CN111950871A

CN111950871A - 一种基于空气质量推断的监测站点位置推荐方法及系统

Info

Publication number: CN111950871A
Application number: CN202010747772.7A
Authority: CN
Inventors: 康宇; 陈杰; 曹洋; 吕文君
Original assignee: University of Science and Technology of China USTC
Current assignee: University of Science and Technology of China USTC
Priority date: 2020-07-30
Filing date: 2020-07-30
Publication date: 2020-11-17
Anticipated expiration: 2040-07-30
Also published as: CN111950871B

Abstract

本发明公开了一种基于空气质量推断的监测站点位置推荐方法，属于环境检测技术领域，包括构造高阶图卷积网络，利用已知站点的空气质量数据推测未知区域的空气质量分布；基于未知区域的空气质量分布，利用信息熵最小化贪心算法，推荐新的空气质量监测站点位置。本发明引入图卷积网络，提取空间特征，实现未知区域的空气质量分布预测，然后基于未知区域的空气质量分布，利用位置选择模型，达到推荐新建立站点位置的目的。

Description

一种基于空气质量推断的监测站点位置推荐方法及系统

技术领域

本发明涉及环境检测技术领域，特别涉及一种基于空气质量推断的监测站点位置推荐方法及系统。

背景技术

最近这些年来，随着经济的增长，环境问题也变得日益突出。其中表现最明显的是，人们越来越关注城市空气质量问题，如，一氧化碳(CO)，二氧化碳(CO₂)，碳氢化物(HC)，氮氧化物(NO_x)，以及固体颗粒物(PM2.5、PM10)等污染物浓度与人们的身体健康息息相关。为了实时了解这些污染物的浓度，需要精确的空气质量监测设备。但是这些监测设备的成本费用，以及后期维修费用是昂贵的，所以，在一个城市不同区域安装大量的空气监测设备是不现实的。同时，随着城市规模的不断扩建，原有的空气质量观测设备已不足以满足对空气质量的精确监测。

因此，需要设计一个模型，以在原有观测设备的基础上，推荐若干新的站点待建位置，这样既可以满足对空气质量监测的精度要求，又可以节约成本。目前有关站点位置推荐的方法主要有：

(1)从大量交通轨迹中，挖掘出最有影响力的几个点位置。但是这种方法没有考虑到城市路网结构信息，以及与空气质量息息相关的气象信息，即未考虑时空分布对空气质量的影响；(2)建立站点，达到最大覆盖城市区域的效果。但是，这样的方法忽略了POI点对空气分布的影响。如商业中心等交通流量大的区域，空气质量往往比公园湖泊等地方差，最终分布的观测站点监测出来的数据，与人们的需求数据有了很大的偏差。

发明内容

本发明的目的在于克服现有技术存在的缺陷，以提高新建立监测站点位置推荐的准确性。

为实现以上目的，本发明采用一种基于空气质量推断的监测站点位置推荐方法，包括如下步骤：

构造高阶图卷积网络，利用已知站点的空气质量数据推测未知区域的空气质量分布；

基于未知区域的空气质量分布，利用信息熵最小化贪心算法，推荐新的空气质量监测站点位置。

进一步地，所述构造高阶图卷积网络，利用已知站点的空气质量数据推测未知区域的空气质量分布，包括：

利用已建立的空气质量监测站点，收集空气质量数据；收集已知区域的外部环境特征，该外部环境特征包括空气质量值、区域气象数据、区域地理路网信息以及区域POI数目等；

基于区域地理信息将该区域划分成不相交的网格，每个网格与空气质量指标值AQI相关联，

将每个网格作为一个节点来构建时空图G＝(V,E,A)，其中V是所有顶点的集合，E是边的集合，A为图G的邻接矩阵，V＝U∪L，U表示没有建立观测站点的节点，L为已建立观测站点的节点，L中的节点l∈L作为标签节点，U中的节点u∈U作为未标签节点；

利用标签节点数据推断未标签数据节点的空气质量指标值AQI分布。

进一步地，所述利用标签节点数据推断未标签数据节点的空气质量指标值AQI分布，包括：

计算标签节点l∈L和未标签节点u∈U的组合亲和矩阵；

在任意时刻，将标签节点l的空气质量指标值AQI数据f_l∈R^|L|×P作为高阶图卷积网络的信号输入，将信号输入映射到信号输出，得到AQI分布f_u＝f_fc(GC^{k},W_fc)，其中，GC_{k}表示将图卷积提取的K阶邻接节点的特征连接到一起，W_fc表示全连接网络的训练参数，高阶图卷积网络的训练参数包括全连接网络的训练参数和图卷积网络的训练参数；

