CN111157682A - 空气质量监测及预测系统及方法 - Google Patents
空气质量监测及预测系统及方法 Download PDFInfo
- Publication number
- CN111157682A CN111157682A CN202010012876.3A CN202010012876A CN111157682A CN 111157682 A CN111157682 A CN 111157682A CN 202010012876 A CN202010012876 A CN 202010012876A CN 111157682 A CN111157682 A CN 111157682A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- prediction
- air pollution
- monitoring data
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003915 air pollution Methods 0.000 claims abstract description 186
- 238000012795 verification Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 239000007789 gas Substances 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000003570 air Substances 0.000 description 35
- 238000005516 engineering process Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012790 confirmation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- 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
- G01N33/0067—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 by measuring the rate of variation of the concentration
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种空气质量监测及预测系统及方法，包括采集节点、存储节点及预测节点，采集节点、存储节点及预测节点构成区块链网络；采集节点实现对空气污染监测数据的获取，并将监测数据发送给监测点所在区域的存储节点；所述的存储节点在接收到监测数据后，对数据进行校验，校验通过，将数据生成区块并在系统中进行广播；其它存储节点对其进行校验，校验通过后，当前存储节点收到其它存储节点的校验信息，将区块按时间顺序存储在本地，构成链式结构；其它存储节点则将该区块的哈希值、时间标识、位置标识及该区块存储节点的信息保存在本地用于对监测数据的监督及查询；预测节点获取监测数据，结合机器学习算法对未来的空气质量做出预测。
Description
技术领域
本发明涉及一种空气质量监测及预测系统及方法。
背景技术
近年来，环境污染问题越来越严重。雾霾、温室效应、酸雨等环境问题已经严重影响到了人们的日常生活。环境问题已经成为世界各国人民关注的焦点，加强对环境的监督治理尤为重要。
目前我国采用的空气监测方法主要有以下两种：
(1)手动监测技术。监测人员通过对现场采集样品进行实验分析，得出监测数据。这种监测方法只能得到监测区某个时段内的空气污染监测数据，不能实现对监测区空气质量的实时监测，且监测结果受人为影响很大；并且如果监测区域内空气中有害气体的浓度较高时，会对监测人员的身体健康造成严重损害。
(2)自动监测技术。利用连续自动监测仪器在监测点对环境空气质量进行连续的样品采集、处理和分析。尽管这种监测方法能够对空气质量实现实时监测，但设备多是国外进口，价格昂贵、结构复杂、难以维护、运营成本较高。
空气监测数据经过监测设备采集过后，通过网络上传给国家环保部门，进行处理公布。然而在数据采集、传输和存储的过程中，数据可能受到恶意攻击或非法篡改。在数据的采集过程中，非法节点可以冒充或攻击合法采集节点，上传非法数据或是使得合法节点发生故障造成上传的空气污染监测数据出现错误；数据在传输过程中，容易被恶意篡改，使得上传的数据不合法。在存储和公布空气污染监测数据前需要对空气污染监测数据进行校验，校验的目的是为了避免因非法节点冒充、攻击合法节点，使得合法节点发生故障或数据在传输过程中被篡改等造成的上传数据不合法的情况，从而保障空气污染监测数据的真实性、合法性及完整性。
发明内容
本发明的目的在于提供一种空气质量监测及预测系统及方法。
为解决上述问题，本发明提供一种空气质量监测及预测系统，包括：
包括：采集节点、存储节点及预测节点，所述采集节点、存储节点及预测节点构成区块链网络，其中，
所述采集节点，用于对空气污染监测数据的获取，并将监测数据发送给监测点所在区域的存储节点；
所述存储节点，用于在某个存储节点接收到监测数据后，对数据进行校验，当校验通过后，该存储节点执行存储数据智能合约将数据生成区块，并在系统中广播生成的区块；其它存储节点对其进行校验，校验通过后，当前存储节点收到其它存储节点的校验信息，将区块按时间顺序存储在本地，构成链式结构；其它存储节点则将该区块的哈希值、时间标识、位置标识及该区块存储节点的信息保存在本地，用于对监测数据的监督及查询；
所述预测节点，用于获取监测数据，并结合气象监测数据、预测时刻的气象预测数据及监测点周围的环境特征的信息，利用机器学习算法对未来的空气质量做出预测。
进一步的，在上述系统中，还包括：
管理中心，用于对所述采集节点、存储节点及预测节点进行验证和权限管理。
进一步的，在上述系统中，所述采集节点，用于在通过所述管理中心验证后成为合法的采集节点，并获取系统中唯一的采集节点对应的公钥私钥对，所述采集节点对应的公钥私钥对中的公钥用于在区块链网络中广播采集数据，所述采集节点对应的公钥私钥对中的私钥用于对采集数据进行签名；
所述存储节点，用于在通过所述管理中心验证后成为合法的存储节点，并获取系统中唯一的存储节点对应的公钥私钥对，所述存储节点对应的公钥私钥对中的公钥用于在区块链网络中广播区块数据，所述存储节点对应的公钥私钥对中的私钥用于对生成的区块进行签名；
所述预测节点，用于在通过所述管理中心验证后成为合法的预测节点，并获取系统中唯一的预测节点对应的公钥私钥对，所述预测节点对应的公钥私钥对中的公钥用于在区块链网络中广播预测数据信息，所述预测节点对应的公钥私钥对在的私钥用于对预测数据信息签名；
管理中心，用于对所述采集节点、存储节点及预测节点设定权限范围。
进一步的，在上述系统中，所述管理中心，用于区块链网络初始化时对采集节点、存储节点及预测节点进行校验，校验通过后，采集节点、存储节点及预测节点成为合法节点并获取公钥私钥对；每个采集节点、存储节点或预测节点对应的公钥私钥对在所述区块链网络中具有唯一性。
进一步的，在上述系统中，所述采集节点包括：监测空气污染监测数据的多个传感器、信息加密模块及转发模块。
根据本发明的另一面，还提供一种空气质量监测及预测方法，采用上述空气质量监测及预测系统，所述方法包括：
S1，当前采集节点获取监测到的空气污染监测数据，并为获取的空气污染监测数据添加时间标识、位置标识及当前采集节点的ID，当前采集节点利用对应的私钥对所述空气污染监测数据进行签名；当前采集节点通过所述区块链网络将所述空气污染监测数据发送给监测点所在区域的存储节点；
