CN111666646B - 基于复杂网络的大气污染传输关键节点的识别方法及系统 - Google Patents
基于复杂网络的大气污染传输关键节点的识别方法及系统 Download PDFInfo
- Publication number
- CN111666646B CN111666646B CN202010449972.4A CN202010449972A CN111666646B CN 111666646 B CN111666646 B CN 111666646B CN 202010449972 A CN202010449972 A CN 202010449972A CN 111666646 B CN111666646 B CN 111666646B
- Authority
- CN
- China
- Prior art keywords
- node
- weight
- pollution
- pagerank
- airflow
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Abstract
本发明提供了一种基于复杂网络的大气污染传输关键节点的识别方法及系统,包括:将预设区域网格化抽象成复杂网络;HYSPLIT模型输出气流轨迹在预设区域内的流动,得到气流轨迹权重的邻接矩阵;将预设区域内大气污染物监测点位的污染物浓度采用污染物浓度插值法得到污染传输权重的邻接矩阵;将污染传输权重的邻接矩阵添加到气流轨迹权重的邻接矩阵,得到气流轨迹权重和污染传输权重的邻接矩阵;利用改进的PageRank算法计算每个节点的入度强度值和出度强度值;根据入度强度值和出度强度值识别出区域污染和治理关键点;本发明将特定区域网格化后建立节点,将特定区域进行平均而全面的抽象,进而进行复杂网络分析,全面、准确。
Description
技术领域
本发明涉及空气污染分析领域,具体地,涉及一种基于复杂网络的大气污染传输关键节点的识别方法及系统,更为具体地,涉及一种基于复杂网络的区域空气污染传输关键节点的识别模型。
背景技术
随着我国经济的不断发展,我国大部分地区的空气质量问题也日益严重。严重的空气污染对人们的身体以及生活造成了严重的影响;对不同区域的空气污染进行监控,对于空气污染治理有着非常重要的意义。
利用PageRank算法计算互联网网络、公共交通等领域的关键节点的应用很多,但利用在大气污染物的扩散和区域大气污染关键节点的计算则非常少。
专利文献CN110363350A(201910633683.7)公开了一种基于复杂网络的区域空气污染物分析方法,已经尝试抽象化区域并应用PageRank算法计算节点的PageRank值,但1)其节点是基于环境空气质量监测站点,数量少分布不均匀,结果不具备代表性(我们申请的专利是网格化整个区域,每个格点即为一个节点);2)利用风速和风向角度计算节点与节点之间的联系准确性不高(我们申请的专利是利用HYSPLIT模式计算出每一个网格的气流轨迹,气流轨迹所经过每个格点的信息即可建立节点与节点之间的联系,准确度大大提升),3)节点与节点间的传播权重基于AQI的差值,由于AQI是六项污染物的计算结果,所以将其作为污染权重的计算因子缺乏理论依据(我们申请的专利中,可以基于每一种污染物单独计算权重,能够分别对每一种大气污染物计算入度强度值和出度强度值,这对于精准实施污染治理、精准优化监测网络点位意义重大);4)其目的是预测空气质量(我们申请的专利是识别大气污染传输中的关键节点)。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于复杂网络的大气污染传输关键节点的识别方法及系统。
根据本发明提供的一种基于复杂网络的大气污染传输关键节点的识别方法,包括:
步骤M1:将预设区域网格化,并抽象成复杂网络,网格化后的每个格点即为复杂网络中的节点;
步骤M2:采用HYSPLIT大气轨迹模型输出气流轨迹在预设区域内的流动,得到带有气流轨迹权重的邻接矩阵;
步骤M3:将预设区域内大气污染物监测点位的污染物浓度采用污染物浓度插值法得到带有污染传输权重的邻接矩阵;
步骤M4:根据带有污染传输权重的邻接矩阵和带有气流轨迹权重的邻接矩阵,计算得到带有气流轨迹权重和污染传输权重的状态转移矩阵;
步骤M5:根据带有气流轨迹权重和污染传输权重的状态转移矩阵利用改进的PageRank算法计算每个节点的入度强度值和出度强度值;
步骤M6:根据每个节点的入度强度值和出度强度值识别出区域污染和治理关键点,用于预设区域大气污染治理决策和监测点位设置的网络优化;
所述HYSPLIT大气轨迹模型用于计算空气轨迹、化学传输和沉降的模型;
所述改进的PageRank算法是包含气流轨迹权重的PageRank算法,即改进的PageRank算法是根据权重进行分配。
优选地,所述步骤M2包括:使用HYSPLIT大气轨迹模型,输出气流轨迹在预设区域内的流动,根据每条气流轨迹经过的网格化格点构建区域复杂网络中节点与节点之间的关系,用带气流轨迹权重的邻接矩阵表示。
