CN114997646A - 基于手机信令数据的大气污染健康风险实时动态评价方法 - Google Patents

基于手机信令数据的大气污染健康风险实时动态评价方法 Download PDF

Info

Publication number
CN114997646A
CN114997646A CN202210619902.8A CN202210619902A CN114997646A CN 114997646 A CN114997646 A CN 114997646A CN 202210619902 A CN202210619902 A CN 202210619902A CN 114997646 A CN114997646 A CN 114997646A
Authority
CN
China
Prior art keywords
time
concentration
outdoor
real
formula
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.)
Pending
Application number
CN202210619902.8A
Other languages
English (en)
Inventor
李晓
余琦
马蔚纯
戴晓燕
何礼
黎婧倩
邱江
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN202210619902.8A priority Critical patent/CN114997646A/zh
Publication of CN114997646A publication Critical patent/CN114997646A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于手机信令数据的大气污染健康风险实时动态评价方法，首先利用手机信令数据提取并分析用户‑时间‑位置‑行为状态信息；然后结合对应时间位置下的大气污染物浓度，计算出个体和人群的暴露浓度；最后基于空气质量健康指数(AQHI)原理进行个体和人群的大气污染健康实时动态风险评价。该方法提高了个体和人群暴露浓度的时空分辨率，在一定程度上解决了现有的大气污染健康风险评价中使用环境污染物浓度替代实际暴露浓度的问题和实效滞后性问题，实现了实时动态的大气污染健康风险评价，能够在高时空分辨率下更加便捷直观地展示大气污染健康风险的时空演变情况，为用户外出活动提供更加及时精确的参考和指导。

Description

基于手机信令数据的大气污染健康风险实时动态评价方法
技术领域
本发明数据处理领域，具体涉及一种基于手机信令数据的大气污染健康风险实时动态评价方法。
背景技术
大气污染是大量的污染物排放到大气中，并对人类、其他生物和自然环境造成危害的过程。大气污染对人体健康有着不利影响，短期或长期暴露在大气污染环境会损伤人体呼吸系统、心血管系统和中枢神经系统等重要部位，严重时甚至威胁生命。大气污染已经成为全世界面临的主要环境问题和公共卫生问题之一。
大气污染健康风险评价是把大气污染程度与人体健康联系起来的评价方法，通过估算污染物对人体发生不良影响的概率来评价暴露于污染物中人体健康所受的影响，常常以风险度作为评价指标，综合定性、定量评估大气污染物作用于人体所产生的有害健康效应。目前常用的评估方法有：空气污染指数(API，Air Pollution Index)、空气质量指数(AQI，Air Quality Index)和空气质量健康指数(AQHI，Air Quality Health Index)等等。
API是反映大气污染水平的重要指标，根据大气质量标准和各项污染物对人体健康和生态环境的影响，将常规监测的几种大气污染物浓度简化成为单一的概念性指数值形式，将大气污染程度和空气质量状况分级表征，适合于表示城市的短期大气质量状况和变化趋势，仅能体现主要污染物的污染程度，不能反映多种污染物同时超标的特点。
AQI釆用分段线性函数将每日或某时的大气污染物浓度转换为易于理解的指数形式，并将空气质量分为若干层级，提供相应的健康信息。目前不同国家和地区在计算AQI时采用了不同的分级方案，主要包括三种类型：第一类是通过线性插值方法将指数范围设定为0～500内的离散变化量，并据此进行级别分类，例如美国、中国和泰国等；第二类是直接使用污染物浓度与浓度限值标准的比值计算指数，再进行分类，如澳大利亚、加拿大等；第三类是直接根据污染物浓度范围划定级别，例如英国、日本和德国等。虽然各国分级方案和方法不同，但最后都是以不同的级别和颜色来表征空气质量状况。另外，美国、中国和英国在健康提示中对敏感人群和一般人群进行分类考虑。AQI能够表示一种或多种大气污染物在不同的临界平均时期内的水平，通常采用国家空气质量标准作为指标的参考。但是，AQI以分指数最高的污染物水平来反映空气质量，不能反映多种大气污染物的综合健康影响或联合效应，忽略了不同地区大气污染物对健康结局的暴露反应关系特征的差异，不能揭示大气污染物和健康风险之间的线性无阈值浓度反应关系。
