下游地区造成的影响eijt.a。
每个空气包裹的仿真模拟轨迹如图2C的箭头所示。根据仿真的结果,可以得到相应的空气污染运输实例。例如,在图2C中,释放的9个空气包裹有sr=6个到达了空气质量监测站2,则相应的空气污染物运输概率为sr/s=6/9=2/3。根据仿真模拟结果,还能够得到该空气污染运输实例的其他属性,包括运输的空气污染物浓度,空气污染运输时间。类似地,如图2D所示,空气质量监测站1和3之间的空气污染物运输概率为2/9,1和4之间的为1/9。
S102,根据空气污染运输实例,采用广度搜索的算法对时空上连续的空气污染运输实例进行连接,构成大量的空气污染传播网络。
为了能够表示涉及到多个地区的、连续的污染传播过程,在S101的基础上,将时空上连续的若干个空气污染运输实例拼接起来,构造出空气污染传播网络,具体过程如下:
结合图3进行说明。当且仅当两个空气污染运输实例涉及到同一个空气质量监测站,如图3A中的空气质量监测站1,并且这两个空气污染运输实例在该空气质量监测站的时间点是一样的,如图3A中的11:00。则两个在时空上连续的空气污染运输实例可在共同的空气质量监测站、共同的时间点上相互拼接,如图3D所示。若两个空气污染运输实例涉及到同一个空气质量监测站,但是在该空气质量监测站的时间点不一样,如图3B,即时间上不连续。再如3C所示,两个空气污染运输实例运输过程中,到达空气质量监测站的时间点相同,但不是同一个空气质量监测站,即空间上不连续。对于时间上不连续和空间上不连续的情况均不能进行空气污染运输实例连接。
在构建空气污染传播网络时,通过层级索引来加速空气污染运输实例的快速查询:将所有的空气污染运输实例分别按照传输开始时间和传输结束时间建立索引,再分别按照上游空气质量监测站和下游空气质量监测站进行进一步的索引。
建立好索引后,在空气污染运输实例拼接时,从某一个空气污染运输实例开始,寻找与其在时空上连续的其他空气污染运输实例进行拼接,直至无法找到能够进行拼接的空气污染运输实例为止,这样便得到一个空气污染传播网络,同时,给访问过的空气污染传播实例进行标记。然后,遍历每一个未被访问过的空气污染运输实例,并对每个未被访问过的空气污染运输实例进行拼接,直至所有的空气污染运输实例均被访问过,最后便得到大量的空气污染传播网络,如图4(a)~图4(f)所示,包含有6个空气污染传播网络。
S103,对大量的空气污染传播网络进行频繁子图挖掘,提取频繁出现的候选空气污染传播模式,得到空气污染传播模式。
每一个单独的空气污染传播网络可能是随机事件,因此不具有足够的代表性。为了提取显著的空气污染传播模式,需要进行挖掘,具体过程为:
首先定义两个阈值,一个是污染浓度阈值λp=30和一个频繁阈值λe=0.4。
然后从一条边、两个节点的候选空气污染传播模式开始,不断地通过增加一条边来生成新的候选空气污染传播模式。对每一个候选的空气污染传播模式,计算其支持度。
具体的,当一个候选空气污染传播模式出现在某个空气污染传播网络,并且在该空气污染传播网络相应的边(拼接的空气污染运输实例)上运输的空气污染浓度大于污染浓度阈值,即eijt.tc>λp,则这个空气污染传播网络支持该候选的空气污染传播模式,也称这个空气污染传播网络是该候选空气污染传播模式的一个匹配传播网络。一个候选空气污染传播模式的支持度为其匹配传播网络的个数除以总的时间尺度。
对于图4中的候选的空气污染传播模式而言,它出现在空气污染传播网络(a)、(b)、(c)、(e)、(f)中,但是在空气污染传播网络(b)、(f)中相应的边上运输的空气污染浓度eijt.tc<λp=30。具体的,污染传播网络(b)中,从空气质量监测1运输到空气质量监测站3的空气污染浓度为10<30;空气污染传播网络(f)中,从空气质量监测2运输到空气质量监测站3的空气污染浓度为29<30。因此,该候选空气污染传播模式的匹配传播网络为空气污染传播网络(a)、(c)、(e)。总的时间尺度为6小时,因此其支持度为3/6=0.5>λe=0.4。因此它是一个有效的污染传播模式。
本实施例阐述了本发明如何从气象和空气质量数据中发现空气污染传播模式的具体案例,该流程提供了一种发掘多个地区之间空气污染关联的有效途径,具有分析粒度细,即落实到空气污染基站,可扩展性强,即可经过修改扩展到其他空间关联分析等特点。
S104,根据该空气污染传播模式采用相应的空气治理措施。
上述方法能够很好地捕捉空气污染传播在空间上的不确定性,刻画大范围的、涉及多个地区的空气污染传播。从而在时空大数据分析、环境治理等相关领域上有着广泛应用的潜力。这些空气污染传播模式能有效帮助领域专家、有关的环境部门制定有效的空气污染治理政策。例如找到污染的源头,与当地部门进行协商,联合指定政策;或者根据上游城市的污染事件对下游城市进行提前预警。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于空气污染传播模式的空气污染治理方法,包括以下步骤:
(1)根据气象数据和空气污染数据,针对每一时刻每个空气监测站点,构建其与周边空气监测站点基于采样仿真的空气污染运输建模,以此得到空气污染运输实例;
(2)根据空气污染运输实例,采用广度搜索的算法对时空上连续的空气污染运输实例进行连接,构成大量的空气污染传播网络;
(3)对大量的空气污染传播网络进行频繁子图挖掘,提取频繁出现的候选空气污染传播模式,得到空气污染传播模式;
(4)根据该空气污染传播模式采用相应的空气治理措施;
其中,步骤(1)的具体过程为:
在目标空气质量监测站一定半径范围内随机释放s个空气包裹,根据气象数据中的风速和风向动态地更新每一个空气包裹的位置,直到空气包裹到达下一个邻近空气质量监测站,空气污染运输时间eijt.tt为所有包裹到达该邻近空气质量监测站的时间平均值;
假设到达邻近空气质量监测站的空气包裹数目为sr,目标空气质量监测站与该邻近空气质量监测站之间的空气污染物运输概率eijt.p=sr/s;
运输的空气污染物浓度eijt.tc为目标空气质量监测站在释放空气包裹时刻的污染物浓度乘以空气污染物运输概率eijt.p;
空气污染运输对邻近空气质量监测站造成的影响eijt.a为运输的空气污染物浓度eijt.tc除以污染物到达该邻近空气质量监测站时该站点的空气污染物浓度;
