CN110533239A - 一种智慧城市空气品质高精度测量方法 - Google Patents

Abstract

本发明公开了一种智慧城市空气品质高精度测量方法，从优化传感器空间布置、空气质量预测纠正等角度，提高区域空气品质测量的准确度，符合区域内不同位置人体对空气品质的感知测量。考虑颗粒物及部分气体成分扩散的因素，区域内的空气质量传感器组应在不同地点冗余布置，同时考虑不同气体成分变化对未来空气质量数据的影响，对未来的空气质量数据做出精准预测，得出区域空气品质的最准确测量结果。该方法同时可以排查传感器的异常情况，为空气污染提供足够的预警时间。

Description

一种智慧城市空气品质高精度测量方法

技术领域

本发明涉及一种空气质量检测与预警领域，特别是一种智慧城市空气品质高精度测量方法。

背景技术

空气质量的问题成为近几年来各国关注的焦点问题。由于废料、尾气产生的有害细颗粒物造成大气环境的污染，也就是广为人知的PM2.5及PM10。空气质量的问题不仅会对人体的身体健康造成永久性的危害，也会对生态系统及社会生产造成不利影响。因此，采用对空气质量进行监测和管理的方法可以在一定程度上解决空气污染造成的影响。

现阶段，区域内的空气质量检测传感器在一般情况下只设置一组，并且所负责的工作范围较大，其监测数值往往不能准确反应监测范围内所有地点的空气品质情况。但是在区域内采集冗余设计，布置大量检测传感器时，系统的计算速度又无法达到要求，无法对未来做出有效地预警。

伴随着人工智能和大数据技术的发展，使大量空气质量数据的预测成为可能，本发明提出一种以传感器测量为主、空气质量预测为辅的空气品质高精度测量方法，即在区域内采取传感器组冗余布置，在计算某一个地点地未来空气品质数据时，综合考虑不同周边环境和不同气体成分的影响，得出该地点空气品质的最准确结果，做出有效地预警。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种智慧城市空气品质高精度测量方法，提高区域空气品质测量的准确度。

为解决上述技术问题，本发明所采用的技术方案是：一种智慧城市空气品质高精度测量方法，包括以下步骤：

1)采集各监测点的初始空气质量数据；

2)对于每一个监测点，将所述监测点的初始空气质量数据划分为多组训练集，利用每组训练集训练一个预测器，任一个预测器的具体训练过程包括：

2a)将一组训练集内的数据经过EWT信号分解，得到多个子序列；

2b)对每个子序列使用LSTM训练和预测，得到LSTM网络；

2c)采用反向误差传播算法对LSTM网络进行多次迭代，完成对一个子序列的LSTM网络的训练过程；

2d)重复步骤2b)和2c)，得到n个LSTM神经网络，n为子序列的数目；

2e)利用n个LSTM神经网络对子序列进行预测，得到每组子序列的预测结果，将所述预测结果进行重构后得到预测器的预测结果；

3)将所有预测器输出的预测结果按照权重加权相加，得到最终的预测结果。

步骤3)之后，还包括：

4)使用灰狼优化算法优化每个预测器的权重，将M组输出结果按照优化后的权重加权，得到模型A的输出结果，即得到未来T分钟的空气质量变化值；其中M为训练集的组数。

步骤4)之后，还包括：

5)通过以下公式计算随机选取的无传感器地点的未来空气品质y，其中，为该无传感器地点各相邻监测点的空气质量变化值，l_i为第i个相邻监测点与所述随机选取的监测点的距离，为所有相邻监测点到该无传感器地点距离之和，P为3或4。

步骤5)之后，还包括：

6)当预测未来30分钟AQI指数均小于或等于100时，则不采取处理措施，继续空气质量监控及预测；当未来30分钟AQI指数大于100但均小于或等于200时，采取一级应急措施：提交记录、向管理人员发出警报、向该位置(即上述随机选取的无传感器地点)所在的三角区域发布预警信息；当未来30分钟AQI指数大于200时，采取二级应急措施：提交记录、向管理人员发出警报、向该三角区域发布预警信息、通过互联网发布信息。