将AQI分布中量化概率最高的值作为未标签节点的AQI值。

进一步地，所述高阶图卷积网络的标准化一阶邻接矩阵为

标准化K阶邻接矩阵为

K阶卷积操作定义为：

其中，W_gck为K阶邻接矩阵的K阶权重矩阵参数，⊙表示逐元素矩阵乘法运算符，W_u,l表示标签节点l和未标签节点u的组合亲和矩阵。

进一步地，还包括：

定义所述未标签节点U的平均AQI分布信息熵H(f_u)如下：

对H(f_u)进行梯度下降处理，更新所述高阶图卷积的网络参数，直到收敛，|U|表示未标签节点的数目。

进一步地，所述基于未知区域的空气质量分布，利用信息熵最小化贪心算法，推荐新的空气质量监测站点位置，包括：

基于所述AQI分布f_u，计算所述每个未标签节点的信息熵，并根据计算出的信息熵值的大小对各未标签节点的位置进行排序；

将信息熵值最小的未标签节点的位置标记为最后一站推荐位置；

将信息熵值最小的未标签节点对应的空气质量指标值AQI值放入所述标签节点，组成新的空气质量指标数据

并将该信息熵值最小的未标签节点从所述未标签节点中移除；

对新的空气质量指标数据

进行训练，得到未标签节点的AQI分布

基于所述AQI分布

计算所述每个未标签节点的信息熵，并根据计算出的信息熵值的大小对各未标签节点的位置进行排序，将信息熵值最小的未标签节点的位置标记为倒数第二站推荐位置，重复执行直到完成对所有未标签区域节点的推荐优先级标记并将优先级最高的K个推荐位置作为新的空气质量监测站点位置。

进一步地，还包括：

对不同时刻的标签节点对应的空气质量指标值AQI值进行分析，得到不同时刻对应的推荐位置；

对不同时刻对应的推荐位置取平均，并将取平均的结果作为新的空气质量监测站点位置。

另一方面，采用一种基于空气质量推断的监测站点位置推荐系统，包括：空气质量分布预测模块和位置推荐模块；

空气质量分布预测模块用于构造高阶图卷积网络，利用已知站点的空气质量数据推测未知区域的空气质量分布；

位置推荐模块用于基于未知区域的空气质量分布，利用信息熵最小化贪心算法，推荐新的空气质量监测站点位置。

进一步地，所述空气质量分布预测模块包括信息收集单元、网格划分单元、时空图构建单元和空气质量分布预测单元；

信息收集单元用于利用已建立的空气质量监测站点，收集空气质量数据；收集已知区域的外部环境特征，该外部环境特征包括空气质量值、区域气象数据、区域地理路网信息以及区域POI数目；

网格划分单元用于基于区域地理信息将该区域划分成不相交的网格(1km×1km的子区域)，每个网格与空气质量指标值AQI相关联；

时空图构建单元用于将每个网格作为一个节点来构建时空图G＝(V,E,A)，其中V是所有顶点的集合，E是边的集合，A为图G的邻接矩阵，V＝U∪L，U表示没有建立观测站点的节点，L为已建立观测站点的节点，L中的节点l∈L作为标签节点，U中的节点u∈U作为未标签节点；

空气质量分布预测单元用于利用标签节点数据推断未标签数据节点的空气质量指标值AQI分布f_u。

进一步地，所述位置推荐模块具体用于：

对新的空气质量指标数据

进行训练，得到未标签节点的AQI分布

基于所述AQI分布

计算所述每个未标签节点的信息熵，并根据计算出的信息熵值的大小对各未标签节点的位置进行排序，将信息熵值最小的未标签节点的位置标记为倒数第二站推荐位置，重复执行直到完成对所有未标签区域节点的推荐优先级标记并将优先级最高的K个推荐位置作为新的空气质量监测站点位置。并将优先级最高的K个推荐位置作为新的空气质量监测站点位置。

与现有技术相比，本发明存在以下技术效果：本发明通过将城市已建立观测站点区域的空气质量分布建模成图结构数据并结合路网结构信息、气象数据、POI等外部环境特征，引入图卷积网络，提取空间特征，实现未知区域的空气质量分布预测，然后基于未知区域的空气质量分布，利用位置选择模型，达到推荐新建立站点位置的目的；并且位置选择模型利用信息熵最小化贪心算法，通过不断迭代，来推荐新的站点位置，从而达到提升推断模型的推断能力，并减少模型的不确定度的效果。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1是一种基于空气质量推断的监测站点位置推荐方法的流程示意图；

图2是高阶图卷积网络结构图；

图3是城市区域网格划分示意图；

图4是位置选择模型示意图；

图5是一种基于空气质量推断的监测站点位置推荐系统的结构示意图。

具体实施方式

为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。

如图1所示，本实施例公开了一种基于空气质量推断的监测站点位置推荐方法，包括如下步骤S1至S2：

S1、构造高阶图卷积网络，利用已知站点的空气质量数据推测未知区域的空气质量分布；

S2、基于未知区域的空气质量分布，利用信息熵最小化贪心算法，推荐新的空气质量监测站点位置。

需要说明的是，本实施例通过构建高阶图卷积网络，利用已知站点的空气质量监测站点获取空气质量数据，并结合外部环境特征来推测未知区域的空气质量分布；再根据位置区域的空气质量分布，利用信息熵最小化贪心算法，通过不断迭代，来推荐新的空气质量监测站点的位置。

具体来说，如图2所示，本实施例是通过构造时空图，然后通过高阶卷积操作来捕获空间特征，最后达到推断未知区域空气质量分布的目的，主要实现步骤如下：

1)收集特征数据：利用已建立的空气质量监测站点，收集已知区域的外部环境特征，该外部环境特征包括空气质量值、区域气象数据、区域地理信息路网信息以及区域POI数目，空气质量如PM2.5、PM10和AQI等，路网信息如各区域高速路长度，十字路口数目，普通主路长度；这些数据特征集合表示为F＝{f₁,f₂,...,f_m}，f_m表示收集到的第m个特征，基于这些特征，来计算标签节点和未标签节点之间的亲和矩阵。

POIs类型列表

1	公园	6	公司
				2	学校	7	酒店
3	体育馆	8	文化教育中心
				4	商业中心	9	汽车维修站
5	菜市场	10	加油站

2)构造时空图：如图3所示，基于区域地理信息将该区域划分成不相交的网格(1km×1km的子区域)，每个网格与空气质量指标值AQI相关联，用空气质量指标AQI来表示空气质量的等级，即每一个网格与AQI的值相关联。

将每个网格作为一个节点来构建时空图G＝(V,E,A)，其中V是所有顶点的集合，E是边的集合，A为图G的邻接矩阵，V＝U∪L，U表示没有建立观测站点的节点，L为已建立观测站点的节点，L中的节点l∈L作为标签节点，U中的节点u∈U作为未标签节点，一般来说，|L|<<|U|；

3)利用标签节点数据推断未标签节点的空气质量指标值AQI分布。

需要说明的是，利用标签节点数据推断未标签节点的控制质量分布AQI分布的具体原理是利用高阶卷积操作来捕获空间特征，实现推断未知区域空气质量分布的目的：

计算标签节点l∈L和未标签节点u∈U的组合亲和矩阵；

需要说明的是，在计算亲和矩阵之前，先计算亲和函数关系，比如给定收集到的数据特征集合F＝{f₁,f₂,...,f_m}，f_m表示收集到的第m个特征，基于特征f_k,计算节点u和l之间的亲和值w＝α·Δf_k(u,l)+β，其中，w来表示特征差异和AQI相似性之间的相互关系，Δf_k(u,l)＝||f_k(u)-f_k(l)||，f_k(u)表示未标签节点的第k个环境特征表示，f_k(l)表示标签节点的第k个环境特征表示，参数α，β通过最大似然估计获得。然后，基于特征F，计算节点u和l之间的组合亲和矩阵：

在任意时刻，将标签节点l∈L的空气质量指标值AQI数据f_l∈R^|L|×P作为高阶图卷积网络的信号输入，P是每个节点特征标签的数目，将每个节点关联的AQI数值通过one-hot编码表示，设定最大值为100，因此，P＝101。

推断任务主要是学习一个函数F(·)，将输入f_l∈R^|L|×P映射到输出f_u∈R^|U|×P：

F(f_l,G(V,E,A))＝f_u

其中，|L|为标签节点的数目，|U|为未标签节点的数目。

时空图的一阶邻居矩阵即为邻接矩阵A，K阶邻居矩阵可以为A^k，标准化一阶邻接矩阵为

标准化K阶邻居矩阵为

高阶邻接矩阵可以增加卷积操作的感受野。其中，对邻接矩阵A进行标准化处理，

D为A的度矩阵。

如图2所示，一个节点(五角星)的K阶邻居节点为可以通过灰色边达到的节点。K阶卷积操作定义如下：

其中，W_gck为K阶邻接矩阵的K阶权重矩阵参数，，⊙表示逐元素矩阵乘法运算符，因此，图卷积操作中，仅仅需要从数据特征f_l中提取K阶特征。然后，对于时刻t_i的数据，将图卷积提取的K阶邻接节点的特征连接在一起，定义如下：

GC^{k}＝[GC¹,GC²,...,GC^k]

GC^{k}∈R^|U|×P是图卷积特征的K阶集合，达到了提取高阶特征的目的，将GC^{k}∈R^|U|×P通过全连接层f_fc，定义如下：

f_fc:R^|U|×(K×P)→R^|U|×P

其中，训练参数W_fc∈R^(K×P)×P，于是，未知区域的AQI分布f_u＝f_fc(GC^{k},W_fc)。

将未知区域的AQI分布中量化概率最高的值作为未标签节点的AQI值，定义f_u ^*为未标签节点的AQI值，即f_u ^*＝argmax(f_u)。

在实际应用中，由于标签节点数据集很稀疏，未标签节点没有地面真实值用来做损失训练，结合直观认识，推断出的f_u分布就有很大的信息熵，则这个推断模型是没有意义的，因此将最小化f_u的信息熵来更新网络参数，具体如下：

未标签节点U的平均AQI分布信息熵H(f_u)定义如下：

然后对H(f_u)进行梯度下降处理，更新图卷积网络参数W_gck，直到收敛，需要说明的是，U表示未标签节点整体，u表示未标签节点U中的每一个元素节点，|U|表示所有未标签节点U的数目。

进一步地，上述步骤S2的目的是从未标签的|U|个节点中选择K个推荐位置去建立新的观测站点，新建立的站点有利于推断模型对其他位置推断能力的提升。因为没有未标签节点的真实AQI值，在本文中，我们用减少推断模型不确定性的指标来代替。如图4所示，位置选择模型基于贪心算法，利用信息熵最小化，根据减少模型不确定性的能力去排名未标签位置从而推荐新建站点位置，具体包括如下细分步骤S21至S25：

S21、基于所述AQI分布f_u，计算所述每个未标签节点的信息熵，并根据计算出的信息熵值的大小对各未标签节点的位置进行排序；

S22、将信息熵值最小的未标签节点的位置标记为最后一站推荐位置；

S23、将信息熵值最小的未标签节点对应的空气质量指标值AQI值放入所述标签节点，组成新的空气质量指标数据

S24、对新的空气质量指标数据

进行训练，得到未标签节点的AQI分布

S25、基于所述AQI分布

计算所述每个未标签节点的信息熵，并根据计算出的信息熵值的大小对各未标签节点的位置进行排序，将信息熵值最小的未标签节点的位置标记为倒数第二站推荐位置，重复执行步骤S21～S25直到完成对所有未标签区域节点的推荐优先级标记并将优先级最高的K个推荐位置作为新的空气质量监测站点位置。

进一步地，输入其他时刻t_j的数据，对多个时刻的数据进行分析，然后对推荐的位置取平均，并将取平均的结果作为新的空气质量监测站点位置。最终选择的K个位置，是持续低排名节点的位置，这些位置与其他未标签节点位置关联不大。这样，经过位置选择模型的位置推荐后，新建立的站点将达到减少推荐模型不确定性的效果。

本实施例不同于传统站点位置推荐方法，该方法结合外部复杂环境特征，将城市网络定义为一个时空图结构并定义高阶图卷积操作来捕获空间特征，从而达到未知区域空气质量推断的目的。经过对不同时刻历史数据进行分析，利用位置选择模型，最终推荐最优站点位置。新建立的空气观测站既可以满足对环境数据的精确监测，又节约了成本，在实际应用中有一定的价值意义。

如图5所示，本实施例公开了一种基于空气质量推断的监测站点位置推荐系统，包括：空气质量分布预测模块10和位置推荐模块20；

空气质量分布预测模块10用于构造高阶图卷积网络，利用已知站点的空气质量数据推测未知区域的空气质量分布；

位置推荐模块20用于基于未知区域的空气质量分布，利用信息熵最小化贪心算法，推荐新的空气质量监测站点位置。

其中，所述空气质量分布预测模块10包括信息收集单元、网格划分单元、时空图构建单元和空气质量分布预测单元；

信息收集单元用于利用已建立的空气质量监测站点，收集已知区域的外部环境特征，该外部环境特征包括空气质量值、区域气象数据、区域地理信息路网信息以及区域POI数目；

网格划分单元用于基于区域地理信息将该区域划分成不相交的网格，每个网格与空气质量指标值AQI相关联；

其中，所述位置推荐模块20具体用于：

对新的空气质量指标数据

进行训练，得到未标签节点的AQI分布

基于所述AQI分布

需要说明的是，本实施例公开的一种基于空气质量推断的监测站点位置推荐系统与上述实施例公开的一种基于空气质量推断的监测站点位置推荐方法具有相同或相应的的技术特征，实现相同的技术效果，该处不再赘述。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。