优选地,所述步骤M3包括:将预设区域内的大气污染物监测点位的污染物浓度监测数据使用IDW差值方法差值到区域复杂网络每个节点上,计算节点与节点之间的污染传输权重的邻接矩阵;
所述污染传输权重的邻接矩阵计算公式如下:
其中,Cij表示节点i与节点j之间的污染传输权重矩阵;ci表示节点i的浓度;cj表示节点j的浓度;Dis(i,j)为节点i和节点j之间的距离;当节点j的浓度减去节点i的浓度小于等于0时,则Cij为预设值。
优选地,所述带有气流轨迹权重和污染传输权重的邻接矩阵包括:
Wij=L'ij*Cij (2)
其中,Wij表示节点i与节点j的气流轨迹权重和污染传输权重的邻接矩阵;L'ij表示节点i与节点j的气流轨迹权重邻接矩阵;Cij表示节点i与节点j之间的污染传输权重矩阵;*表示Hadamard乘积,即对位元素位置乘积;
根据带有气流轨迹权重和污染传输权重的邻接矩阵Wij计算带有气流轨迹权重和污染传输权重的状态转移矩阵:
其中,N表示所有的节点数。
优选地,所述步骤M5包括:使用改进的PageRank算法计算预设区域内每个节点的PageRank值,计算出的预设区域内每个节点的PageRank值为PageRank入度强度值或PageRank出度强度值;
所述改进的PageRank算法包括:将带有气流轨迹权重和污染传输权重的邻接矩阵使用在PageRank算法之中,即改进的PageRank算法;
所述使用改进的PageRank算法计算预设区域内每个节点的PageRank值包括:
其中,p(i+1)表示p的第i+1次迭代计算;W′ij表示带有气流轨迹权重和污染传输权重的状态转移矩阵;p(i)表示p的第i次迭代计算,d表示标量,是一个概率值,N表示所有的节点数;E表示一个N行1列的所有元素为1的向量;p表示一个N行1列的向量。
优选地,所述步骤M6包括:对预设个节点排序后分析,PageRank入度强度值越高,则越容易受外来污染影响;PageRank出度强度值越高,对除自身之外的节点越有强污染输送影响。
根据本发明提供的一种基于复杂网络的大气污染传输关键节点的识别系统,包括:
模块M1:将预设区域网格化,并抽象成复杂网络,网格化后的每个格点即为复杂网络中的节点;
模块M2:采用HYSPLIT大气轨迹模型输出气流轨迹在预设区域内的流动,得到带有气流轨迹权重的邻接矩阵;
模块M3:将预设区域内大气污染物监测点位的污染物浓度采用污染物浓度插值法得到带有污染传输权重的邻接矩阵;
模块M4:根据带有污染传输权重的邻接矩阵和带有气流轨迹权重的邻接矩阵,计算得到带有气流轨迹权重和污染传输权重的状态转移矩阵;
模块M5:根据带有气流轨迹权重和污染传输权重的状态转移矩阵利用改进的PageRank算法计算每个节点的入度强度值和出度强度值;
模块M6:根据每个节点的入度强度值和出度强度值识别出区域污染和治理关键点,用于预设区域大气污染治理决策和监测点位设置的网络优化;
所述HYSPLIT大气轨迹模型用于计算空气轨迹、化学传输和沉降的模型;
所述改进的PageRank算法是包含气流轨迹权重的PageRank算法,即改进的PageRank算法是根据权重进行分配。
优选地,所述模块M2包括:使用HYSPLIT大气轨迹模型,输出气流轨迹在预设区域内的流动,根据每条气流轨迹经过的网格化格点构建区域复杂网络中节点与节点之间的关系,用带气流轨迹权重的邻接矩阵表示;
所述模块M3包括:将预设区域内的大气污染物监测点位的污染物浓度监测数据使用IDW差值方法差值到区域复杂网络每个节点上,计算节点与节点之间的污染传输权重的邻接矩阵;
所述污染传输权重的邻接矩阵计算公式如下:
其中,Cij表示节点i与节点j之间的污染传输权重矩阵;ci表示节点i的浓度;cj表示节点j的浓度;Dis(i,j)为节点i和节点j之间的距离;当节点j的浓度减去节点i的浓度小于等于0时,则Cij为预设值。
优选地,所述带有气流轨迹权重和污染传输权重的邻接矩阵包括:
Wij=L'ij*Cij (2)
其中,Wij表示节点i与节点j的气流轨迹权重和污染传输权重的邻接矩阵;L'ij表示节点i与节点j的气流轨迹权重邻接矩阵;Cij表示节点i与节点j之间的污染传输权重邻接矩阵;*表示Hadamard乘积,即对位元素位置乘积;
根据带有气流轨迹权重和污染传输权重的邻接矩阵Wij计算带有气流轨迹权重和污染传输权重的状态转移矩阵:
其中,N表示所有的节点数。
优选地,所述模块M5包括:使用改进的PageRank算法计算预设区域内每个节点的PageRank值,计算出的预设区域内每个节点的PageRank值包括为PageRank入度强度值或PageRank出度强度值;
所述改进的PageRank算法包括:将带有气流轨迹权重和污染传输权重的邻接矩阵使用在PageRank算法之中,即改进的PageRank算法;
所述使用改进的PageRank算法计算预设区域内每个节点的PageRank值包括:
其中,p(i+1)表示p的第i+1次迭代计算;W′ij表示带有气流轨迹权重和污染传输权重的状态转移矩阵;p(i)表示p的第i次迭代计算,d表示标量,是一个概率值,N表示所有的节点数;E表示一个N行1列的所有元素为1的向量;p表示一个N行1列的向量;