S2，当前存储节点接收所在同一区域的采集节点发送的签名后的空气污染监测数据，并利用所述采集节点的公钥对数据进行验证，确认为有效数据后，当前存储节点获取本地存储的最新的空气污染监测数据区块的哈希值，并将其添加到当前接收到的空气污染监测数据中，添加当前存储节点的ID，并利用当前存储节点对应的私钥对数据进行签名，执行存储数据智能合约将当前所接收的空气污染监测数据通过验证后生成新的区块；
S3，当前存储节点将新生成的区块通过所述区块链网络广播给其它存储节点进行验证，并接收其它存储节点的校验信息；当校验通过后，当前存储节点将生成的区块存储在本地；其它存储节点将通过校验的区块的哈希值、时间标识、位置标识、所述当前存储节点的ID的数据按时间顺序添加到位置标识与其对应的最新记录后，更新本地的数据表；当执行查询空气污染监测数据时，所述存储节点查询数据表中的记录，根据记录中区块的哈希值、时间标识、位置标识、所述当前存储节点的ID查询任何地区任何时间的空气污染监测数据；通过记录中的时间标识及位置标识确定查询空气污染监测数据的时间及地区；通过记录中所述当前存储节点的ID查询到存储所要查询的空气污染监测数据的存储节点；通过记录中区块的哈希值查询到所要查询的空气污染监测数据的完整信息；
S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常。
进一步的，在上述方法中，S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常，包括：
所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误；同时预测节点不断将当前节点采集的空气污染监测数据及气象监测数据的信息作为训练集，通过特征选择算法筛选出当前时刻影响空气污染预测数据的关键因素。
进一步的，在上述方法中，所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误，包括：
(1)获取气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源等环境特征信息，并进行数据转化及预处理，将天气状况、监测点周围环境种类的信息进行数字化标识；并采用对前后时刻的监测数值求均值的方式填补空缺的监测数据；
(2)对预处理后的监测数据进行最大和最小规范化处理，计算公式如下：
其中，xi0为监测点采集到的特征因素原始监测数据，xmax、xmin分别为监测点所采集到的特征因素原始监测数据中的最大值和最小值，xi为进行最大和最小规范化处理后监测数据；所有特征因素对应的采集数据进行最大和最小规范化处理后的数据取值范围都在[0.0-1.0]之间；
(3)对监测点当前时刻采集的空气污染监测数据、气象监测数据、预测时刻的气象预测数据及监测站点环境种类的信息进行规范化处理后，每个特征因素的数据取值范围都在[0.0-1.0]内，将进行规范化处理后的特征因素数据分别求其方差，将方差值小于预设阈值的特征因素剔除；
(4)通过筛选后，将未剔除的特征因素作为训练集，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测。
进一步的，在上述方法中，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测，包括：
(1)将通过特征选择过程后筛选出的影响空气污染监测数据的主要特征因素作为BP神经网络的输入层神经元数据，采用三层隐藏层，对训练数据集进行训练，根据反馈函数不断调整其中涉及的神经元节点权值及偏置项，将空气污染监测数据中所监测的大气污染气体作为神经网络输出层的神经元节点；
(2)神经网络采用全连接网络模型，输入层神经元的输出值即筛选出的主要特征因素进行规范化预处理后的数据值，激活函数采用sigmoid函数，隐藏层与输出层神经元的输出值为：
y＝sigmoid(w·x)
其中，y为神经元节点的输出值，x为连接该神经元节点的输入向量，即上一层节点的输出向量；w为神经元节点输入向量所对应的权重向量，其中偏置项为w0，其初始输入值恒为1；sigmoid函数是非线性函数，值域为(0，1)；该函数的定义为：
所以神经元节点的输出函数为：
(3)神经元节点的权值及偏置项通过反向传播算法实现的，由输出层逐层向前，计算每个神经元节点的误差项，并由误差项通过计算来确定每个神经元节点修改后的权值及偏置项；重复以上过程，直到输出的神经元节点的误差项函数收敛停止训练；其中，计算输出层神经元节点误差项的公式为：
δi＝yi(1-yi)(ti-yi)
其中，δi表示输出层神经元节点i的误差项，yi为由输入层神经元节点数据计算得到的输出层神经元节点的预测值，ti为训练集中输出层神经元节点对应的真实监测数据；
隐藏层神经元节点的误差项计算公式为：
其中，δi表示隐藏层神经元节点i的误差项，ai为模型中经过计算的节点i的输出值，wki为神经元节点i连接到下一层神经元节点k所对应的权重，δk为下一层节点k的误差项；
连接上权值的更新公式为：
wji←wji+ηδjxji
其中，wji表示神经元节点i连接到神经元节点j的权值，η为学习率常数，这里设定为0.05；δj为神经元节点j的误差项，xji为神经元节点i连接到神经元节点j的输入值；
更新节点i偏置项的计算公式为：
wib←wib+ηδi
其中，wib即为神经元节点i的偏置项。
与现有技术相比，本发明明中利用区块链技术存储的数据不可被伪造和篡改的特点，实现对空气污染监测数据的安全存储。本发明通过采集节点对获取的空气污染监测数据进行签名避免伪造节点上传非法数据；存储节点通过共识过程和加密技术对空气污染监测数据进行加密及验证，运用区块链技术实现对空气污染监测数据的验证及存储，防止监测数据被伪造或篡改，保证数据的真实性和完整性；预测节点根据当前空气污染监测数据，结合气象监测数据、预测时刻的气象预测数据及区域的环境特征等信息，利用机器学习算法对未来某一时刻的空气质量做出预测；可根据预测结果制定出有效的治理措施，同时将预测数据发送给存储节点，存储节点可根据预测数据判断采集节点是否出现故障，减少人力对设备的监管。
附图说明
图1为本发明一实施例提供的空气质量监测及预测系统的系统结构连接图；
图2为本发明一实施例的空气质量监测及预测系统的流程图；
图3为本发明一实施例的空气质量监测及预测系统采集节点的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种空气质量监测及预测系统，包括：采集节点101、存储节点102及预测节点103，所述采集节点、存储节点及预测节点构成区块链网络，其中，
所述采集节点101，用于对空气污染监测数据的获取，并将监测数据发送给监测点所在区域的存储节点；
所述存储节点102，用于在某个存储节点接收到监测数据后，对数据进行校验，当校验通过后，该存储节点执行存储数据智能合约将数据生成区块，并在系统中广播生成的区块；其它存储节点对其进行校验，校验通过后，当前存储节点收到其它存储节点的校验信息，将区块按时间顺序存储在本地，构成链式结构；其它存储节点则将该区块的哈希值、时间标识、位置标识及该区块存储节点的信息保存在本地，用于对监测数据的监督及查询；
所述预测节点103，用于获取监测数据，并结合气象监测数据、预测时刻的气象预测数据及监测点周围的环境特征的信息，利用机器学习算法对未来的空气质量做出预测。
