CN111239338A - 开放式空气质量监测系统 - Google Patents

Abstract

本发明公开了开放式空气质量监测系统，涉及空气质量监测技术领域，采用可移动的低成本的空气质量检测终端，结合开放式的大数据系统架构，完善了现有的空气质量监测网络，降低了空气监测系统的成本，最大程度了实现了数据共享。采用动态智能空气预测算法，融合了大型空气质量检测设备和普通空气质量检测终端的优点，实现了具体位置空气质量的实时预测；同时采用基于移动位置的自动校准技术，提高了空气质量监测系统的精度；利用Android App技术、Web技术实现了普通居民实时查询当前位置的空气质量，在一定程度上解决了空气质量预报中的滞后性和区域性缺点，为空气质量的精准预报提供了一种新的解决方案。

Description

开放式空气质量监测系统

技术领域

本发明涉及空气质量监测技术领域，特别是涉及开放式空气质量监测系统。

背景技术

随着我国经济建设的飞速发展，工业化、城镇化的持续推进，机动车保有量大幅增加，部分污染企业过度排放，导致大气污染情况日益严峻，以雾霾天气为代表的恶劣天气频频发生，严重影响了人民群众的身心健康，制约了经济的可持续发展，引起了社会越来越多的关注。实时掌握当前的空气质量成为普通居民的急切需求，也是做好大气污染防治工作的先决条件。

目前我国的空气质量的监测与预报主要依靠国家环境监测站点的监测，通过空气质量预报网周期性发布监测信息，监测站点位置固定，设备昂贵，覆盖率低，导致监测和预报具有明显的区域性和滞后性。同时一些小型监测设备精度较差，空气传感器零点易于漂移，且用户数量有限，不能满足普通居民对空气质量的实时掌握需求。

发明内容

本发明实施例提供了开放式空气质量监测系统，可以解决现有技术中存在的问题。

本发明提供了开放式空气质量监测系统，包括开放式信息采集子系统、大数据智慧云平台和前端用户子系统，所述开放式信息采集子系统包括多个普通空气质量检测终端和多个环境监测站的大型空气质量检测设备，用于采集不同地点的空气质量数据；

所述大数据智慧云平台由大数据处理与存储子系统、空气质量数据建模分析及预测子系统和云服务平台组成，所述大数据处理和存储模块对所述普通空气质量检测终端发送的数据进行格式转换，形成记录数据，对于需要实时处理的数据，所述大数据处理和存储模块将其存储到Kafka分布式流媒体平台中；对于不需要实时性处理的数据，所述大数据处理和存储模块将其存储到Hive仓库中；

所述大数据分析与预测模块用于提供多种大数据分析方法，对于实时性业务需求，所述大数据分析与预测模块采用基于自动校准方法和信息融合方法的StructuredStreaming实时流算子，实时计算消费Kafka数据，并将结果输出到所述云服务模块，为检测终端提供自动校准服务，为用户提供基于经纬度的实时性空气质量预测；对于非实时性业务需求，所述大数据分析与预测模块采用基于神经元网络算法的Spark应用程序分析空气质量变化趋势，通过Spark SQL离线快速分析Hive数据，为用户提供空气质量的查询、分析及预测；

所述云服务模块用于提供用户管理和服务管理功能，对于符合标准的大气监测设备，在设备注册成功后上传监测到的数据，同时接收所述大数据分析与预测模块的输出数据，进行数据整合后发给用户，为用户提供具体的空气质量信息的监测服务；

所述前端用户子系统包括面向移动手机用户的APP系统和面向PC机的WEB系统，用于实现用户与所述大数据智慧云平台之间的动态交互。

针对当前空气质量监测中存在的监测网络不完善、监测精细化不够、普通设备精度较差等问题，本发明提供了一种基于信息融合技术的开放式空气质量监测系统，采用可移动的低成本的空气质量检测终端，结合开放式的大数据系统架构，完善了现有的空气质量监测网络，降低了空气监测系统的成本，最大程度了实现了数据共享。采用动态智能空气预测算法，融合了大型空气质量检测设备和普通空气质量检测终端的优点，实现了具体位置空气质量的实时预测；同时采用基于移动位置的自动校准技术，提高了空气质量监测系统的精度；利用Android App技术、Web技术实现了普通居民实时查询当前位置的空气质量，在一定程度上解决了空气质量预报中的滞后性和区域性缺点，为空气质量的精准预报提供了一种新的解决方案。

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作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的开放式空气质量监测系统的组成示意图；

图2为普通空气质量监测终端的结构示意图；

图3为大数据智慧云平台的系统架构；

图4为1#测试车的监测值与APP预测值的对比。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本发明实施例中提供了开放式空气质量监测系统，该系统由开放式信息采集子系统、大数据智慧云平台和前端用户子系统组成，该系统从物理上将前端用户和空气质量采集设备独立开，采用大数据处理和信息融合技术对空气质量信息进行处理与预报，有效解决了普通用户对设备的依赖问题。

所述开放式信息采集子系统由多种类型的空气质量检测设备组成，可以最大范围的采集空气质量信息，为所述大数据智慧云平台的空气质量数据的处理和预报提高有效可靠的数据。所述大数据智慧云平台由大数据处理与存储子系统、空气质量数据建模分析及预测子系统和云服务平台组成，分别用于对采集的数据进行处理与管理，基于大数据通过自动校准和信息融合技术对空气质量信息进行预测，及时处理用户需求实时发布空气质量信息。所述前端用户子系统包括基于移动操作系统的空气质量查询APP和基于Web的空气质量查询平台，直接向移动手机用户和PC用户提供空气质量信息。

所述开放式信息采集子系统基于开放式的设计思想，包括各种类型的普通空气质量检测终端和环境监测站的大型空气质量检测设备，同时只要符合国家标准的空气质量检测设备都可以申请注册为系统的采集终端，实现最大范围地采集不同地点的空气质量信息，构建全面的、海量的空气质量信息数据库。所述大型空气质量检测设备是由国家环境监测站进行布置，数据准确性高，作为系统的校准和背景数据。所述普通空气质量检测终端基于传感器技术采集空气质量数据，成本较低，应用模式比较灵活，可以安装在汽车等移动载体上，也可以安装在小区、工地等固定的位置。截至2018年底全国汽车保有量达2.4亿辆，四通八达的现代交通网可以使得汽车能到达城市的各个角落，为空气质量的精细化监测提供了最优的载体，同时全网覆盖的LTE和NB-IoT网络可以可靠地将监测数据实时地传输到大数据智慧云平台，本发明的普通空气质量检测终端就是应用到汽车载体上，可以最大范围地采集空气质量信息。

普通空气质量检测终端是开放式空气质量监测系统的主要信息采集主体，为大数据智慧云平台提供全方位的空气质量信息，基于物联网技术的移动空气质量检测终端，应用传感器技术采集空气质量信息，由嵌入式微控制器对信息进行处理，通过现代通信网络与大数据智慧云平台实时通信，终端硬件结构如图2所示。主要由嵌入式微控制器系统、传感器组模块、GPS/北斗定位模块、通信模块等组成，微控制器选用嵌入式ARM系列微控制器，传感器组模块主要通过传感器采集与AQI关系密切的六种大气污染物PM2.5、PM10、NO₂、CO、SO₂和O₃，根据传感器的输出信号分别与微控制器的串行接口、I2C或者AD口相连。定位模块选用GPS/BDS定位模块，通过串口给检测终端提供精确的经纬度信息。通信模块采用NB-IoT、LTE等多种通信方式实现与大数据智慧云平台的远程通信，可以根据具体的应用环境、功耗和成本要求选择合适的通信方式，其中蓝牙的通信需要通过手机APP进行数据转发。同时检测终端还具有5V和3.3V的电源电路，为终端不同的电路模块进行稳定的供电。

所述大数据智慧云平台是监测系统的核心组成部分，基于分布式的架构应用大数据并行处理与存储管理技术，实现了对终端信息的采集、处理与存储；基于自动校准和信息融合技术，实现了对没有检测终端的用户在任意地点空气质量的预测；基于大数据分析预测算法实现空气质量的趋势变化预测及极端空气的预警。大数据智慧云平台提升了系统的分析与处理能力，使得系统具有良好的应用深度和广度。所述大数据智慧云平台系统架构如图3所示，从系统功能上主要包括大数据处理和存储模块、大数据分析与预测模块和云服务模块三个组成部分。