所述模块M6包括:对预设个节点排序后分析,PageRank入度强度值越高,则越容易受外来污染影响;PageRank出度强度值越高,对除自身之外的节点越有强污染输送影响。
与现有技术相比,本发明具有如下的有益效果:
1、本发明利用HYSPLIT模式计算出每一个网格的气流轨迹,气流轨迹所经过每个格点的信息即可建立节点与节点之间的联系(用图论的俗语:边),并为每条边添加了气流轨迹权重,准确度大大提升;
2、本发明可以基于每一种污染物单独计算权重,能够分别对每一种大气污染物计算节点的入度强度值和出度强度值,这对于精准实施污染治理、精准优化监测网络点位意义重大;
3、本发明识别大气污染传输中的关键节点,用于预设区域大气污染治理决策和监测点位设置的网络优化。
4、本发明将特定区域网格化后建立节点,这一操作可以将特定区域进行平均而全面的抽象,进而进行复杂网络分析,全面、准确。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为基于复杂网络的区域空气污染传输关键节点的识别方法流程图;
图2为对长三角及周边地区网格化示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于复杂网络的大气污染传输关键节点的识别方法,包括:如图1所示,
步骤M1:将某一个特定区域(如长三角区域)网格化,并抽象成一个区域复杂网络,网格化后的每个格点即为复杂网络中的节点;如图2所示;
步骤M2:采用HYSPLIT大气轨迹模型输出气流轨迹在区域内(如长三角区域)的流动,,每条轨迹经过的格点可以构建起区域复杂网络中节点与节点之间的关系,得到带有气流轨迹权重的邻接矩阵;
步骤M3:将区域内大气污染物监测点位的污染物浓度(PM2.5、臭氧等)监测数据采用污染物浓度插值法到每个节点上,计算节点和节点之间的得到带有污染传输权重的邻接矩阵;
步骤M4:根据带有污染传输权重的邻接矩阵和带有气流轨迹权重的邻接矩阵,计算得到带有气流轨迹权重和污染传输权重的状态转移矩阵;
步骤M5:根据带有气流轨迹权重和污染传输权重的状态转移矩阵利用改进的PageRank算法计算每个节点的入度强度值和出度强度值;
步骤M6:根据每个节点的入度强度值和出度强度值识别出区域污染和治理关键点,用于预设区域大气污染治理决策和监测点位设置的网络优化;
所述HYSPLIT大气轨迹模型用于计算空气轨迹、化学传输和沉降的模型;HYSPLIT模式是由美国国家海洋大气研究中心空气资源实验室开发的,该模式是欧拉和拉格朗日混合型的扩散模式,其平流和扩散的处理均采用拉格朗日方法,浓度计算采用欧拉方法。HYSPIT在输送、扩散和沉降过程方面考虑得较为完整,模拟时间进度最高可精确到小时,目前在国内外广泛应用于分析污染物来源及传输路径等。
所述改进的PageRank算法是包含气流轨迹权重的PageRank算法,即改进的PageRank算法是根据权重进行分配。
具体地,所述步骤M2包括:使用HYSPLIT大气轨迹模型,输出气流轨迹在预设区域内的流动,根据每条气流轨迹经过的网格化格点构建区域复杂网络中节点与节点之间的关系,用带气流轨迹权重的邻接矩阵表示。
具体地,所述步骤M3包括:将预设区域内的大气污染物监测点位的污染物浓度监测数据使用IDW差值方法差值到区域复杂网络每个节点上,计算节点与节点之间的污染传输权重的邻接矩阵;
所述污染传输权重的邻接矩阵计算公式如下:
其中,Cij表示节点i与节点j之间的污染传输权重邻接矩阵;ci表示节点i的浓度;cj表示节点j的浓度;Dis(i,j)为节点i和节点j之间的距离;当节点j的浓度减去节点i的浓度小于等于0时,则Cij为预设值。
具体地,所述带有气流轨迹权重和污染传输权重的邻接矩阵包括:
Wij=L'ij*Cij (2)
其中,Wij表示节点i与节点j的气流轨迹权重和污染传输权重的邻接矩阵;L'ij表示节点i与节点j的气流轨迹权重邻接矩阵;Cij表示节点i与节点j之间的污染传输权重邻接矩阵;*表示Hadamard乘积,即对于元素位置乘积;
根据带有气流轨迹权重和污染传输权重的邻接矩阵Wij计算带有气流轨迹权重和污染传输权重的状态转移矩阵:
其中,N表示所有的节点数。
具体地,所述步骤M5包括:使用改进的PageRank算法计算预设区域内每个节点的PageRank值,计算出的预设区域内每个节点的PageRank值包括为PageRank入度强度值或PageRank出度强度值;
所述改进的PageRank算法包括:将带有气流轨迹权重和污染传输权重的邻接矩阵使用在PageRank算法之中,即改进的PageRank算法;
所述使用改进的PageRank算法计算预设区域内每个节点的PageRank值包括:
其中,p(i+1)表示p的第i+1次迭代计算;W′ij表示带有气流轨迹权重和污染传输权重的状态转移矩阵;p(i)表示p的第i次迭代计算,d表示标量,是一个概率值,这里取0.85,N表示所有的节点数;E表示一个N行1列的所有元素为1的向量;p表示一个N行1列的向量。