在此，在存储和公布空气污染监测数据前需要对空气污染监测数据进行校验，校验的目的是为了避免因非法节点冒充、攻击合法节点，使得合法节点发生故障或数据在传输过程中被篡改等造成的上传数据不合法的情况，从而保障空气污染监测数据的真实性、合法性及完整性。
区块链技术是通过采用按时间顺序存储的链式结构、加密算法和共识算法实现在无信任机构存在的条件下数据的防伪造防篡改的分布式账本。简单来说，区块链技术按时间顺序将数据区块以顺序相连方式组成链式存储结构，区块与区块通过哈希链连接起来，采用这种链式存储的方式保证存储数据无法被伪造和篡改；节点间采用共识算法生成和更新区块数据，利用加密算法保证数据传输过程中的安全性，区块链技术的最突出的特点就是存储的数据无法被篡改和伪造。
本发明中利用区块链技术存储的数据不可被伪造和篡改的特点，实现对空气污染监测数据的安全存储。
本发明通过采集节点对获取的空气污染监测数据进行签名避免伪造节点上传非法数据；存储节点通过共识过程和加密技术对空气污染监测数据进行加密及验证，运用区块链技术实现对空气污染监测数据的验证及存储，防止监测数据被伪造或篡改，保证数据的真实性和完整性；预测节点根据当前空气污染监测数据，结合气象监测数据、预测时刻的气象预测数据及区域的环境特征等信息，利用机器学习算法对未来某一时刻的空气质量做出预测；可根据预测结果制定出有效的治理措施，同时将预测数据发送给存储节点，存储节点可根据预测数据判断采集节点是否出现故障，减少人力对设备的监管。
本发明能够实现对空气污染监测数据的有效采集、安全存储，并对未来空气污染数据做出合理预测。
本发明的提供一种空气质量监测及预测系统一实施例中，还包括：
管理中心，用于对所述采集节点、存储节点及预测节点进行验证和权限管理。
本发明的提供一种空气质量监测及预测系统一实施例中，
所述采集节点101，用于在通过所述管理中心验证后成为合法的采集节点，并获取系统中唯一的采集节点对应的公钥私钥对，所述采集节点对应的公钥私钥对中的公钥用于在区块链网络中广播采集数据，所述采集节点对应的公钥私钥对中的私钥用于对采集数据进行签名；
所述存储节点102，用于在通过所述管理中心验证后成为合法的存储节点，并获取系统中唯一的存储节点对应的公钥私钥对，所述存储节点对应的公钥私钥对中的公钥用于在区块链网络中广播区块数据，所述存储节点对应的公钥私钥对中的私钥用于对生成的区块进行签名；
所述预测节点103，用于在通过所述管理中心验证后成为合法的预测节点，并获取系统中唯一的预测节点对应的公钥私钥对，所述预测节点对应的公钥私钥对中的公钥用于在区块链网络中广播预测数据信息，所述预测节点对应的公钥私钥对在的私钥用于对预测数据信息签名；
管理中心，用于对所述采集节点、存储节点及预测节点设定权限范围。
本发明的提供一种空气质量监测及预测系统一实施例中，
所述管理中心，用于区块链网络初始化时对采集节点、存储节点及预测节点进行校验，校验通过后，采集节点、存储节点及预测节点成为合法节点并获取公钥私钥对；每个采集节点、存储节点或预测节点对应的公钥私钥对在所述区块链网络中具有唯一性。
本发明的提供一种空气质量监测及预测系统一实施例中，所述采集节点包括：监测空气污染监测数据的多个传感器、信息加密模块及转发模块。
本发明的提供一种空气质量监测及预测系统一实施例中，采用上述的空气质量监测及预测系统，所述方法包括：
S1，当前采集节点获取监测到的空气污染监测数据，并为获取的空气污染监测数据添加时间标识、位置标识及当前采集节点的ID，当前采集节点利用对应的私钥对所述空气污染监测数据进行签名；当前采集节点通过所述区块链网络将所述空气污染监测数据发送给监测点所在区域的存储节点；
S2，当前存储节点接收所在同一区域的采集节点发送的签名后的空气污染监测数据，并利用所述采集节点的公钥对数据进行验证，确认为有效数据后，当前存储节点获取本地存储的最新的空气污染监测数据区块的哈希值，并将其添加到当前接收到的空气污染监测数据中，添加当前存储节点的ID，并利用当前存储节点对应的私钥对数据进行签名，执行存储数据智能合约将当前所接收的空气污染监测数据通过验证后生成新的区块；
S3，当前存储节点将新生成的区块通过所述区块链网络广播给其它存储节点进行验证，并接收其它存储节点的校验信息；当校验通过后，当前存储节点将生成的区块存储在本地；其它存储节点将通过校验的区块的哈希值、时间标识、位置标识、所述当前存储节点的ID的数据按时间顺序添加到位置标识与其对应的最新记录后，更新本地的数据表；当执行查询空气污染监测数据时，所述存储节点查询数据表中的记录，根据记录中区块的哈希值、时间标识、位置标识、所述当前存储节点的ID查询任何地区任何时间的空气污染监测数据；通过记录中的时间标识及位置标识确定查询空气污染监测数据的时间及地区；通过记录中所述当前存储节点的ID查询到存储所要查询的空气污染监测数据的存储节点；通过记录中区块的哈希值查询到所要查询的空气污染监测数据的完整信息；
S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常。
本发明的空气质量监测及预测方法一实施例中，S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常，包括：
所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误；同时预测节点不断将当前节点采集的空气污染监测数据及气象监测数据的信息作为训练集，通过特征选择算法筛选出当前时刻影响空气污染预测数据的关键因素，使预测结果更加精确。
本发明的空气质量监测及预测方法一实施例中，所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误，包括：
(1)获取气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源等环境特征信息，并进行数据转化及预处理，将天气状况、监测点周围环境种类的信息进行数字化标识；并采用对前后时刻的监测数值求均值的方式填补空缺的监测数据；
(2)对预处理后的监测数据进行最大和最小规范化处理，计算公式如下：
其中，xi0为监测点采集到的特征因素原始监测数据，xmax、xmin分别为监测点所采集到的特征因素原始监测数据中的最大值和最小值，xi为进行最大和最小规范化处理后监测数据；所有特征因素对应的采集数据进行最大和最小规范化处理后的数据取值范围都在[0.0-1.0]之间；
(3)对监测点当前时刻采集的空气污染监测数据、气象监测数据、预测时刻的气象预测数据及监测站点环境种类的信息进行规范化处理后，每个特征因素的数据取值范围都在[0.0-1.0]内，将进行规范化处理后的特征因素数据分别求其方差，方差取值小于预设阈值说明该特征因素较为稳定，对空气监测数据的影响不大，因此设定方差的阈值为0.8，将方差值小于预设阈值的特征因素剔除；
(4)通过筛选后，将未剔除的特征因素作为训练集，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测。
本发明的空气质量监测及预测方法一实施例中，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测，包括：
(1)将通过特征选择过程后筛选出的影响空气污染监测数据的主要特征因素作为BP神经网络的输入层神经元数据，采用三层隐藏层，对训练数据集进行训练，根据反馈函数不断调整其中涉及的神经元节点权值及偏置项，将空气污染监测数据中通常所监测的六种大气污染气体作为神经网络输出层的神经元节点；
(2)神经网络采用全连接网络模型，输入层神经元的输出值即筛选出的主要特征因素进行规范化预处理后的数据值，激活函数采用sigmoid函数，隐藏层与输出层神经元的输出值为：
