CN111950871B - 一种基于空气质量推断的监测站点位置推荐方法及系统 - Google Patents
一种基于空气质量推断的监测站点位置推荐方法及系统 Download PDFInfo
- Publication number
- CN111950871B CN111950871B CN202010747772.7A CN202010747772A CN111950871B CN 111950871 B CN111950871 B CN 111950871B CN 202010747772 A CN202010747772 A CN 202010747772A CN 111950871 B CN111950871 B CN 111950871B
- Authority
- CN
- China
- Prior art keywords
- air quality
- node
- unlabeled
- distribution
- aqi
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 208000010787 postorgasmic illness syndrome Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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(NOx),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fl∈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fu=ffc(GC{k},Wfc),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,Wfc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,Wgck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,Wu,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(fu)如下:
对H(fu)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fu,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fu。
进一步地,所述位置推荐模块具体用于:
基于所述AQI分布fu,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。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,...,fm},fm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,...,fm},fm表示收集到的第m个特征,基于特征fk,计算节点u和l之间的亲和值w=α·Δfk(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,Δfk(u,l)=||fk(u)-fk(l)||,fk(u)表示未标签节点的第k个环境特征表示,fk(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fl∈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fl∈R|L|×P映射到输出fu∈R|U|×P:
F(fl,G(V,E,A))=fu
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Ak,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,Wgck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fl中提取K阶特征。然后,对于时刻ti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,...,GCk]
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ffc,定义如下:
ffc:R|U|×(K×P)→R|U|×P
其中,训练参数Wfc∈R(K×P)×P,于是,未知区域的AQI分布fu=ffc(GC{k},Wfc)。
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fu *为未标签节点的AQI值,即fu *=argmax(fu)。
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fu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fu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(fu)定义如下:
然后对H(fu)进行梯度下降处理,更新图卷积网络参数Wgck,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fu,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;
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tj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;
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fu。
其中,所述位置推荐模块20具体用于:
基于所述AQI分布fu,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。
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。
Claims (6)
1.一种基于空气质量推断的监测站点位置推荐方法,其特征在于,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;
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;
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节点的空气质量指标值AQI分布;
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fu,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。
2.如权利要求1所述的基于空气质量推断的监测站点位置推荐方法,其特征在于,所述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,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fl∈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fu=ffc(GC{k},Wfc),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所构成的图卷积特征的K阶集合,Wfc表示全连接网络的训练参数,|L|表示标签节点的数目,P表示每个节点特征标签的数目;
将AQI分布中量化概率最高的值作为未标签节点的AQI值。
3.如权利要求2所述的基于空气质量推断的监测站点位置推荐方法,其特征在于,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,GCk表示图卷积特征的K阶卷积操作,Wgck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,Wu,l表示标签节点l和未标签节点u的组合亲和矩阵。
4.如权利要求2所述的基于空气质量推断的监测站点位置推荐方法,其特征在于,还包括:
定义所述未标签节点U的平均AQI分布信息熵H(fu)如下:
对H(fu)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。
5.如权利要求1所述的基于空气质量推断的监测站点位置推荐方法,其特征在于,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优先级;
对不同时刻对应的推荐位置优先级取平均,并将取平均的结果作为新的空气质量监测站点位置。
6.一种基于空气质量推断的监测站点位置推荐系统,其特征在于,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;
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,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fu;
所述位置推荐模块具体用于:
基于所述AQI分布fu,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747772.7A CN111950871B (zh) | 2020-07-30 | 2020-07-30 | 一种基于空气质量推断的监测站点位置推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747772.7A CN111950871B (zh) | 2020-07-30 | 2020-07-30 | 一种基于空气质量推断的监测站点位置推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950871A CN111950871A (zh) | 2020-11-17 |
CN111950871B true CN111950871B (zh) | 2023-08-29 |
Family
ID=73338523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010747772.7A Active CN111950871B (zh) | 2020-07-30 | 2020-07-30 | 一种基于空气质量推断的监测站点位置推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950871B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780135B (zh) * | 2021-08-31 | 2023-08-04 | 中国科学技术大学先进技术研究院 | 跨场景的VOCs气体泄漏检测方法、系统及存储介质 |
CN113780136B (zh) * | 2021-08-31 | 2023-07-14 | 中国科学技术大学先进技术研究院 | 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037471B2 (en) * | 2016-07-05 | 2018-07-31 | Nauto Global Limited | System and method for image analysis |
-
2020
- 2020-07-30 CN CN202010747772.7A patent/CN111950871B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061961A (zh) * | 2019-11-19 | 2020-04-24 | 江西财经大学 | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 |
Non-Patent Citations (1)
Title |
---|
Real-time air quality forecasting, part II: State of the science, current research needs, and future prospects;Yang Zhang等;《Atmospheric Environment》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111950871A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
US20200135017A1 (en) | Transportation network speed foreeasting method using deep capsule networks with nested lstm models | |
CN111949749A (zh) | 基于高阶图卷积网络的空气质量监测站点位置推荐方法 | |
CN108010320B (zh) | 一种基于自适应时空约束低秩算法的路网交通数据的补全方法 | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
CN109031472B (zh) | 一种用于气象预测的数据处理方法及装置 | |
CN111950871B (zh) | 一种基于空气质量推断的监测站点位置推荐方法及系统 | |
CN107292417B (zh) | 基于重污染序列案例库的区域重污染判别预报方法及装置 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN110163449B (zh) | 一种基于主动时空图卷积的机动车排污监测节点部署方法 | |
CN104200104A (zh) | 一种基于空间特征的细粒度空气污染物浓度区域估计方法 | |
CN114897444B (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
CN104834944B (zh) | 一种基于协同训练的城市区域空气质量估计方法 | |
CN110276477B (zh) | 一种基于分层贝叶斯网络和增量学习的洪水预报方法 | |
CN114997499A (zh) | 一种半监督学习下的城市颗粒物浓度时空预测方法 | |
CN110346518A (zh) | 一种交通排放污染可视化预警方法及其系统 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN108764527A (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
CN109712402B (zh) | 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置 | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN109064750B (zh) | 城市路网交通估计方法及系统 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN107066501A (zh) | 一种基于道路相似性的机动车尾气遥测设备布点方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |