CN111914468A - 一种空气污染智能监控分析方法及装置 - Google Patents
一种空气污染智能监控分析方法及装置 Download PDFInfo
- Publication number
- CN111914468A CN111914468A CN202010538351.3A CN202010538351A CN111914468A CN 111914468 A CN111914468 A CN 111914468A CN 202010538351 A CN202010538351 A CN 202010538351A CN 111914468 A CN111914468 A CN 111914468A
- Authority
- CN
- China
- Prior art keywords
- air quality
- data
- air
- sample
- component
- 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 95
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003915 air pollution Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims description 30
- 239000000443 aerosol Substances 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims 2
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 239000000203 mixture Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G01N33/0063—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 threshold to release an alarm or displaying means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G01N33/0073—Control unit therefor
- G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明实施例涉及一种空气污染智能监控分析方法及装置。其中,该方法包括:通过获取监测区域的空气质量数据,其中,空气质量数据包括监测区域对应的地面空气质量数据以及监测区域中的空气传感器采集的N种成分数据,将空气质量数据输入至污染分析模型,其中,污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;根据污染分析模型的输出结果判断监测区域的空气质量数据是否存在异常,进而解决了由于相关技术中空气质量检测容易受到人为干预,而导致监测结果不准确的技术问题。
Description
技术领域
本发明涉及空气污染监控领域,具体涉及一种空气污染智能监控分析方法及装置。
背景技术
近年来各地对空气污染指数的重视程度日益加强,在环境治理的正常途径外,部分地区也出现了对空气质量检测站的数据进行“造假”的行为。各地均有如给空气采样器罩上棉絮或口罩,在监测站旁拦阻大型车辆进行清洗,使用雾化炮对监测点进行人为喷射净化空气等措施。这些行为使多达1400余个空气质量检测国控网点的数据产生较大的误差,破坏了整体系统的可靠性。而由于这些行为较少破坏空气检测站实体,数据生成的过程均显示正常,很难对这类造假行为进行全面有效的发现,而对周边环境的24小时实时人工监控成本过高,也很难落实。
环境保护卫星使用的气溶胶光学厚度测量法和痕量气体定量遥感法等方法可以有效的分析地面附近的空气质量,并对污染物类型(如灰霾、污染气体、温室气体等)进行一定程度的定量判别。气溶胶光学厚度测量法测的是气溶胶光学厚度值,气溶胶光学厚度定义为介质的消光系数在垂直方向上的积分,是描述气溶胶对光的削减作用的。气溶胶光学厚度表征大气浑浊程度,气溶胶光学厚度值预示着气溶胶纵向积累的增长,因此导致了大气能见度的降低,气溶胶光学厚度值越高,能见度越低,则空气污染越严重。由于卫星监测覆盖范围广,数据造假的难度和成本极高,且数据源头单一,目前可认为是当前置信度最高的环境监测方式。
但是卫星监测的主要问题是由于卫星连续运动和扫描轨迹变化的因素,无法对全部地区进行连续的数据监测,故对于某一特定地区的数据均呈非连续监测状态。空气质量监测国控网点的数据容易在本地产生“人造”误差,但是空气质量监测国控网点的数据连续,采集数据密度大。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种空气污染智能监控分析方法及装置,以至少解决由于相关技术中空气质量检测容易受到人为干预,而导致监测结果不准确的技术问题。
根据本发明实施例的一个方面,提供了一种空气污染智能监控分析方法,包括:获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
进一步地,所述污染分析模型是预先根据空气质量训练数据训练得到的包括:按照预设采样时间间隔采集样本区域对应的地面空气质量样本数据和N种成分样本数据;根据所述空气质量样本数据确定所述样本区域的空气质量标签;根据采样时间将所述空气质量标签以及所述N种成分样本数据构建空气质量数据集。
进一步地,根据所述空气质量样本数据确定所述样本区域的空气质量标签包括:获取空气质量样本数据中的气溶胶光学厚度和痕量气体定量遥感参数;根据所述气溶胶光学厚度和痕量气体定量确定对应的空气质量标签。
进一步地,根据采样时间将所述空气质量标签以及所述N种成分样本数据构建空气质量数据集包括:根据主成分分析法对所述空气质量标签对应的N种成分样本数据进行降维,以得到所述空气质量数据集。