y＝sigmoid(w·x)
其中，y为神经元节点的输出值，x为连接该神经元节点的输入向量，即上一层节点的输出向量；w为神经元节点输入向量所对应的权重向量，其中偏置项为w0，其初始输入值恒为1；sigmoid函数是非线性函数，值域为(0，1)；该函数的定义为：
所以神经元节点的输出函数为：
(3)上述步骤(1)和(2)完成了模型由输入层到输出层空气污染监测数据的预测值的计算过程，模型需要不断训练优化，修改每个神经元节点对应的权值及偏置项，使得模型经过大量的训练过程后，预测结果更加准确；节点的权值及偏置项是通过反向传播算法实现的，由输出层逐层向前，计算每个节点的误差项，并由误差项通过计算来确定每个节点修改后的权值及偏置项；重复以上过程，直到输出节点的误差项函数收敛停止训练；其中，计算输出层神经元节点误差项的公式为：
δi＝yi(1-yi)(ti-yi)
其中，δi表示输出层神经元节点i的误差项，yi为由输入层神经元节点数据计算得到的输出层神经元节点的预测值，ti为训练集中输出层神经元节点对应的真实监测数据；
隐藏层神经元节点的误差项计算公式为：
其中，δi表示隐藏层神经元节点i的误差项，ai为模型中经过计算的节点i的输出值，wki为节点i连接到下一层节点k所对应的权重，δk为下一层节点k的误差项；
连接上权值的更新公式为：
wji←wji+ηδjxji
其中，wji表示节点i连接到节点j的权值，η为学习率常数，这里设定为0.05；δj为节点j的误差项，xji为节点i连接到节点j的输入值；
更新节点i偏置项的计算公式为：
wib←wib+ηδi
其中，wib即为节点i的偏置项。
如图2所示，本发明的空气质量监测及预测方法一实施例中，包括如下步骤：
步骤201，管理中心存储节点ID、节点的ip地址、节点获得加入区块链网络权限的时间及节点的权限等信息，确定网络中的采集节点、存储节点及预测节点；
具体的，管理中心将要加入区块链的节点设备的相关数据信息存储在管理中心的数据库中，在数据库中建立节点信息数据表及节点权限数据表，所述节点信息数据表中存储节点设备的ID、节点的ip地址、节点获得加入区块链网络权限的时间、节点设备的种类等信息用来校验欲加入区块链系统的节点设备的合法性；所述节点权限数据表存储节点的类别信息及节点类别所对应的节点权限信息，不同节点执行不同程序实现各自所需实现的功能。
步骤202，管理中心校验节点，校验通过后成为合法节点加入区块链网络；
具体的，待加入区块链网络的节点设备初始化配置中包含节点ID、节点ip地址、公私钥等数据，节点设备请求加入区块链系统时，管理中心获取节点ID及节点ip地址信息，经过与管理中心存储的节点设备信息数据比较；校验通过，节点成为合法节点并加入区块链网络。
步骤203，采集节点利用无线传感器对空气污染数据进行采集，并为监测数据添加时间和位置标识、节点ID信息，利用私钥对数据进行签名，将签名后的空气污染监测数据发送给监测点所在区域的当前存储节点。
具体的，本发明实施例的一种基于区块链和机器学习技术的空气质量监测及预测系统采集节点的结构示意图如图3所示，采集节点由无线传感器模块30、加密模块31、转发模块32组成。所述采集节点对所在监测点的空气污染数据进行采集时，通过采集节点的无线传感模块30对监测点空气污染数据进行采集，并为采集数据添加时间标识、位置标识和采集节点的公钥；所述时间标识是标识空气污染数据采集的具体时间；所述位置标识是标注监测点的位置信息；所述公钥用于校验采集数据信息及查找采集节点；无线传感器模块将已添加时间标识和位置标识的空气污染监测数据发送给采集节点的加密模块31，加密模块利用所述采集节点的私钥对接收的空气污染监测数据进行签名，并将签名后的数据提交给采集节点的转发模块；所述采集节点的转发模块32将数据发送给监测点所在区域的存储节点。
步骤204，当前存储节点接收到监测数据，利用发送数据的采集节点的公钥对数据进行校验，并使用自己的私钥对校验通过的数据签名，执行存储数据智能合约将数据生成区块形式。
具体的，当前存储节点接收到采集节点发送的空气污染监测数据，存储节点利用采集节点的公钥来验证空气污染监测数据是否被伪造或篡改，校验通过后，当前存储节点利用自己的私钥对校验通过后的空气污染监测数据进行签名，并执行存储数据智能合约将监测数据生成区块形式。
进一步具体的，存储数据智能合约规定了生成的区块形式，当前存储节点通过执行存储数据智能合约，将当前节点存储的最新区块的哈希值添加到签名后的空气污染监测数据内容中，并对数据内容生成哈希值；节点生成的区块具体包括如下字段信息：区块头和区块体；所述区块头包括区块的序号、区块哈希值，前一区块的哈希值及生成区块的时间戳等信息；所述区块序号标明待存入当前存储节点的区块的编号；所述区块的哈希值是采用SHA256加密算法根据区块中的数据生成的加密信息；所述生成区块的时间戳标明了当前存储节点执行存储数据智能合约将空气污染监测数据生成区块形式的时间；所述区块体包括：采集节点采集的空气污染数据、时间标识、位置标识、采集节点的公钥、采集节点的签名、当前存储节点的公钥及当前存储节点的签名等信息。
步骤205，当前存储节点将生成的区块广播给区块链网络中其它存储节点，其它存储节点对区块数据进行验证并将验证结果返回给当前存储节点；
具体的，当前存储节点将新生成的区块广播给区块链系统中其它存储节点，其它存储节点利用当前存储节点的公钥对数据进行验证，并获取当前存储节点本地存储的最新区块哈希值，结合区块中的存储数据重新计算区块的哈希值并与其进行比较，校验区块存储数据；校验通过后将确认信息返回给所述当前存储节点；
进一步具体的，采集节点、存储节点、预测节点通过P2P网络建立连接组成联盟链系统，系统中没有中心节点，存储节点中数据的校验和更新由系统中所有存储节点通过共识过程来完成。系统中不同种类的节点实现的功能不同，所述采集节点实现对监测点空气污染数据的采集；所述存储节点实现对监测点空气污染监测数据的存储；所述预测节点实现对未来空气污染数据的预测；其中存储节点需要经过其它存储节点对生成区块的验证才能存储区块，具体验证过程是，当前存储节点将生成区块通过P2P网络广播给系统中其它存储节点，通过共识过程实现对数据的验证，本发明实施例提供的一种基于区块链和机器学习技术的空气质量监测及预测系统采用PBFT算法实现共识过程，系统中的存储节点对收到的区块进行验证，并将验证结果广播给其它存储节点，所述当前存储节点接收到系统中超过2/3的存储节点的确认信息后确认区块通过校验。
步骤206，当前存储节点接收到其它存储节点确认信息后，将区块存储到本地数据库中，其它存储节点在本地的数据表中添加区块记录，存储区块的哈希值、时间标识、位置标识、存储区块的节点的ID等信息；
具体的，每个存储节点为系统中其它存储节点建立一张数据表，用来存储该节点的空气污染监测数据相关信息，本发明实施例的一种基于区块链和机器学习技术的空气质量监测及预测系统中所述当前存储节点收到系统中超过2/3存储节点的确认信息后，将生成的区块存储在本地数据库中；所述其它存储节点则在本地与之对应的数据表中添加一条当前生成区块数据的记录，其中包括区块序号、区块哈希值、时间标识、位置标识、当前存储节点ID等数据。
步骤207，预测节点获取当前存储节点存储的空气污染监测数据，并结合气象监测数据、预测时刻的气象预测数据及区域的环境特征等信息，利用机器学习算法对未来的空气质量做出预测；
具体的，预测节点获取当前存储节点存储的空气污染监测数据，结合气象监测数据、预测时刻的气象预测数据及区域的环境特征等信息利用机器学习算法筛选出其中影响空气污染预测数据的关键因素，并根据这些关键因素运用机器学习算法预测未来某一时刻的空气污染数据。具体步骤如下：