则空气污染运输实例eijt表示为{目标空气质量监测站i,空气污染运输时间eijt.tt,邻近空气质量监测站j,运输的空气污染物浓度eijt.tc,空气污染物运输概率eijt.p,空气污染运输对邻近空气质量监测站造成的影响eijt.a};
其中,步骤(2)的具体过程为:
当且仅当两个空气污染运输实例涉及到同一个空气质量监测站,并且这两个空气污染运输实例在该空气质量监测站的时间点是一样的,则这两个空气污染运输实例在时空上连续;
(a)通过层级索引来加速空气污染运输实例的快速查询:将所有空气污染运输实例分别按照传输开始时间和传输结束时间建立索引,再分别按照上游空气质量监测站和下游空气质量监测站进行进一步的索引;
(b)进行拼接时,从某一个空气污染运输实例开始,寻找与其在时空上连续的其他空气污染运输实例进行拼接,直至无法找到能够进行拼接的空气污染运输实例为止,即得到一个空气污染传播网络,同时,对访问过的空气污染传播实例进行标记;
(c)遍历每一个未被访问过的空气污染运输实例,重复步骤(b),直至所有空气污染运输实例均被访问过,得到大量的空气污染传播网络;
其中,步骤(3)的具体过程为:
定义污染浓度阈值λp和频繁阈值λe;
从一条边、两个节点的候选空气污染传播模式开始,不断地通过增加一条边来生成新的候选空气污染传播模式,计算每一个候选空气污染传播模式的支持度;
当一个候选空气污染传播模式出现在某个空气污染传播网络,并且在该空气污染传播网络相应的边上运输的空气污染浓度eijt.tc大于污染浓度阈值λp,即eijt.tc>λp,则该空气污染传播网络支持该候选空气污染传播模式,称这个空气污染传播网络是该候选空气污染传播模式的一个匹配传播网络,一个候选空气污染传播模式的支持度为其匹配传播网络的个数除以总时间尺度;
当且仅当候选空气污染传播模式的支持度大于频繁阈值λe,该候选的空气污染传播模式是频繁的,是一个空气污染传播模式。
2.如权利要求1所述的基于空气污染传播模式的空气污染治理方法,其特征在于,所述污染浓度阈值λp为20~35,频繁阈值λe为0.35~0.5。
3.如权利要求2所述的基于空气污染传播模式的空气污染治理方法,其特征在于,所述污染浓度阈值λp为30,频繁阈值λe为0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645554.XA CN110457760B (zh) | 2019-07-17 | 2019-07-17 | 一种基于空气污染传播模式的空气污染治理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645554.XA CN110457760B (zh) | 2019-07-17 | 2019-07-17 | 一种基于空气污染传播模式的空气污染治理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110457760A CN110457760A (zh) | 2019-11-15 |
CN110457760B true CN110457760B (zh) | 2021-02-02 |
Family
ID=68482753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910645554.XA Active CN110457760B (zh) | 2019-07-17 | 2019-07-17 | 一种基于空气污染传播模式的空气污染治理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110457760B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071057B (zh) * | 2020-08-07 | 2021-08-03 | 之江实验室 | 一种在地理空间中的传播分析方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069537A (zh) * | 2015-08-25 | 2015-11-18 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
CN105117610A (zh) * | 2015-09-21 | 2015-12-02 | 黄波 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
CN105528753A (zh) * | 2015-12-14 | 2016-04-27 | 北京邮电大学 | 一种基于网络病毒传播模型的空气污染溯源方法 |
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112357B (zh) * | 2014-07-04 | 2016-01-13 | 浙江大学 | 一种恶劣霾天气的城市区域交通紧急预案方法 |
-
2019
- 2019-07-17 CN CN201910645554.XA patent/CN110457760B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069537A (zh) * | 2015-08-25 | 2015-11-18 | 中山大学 | 一种组合式空气质量预报模型的构建方法 |
CN105117610A (zh) * | 2015-09-21 | 2015-12-02 | 黄波 | 一种基于时空特征的实时估算细颗粒物浓度的方法 |
CN105528753A (zh) * | 2015-12-14 | 2016-04-27 | 北京邮电大学 | 一种基于网络病毒传播模型的空气污染溯源方法 |
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
Non-Patent Citations (2)
Title |
---|