AQHI直接将人群流行病学观察到的多个污染物健康效应指数化，估算暴露于环境大气污染中人群的健康风险。AQHI数值越高，健康风险越大。AQHI的构建是通过分析大气污染和健康情况之间的关系，应用时间序列分析方法算出主要大气污染物的暴露—反应关系系数，然后计算其超额死亡率风险和超额就诊率风险的总和。AQHI可对大气污染混合物的短期健康影响做出整体评估，向普通人群以及易受大气污染危害的风险人群的活动提供建议，以减少暴露于大气污染而引发的疾病。
上述方法会受到大气污染物浓度监测数据的影响，通常时间分辨率较高，为每小时或者每天；但是，空间分辨率较差，只能反映监测站点附近的大气污染水平，没有考虑到人体暴露时间、暴露频率等影响，不能反映各种微环境下人体的真实暴露水平，也无法实现真正意义上的大气污染健康风险实时动态评价。
发明内容
为解决上述问题，提供一种基于手机信令数据的高空间分辨率大气污染健康实时动态风险评价方法，本发明采用了如下技术方案：
本发明提供了一种基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于，包括：步骤S1，采集手机信令数据构建数据集，并对该数据集进行预处理得到用户-时间-位置-行为状态数据集；步骤S2，对大气污染物进行浓度时空分布模拟，生成对应的浓度实时分布空间数据集；步骤S3，以待测用户输入的手机号码和时间信息作为索引信息，从用户-时间-位置-行为状态数据集中提取与索引信息相关联的暴露特征数据；步骤S4，基于暴露特征数据计算该用户在任一位置的停留时间，并结合浓度实时分布空间数据集计算个体实时污染物暴露浓度；步骤S5，基于个体实时污染物暴露浓度，通过空气质量健康指数公式进行个体实时大气污染健康风险的评价，从而获取该用户的个体实时大气污染健康风险数据集，该大气污染健康风险数据集至少包括时间、经纬度信息、AQHI值、健康风险等级、颜色和建议6项指标。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，预处理依次为去除噪声、异常漂移修正、室内外识别。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，去除噪声为：遍历整个数据集，根据各个数据表中字段“imsi”连接并排序；将数据表中的时间单位从毫秒转换为真实时间；删除数据集中缺失且无法补全的数据，以及包含空值的信令；对于所有字段完全相同的连续信令，保留重复数据中的首条信令，并删除其他值，从而得到去除噪声数据集。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，异常漂移修正为：输入去除噪声数据集，依据字段“imsi”提取用户的轨迹点字段；将提取的同一用户的轨迹点依据开始时间排序；计算同一用户不同轨迹点之间的距离，最终得到去漂移数据集。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，室内外识别的过程如下：步骤S1-1，输入去漂移数据集，根据字段“odStatus”判断行为类型，行为类型包括驻留和出行；步骤S1-2，若为出行状态，根据字段“tripMode”获得出行方式，该出行方式包括步行、骑行、公交车、汽车、地铁，得到用户-时间-位置-行为状态数据集；步骤S1-3，若为驻留状态，判断该条数据的时间是否处于19点至次日7点；步骤S1-4，若步骤S1-3判断为是，则认为该用户位于室内；否则，比对该条数据中的位置信息与数据集中该用户的居住地经纬度信息是否一致；步骤S1-5，若一致，则认为该时刻下该用户位于室内；否则，比对该条数据中的位置信息与数据集中该用户的工作地经纬度信息是否一致；步骤S1-6，若不一致，根据字段“location_area”即工作地-所在区域判断该时刻下该用户位于室内或者室外；否则基于POI数据识别静止状态的用户位于室内或室外，即以POI数据点为中心，50米为半径画出缓冲区，根据信息识别为室内或室外，最终得到用户-时间-位置-行为状态数据集。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，大气污染物至少包括PM2.5、NO2和O3，浓度时空分布模拟为基于大气污染物环境监测数据对室内和交通工具内部分别进行PM2.5浓度模拟、NO2浓度模拟以及O3浓度模拟，交通工具至少包括地铁、公交车以及汽车。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，PM2.5在室内的浓度模拟的公式为：
Cindoor＝(0.71-0.0022×Coutdoor)×Coutdoor+5.73
式中，Cindoor和Coutdoor分别代表室内外每小时PM2.5浓度，单位是μg/m3，PM2.5在地铁内部的浓度模拟的公式为：
Csubway＝12.78+0.54×Coutdoor
式中，Csubway和Coutdoor分别代表地铁内部和室外每小时PM2.5浓度，单位是μg/m3，
PM2.5在公交车内部的浓度模拟的公式为：
Cbus＝0.6579×Coutdoor+9.6868
式中，Cbus和Coutdoor分别代表公交车内部和室外每小时PM2.5浓度，单位是μg/m3，
PM2.5在汽车内部的浓度模拟的公式为：
Ccar＝0.6579×Coutdoor+6.6482
式中，Ccar和Coutdoor分别代表汽车内部和室外每小时PM2.5浓度，单位是μg/m3；
NO2在室内的浓度模拟的公式为：
Cindoor＝0.51136×Coutdoor
式中，Cindoor和Coutdoor分别代表室内外每小时NO2浓度，单位是μg/m3，NO2在地铁内部的浓度模拟的公式为：
Csubway＝0.6×Coutdoor
式中，Csubway和Coutdoor分别代表地铁内部和室外每小时NO2浓度，单位是μg/m3，
NO2在公交车和汽车内部的浓度模拟的公式为：
Cve-in＝0.9×Coutdoor
式中，Cve-in和Coutdoor分别代表交通工具内部和室外每小时NO2浓度，单位是μg/m3；
O3在室内的浓度模拟的公式为：
Cindoor＝0.26×Coutdoor
式中，Cindoor和Coutdoor分别代表室内外每小时O3浓度，单位是μg/m3，O3在交通工具内部的浓度模拟的公式为：
Cve-in＝0.3×Coutdoor
式中，Cve-in和Coutdoor分别代表交通工具内部和室外每小时O3浓度，单位是μg/m3。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，暴露特征数据的提取过程如下：根据待测用户输入的手机号码k和时间T在用户-时间-位置-行为状态数据集中提取第k个人在第T小时中经过的n个网格位置和相应的停留时间，停留时间通过找到第k个人进入第j个网格的时间字段“procedureStartTime”和离开该网格的时间字段“procedureEndTime”，得到该个体在第j个网格的微环境的停留时间：tjk＝procedureEndTime-procedureStartTime。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，个体实时污染物暴露浓度的计算公式为：
Figure BDA0003675987910000071
式中，ECikcom-T为第k个人在第T小时中第i个污染物的实时暴露浓度，单位是μg/m3；Cijk为第k个人在第T小时中的第j个网格的微环境下的第i个污染物小时浓度均值，单位是μg/m3，即PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果，tjk为第k个人在第j个网格的微环境的暴露时间，单位是s；bjk为第k个人在第j个网格的微环境的呼吸速率，单位是m3/h，该呼吸速率由不同的个体行为状态决定。
本发明提供的基于手机信令数据的大气污染健康风险实时动态评价方法，还可以具有这样的技术特征，其中，个体实时大气污染健康风险评价的计算公式为：
AQHI＝75.758
×[exp(0.000187×0.6×CPM2.5)-1
+exp(0.000675×0.6×CNO2)-1
+exp(0.000119×0.6×CO3)-1]
式中，CPM2.5、CNO2和CO3分别代表第k个人在第T小时中PM2.5、NO2和O3的实时暴露浓度，单位是μg/m3，来自于个体实时污染物暴露浓度模拟结果。
发明作用与效果
根据本发明的基于手机信令数据的大气污染健康风险实时动态评价方法，利用手机信令数据即用户输入的手机号、时间和位置信息能够获取待测个体的暴露时间和暴露频率等暴露特征信息，结合室内外大气污染物浓度模拟结果，完成该个体的大气污染物暴露浓度高时空分辨率评估，最后结合空气质量健康指数(AQHI)原理进行个体或人群的大气污染健康实时动态风险评价。
本发明能够在一定程度上实现接近真实水平的暴露评价并且能够针对性给出特定用户某时某地的大气污染健康风险评价结果，能够为居民提供实时动态的大气污染健康风险信息，以便居民能根据该大气污染健康风险信息及时调整外出方案，为用户外出活动提供更加及时精确的参考和指导。相较于现有评价方法，具有简单快速、高精确度以及实时动态的优势。
附图说明
图1是本发明实施例中基于手机信令数据的大气污染健康风险实时动态评价方法的流程框图。
具体实施方式
本发明利用手机信令数据获得暴露时间、暴露频率等信息，结合室内外污染物浓度模拟方法，完成大气污染物暴露浓度高时空分辨率评估，结合空气质量健康指数(AQHI)原理进行个体和人群的大气污染健康实时动态风险评价，为用户外出活动提供更加及时精确的参考和指导。
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于手机信令数据的大气污染健康风险实时动态评价方法作具体阐述。
<实施例>
图1是本发明实施例中基于手机信令数据的大气污染健康风险实时动态评价方法的流程框图。
本实施例的基于手机信令数据的大气污染健康风险实时动态评价方法包括三个过程：手机信令数据预处理、PM2.5、NO2和O3三种大气污染物浓度时空分布模拟以及大气污染健康风险评价。如图1所示，具体包括以下步骤：
步骤S1，采集手机信令数据构建数据集，并对该数据集进行预处理得到用户-时间-位置-行为状态数据集。
手机信令数据预处理的目的是从庞大而复杂的数据库中剔除错误数据提取有效数据。本实施例中预处理的过程依次为去除噪声、异常漂移修正和室内外识别。
其中，去除噪声的过程为：首先，遍历整个数据集，将该数据集的各个数据表中“imsi”字段中的数据按照字段“procedureStartTime”和“procedureEndTime”首尾相连进行排序。其次，将数据表中的时间单位毫秒(ms)，通过时间戳工具转换为真实时间。然后，对于信令中缺失且无法补全的数据，以及包含空值的信令删除；对于所有字段完全相同的连续信令，保留重复数据中的首条信令，并删除其他值，最终得到去除噪声数据集。
异常漂移修正的过程为：首先，依据字段“imsi”在去除噪声数据集中提取用户轨迹点字段“center_latitude”和“center_longitude”，并将同一用户的轨迹点依据开始时间“procedureStartTime”进行排序。其次，计算同一用户不同轨迹点之间的距离。然后，基于时间和距离计算速度，若高于120km/h，则将该轨迹点删除；若低于120km/h，则保留该轨迹点，最终得到去漂移数据集。
室内外识别的过程如下：
Step1：输入去漂移数据集，根据字段“odStatus”判断行为类型，0＝驻留，1＝出行；若为出行状态，根据字段“tripMode”获得出行方式，1＝步行，2＝骑行，3＝公交车，4＝汽车，5＝地铁，得到用户-时间-位置-行为状态数据集；若为驻留状态转到Step2(本实施例中假设，步行和骑行的人位于室外环境，公交车、汽车和地铁的人位于相应的交通工具内部微环境)；
Step2：若该条数据的时间处于19点至次日7点，则认为该用户位于室内，否则转到Step3；
Step3：与居住地和工作地数据集的居住地经纬度信息进行比对，若一致，则认为该时刻下该用户位于室内，否则转到Step4；
Step4：与居住地和工作地数据集的工作地经纬度信息进行比对，若不一致，则根据字段“location_area”(工作地-所在区域)判断该时刻下该用户位于室内或者室外，否则转到Step5；
Step5：基于POI数据识别静止状态的用户位于室内/外，即以POI数据点为中心，50米为半径画出缓冲区，根据信息识别为室内外，最终得到用户-时间-位置-行为状态数据集。
步骤S2，对大气污染物进行浓度时空分布模拟，生成对应的浓度实时分布空间数据集。
本实施例中，基于大气污染物环境监测数据对室内和交通工具内部的PM2.5、NO2和O3这三类大气污染物进行浓度时空分布模拟。具体地：
基于大气污染物环境监测数据中的PM2.5浓度数据模拟室内和交通工具内部的PM2.5浓度，浓度计算公式如下：
室内：Cindoor＝(0.71-0.0022×Coutdoor)×Coutdoor+5.73
式中，Cindoor和Coutdoor分别代表室内外每小时PM2.5浓度，单位是μg/m3。
地铁内部：Csubway＝12.78+0.54×Coutdoor
式中，Csubway和Coutdoor分别代表地铁内部和室外每小时PM2.5浓度，单位是μg/m3。
公交车内部：Cbus＝0.6579×Coutdoor+9.6868
式中，Cbus和Coutdoor分别代表公交车内部和室外每小时PM2.5浓度，单位是μg/m3。
汽车内部：Ccar＝0.6579×Coutdoor+6.6482
式中，Ccar和Coutdoor分别代表汽车内部和室外每小时PM2.5浓度，单位是μg/m3。
如上，最终得到PM2.5的浓度实时分布空间数据集。
基于大气污染物环境监测数据中的NO2浓度数据模拟室内和交通工具内部的NO2浓度，浓度计算公式如下：
室内：Cindoor＝0.51136×Coutdoor
式中，Cindoor和Coutdoor分别代表室内外每小时NO2浓度，单位是μg/m3。
公交车和汽车内部：Cve-in＝0.9×Coutdoor
式中，Cve-in和Coutdoor分别代表交通工具内部和室外每小时NO2浓度，单位是μg/m3。
地铁内部：Csubway＝0.6×Coutdoor
式中，Csubway和Coutdoor分别代表地铁内部和室外每小时NO2浓度，单位是μg/m3。
如上，最终得到NO2的浓度实时分布空间数据集。
基于大气污染物环境监测数据中的O3浓度数据模拟室内和交通工具内部的O3浓度，浓度计算公式如下：
室内：Cindoor＝0.26×Coutdoor
式中，Cindoor和Coutdoor分别代表室内外每小时O3浓度，单位是μg/m3。
交通工具内部：Cve-in＝0.3×Coutdoor
式中，Cve-in和Coutdoor分别代表交通工具内部和室外每小时O3浓度，单位是μg/m3。
如上，最终得到O3的浓度实时分布空间数据集。
步骤S3，以待测用户输入的手机号码、时间信息以及位置信息等相关信息作为索引，从用户-时间-位置-行为状态数据集中提取与索引信息相关联的暴露特征数据。
步骤S4，基于暴露特征数据计算该用户在任一位置的停留时间，并结合浓度实时分布空间数据集计算个体实时污染物暴露浓度。
步骤S5，基于个体实时污染物暴露浓度，通过空气质量健康指数公式进行个体实时大气污染健康风险的评价，从而获取该用户的个体实时大气污染健康风险数据集。
本实施例中，基于上述步骤S1至步骤S5对个体和人群进行实时大气污染健康风险评价和每日大气污染健康风险评价。
其中，对个体进行实时大气污染健康风险评价的过程为：根据用户输入的手机号码(k)和时间(T)，在用户-时间-位置-行为状态数据集中提取暴露特征数据，即第k个人在第T小时中经过的n个网格位置和相应的停留时间，然后利用公式分别完成PM2.5、NO2和O3三种大气污染物的个体实时污染物暴露浓度模拟和个体实时大气污染健康风险评价。具体地：
首先，在用户-时间-位置-行为状态数据集中，找到第k个人(字段“msisdn”)于第j个网格的微环境所处的位置(字段“Longitude”和“Latitude”)、进入该网格时间字段“procedureStartTime”和离开该网格时间字段“procedureEndTime”，得到个体在第j个网格的微环境的停留时间：
tjk＝procedureEndTime-procedureStartTime
然后，结合三种大气污染物的浓度实时分布空间数据集计算个体实时污染物暴露浓度：
Figure BDA0003675987910000141
式中，ECikcom-T为第k个人在第T小时中第i个污染物的实时暴露浓度，单位是μg/m3；Cijk为第k个人在第T小时中的第j个网格的微环境下的第i个污染物小时浓度均值，单位是μg/m3，即PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果；tjk为第k个人在第j个网格的微环境的暴露时间，单位是s；bjk为第k个人在第j个网格的微环境的呼吸速率，单位是m3/h，根据个体行为状态进行判断，具体参数如下表1所示。
Figure BDA0003675987910000151
表1 不同行为状态下的呼吸速率bjk(m3/h)
最后，基于AQHI空气质量健康指数公式对个体实时污染物暴露浓度进行健康风险评价，最终得到用户个体实时大气污染健康风险数据集，包括时间、经纬度信息、AQHI值、健康风险等级、颜色和建议6项指标。
本实施例中，个体实时大气污染健康风险评价公式AQHI为：
AQHI＝75.758
×[exp(0.000187×0.6×CPM2.5)-1
+exp(0.000675×0.6×CNO2)-1
+exp(0.000119×0.6×CO3)-1]
式中，CPM2.5、CNO2和CO3分别代表第k个人在第T小时中PM2.5、NO2和O3的实时暴露浓度，单位是μg/m3，来自于个体实时污染物暴露浓度模拟结果。AQHI分级与建议如下表2所示。
Figure BDA0003675987910000152
Figure BDA0003675987910000161
表2 AQHI分级及针对不同人群建议
本实施例中，对个体进行每日大气污染健康风险评价的过程为：根据用户输入的手机号码(k)和时间(T)，在用户-时间-位置-行为状态数据集中提取暴露特征数据，即第k个人在第T天中经过的n个网格位置和相应的停留时间，然后利用公式分别完成PM2.5、NO2和O3三种大气污染物的个体每日污染物暴露浓度模拟和个体每日大气污染健康风险评价。具体地：
首先，在用户-时间-位置-行为状态数据集中，找到第k个人(字段“msisdn”)于第j个网格的微环境所处的位置(字段“Longitude”和“Latitude”)、进入该网格时间字段“procedureStartTime”和离开该网格时间字段“procedureEndTime”，得到第j个网格的微环境的停留时间：
tjk＝procedureEndTime-procedureStartTime
然后，结合三种大气污染物的浓度实时分布空间数据集计算个体每日污染物暴露浓度：
Figure BDA0003675987910000171
式中，ECikavg为第k个人第T天中第i个污染物的日均暴露浓度，单位是μg/m3；Cijk为第k个人在第j个网格的微环境下的第i个污染物小时浓度均值，单位是μg/m3，来自于第一步PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果；tjk为第k个人第T天中在第j个网格的微环境的暴露时间，单位是s；bjk为第k个人在第j个网格的微环境的呼吸速率，单位是m3/h，根据个体行为状态进行判断，具体参数见上表1。
最后，基于AQHI空气质量健康指数公式对个体每日污染物暴露浓度进行健康风险评价，最终得到用户个体每日大气污染健康风险数据集，包括时间、经纬度信息、AQHI值、健康风险等级、颜色和建议6项指标。
本实施例中，个体每日大气污染健康风险评价公式AQHI为：
AQHI＝75.758
×[exp(0.000187×CPM2.5)-1+exp(0.000675×CNO2)
-1+exp(0.000119×CO3)-1]
式中，CPM2.5、CNO2和CO3分别代表第k个人第T天中PM2.5、NO2和O3的日均暴露浓度，单位是μg/m3，来自于个体每日污染物暴露浓度模拟结果。AQHI分级与建议如上表2所示。
本实施例中，对人群进行实时大气污染健康风险评价的过程为：根据用户输入的经度(X)、纬度(Y)和时间(y)，在用户-时间-位置-行为状态数据集中暴露特征数据，即识别对应的x网格在第y个小时中出现过的N个手机号码并计算平均停留时间、室内停留时间占比和室内外污染物浓度之比，然后利用公式分别完成PM2.5、NO2和O3三种大气污染物的人群实时污染物暴露浓度模拟和人群实时大气污染健康风险评价。具体地：
首先，在用户-时间-位置-行为状态数据集中，以字段“imsi”为索引，按照时间字段中的时间顺序对数据进行排序，统计第y个小时内于第x个网格出现过的手机号码数N和相应的停留时间T：
T＝procedureEndTime-procedureStartTime
其中，停留状态包括如下情况：(1)1小时内进入第x个网格且未离开；(2)1小时内进入第x个网格且离开；(3)1小时前进入第x个网格且未离开；(4)1小时前进入第x个网格且离开。
根据上述四种情况计算平均停留时间：
Figure BDA0003675987910000181
其次，在用户-时间-位置-行为状态数据集中，统计第y个小时内于第x个网格出现过的手机号码的停留室内时间Tindoor-i，然后计算室内停留时间占比：
Figure BDA0003675987910000182
接着计算室内外污染物浓度之比：
Figure BDA0003675987910000191
式中，Cindoor为第y个小时中室内各类微环境污染物浓度的平均值，单位是μg/m3；Coutdoor分别代表第y个小时室外污染物浓度，单位是μg/m3；均来自于第一步PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果。
然后，基于室内外污染物浓度之比和室内停留时间占比计算人群实时污染物暴露浓度：
ECiyxshort＝Ciyx×[Sx×fx+(1-Sx)]
式中，ECiyxshort为第x个网格在第y小时中的第i个污染物的实时暴露浓度，单位是μg/m3；Ciyx为第x个网格中第y个小时的第i个污染物的室外浓度，单位是μg/m3，来自于第一步PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果；Sx为室内停留时间占比；fx为室内外污染物浓度之比。
最后，基于AQHI空气质量健康指数公式对人群实时污染物暴露浓度进行健康风险评价，最终得到人群实时大气污染健康风险数据集，包括时间、经纬度信息、AQHI值、健康风险等级、颜色和建议6项指标。
本实施例中，人群实时大气污染健康风险评价公式AQHI为：
AQHI＝75.758
×[exp(0.000187×0.6×CPM2.5)-1
+exp(0.000675×0.6×CNO2)-1
+exp(0.000119×0.6×CO3)-1]
式中，CPM2.5、CNO2和CO3分别代表第x个网格在第y小时中PM2.5、NO2和O3的实时暴露浓度，单位是μg/m3，来自于人群实时污染物暴露浓度模拟结果。AQHI分级与建议见上表2。
本实施例中，对人群进行每日大气污染健康风险评价的过程为：根据用户输入的经度(X)、纬度(Y)和时间(z)，在用户-时间-位置-行为状态数据集中提取暴露特征数据，即识别对应的x网格在第z天中每个小时出现过的人数并计算平均停留时间、室内停留时间占比和室内外污染物浓度之比，然后利用公式分别完成PM2.5、NO2和O3三种大气污染物的人群每日污染物暴露浓度模拟和人群每日大气污染健康风险评价。具体地：
首先，在用户-时间-位置-行为状态数据集中，以字段“imsi”为索引，按照时间顺序对数据进行排序，统计在第z天中第y个小时内于第x个网格出现过的手机号码数N即人数：Pyx＝N，和相应的停留时间T：T＝procedureEndTime-procedureStartTime。
其中，停留状态包括如下情况：(1)1小时内进入第x个网格且未离开；(2)1小时内进入第x个网格且离开；(3)1小时前进入第x个网格且未离开；(4)1小时前进入第x个网格且离开。
根据上述四种计算平均停留时间计算公式：
Figure BDA0003675987910000201
其次，在用户-时间-位置-行为状态数据集中，统计在第z天中第y个小时内于第x个网格出现过的手机号码的停留室内时间Tindoor-i，然后计算室内停留时间占比：
Figure BDA0003675987910000211
接着计算室内外污染物浓度之比：
Figure BDA0003675987910000212
式中，Cindoor为第z天中第y个小时中室内各类微环境污染物浓度的平均值，单位是μg/m3；Coutdoor分别代表第z天中第y个小时室外污染物浓度，单位是μg/m3；均来自于第一步PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果。
然后计算人群每日时污染物暴露浓度：
Figure BDA0003675987910000213
式中，ECiyxday为第x个网格的第i个污染物的人群日均暴露浓度，单位是μg/m3；Ciyx为第x个网格中第y个小时的第i个污染物的室外浓度，单位是μg/m3，来自于第一步PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果；Pyx为在第x个网格中第y个小时内的人数，单位是人；tyx为在第x个网格中第y个小时内的平均停留时间，单位是s；Syx为在第x个网格中第y个小时内的室内停留时间占比；fyx为在第x个网格中第y个小时内的室内外污染物浓度之比。
最后，基于AQHI空气质量健康指数公式对人群每日污染物暴露浓度进行健康风险评价，最终得到人群每日大气污染健康风险数据集，包括时间、经纬度信息、AQHI值、健康风险等级、颜色和建议6项指标。
本实施例中，人群每日大气污染健康风险评价公式AQHI为：
AQHI＝75.758
×[exp(0.000187×CPM2.5)-1+exp(0.000675×CNO2)
-1+exp(0.000119×CO3)-1]
式中，CPM2.5、CNO2和CO3分别代表第x个网格在第z天中PM2.5、NO2和O3的日均暴露浓度，单位是μg/m3，来自于人群每日污染物暴露浓度模拟结果。AQHI分级与建议见上表2。
如上，本实施例提供了一种基于手机信令数据的大气污染健康风险实时动态评价方法，上述方法还可以配置成计算机程序并存储在计算机存储介质中，该计算机程序用于使计算机执行上述个体或人群的大气污染健康风险实时动态评价方法的步骤。
实施例作用与效果
根据本实施例提供的基于手机信令数据的大气污染健康风险实时动态评价方法，该方法利用手机信令数据能够获取待测个体的暴露时间和暴露频率等暴露特征信息，结合室内外大气污染物浓度模拟结果，完成该个体的大气污染物暴露浓度高时空分辨率评估，最后结合空气质量健康指数(AQHI)原理进行个体或人群的大气污染健康实时动态风险评价。
实施例中，用户只需输入手机号、时间和位置信息就能够获得本人或者目标位置的实时大气污染健康风险评价结果和每日大气污染健康风险评价结果，不仅能够实现实时动态评价还具有简单快速的优势。