(1)将空气污染监测数据、气象监测数据及预测时刻的气象预测数据进行预处理，将缺失值根据其上下时刻的监测数据求均值补充完整，并采用最大-最小规范化将监测数据进行规范化处理；进一步，计算每个特征因素的方差，将方差取值小于0.8的特征因素剔除不作为预测空气污染数据的特征因素；这一过程完成对监测数据的预处理及特征因素的选择；
(2)采用包含三层隐藏层的全连接BP神经网络模型进行训练，实现对未来时刻空气污染数据的预测；利用前五年的监测数据信息作为训练集，将筛选出的特征因素作为输入层神经元数据，空气质量监测中的六种空气污染因素的预测值作为输出层神经元数据；通过不断训练调整各个节点连接的权值及节点的偏置项，使得输出层目标节点的预测值更加精准；模型中，前一层神经元数据的输出值即为相邻下一层神经元节点的输入值；其中，输入层神经元节点的输出即为所筛选出的特征因素进行规范化后的数据，利用sigmoid激活函数根据输入层的特征因素监测数据，逐层计算各层中每个神经元节点的输出值；计算公式如下：
y＝sigmoid(w·x)
其中，y为神经元节点的输出值，x为连接该神经元节点的输入向量，即上一层节点的输出向量；w为神经元节点输入向量所对应的权重向量，其中偏置项为w0，其初始输入值恒为1；sigmoid函数是非线性函数，值域为(0，1)；该函数的定义为：
所以神经元节点的输出函数为：
(3)经过以上过程，计算出输出层每个神经元节点的预测值，并根据实际监测值计算输出层每个神经元节点的误差项，利用反向传播算法，由输出层开始向前逐层计算每个神经元节点的误差项，并依此向前逐层修改连接上的权值及节点的偏置项；其中，由输出层神经元节点的预测空气污染数据及实际监测的数据计算对应节点误差项的公式为：
δi＝yi(1-yi)(ti-yi)
其中，δi表示输出层神经元节点i的误差项，yi为由输入层神经元节点数据计算得到的输出层神经元节点的空气污染数据预测值，ti为训练集中输出层神经元节点对应的真实监测数据；进一步，向前逐层计算隐藏层神经元节点的误差项公式为：
其中，δi表示隐藏层神经元节点i的误差项，ai为模型中经过计算的节点i的输出值，wki为节点i连接到下一层节点k所对应的权重，δk为下一层节点k的误差项；
(4)进而，由输出层逐层向前调整两相邻层间的神经元节点连接上的权值及偏置项，其中更新连接上的权值公式为：
wji←wji+ηδjxji
其中，wji表示节点i连接到节点j的权值，η为学习率常数，这里设定为0.05；δj为节点j的误差项，xji为节点i连接到节点j的输入值；更新节点i偏置项的计算公式为：
wib←wib+ηδi
其中，wib即为节点i的偏置项，其初始值恒为1。
进一步具体的，预测节点通过执行神经网络模型，对数据不断训练调整节点连接上的权值及偏置项，直到输出层神经元节点的误差项收敛停止模型的迭代过程，将此时的模型参数用来预测空气污染数据，并利用测试集检验模型的性能；根据监测点所处的环境位置不同，所筛选出的关键因素也会有所不同，每个监测点结合本监测点前五年监测数据训练模型筛选出的关键因素进行预测。
步骤208，预测节点将对未来空气污染数据做出的预测，可依据此预测数据做出有效的治理措施；预测节点同时将预测结果发送给当前存储节点，作为判断采集节点是否出现故障的依据；
具体的，预测节点利用大量的之前监测数据进行模型训练，筛选出影响预测空气污染数据的关键因素，并将新的监测数据与预测结果进行比较，将新的监测数据不断进行训练，使得预测数据更加精确；同时，将预测数据通过P2P网络发送给当前存储节点，当前存储节点接收到预测时刻的空气污染监测数据时，将监测数据与预测数据进行比对，在允许的误差范围内，确认采集节点运行正常，监测数据准确；超过允许的误差范围，监测设备的维护人员需要检查采集节点是否出现故障。
本发明利用区块链技术、密码学来验证采集数据，通过分布式节点和共识算法实现对空气污染数据的存储与更新，并通过机器学习对未来空气污染数据做出预测，并依此检验采集节点是否正常运行；解决空气污染监测数据在数据采集和传输过程出现数据被伪造和篡改的问题；同时工作人员可以依据预测数据制定有效的治理措施，改善环境问题。
本发明实施例至少具有如下有益效果：
1、在本发明实施例中，所有节点需要通过管理中心的验证才能加入区块链网络，避免恶意节点加入网络；同时采集节点对采集的空气污染监测数据进行签名，保证采集数据无法被伪造或篡改。
2、在本发明实施例中所有存储节点可以为每个地区的环保部门，所有存储节点互相监督，通过共识过程完成对空气污染监测数据的校验、存储和更新，保证监测数据的真实性和完整性。
3、本发明实施例中的预测节点可以为国家环保部门，利用机器学习算法结合当前空气污染监测数据、气象监测数据、预测时刻的气象预测数据及区域的环境特征等信息对未来某一时刻的空气污染数据做出预测，并将预测结果反馈给当前存储节点，依此校验采集节点是否故障。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种空气质量监测及预测系统，其特征在于，包括：采集节点、存储节点及预测节点，所述采集节点、存储节点及预测节点构成区块链网络，其中，
所述采集节点，用于对空气污染监测数据的获取，并将监测数据发送给监测点所在区域的存储节点；
所述存储节点，用于在某个存储节点接收到监测数据后，对数据进行校验，当校验通过后，该存储节点执行存储数据智能合约将数据生成区块，并在系统中广播生成的区块；其它存储节点对其进行校验，校验通过后，当前存储节点收到其它存储节点的校验信息，将区块按时间顺序存储在本地，构成链式结构；其它存储节点则将该区块的哈希值、时间标识、位置标识及该区块存储节点的信息保存在本地，用于对监测数据的监督及查询；
所述预测节点，用于获取监测数据，并结合气象监测数据、预测时刻的气象预测数据及监测点周围的环境特征的信息，利用机器学习算法对未来的空气质量做出预测。
2.根据权利要求1所述的空气质量监测及预测系统，其特征在于，还包括：
管理中心，用于对所述采集节点、存储节点及预测节点进行验证和权限管理。
3.根据权利要求2所述的空气质量监测及预测系统，其特征在于，
所述采集节点，用于在通过所述管理中心验证后成为合法的采集节点，并获取系统中唯一的采集节点对应的公钥私钥对，所述采集节点对应的公钥私钥对中的公钥用于在区块链网络中广播采集数据，所述采集节点对应的公钥私钥对中的私钥用于对采集数据进行签名；
所述存储节点，用于在通过所述管理中心验证后成为合法的存储节点，并获取系统中唯一的存储节点对应的公钥私钥对，所述存储节点对应的公钥私钥对中的公钥用于在区块链网络中广播区块数据，所述存储节点对应的公钥私钥对中的私钥用于对生成的区块进行签名；
所述预测节点，用于在通过所述管理中心验证后成为合法的预测节点，并获取系统中唯一的预测节点对应的公钥私钥对，所述预测节点对应的公钥私钥对中的公钥用于在区块链网络中广播预测数据信息，所述预测节点对应的公钥私钥对在的私钥用于对预测数据信息签名；
管理中心，用于对所述采集节点、存储节点及预测节点设定权限范围。
4.根据权利要求1所述的空气质量监测及预测系统，其特征在于，
所述管理中心，用于区块链网络初始化时对采集节点、存储节点及预测节点进行校验，校验通过后，采集节点、存储节点及预测节点成为合法节点并获取公钥私钥对；每个采集节点、存储节点或预测节点对应的公钥私钥对在所述区块链网络中具有唯一性。
5.根据权利要求1所述的空气质量监测及预测系统，其特征在于，所述采集节点包括：监测空气污染监测数据的多个传感器、信息加密模块及转发模块。
6.一种空气质量监测及预测方法，其特征在于，采用如权利要求3至4任一项所述的空气质量监测及预测系统，所述方法包括：
