CN114842349A - 一种基于信息技术的建筑施工环境保护方法和系统 - Google Patents

一种基于信息技术的建筑施工环境保护方法和系统 Download PDF

Info

Publication number
CN114842349A
CN114842349A CN202210763471.2A CN202210763471A CN114842349A CN 114842349 A CN114842349 A CN 114842349A CN 202210763471 A CN202210763471 A CN 202210763471A CN 114842349 A CN114842349 A CN 114842349A
Authority
CN
China
Prior art keywords
information
target
dust
dust removal
construction
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
CN202210763471.2A
Other languages
English (en)
Other versions
CN114842349B (zh
Inventor
张元刚
孙庆凯
邹晓东
赵鹏
刘红昌
陈香山
王维禄
张廷静
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.)
Shandong Expressway Dejian Construction Technology Co ltd
Original Assignee
Shandong Expressway Dejian Construction 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 Shandong Expressway Dejian Construction Technology Co ltd filed Critical Shandong Expressway Dejian Construction Technology Co ltd
Priority to CN202210763471.2A priority Critical patent/CN114842349B/zh
Publication of CN114842349A publication Critical patent/CN114842349A/zh
Application granted granted Critical
Publication of CN114842349B publication Critical patent/CN114842349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/08—Construction
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种基于信息技术的建筑施工环境保护方法和系统。该方法涉及扬尘监测领域，包括：确定施工区域中的至少一个目标地点；获取目标地点在目标时间段内的施工信息以及天气信息；基于目标地点、施工信息以及天气信息，确定目标地点在目标时间段内的预估扬尘信息；当预估扬尘信息满足预设条件时，基于预估扬尘信息，确定的除尘地点以及对应的目标除尘参数。本发明提供方法可以确定到施工区域各个目标地点的预估扬尘信息，统筹施工区域中各个目标地点的除尘措施，提高了对建筑施工环境的保护，避免了仅考虑单个地点而导致的扬尘情况预估不准以及除尘措施安排不当。

