CN112508056A - 基于移动多源感知的城市空气质量监测方法 - Google Patents

基于移动多源感知的城市空气质量监测方法 Download PDF

Info

Publication number
CN112508056A
CN112508056A CN202011265774.9A CN202011265774A CN112508056A CN 112508056 A CN112508056 A CN 112508056A CN 202011265774 A CN202011265774 A CN 202011265774A CN 112508056 A CN112508056 A CN 112508056A
Authority
CN
China
Prior art keywords
data
mobile
sensor
source
environment
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.)
Granted
Application number
CN202011265774.9A
Other languages
English (en)
Other versions
CN112508056B (zh
Inventor
阳媛
杨心昊
李润发
贾丰硕
骆雨晟
吴承霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202011265774.9A priority Critical patent/CN112508056B/zh
Publication of CN112508056A publication Critical patent/CN112508056A/zh
Application granted granted Critical
Publication of CN112508056B publication Critical patent/CN112508056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G01N33/0068—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 computer specifically programmed
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

基于移动多源感知的城市空气质量监测方法，获取移动空气质量参数阶段是利用环境监测传感器和组合定位模块，记录移动载体(行人可穿戴式、共享单车、公共交通、无人机)在每个采集点的时间位置和该位置的环境参数；多源数据处理阶段是利用数据处理存储模块对移动空气质量数据进行异构融合、去噪滤波、时空插值和数据库构建；环境时空分析评估阶段是聚类算法、热力图可视化对多源空气数据进行数据建模、时空分析。该方法与传统环境固定监测相比，利用移动、多载体数据采集方式，大幅降低固定监测节点的数量和成本，采用卡尔曼滤波降低噪声，加权K近邻插值算法将离散点插值到均匀网格空间离散点绘制曲面，并可视化。