具体地,所述步骤M6包括:对预设个节点排序后分析,PageRank入度强度值越高,则越容易受外来污染影响,是污染输送通道或者污染汇集的地方;PageRank出度强度值越高,对除自身之外的节点越有强污染输送影响,是污染输出比较大的区域。
入度强度值和出度强度值的值大小都是一个相对值的概念,仅用于对N个节点排序后分析,值越高的节点越重要。这里的值没有一个绝对的阈值的概念,只是节点与节点的相互比较。
使用公式4迭代计算得到向量p,向量p中的N个元素对应的就是N个节点的入度强度值或出度强度值。迭代次数按照收敛值决定,我们定义,如果p(i+1)和p(i)的每个对应元素的差的绝对值的和小于0.001,即时,则迭代结束。这个0.0001是自己设定的,设在0.01或者0.000001都可以,对最终的节点的排序结果影响很小。
实施例2
实施例1是实施例2的变化例
传统PageRank算法是将网页A的PageRank值平均分配给B、C、D网页(只要网页A上有链出到B、C、D网页的链接)
PageRank的公式如下所示:
其中:N为整个网络的网页数;d为向后搜索其它页面的概率,1-d为用户随机浏览到新URL的概率。L(Pj)为页面Pj指向的页面数(使用邻接矩阵来表示网络中节点间的关系);M(Pi)为指向页面Pi的页面集合;PageRank(Pj)为页面Pj的PageRank值;
通过迭代计算后,每个网页的PageRank值最终会收敛到一个稳定值,即为该网页最终的PageRank值,如下所示:
将所有PageRank(Pi)堆叠到向量p中。给定一个有序的N个页面集,用N*N个邻接矩阵L表示它们之间的链接(以图论的术语,表示边),如果存在从网页j到网页i的链接,则Lij为1。否则为0。PageRank认为,重要网页上的链接比不重要网页上的链接更好地表明了重要性。在这种视图下,重要网页就是从其他重要网页接收许多链接的网页。PageRank假定每个网页在其传出链接上均匀地分配其重要性。然后,在过渡矩阵M中表达每个网页沿每个链接传播的重要性的比例,其中使用N维向量p总结N个网页的重要性,使用E表示列向量其中N个元素分别等于1;
这个平均分配改为有权重的分配,即如果A到B比A到C和A到D更重要,那么A的PageRank值更多分配给B,较少分配给C和D。
从公式1中可以看出,PageRank值在其传出链接之间平均分配。但是就空气污染的传输而言,由于气象条件和地形的影响,在一段时间内,空气质量可能会从节点A到节点B连续几次。在这种情况下,节点A可能对节点B的空气污染物的浓度的贡献要大于对其他节点的贡献。因此,节点A应该向节点B分配比其他节点更多的PageRank值(出度强度值)。通过使用N*N邻接矩阵L'表示N个节点之间的链接,将气流轨迹权重引入PageRank算法,如果节点中有m个链接,则L'ij为m条链接从节点j到节点i(m可以为零,即没有链接)。然后我们可以在矩阵M'中表示沿每条边传输的每个节点PageRank值的加权比例,其中公式3表示具有气流轨迹权重的PageRank算法。
除了气流轨迹权重,我们还考虑了污染传输权重。假设节点A的空气污染物浓度小于或等于节点B的浓度,则应减少分配给节点B的节点A的PageRank值的比例,因为从节点A到节点B的污染传递是不太可能发生。在相反的情况下,如果节点A的浓度高于节点B,则应增加分配给节点B的节点A的PageRank值的比例,因为可能会发生污染传输。两个节点之间的距离也是一个因素它将影响污染的传传输,即距离越长,污染物的传输越少。
我们用N*N矩阵C表示这N个节点之间的污染传输权重,其中其中ci是节点i的浓度,距离为以公里为单位。Dis(i,j)为节点i和节点j之间的距离,如果节点j的浓度减去节点i的浓度小于或等于0,则将Cij设置为0.5。
然后,将气流轨迹权重和污染传输权重的组合表示为N*N矩阵W,其中Wij=L'ij*Cij。*表示Hadamard乘积(对位元素位置乘积)。
上述计算得到入度强度值。对于出度强度值,计算方法是一样的,只需要交换边的方向,例如:Lij指的是从节点i指向节点j,以此类推,
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于复杂网络的大气污染传输关键节点的识别方法,其特征在于,包括:
步骤M1:将预设区域网格化,并抽象成复杂网络,网格化后的每个格点即为复杂网络中的节点;
步骤M2:采用HYSPLIT大气轨迹模型输出气流轨迹在预设区域内的流动,得到带有气流轨迹权重的邻接矩阵;
步骤M3:将预设区域内大气污染物监测点位的污染物浓度采用污染物浓度插值法得到带有污染传输权重的邻接矩阵;
步骤M4:根据带有污染传输权重的邻接矩阵和带有气流轨迹权重的邻接矩阵,计算得到带有气流轨迹权重和污染传输权重的状态转移矩阵;
步骤M5:根据带有气流轨迹权重和污染传输权重的状态转移矩阵利用改进的PageRank算法计算每个节点的入度强度值和出度强度值;
步骤M6:根据每个节点的入度强度值和出度强度值识别出区域污染和治理关键点,用于预设区域大气污染治理决策和监测点位设置的网络优化;