步骤6)之后，还包括：持续对空气质量进行检测并上传，实时更新全部空气质量数据，所有监测点的Spark分布式预测模型则根据更新后的数据持续进行预测。

所述监测点的布置方法包括：在空间范围内均匀间隔布置监测点，相邻监测点的距离为1KM，且所述空间范围内的每个监测点均有3个与之相邻的监测点。

每个所述监测点上均安装有颗粒物浓度检测传感器和气体成分浓度分析传感器。

所述空气质量数据包括：PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度及CO浓度。

与现有技术相比，本发明所具有的有益效果为：本发明提高区域空气品质测量的准确度，符合区域内不同位置人体对空气品质的感知；考虑颗粒物及部分气体成分扩散的因素，区域内的空气质量传感器组应在不同地点冗余布置，同时考虑不同气体成分变化对未来空气质量数据的影响，对未来的空气质量数据做出精准预测，得出区域空气品质的最准确测量结果；该方法同时可以排查传感器的异常情况，为空气污染提供足够的预警时间。

附图说明

图1为区域内冗余布置监测点的空间分布图。

图2为基于Hadoop的HDFS空气质量大数据存储框架。

图3为系统工作流程图。

具体实施方式

步骤1：数据采集。

区域内各监测点的传感器组开始工作，收集初始的空气质量数据，空气质量数据的采集基于现存的颗粒物浓度检测传感器和气体成分浓度分析传感器即可，采样间隔5分钟。

所述空气质量数据包括：PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度及CO浓度。特别地，初次启动需采集本监测点的地理位置信息，即本站点的精确经纬度坐标。

特别地，该区域内的传感器采取冗余设计，在空间范围内均匀间隔布置大量检测传感器组监测站点，相邻监测点距离1KM，确保在该区域内任取一点，可在其周边找到3个相邻的监测站点，使用这3个站点的空气质量数据可以预测该点未来的空气品质变化。具体的空间布置如图1。

步骤2：数据传输。

各监测点将采集的空气质量数据通过实时传输给Hadoop大数据云端存储平台。传输过程要求光纤介质传输以保证传输速度，传输时各空气质量指标并行传输，初次传输还应传输本监测点的地理位置信息。

步骤3：数据存储。

将数据存储至云端Hadoop大数据存储平台，Hadoop平台可以提供快速的大数据读写功能，并且基于Hadoop平台的Spark分布式计算系统可以并行快速地对数据进行处理和计算，因此本发明选用Hadoop平台作为大数据管理平台。

在Hadoop大数据存储平台，按照HDFS分布式文件管理框架将传输来的空气质量大数据进行写入。所述HDFS分布式文件管理框架按照地点-指标-时间三个维度来建立检索标签。特别地，由于本系统的大数据传输为实时的流式输入，并且在读取时通常为获取大量数据进行处理，因此HDFS中的存储格式采用SequenceFile格式、采取不压缩的<Key、Value>方式进行行存储，其中Key设为相应Value的采集时间编号，相邻时间编号间隔为采集时间间隔5分钟。在初次传输时，对各个监测点的地理位置信息单独存储，具体框架图如图2。

步骤4：按照步骤3的方式进行空气质量数据的写入，在各监测点的各指标空气质量数据量达到5000时，可以进行未来任意地点的空气品质预测。

步骤5：数据获取。

当监测点计算其未来空气质量数据时，从Hadoop大数据存储平台中获取模型训练所需要的数据。获取的数据包括：该监测点各个空气质量指标的历史5000个数据点，共6*5000个数据点。

步骤6：所有监测点的未来空气质量数据预测(以任意一个监测点为例)。

基于Spark平台，建立分布式计算空气质量多指标输入集成模型对监测点未来的空气质量数据进行预测，模型的训练和预测过程可以在Spark平台中进行并行计算，适用于空气质量的大数据环境，根据获取的数据对模型进行训练，预测未来30分钟所有指标的数据变化，以预测该监测点的未来PM2.5数据变化，则模型的具体训练步骤如下：

1.训练集划分：模型训练集为该监测点6组指标的5000个历史数据点，共6*5000个数据，每组指标训练一个预测器。即5000个PM2.5数据训练第1个PM2.5预测器、5000个PM10数据训练第2个PM2.5预测器、5000个SO2数据训练第3个PM2.5预测器、5000个NO2数据训练第4个PM2.5预测器、5000个O3数据训练第5个PM2.5预测器、5000个CO数据训练第6个PM2.5预测器。特别地，这些数据需要被转化为弹性分布式数据集格式(RDD)，以便在Spark平台中并行计算。

2.预测器：每组指标所用的预测器相同，均采用在时间序列预测效果好的深度学习方法，采用经验小波分解-长短期记忆网络(EWT-LSTM)模型，在Spark平台搭建，在训练和预测过程中进行分布式并行计算。以该监测点的第1个PM2.5预测器为例，该预测器结构及训练过程如下：

2A.5000个一维PM2.5数据首先经过EWT进行信号分解，降低原始PM2.5序列的复杂程度，使得LSTM神经网络可以更好地拟合每个子序列。EWT使用经验小波函数和经验尺度函数处理原始PM2.5序列，将原始PM2.5序列自适应地分解为多个子序列，每个PM2.5子序列包括5000个数据。

2B.对每个分解得到的PM2.5子序列，使用LSTM训练和预测，LSTM网络结构中具有三种独特的门限结构：输入门、遗忘门和输出门，LSTM的输入门个数M＝25，输出门个数为N＝6。定a_z,a_i,a_f,a_o∈R^N×M是LSTM的输入权重；r_z,r_i,r_f,r_o∈R^N×M是LSTM的输出权重；LSTM状态的权重设为ω_i,ω_f,ω_o∈R^N；偏置设为b_z,b_i,b_f,b_o∈R^N，则LSTM预测器的建模过程如下：

z^t＝g(azx^t+rzy^t-1+b_z) (1)

其中z^t为输入门的激励，x^t为输入向量，t为迭代次数，g(x)为输入门的激励函数。遗忘的过程如下：

其中i^t为输出门的激励，f^t为遗忘门的激励，c^t＝z^ti^t+c^t-1f为单元状态，f(x)为遗忘门的激励函数。输出的过程如下：

o^t＝f(aox^t+roy^t-1+ωoc^t-1+b_o) (3)

其中o^t为输出门，则当前单元的输出如下：

y^t＝h(c^t)o^t (4)

其中h(x)为输出门的激励函数。

在本专利中，所述输入门和输出门的激励函数设为双曲正切函数，遗忘门的激励函数设为Sigmoid函数，公式如下：

进一步地，采用反向误差传播算法(BP)对LSTM网络进行多次迭代，完成对一个子序列的LSTM网络。

2C.一个PM2.5子序列LSTM网络训练完成后，重复步骤8B进行其它子序列的训练，即一个PM2.5预测器需要n个LSTM神经网络，n为子序列的数目。

2D.所有训练完成后的LSTM神经网络对PM2.5子序列进行预测，得到每组子序列的预测结果，将这些预测结果进行重构后得到该PM2.5预测器的预测结果。

3.其它PM2.5预测器的训练及预测步骤同2。特别地，这些预测器的数据分解、训练及预测过程在Spark分布式框架中并行进行。

4.当所有PM2.5预测器预测完成后，将得到6组输出结果，每组6个输出数据点，6组输出结果应当按合适的比例加权得到最终的PM2.5预测结果。

5由于灰狼优化算法(GWO)可以实现多个参数的寻优过程，使用灰狼优化算法优化每个预测器的权重，将6组输出结果按照优化后的权重加权，得到最终模型的输出结果，该优化过程如下：