所述大数据处理和存储模块根据检测终端的通信方式提供兼容的通信接口，接收的数据首先进行数据清洗，根据数据包包含的经纬度坐标、校正状态、检测值等信息分析数据是否存在问题，过滤掉问题数据后对正确的数据进行格式转换，形成记录数据，并赋予一个全局唯一的标识。根据用户需求，需要实时处理的数据存储到Kafka分布式流媒体平台中，所述Kafka分布式流媒体平台基于消息队列存储数据提供实时性处理接口，大大提高了数据处理的速度；不需要实时性处理的数据存储到Hive仓库中，所述Hive仓库基于HDFS分布式存储，利用Hadoop的负载均衡特性把海量数据存储到不同的存储节点上，大大地提高了读写性能。所述Hive仓库通过工作流调度器Azkaban按时间调度跑批任务生成报表，Hive仓库给大数据分析模块提供一系列交互接口，将用户指令翻译成MapReduce，提交到Hadoop中执行，将执行结果返回输出到交互接口。

所述大数据分析与预测模块负责提供多种大数据分析方法，主要包括自动校准方法、基于信息融合的空气质量预测算法、大数据空气质量趋势预测算法等。对于实时性业务需求，所述大数据分析与预测模块基于自动校准技术和信息融合算法的StructuredStreaming实时流算子，实时计算消费Kafka数据，并将结果输出到所述云服务模块，为检测终端提供自动校准服务，为用户提供基于经纬度的实时性空气质量预测，同时相关数据也保存到Hive仓库中。对于非实时性业务需求，所述大数据分析与预测模块采用基于神经元网络算法的Spark应用程序分析空气质量变化趋势，通过Spark SQL离线快速分析Hive数据，为用户提供空气质量的查询、分析及预测。

所述云服务模块负责用户管理和服务管理功能，系统具有开放性的特点，用户可以通过云服务平台进行注册，针对不同类型的用户配置资源，一方面，凡是符合国家标准的大气监测设备在用户注册审核后都可以上传到平台，最大程度地实现了资源的共享；另一方面，细化用户的服务需求，根据用户请求调用相应的接口服务完成操作，接收所述大数据分析与预测模块的输出数据，进行数据整合后发给用户，为用户提供具体的空气质量信息的监测服务。

前端用户子系统：基于当前用户的使用习惯，所述前端用户子系统包括面向移动手机用户的APP系统和面向PC机的WEB系统，实现用户与大数据智慧云平台之间的动态交互。用户主要分为两类，一类是拥有普通空气质量检测终端的用户，该类用户向大数据智慧云平台周期上报空气质量信息，同时也可以向云平台请求服务；另一类是普通的注册用户，没有普通空气质量检测终端，单纯向云服务平台请求获取空气质量信息服务。

自动校准方法：近年来各种传感器技术开始应用于空气质量的监测中，大大降低了空气污染物监测的成本。但是，由于受到使用时间、应用环境等因素的影响，空气质量传感器的特性漂移问题一直无法得到很好的解决，降低了设备数据准确性和可靠性。鉴于检测终端的移动性和数据与位置耦合性的特性，本发明采用基于移动位置的校准方法，解决了由于环境不一致导致标准误差的问题。监测系统中的普通空气质量检测终端安装在汽车载体上，根据检测终端上报的数据包中的北斗位置信息实时跟踪检测终端的位置，当汽车行驶到大型空气质量检测设备的校准有效范围内时，所述监测系统发送指令启动检测终端进入校准模式，按照监测系统中保存的大型空气质量检测设备的采集数据进行校准调零，同时利用运行状况良好、出错率低且刚刚校准过的检测终端作为辅助标准设备，对其他检测终端进行调零。这种校准方法实现了标准设备和校准设备运行环境的一致性，保证了校准调零的有效性，提高了普通空气质量检测终端检测结果的有效性和准确性。

基于信息融合的空气质量预测算法：空气质量受到地理地形、气候、交通、扩散条件及污染源排放等因素的影响，具有明显的时空相关性特点，距离越短，时间越近，空气质量的相关度就越高。官方的大型空气质量检测设备的精确性要高于普通空气质量检测终端，但是普通空气质量检测终端的检测点数量远远大于大型空气质量检测设备的站点数，据此本发明采用基于距离权重因子的空气质量信息融合算法，将多个监测点数据有效融合，实时预测具体位置的空气质量数据。所述大数据智慧云平台根据手机APP或者WEB上传的地理坐标位置，搜索周边有效距离内在线的检测终端或设备，读取相关监测数据，根据空气质量信息融合算法进行计算具体坐标位置的大气污染物预测值。解决了没有检测终端的用户对空气质量状况实时掌握的需求，同时也解决了有检测终端用户对其他各区域空气质量的需求。

以目标地理坐标位置为中心，在周边的有效范围内，将采集的数据分为两个集合：有用数据集和标准数据集，有用数据集来自普通空气质量检测终端的数据集，特点是数据量大、距离中心目标位置近；标准数据集的数据来自国家环境监测站的大型空气质量检测设备的数据集，特点是数值精确、数据量少，设备站点可能距离目标位置点较远。对于某一项大气污染物，定义数据集为：

S＝(P_v1，P_v2，……，P_vM；P_c1，P_c2，……，P_cN) (1)

其中，P_vm(1≤m≤M)为有用数据，是普通空气质量检测终端m的监测数据，P_cn(1≤n≤N)为标准数据，是大型空气质量检测设备n的监测数据，不同的大气污染物都有独立的数据集。

目标点处该项大气污染物浓度的计算值如公式(2)所示，污染物的浓度由普通空气质量检测终端与大型空气质量检测设备的该项污染物监测数据信息融合，其中的权重α+β＝1。

P_f＝αP_vf+βP_cf (2)

普通空气质量检测终端的融合分量P_vf的计算公式如式(3)所示。

其中D_tvm(1≤m≤M)为普通空气质量检测终端m与目标点的距离d_tvn倒数值，距离d_tvn越近，D_tvm值越大。

大型空气质量检测设备的融合分量P_cf的计算公式如式(4)所示。

其中D_tcn(1≤n≤N)为大型空气质量检测设备n距目标点距离d_tcn的距离倒数值，距离越近，D_tcn值越大。

设目标点t的经纬度坐标为(μ_t,ν_t)，其有效监测范围内的某一检测终端或设备的位置点p经纬度为(μ_p,ν_p)，转换为弧度来进行计算，两个位置点之间的经度之差为a，纬度之差为b，计算公式分别如式(5)、(6)所示。

目标点与检测终端或设备位置点之间的距离为d_tp，计算公式如式(7)所示，其中R为地球的半径，按照WGS84坐标系的推荐值，地球半径值为6378137.0m。

本发明采用基于ARM系列微控制器STM32L475的硬件测试系统，STM32L475具有丰富的IO口和外设资源，可扩展性强。传感器组模块选用高精度的JXM系列智能型空气质量监测模组，内置高精度电化学传感器，通过高精度放大、去噪声处理、温度补偿处理电路，可以准确检测NO₂、CO、SO₂、O₃的浓度信息；大气颗粒物的监测采用颗粒物浓度传感器PMS5003T，基于激光散射原理，最小分辨粒径0.3μm，可以同时监测空气中颗粒物浓度及温湿度信息；定位模块选用GPS+BDS双定位模块ATK1218-BD，20Hz输出速率，自带后备电池，实现精确定位；基于成本的考虑，系统的通信采用蓝牙+手机APP实现，微控制器通过HC-08蓝牙4.0模块与手机APP系统实现可靠的数据通信，无需额外的移动SIM卡，系统采用PU板构建了应用系统，通过减震设计可以稳定地安装在汽车车顶。

大数据智慧云平台的搭建：大数据智慧云平台的实验环境采用华为服务器RH2288，内存为128G，6块6T硬盘，CPU为双颗E5-2609V4 CPU。为了保证系统的灾备，磁盘阵列系统盘采用raid1，其他硬盘采用raid0，提高硬盘的I/O。操作系统为centos 7.4，采用Cloudera的CDH6.1.0搭建的大数据集群，通过页面点击的方式添加Kafka、HDFS、Hive等组件，简单快速，同时cm可以监控这些组件健康状态，大大提高了集群管理的效率，解决了Apache Hadoop版本管理混乱、部署过程繁琐、兼容性差、安全性低等问题。