Description

基于移动多源感知的城市空气质量监测方法
技术领域
本发明属于城市空气监测领域，涉及基于移动多源感知的城市空气质量监测方法。
背景技术
城市环境空气质量对居民健康有着重要影响，然而粗放式的经济发展方式带来了严重的空气污染，这对人们的身体健康造成威胁。因此，城市环境空气的监测和治理势在必行。当前，针对气体污染物的定点监测，国外发达国家与地区已经相继建立了较为完整地监测网络，并采取统计分析如相关分析、聚类分析等技术。国内于90年代初步建立全国空气质量监测基站及网络系统。
现有空气质量固定监测网仍然需进一步优化站点布局、通信组网和评价识别方法。其中，主要问题是区域内监测站布局不合理情况，导致监测覆盖面和代表性不足，同时要布设基站并且需要有线供电。传统监测评价方法受监测方式限制也存在空间分辨率、问题。因此，设计能取代固定监测站且能在多源运动载体上监测空气质量的装置及方法。
本专利基于移动多源感知的城市空气质量监测方法能实现非定点的空气质量监测，采用移动方式将包含定位模块的环境监测系统装载在多类型载体上，如公共汽车、出租车、共享单车、行人可穿戴等移动载体上，实现了数据移动采集；通过移动通信模块发送到PC端，PC端可获得城市空气质量的细节信息图，并进行分布模式识别。相比定点空气质量监测，移动监测极大地扩充了空气质量监测位置的数量，提高了空气质量监测的灵活性；该系统可以根据需要调整数据传输的时间间隔，做到空气质量的实时动态监测；移动采集载体同时可以起到全民监督的作用，避免空气质量数据的篡改和伪造；同时将时空特征污染物纳入到环境评价中，极大的提升了城市环境的动态，实时，全局，细节监测能力。
发明内容
本发明提供基于移动多源感知的城市空气质量监测方法。传统的环境监测主要依赖于环境监测站进行定点的数据采集分析，监测范围有限，数据发布效率较低，有着诸多缺陷。因此，针对传统监测方法的可移动性差，时效性低等缺点，采用众包、多载体的数据采集方式，可以大幅扩大数据采集的范围，提高环境监测的效率。本发明采用移动众包的方式，将空气监测传感器和定位模块搭载在行人的可穿戴设备、共享单车、公共交通、无人机等平台上，进行数据的采集。通过stm32和4G DTU将移动载体上的数据实时上传到云端，实现数据的同步。对采集的多源数据，使用支持向量机四分类，然后对分类后的数据集单独进行卡尔曼滤波，降低噪声，最后通过加权K近邻插值算法将离散点插值到均匀网格空间离散点绘制曲面，从而得到整个城市小气候的空气质量分布模型。基于前述模型，对当前环境进行时空分析评估，采用聚类算法，可以定性地判断污染物的源头以及污染物的流动趋势。通过调用百度地图api生成实时热力图，将环境监测数据可视化。本专利提供基于移动多源感知的城市空气质量监测方法，其特征在于，使用移动众包的方法，最大化利用社会已有资源，将空气监测传感器搭载在公共交通、共享单车等移动平台上，并在此基础上实现多源数据存储、传输、处理，环境时空分析评估和环境数据可视化，具体步骤如下：
1)移动空气质量传感器参数和移动位置信息获取，包括众包多平台污染物数据采集；
将环境监测传感器与定位模块搭载在不同的源移动采集平台上，获取多源数据，所述源移动采集平台的环境监测传感器采用一款多合一传感器模组，所述定位模块采用GNSS定位与惯性导航定位相结合的方式，以及伪距差分技术；
2)多源数据存储，利用stm32单片机和4G DTU传输数据，选用stm32单片机作为主控驱动，将传感器和定位模块采集的数据存储到stm32单片机中，再利用4G DTU把存储的数据传输到云端服务器，从而使得电脑能够从服务器实时获取数据；
3)多源数据处理，包括支持向量机分类，卡尔曼滤波和K近邻插值，具体如下；
(4)支持向量机分类；
对于采集传输回的多源数据，由于载体平台不同，数据的特征也不同，需要对数据集进行四分类，便于后续的处理，所述分类方法采用支持向量机四分类，采用一类对余类的方法。构造目标函数如下：
Figure BDA0002776055370000021
约束条件为：
Figure BDA0002776055370000022
其中，μ∈{1，2，3，4}，r表示样本的索引，C为惩罚因子，
Figure BDA0002776055370000023
表示输入空间到特征空间的非线性映射，xr表示训练中的样本，yr表示xr所对应的分类，wu、bu为超平面wTx+b＝0的参数，
Figure BDA0002776055370000024
为非负的松弛变量；
(5)卡尔曼滤波；
对分类后的数据进行滤波处理，排除干扰数据，所述滤波方法采用卡尔曼滤波，滤波过程中对分类后的四类数据单独设置控制矩阵Bk和控制向量Ek，分别为
Figure BDA0002776055370000025
则状态向量和协方差矩阵的状态更新方程预测如下所示：
Figure BDA0002776055370000031
其中，Qk为过程噪声；
由于某一天的浓度-时间函数与其他天的浓度-时间函数大致具有一样的走势，即相同时间段内具有一定的相关性，在状态更新方程中加入时间向量Dk，通过前一天数据来对当天状态向量进行预测，改进后的状态更新方程如下：
Figure BDA0002776055370000032
其中，Ck为时间向量参数；
在真实环境中传感器的测量矩阵为Zk，误差协方差矩阵为Mk，结合协方差矩阵的状态更新方程Pk可以得到卡尔曼增益K的计算公式；
(6)K近邻插值；
对滤波后的数据进行插值处理，由于采用了移动众包的策略，传感器搭载的载体存在差异，在插值时不能相同处理，需赋予不同权值，设各个采集平台的速度为v，速度越快，采集数据的间隔越大，误差相对较大，为确保插值源数据集的精度，对四类采集平台赋予不同的权重，权值采用归一化后的速度倒数，即：
Figure BDA0002776055370000033
对于当前未检测到点，其数据在空间上与邻近的点具有平滑相关性，在时间上具有与对应时间段内的监测点数据相近的特点，选取监测当天前Tn天的数据，改进的加权K近邻插值算法对时间加权和空间加权赋予权重：
Figure BDA0002776055370000034
其中cij表示污染物i在K个已监测点中第j个的点的浓度，Cij(Tn)表示污染物i在第j个监测点Tn天前的浓度，i可以为SO2、NO2、PM10及PM2.5等，Dij表示污染物i在K个已监测点中第j个的点到未检测点的距离，α、β表示时间和空间的权重，α+β＝1；
3)环境时空分析评估，采用聚类分析；
对插值后的数据进行聚类，分析污染源以及扩散趋势，所述聚类采用多种初始化来获得鲁棒集群中心初始化结果，多次执行K均值聚类以获得各种基础聚类的集合，每个K均值聚类器的聚类数也可以随机选择，以进一步改善生成的基本聚类的多样性；
所述聚类分析还考虑风速、测速的影响，考虑风速和测量速度对环境污染物的影响，初步得到相似度公式受风速影响的相似度值R1，首先对风速进行归一化：风速为0时，污染物浓度不受影响，风速最大时影响最大，得到归一化后的V*，这里可以假设min＝0。设权重的计算公式为
Figure BDA0002776055370000041
V*＝0时，U＝1，此时风速为零，V*＝1时，U＝2，可以假设环境的污染值应该为测量值的2倍，
Figure BDA0002776055370000042
上述公式可以根据多次实验进行改动；
假设粉尘或大颗粒污染物受风速影响很小，对于第t次测量数据可以得到相似度公式Rt如下：
Figure BDA0002776055370000043
上式中p1、p2…pk受风速影响，pk+1…pn不受风速影响；
根据选择传感器的不同，有些测量数据受到采集速度Vs的影响。受测量速度影响的相似度公式：
Figure BDA0002776055370000044
上式中p1、p2…pm受测速影响，pm+1…pn不受测速影响；
选取R1与R2的系数比a1∶as＝V1∶Vs，得到相似度公式Rt＝V1*R1t+Vs*R2t其中R1t为第t次测量数据受风速的影响公式，R2t为第t次测量数据受测量速度的影响公式；