5A.确定优化变量，使用GWO优化6个预测器的输出结果权重，分别设其为W_i,i＝1,2,...,6。

5B.确定搜索空间，由于优化6个参数，所以GWO的搜索空间为六维，设初始每个预测器的权重为W_i0＝0.1667，则每个维度搜索空间的上界和下界按下式求得：

其中和分别为每个权重的搜索空间上界和下界，a₁＝0,a₂＝6为控制搜索空间大小的系数，特别地，这里需要限制条件

5C.生成初始化种群，种群中每个个体狼的位置有6个维度，分别对应于6个预测器的权重，狼群中第p头狼的位置记为pos_p，则有：

其中i＝1,2,...,6，r∈[0,1]为随机数。

5D.确定优化目标函数，目标函数明确GWO的优化方向，选取预测结果与真实值的平均绝对误差作为当前权重的评价指标，目标函数如下：

其中x(i)为PM2.5序列的真实值，为预测出的PM2.5值，n为样本数。

6.得到优化后的各预测器权重，按照该权重得到模型的最终输出结果，即为该监测点未来30分钟的PM2.5空气质量变化。

7.该监测点其他指标的预测均使用该模型训练与预测，过程同1-6相同。

8.其它监测点各指标的预测均使用该模型训练与预测，过程同1-7相同。

步骤7：对于无传感器地点的空气品质计算。

由于该地点没有监测点的空气质量传感器组，因此该地点的空气品质应当使用其相邻监测点的未来空气质量数据计算得到，单独使用一个监测点代替整个区域内的空气品质的方法不合理不准确。

以计算该随机选取点的未来PM2.5品质为例，当该选取点位于三角形区域内时，其相邻监测点为3，使用这3个监测点的数据计算该点的空气品质；当该选取点位于三角形边上时，即任意两个监测点连线上，其相邻监测点设4为，使用4个监测点的数据计算该点的空气品质。如图一中给出的两种例子。

步骤6中已经预测出这些监测点的空气质量数据，则通过以下公式计算该随机选取点的未来空气品质y：

其中，为步骤6中各监测点的PM2.5预测值，l_i为第i个相邻监测点与该随机选取点的距离，为所有相邻监测点到该位置距离之和，P为3或4。

该点的其它空气指标品质计算方法相同，使用其相邻监测点的该指标数据进行计算。这样，区域内任意地点的当前或未来空气品质均可通过计算得到，建立了一种区域内所有地点的空气品质高精度测量方法。

特别地，对该点的未来空气品质进行评定，使用国家标准的空气质量指数(AQI)进行评定，针对不同的未来AQI采取分级的处理方法，处理方法如下：

当预测未来30分钟AQI指数均小于或等于100，则不采取处理措施，继续空气质量监控及预测；

当未来30分钟AQI指数存在大于100但均小于或等于200时，采取一级应急措施：向系统提交记录、向管理人员发出警报、通过互联网及短信方式向该三角区域发布预警信息；

当未来30分钟AQI指数存在大于200的情况时，采取二级应急措施：向系统提交记录、向管理人员发出警报、通过互联网及短信方式该三角区域发布预警信息、通过互联网向全市发布信息。

步骤8：各监测点持续对空气质量进行检测并上传，Hadoop大数据存储平台实时更新全部空气质量数据，所有监测点的Spark分布式预测模型则根据更新后的数据持续进行预测。特别地，空气质量数据的采集和更新的时间间隔均为5分钟，上传和预测均有充足时间进行，且在第一次训练完成后的一段时间内，所述Spark分布式预测模型不需要再次进行训练，只加入更新后的数据进行预测。

进一步地，当需要知道某一随机地点的精确空气品质时，按照步骤7进行计算。

步骤9：所述Spark分布式预测模型需要定期进行重新训练，重新训练的时间间隔设定为9小时，或在预测结果与实际值偏差较大时进行重新训练。特别地，当出现预测结果与实际值偏差较大时，同时检查该监测点的传感器组是否出现故障，排查异常。

(1)有益效果

本发明提出一种覆盖全区域的空气品质高精度测量和计算方法，基于大数据和人工智能技术，具有以下优点：

提供精度更高的空气品质数据。除在各监测点使用高精度颗粒物浓度传感器和气体成分浓度分析传感器外，建立空气质量多指标输入集成模型，通过大量数据的训练，可以进行高精度的空气质量数据预测。使用预测的空气质量数据可以进一步判断实际监测数据是否异常，排查故障传感器。

提供更大数据量的管理方式。使用Hadoop大数据平台存储各监测点的空气质量数据，建立完善的文件存储体系，读取和写入速度更快、数据量更大，将空气质量的管理带入大数据时代。

提供更快的计算速度。在Hadoop大数据平台的基础上，使用Spark分布式计算平台建立分布式的并行计算预测模型，提供更快的计算速度，满足空气质量大数据系统工作的时间要求。

提供区域全覆盖的空气质量管理。在区域内建立采取冗余布置的多组监测站点，使得区域内任一选取点的空气品质均可使用其相邻监测点的空气质量数据计算得到。

Claims (8)

