CN114693003B - 一种基于物联网的智慧城市空气质量预测方法和系统 - Google Patents

一种基于物联网的智慧城市空气质量预测方法和系统 Download PDF

Info

Publication number
CN114693003B
CN114693003B CN202210559574.7A CN202210559574A CN114693003B CN 114693003 B CN114693003 B CN 114693003B CN 202210559574 A CN202210559574 A CN 202210559574A CN 114693003 B CN114693003 B CN 114693003B
Authority
CN
China
Prior art keywords
region
data
area
pollution
hexagonal
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
Application number
CN202210559574.7A
Other languages
English (en)
Other versions
CN114693003A (zh
Inventor
邵泽华
向海堂
李勇
权亚强
刘彬
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.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT Technology Co Ltd
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 Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202211232005.8A priority Critical patent/CN116029411A/zh
Priority to CN202210559574.7A priority patent/CN114693003B/zh
Publication of CN114693003A publication Critical patent/CN114693003A/zh
Priority to US17/810,616 priority patent/US11776081B1/en
Application granted granted Critical
Publication of CN114693003B publication Critical patent/CN114693003B/zh
Priority to US18/448,147 priority patent/US12056782B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Toxicology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书实施例提供一种基于物联网的智慧城市空气质量预测方法和系统。该方法包括：获取目标区域的环境监测数据，该环境监测数据包括空气质量数据、天气数据、卫星图像数据中的至少一种；基于环境监测数据，通过区域预测模型预测目标区域的空气污染情况，区域预测模型为机器学习模型；通过传感网络平台获取目标区域的实际空气污染情况，确定前述预测的空气污染情况与实际空气污染情况之间的偏差数据，并基于偏差数据确定可疑区域，可疑区域为可能包括污染源的区域，进一步通过污染源识别模型处理可疑区域的图像数据确定污染源；以及基于目标区域的空气污染情况和/或可疑区域及其污染源确定提示信息，提示信息通过服务平台发送至用户平台。

Description

一种基于物联网的智慧城市空气质量预测方法和系统
技术领域
本说明书涉及物联网与空气质量监测领域，特别涉及一种基于物联网的智慧城市空气质量预测方法和系统。
背景技术
随着社会发展，空气质量越来越受到公众的关注。影响空气质量的因素较多，如机动车尾气排放、工厂废气排放、建设工地的扬尘、挖土作业、沙尘暴等。特别是在城市中，不同的区域内，空气的污染情况也会不同。预测区域内的未来空气质量变化，有助于城市交通网络中机动车流量的管制和协调安排。对于空气污染较为严重的区域，排查潜在的空气质量污染源也是一个重要的课题。
因此，提出一种基于物联网的智慧城市空气质量预测方法和系统，可以预测不同区域的空气质量信息，排查潜在污染源。
发明内容
本说明书一个或多个实施例提供一种基于物联网的智慧城市空气质量预测方法，所述方法由管理平台执行。所述方法包括：通过传感网络平台获取目标区域的环境监测数据，所述环境监测数据包括空气质量数据、天气数据、卫星图像数据中的至少一种；基于所述环境监测数据，通过区域预测模型预测所述目标区域的空气污染情况，所述区域预测模型为机器学习模型；通过所述传感网络平台获取所述目标区域的实际空气污染情况，确定所述区域预测模型预测的所述空气污染情况与所述实际空气污染情况之间的偏差数据；基于所述偏差数据，确定可疑区域，所述可疑区域为可能包括污染源的区域，所述污染源的确定方法包括：获取所述可疑区域的图像数据，通过污染源识别模型处理所述可疑区域的所述图像数据确定所述污染源，所述污染源识别模型可以包括图像特征提取层和判断层，所述图像特征提取层用于基于所述可疑区域的所述图像数据提取所述可疑区域的图像特征向量，所述判断层用于基于所述可疑区域的所述图像特征向量以及空气质量特征确定所述污染源；基于所述目标区域的所述空气污染情况和/或所述可疑区域及其污染源确定提示信息，所述提示信息通过服务平台发送至用户平台。
本说明书一个或多个实施例提供一种基于物联网的智慧城市空气质量预测系统，所述系统包括用户平台、服务平台、管理平台、传感网络平台以及对象平台。所述传感网络平台用于获取所述对象平台获取的环境监测数据以及目标区域的实际空气污染情况，所述环境监测数据包括污染数据、天气数据、卫星数据至少一种。所述管理平台用于基于所述环境监测数据，通过区域预测模型预测目标区域的空气污染情况，所述区域预测模型为机器学习模型；所述管理平台还用于确定所述区域预测模型预测的所述空气污染情况与所述实际空气污染情况之间的偏差数据；基于所述偏差数据，确定可疑区域，所述可疑区域为可能包括污染源的区域，所述管理平台进一步用于确定所述污染源，包括：获取所述可疑区域的图像数据，通过污染源识别模型处理所述可疑区域的所述图像数据确定所述污染源，所述污染源识别模型可以包括图像特征提取层和判断层，所述图像特征提取层用于基于所述可疑区域的所述图像数据提取所述可疑区域的图像特征向量，所述判断层用于基于所述可疑区域的所述图像特征向量以及空气质量特征确定所述污染源；所述服务平台用于将基于所述目标区域的所述空气污染情况和/或所述可疑区域及其污染源确定的提示信息发送至所述用户平台。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的智慧城市空气质量预测方法的应用场景示意图；
图2是根据本说明书一些实施例所示的智慧城市空气质量预测系统的系统图；
图3是根据本说明书一些实施例所示的智慧城市空气质量预测方法的示例性流程图；
图4是根据本说明书一些实施例所示的区域预测模型结构的示例性示意图；
图5是根据本说明书一些实施例所示的可疑区域确定的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的智慧城市空气质量预测方法的应用场景示意图。
如图1所示，智慧城市空气质量预测系统的应用场景100可以包括处理设备110、网络120、数据库130、采集终端140以及用户终端150。一些实施例中，应用场景100中的组件可以经由网络120（例如无线连接、有线连接或其组合），以实现彼此连接和/或通信。例如，处理设备110可以通过网络120连接到数据库130。又例如，用户终端150可以通过网络120连接到处理设备110、数据库130。
处理设备110可以用于处理与应用场景100有关的信息和/或数据，例如，预测空气污染情况、生成提示信息或优惠信息指令等。在一些实施例中，处理设备110可以包括一个或以上处理引擎（例如，单芯片处理引擎或多芯片处理引擎）。仅作为示例，处理设备110可以包括中央处理单元（CPU）。处理设备110可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。
网络120可以连接应用场景100的各组成部分和/或连接应用场景100与外部资源部分。网络使得各组成部分之间，以及与应用场景100之外其他部分之间可以进行通讯，促进数据和/或信息的交换。网络可以是局域网、广域网、互联网等，可以是多种网络结构的组合。数据库130可以用于存储数据和/或指令。在一些实施例中，数据库130可以储存处理设备110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，数据库130可以连接到网络120以与应用场景100的一个或以上组件（例如，处理设备110、用户终端150）通信。
采集终端140可以用于采集数据和/或信息。例如，空气质量数据、气象数据、拍摄图像等。示例性的，采集终端140可以包括气象卫星140-1、空气质量检测装置140-2、陆地卫星140-3等。在一些实施例中，采集终端可以将采集的数据和/或信息通过网络发送到处理设备。
用户终端150可以包括一个或多个终端设备或软件。在一些实施例中，用户终端150可以包括移动电话150-1、平板电脑150-2、膝上型计算机150-3等。在一些实施例中，用户可以通过用户终端查看信息和/或输入数据和/或指令。例如，用户可以通过用户终端查看经常驶入某个区域的车辆信息等。又例如，用户可以通过用户终端输入发送短信的指令，给出行车主发送优惠信息引导车主换乘路线或提示车主尽量不要前往某个空气污染严重的区域等。
应当注意应用场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100还可以包括信息源。然而，这些变化和修改不会背离本申请的范围。
物联网系统是一种包括用户平台、服务平台、管理平台、传感网络平台、对象平台中部分或全部平台的信息处理系统。用户平台是实现用户感知信息获取和控制信息生成的功能平台。服务平台可以实现连接管理平台和用户平台，起着感知信息服务通信和控制信息服务通信的功能。管理平台可以实现统筹、协调各功能平台（如用户平台、服务平台）之间的联系和协作。管理平台汇聚着物联网运行体系的信息，可以为物联网运行体系提供感知管理和控制管理功能。服务平台可以实现连接管理平台和对象平台，起着感知信息服务通信和控制信息服务通信的功能。用户平台是实现用户感知信息获取和控制信息生成的功能平台。
物联网系统中信息的处理可以分为用户感知信息的处理流程及控制信息的处理流程。控制信息可以是基于用户感知信息而生成的信息。在一些实施例中，控制信息可以包括用户需求控制信息，用户感知信息可以包括用户查询信息。其中，感知信息的处理是由对象平台获取感知信息，并通过传感网络平台传递至管理平台。用户需求控制信息则是由管理平台通过服务平台传输至用户平台，进而实现提示信息发送的控制。