进一步地,在根据采样时间将所述空气质量标签以及所述N种成分样本数据构建空气质量数据集之后,还包括:将预设时间段内采集到的所述空气质量数据集划分为训练样本和测试样本;根据所述训练样本测试所述空气污染分析模型中的模型参数;根据所述测试样本验证所述空气污染分析模型的准确性。
进一步地,根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常包括:在所述监测区域的空气质量数据存在异常的情况下,分别对所述N种成分数据中的采样时长与所对应的预设异常时长阈值进行比较;在所述成分数据的采样时长大于所述预设异常时长阈值的情况下,则确定所述成分数据为异常数据。
进一步地,在确定所述成分数据为异常数据之后,还包括:在确定所述成分数据为异常数据的情况下,获取所述异常数据的采样时间,以及获取用于采集所述异常数据的传感器的位置信息;对所述采样时间所在的时间段内的N种成分数据进行分析。
根据本发明实施例的另一方面,还提供了一种空气污染监控分析装置,包括:获取单元,用于获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;处理单元,用于将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;判断单元,用于根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行如上所述的空气污染智能监控分析方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序执行如上所述的空气污染智能监控分析方法。
在本发明实施例中,通过获取监测区域的空气质量数据,其中,空气质量数据包括监测区域对应的地面空气质量数据以及监测区域中的空气传感器采集的N种成分数据,将空气质量数据输入至污染分析模型,其中,污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;根据污染分析模型的输出结果判断监测区域的空气质量数据是否存在异常,达到了将卫星采集的地面空气质量数据以及监测区域的地面空气传感器采集的成分数据相结合的目的,从而实现了空气质量监测结果更准确的技术效果。进而解决了由于相关技术中空气质量检测容易受到人为干预,而导致监测结果不准确的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种可选的空气污染智能监控分析方法的示意图;
图2是根据本发明实施例的一种可选的空气污染智能监控分析装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
实施例1
根据本发明实施例,提供了一种空气污染智能监控分析方法,如图1所示,该方法包括:
S102,获取监测区域的空气质量数据,其中,空气质量数据包括监测区域对应的地面空气质量数据以及监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;
S104,将空气质量数据输入至污染分析模型,其中,污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;
S106,根据污染分析模型的输出结果判断监测区域的空气质量数据是否存在异常。
在本实施例中,通过获取监测区域中的卫星采集的地面空气质量数据以及地面空气传感传感器采集的多种成分数据,实现了从空中地面多个维度来对监测区域的空气质量进行监控分析。其中,成分数据一般为污染物成分,例如BrO、NOx、CH4等等。具体的,一般空气质量数据中都是一组卫星拍摄的图片或者视频等材料以及地面空气传感器采集到的N种污染物成分,具体的污染物成分的种类可以根据实际经验进行设置。
在具体的应用场景中,获取样本区域中的空气质量数据,即地面空气质量数据以及N种成分数据,该样本区域中的空气质量数据需要包括各种情况下的空气质量,污染分析模型一般采用支持向量机SVM模型。
需要说明的是,本实施例通过获取监测区域的空气质量数据,将控制质量数据输入至预先训练完成的污染分析模型,从而来判断监测区域的空气质量数据是否存在异常,以实现对人为干预空气质量监测的识别。
可选地,在本实施例中,污染分析模型是预先根据空气质量训练数据训练得到的包括但不限于:按照预设采样时间间隔采集样本区域对应的地面空气质量样本数据和N种成分样本数据;根据空气质量样本数据确定样本区域的空气质量标签;根据采样时间将空气质量标签以及N种成分样本数据构建空气质量数据集。
在实际的应用场景中,在对某一区域的空气监测过程中,每隔预设时间进行监测区域的空气质量数据进行采集。因此,在本实施例中,在污染分析模型的训练过程中,按照预设采样时间间隔采集样本区域对应卫星采集的地面空气质量样本数据,以及通过地面空气传感器采集到的N种成分样本数据。然后对空气质量样本数据以及N种成分样本数进行滤波处理,获得滤波后的运动数据。根据卫星采集的地面空气质量样本数据确定样本区域的空气质量,该空气质量即样本区域的污染状况。根据空气质量确定样本区域的空气质量标签,然后对同一采样时间中采集的N中成分样本数据进行标签的标注,以此类推,根据在指定时间段内采集的空气质量样本数据和N种成分样本数据构建空气质量数据集。
可选地,在本实施例中,根据空气质量样本数据确定监测区域的空气质量标签包括但不限于:获取空气质量样本数据中的气溶胶光学厚度和痕量气体定量遥感参数;根据气溶胶光学厚度和痕量气体定量确定对应的空气质量标签。
在具体的应用场景中,通过环境保护卫星气溶胶光学厚度测量法和痕量气体定量遥感法来确定样本区域的空气质量。例如,从气象卫星获取气溶胶垂直分布数据,利用辐射传输模式模拟整层气溶胶数据分布,结合观测的地面消光系数获取气溶胶垂直分布的标高数据分布;对获得的标高数据分布进行湿度矫正,从整层气溶胶数据分布分解出地面气溶胶消光系数。
可选地,在本实施例中,根据采样时间将空气质量标签以及N种成分样本数据构建空气质量数据集包括但不限于:根据主成分分析法对空气质量标签对应的N种成分样本数据进行降维,以得到空气质量数据集。
具体的,根据空气质量数据中所呈现的污染物成分种类,每类成分样本数据选取预设数量个,以构成训练模型的特征向量,来作为判别空气质量的条件属性。根据空气质量数据对应的采样时间和空气质量标签,通过主成分分析法降低特征向量的维度。使用降维后的数据特征向量构成空气质量数据集。在实际的应用过程中,将反应数据信息的特征向量中的多个特征值压缩为几个主成分,其中每个主成分都能够反映原始特征向量的大部分信息,切所含信息不重复。
可选地,在本实施例中,在根据采样时间将空气质量标签以及N种成分样本数据构建空气质量数据集之后,还包括但不限于:将预设时间段内采集到的空气质量数据集划分为训练样本和测试样本;根据训练样本测试空气污染分析模型中的模型参数;根据测试样本验证空气污染分析模型的准确性。
在具体的应用场景中,将空气质量数据划分为训练样本和测试样本,根据训练样本和测试样本构建SVM模型,训练样本用来测试SVM模型中的惩罚系数、核函数等参数,测试样本用来验证模型的精确性。
具体的,提取样本的方法以及构建空气质量数据集,是以时间为轴为每种成分样本数据提取若干个连续数据点,取每类数据的m个连续数据点的相对应的x个数据统计特征值,N类数据,一共N*x个数据特征值,接着对其进行主成分分析压缩为几个主成分并与造假值构成的新的特征值向量作为一个样本。其中,样本采样间隔为d个连续数据点的采样时间,为d*0.1s。连续采集的多个成分样本构成样本集。其中,所述的m,t,d均为正整数。
可选地,在本实施例中,根据污染分析模型的输出结果判断监测区域的空气质量数据是否存在异常包括但不限于:在监测区域的空气质量数据存在异常的情况下,分别对N种成分数据中的采样时长与所对应的预设异常时长阈值进行比较;在成分数据的采样时长大于预设异常阈值的情况下,则确定成分数据为异常数据。
在具体的应用场景中,将训练完成的污染分析模型的特征参数传输到监测区域的边缘计算网关模块,该边缘计算网关模块可以进行低功耗高性能运算。通过边缘计算网关模块的计算和手机的传感器数据实时分类,判断出是否存在异常数据。其中,在检测区域的空气质量数据存在异常的情况下,对初始判别结果为异常的成分数据进行二次判别,通过采用成分数据采样时间对应的数值,与异常阈值进行比较,当成造假值大于异常阈值的情况下,则判断该成分数据为异常数据。
可选地,在本实施例中,在确定成分数据为异常数据之后,还包括但不限于:在确定成分数据为异常数据的情况下,获取异常数据的采样时间,以及获取用于采集异常数据的传感器的位置信息;对采样时间所在的时间段内的N种成分数据进行分析。
具体的,在识别出异常数据之后,根据在时序上与异常数据的相邻的N种成分数据,并进行分析。获取用于采集异常数据的传感器的位置信息。
通过获取监测区域的空气质量数据,其中,空气质量数据包括监测区域对应的地面空气质量数据以及监测区域中的空气传感器采集的N种成分数据,将空气质量数据输入至污染分析模型,其中,污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;根据污染分析模型的输出结果判断监测区域的空气质量数据是否存在异常,达到了将卫星采集的地面空气质量数据以及监测区域的地面空气传感器采集的成分数据相结合的目的,从而实现了空气质量监测结果更准确的技术效果。进而解决了由于相关技术中空气质量检测容易受到人为干预,而导致监测结果不准确的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述空气污染智能监控分析方法的空气污染智能监控分析装置,如图2所示,该装置包括:
1)获取单元20,用于获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;
2)处理单元22,用于将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;
3)判断单元24,用于根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
实施例3
根据本发明实施例,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行如上所述的空气污染监控分析方法。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;
S2,将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;
S3,根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
实施例4
本发明的实施例还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序执行如上所述的空气污染监控分析方法。
可选地,在本实施例中,存储器被设置为存储用于执行以下步骤的程序代码:
S1,获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;
S2,将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;
S3,根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
可选地,本实施例中的具体示例可以参考上述实施例1中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种空气污染智能监控分析方法,其特征在于,包括:
获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;
将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;