所述HYSPLIT大气轨迹模型用于计算空气轨迹、化学传输和沉降的模型;
所述改进的PageRank算法是包含气流轨迹权重的PageRank算法,即改进的PageRank算法是根据权重进行分配。
2.根据权利要求1所述的基于复杂网络的大气污染传输关键节点的识别方法,其特征在于,所述步骤M2包括:使用HYSPLIT大气轨迹模型,输出气流轨迹在预设区域内的流动,根据每条气流轨迹经过的网格化格点构建区域复杂网络中节点与节点之间的关系,用带气流轨迹权重的邻接矩阵表示。
5.根据权利要求1所述的基于复杂网络的大气污染传输关键节点的识别方法,其特征在于,所述步骤M5包括:使用改进的PageRank算法计算预设区域内每个节点的PageRank值,计算出的预设区域内每个节点的PageRank值为PageRank入度强度值或PageRank出度强度值;
所述改进的PageRank算法包括:将带有气流轨迹权重和污染传输权重的邻接矩阵使用在PageRank算法之中,即改进的PageRank算法;
所述使用改进的PageRank算法计算预设区域内每个节点的PageRank值包括:
其中,p(i+1)表示p的第i+1次迭代计算;W′ij表示带有气流轨迹权重和污染传输权重的状态转移矩阵;p(i)表示p的第i次迭代计算,d表示标量,是一个概率值,N表示所有的节点数;E表示一个N行1列的所有元素为1的向量;p表示一个N行1列的向量。
6.根据权利要求1所述的基于复杂网络的大气污染传输关键节点的识别方法,其特征在于,所述步骤M6包括:对预设个节点排序后分析,PageRank入度强度值越高,则越容易受外来污染影响;PageRank出度强度值越高,对除自身之外的节点越有强污染输送影响。
7.一种基于复杂网络的大气污染传输关键节点的识别系统,其特征在于,包括:
模块M1:将预设区域网格化,并抽象成复杂网络,网格化后的每个格点即为复杂网络中的节点;
模块M2:采用HYSPLIT大气轨迹模型输出气流轨迹在预设区域内的流动,得到带有气流轨迹权重的邻接矩阵;
模块M3:将预设区域内大气污染物监测点位的污染物浓度采用污染物浓度插值法得到带有污染传输权重的邻接矩阵;
模块M4:根据带有污染传输权重的邻接矩阵和带有气流轨迹权重的邻接矩阵,计算得到带有气流轨迹权重和污染传输权重的状态转移矩阵;
模块M5:根据带有气流轨迹权重和污染传输权重的状态转移矩阵利用改进的PageRank算法计算每个节点的入度强度值和出度强度值;
模块M6:根据每个节点的入度强度值和出度强度值识别出区域污染和治理关键点,用于预设区域大气污染治理决策和监测点位设置的网络优化;
所述HYSPLIT大气轨迹模型用于计算空气轨迹、化学传输和沉降的模型;
所述改进的PageRank算法是包含气流轨迹权重的PageRank算法,即改进的PageRank算法是根据权重进行分配。
8.根据权利要求7所述的基于复杂网络的大气污染传输关键节点的识别系统,其特征在于,所述模块M2包括:使用HYSPLIT大气轨迹模型,输出气流轨迹在预设区域内的流动,根据每条气流轨迹经过的网格化格点构建区域复杂网络中节点与节点之间的关系,用带气流轨迹权重的邻接矩阵表示;
所述模块M3包括:将预设区域内的大气污染物监测点位的污染物浓度监测数据使用IDW差值方法差值到区域复杂网络每个节点上,计算节点与节点之间的污染传输权重的邻接矩阵;
所述污染传输权重的邻接矩阵计算公式如下:
其中,Cij表示节点i与节点j之间的污染传输权重矩阵;ci表示节点i的浓度;cj表示节点j的浓度;Dis(i,j)为节点i和节点j之间的距离;当节点j的浓度减去节点i的浓度小于等于0时,则Cij为预设值。
10.根据权利要求7所述的基于复杂网络的大气污染传输关键节点的识别系统,其特征在于,所述模块M5包括:使用改进的PageRank算法计算预设区域内每个节点的PageRank值,计算出的预设区域内每个节点的PageRank值包括为PageRank入度强度值或PageRank出度强度值;
所述改进的PageRank算法包括:将带有气流轨迹权重和污染传输权重的邻接矩阵使用在PageRank算法之中,即改进的PageRank算法;
所述使用改进的PageRank算法计算预设区域内每个节点的PageRank值包括:
其中,p(i+1)表示p的第i+1次迭代计算;W′ij表示带有气流轨迹权重和污染传输权重的状态转移矩阵;p(i)表示p的第i次迭代计算,d表示标量,是一个概率值,N表示所有的节点数;E表示一个N行1列的所有元素为1的向量;p表示一个N行1列的向量;
所述模块M6包括:对预设个节点排序后分析,PageRank入度强度值越高,则越容易受外来污染影响;PageRank出度强度值越高,对除自身之外的节点越有强污染输送影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449972.4A CN111666646B (zh) | 2020-05-25 | 2020-05-25 | 基于复杂网络的大气污染传输关键节点的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449972.4A CN111666646B (zh) | 2020-05-25 | 2020-05-25 | 基于复杂网络的大气污染传输关键节点的识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666646A CN111666646A (zh) | 2020-09-15 |
CN111666646B true CN111666646B (zh) | 2023-03-28 |
Family
ID=72384485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010449972.4A Active CN111666646B (zh) | 2020-05-25 | 2020-05-25 | 基于复杂网络的大气污染传输关键节点的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666646B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132341B (zh) * | 2020-09-22 | 2021-10-12 | 西安理工大学 | 一种基于暴雨过程的洪水风险预测方法 |
CN112347712A (zh) * | 2020-10-30 | 2021-02-09 | 大连理工大学 | 一种存在颗粒污染物沉降情况的污染源逆向辨识方法 |
CN112836862A (zh) * | 2021-01-15 | 2021-05-25 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 一种基于机器学习算法的集合预报方法、系统及介质 |
CN113344759B (zh) * | 2021-06-30 | 2023-04-25 | 北京建筑大学 | 一种移动源污染排放的分析方法 |
CN115292331B (zh) * | 2022-10-09 | 2023-03-24 | 淄博青禾检测科技有限公司 | 一种异常地理区域的获取方法、设备及介质 |
CN115758711B (zh) * | 2022-11-11 | 2023-05-30 | 中国环境科学研究院 | 一种基于污染传输路径的大气污染溯源方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649960A (zh) * | 2016-10-12 | 2017-05-10 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
CN110363350A (zh) * | 2019-07-15 | 2019-10-22 | 西华大学 | 一种基于复杂网络的区域空气污染物分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7991755B2 (en) * | 2004-12-17 | 2011-08-02 | International Business Machines Corporation | Dynamically ranking nodes and labels in a hyperlinked database |
US11176589B2 (en) * | 2018-04-10 | 2021-11-16 | Ebay Inc. | Dynamically generated machine learning models and visualization thereof |
-
2020
- 2020-05-25 CN CN202010449972.4A patent/CN111666646B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649960A (zh) * | 2016-10-12 | 2017-05-10 | 环境保护部环境规划院 | 大气多污染物环境容量三维迭代计算方法 |
CN110363350A (zh) * | 2019-07-15 | 2019-10-22 | 西华大学 | 一种基于复杂网络的区域空气污染物分析方法 |
Non-Patent Citations (1)
Title |
---|
收缩法和PR算法在加权复杂网络节点重要性评估中的比较;程晨等;《统计与决策》;20181113(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111666646A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666646B (zh) | 基于复杂网络的大气污染传输关键节点的识别方法及系统 | |