在一些实施例中，将物联网系统应用于城市管理时，可以将其称之为智慧城市物联网系统。
图2是根据本说明书一些实施例所示的智慧城市空气质量预测系统的系统图。如图2所示，智慧城市空气质量预测系统200可以基于物联网系统实现。智慧城市空气质量预测系统200包括用户平台210、服务平台220、管理平台230、传感网络平台240和对象平台250。在一些实施例中，智慧城市空气质量预测系统200可以为处理设备110的一部分或由处理设备110实现。
在一些实施例中，智慧城市空气质量预测系统200可以应用于空气质量预测的多种场景。在一些实施例中，智慧城市空气质量预测系统200可以分别获取多种场景下的气象信息、交通信息等，以得到各个场景下的空气质量预测值。在一些实施例中，智慧城市空气质量预测系统200可以基于获取到各个场景下的空气质量预测值，以确定空气质量污染源。
空气质量预测的多个场景可以包括目标区域的空气质量预测、目标区域的相邻区域的空气质量预测、对比区域预测的空气质量与实际空气质量，基于差异确定可疑区域、对可疑区域进行污染源的排查等。需要说明的是以上场景仅为示例，并不对智慧城市空气质量预测系统200的具体应用场景起限制作用，本领域技术人员可以在本实施例公开的内容基础上，将智慧城市空气质量预测系统200应用于其他合适的任何场景。
在一些实施例中，智慧城市空气质量预测系统200在应用于某个区域的空气质量预测时，管理平台230获取待预测区域（即目标区域），目标区域可以为六边形，同时，获取所述目标区域相邻的6个六边形区域。管理平台230获取目标区域及所述六个相邻六边形区域的相关数据，所述数据包括，各个区域内的气象数据（如风速、风向、气压、湿度、温度等）、交通数据（车流量、拥堵情况等）。所述数据可以是截止到当前时间的历史多个时间点（如过去一天、一周的以30分钟或一个小时为间隔的多个时间点）的序列的数据，通过区域预测模型对所述相关数据进行处理，预测目标区域的空气质量（即空气污染情况）。
在一些实施例中，智慧城市空气质量预测系统200在应用于目标区域的相邻区域的空气质量预测时，可以通过区域预测模型进行迭代预测。所述迭代预测可以是基于某个时间点各区域空气质量的预测后的数据，预测下一个时间点的各区域的空气质量。例如，预测未来第一时间点各区域的空气质量后，所述未来第一时间点的相关数据将作为未来第二时间点的历史时间点数据，并作为所述区域预测模型的输入数据，对所述未来第二时间点的空气质量进行预测。对于目标区域的空气质量预测，引入相邻的区域污染情况进行迭代预测，可以使目标区域的空气质量预测更加准确。进一步的，可以依次对相邻的6个六边形的区域进行预测，获取所述相邻6个六边形区域的空气质量的预测值，以此获得更大范围的各区域的空气质量，降低了数据的偶然误差，并提高目标区域预测的准确性。空气质量预测的相关描述，参见图5及其相关描述，此处不再赘述。
在一些实施例中，智慧城市空气质量预测系统200应用于对比区域预测的空气质量与实际空气质量，基于二者差异确定可疑区域。其中，管理平台230不仅获取目标区域，以及该区域相邻的6个六边形区域的空气质量预测值，所述管理平台230还获取所述目标区域以及该区域相邻6个六边形区域的空气质量的真实值。所述空气质量的真实值，可以由对象平台250中的安装于各个区域内的空气质量检测装置140-2获得，并通过传感网络平台240上传至所述管理平台230。管理平台230通过各个区域的空气质量预测值与相应的空气质量真实值对比获取空气质量的差异值，基于所述差异值确定可疑区域。所述可疑区域可能存在额外的污染源。
在一些实施例中，智慧城市空气质量预测系统200在应用于对可疑区域进行污染源的排查时，管理平台230获取所述可疑区域的多个图像。其中，所述多个图像，可以是由对象平台250中的陆地卫星140-3获取，并通过传感网络平台240上传至所述管理平台230。管理平台230可以通过污染源识别模型对所述多个图像进行识别，确定污染源的类别，例如污染源的类别可以是机动车源（如机动车的尾气排放，空气污染包括二氧化氮、一氧化碳、PM2.5污染）、工业源（如工厂废气的排放，空气污染包括二氧化硫污染）、扬尘源（如建设工地扬尘、挖土作业，沙尘暴、秸秆焚烧等，污染包括颗粒物污染）等。
在另一些实施例中，智慧城市空气质量预测系统200在应用于对可疑区域进行污染源的排查时，管理平台230可以结合其他特征通过排放判定模型确定怀疑点。所述其他特征，可以是空气质量特征，包括空气中的PM2.5、PM10、臭氧、二氧化氮、二氧化硫、一氧化碳的含量等。所述怀疑点可以是指空气质量的指标与污染源对空气质量的污染指标的差异。例如，对于所述可疑区域，排查到的污染源是焚烧秸秆类型的，其主要影响的是PM2.5的指标。如果该区域空气质量数据中的臭氧污染指标较高，则说明还有其他的污染源，需要继续排查以确定臭氧污染源。
对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，将系统移用到其他任何合适的场景下。
以下将以智慧城市空气质量预测系统200应用于城市某区域空气质量预测场景为例对智慧城市空气质量预测系统200进行具体说明。
用户平台210可以是指以用户为主导的平台，包括获取用户的需求以及将信息反馈给用户的平台。在一些实施例中，用户平台被配置为通过用户终端输入指令，查询城市某个区域的空气质量信息，也可以查询经常驶入该区域的车辆的登记信息。在一些实施例中，用户平台被配置为通过显示终端，显示查询的车辆登记信息以及所述车辆的车主信息。在另一些实施例中，用户平台被配置为用户终端，获取用户输入的提示信息或者优惠信息，并以短信的方式发送到目标车主。
服务平台220可以是指将用户的需求与控制信息传达出去的平台。其连接了用户平台210和管理平台230。在一些实施例中，服务平台220被配置为获取用户通过用户平台下发的指令查询城市某个区域的空气质量信息以及车辆登记信息，并将所述车辆登记信息反馈给用户。在一些实施例中，服务平台220可以从管理平台230接收信息，对接收到的信息进行抽取、分类与再加工等数据处理操作，以生成统计数据、趋势数据和对比数据等有价值的信息，并根据用户的需要为用户提供对应的服务。示例性的，用户查询某个区域的空气质量信息时，服务平台220根据用户的请求指令，从管理平台230获取该区域的空气质量预测信息，并对该区域相邻的周边区域的空气质量信息进行汇总后一并反馈给用户。在一些实施例中，服务平台220获取用户对某个区域的可疑空气污染源的查询指令，从管理平台230获取可疑空气污染源的排查结果反馈给用户。
管理平台230可以是指对城市不同区域的空气质量进行预测的平台。在一些实施例中，管理平台230可以配置为获取目标区域以及相邻的区域，所述目标区域可以是六边形，所述相邻的区域可以为相邻的6个六边形。在一些实施例中，管理平台230可以配置为区域预测模型，预测目标区域的空气质量，输入包括所述六边形区域以及与所述相邻的6个六边形区域的特征。
在一些实施例中，所述特征还包括车辆污染数据，所述车辆污染数据的获取方式包括：获取所述六边形区域以及与所述六边形区域相邻的其他六边形区域的路况预测数据和车辆登记数据；通过车辆污染模型处理所述路况预测数据和所述车辆登记数据，预测所述六边形区域以及与所述六边形区域相邻的其他六边形区域的所述车辆污染数据。