根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述污染分析模型是预先根据空气质量训练数据训练得到的包括:
按照预设采样时间间隔采集样本区域对应的地面空气质量样本数据和N种成分样本数据;
根据所述空气质量样本数据确定所述样本区域的空气质量标签;
根据采样时间将所述空气质量标签以及所述N种成分样本数据构建空气质量数据集。
3.根据权利要求2所述的方法,其特征在于,根据所述空气质量样本数据确定所述样本区域的空气质量标签包括:
获取空气质量样本数据中的气溶胶光学厚度和痕量气体定量遥感参数;
根据所述气溶胶光学厚度和痕量气体定量确定对应的空气质量标签。
4.根据权利要求2所述的方法,其特征在于,根据采样时间将所述空气质量标签以及所述N种成分样本数据构建空气质量数据集包括:
根据主成分分析法对所述空气质量标签对应的N种成分样本数据进行降维,以得到所述空气质量数据集。
5.根据权利要求4所述的方法,其特征在于,在根据采样时间将所述空气质量标签以及所述N种成分样本数据构建空气质量数据集之后,还包括:
将预设时间段内采集到的所述空气质量数据集划分为训练样本和测试样本;
根据所述训练样本测试所述空气污染分析模型中的模型参数;
根据所述测试样本验证所述空气污染分析模型的准确性。
6.根据权利要求1所述的方法,其特征在于,根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常包括:
在所述监测区域的空气质量数据存在异常的情况下,分别对所述N种成分数据中的采样时长与所对应的预设异常时长阈值进行比较;
在所述成分数据的采样时长大于所述预设异常时长阈值的情况下,则确定所述成分数据为异常数据。
7.根据权利要求6所述的方法,其特征在于,在确定所述成分数据为异常数据之后,还包括:
在确定所述成分数据为异常数据的情况下,获取所述异常数据的采样时间,以及获取用于采集所述异常数据的传感器的位置信息;
对所述采样时间所在的时间段内的N种成分数据进行分析。
8.一种空气污染智能监控分析装置,其特征在于,包括:
获取单元,用于获取监测区域的空气质量数据,其中,所述空气质量数据包括所述监测区域对应的地面空气质量数据以及所述监测区域中的空气传感器采集的N种成分数据,其中,N为正整数;
处理单元,用于将所述空气质量数据输入至污染分析模型,其中,所述污染分析模型是预先根据地面空气质量数据以及N种成分数据训练得到的;
判断单元,用于根据所述污染分析模型的输出结果判断所述监测区域的空气质量数据是否存在异常。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至7任一项中所述的空气污染智能监控分析方法。
10.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行所述权利要求1至7任一项中所述的空气污染智能监控分析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010538351.3A CN111914468A (zh) | 2020-06-12 | 2020-06-12 | 一种空气污染智能监控分析方法及装置 |
US17/242,523 US20210389290A1 (en) | 2020-06-12 | 2021-04-28 | Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010538351.3A CN111914468A (zh) | 2020-06-12 | 2020-06-12 | 一种空气污染智能监控分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914468A true CN111914468A (zh) | 2020-11-10 |
Family
ID=73237729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010538351.3A Pending CN111914468A (zh) | 2020-06-12 | 2020-06-12 | 一种空气污染智能监控分析方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210389290A1 (zh) |
CN (1) | CN111914468A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567635A (zh) * | 2021-08-23 | 2021-10-29 | 河南驰诚电气股份有限公司 | 一种工业气体智能监测一体化系统及监测方法 |
CN113727214A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 大气污染的巡查方法、装置、设备及存储介质 |
CN116257540A (zh) * | 2023-05-10 | 2023-06-13 | 南京麦堤微林信息科技有限公司 | 一种地理环境数据的管理方法和管理系统 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11385694B1 (en) * | 2021-08-17 | 2022-07-12 | Beta Air, Llc | Systems and methods for determining remaining useful energy in an electric aircraft |
CN114414446B (zh) * | 2021-12-29 | 2023-10-20 | 中国科学院空天信息创新研究院 | 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备 |
CN114545875A (zh) * | 2022-01-06 | 2022-05-27 | 泰州威绿环保科技有限公司 | 不锈钢制品集中清洗车间的废气污染治理系统 |