4)环境数据可视化，所述数据可视化是把插值、聚类后的数据图像化显示，通过调用百度地图api，将处理后的数据生成热力图，能够得到一个关于污染物浓度分布的直观展示，一定程度上能够辅助判断污染物来源以及流动趋势。
作为本发明进一步改进，所述步骤1)的多源移动采集平台主要包括可穿戴设备、共享单车、公共交通、无人机这四个平台。
作为本发明进一步改进，所述步骤1)的传感器模组包括气体传感器、粉尘传感器、声音传感器、温湿度传感器和气压计。
本发明采用以上技术方案与现有技术相比，有着明显的技术效果：基于移动多源感知的城市空气质量监测方法，创新性的提出了移动移动的概念打破原有的基于固定点环境监测的方式，通过采用基于位置服务的移动监测手段，扩大了环境监测的区域，可以更精准的找寻到环境的污染源。可以降低固定点环境监测的成本，提高环境监测的质量。同时也可以让用户实时了解空气质量，有很好的应用市场。而且环境监测可以做到全天候、更精准。同时通过控制中心汇总监测数据，经数据处理和可视化之后，将环境数据与位置结合。相关行人可以通过可视化热图直观的看出城市空气质量，让我们对环境的了解更直观。处理完毕之后，一方面将遍布整个城市的各个角落的环境监测情况打包发送到APP终端，便于用户根据自身需求及时查看整个城市详细的空气状况，另一方面，将数据通过GIS关联之后，发送到城市相关环境监测部门以实现实时环境问题的反馈。
附图说明
图1为移动空气质量监测系统框图；
图2为移动监测数据处理流程图；
图3为加权K近邻算法图；
图4为数据滤波算法图；
图5为基于云数据的数据处理方案及APP功能。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于移动多源感知的城市空气质量监测方法，与传统环境固定监测相比，利用移动、多载体数据采集方式，大幅降低固定监测节点的数量和成本，采用平滑滤波降低噪声，加权K近邻插值算法将离散点插值到均匀网格空间离散点绘制曲面，并可视化。
作为本发明实施例，本发明提供一种基于移动多源感知的城市空气质量监测方法，其中图1为移动空气质量监测系统框图，整个系统主要是由众包载体采集和后台数据处理两部分组成，该框图展示了系统的各个功能模块。图2为移动监测数据流图，即整个系统的执行步骤。图3为加权K近邻算法图，图4为数据滤波算法图，图5为基于云数据的数据处理方案及APP功能，具体实施如下，包括移动空气质量传感器参数和移动位置信息获取、多源数据存储处理、环境时空分析评估、环境数据可视化，步骤如下：
1、众包多平台污染物数据采集。采用众包的方法，将环境监测传感器与定位模块搭载在不同的源移动采集平台上，获取多源数据。多源移动采集平台主要包括可穿戴设备、共享单车、公共交通、无人机这四个平台。所述环境监测传感器采用一款多合一传感器模组，包括气体传感器、粉尘传感器、声音传感器、温湿度传感器、气压计等。所述定位模块采用GNSS定位与惯性导航定位相结合的方式，以及伪距差分技术，以此来解决城市部分地区定位信号弱的问题。
2、利用stm32单片机和4G DTU传输数据。选用stm32单片机作为主控驱动，将传感器和定位模块采集的数据存储到stm32单片机中，再利用4G DTU把存储的数据传输到云端服务器，从而使得电脑能够从服务器实时获取数据。
3、多源数据处理。所述多源数据处理包括支持向量机分类，卡尔曼滤波，K近邻插值和聚类。
(1)支持向量机分类
对于采集传输回的多源数据，由于载体平台不同，数据的特征也不同，需要对数据集进行四分类，便于后续的处理。所述分类方法采用支持向量机四分类，采用一类对余类的方法。构造目标函数如下：
Figure BDA0002776055370000061
约束条件为：
Figure BDA0002776055370000062
其中，μ∈{1，2，3，4}，r表示样本的索引，C为惩罚因子，
Figure BDA0002776055370000063
表示输入空间到特征空间的非线性映射，xr表示训练中的样本，yr表示xr所对应的分类，wu、bu为超平面wTx+b＝0的参数，