Description

一种基于信息技术的建筑施工环境保护方法和系统
技术领域
本说明书涉及扬尘监测领域，特别涉及一种基于信息技术的建筑施工环境保护方法和系统。
背景技术
施工扬尘是指建筑施工过程中排放的无组织颗粒物。扬尘是造成城市颗粒物污染的主要源头之一，也是我国大多数城市空气污染中首要的污染物。由于施工扬尘的排放高度一般较低，并且往往集中在人口密集的城市地区，因此施工扬尘对空气质量的影响日益受到关注。
因此，需要一种基于信息技术的建筑施工环境保护方法以实现对扬尘的及时处理。
发明内容
本说明书实施例之一提供一种基于信息技术的建筑施工环境保护方法，其特征在于，所述方法包括：确定施工区域中的至少一个目标地点；获取所述目标地点在目标时间段内的施工信息以及天气信息；基于所述目标地点、所述施工信息以及所述天气信息，确定所述目标地点在所述目标时间段内的预估扬尘信息；当所述预估扬尘信息满足预设条件时，基于所述预估扬尘信息，确定所述施工区域在所述目标时间段内的除尘地点以及所述除尘地点对应的目标除尘参数；当所述至少一个目标地点为多个目标地点时，所述基于所述目标地点、所述施工信息以及所述天气信息，确定目标地点在所述目标时间段内的预估扬尘信息，包括：基于扬尘预测模型对图结构数据进行处理，确定所述多个目标地点中的每一个在所述目标时间段内的所述预估扬尘信息，其中，所述扬尘预测模型为图神经网络模型，所述图结构数据包括多个节点以及多个边，每一所述节点对应于所述多个目标地点中的一个，每一所述边对应于与所述边对应的两个目标地点之间的位置关系，所述节点的节点特征包括与所述节点对应的目标地点的施工特征、天气特征以及第一时间段内的初始扬尘信息，所述施工特征基于所述目标地点的所述施工信息确定，所述天气特征基于所述目标地点的所述天气信息确定，所述初始扬尘信息基于扬尘确定模型对目标图像进行处理确定，所述目标图像为所述目标地点在所述第一时间段内的图像，所述边的边特征包括与所述边对应的两个目标地点之间的距离、方向以及间隔物信息。
本说明书实施例之一提供一种基于信息技术的建筑施工环境保护系统，其特征在于，所述系统包括地点确定模块、信息获取模块、扬尘预估模块以及参数确定模块；地点确定模块，用于确定施工区域中的至少一个目标地点；信息获取模块，用于获取所述目标地点在目标时间段内的施工信息以及天气信息；扬尘预估模块，用于基于所述目标地点、所述施工信息以及所述天气信息，确定所述目标地点在所述目标时间段内的预估扬尘信息。参数确定模块，用于当所述预估扬尘信息满足预设条件时，基于所述预估扬尘信息，确定所述施工区域在所述目标时间段内的除尘地点以及所述除尘地点对应的目标除尘参数；当所述至少一个目标地点为多个目标地点时，所述扬尘预估模块进一步用于：基于扬尘预测模型对图结构数据进行处理，确定所述多个目标地点中的每一个在所述目标时间段内的所述预估扬尘信息，其中，所述扬尘预测模型为图神经网络模型，所述图结构数据包括多个节点以及多个边，每一所述节点对应于所述多个目标地点中的一个，每一所述边对应于与所述边对应的两个目标地点之间的位置关系，所述节点的节点特征包括与所述节点对应的目标地点的施工特征、天气特征以及第一时间段内的初始扬尘信息，所述施工特征基于所述目标地点的所述施工信息确定，所述天气特征基于所述目标地点的所述天气信息确定，所述初始扬尘信息基于扬尘确定模型对目标图像进行处理确定，所述目标图像为所述目标地点在所述第一时间段内的图像，所述边的边特征包括与所述边对应的两个目标地点之间的距离、方向以及间隔物信息。
本说明书实施例之一提供一种基于信息技术的建筑施工环境保护装置，包括处理器，所述处理器用于执行如前述实施例中所述的基于信息技术的建筑施工环境保护方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如前述实施例中所述的基于信息技术的建筑施工环境保护方法。
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基于信息技术的建筑施工环境保护系统的应用场景示意图；
图2是根据本说明书一些实施例所示的基于信息技术的建筑施工环境保护系统的示例性模块图；
图3是根据本说明书一些实施例所示的基于信息技术的建筑施工环境保护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施工区域及目标地点的示意图；
图5是根据本说明书一些实施例所示的基于扬尘预测模型确定预估扬尘信息的示意图；
图6是根据本说明书一些实施例所示的扬尘预测模型的示意图；
图7是根据本说明书一些实施例所示的目标除尘参数的确定方法的示例性流程图；
其中，110、处理设备；120、网络；130、存储设备；140、施工区域；150、终端；1401、施工设备；1402、除尘设备；210、地点确定模块；220、信息获取模块；230、扬尘预估模块；240、参数确定模块；410、施工地点；420、预设地点；4301、第一检测点；4302、第二检测点；4303、第三检测点；4304、第四检测点；440、候选除尘地点；510、图结构数据；520、扬尘预测模型；530、各个目标地点在目标时间段内的预估扬尘信息；521、第一嵌入层；522、第二嵌入层；523、预测层；540、目标地点的相关数据；5401、目标地点1的相关数据；5402、目标地点2的相关数据。
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。
如本说明书和权利要求书中所示，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基于信息技术的建筑施工环境保护系统的应用场景示意图。
在一些实施例中，基于信息技术的建筑施工环境保护系统可以通过实施本说明书中披露的方法和/或过程确定施工扬尘信息并提供对应的除尘措施。
如图1所示，本说明书实施例所涉及基于信息技术的建筑施工环境保护系统的应用场景可以包括处理设备110、网络120、存储设备130、施工区域140以及终端150。在一些实施例中，应用场景中的组件可以经由网络120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连接存储设备130、施工区域140、终端150以访问信息和/或数据。又例如，处理设备110可以从施工区域140获取采集数据和/或信息，并对获取的数据和/或信息进行处理。
处理设备110可以用于处理与应用场景有关的信息和/或数据。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。例如，处理设备110可以基于施工情况与周边的地图确定施工区域140中的至少一个目标地点。再例如，处理设备110可以基于目标地点、施工信息以及天气信息，确定目标地点在目标时间段内的预估扬尘信息。
网络120可以连接应用场景的各组成部分和/或连接应用场景与外部资源部分。网络120使得应用场景的各组成部分之间，以及应用场景的各组成部分与应用场景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，例如，处理设备110可以通过网络120与天气系统、地图系统等数据库通信。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点、基站、交换点等。在一些实施例中，交换点可以是通信基站，例如，移动通信网络、互联网、局域网络（LAN）、广域网络（WAN）、无线局域网络（WLAN）等。在一些实施例中，网络120可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
存储设备130可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储处理设备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，存储设备130可以连接到网络120以与应用场景的至少一个组件（例如，处理设备110、施工区域140）通信。例如，存储设备130可以存储目标地点、施工信息以及天气信息等数据。在一些实施例中，存储设备130还可以可包括大容量存储器、可移除存储器等或其任意组合。
施工区域140可以指受施工扬尘影响的区域。例如，施工区域140可以包括正在执行施工任务的施工地点410。如图1所示，施工区域140可以包括施工设备1401以及除尘设备1402。关于施工区域140的更多内容可以参见图4及其相关描述。
施工设备1401可以指执行施工任务的建筑设备。例如，施工设备1401可以包括运输设备、铲车、起重机、商砼等建工设备。在施工设备1401执行施工任务时，可能会产生施工扬尘。例如，在混拌混凝土时，石灰石、砂石等建材可能随风逸散形成施工扬尘。在一些实施例中，施工区域140可以检测施工设备1401的施工情况以确定施工信息。
除尘设备1402可以指能实现除尘的设备。例如，除尘设备1402可以包括喷雾除尘设备、除尘网等设备。在一些实施例中，除尘设备1402可以与处理设备110通信连接，并响应于处理设备110的除尘要求，按照目标除尘参数执行除尘任务。
在一些实施例中，施工区域140还可以设置有图像采集装置（图未示出）等传感设备。传感设备可以直接或间接获取施工区域140的施工信息以及天气信息。例如，图像采集装置可以获取施工区域140内的目标图像并发送给处理设备110，以使处理设备110根据目标图像确定施工区域140内各个目标地点的实际扬尘情况。
终端150指用户所使用的一个或多个终端设备或软件。用户可以指施工区域140的施工人员，前述施工人员可以通过终端150对施工设备1401以及除尘设备1402进行控制。在一些实施例中，终端150可以是移动设备、平板计算机、笔记本电脑等或其任意组合。在一些实施例中，终端150可以通过网络120与应用场景中的其他组件交互。在一些实施例中，终端150可以是固定的和/或移动的智能设备，例如，终端150可以包括手机、平板电脑、膝上计算机等。
应当注意的是，应用场景仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。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，应用场景还可以包括数据库。又例如，应用场景可以在其他设备上实现以实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的基于信息技术的建筑施工环境保护系统的示例性模块图。
如图2所示，基于信息技术的建筑施工环境保护系统可以包括地点确定模块210、信息获取模块220、扬尘预估模块230以及参数确定模块240。
地点确定模块210可以用于施工区域140中的至少一个目标地点，其中，目标地点包括施工地点410以及预设地点420。关于目标地点的更多内容可以参见步骤310及其相关描述。
信息获取模块220可以用于获取目标地点在目标时间段内的施工信息以及天气信息。关于施工信息以及天气信息的更多内容可以参见如步骤320及其相关描述。
扬尘预估模块230可以用于基于目标地点、施工信息以及天气信息，确定目标地点在目标时间段内的预估扬尘信息。关于预估扬尘信息的更多内容可以参见步骤330及其相关描述。
参数确定模块240可以用于当所述预估扬尘信息满足预设条件时，基于预估扬尘信息，确定施工区域140在目标时间段内的除尘地点以及除尘地点对应的目标除尘参数。关于目标除尘参数的更多内容可以参见步骤340及其相关描述。
在一些实施例中，扬尘预估模块230可以进一步用于基于扬尘预测模型520对目标地点、施工信息以及天气信息进行处理，确定目标地点在目标时间段内的预估扬尘信息。关于扬尘预测模型520的更多内容可以参见图5及其相关描述。
在一些实施例中，参数确定模块240可以进一步用于根据预估扬尘信息从目标地点中确定除尘地点；根据所述预估扬尘信息从所述目标地点中确定所述除尘地点；获取所述除尘地点的至少一个候选除尘参数；针对每一个所述候选除尘参数，基于该候选除尘参数、所述预估扬尘信息、所述目标地点、所述施工信息以及所述天气信息，确定所述除尘地点对应的候选除尘信息；基于各个候选除尘参数及其对应的所述候选除尘信息，从所述至少一个候选除尘参数中确定所述目标除尘参数。关于确定目标除尘参数的更多内容可以参见图7及其相关描述。
在一些实施例中，预估扬尘信息包括目标地点的预估扬尘量以及扬尘置信度，参数确定模块240可以进一步用于基于预估扬尘量以及扬尘置信度，从目标地点中确定除尘地点。
本说明书一些实施例还提供一种基于信息技术的建筑施工环境保护装置，包括处理器，处理器用于执行一种基于信息技术的建筑施工环境保护方法。
本说明书一些实施例还提供一种计算机可读存储介质，存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行一种基于信息技术的建筑施工环境保护方法。
需要注意的是，以上对于基于信息技术的建筑施工环境保护系统及其模块的描述，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，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的地点确定模块210、信息获取模块220、扬尘预估模块230以及参数确定模块240可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。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一种基于信息技术的建筑施工环境保护方法的示例性流程图。在一些实施例中，该流程可以由处理设备110执行。如图3所示，该流程包括下述步骤：
步骤310，确定施工区域140中的至少一个目标地点。在一些实施例中，步骤310可以由地点确定模块210执行。
施工区域140可以指可能受施工扬尘影响的区域。例如，施工区域140可以包括以施工地点410为中心，距离施工地点410小于预设距离的区域。示例性地，施工区域140可以包括当前施工地点410周围5km以内的区域。其中，施工地点410可以指正在执行建筑物建筑工程的地点。
在一些实施例中，施工区域140中的预设距离可以根据实际情况进行调整。例如，当施工扬尘量大且风力等级较大时，扬尘的影响范围可能扩大，由此，可以扩大预设距离以扩大施工区域140。
目标地点可以指施工区域140内需要对扬尘进行检测的地点。在一些实施例中，目标地点可以包括施工地点410以及预设地点420。其中，施工地点410可以指施工区域140内产生施工扬尘的地点，例如，施工地点410可以包括施工中正在施工的建筑物、施工中的泥土道路等。预设地点420可以是预先设置的可能受到扬尘影响的重要地点。例如，可以包括施工区域140内的居民住宅区、居民活动区（如办公楼、公园等）。
在一些实施例中，施工地点410以及预设地点420可以根据施工区域140的相关数据确定。例如，地点确定模块210可以根据预先登记相关信息确定施工地点410以及预设地点420。示例性地，地点确定模块210可以根据预存的施工规划确定施工地点410，根据预存的城市规划信息或施工区域140的地图信息确定预设地点420。再例如，地点确定模块210可以从施工区域140的图像识别施工地点410以及预设地点420。其中，图像中施工项目的所在位置可以作为施工地点410，重要地点（如居民楼、库房等）可以作为预设地点420。
在一些实施例中，当地点确定模块210确定目标地点后，可以将该目标地点的位置信息、面积等信息与目标地点（如目标地点的ID）绑定。则确定目标地点后，即可根据目标地点确定该目标地点的位置信息。
在一些实施例中，目标地点还可以包括根据施工地点410的实际扬尘情况并结合当地的建筑规范确定的检测点。可以根据施工区域140的具体施工任务确定施工项目类型，并按照当地建筑规范选取检测点，并将前述检测点确定为目标地点。示例性地，对于一级评价项目，可以以监测期间的季节主导风向为轴向，以迎风方向为0°，分别在0°、45°、90°、135°、180°、225°、270°和315°的方向设置至少一个检测点，并在中心点（或主方向）下风方向密集地设置一个或三个检测点。
在一些实施例中，目标地点还可以包括候选除尘地点440。其中，候选除尘地点440可以设置在施工地点410与预设地点420（如居民住宅区）之间。候选除尘地点440具有执行除尘措施的能力（如存在执行除尘措施的外部条件），可以用于执行除尘措施以减少施工地点410产生的扬尘对预设地点420的影响。
在一些实施例中，候选除尘地点440可以在施工地点410与预设地点420大于预设距离（如3km）时，根据实际情况（如施工地点410产生的扬尘可能影响预设地点420时）设定。
如图4所示，施工区域140可以是施工地点410周围5km以内的区域。施工区域140中的目标地点可以包括施工地点410以及预设地点420。其中，预设地点420可以是施工区域140内的居民区（如居民小区）。施工区域140中的目标地点还可以包括设置在施工地点410周围的多个检测点。其中，检测点可以根据当地政策需要设置，以使施工扬尘的检测方法符合当地规定。如图4所示，检测点可以包括环设在施工地点410周围500m处的第一检测点4301、第二检测点4302、第三检测点4303、第四检测点4304。施工区域140中的目标地点还可以包括设置施工地点410与预设地点420之间的候选除尘地点440。
步骤320，获取目标地点在目标时间段内的施工信息以及天气信息。在一些实施例中，步骤320可以由信息获取模块220执行。
目标时间段可以指预设的未来的时间段。例如，目标时间段可以是当前的整点时刻（如5:00）至下一整点时刻（如6:00）的时间段。
在一些实施例中，目标时间段还可以包括多个子时间段。例如，可以以每日开始施工的时间为目标时间段的开始时间点，以每日停止施工的时间为目标时间段的终止时间点，并以15分钟作为子时间段的长度对每天的施工进行划分。
施工信息可以用于描述施工区域140中各个目标地点的施工情况。在一些实施例中，施工信息可以与扬尘的产生方式相关。例如，施工扬尘可以包括施工内部各种施工环节造成的一次扬尘，则施工信息可以包括产生一次扬尘的相关工程信息（如砂石用量、施工地点410、施工高度等）。再例如，施工扬尘还可以因施工运输车辆粘带泥土以及建筑材料逸散在工地外部道路上所造成的二次交通扬尘，则施工信息可以包括运输车辆的运输情况（如道路情况、运输标的等）。
在一些实施例中，目标地点的施工信息可以通过施工信息序列表征，其中，施工信息序列可以包括该目标地点在目标时间段内的各个子时间段的施工信息。
天气信息可以用于描述施工区域140内各个目标地点的天气情况。例如，天气信息可以包括温度、湿度、风向等气象指标。在一些实施例中，天气信息所选取的具体气象指标可以根据能影响施工扬尘情况的具体气象确定。例如，天气信息可以包括影响扬尘的覆盖范围的风向、风力等级以及影响扬尘颗粒大小的温度、湿度、降雨等。在一些实施例中，目标地点的天气信息可以通过天气信息序列表征，其中，天气信息序列可以包括该目标地点在目标时间段内的各个子时间段的天气信息。
在一些实施例中，施工区域140内在目标时间段的施工信息（如施工规划信息）以及天气信息（如天气预报信息）可以存储在外部数据库，信息获取模块220可以从对应的数据库中调用对应的信息。
在一些实施例中，可以通过施工区域140内的信息采集装置获取当前的施工信息以及天气信息，再根据当前的施工信息以及天气信息预估未来一段时间的施工信息以及天气信息。再例如，可以根据气象站内置的气象传感器（如风向传感器、温度传感器、湿度传感器等）获取天气信息。
步骤330，基于目标地点、施工信息以及天气信息，确定目标地点在目标时间段内的预估扬尘信息。在一些实施例中，步骤330可以由扬尘预估模块230执行。
预估扬尘信息可以指各个目标地点在目标时间段内的扬尘情况。例如，预估扬尘信息可以为预估扬尘情况序列，预估扬尘情况序列中可以包括目标时间点在目标时间段内各个子时间段的预估扬尘情况。
在一些实施例中，预估扬尘信息可以通过相关空气颗粒度（如PM2.5、PM10的相关指标）表征。例如，各个子时间段的预估扬尘信息包括该子时间段内PM2.5平均空气浓度、PM10平均空气浓度。
在一些实施例中，预估扬尘信息可以根据历史数据确定。例如，可以根据目标地点、施工信息以及天气信息调用该目标地点在施工信息以及天气信息相似时的历史数据，并根据前述历史数据中的历史扬尘信息确定预估扬尘信息。
在一些实施例中，可以基于扬尘预测模型520对目标地点、施工信息以及天气信息进行处理，确定目标地点在目标时间段内的预估扬尘信息。关于扬尘预测模型520的更多内容可以参见图4及其相关描述。
步骤340，当预估扬尘信息满足预设条件时，基于预估扬尘信息，确定施工区域140在目标时间段内的除尘地点以及除尘地点对应的目标除尘参数。在一些实施例中，步骤340可以由参数确定模块240执行。
预设条件可以指需执行除尘措施的执行条件。例如，预设条件可以包括扬尘阈值（如PM2.5的空气浓度阈值可以为115ug/m3），对应的预估扬尘信息（如预估扬尘量）大于扬尘阈值时，可以预估扬尘信息满足预设条件，应执行除尘措施。
在一些实施例中，不同类型的目标地点的预设条件可能不同。例如，对于施工地点410的扬尘阈值可能大于部分预设地点420的扬尘阈值。
除尘地点可以是在目标时间段内拟执行除尘措施的地点。例如，除尘地点可以包括是前述候选除尘地点440中的其中一个。再例如，除尘地点还可以是施工地点410以及各个预设地点420中的其中一个。
目标除尘参数可以是在除尘地点所执行的除尘措施的相关参数。其中，目标除尘参数可以包括选取的除尘措施以及对应除尘措施的具体参数。例如，目标除尘参数可以包括喷雾除尘以及喷雾除尘设备（如风送式喷雾机、降尘射雾机）的设备类型、数量、工作时间以及工作参数（如俯仰角、雾化程度、出水量、电机转速等）。再例如，目标除尘参数还可以包括物理除尘以及物理除尘设备的设置参数（如设置位置、数量、覆盖面积等）。
在一些实施例中，当目标地点的预估扬尘信息大于预设阈值时，可以将该目标地点作为除尘地点，并根据目标地点的情况确定目标除尘参数。例如，当某一目标地点的预估扬尘信息（如PM10的空气浓度）大于115ug/m3时，可以将该目标地点作为除尘地点。
在一些实施例中，目标除尘参数中的除尘措施根据目标地点的类型以及实际需要确定。例如，对于施工地点410的除尘措施可以包括主动式除尘措施（如喷雾除尘设备）以及物理被动除尘措施（如物理除尘设备），对于候选除尘地点440的除尘措施可以包括主动式除尘措施。再例如，为避免主动式除尘措施的噪声影响住户的居住体验，则预设地点420的除尘措施可以主要包括物理被动除尘措施。
在一些实施例中，目标除尘参数中除尘措施的具体参数可以基于预估扬尘信息与预设阈值确定。例如，在确定具体除尘措施后可以调整对应的除尘参数，并基于除尘参数预估执行除尘措施后的预估扬尘信息，当除尘后的预估扬尘信息小于预设阈值时，可以将该除尘参数作为目标除尘参数。再例如，可以根据历史数据中，扬尘信息类似的历史记录对应的除尘参数作为目标除尘参数。关于确定目标除尘参数的更多内容可以参见图6及其相关描述。
本说明书一些实施例提供的基于信息技术的建筑施工环境保护方法，可以预估施工区域140的目标地点在目标时间段内的预估扬尘信息并以此确定目标时间段内的除尘地点以及除尘地点对应的目标除尘参数，实现了对除尘过程的智能控制。此外，在预估扬尘情况时，以目标地点为分析对象，考虑到了目标地点的互相影响，进而提高了预估扬尘情况的精确度。
应当注意的是，上述有关流程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。
图5是根据本说明书一些实施例所示的基于扬尘预测模型520确定预估扬尘信息的示意图。
如图5所示，可以先基于各个目标地点的相关数据540构建图结构数据510，将图结构数据510输入扬尘预测模型520中，经扬尘预测模型520处理，确定各个目标地点在目标时间段内的预估扬尘信息530。其中，各个目标地点的相关数据540可以包括目标地点1的相关数据5401、目标地点2的相关数据5402等施工区域140内各个目标地点的相关数据。
目标地点的相关数据540可以包括目标节点、目标节点的施工信息以及天气信息。在一些实施例中，目标地点还可以包括该目标地点的位置信息、面积信息等。
如图5所示，图结构数据510可以包括节点与边。其中，图结构数据510中各个节点与各个目标地点对应，边可以在距离小于预设阈值的两个节点间构建。例如，图4中施工地点410与施工地点410周围的检测点（如第一检测点4301）之间的距离小于阈值时，在构建图结构数据510时，可以将施工地点410对应的节点与各个检测点相连。再例如，图4中施工地点410与预设地点420之间存在候选除尘地点440，则候选除尘地点440对应的节点可以分别与施工地点410对应的节点以及预设地点420对应的节点连接。
在一些实施例中，在基于目标地点的相关数据540构建图结构数据510时，可以基于目标地点确定图结构数据510的节点与边，再根据各个目标地点的施工信息以及天气信息确定图结构数据510中节点的特征以及边的特征。
节点的特征可以包括对应目标地点的相关特征信息。例如，节点的特征可以包括目标地点的施工特征、天气特征等。其中，各个目标地点的施工特征可以该目标地点的施工信息确定，可以用于描述该目标地点可能产生的扬尘量（如因施工而产生的扬尘量）。各个目标地点的天气特征可以基于该目标地点的天气信息确定，可以用于描述该目标地点的天气情况（如湿度、风向、风力等级等）。
边的特征可以描述对应目标节点之间的位置关系。例如，边的特征可以包括边所连接的两个节点之间的距离、方向等信息。在一些实施例中，边的特征可以根据节点对应的目标地点确定。例如，可以根据边连接的两个节点对应的目标地点确定目标地点的位置信息，进而确定两个目标地点之间的相对距离以及相对方向以作为边的特征。
在一些实施例中，边的特征还可以包括节点之间的间隔物信息。其中，节点之间的间隔物可以指在对应的两个目标地点之间的存在的影响扬尘传播的间隔物品。例如，间隔物可以包括泥土地、防风林、建筑物等。在一些实施例中，可以根据节点之间的具体间隔物以确定间隔物信息。例如，间隔物信息包括有无间隔物、间隔物的类型、间隔物的扩散属性，其中，间隔物的扩散属性可以间隔物对扬尘的影响情况。例如，扬尘经过防风林后扬尘量可能减少扬尘，扬尘经过泥土地后扬尘量可能增加。
在一些实施例中，扬尘预测模型520可以是训练好的图形神经网络(Graph NeuralNetwork, GNN)。扬尘预测模型520的输入可以是图结构数据510，输出可以是图结构数据510中各个目标地点在目标时间段内的预估扬尘信息530，即目标地点的预估扬尘信息。
在一些实施例中，扬尘预测模型520可以基于历史数据对初始扬尘预测模型进行训练获取。历史数据可以包括训练历史以及训练标签。其中，训练历史可以包括基于历史时间段的多个目标地点对应的历史施工信息以及历史天气信息构建的历史图结构数据。训练历史的标签可以该历史时间段的历史实际扬尘信息。其中，历史实际扬尘信息可以是通过传感器、图像分析等手段确定历史时间段的实际扬尘情况（如历史时间段的PM2.5的空气浓度）。
在训练时，可以根据历史时间段的目标地点构建历史图数据结构的节点、边以及边的特征，再根据历史时间段的目标地点对应的历史施工信息以及历史天气信息确定各个目标地点的历史节点的特征，以确定该历史时间段的历史图结构数据。将历史图数据结构输入初始扬尘预测模型，根据初始扬尘预测模型的输出与历史实际扬尘信息构建损失函数，再根据损失函数迭代更新初始扬尘预测模型的参数，直到满足预设条件，获得训练好的扬尘预测模型520。预设条件可以包括迭代次数阈值、误差阈值等。
在一些实施例中，当边的特征可以包括节点之间的间隔物信息时，训练样本还可以包括各个目标地点之间的间隔物。在构建历史图数据结构时，可以根据历史时间段的目标地点之间的间隔物构建训练图数据结构的边的特征，其余训练部分参考前述扬尘预测模型520的训练过程，此处不再赘述。
在一些实施例中，节点的特征还可以包括第一时间段内的初始扬尘信息，其中，初始扬尘信息可以反应在第一时间段内的施工区域140的实际扬尘情况。第一时间段是在目标时间段之前的预设时间段。例如，第一时间段可以是目标时间段的前15分钟。示例性地，当目标时间段为可以是6:00~7:00。则第一时间段可以为5:45~6:00。在一些实施例中，扬尘预测模型520可以基于图结构数据510确定扬尘信息的变化情况（如PM2.5空气浓度的增加量或减少量）并结合初始扬尘信息以确定预估扬尘信息。
在一些实施例中，节点的特征可以体现为相对于初始扬尘信息的变化情况。例如，天气特征可以表现为相对于第一时间段该节点天气的变化（如温度变化、湿度变化、风力等级变化、风向变化等）。
在一些实施例中，第一时间段内的初始扬尘信息可以基于设置在施工区域140内的扬尘传感器在第一时间段内检测的扬尘数据（如PM2.5的空气浓度、PM10的空气浓度）确定。
在一些实施例中，第一时间段内的初始扬尘信息可以基于目标地点的图像确定。即，可以先获取目标地点在第一时间段内的目标图像，基于扬尘确定模型对目标图像进行处理，确定目标地点在第一时间段内的初始扬尘信息。
在一些实施例中，扬尘确定模型中可以包含用于确定初始扬尘信息的嵌入层。关于包含嵌入层的扬尘确定模型的更多内容可以参见图6及其相关描述。
图6是根据本说明书一些实施例所示的扬尘预测模型520的示意图。
如图6所示，扬尘预测模型520可以包括第一嵌入层521、第二嵌入层522以及预测层523。在基于扬尘预测模型520确定各个目标地点的预估扬尘信息时，可以将第一时间段内的目标图像序列输入第一嵌入层521以确定各个节点在第一时间段内的初始扬尘信息（也可以记作第一特征序列），可以将目标地点以及对应的第一特征序列、施工信息、天气信息输入第二嵌入层522以确定各个节点的特征（也可以记作第二特征序列），接着根据节点的特征以及目标地点确定图结构数据510，最后将图结构数据510输入预测层523以确定预测层523中各个目标地点在目标时间段内的预估扬尘信息530。
第一嵌入层521可以用于确定初始扬尘信息，其输入可以为各个目标地点在第一时间段内的目标图像序列，输出可以为各个目标地点在第一时间段内的初始扬尘信息。在一些实施例中，各个节点在第一时间段内的初始扬尘信息可以记作第一特征序列，其中，每一个第一特征序列可以反应对应目标地点在目标时间段的初始扬尘信息。在一些实施例中，第一嵌入层521可以基于图像识别算法构建。第一嵌入层521可以是卷积神经网络（Convolutional Neural Networks, CNN）模型。
第二嵌入层522可以用于确定节点的特征，其输入可以为各个目标地点的施工信息、天气信息以及第一特征序列，输出为各个目标地点的节点的特征，各个节点的特征可以表征为第二特征序列，其中，每一个第二特征序列可以反应对应目标地点的节点的特征（如施工特征、天气特征）。在一些实施例中，第二嵌入层522可以根据特征提取算法构建。第二嵌入层522可以是循环神经网络（Recurrent Neural Network, RNN）模型、长短期记忆网络（LSTM，Long Short-Term Memory）或其他序列模型。
预测层523可以用于确定各个目标地点在目标时间段内的预估扬尘信息530。在一些实施例中，预测层523可以是图5中扬尘预测模型520。关于预测层523的更多内容可以参见图5及其相关描述。
在一些实施例中，第一嵌入层521、第二嵌入层522以及预测层523可以通过联合训练确定。可以通过对初始扬尘预测模型进行训练以确定第一嵌入层521、第二嵌入层522以及预测层523。初始扬尘预测模型可以包括初始第一嵌入层、初始第二嵌入层以及初始预测层。初始第一嵌入层可以是未设置参数的第一嵌入层521。初始第二嵌入层可以是未设置参数的第二嵌入层522。初始预测层可以是未设置参数的预测层523。初始扬尘预测模型的内部结构（如内部数据流向）与扬尘预测模型520相同。