Kisi et al. | Modeling of air pollutants using least square support vector regression, multivariate adaptive regression spline, and M5 model tree models | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
CN107463953A (zh) | 在标签含噪情况下基于质量嵌入的图像分类方法及系统 | |
CN107169277B (zh) | 一种pm2.5浓度的数据分析和预测模型建立方法 | |
CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
Sahu et al. | A comparison of Bayesian models for daily ozone concentration levels | |
CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
Fassò et al. | A unified statistical approach for simulation, modeling, analysis and mapping of environmental data | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
Campolongo et al. | Sensitivity analysis of the IMAGE Greenhouse model | |
Mao et al. | A hybrid integrated deep learning model for predicting various air pollutants | |
Luo et al. | Inversion of groundwater contamination source based on a two-stage adaptive surrogate model-assisted trust region genetic algorithm framework | |
Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
Haas | Statistical assessment of spatio-temporal pollutant trends and meteorological transport models | |
Amanollahi et al. | Validation of linear, nonlinear, and hybrid models for predicting particulate matter concentration in Tehran, Iran | |
CN102509155A (zh) | 不确定性条件下流域污染物总量控制方法 | |
CN115775042B (zh) | 基于贝叶斯理论的农作物重金属富集风险预测方法及系统 | |
Fotouhi et al. | Concentration prediction of air pollutants in tehran | |
Kalenderski et al. | Mixed deterministic statistical modelling of regional ozone air pollution | |
Han et al. | Electrical data recovery with weather information via collective matrix factorization | |
Zeng et al. | PM2. 5 concentration forecasting in industrial parks based on attention mechanism spatiotemporal graph convolutional networks | |
Ma et al. | Research on modeling and forecasting driven by time series stream data | |
Ostromsky et al. | Sensitivity studies of an air pollution model by using efficient stochastic algorithms for multidimensional numerical integration | |
Singh et al. | Prediction of concentration of SOx, NOx and PM10 due to vehicular emission using CART (Regression Tree) analysis |
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 |