"SVR based dense air pollution estimation model using static and wireless sensor network";Ke Hu et al.;《2016 IEEE SENSORS》;20161103;第1-3页 * |
"呼包鄂城市群环境空气质量强化监测网络设计研究";赵文佳;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20160315(第03期);B027-880 * |
Also Published As
Publication number | Publication date |
---|---|
CN110457760A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Fault-tolerant relay node placement in heterogeneous wireless sensor networks | |
Ouyang et al. | Multi-robot active sensing of non-stationary Gaussian process-based environmental phenomena | |
Han et al. | Joint air quality and weather prediction based on multi-adversarial spatiotemporal networks | |
Xu et al. | Construction of regional informatization ecological environment based on the entropy weight modified AHP hierarchy model | |
Scellato et al. | Evaluating temporal robustness of mobile networks | |
Hoque et al. | Efficient multi-hop connectivity analysis in urban vehicular networks | |
CN110012120A (zh) | 一种基于PoP网络拓扑的IP城市级定位算法 | |
Fernandes et al. | Scalable vanet simulations with ns-3 | |
Sohouenou et al. | Using a random road graph model to understand road networks robustness to link failures | |
Abu Znaid et al. | Sequential Monte Carlo localization methods in mobile wireless sensor networks: a review | |
CN105528753A (zh) | 一种基于网络病毒传播模型的空气污染溯源方法 | |
CN110457760B (zh) | 一种基于空气污染传播模式的空气污染治理方法 | |
Shakhov et al. | Towards air pollution detection with Internet of vehicles | |
CN103905276A (zh) | 一种快速的网络拓扑探测方法 | |
Mo et al. | Network simplification and k-terminal reliability evaluation of sensor-cloud systems | |
Ai et al. | Processing area queries in wireless sensor networks | |
Didwania et al. | A comparative study of various community detection algorithms in the mobile social network | |
Zhu et al. | Approximate path searching for supporting shortest path queries on road networks | |
Kim et al. | A comparison of algorithms for origin–destination matrix generation on real road networks and an approximation approach | |
Li et al. | Discovering real-time reachable area using trajectory connections | |
Hoang et al. | Processing and visualizing traffic pollution data in Hanoi City from a wireless sensor network | |
Shigezumi et al. | A fast algorithm for matching planar maps with minimum Fréchet distances | |
Yang et al. | Real‐time detection of traffic congestion based on trajectory data | |
Wang et al. | Accurate Detection of Road Network Anomaly by Understanding Crowd's Driving Strategies from Human Mobility | |
Sui et al. | Entropy-based traffic congestion propagation pattern mining with GPS data |
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 |