在一些实施例中，管理平台230可以配置为基于第一时间点内六边形区域的空气污染情况以及与六边形区域相邻的其他六边形区域的空气污染情况，通过区域预测模型迭代预测第二时间点内六边形区域的空气污染情况以及与六边形区域相邻的其他六边形区域的空气污染情况。
在一些实施例中，管理平台230可以配置为获取空气污染情况与实际空气污染情况之间的偏差数据；以及基于该偏差数据，确定可疑区域，所述可疑区域为包括污染源的区域。
在一些实施例中，管理平台230可以配置为基于目标区域的空气污染情况，通过服务平台220发送提示信息包括：确定所述目标区域中的所述空气污染情况满足预设条件的子目标区域；通过对象平台250获取驶入所述子目标区域的车辆信息；基于所述车辆信息与所述目标区域的所述空气污染情况，通过所述服务平台220发送提示信息与优惠信息。一些实施例中，通过发送信息到经常驶入目标区域的车主，提示车主绕行或者更改驾驶路线，避免所述区域空气质量的进一步恶化。在一些实施例中，管理平台还可以基于车辆信息与目标区域的空气污染情况确定优惠信息，并通过服务平台发送该优惠信息。在一些实施例中，优惠信息可以是与车辆行驶成本控制和/或车辆行驶路线优惠推荐相关的信息。其中，车辆行驶成本控制可以包括对于采用能耗更低出行的出行方式进行出行补贴，以提高在子目标区域采用加剧空气污染的高能耗出行的成本。在一些实施例中，优惠信息用于对子目标区域中的道路车流量进行引流。例如，当车辆在子目标区域行驶时，优惠信息可以是向用户推荐公共交通出行、低排量车辆行驶、新能源车辆行驶所对应的出行成本降低值及补贴值、推荐选择子目标区域以外的其他行驶路径的补贴券（例如，加油站的补贴券）或通行费减免等。在一些实施例中，优惠信息可以通过预设规则生成，例如，优惠信息可以是“出行方式+行驶路程公里数乘以单位路程节约成本值及补贴值”，如“新能源汽车：60公里×（节约成本值0.35元/公里+补贴值0.25元/公里）=36元”。在一些实施例中，管理平台确定优惠信息后，优惠信息可以通过服务平台发送到用户平台。一些实施例中，通过对车主发送优惠信息，如其他区域收费站的收费的优惠、加油站的收费优惠等吸引车主，对道路车流量进行引流，缓解车辆对目标区域的车辆尾气排放所造成的空气污染。
传感网络平台240可以指对城市空气质量预测的通信进行管理的功能平台。在一些实施例中，传感网络平台240可以连接管理平台230和对象平台250，实现通信功能。在一些实施例中，传感网络平台可以包括多个传感网络分平台。不同的传感网络分平台为不同传感设备的提供相应的通信通道。例如，气象卫星传感分平台与气象卫星进行通信，获取所述气象卫星的气象数据。一些实施例中，根据不同的采集设备的类型分为不同的传感网络分平台，使得所述传感网络平台240对于采集信息的获取和处理更有针对性，同时多通信通道缓解所述传感网络平台数据上传的压力，提高系统运行的效率。
对象平台250可以指通过各类传感装置获取外界感知信息的平台。例如，对象平台250包括安装在城市某个区域的空气质量监测装置，用于获取该区域的空气质量信息，并通过传感网络平台240上传至管理平台230，以进行空气质量预测值的比对处理。又如，对象平台250包括气象卫星，用于获取某个区域的气象数据，并通过传感网络平台240将所述气象数据上传至管理平台230，以进行区域空气质量的预测。再如，对象平台250包括陆地卫星，用于获取某个区域的图像，并通过传感网络平台240将所述图像上传至管理平台230，以进行可疑空气污染源的排查处理。
需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，各个组成部分可以共用一个数据库，各个组成部分也可以分别具有各自的数据库。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的智慧城市空气质量预测方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由管理平台执行。
S310，获取目标区域的环境监测数据，环境监测数据包括空气质量数据、天气数据、卫星图像数据中的至少一种。
目标区域可以是需要进行空气质量预测的某一区域。例如，目标区域可以是一座城市如上海市，还可以是城市的某一区域如静安区等。在一些实施例中，管理平台可以将一片区域划分为多个蜂窝状的六边形区域，目标区域可以是其中一个或多个六边形区域。在一些实施例中，目标区域可以相邻其他区域，如一个六边形区域作为目标区域时，目标区域可以与六个其他六边形区域相邻。在一些实施例中，目标区域还可以是其他形状。例如，目标区域还可以是矩形，目标区域可以相邻八个其他矩形区域。
环境监测数据可以是监测到的与环境相关的数据。例如，环境监测数据可以包括空气质量数据、天气数据、卫星图像数据中的至少一种。
空气质量数据可以是反映空气污染程度的数据。例如，空气质量数据可以包括空气污染指数、空气中各污染物（如氮氧化物、一氧化碳、可吸入颗粒物等）的浓度等。
天气数据可以是反映一定时间及区域内的气候、气象的数据。例如，天气数据可以包括温度、湿度、降水量、风级等。
卫星图像数据可以是对地球进行气象观测的卫星所反馈的数据。例如，卫星图像数据可以包括卫星云图等图像数据。
在一些实施例中，上述环境监测数据可以通过不同对象平台获取。例如，卫星图像数据可以通过卫星平台获取；空气质量数据可以通过空气质量监测平台获取、天气数据可以通过气象网站或与天气指标测量相关的传感器确定等。
S320，基于环境监测数据，通过区域预测模型预测目标区域的空气污染情况，区域预测模型为机器学习模型。
区域预测模型可以是用于预测目标区域空气污染情况的模型。例如，区域预测模型可以是深度神经网络（Deep Neural Networks，DNN）模型、循环神经网络（RecurrentNeural Network，RNN）模型等，或其组合。
空气污染情况可以是与目标区域空气污染相关的任何信息。例如，空气污染情况可以包括污染类型如工业污染、放射污染、生物污染等；污染源如化工厂排气、秸秆燃烧废气等；污染程度如城市空气质量等级、空气中有害物含量如PM2.5含量等。在一些实施例中，空气污染情况包括通过空气质量传感器所获取的实际空气质量。
在一些实施例中，管理平台可以通过多种方式实现基于环境监测数据，预测目标区域的空气污染情况。例如，目标区域的空气污染情况可以基于环境监测数据与目标区域的空气污染情况的映射关系进行预测。
在一些实施例中，目标区域的空气污染情况可以基于区域预测模型预测，其中，区域预测模型可以为机器学习模型。
关于区域预测模型预测目标区域的空气污染情况的更多说明参见图4部分具体内容。
S330，基于目标区域的空气污染情况确定提示信息，提示信息通过服务平台发送至用户平台。在一些实施例中，管理平台还可以基于目标区域的空气污染情况和/或可疑区域确定提示信息。
提示信息可以是与目标区域的空气污染情况和/或可疑区域相关的信息。例如，提示信息可以是文字、图像、语音等任何形式的反映目标区域的污染源、污染类型、污染严重程度等级等的信息。在一些实施例中，提示信息可以在用户终端呈现并发送给用户。在一些实施例中，提示信息还可以包括与污染源相关的图像或视频、污染源类别及对应的污染处理方式等。
在一些实施例中，提示信息可以通过预设规则生成，例如，提示信息可以是“污染类型+污染源+污染严重程度等级”的预设文字规则，如“污染类型：生物污染；污染源：农田秸秆燃烧；污染严重程度等级：严重”。在一些实施例中，提示信息还可以包括提示绕行、改乘车（乘坐公交车、地铁）等。在一些实施例中，提示信息还可以包括其他预设规则形式，例如与图像相关的预设规则、与语音相关的预设规则等。在一些实施例中，提示信息可以从服务平台，通过网络发送到用户平台。例如，提示信息可以为从服务平台发送到用户平台，从而使车主通过终端设备收到的短信提示。在一些实施例中，还可以基于车辆信息与目标区域的空气污染情况，通过服务平台发送优惠信息，关于优惠信息的相关说明请参见图2对应部分的内容。在一些实施例中，可以结合还可以基于车辆信息与目标区域的空气污染情况确定优惠信息中的优惠力度或提示信息的提示强度。在一些实施例中，可以基于区域的空气质量污染程度，如空气污染指数确定（空气污染指数101-150为轻度污染；151-200为中度污染；201-300重度污染，300以上严重污染），污染程度越严重，优惠力度越大，提示强度越大。
通过本说明书一些实施例所述的基于物联网的智慧城市空气质量预测方法，可以实现基于机器学习模型的空气质量预测，机器学习模型可以处理各平台、渠道获取的环境监测数据，提高与预测空气质量相关信息的全面性，并提高空气质量预测结果的准确性。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程300还可以包括预处理步骤。
图4是根据本说明书一些实施例所示的区域预测模型结构的示例性示意图。结构400如图4所示。在一些实施例中，结构400可以通过管理平台实现。
在一些实施例中，区域预测模型可以包括至少一个区域模型以及一个空气质量判断模型，其中每个区域模型对应一个区域。例如，至少一个区域模型可以是7个区域模型，分别为第一区域模型、第二区域模型……第七区域模型，每个模型对应一个区域，其中第七区域模型可以对应目标区域，第一区域模型、第二区域模型……第六区域模型可以分别对应与目标区域相邻的其他区域（即分别对应第一区域、第二区域……第七区域）。
可以理解的是，本说明书中每个区域模型顺序、数量的描述旨在说明，并不意味着对区域模型顺序、数量、功能、以及对应区域的限定。例如，第一区域模型可以是上述的第七区域模型、第二区域模型可以对应目标区域等。又例如，可以基于目标区域的形状确定所述区域模型的数量，如区域的形状为矩形，则所述区域模型的数量为5个。
区域预测模型的输入可以包括目标区域（六边形区域）的特征，以及与目标区域（六边形区域）相邻的其他六边形区域的特征，区域预测模型的输出可以包括目标区域的空气质量。
在一些实施例中，目标区域（六边形区域）的特征可以是目标区域的时序特征，与目标区域相邻的其他六边形区域的特征可以是其他六边形区域的时序特征。时序特征可以是一段时间内每个时间点的某一区域的交通特征及气象特征，即时序特征可以包括时间特征、交通特征以及气象特征。例如，在一天内设置2小时为一个时间步长，每经过2小时得到一个时间点，在一天的时间段内，每个时间点车流量、拥堵情况等交通特征，风速、风向、气压、湿度、温度等气象特征，以及对应的时间点（即时间特征）作为模型的输入。在一些实施例中，时序特征可以包括第一时序特征、第二时序特征、……第七时序特征等，用于表示不同区域内对应的时序特征。
第一区域模型可以是用于提取第一区域的特征的模型。例如，第一区域模型可以是深度神经网络模型。
第一区域模型的输入可以包括时序特征，输出可以包括第一时序特征向量。
时序特征向量可以是反映区域在某一时间段内交通、气象特征变化的向量。例如，向量的元素可以包括时间点，以及该时间点的车流量、拥堵情况、风速、风向、气压、湿度、温度等特征。
在一些实施例中，区域预测模型还可以包括第二区域模型、第三区域模型、……第七区域模型等，以上区域模型对应不同的区域，以上区域模型的模型类别、输入输出可以与第一区域模型相似，例如，第二区域模型可以是深度神经网络模型，第二区域模型的输入可以包括时序特征，输出可以包括第二时序特征向量……。综上，通过以上七个区域模型可以得到以上七个区域对应的时序特征向量，每个时序特征向量能够反映对应区域的各种特征，其中第七时序特征向量可以对应目标区域。
空气质量判断模型可以是用于确认空气污染情况的模型。例如，空气质量判断模型可以是深度神经网络模型等。
空气质量判断模型的输入可以包括上述第一时序特征向量、第二时序特征向量、……第七时序特征向量，输出可以包括目标区域的空气污染情况。
在一些实施例中，区域预测模型可以通过联合训练获取。例如，向第一区域模型、第二区域模型、……第七区域模型输入训练样本数据，训练样本数据即相应区域的时序特征，得到输出的第一时序特征向量、第二时序特征向量、……第七时序特征向量。然后将上述时序特征向量作为空气质量判断模型的训练样本数据，输入空气质量判断模型，得到目标区域的空气污染情况，使用样本目标区域的空气污染情况对空气质量判断模型的输出进行验证。例如，可以基于安装在目标区域内的空气质量检测装置所获取的实际空气质量情况作为所述空气质量判断模型的标签进行验证。
又例如，训练样本数据包括相应区域的时序特征、以及时序特征向量，将训练样本数据输入第一区域模型、第二区域模型、……第七区域模型，将样本时序特征向量输入空气质量判断模型，第一区域模型、第二区域模型、……第七区域模型的输出作为空气质量判断模型的输入，标签为目标区域的空气污染情况。在一些实施例中，训练标签可以为通过空气质量传感器获取的实际空气质量。训练过程中，基于目标区域的空气污染情况和第一区域模型、第二区域模型、……第七区域模型的输出建立损失函数对模型的参数进行更新。
在一些实施例中，训练样本数据至少可以包括不同区域的时序特征。标签可以是目标区域的空气污染情况。标签可以人工标注获取。
在一些实施例中，区域预测模型的输入还可以包括车辆污染数据（亦可称为车辆污染特征）。在一些实施例中，车辆污染数据的获取方式包括：获取六边形区域以及与六边形区域相邻的其他六边形区域的路况预测数据和车辆登记数据；通过车辆污染模型处理路况预测数据和车辆登记数据，预测六边形区域以及与六边形区域相邻的其他六边形区域的车辆污染数据。
车辆污染数据可以是在某一时间段内，区域内的车辆对空气造成污染的数据。例如，车辆污染数据可以包括车辆尾气排放规模、车辆尾气排放成分、车辆尾气排放分布等数据。在一些实施例中，车辆污染数据可以通过车辆污染模型确定。在一些实施例中，车辆污染数据中部分或全部数据可以属于时序特征。
车辆污染模型可以是确定车辆污染数据的模型。例如，车辆污染模型可以是深度神经网络模型等。在一些实施例中，车辆污染模型可以包括第一车辆污染模型、第二车辆污染模型、……第七车辆污染模型等，用于表示不同区域车辆污染数据对应的模型，其都属于具有相同参数的车辆污染模型。
车辆污染模型的输入可以包括路况预测数据和车辆登记数据，车辆污染模型的输出可以包括车辆污染数据。在一些实施例中，该输出的车辆污染数据可以通过空气质量数据表示，因此车辆污染数据也可以理解为该输入的路况预测数据和车辆登记数据所对应的条件下的空气质量数据。
路况预测数据可以是历史某一段时间内区域内的路况数据的统计数据，例如，路况预测数据可以包括道路上车辆的数量、道路拥堵程度等。道路车流数据，包括尾气排量等特征。
车辆登记数据可以是历史某一段时间内区域内车辆相关信息。例如，车辆登记数据可以包括车辆的动力类型（燃油、电动等）、尾气排量、油耗等。
在一些实施例中，车辆污染模型可以是DNN，其输入可以是道路车流数据，输出可以为空气质量数据（用于表示车辆污染数据）。其中，道路车流数据包括道路车流量、燃油车的比例、尾气排量等特征。
在一些实施例中，车辆污染模型可以通过与区域预测模型联合训练获取。例如，向车辆污染模型输入训练样本数据，训练样本数据即历史路况预测数据和历史车辆登记数据，得到输出的历史车辆污染数据；然后将上述历史车辆污染数据作为区域预测模型的训练样本数据，输入区域预测模型，得到目标区域的空气污染情况，使用样本目标区域的空气污染情况对区域预测模型的输出进行验证；利用神经网络模型的反向传播特性，得到车辆污染模型输出的车辆污染数据的验证数据，使用该验证数据作为标签对车辆污染模型进行训练。
又例如，训练样本数据包括历史路况预测数据和历史车辆登记数据、以及历史车辆污染数据，将训练样本数据输入车辆污染模型，将样本历史车辆污染数据输入区域预测模型，车辆污染模型的输出作为区域预测模型的输入，标签为目标区域的空气污染情况，训练过程中，基于目标区域的空气污染情况和车辆污染模型的输出建立损失函数对模型的参数进行更新。
在一些实施例中，训练样本数据至少可以包括历史路况预测数据和历史车辆登记数据。标签可以是目标区域的空气污染情况。标签可以人工标注获取，或基于相应的道路上的传感器如空气质量传感器监测确定。
在一些实施例中，区域预测模型的预测方式可以为迭代预测，迭代预测包括：基于第一时间点内六边形区域以及与六边形区域相邻的其他六边形区域的空气污染情况，通过区域预测模型迭代预测第二时间点内六边形区域以及与六边形区域相邻的其他六边形区域的空气污染情况。
第一时间点可以是在某一时间段内初步进行空气污染情况预测所处的时间点。第二时间点可以是在某一时间段内再次进行空气污染情况预测所处的时间点。例如，第一时间点可以表示为具体时刻如9:00，或具体的某一天，第二时间点也可以类似表示。
在一些实施例中，迭代预测可以是从第一时间点的预测过程中获取第一时间点对应的空气污染情况以及时序特征，并将第一时间点对应的空气污染情况以及时序特征作为第二时间点的预测过程的输入。在一些实施例中，预测过程还可以包括第三时间点、第四时间点、……等，以上时间点的预测过程参见第一时间点以及第二时间点的预测过程。
在一些实施例中，迭代终止的条件可以是时间点数量达到预设时间点数量。例如，预设时间点数量为5个，当预测过程为第五时间点时，该时间点对应的预测结束时，迭代预测结束。
通过本说明书一些实施例所述的区域预测模型，可以实现未来空气污染情况的预测，通过引入区域内车辆的统计数据以考虑车辆尾气对空气指令的影响；另外，模型通过联合训练得到，可以减少训练样本，简化训练过程，同时避免了每个区域模型的标签难以获取的问题。
图5是根据本说明书一些实施例所示的可疑区域确定的示例性流程图。如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由管理平台执行。
S510，获取空气污染情况与实际空气污染情况之间的偏差数据。在一些实施例中，通过传感网络平台获取目标区域的实际空气污染情况，确定区域预测模型预测的空气污染情况与实际空气污染情况之间的偏差数据。
偏差数据可以是反映预测的空气污染情况与实际不同的数据。例如，偏差数据可以包括预测的时间段内PM2.5含量与该时间段内实际PM2.5含量偏差过大，且偏差程度超过偏差阈值；偏差数据还可以包括预测的时间段内污染类型为生物污染，而该时间段内实际空气污染情况的污染类型为生物污染与工业污染等。
在一些实施例中，偏差数据可以通过管理平台对比预测的空气污染情况与实际的空气污染情况获取，其中，实际的空气污染情况可以通过空气质量检测装置或人工输入获取。
S520，基于偏差数据，确定可疑区域。
可疑区域可以是可能包括污染源的区域。例如，可疑区域可以是上述六边形区域的一个或多个，可疑区域还可以是某一具体地址，例如工厂。
在一些实施例中，可疑区域可以通过环境监测数据确定。例如，通过卫星图像数据确定雾霾浓度达到雾霾浓度阈值的区域作为可疑区域，或通过传感器检测区域内空气所含扬尘浓度达到扬尘浓度阈值的区域作为可疑区域。在一些实施例中，可疑区域可以通过与车辆相关的数据如车辆污染数据、路况预测数据等确定。例如，通过车辆行驶的路网分布，确定车辆密度较高的区域作为可疑区域。在一些实施例中，可疑区域还可以通过人工判别确定。
S530，获取可疑区域的图像数据，通过图像识别确定污染源。
在一些实施例中，管理平台可以对图像数据提取图像特征，结合其他特征通过排放判定模型确定污染源。在一些实施例中，排放判定模型可以为污染识别模型的组成层，例如，判断层。在一些实施例中，管理平台获取可疑区域的图像数据，通过污染源识别模型处理可疑区域的图像数据确定污染源。污染源识别模型可以包括图像特征提取层和判断层，图像特征提取层用于基于可疑区域的图像数据提取可疑区域的图像特征向量，所述判断层用于基于可疑区域的图像特征向量以及空气质量特征确定污染源。
污染源识别模型可以是用于判断污染源类别的模型。例如，污染源识别模型可以是卷积神经网络模型、深度神经网络模型等，或其组合。
在一些实施例中，污染源识别模型可以包括图像特征提取层和判断层。
图像特征提取层可以是用于提取图像中与污染源相关特征的模型。例如，图像特征提取层可以是卷积神经网络模型。
图像特征提取层的输入可以包括可疑区域的图像数据，输出可以包括图像特征向量。图像特征向量可以是反映图像包含的特征的向量。例如，图像特征向量的元素可以包括污染源的废气排放特征、建筑特征、规模特征等。
判断层可以是用于最终得到污染源类别的模型。例如，判断层可以是深度神经网络模型。
判断层的输入可以包括图像特征向量，以及空气质量数据，输出可以包括污染源类别。其中，污染源类别可以包括机动车源（如机动车的尾气排放，污染包括二氧化氮、一氧化碳、PM2.5污染）、扬尘源（如建设工地扬尘、挖土作业，沙尘暴、秸秆焚烧等，污染包括PM2.5、PM10污染）、工业源（如工厂废气的排放，污染包括二氧化硫污染）等。
在一些实施例中，污染源识别模型可以通过图像特征提取层与判断层联合训练获取。例如，向图像特征提取层输入训练样本数据，训练样本数据即历史图像数据，得到输出的历史图像特征向量；然后将上述历史图像特征向量，以及历史空气质量数据作为判断层的训练样本数据，输入判断层，得到污染源类别，使用样本污染源类别对判断层的输出进行验证；利用神经网络模型的反向传播特性，得到图像特征提取层输出的历史图像特征向量的验证数据，使用该验证数据作为标签对图像特征提取层进行训练。
又例如，训练样本数据包括历史图像数据和历史图像特征向量、历史空气质量数据，将训练样本数据输入图像特征提取层，将样本历史图像特征向量、历史空气质量数据输入判断层，图像特征提取层的输出作为判断层的输入，标签为污染源类别，训练过程中，基于污染源类别和图像特征提取层的输出建立损失函数对模型的参数进行更新。
在一些实施例中，训练样本数据至少可以包括历史图像数据和历史空气质量数据。标签可以是污染源类别。标签可以人工标注获取，或基于实际污染源类别确定。
在本说明书一些实施例中，基于空气污染情况与实际空气污染情况之间的偏差数据确定可疑区域，通过图像识别可疑区域的图像数据确定污染源，并结合其他特征通过排放判定模型确定所述污染源，有利于准确客观、智能高效地判断出存在污染源的区域，有利于避免潜在污染源的威胁。
应当注意的是，上述有关流程500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，流程500还可以包括预处理步骤。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (6)

1.一种基于物联网的智慧城市空气质量预测方法，其特征在于，所述方法由管理平台执行，所述方法包括：
通过传感网络平台获取目标区域的环境监测数据，所述环境监测数据包括空气质量数据、天气数据、卫星图像数据中的至少一种；
基于所述环境监测数据，通过区域预测模型预测所述目标区域的空气污染情况，所述区域预测模型为机器学习模型；
通过所述传感网络平台获取所述目标区域的实际空气污染情况，确定所述区域预测模型预测的所述空气污染情况与所述实际空气污染情况之间的偏差数据；
基于所述偏差数据，确定可疑区域，所述可疑区域为可能包括污染源的区域，所述污染源的确定方法包括：
获取所述可疑区域的图像数据，通过污染源识别模型处理所述可疑区域的所述图像数据确定所述污染源，所述污染源识别模型包括图像特征提取层和判断层，所述图像特征提取层用于基于所述可疑区域的所述图像数据提取所述可疑区域的图像特征向量，所述判断层用于基于所述可疑区域的所述图像特征向量以及空气质量特征确定所述污染源；
基于所述目标区域的所述空气污染情况和/或所述可疑区域的所述污染源确定提示信息，所述提示信息通过服务平台发送至用户平台；其中，
所述目标区域为六边形区域，所述区域预测模型的输入包括所述六边形区域以及与所述六边形区域相邻的其他六边形区域的特征；
所述特征包括所述六边形区域及其相邻的所述其他六边形区域的时序特征，时序特征可以包括时间特征、交通特征和气象特征；
所述区域预测模型包括7个区域模型和1个空气质量判断模型，所述7个区域模型分别与所述六边形区域及其相邻的所述其他六边形区域对应，所述7个区域模型中的每一个处理对应的六边形区域的时序特征，输出对应的时序特征向量，所述空气质量判断模型对所述7个区域模型输出的时序特征向量进行处理，确定所述目标区域的污染情况。
2.根据权利要求1所述的方法，其特征在于，所述传感网络平台由至少一个传感分平台构成，所述传感网络平台被配置用于：
通过所述至少一个传感分平台分别获取对象平台所配置的不同类型的传感设备所采集的传感数据，所述传感数据作为所述环境监测数据的组成之一；
对所述传感数据进行汇总处理后上传至所述管理平台。
3.根据权利要求1所述的方法，其特征在于，所述区域预测模型的预测方式为迭代预测，所述迭代预测包括：
基于第一时间点内所述六边形区域以及与所述六边形区域相邻的其他六边形区域的所述空气污染情况，通过所述区域预测模型迭代预测第二时间点内所述六边形区域以及与所述六边形区域相邻的其他六边形区域的所述空气污染情况。
4.根据权利要求1所述的方法，其特征在于，所述区域预测模型的输入还包括车辆污染数据，所述车辆污染数据的获取方式包括：
获取所述六边形区域以及与所述六边形区域相邻的其他六边形区域的路况预测数据和车辆登记数据；
通过车辆污染模型处理所述路况预测数据和所述车辆登记数据，预测所述六边形区域以及与所述六边形区域相邻的其他六边形区域的所述车辆污染数据。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述目标区域中的所述空气污染情况满足预设条件的子目标区域；
通过对象平台获取驶入所述子目标区域的车辆信息；
基于所述车辆信息与所述目标区域的所述空气污染情况，通过所述服务平台发送所述提示信息与优惠信息，所述优惠信息为与车辆行驶成本控制和/或车辆行驶线路优惠推荐相关的信息，所述优惠信息用于对所述子目标区域中的道路车流量进行引流。
6.一种基于物联网的智慧城市空气质量预测系统，其特征在于，所述系统包括用户平台、服务平台、管理平台、传感网络平台以及对象平台：
所述传感网络平台用于获取所述对象平台获取的环境监测数据以及目标区域的实际空气污染情况，所述环境监测数据包括污染数据、天气数据、卫星数据至少一种；
所述管理平台用于基于所述环境监测数据，通过区域预测模型预测目标区域的空气污染情况，所述区域预测模型为机器学习模型；所述管理平台还用于确定所述区域预测模型预测的所述空气污染情况与所述实际空气污染情况之间的偏差数据；基于所述偏差数据，确定可疑区域，所述可疑区域为可能包括污染源的区域，所述管理平台进一步用于确定所述污染源，包括：
获取所述可疑区域的图像数据，通过污染源识别模型处理所述可疑区域的所述图像数据确定所述污染源，所述污染源识别模型包括图像特征提取层和判断层，所述图像特征提取层用于基于所述可疑区域的所述图像数据提取所述可疑区域的图像特征向量，所述判断层用于基于所述可疑区域的所述图像特征向量以及空气质量特征确定所述污染源；
所述服务平台用于将基于所述目标区域的所述空气污染情况和/或所述可疑区域的所述污染源确定的提示信息发送至所述用户平台；其中，
所述目标区域为六边形区域，所述区域预测模型的输入包括所述六边形区域以及与所述六边形区域相邻的其他六边形区域的特征；
所述特征包括所述六边形区域及其相邻的所述其他六边形区域的时序特征，时序特征可以包括时间特征、交通特征和气象特征；
所述区域预测模型包括7个区域模型和1个空气质量判断模型，所述7个区域模型分别与所述六边形区域及其相邻的所述其他六边形区域对应，所述7个区域模型中的每一个处理对应的六边形区域的时序特征，输出对应的时序特征向量，所述空气质量判断模型对所述7个区域模型输出的时序特征向量进行处理，确定所述目标区域的污染情况。
CN202210559574.7A 2022-05-23 2022-05-23 一种基于物联网的智慧城市空气质量预测方法和系统 Active CN114693003B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202211232005.8A CN116029411A (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市区域管理方法和系统
CN202210559574.7A CN114693003B (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市空气质量预测方法和系统
US17/810,616 US11776081B1 (en) 2022-05-23 2022-07-04 Methods and systems for predicting air quality in smart cities based on an internet of things
US18/448,147 US12056782B2 (en) 2022-05-23 2023-08-10 Method and system for area management in smart city based on internet of things