CN114593960B (zh) * | 2022-03-07 | 2023-12-05 | 无锡维邦工业设备成套技术有限公司 | 一种多要素下的纯蒸汽取样方法及系统 |
CN115184556B (zh) * | 2022-07-13 | 2023-04-21 | 蔡文斯 | 空气质量数据的异常值监测方法、系统及报警终端设备 |
CN115184228B (zh) * | 2022-09-08 | 2023-01-17 | 江西珉轩智能科技有限公司 | 一种基于机器学习的安全态势感知方法及系统 |
KR102492322B1 (ko) * | 2022-11-03 | 2023-01-27 | 대한민국(관리부서: 환경부 국립환경과학원장) | 환경위성을 통한 에어로졸의 영향 유형 분류 시스템 및 그 방법 |
CN116699072B (zh) * | 2023-06-08 | 2024-01-26 | 东莞市华复实业有限公司 | 基于侦测巡航的环境预警方法 |
CN116911662B (zh) * | 2023-06-25 | 2024-04-16 | 施勒智能科技(上海)股份有限公司 | 基于人工智能的空气品质优化方法及系统 |
CN116840419B (zh) * | 2023-07-13 | 2024-04-05 | 深圳市壹岚科技有限公司 | 一种空气智能检测方法、装置、设备及介质 |
CN116776104B (zh) * | 2023-08-21 | 2023-11-10 | 华南理工大学 | 基于机器学习实现大气成分的变化规律分析方法及系统 |
CN117074627B (zh) * | 2023-10-16 | 2024-01-09 | 三科智能(山东)集团有限公司 | 基于人工智能的医疗实验室空气质量监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779217A (zh) * | 2016-12-16 | 2017-05-31 | 北京工业大学 | 空气质量检测方法和空气质量检测系统 |
CN108490115A (zh) * | 2018-02-08 | 2018-09-04 | 浙江大学 | 一种基于分布式在线主成分分析的空气质量异常检测方法 |
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN209878656U (zh) * | 2019-05-14 | 2019-12-31 | 广州旺智水文科技有限公司 | 一种用于空气质量网格化实时监测的装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007012643A1 (en) * | 2005-07-25 | 2007-02-01 | Metanomics Gmbh | Means and methods for analyzing a sample by means of chromatography-mass spectrometry |
US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
US9766220B2 (en) * | 2016-02-08 | 2017-09-19 | International Business Machines Corporation | Leveraging air/water current variability for sensor network verification and source localization |
KR20170116805A (ko) * | 2016-04-12 | 2017-10-20 | 부경대학교 산학협력단 | 다중 각도에서 태양광 관측기반의 대기 분자의 라만 산란특성을 이용한 에어로솔 고도 산출방법 |
US10982869B2 (en) * | 2016-09-13 | 2021-04-20 | Board Of Trustees Of Michigan State University | Intelligent sensing system for indoor air quality analytics |
US10467880B2 (en) * | 2016-09-16 | 2019-11-05 | Nypro Inc. | Apparatus, system and method for a portable personal air quality monitor |
US10962680B2 (en) * | 2017-11-03 | 2021-03-30 | Climacell Inc. | Real-time weather forecasting for transportation systems |
US11307187B2 (en) * | 2019-10-01 | 2022-04-19 | International Business Machines Corporation | Detection of area of abnormal air quality within a geographical area |
US11326800B2 (en) * | 2019-10-17 | 2022-05-10 | Honeywell International Inc. | Apparatuses and methods for air quality maintenance by ventilation based on pollutant forecast |
CN110687020B (zh) * | 2019-10-30 | 2023-11-07 | 淮北师范大学 | 基于四聚氧吸收反演气溶胶光学特性的测量方法及其装置 |