S1，当前采集节点获取监测到的空气污染监测数据，并为获取的空气污染监测数据添加时间标识、位置标识及当前采集节点的ID，当前采集节点利用对应的私钥对所述空气污染监测数据进行签名；当前采集节点通过所述区块链网络将所述空气污染监测数据发送给监测点所在区域的存储节点；
S2，当前存储节点接收所在同一区域的采集节点发送的签名后的空气污染监测数据，并利用所述采集节点的公钥对数据进行验证，确认为有效数据后，当前存储节点获取本地存储的最新的空气污染监测数据区块的哈希值，并将其添加到当前接收到的空气污染监测数据中，添加当前存储节点的ID，并利用当前存储节点对应的私钥对数据进行签名，执行存储数据智能合约将当前所接收的空气污染监测数据通过验证后生成新的区块；
S3，当前存储节点将新生成的区块通过所述区块链网络广播给其它存储节点进行验证，并接收其它存储节点的校验信息；当校验通过后，当前存储节点将生成的区块存储在本地；其它存储节点将通过校验的区块的哈希值、时间标识、位置标识、所述当前存储节点的ID的数据按时间顺序添加到位置标识与其对应的最新记录后，更新本地的数据表；当执行查询空气污染监测数据时，所述存储节点查询数据表中的记录，根据记录中区块的哈希值、时间标识、位置标识、所述当前存储节点的ID查询任何地区任何时间的空气污染监测数据；通过记录中的时间标识及位置标识确定查询空气污染监测数据的时间及地区；通过记录中所述当前存储节点的ID查询到存储所要查询的空气污染监测数据的存储节点；通过记录中区块的哈希值查询到所要查询的空气污染监测数据的完整信息；
S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常。
7.根据权利要求6所述的空气质量监测及预测方法，其特征在于，S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常，包括：
所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误；同时预测节点不断将当前节点采集的空气污染监测数据及气象监测数据的信息作为训练集，通过特征选择算法筛选出当前时刻影响空气污染预测数据的关键因素。
8.根据权利要求7所述的空气质量监测及预测方法，其特征在于，所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误，包括：
(1)获取气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源等环境特征信息，并进行数据转化及预处理，将天气状况、监测点周围环境种类的信息进行数字化标识；并采用对前后时刻的监测数值求均值的方式填补空缺的监测数据；
(2)对预处理后的监测数据进行最大和最小规范化处理，计算公式如下：
其中，xi0为监测点采集到的特征因素原始监测数据，xmax、xmin分别为监测点所采集到的特征因素原始监测数据中的最大值和最小值，xi为进行最大和最小规范化处理后监测数据；所有特征因素对应的采集数据进行最大和最小规范化处理后的数据取值范围都在[0.0-1.0]之间；
(3)对监测点当前时刻采集的空气污染监测数据、气象监测数据、预测时刻的气象预测数据及监测站点环境种类的信息进行规范化处理后，每个特征因素的数据取值范围都在[0.0-1.0]内，将进行规范化处理后的特征因素数据分别求其方差，将方差值小于预设阈值的特征因素剔除；
(4)通过筛选后，将未剔除的特征因素作为训练集，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测。
9.根据权利要求8所述的空气质量监测及预测方法，其特征在于，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测，包括：
(1)将通过特征选择过程后筛选出的影响空气污染监测数据的主要特征因素作为BP神经网络的输入层神经元数据，采用三层隐藏层，对训练数据集进行训练，根据反馈函数不断调整其中涉及的神经元节点权值及偏置项，将空气污染监测数据中所监测的大气污染气体作为神经网络输出层的神经元节点；
(2)神经网络采用全连接网络模型，输入层神经元的输出值即筛选出的主要特征因素进行规范化预处理后的数据值，激活函数采用sigmoid函数，隐藏层与输出层神经元的输出值为：
y＝sigmoid(w·x)
其中，y为神经元节点的输出值，x为连接该神经元节点的输入向量，即上一层节点的输出向量；w为神经元节点输入向量所对应的权重向量，其中偏置项为w0，其初始输入值恒为1；sigmoid函数是非线性函数，值域为(0，1)；该函数的定义为：
所以神经元节点的输出函数为：
(3)神经元节点的权值及偏置项通过反向传播算法实现的，由输出层逐层向前，计算每个神经元节点的误差项，并由误差项通过计算来确定每个神经元节点修改后的权值及偏置项；重复以上过程，直到输出的神经元节点的误差项函数收敛停止训练；其中，计算输出层神经元节点误差项的公式为：
δi＝yi(1-yi)(ti-yi)
其中，δi表示输出层神经元节点i的误差项，yi为由输入层神经元节点数据计算得到的输出层神经元节点的预测值，ti为训练集中输出层神经元节点对应的真实监测数据；
隐藏层神经元节点的误差项计算公式为：
其中，δi表示隐藏层神经元节点i的误差项，ai为模型中经过计算的节点i的输出值，wki为神经元节点i连接到下一层神经元节点k所对应的权重，δk为下一层节点k的误差项；
连接上权值的更新公式为：
wji←wji+ηδjxji
其中，wji表示神经元节点i连接到神经元节点j的权值，η为学习率常数，这里设定为0.05；δj为神经元节点j的误差项，xji为神经元节点i连接到神经元节点j的输入值；
更新节点i偏置项的计算公式为：
wib←wib+ηδi
其中，wib即为神经元节点i的偏置项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010012876.3A CN111157682A (zh) | 2020-01-06 | 2020-01-06 | 空气质量监测及预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010012876.3A CN111157682A (zh) | 2020-01-06 | 2020-01-06 | 空气质量监测及预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111157682A true CN111157682A (zh) | 2020-05-15 |
Family
ID=70561650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010012876.3A Pending CN111157682A (zh) | 2020-01-06 | 2020-01-06 | 空气质量监测及预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111157682A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693670A (zh) * | 2020-06-08 | 2020-09-22 | 中国电信集团工会上海市委员会 | 一种非定点的水质检测装置及水质检测系统 |
| CN111928888A (zh) * | 2020-06-12 | 2020-11-13 | 中国环境科学研究院 | 一种水域污染智能监控分析方法及系统 |