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210559574.7A CN114693003B (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市空气质量预测方法和系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211232005.8A Division CN116029411A (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市区域管理方法和系统

Publications (2)

Publication Number Publication Date
CN114693003A CN114693003A (zh) 2022-07-01
CN114693003B true CN114693003B (zh) 2022-09-02

Family

ID=82143948

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210559574.7A Active CN114693003B (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市空气质量预测方法和系统
CN202211232005.8A Pending CN116029411A (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市区域管理方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211232005.8A Pending CN116029411A (zh) 2022-05-23 2022-05-23 一种基于物联网的智慧城市区域管理方法和系统

Country Status (2)

Country Link
US (2) US11776081B1 (zh)
CN (2) CN114693003B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230280173A1 (en) * 2022-03-07 2023-09-07 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639320A (zh) * 2022-09-30 2023-01-24 阿艾斯泰姆株式会社 利用移动车辆大数据的iot城市环境监测预测系统
CN116307279B (zh) * 2023-05-18 2023-08-11 河北辉驰科技有限公司 基于大数据分析的城市大气环境管理方法及系统
CN117557044B (zh) * 2023-11-22 2024-04-09 山东德才建设有限公司 一种基于物联网平台的建筑作业环境监控方法及设备
CN117313961B (zh) * 2023-12-01 2024-10-11 首都师范大学 一种草地生态畜牧信息空天地协同感知与智能预测平台
CN117745106B (zh) * 2024-02-04 2024-05-17 西昌学院 一种大气污染协调控制区域的识别方法、系统和存储介质
CN117911878B (zh) * 2024-03-20 2024-06-07 江西三思检测技术有限公司 用于智慧环保管家的污染物预警方法及装置
CN118518157A (zh) * 2024-04-18 2024-08-20 知码芯(长春)科技有限公司 一种基于物联网的传感器模组智能监测系统及方法
CN118505434A (zh) * 2024-06-25 2024-08-16 深圳市汉宇环境科技有限公司 一种基于物联节点的区域污染预测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361054A (zh) * 2019-08-01 2019-10-22 武汉知中智知识产权运营有限公司 一种基于大数据实时分析空气污染源监控预警方法和装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016142733A1 (en) * 2015-03-09 2016-09-15 Chohol System and method for use in connection on with pollutant emissions
US10226982B2 (en) * 2015-04-29 2019-03-12 International Business Machines Corporation Automatic vehicle climate control based on predicted air quality
CN105301196B (zh) * 2015-11-03 2017-07-04 腾讯科技（深圳）有限公司 空气质检装置、空气质量数据处理方法和装置
CN106652459B (zh) * 2017-02-28 2019-05-03 北京航空航天大学 一种智能型路侧交通空气污染监测系统
CN107764765B (zh) * 2017-10-16 2021-02-12 江苏中美环境监测股份有限公司 用于大气污染的监测系统及用于大气污染的监测方法
US11645552B2 (en) * 2018-03-11 2023-05-09 International Business Machines Corporation Travel health optimization simulating health impact of intended user travel using cognitive analytics based on conditions at a geographic location
CN109765337A (zh) * 2018-12-28 2019-05-17 北京英视睿达科技有限公司 一种污染源识别方法及其系统
CN110147383A (zh) * 2019-04-25 2019-08-20 北京英视睿达科技有限公司 确定污染源类型的方法及装置
US11836644B2 (en) * 2019-08-06 2023-12-05 International Business Machines Corporation Abnormal air pollution emission prediction
CN110531029B (zh) * 2019-08-16 2022-02-25 北京慧辰资道资讯股份有限公司 一种基于环保物联网大数据预测空气质量趋势的装置
CN110555551B (zh) * 2019-08-23 2022-12-13 中南大学 一种智慧城市的空气质量大数据管理方法及系统
CN110909483B (zh) * 2019-12-03 2023-09-08 河北先河环保科技股份有限公司 一种基于网格化数据的点源大气污染物排放清单校验方法
CN111461410B (zh) * 2020-03-10 2022-08-26 北京邮电大学 一种基于迁移学习的空气质量的预测方法及装置
CN111985567B (zh) * 2020-08-21 2022-11-22 河北先河环保科技股份有限公司 一种基于机器学习的污染源类型自动识别方法
CN112561191B (zh) * 2020-12-22 2024-02-27 北京百度网讯科技有限公司 预测模型的训练、预测方法、装置、设备、程序和介质
CN113267601B (zh) * 2021-06-16 2024-01-30 隆升量化(武汉)大数据科技有限公司 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台
CN114021778A (zh) 2021-10-15 2022-02-08 金茂数字科技有限公司 一种基于智慧物联的智慧环境管理方法和系统
US11360236B1 (en) * 2022-01-17 2022-06-14 Prathamesh Khedekar System for mapping and monitoring emissions and air pollutant levels within a geographical area
CN114509539B (zh) * 2022-02-23 2024-06-14 广州市灏瀚环保科技有限公司 一种生活环境内空气污染因子检测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110361054A (zh) * 2019-08-01 2019-10-22 武汉知中智知识产权运营有限公司 一种基于大数据实时分析空气污染源监控预警方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
市区机动车尾气污染特征与评价;关共凑等;《广州化工》;20070615(第03期);全文 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230280173A1 (en) * 2022-03-07 2023-09-07 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses

Also Published As

Publication number Publication date
CN116029411A (zh) 2023-04-28
CN114693003A (zh) 2022-07-01
US11776081B1 (en) 2023-10-03
US20230394611A1 (en) 2023-12-07
US12056782B2 (en) 2024-08-06

Similar Documents

Publication Publication Date Title
CN114693003B (zh) 一种基于物联网的智慧城市空气质量预测方法和系统
CN103280106B (zh) 用于监视行驶状况的系统和方法
CN110531029B (zh) 一种基于环保物联网大数据预测空气质量趋势的装置
WO2019237522A1 (zh) 车辆租赁方法、装置、计算机设备和存储介质
CN111696369B (zh) 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法
CN103854483A (zh) 基于gps卫星定位及ecu的车辆动态信息系统
CN110298516B (zh) 一种基于客流od数据的拆分过长公交线路的方法、装置、移动端设备及服务器
Fadda et al. A social internet of things smart city solution for traffic and pollution monitoring in cagliari
CN110395245B (zh) 一种基于固定路线驾驶信息的混动汽车能量管理系统
CN110969861B (zh) 一种车辆识别方法、装置、设备及计算机存储介质
CN111612670A (zh) 一种构建机动车排放清单的方法、装置和计算机设备
CN107292417A (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
CN105761328A (zh) 基于数字地图的新能源汽车监控管理系统
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
Paľo et al. The comparison of automatic traffic counting and manual traffic counting
CN111144446A (zh) 一种基于时空网格的司机身份识别方法和系统
Cui et al. Design of highway intelligent transportation system based on the internet of things and artificial intelligence
CN117409584B (zh) 基于碳中和的新型智慧城市交通管理方法和系统
CN104700616B (zh) 城市交通压力预测方法及系统
CN111477012B (zh) 基于路况状态预测模型的溯源方法、装置和计算机设备
CN110879862B (zh) 基于物联网的车辆信息查询系统
CN117172461A (zh) 自动驾驶公交调度系统及基于客流预测的公交调度方法
Kishino et al. Datafying city: Detecting and accumulating spatio-temporal events by vehicle-mounted sensors
CN114407661B (zh) 基于数据驱动的电动车能耗预测方法、系统、设备及介质
Liu et al. Spatial analysis of bus rapid transit actual operating conditions: the case of Hangzhou City, China

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