Figure BDA0002776055370000064
为非负的松弛变量。
(2)卡尔曼滤波
对分类后的数据进行滤波处理，排除干扰数据。所述滤波方法采用卡尔曼滤波，滤波过程中对分类后的四类数据单独设置控制矩阵Bk和控制向量Ek，分别为
Figure BDA0002776055370000065
则状态向量和协方差矩阵的状态更新方程预测如下所示：
Figure BDA0002776055370000066
其中，Qk为过程噪声。
由于某一天的浓度-时间函数与其他天的浓度-时间函数大致具有一样的走势，即相同时间段内具有一定的相关性，本专利在状态更新方程中加入时间向量Dk，通过前一天数据来对当天状态向量进行预测，改进后的状态更新方程如下：
Figure BDA0002776055370000067
其中，Ck为时间向量参数。
在真实环境中传感器的测量矩阵为Zk，误差协方差矩阵为Mk，结合协方差矩阵的状态更新方程Pk可以得到卡尔曼增益K的计算公式。
(3)K近邻插值
对滤波后的数据进行插值处理。由于采用了移动众包的策略，传感器搭载的载体存在差异，在插值时不能相同处理，需赋予不同权值。设各个采集平台的速度为v，速度越快，采集数据的间隔越大，误差相对较大，为确保插值源数据集的精度，对四类采集平台赋予不同的权重，权值采用归一化后的速度倒数，即：
Figure BDA0002776055370000068
对于当前未检测到点，其数据在空间上与邻近的点具有平滑相关性，在时间上具有与对应时间段内的监测点数据相近的特点，选取监测当天前Tn天的数据，改进的加权K近邻插值算法对时间加权和空间加权赋予权重：
Figure BDA0002776055370000071
其中cij表示污染物i在K个已监测点中第j个的点的浓度，Cij(Tn)表示污染物i在第j个监测点Tn天前的浓度，i可以为SO2、NO2、PM10及PM2.5等，Dij表示污染物i在K个已监测点中第j个的点到未检测点的距离，α、β表示时间和空间的权重，α+β＝1。
3、环境时空分析评估，采用聚类分析；
对插值后的数据进行聚类，分析污染源、扩散趋势等。所述聚类采用多种初始化来获得鲁棒集群中心初始化结果，多次执行K均值聚类以获得各种基础聚类的集合。每个K均值聚类器的聚类数也可以随机选择，以进一步改善生成的基本聚类的多样性。
所述聚类分析还考虑风速、测速的影响。考虑风速和测量速度对环境污染物的影响，初步得到相似度公式受风速影响的相似度值R1，首先对风速进行归一化：风速为0时，污染物浓度不受影响，风速最大时影响最大，得到归一化后的V*，这里可以假设min＝0。设权重的计算公式为
Figure BDA0002776055370000072
V*＝0时，U＝1，此时风速为零，V*＝1时，U＝2，可以假设环境的污染值应该为测量值的2倍，
Figure BDA0002776055370000073
上述公式可以根据多次实验进行改动。
假设粉尘或大颗粒污染物受风速影响很小，对于第t次测量数据可以得到相似度公式Rt如下：
Figure BDA0002776055370000074
上式中p1、p2…pk受风速影响，pk+1…pn不受风速影响。
根据我们选择传感器的不同，有些测量数据受到采集速度Vs的影响。受测量速度影响的相似度公式：
Figure BDA0002776055370000075
上式中p1、p2…pm受测速影响，pm+1…pn不受测速影响。
选取R1与R2的系数比a1∶as＝V1∶Vs，得到相似度公式Rt＝V1*R1t+Vs*R2t其中R1t为第t次测量数据受风速的影响公式，R2t为第t次测量数据受测量速度的影响公式。
4、数据可视化。所述数据可视化是把插值、聚类后的数据图像化显示。通过调用百度地图api，将处理后的数据生成热力图，能够得到一个关于污染物浓度分布的直观展示，一定程度上能够辅助判断污染物来源以及流动趋势。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (3)