| CN112184474A (zh) * | 2020-09-25 | 2021-01-05 | 江苏中利集团股份有限公司 | 一种基于区块链的材料智能化制造方法及装置 |
| CN112308093A (zh) * | 2020-11-24 | 2021-02-02 | 腾讯科技（深圳）有限公司 | 基于图像识别的空气质量感知方法、模型训练方法及系统 |
| CN112529518A (zh) * | 2020-11-17 | 2021-03-19 | 北京思路创新科技有限公司 | 基于日常活动水平检测和管理系统的企业数据管理方法 |
| CN112559787A (zh) * | 2020-12-31 | 2021-03-26 | 广州智云尚大数据科技有限公司 | 一种基于区块链的遥测数据处理方法、系统及云平台 |
| CN113037854A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 机动车尾气的监测方法、装置、设备及存储介质 |
| CN113328920A (zh) * | 2021-08-04 | 2021-08-31 | 成都飞机工业（集团）有限责任公司 | 一种对设备数据的采集与存储方法 |
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020144537A1 (en) * | 2001-02-07 | 2002-10-10 | Sharp Gordon P. | Air quality monitoring systems and methods |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| CN107942718A (zh) * | 2018-01-15 | 2018-04-20 | 天津大学 | 基于区块链的智能家居控制方法和系统 |
| CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 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 |
| CN108521636A (zh) * | 2018-04-02 | 2018-09-11 | 深圳市创艺工业技术有限公司 | 一种基于区块链技术的空气污染数据处理系统 |
| CN108600370A (zh) * | 2018-04-25 | 2018-09-28 | 深圳大图科创技术开发有限公司 | 一种基于区块链技术的空气污染数据处理系统 |
| CN108600985A (zh) * | 2018-04-28 | 2018-09-28 | 深圳大图科创技术开发有限公司 | 一种基于区块链技术的空气污染数据采集及处理系统 |
| CN108737511A (zh) * | 2018-04-28 | 2018-11-02 | 深圳万智联合科技有限公司 | 一种基于区块链的大气污染监测系统 |
| CN108737512A (zh) * | 2018-04-28 | 2018-11-02 | 深圳智达机械技术有限公司 | 一种基于区块链技术的水源污染监测系统 |
| CN109033876A (zh) * | 2018-08-01 | 2018-12-18 | 冼钇冰 | 一种基于区块链的空气监测数据存储系统及存储方法 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN109655107A (zh) * | 2018-12-25 | 2019-04-19 | 深圳市元征科技股份有限公司 | 空气质量监测方法、装置、车辆及计算机可读存储介质 |
| 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 |
| CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 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 |
| CN110011994A (zh) * | 2019-03-26 | 2019-07-12 | 惠州学院 | 一种基于大数据的环境检测系统 |
| CN110531029A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
| CN110569909A (zh) * | 2019-09-10 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 基于区块链的故障预警方法、装置、设备及存储介质 |
-
2020
- 2020-01-06 CN CN202010012876.3A patent/CN111157682A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020144537A1 (en) * | 2001-02-07 | 2002-10-10 | Sharp Gordon P. | Air quality monitoring systems and methods |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 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 |
| CN107942718A (zh) * | 2018-01-15 | 2018-04-20 | 天津大学 | 基于区块链的智能家居控制方法和系统 |
| CN108521636A (zh) * | 2018-04-02 | 2018-09-11 | 深圳市创艺工业技术有限公司 | 一种基于区块链技术的空气污染数据处理系统 |
| CN108600370A (zh) * | 2018-04-25 | 2018-09-28 | 深圳大图科创技术开发有限公司 | 一种基于区块链技术的空气污染数据处理系统 |
| CN108737512A (zh) * | 2018-04-28 | 2018-11-02 | 深圳智达机械技术有限公司 | 一种基于区块链技术的水源污染监测系统 |
| CN108737511A (zh) * | 2018-04-28 | 2018-11-02 | 深圳万智联合科技有限公司 | 一种基于区块链的大气污染监测系统 |
| CN108600985A (zh) * | 2018-04-28 | 2018-09-28 | 深圳大图科创技术开发有限公司 | 一种基于区块链技术的空气污染数据采集及处理系统 |
| CN109033876A (zh) * | 2018-08-01 | 2018-12-18 | 冼钇冰 | 一种基于区块链的空气监测数据存储系统及存储方法 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| 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 |
| CN109655107A (zh) * | 2018-12-25 | 2019-04-19 | 深圳市元征科技股份有限公司 | 空气质量监测方法、装置、车辆及计算机可读存储介质 |
| CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 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 |
| CN110011994A (zh) * | 2019-03-26 | 2019-07-12 | 惠州学院 | 一种基于大数据的环境检测系统 |
| CN110531029A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
| CN110569909A (zh) * | 2019-09-10 | 2019-12-13 | 腾讯科技（深圳）有限公司 | 基于区块链的故障预警方法、装置、设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 刘鲁新: "论大气预测模型与在线监测在环境空气质量预报中的应用", 《价值工程》 * |
| 化虎蝶等: "基于贝叶斯网络的大连市空气质量预测与诊断", 《安全与环境工程》 * |
| 熊壮壮等: "BP神经网络算法在PM_(2.5)数据预测方面的应用", 《通信电源技术》 * |
| 艾洪福: "基于ＧＡ－ＢＰ神经网络的"雾霾"天气预测研究", 《绿色科技》 * |
| 苏婷: "基于UWB的无线测距与车辆组合定位算法研究", 《万方数据库》 * |
| 陈成等: "基于多示例遗传神经网络的室内PM_(2.5)预测", 《计算机应用与软件》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111693670A (zh) * | 2020-06-08 | 2020-09-22 | 中国电信集团工会上海市委员会 | 一种非定点的水质检测装置及水质检测系统 |
| CN111928888A (zh) * | 2020-06-12 | 2020-11-13 | 中国环境科学研究院 | 一种水域污染智能监控分析方法及系统 |
| CN111928888B (zh) * | 2020-06-12 | 2022-10-28 | 中国环境科学研究院 | 一种水域污染智能监控分析方法及系统 |
| CN112184474A (zh) * | 2020-09-25 | 2021-01-05 | 江苏中利集团股份有限公司 | 一种基于区块链的材料智能化制造方法及装置 |
| CN112529518A (zh) * | 2020-11-17 | 2021-03-19 | 北京思路创新科技有限公司 | 基于日常活动水平检测和管理系统的企业数据管理方法 |
| CN112308093A (zh) * | 2020-11-24 | 2021-02-02 | 腾讯科技（深圳）有限公司 | 基于图像识别的空气质量感知方法、模型训练方法及系统 |
| CN112308093B (zh) * | 2020-11-24 | 2023-05-30 | 腾讯科技（深圳）有限公司 | 基于图像识别的空气质量感知方法、模型训练方法及系统 |
| CN112559787B (zh) * | 2020-12-31 | 2021-12-10 | 贵州神马勘测设计有限责任公司 | 一种基于区块链的遥测数据处理方法、系统及云平台 |
| CN112559787A (zh) * | 2020-12-31 | 2021-03-26 | 广州智云尚大数据科技有限公司 | 一种基于区块链的遥测数据处理方法、系统及云平台 |
| CN113037854A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 机动车尾气的监测方法、装置、设备及存储介质 |
| CN113037854B (zh) * | 2021-03-22 | 2024-01-23 | 平安国际智慧城市科技股份有限公司 | 机动车尾气的监测方法、装置、设备及存储介质 |
| CN113328920B (zh) * | 2021-08-04 | 2021-10-29 | 成都飞机工业（集团）有限责任公司 | 一种对设备数据的采集与存储方法 |
| CN113328920A (zh) * | 2021-08-04 | 2021-08-31 | 成都飞机工业（集团）有限责任公司 | 一种对设备数据的采集与存储方法 |
| CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
| CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111157682A (zh) | 空气质量监测及预测系统及方法 | |
| CN109302405B (zh) | 基于边缘计算的工业数据检测区块链网络系统及检测方法 | |
| CN108446992A (zh) | 一种基于区块链的网联汽车精准事故处理方法 | |
| CN109547407B (zh) | 一种环境监测数据的全过程追踪方法及区块链节点 | |
| CN111968000B (zh) | 一种基于双链机制的智慧农业数据监测与自动控制方法 | |
| CN103905440A (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
| CN113194126A (zh) | 一种基于区块链的横向联邦学习模型构建方法 | |
| CN113177730A (zh) | 一种水资源溯源管理系统 | |
| CN113472547A (zh) | 一种基于区块链的安全监控系统 | |
| CN112990921A (zh) | 基于区块链的数据处理方法、装置、计算机及存储介质 | |
| CN113327037A (zh) | 基于模型的风险识别方法、装置、计算机设备和存储介质 | |
| CN112069520A (zh) | 基于联盟区块链和北斗的电力杆塔监测数据加密方法及装置 | |
| CN117118849A (zh) | 一种物联网网关系统及实现方法 | |
| CN115964757A (zh) | 基于区块链的流域环境监测及处置方法和装置 | |
| Alvi et al. | From conventional voting to blockchain voting: categorization of different voting mechanisms | |
| CN113034159B (zh) | 一种基于区块链预言机技术的企业可信信评系统及方法 | |
| CN114862626B (zh) | 一种基于区块链技术的施工场地环境监测方法及系统 | |
| CN115953044A (zh) | 一种基于联邦学习和区块链技术的电网状态稳定性评估方法 | |
| Kuang et al. | GTMS: A gated linear unit based trust management system for internet of vehicles using blockchain technology | |
| CN112153151B (zh) | 一种基于区块链的智能制造车间安全管理方法及系统 | |
| CN107835174A (zh) | 一种基于物联网的账本反欺诈系统及方法 | |
| CN110932898B (zh) | 一种智能网络管理系统及方法 | |
| CN114338088A (zh) | 变电站电力监控系统网络安全等级的评估算法及评估系统 | |
| CN112633900A (zh) | 基于机器学习的工业物联网数据验证方法 | |
| CN114760325A (zh) | 业务数据处理方法、设备、存储介质及共享平台 |
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 |