US20210207838A1 (en) * | 2020-01-03 | 2021-07-08 | AlgoLook, Inc. | Air particulate classification |
-
2020
- 2020-06-12 CN CN202010538351.3A patent/CN111914468A/zh active Pending
-
2021
- 2021-04-28 US US17/242,523 patent/US20210389290A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779217A (zh) * | 2016-12-16 | 2017-05-31 | 北京工业大学 | 空气质量检测方法和空气质量检测系统 |
CN108490115A (zh) * | 2018-02-08 | 2018-09-04 | 浙江大学 | 一种基于分布式在线主成分分析的空气质量异常检测方法 |
CN209878656U (zh) * | 2019-05-14 | 2019-12-31 | 广州旺智水文科技有限公司 | 一种用于空气质量网格化实时监测的装置 |
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
CYNTHIA J等: "IoT-Based Real Time Air Pollution Monitoring System", vol. 11, no. 4 * |
刘文如: "《零基础入门Python深度学习》", vol. 978, 机械工业出版社, pages: 52 - 54 * |
李锐等: "卫星遥感研究中国气溶胶光学厚度、NO2和SO2的相关性", vol. 61, no. 22, pages 0 - 2 * |
白宇等: "环境空气自动监测异常数据的判断与处理", vol. 2018, no. 8, pages 2 * |
谢丽娜: "大气污染问题的环境监测分析及对策", vol. 16, no. 34 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567635A (zh) * | 2021-08-23 | 2021-10-29 | 河南驰诚电气股份有限公司 | 一种工业气体智能监测一体化系统及监测方法 |
CN113727214A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 大气污染的巡查方法、装置、设备及存储介质 |
CN116257540A (zh) * | 2023-05-10 | 2023-06-13 | 南京麦堤微林信息科技有限公司 | 一种地理环境数据的管理方法和管理系统 |
CN116257540B (zh) * | 2023-05-10 | 2023-09-19 | 南京麦堤微林信息科技有限公司 | 一种地理环境数据的管理方法和管理系统 |
Also Published As
Publication number | Publication date |
---|---|
US20210389290A1 (en) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914468A (zh) | 一种空气污染智能监控分析方法及装置 | |
CN105809035B (zh) | 基于安卓应用实时行为的恶意软件检测方法和系统 | |
US10031829B2 (en) | Method and system for it resources performance analysis | |
CN110751451B (zh) | 一种实验室大数据管理系统 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
CN111614690A (zh) | 一种异常行为检测方法及装置 | |
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
CN112765003B (zh) | 一种基于app行为日志的风险预测方法 | |
CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN108388866A (zh) | 一种植被单调变化趋势检测方法及相关装置 | |
CN113360566A (zh) | 一种信息内容监测方法及系统 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN113568934B (zh) | 一种数据查询方法、装置、电子设备和存储介质 | |
CN114418970A (zh) | 基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置 | |
CN110276300A (zh) | 用于识别垃圾品质的方法和装置 | |
CN116383742B (zh) | 基于特征分类的规则链设置处理方法、系统及介质 | |
CN115658443B (zh) | 一种日志过滤方法及装置 | |
CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN113590663B (zh) | 一种环境检测方法及系统 | |
CN113569879B (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN113362069A (zh) | 风控模型的动态调整方法、装置、设备及可读存储介质 | |
CN112347889A (zh) | 一种变电站作业行为辨识方法及装置 | |
CN113518205A (zh) | 一种基于ai分析的视频巡查处理方法 |
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 |