在基于历史数据对初始扬尘预测模型进行训练时，初始第一嵌入层、初始第二嵌入层以及初始预测层的参数可以随训练而迭代更新。在一些实施例中，历史数据可以包括训练样本以及训练标签。训练样本可以包括多个历史时间段的目标地点、施工信息、天气信息以及该历史时间段之前的目标图像序列；训练标签可以包括该历史时间段的历史实际扬尘信息。在训练时，可以参考前述基于扬尘预测模型520确定各个目标地点的预估扬尘信息的过程将训练样本分别输入初始扬尘预测模型对应的各层，并通过初始扬尘预测模型对应的各层进行处理以确定初始扬尘预测模型的输出，再基于初始扬尘预测模型的输出与标签迭代初始扬尘预测模型直到满足预设条件训练结束，获得训练好的扬尘预测模型。其中，初始扬尘预测模型内部数据的流向可以参见前述扬尘预测模型520的内部结构，在此不再赘述。
图7是根据本说明书一些实施例所示的目标除尘参数的确定方法的示例性流程图。在一些实施例中，该流程可以由参数确定模块240执行。如图7所示，该流程可以包括如下步骤：
步骤710，根据预估扬尘信息从目标地点中确定除尘地点。
在一些实施例中，可以根据各个目标地点的预估扬尘信息是否满足对应预设条件，从目标地点中确定除尘地点。例如，可以判断预估扬尘信息的预估扬尘量是否大于阈值确定是否将该目标地点确定为除尘地点。其中，预估扬尘量大于阈值可以认为满足对应预设条件，即可以将该目标地点作为除尘地点。反之则不满足预设条件，对应的目标地点不能作为除尘地点。
在一些实施例中，预估扬尘信息包括目标地点的预估扬尘量以及扬尘置信度。其中，预估扬尘量可以反应该目标地点的在目标时间段的扬尘情况。例如，某一目标地点的预估扬尘量（如PM2.5的空气浓度）可以为500ug/m3，表示每立方米的空气存在500ug可吸入灰尘。扬尘置信度可以指该目标地点的预估扬尘量的可信程度。
在一些实施例中，扬尘置信度可以根据施工信息以及天气信息等信息的采集精度、采集频次以及扬尘预测模型520的模型置信度中的至少一种确定。其中，扬尘预测模型520的模型置信度可以指扬尘预测模型520在基于历史数据测试时预估扬尘信息与真实扬尘信息的准确度。采集精度、采集频次可以根据阈值确定置信度。例如，每5min采集一次数据的置信度可以为1，若采集频率低于该数值则降低对应的置信度。再例如，采集精度可以通过采集到的图像（如第一时间段内的目标图像）像素表征，则对应的如采集到的图像的分辨率大于阈值（如1080p）则置信度为1，若采集精度低于该数据则可以降低对应的置信度。
在一些实施例中，扬尘置信度可以根据施工信息以及天气信息等信息的采集精度、采集频次以及扬尘预测模型520的模型置信度综合确定。例如扬尘置信度可以是各个置信度的加权和。
在一些实施例中，可以基于预估扬尘量以及扬尘置信度，从目标地点中确定除尘地点。例如，当预估扬尘量（如PM2.5的空气浓度）大于预设阈值（如115ug/m3）且扬尘置信度大于预设阈值（如0.8）可以将对应的目标地点确定为除尘地点。
在一些实施例中，考虑到除尘地点采取除尘措施后，可能影响其他目标地段的预估扬尘信息，则可以根据扬尘的传播顺序确定目标地点的除尘优先级，并根据除尘优先级依次选定所述目标地点作为所述除尘地点。例如，可以先确定施工区域140内的各个能产生扬尘的施工地点410。再结合天气信息确定扬尘的传播方向从而确定扬尘传播到各个目标地点的顺序，并根据该传播顺序确定除尘优先级。例如，对于图4中的施工地点410、预设地点420以及候选除尘地点440，施工地点410会产生扬尘，当扬尘随风向预设地点420传播时，可以先途径候选除尘地点440再到达预设地点420，则除尘优先级为施工地点410高于候选除尘地点440高于预设地点420。
在一些实施例中，当基于除尘优先级确定目标地点时，可以判断预估扬尘量大于预设阈值且扬尘置信度大于预设阈值的各个目标地点，并从中确定除尘优先级最高的一个或多个目标地点作为目标时间段的除尘地点。
步骤720，获取除尘地点的至少一个候选除尘参数。
候选除尘参数可以指各个除尘措施的具体除尘参数。其中，候选除尘参数可以根据执行过的除尘措施设置。例如，候选除尘参数可以是历史数据中已经执行过的除尘措施的具体除尘参数。
在一些实施例中，候选除尘参数也可以根据实际情况对预设的参数进行调节从而确定。例如，当除尘措施的除尘效果不好时，可以调整（如随机调整）除尘方案的各个参数，以确定多个候选除尘参数。
在一些实施例中，候选除尘参数可以基于除尘地点的相关数据从本地或互联网中的除尘方案中进行匹配。例如，可以将除尘地点的相关数据（如施工特征、天气特征）与各个本地或互联网中的除尘措施的对应数据比对，将匹配的除尘措施所涉及的具体除尘参数作为候选除尘参数。其中，数据相似可以指除尘地点的相关数据与对应数据的向量距离（如欧氏距离）满足预设条件。例如，当1/（1+向量距离）的值大于预设阈值（如0.7）时，除尘地点的相关数据与除尘方案的对应数据相似。
步骤730，针对每一个候选除尘参数，基于该候选除尘参数、预估扬尘信息、目标地点、施工信息以及天气信息，确定除尘地点对应的候选除尘信息。
候选除尘信息可以反应在除尘地点执行候选除尘参数后的扬尘情况。例如，候选除尘信息可以包括该除尘地点基于候选除尘参数执行对应的除尘措施后的除尘效果。其中，除尘效果可以反应候选除尘参数的除尘情况。例如，除尘效果可以通过执行除尘措施前后的扬尘变化量确定（如PM2.5的空气浓度减小量）。
在一些实施例中，候选除尘信息可以通过执行候选除尘参数后的第二时间段后的除尘效果表征。其中，第二时间段可以指基于候选除尘参数执行对应的除尘措施后的一段时间。例如，可以是执行该候选除尘方案后的15分钟。
在一些实施例中，除尘评估模型可以基于历史数据训练。训练样本可以为历史数据中执行除尘措施前的历史实际扬尘信息、历史施工信息、历史天气信息以及所执行的除尘措施的具体参数。训练样本的标签可以是执行除尘措施后的历史实际扬尘信息。例如，历史数据可以包括在5:00~6:00所执行的除尘措施相关数据，其中，基于该历史数据构建的训练样本可以包括5:00时的实际扬尘信息、5:00~6:00的施工信息以及天气信息以及5:00~6:00所执行的除尘措施的具体参数。训练样本的标签可以是6:00时的实际扬尘信息。
在训练时，可以将训练样本输入初始除尘评估模型，根据模型输出与标签对初始除尘评估模型进行训练，直至训练完成，并将训练好的初始除尘评估模型作为前述除尘评估模型。其中，初始除尘评估模型可以是未设置参数的除尘评估模型。
步骤740，基于各个候选除尘参数及其对应的候选除尘信息，从至少一个候选除尘参数中确定目标除尘参数。
在一些实施例中，可以根据候选除尘信息从候选除尘参数中确定目标除尘参数。例如，可以根据候选除尘信息判断是否满足除尘要求（如除尘后预估扬尘量是否小于预设阈值），再根据候选除尘参数确定执行成本，将满足除尘要求且执行成本最低的候选除尘方案的具体除尘参数作为目标除尘参数。
在一些实施例中，考虑到执行目标除尘方案后，经过该除尘地点飘向其他目标地点的扬尘会变化，进而影响后续目标地点的扬尘情况。则可以在确定除尘地点的目标除尘参数后，将该除尘地点的候选扬尘信息（如除尘效果）作为节点的特征（如施工特征）并更新预估扬尘信息。再基于预估扬尘信息确定下一除尘优先级的除尘地点直到各个目标地点的预估扬尘信息均满足预设条件，例如，各个目标地点的预估扬尘量均小于对应的预设阈值（如PM2.5的空气浓度阈值为115ug/m3）。
在一些实施例中，考虑到目标地点的扬尘可能因为除尘措施而减少，在构建图结构数据510时，施工特征可以包括目标地点可能除去的扬尘量（如因执行除尘措施而产生的扬尘量减少）。例如，施工特征可以通过一个特征值表征。该特征值为正数时，表示该目标地点可能产生该特征值的扬尘量。该特征值为负数时，表示该目标地点可能减少该特征值的扬尘量。
本说明书所披露的一个或多个实施例可能带来的有益效果包括但不限于：（1）可以预估施工区域140的目标地点在目标时间段内的预估扬尘信息并以此确定目标时间段内的除尘地点以及除尘地点对应的目标除尘参数，实现了对除尘过程的智能控制。（2）在预估扬尘情况时，以目标地点为分析对象，考虑到了目标地点的互相影响，进而提高了预估扬尘情况以及除尘措施的精确度；（3）可以模拟候选除尘参数的实际除尘效果，进而提高了目标除尘参数的效果。（4）还考虑到了除尘地点除尘后对其他地点的影响，并根据除尘优先级进行迭代计算，进而提高了除尘措施的利用率。
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 (8)