1.基于移动多源感知的城市空气质量监测方法，其特征在于，将传感器搭载在移动平台上，即把可穿戴设备、共享单车、公共交通、无人机等作为传感器载体，并通过stm32和4GGTU将本地存储的数据向云端的发送，以此构建庞大的多源数据库。对于传感器采集到的数据，使用支持向量机、卡尔曼滤波、加权K近邻等算法进行数据的分类、清洗、插值处理。采用聚类分析方法对污染源、污染趋势作进一步环境时空分析评估，并绘制热力图实现环境数据可视化，具体步骤如下：
1)移动空气质量传感器参数和移动位置信息获取，包括众包多平台污染物数据采集；
将环境监测传感器与定位模块搭载在不同的源移动采集平台上，获取多源数据，所述源移动采集平台的环境监测传感器采用一款多合一传感器模组，所述定位模块采用GNSS定位与惯性导航定位相结合的方式，以及伪距差分技术；
2)多源数据存储，利用stm32单片机和4G DTU传输数据，选用stm32单片机作为主控驱动，将传感器和定位模块采集的数据存储到stm32单片机中，再利用4G DTU把存储的数据传输到云端服务器，从而使得电脑能够从服务器实时获取数据；
3)多源数据处理，包括支持向量机分类，卡尔曼滤波和K近邻插值，具体如下；
(1)支持向量机分类；
对于采集传输回的多源数据，由于载体平台不同，数据的特征也不同，需要对数据集进行四分类，便于后续的处理，所述分类方法采用支持向量机四分类，采用一类对余类的方法。构造目标函数如下：
Figure FDA0002776055360000011
约束条件为：
Figure FDA0002776055360000012
其中，μ∈{1，2，3，4}，r表示样本的索引，C为惩罚因子，
Figure FDA0002776055360000013
表示输入空间到特征空间的非线性映射，xr表示训练中的样本，yr表示xr所对应的分类，wu、bu为超平面wTx+b＝0的参数，
Figure FDA0002776055360000014
为非负的松弛变量；
(2)卡尔曼滤波；
对分类后的数据进行滤波处理，排除干扰数据，所述滤波方法采用卡尔曼滤波，滤波过程中对分类后的四类数据单独设置控制矩阵Bk和控制向量Ek，分别为
Figure FDA0002776055360000015
则状态向量和协方差矩阵的更新方程预测如下所示：
Figure FDA0002776055360000016
其中，Qk为过程噪声；
由于某一天的浓度-时间函数与其他天的浓度-时间函数大致具有一样的走势，即相同时间段内具有一定的相关性，在状态更新方程中加入时间向量Dk，通过前一天数据来对当天状态向量进行预测，改进后的状态更新方程如下：
Figure FDA0002776055360000021
其中，Ck为时间向量参数；
在真实环境中传感器的测量矩阵为Zk，误差协方差矩阵为Mk，结合协方差矩阵的状态更新方程Pk可以得到卡尔曼增益K的计算公式；
(3)K近邻插值；
对滤波后的数据进行插值处理，由于采用了移动众包的策略，传感器搭载的载体存在差异，在插值时不能相同处理，需赋予不同权值，设各个采集平台的速度为v，速度越快，采集数据的间隔越大，误差相对较大，为确保插值源数据集的精度，对四类采集平台赋予不同的权重，权值采用归一化后的速度倒数，即：
Figure FDA0002776055360000022
对于当前未检测到点，其数据在空间上与邻近的点具有平滑相关性，在时间上具有与对应时间段内的监测点数据相近的特点，选取监测当天前Tn天的数据，改进的加权K近邻插值算法对时间加权和空间加权赋予权重：
Figure FDA0002776055360000023
其中cij表示污染物i在K个已监测点中第j个的点的浓度，Cij(Tn)表示污染物i在第j个监测点Tn天前的浓度，i可以为SO2、NO2、PM10及PM2.5等，Dij表示污染物i在K个已监测点中第j个的点到未检测点的距离，α、β表示时间和空间的权重，α+β＝1；
3)环境时空分析评估，采用聚类分析；
对插值后的数据进行聚类，分析污染源以及扩散趋势，所述聚类采用多种初始化来获得鲁棒集群中心初始化结果，多次执行K均值聚类以获得各种基础聚类的集合，每个K均值聚类器的聚类数也可以随机选择，以进一步改善生成的基本聚类的多样性；
所述聚类分析还考虑风速、测速的影响，考虑风速和测量速度对环境污染物的影响，初步得到相似度公式受风速影响的相似度值R1，首先对风速进行归一化：风速为0时，污染物浓度不受影响，风速最大时影响最大，得到归一化后的V*，这里可以假设min＝0。设权重的计算公式为
Figure FDA0002776055360000024
V*＝0时，U＝1，此时风速为零，V*＝1时，U＝2，可以假设环境的污染值应该为测量值的2倍，
Figure FDA0002776055360000031
上述公式可以根据多次实验进行改动；
假设粉尘或大颗粒污染物受风速影响很小，对于第t次测量数据可以得到相似度公式Rt如下：
Figure FDA0002776055360000032
上式中p1、p2...pk受风速影响，pk+1...pn不受风速影响；
根据选择传感器的不同，有些测量数据受到采集速度Vs的影响。受测量速度影响的相似度公式：
Figure FDA0002776055360000033
上式中p1、p2...pm受测速影响，pm+1...pn不受测速影响；
选取R1与R2的系数比a1∶as＝V1∶Vs，得到相似度公式Rt＝V1*R1t+Vs*R2t其中R1t为第t次测量数据受风速的影响公式，R2t为第t次测量数据受测量速度的影响公式；
4)环境数据可视化，所述数据可视化是把插值、聚类后的数据图像化显示，通过调用百度地图api，将处理后的数据生成热力图，能够得到一个关于污染物浓度分布的直观展示，一定程度上能够辅助判断污染物来源以及流动趋势。
2.根据权利要求1所述的基于移动多源感知的城市空气质量监测方法，其特征在于：所述步骤1)的多源移动采集平台主要包括可穿戴设备、共享单车、公共交通、无人机这四个平台。
3.根据权利要求1所述的基于移动多源感知的城市空气质量监测方法，其特征在于：所述步骤1)的传感器模组包括气体传感器、粉尘传感器、声音传感器、温湿度传感器和气压计。
CN202011265774.9A 2020-11-13 2020-11-13 基于移动多源感知的城市空气质量监测方法 Active CN112508056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011265774.9A CN112508056B (zh) 2020-11-13 2020-11-13 基于移动多源感知的城市空气质量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011265774.9A CN112508056B (zh) 2020-11-13 2020-11-13 基于移动多源感知的城市空气质量监测方法