前端用户子系统设计：结合终端设备与智慧云平台的设计，采用基于手机的APP系统实现用户与系统的信息交互。APP系统基于Android Studio 3.4.2平台开发，主要包含用户注册登录、空气质量信息显示及设备管理等功能，对于设备用户，APP开启蓝牙功能，自动搜索设备蓝牙，完成配对连接后，开启数据监听线程，利用输入流接收设备监测的大气污染物信息，重新打包后通过http通信将检测数据发送到所述大数据智慧云平台，同时在APP上显示相关检测信息；当检测终端或设备的坐标进入校准距离范围内时，所述APP系统接收大数据智慧云平台的校准命令和标准设备数据，解包后利用输出流通过蓝牙转发给检测终端，检测终端进行自动校准。对于没有检测终端的普通用户，APP后台开启TimeService服务功能，周期上报本地坐标信息，同时接收大数据智慧云平台发送的空气质量信息，调用百度地图API接口，在地图上实时显示行车路径及空气质量。

以徐州市城区为测试范围，徐州市区共有九个大型空气质量检测终端，1#-5#测试车辆在车顶安装上普通空气质量检测终端，按照预先规划的行车路径行驶，测试车的有效行车半径是10km。为了便于验证测试性能，测试车中的APP预测数据的计算数据源不包括本车中测试设备的数据，方便将二者进行有效分析比较。有用数据集中的数据数量M取4，标准数据集中的数据数量以及与APP最近的三台大型空气质量检测设备的数量N取3，由于测试设备较少，α在实验时取值为0.5，设备监测值上报和预测值更新周期和为5min，持续一周每天随机两小时进行连续测试。监测设备校准触发准备距离为2KM，有效距离为1KM。为了检验大数据智慧云平台针对具体位置的空气质量预测值的准确性，选用均方误差(mean-squareerror，MSE)和污染物监测值与预测值的比较图来进行分析。

表1预测值与监测终端均方误差MSE(％)

大数据智慧云平台的预测值与测试车内小型监测终端的监测值的均方误差(mean-square error，MSE)如表1所示，数据结果表明1#～5#APP实时预测值的均方误差值最大不超过6％，大数据智慧云平台的预测值与监测终端的监测值相差不大，属于正常误差范围内，基于信息融合的空气质量预测算法的预测值基本可以达到实物监测设备的检测效果。

选择一周内1#测试车PM2.5的监测数据进行分析，检测终端的监测数据与对应APP的预测数据的均值分析如图4所示，第一天由于所有的监测终端都没有经过应用环境的自适应校准调零，监测终端的检测值不准确，差异性较大，导致监测值和预测值相差较大，经过第一天和第二天的移动监测，所有的监测车辆都经过了大型空气质量检测设备附近的有效校准距离内，检测终端完成了自动校准，检测终端的检测精度得到了很大的提高，基于信息融合算法计算的预测值与同一位置的检测值趋于一致，偏差基本保持在4％之内，可以比较准确地预测当前位置的空气污染物浓度。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (6)

1.开放式空气质量监测系统，其特征在于，包括开放式信息采集子系统、大数据智慧云平台和前端用户子系统，所述开放式信息采集子系统包括多个普通空气质量检测终端和多个环境监测站的大型空气质量检测设备，用于采集不同地点的空气质量数据；

所述大数据智慧云平台由大数据处理与存储子系统、空气质量数据建模分析及预测子系统和云服务平台组成，所述大数据处理和存储模块对所述普通空气质量检测终端发送的数据进行格式转换，形成记录数据，对于需要实时处理的数据，所述大数据处理和存储模块将其存储到Kafka分布式流媒体平台中；对于不需要实时性处理的数据，所述大数据处理和存储模块将其存储到Hive仓库中；

所述大数据分析与预测模块用于提供多种大数据分析方法，对于实时性业务需求，所述大数据分析与预测模块采用基于自动校准方法和信息融合方法的StructuredStreaming实时流算子，实时计算消费Kafka数据，并将结果输出到所述云服务模块，为检测终端提供自动校准服务，为用户提供基于经纬度的实时性空气质量预测；对于非实时性业务需求，所述大数据分析与预测模块采用基于神经元网络算法的Spark应用程序分析空气质量变化趋势，通过Spark SQL离线快速分析Hive数据，为用户提供空气质量的查询、分析及预测；

所述云服务模块用于提供用户管理和服务管理功能，对于符合标准的大气监测设备，在设备注册成功后上传监测到的数据，同时接收所述大数据分析与预测模块的输出数据，进行数据整合后发给用户，为用户提供具体的空气质量信息的监测服务；

所述前端用户子系统包括面向移动手机用户的APP系统和面向PC机的WEB系统，用于实现用户与所述大数据智慧云平台之间的动态交互。

2.如权利要求1所述的开放式空气质量监测系统，其特征在于，所述普通空气质量检测终端包括嵌入式微控制器系统、传感器组模块、GPS/北斗定位模块和通信模块，所述嵌入式微控制器系统选用嵌入式ARM系列微控制器，所述传感器组模块通过传感器采集与AQI关系密切的大气污染物PM2.5、PM10、NO₂、CO、SO₂和O₃的浓度值，所述定位模块选用GPS/BDS定位模块，通过串口给检测终端提供精确的经纬度信息，所述通信模块采用多种通信方式实现与所述大数据智慧云平台的远程通信。

3.如权利要求1所述的开放式空气质量监测系统，其特征在于，所述大数据处理和存储模块对接收的数据首先进行数据清洗，根据数据包包含的经纬度坐标、校正状态、检测值信息分析数据是否存在问题，过滤掉问题数据后对正确的数据进行格式转换，形成记录数据。

4.如权利要求1所述的开放式空气质量监测系统，其特征在于，所述大数据分析与预测模块采用自动校准方法对所述普通空气质量检测终端进行校准，所述普通空气质量检测终端安装在汽车上，当汽车行驶到大型空气质量检测设备的校准有效范围内时，所述数据分析与预测模块发送指令启动检测终端进入校准模式，所述检测终端按照监测系统中保存的大型空气质量检测设备的采集数据进行校准调零，同时利用校准过的检测终端作为辅助标准设备，对其他检测终端进行调零。

5.如权利要求1所述的开放式空气质量监测系统，其特征在于，所述大数据分析与预测模块采用基于信息融合的空气质量预测方法预测目标点的空气质量，所述大数据分析与预测模块以目标点为中心，在周边的有效范围内将采集的数据分为两个集合：有用数据集和标准数据集，有用数据集来自普通空气质量检测终端的数据集，标准数据集的数据来自大型空气质量检测设备的数据集，对于某一项大气污染物，定义数据集为：

S＝(P_v1，P_v2，……，P_vM；P_c1，P_c2，……，P_cN)

其中，P_vm为有用数据，是普通空气质量检测终端m的监测数据，P_cn为标准数据，是大型空气质量检测设备n的监测数据，其中1≤m≤M，1≤n≤N；

目标点处该项大气污染物浓度的计算值如下，污染物的浓度由普通空气质量检测终端与大型空气质量检测设备的该项污染物监测数据信息融合，其中的权重α+β＝1：

P_f＝αP_vf+βP_cf

普通空气质量检测终端的融合分量P_vf的计算公式如下所示：

其中D_tvm为普通空气质量检测终端m与目标点的距离d_tvn倒数值；

大型空气质量检测设备的融合分量P_cf的计算公式如下所示：

其中D_tcn为大型空气质量检测设备n距目标点距离d_tcn的距离倒数值。

6.如权利要求5所述的开放式空气质量监测系统，其特征在于，目标点与检测终端或设备之间的距离通过以下方法计算得到：

设目标点t的经纬度为(μ_t,ν_t)，其有效监测范围内的某一检测终端或设备的位置点p经纬度为(μ_p,ν_p)，转换为弧度来进行计算，两个位置点之间的经度之差为a，纬度之差为b，计算公式如下所示：

目标点与检测终端或设备位置点之间的距离为d_tp，计算公式如下所示，其中R为地球的半径：

Images