1.一种基于信息技术的建筑施工环境保护方法，其特征在于，所述方法包括：
确定施工区域中的至少一个目标地点；
获取所述目标地点在目标时间段内的施工信息以及天气信息；
基于所述目标地点、所述施工信息以及所述天气信息，确定所述目标地点在所述目标时间段内的预估扬尘信息；
当所述预估扬尘信息满足预设条件时，基于所述预估扬尘信息，确定所述施工区域在所述目标时间段内的除尘地点以及所述除尘地点对应的目标除尘参数；
当所述至少一个目标地点为多个目标地点时，所述基于所述目标地点、所述施工信息以及所述天气信息，确定目标地点在所述目标时间段内的预估扬尘信息，包括：
基于扬尘预测模型对图结构数据进行处理，确定所述多个目标地点中的每一个在所述目标时间段内的所述预估扬尘信息，其中，所述扬尘预测模型为图神经网络模型，所述图结构数据包括多个节点以及多个边，
每一所述节点对应于所述多个目标地点中的一个，
每一所述边对应于与所述边对应的两个目标地点之间的位置关系，
所述节点的节点特征包括与所述节点对应的目标地点的施工特征、天气特征以及第一时间段内的初始扬尘信息，所述施工特征基于所述目标地点的所述施工信息确定，所述天气特征基于所述目标地点的所述天气信息确定，所述初始扬尘信息基于扬尘确定模型对目标图像进行处理确定，所述目标图像为所述目标地点在所述第一时间段内的图像，
所述边的边特征包括与所述边对应的两个目标地点之间的距离、方向以及间隔物信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述预估扬尘信息，确定所述施工区域在所述目标时间段内的除尘地点以及所述除尘地点对应的目标除尘参数，包括：
根据所述预估扬尘信息从所述目标地点中确定所述除尘地点；
获取所述除尘地点的至少一个候选除尘参数；
针对每一个所述候选除尘参数，基于所述候选除尘参数、所述预估扬尘信息、所述目标地点、所述施工信息以及所述天气信息，确定所述除尘地点对应的候选除尘信息；
基于各个候选除尘参数及其对应的所述候选除尘信息，从所述至少一个候选除尘参数中确定所述目标除尘参数。
3.根据权利要求2所述的方法，其特征在于，所述预估扬尘信息包括所述目标地点的预估扬尘量以及扬尘置信度，所述根据所述预估扬尘信息从所述目标地点中确定所述除尘地点，包括：
基于所述预估扬尘量以及所述扬尘置信度，从所述目标地点中确定所述除尘地点。
4.一种基于信息技术的建筑施工环境保护系统，其特征在于，所述系统包括：
地点确定模块，用于确定施工区域中的至少一个目标地点；
信息获取模块，用于获取所述目标地点在目标时间段内的施工信息以及天气信息；
扬尘预估模块，用于基于所述目标地点、所述施工信息以及所述天气信息，确定所述目标地点在所述目标时间段内的预估扬尘信息；
参数确定模块，用于当所述预估扬尘信息满足预设条件时，基于所述预估扬尘信息，确定所述施工区域在所述目标时间段内的除尘地点以及所述除尘地点对应的目标除尘参数；
当所述至少一个目标地点为多个目标地点时，所述扬尘预估模块进一步用于：
基于扬尘预测模型对图结构数据进行处理，确定所述多个目标地点中的每一个在所述目标时间段内的所述预估扬尘信息，其中，所述扬尘预测模型为图神经网络模型，所述图结构数据包括多个节点以及多个边，
每一所述节点对应于所述多个目标地点中的一个，
每一所述边对应于与所述边对应的两个目标地点之间的位置关系，
所述节点的节点特征包括与所述节点对应的目标地点的施工特征、天气特征以及第一时间段内的初始扬尘信息，所述施工特征基于所述目标地点的所述施工信息确定，所述天气特征基于所述目标地点的所述天气信息确定，所述初始扬尘信息基于扬尘确定模型对目标图像进行处理确定，所述目标图像为所述目标地点在所述第一时间段内的图像，
所述边的边特征包括与所述边对应的两个目标地点之间的距离、方向以及间隔物信息。
5.根据权利要求4所述的系统，其特征在于，所述参数确定模块进一步用于：
根据所述预估扬尘信息从所述目标地点中确定所述除尘地点；
获取所述除尘地点的至少一个候选除尘参数；
针对每一个所述候选除尘参数，基于所述候选除尘参数、所述预估扬尘信息、所述目标地点、所述施工信息以及所述天气信息，确定所述除尘地点对应的候选除尘信息；
基于各个候选除尘参数及其对应的所述候选除尘信息，从所述至少一个候选除尘参数中确定所述目标除尘参数。
6.根据权利要求5所述的系统，其特征在于，所述预估扬尘信息包括所述目标地点的预估扬尘量以及扬尘置信度，所述参数确定模块进一步用于：
基于所述预估扬尘量以及所述扬尘置信度，从所述目标地点中确定所述除尘地点。
7.一种基于信息技术的建筑施工环境保护装置，包括处理器，所述处理器用于执行权利要求1~3中任一项所述的基于信息技术的建筑施工环境保护方法。
8.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1~3任一项所述的基于信息技术的建筑施工环境保护方法。
CN202210763471.2A 2022-07-01 2022-07-01 一种基于信息技术的建筑施工环境保护方法和系统 Active CN114842349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210763471.2A CN114842349B (zh) 2022-07-01 2022-07-01 一种基于信息技术的建筑施工环境保护方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210763471.2A CN114842349B (zh) 2022-07-01 2022-07-01 一种基于信息技术的建筑施工环境保护方法和系统