Publications (2)

Publication Number Publication Date
CN112508056A true CN112508056A (zh) 2021-03-16
CN112508056B CN112508056B (zh) 2022-04-29

Family

ID=74957392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011265774.9A Active CN112508056B (zh) 2020-11-13 2020-11-13 基于移动多源感知的城市空气质量监测方法

Country Status (1)

Country Link
CN (1) CN112508056B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN115659195A (zh) * 2022-11-21 2023-01-31 中科三清科技有限公司 一种大气污染在线识别方法
CN116147712A (zh) * 2023-04-18 2023-05-23 石家庄铁道大学 免时空限制的立体式施工环境监测装置及预测方法
CN117091648A (zh) * 2023-07-27 2023-11-21 石家庄铁道大学 一种空地一体施工生态环境监测装置及可视化处理方法
CN117129556A (zh) * 2023-08-29 2023-11-28 中国矿业大学 基于无线传感器网络的室内tvoc浓度实时监测系统
CN117390128A (zh) * 2023-12-12 2024-01-12 南京信息工程大学 基于Arduino平台的城市物理环境智能移动监测系统和方法
CN117473398A (zh) * 2023-12-26 2024-01-30 四川国蓝中天环境科技集团有限公司 一种基于运渣车活动的城市扬尘污染源分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651036A (zh) * 2016-12-26 2017-05-10 东莞理工学院 空气质量预报系统
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN111859800A (zh) * 2020-07-15 2020-10-30 河海大学 用于pm2.5浓度分布的时空估算和预测的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651036A (zh) * 2016-12-26 2017-05-10 东莞理工学院 空气质量预报系统
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN111859800A (zh) * 2020-07-15 2020-10-30 河海大学 用于pm2.5浓度分布的时空估算和预测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜有山等: "连云港市城市空气质量预报方法研究", 《气象科学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
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
CN115659195A (zh) * 2022-11-21 2023-01-31 中科三清科技有限公司 一种大气污染在线识别方法
CN116147712A (zh) * 2023-04-18 2023-05-23 石家庄铁道大学 免时空限制的立体式施工环境监测装置及预测方法
CN117091648A (zh) * 2023-07-27 2023-11-21 石家庄铁道大学 一种空地一体施工生态环境监测装置及可视化处理方法
CN117129556A (zh) * 2023-08-29 2023-11-28 中国矿业大学 基于无线传感器网络的室内tvoc浓度实时监测系统
CN117129556B (zh) * 2023-08-29 2024-02-02 中国矿业大学 基于无线传感器网络的室内tvoc浓度实时监测系统
CN117390128A (zh) * 2023-12-12 2024-01-12 南京信息工程大学 基于Arduino平台的城市物理环境智能移动监测系统和方法
CN117390128B (zh) * 2023-12-12 2024-02-23 南京信息工程大学 基于Arduino平台的城市物理环境智能移动监测系统和方法
CN117473398A (zh) * 2023-12-26 2024-01-30 四川国蓝中天环境科技集团有限公司 一种基于运渣车活动的城市扬尘污染源分类方法
CN117473398B (zh) * 2023-12-26 2024-03-19 四川国蓝中天环境科技集团有限公司 一种基于运渣车活动的城市扬尘污染源分类方法

Also Published As

Publication number Publication date
CN112508056B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN112508056B (zh) 基于移动多源感知的城市空气质量监测方法
Zhang et al. Real time localized air quality monitoring and prediction through mobile and fixed IoT sensing network
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
US9904932B2 (en) Analyzing semantic places and related data from a plurality of location data reports
Zhou et al. Understanding urban human mobility through crowdsensed data
JP4032126B1 (ja) 移動体位置推定システム、及び、移動体位置推定方法
US9547827B2 (en) Terminal device, terminal control method, program and information processing system
CN110536245B (zh) 一种基于深度学习的室内无线定位方法及系统
JP4032125B1 (ja) 移動体位置推定システム、及び、移動体位置推定方法
CN111563331B (zh) 一种基于移动监测的区域大气污染分布预测方法
Li et al. Supreme: Fine-grained radio map reconstruction via spatial-temporal fusion network
CN115080290B (zh) 一种基于智能算法的异常数据检测方法及系统
Fridelin et al. Implementation of microservice architectures on SEMAR extension for air quality monitoring
Turukmane et al. Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques
CN114971166A (zh) 一种轻量化道路路面服务质量巡检系统
Shakhov et al. On modeling air pollution detection with internet of vehicles
Du et al. UniLoc: A unified mobile localization framework exploiting scheme diversity
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN113590971A (zh) 一种基于类脑时空感知表征的兴趣点推荐方法及系统
WO2023147892A1 (en) Long-term accurate crowd estimation in smart cities
Guastella et al. Estimating missing information by cluster analysis and normalized convolution
CN109286900B (zh) 一种Wi-Fi样本数据优化方法
Abboud et al. How opportunistic mobile monitoring can enhance air quality assessment?
Ding et al. Spatial and temporal urban air pollution patterns based on limited data of monitoring stations
CN116577469B (zh) 基于数据精度校准的大气环境监测系统、数据预测方法

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