1.一种智慧城市空气品质高精度测量方法，其特征在于，包括以下步骤：

1)在区域内建立全覆盖的网状监测站点组，在每个监测点布置一组空气质量传感器，检测多种空气质量指标，且该区域内的每一个监测点都有3个相邻的监测点；

2)将各监测点将采集的空气质量数据实时传输给Hadoop大数据云端存储平台；

3)按照HDFS分布式文件管理框架将传输来的空气质量大数据进行写入，所述HDFS分布式文件管理框架按照地点-指标-时间三个维度来建立检索标签；

4)当各监测点的各指标空气质量数据量达到5000，且在监测点计算其未来空气质量数据时，从Hadoop大数据存储平台中获取模型训练所需要的数据。获取的数据包括：该监测点各个空气质量指标的历史5000个数据点，共6*5000个数据点；

5)基于Spark分布式计算平台，建立一种空气质量多指标输入集成模型，对监测点未来的空气质量数据进行预测，集成模型中包括6个子预测器，分别以对应6个空气质量指标作为输入，未来的某种空气质量作为输出。模型中子预测器的训练和预测过程在Spark平台中进行并行计算，适用于空气质量的大数据环境。使用灰狼优化算法优化集成模型中所有子预测器的权重；

6)将6组输出结果按照优化后的权重加权，得到该监测点未来30分种该种空气质量变化；

7)对于区域内任意选取的无传感器地点，使用其周边的相邻监测点预测数据进行计算，即通过以下公式计算无传感器地点的未来空气品质y，其中，为该无传感器地点各相邻监测点的未来该种空气质量变化值，l_i为第i个相邻监测点与所述随机选取的监测点的距离，为所有相邻监测点到该无传感器地点距离之和，P为3或4。

2.根据权利要求1所述的智慧城市空气品质高精度测量方法，其特征在于，步骤4)之后，还包括：

当预测未来30分钟AQI指数均小于或等于100时，则不采取处理措施，继续空气质量监控及预测；当未来30分钟AQI指数大于100但均小于或等于200时，采取一级应急措施：提交记录、向管理人员发出警报、向所述随机选取的无传感器地点所在的三角区域发布预警信息；当未来30分钟AQI指数大于200时，采取二级应急措施：提交记录、向管理人员发出警报、向该三角区域发布预警信息、通过互联网发布信息。

3.根据权利要求1所述的智慧城市空气品质高精度测量方法，其特征在于，步骤6)之后，还包括：持续对空气质量进行检测并上传，实时更新全部空气质量数据，所有监测点的Spark分布式预测模型则根据更新后的数据持续进行预测。

4.根据权利要求1所述的智慧城市空气品质高精度测量方法，其特征在于，所述区域内的监测点均匀间隔布置，相邻监测点的距离为1KM。

5.根据权利要求1～4之一所述的智慧城市空气品质高精度测量方法，其特征在于，每个所述监测点上均安装有颗粒物浓度检测传感器和气体成分浓度分析传感器。

6.根据权利要求1所述的智慧城市空气品质高精度测量方法，其特征在于，所述空气质量数据包括：PM2.5浓度、PM10浓度、SO2浓度、NO2浓度、O3浓度及CO浓度。

7.根据权利要求1所述的智慧城市空气品质高精度测量方法，其特征在于，任一个子预测器的具体训练过程包括：

a)将一组训练集内的数据经过EWT信号分解，得到多个子序列；

b)对每个子序列使用LSTM训练和预测，得到LSTM神经网络；

c)采用反向误差传播算法对LSTM网络进行多次迭代，完成对一个子序列的LSTM网络；

d)重复步骤b)和c)，得到n个LSTM神经网络，n为子序列的数目；

e)利用n个LSTM神经网络对子序列进行预测，得到每组子序列的预测结果，将所述预测结果进行重构后得到子预测器的预测结果。

8.根据权利要求7所述的智慧城市空气品质高精度测量方法，其特征在于，步骤e)之后，还包括：

使用灰狼优化算法优化每个预测器的权重，将M组输出结果按照优化后的权重加权，得到模型A的输出结果，即得到未来T分钟的空气质量变化值；其中M为训练集的组数。