Publications (2)

Publication Number Publication Date
CN114842349A true CN114842349A (zh) 2022-08-02
CN114842349B CN114842349B (zh) 2022-09-06

Family

ID=82574280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210763471.2A Active CN114842349B (zh) 2022-07-01 2022-07-01 一种基于信息技术的建筑施工环境保护方法和系统

Country Status (1)

Country Link
CN (1) CN114842349B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116392916A (zh) * 2023-06-09 2023-07-07 西安多普多信息科技有限公司 降尘方法和系统
CN116976758A (zh) * 2023-09-25 2023-10-31 四川公路桥梁建设集团有限公司 一种高海拔地区工程质量管理系统与方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205200A1 (zh) * 2017-05-11 2018-11-15 深圳市柘叶红实业有限公司 工地扬尘远程监控管理系统和管理方法
CN112149543A (zh) * 2020-09-16 2020-12-29 北京工业大学 一种基于计算机视觉的建筑扬尘识别系统与方法
CN113769519A (zh) * 2021-11-15 2021-12-10 辽博信息科技(山东)有限公司 一种建筑工地的智能降尘控制方法及系统
CN114429315A (zh) * 2022-04-06 2022-05-03 成都秦川物联网科技股份有限公司 一种智慧城市扬尘污染管理方法和物联网系统
CN114626580A (zh) * 2022-02-25 2022-06-14 湖北盛际科技有限公司 一种建筑工地扬尘浓度预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205200A1 (zh) * 2017-05-11 2018-11-15 深圳市柘叶红实业有限公司 工地扬尘远程监控管理系统和管理方法
CN112149543A (zh) * 2020-09-16 2020-12-29 北京工业大学 一种基于计算机视觉的建筑扬尘识别系统与方法
CN113769519A (zh) * 2021-11-15 2021-12-10 辽博信息科技(山东)有限公司 一种建筑工地的智能降尘控制方法及系统
CN114626580A (zh) * 2022-02-25 2022-06-14 湖北盛际科技有限公司 一种建筑工地扬尘浓度预测方法及系统
CN114429315A (zh) * 2022-04-06 2022-05-03 成都秦川物联网科技股份有限公司 一种智慧城市扬尘污染管理方法和物联网系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116392916A (zh) * 2023-06-09 2023-07-07 西安多普多信息科技有限公司 降尘方法和系统
CN116392916B (zh) * 2023-06-09 2023-09-01 西安多普多信息科技有限公司 降尘方法和系统
CN116976758A (zh) * 2023-09-25 2023-10-31 四川公路桥梁建设集团有限公司 一种高海拔地区工程质量管理系统与方法
CN116976758B (zh) * 2023-09-25 2023-12-19 四川公路桥梁建设集团有限公司 一种高海拔地区工程质量管理系统与方法

Also Published As

Publication number Publication date
CN114842349B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN114842349B (zh) 一种基于信息技术的建筑施工环境保护方法和系统
CN113769519B (zh) 一种建筑工地的智能降尘控制方法及系统
CN106097755A (zh) 用于识别泊车场地和/或空出场地的方法
CN109116444B (zh) 基于PCA-kNN的空气质量模式PM2.5预报方法
CN110738354B (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN113642263B (zh) 基于北斗网格的空气质量预警方法和装置
CN114429315B (zh) 一种智慧城市扬尘污染管理方法和物联网系统
CN110705830B (zh) 风险评估方法、装置以及服务器
Sfetsos et al. A new methodology development for the regulatory forecasting of PM10. Application in the Greater Athens Area, Greece
CN115481987B (zh) 智慧城市街道管理方法、物联网系统、装置和存储介质
CN115796423A (zh) 一种基于物联网监测缓解城市扬尘的方法及系统
CN115375522A (zh) 智慧城市碳中和数据分析系统
WO2019224545A2 (en) A system for detecting air pollution
CN117708617A (zh) 基于多源大数据及污染特征时空匹配的大气污染溯源方法
CN108802042A (zh) 一种陶瓷催化剂载体缺陷检测方法、装置及电子设备
CN114822709A (zh) 大气污染多粒度精准成因分析方法及装置
CN116757366B (zh) 高污染排放污染源选址的方法、装置、介质及电子设备
Alsaedi et al. Spatial and temporal data analysis with deep learning for air quality prediction
CN112052339A (zh) 基于知识图谱的目标轨迹预测方法、系统及存储介质
CN115757534A (zh) 基于潜在源贡献分析的深度学习模型的空气质量预测方法
CN110177339B (zh) 一种od矩阵构建方法及装置
Dunea et al. Comparing statistical and neural network approaches for urban air pollution time series analysis
CN109615187A (zh) 一种od矩阵的评估方法、公交负载模拟方法及装置
CN112163742B (zh) 一种宅基地整治潜力预测方法
CN109857976B (zh) 控制站传输影响模型建立方法、装置、设备及存储介质

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