同时，基于手机信令数据获取个体暴露特征后，结合多种微环境下污染物浓度模拟结果，能够在一定程度上实现接近真实水平的暴露评价并且能够针对性给出特定用户某时某地的大气污染健康风险评价结果，因此还具有高精确度的特点。
综上，本实施例的基于手机信令数据的大气污染健康风险实时动态评价方法能够为居民提供实时动态的大气污染健康风险信息，以便居民能根据该大气污染健康风险信息及时调整外出方案，为用户外出活动提供更加及时精确的参考和指导。相较于现有评价方法，具有简单快速、高精确度以及实时动态的优势。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (10)

1.一种基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于，包括：
步骤S1，采集手机信令数据构建数据集，并对该数据集进行预处理得到用户-时间-位置-行为状态数据集；
步骤S2，对大气污染物进行浓度时空分布模拟，生成对应的浓度实时分布空间数据集；
步骤S3，以待测用户输入的手机号码和时间信息作为索引信息，从所述用户-时间-位置-行为状态数据集中提取与所述索引信息相关联的暴露特征数据；
步骤S4，基于所述暴露特征数据计算该用户在任一位置的停留时间，并结合所述浓度实时分布空间数据集计算个体实时污染物暴露浓度；
步骤S5，基于所述个体实时污染物暴露浓度，通过空气质量健康指数公式进行个体实时大气污染健康风险的评价，从而获取该用户的个体实时大气污染健康风险数据集，该大气污染健康风险数据集至少包括时间、经纬度信息、AQHI值、健康风险等级、颜色和建议6项指标。
2.根据权利要求1所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述预处理依次为去除噪声、异常漂移修正、室内外识别。
3.根据权利要求2所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述去除噪声为：
遍历整个数据集，根据各个数据表中字段“imsi”连接并排序；将数据表中的时间单位从毫秒转换为真实时间；
删除数据集中缺失且无法补全的数据，以及包含空值的信令；
对于所有字段完全相同的连续信令，保留重复数据中的首条信令，并删除其他值，从而得到去除噪声数据集。
4.根据权利要求3所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述异常漂移修正为：
输入所述去除噪声数据集，依据字段“imsi”提取用户的轨迹点字段；
将提取的同一用户的轨迹点依据开始时间排序；
计算同一用户不同轨迹点之间的距离，最终得到去漂移数据集。
5.根据权利要求4所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述室内外识别的过程如下：
步骤S1-1，输入所述去漂移数据集，根据字段“odStatus”判断行为类型，所述行为类型包括驻留和出行；
步骤S1-2，若为出行状态，根据字段“tripMode”获得出行方式，该出行方式包括步行、骑行、公交车、汽车、地铁，得到用户-时间-位置-行为状态数据集；
步骤S1-3，若为驻留状态，判断该条数据的时间是否处于19点至次日7点；
步骤S1-4，若步骤S1-3判断为是，则认为该用户位于室内；否则，比对该条数据中的位置信息与数据集中该用户的居住地经纬度信息是否一致；
步骤S1-5，若一致，则认为该时刻下该用户位于室内；否则，比对该条数据中的位置信息与数据集中该用户的工作地经纬度信息是否一致；
步骤S1-6，若不一致，根据字段“location_area”即工作地-所在区域判断该时刻下该用户位于室内或者室外；否则基于POI数据识别静止状态的用户位于室内或室外，即以POI数据点为中心，50米为半径画出缓冲区，根据信息识别为室内或室外，最终得到所述用户-时间-位置-行为状态数据集。
6.根据权利要求5所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述大气污染物至少包括PM2.5、NO2和O3，
所述浓度时空分布模拟为基于大气污染物环境监测数据对室内和交通工具内部分别进行PM2.5浓度模拟、NO2浓度模拟以及O3浓度模拟，
所述交通工具至少包括地铁、公交车以及汽车。
7.根据权利要求6所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述PM2.5在室内的浓度模拟的公式为：
Cindoor＝(0.71-0.0022×Coutdoor)×Coutdoor+5.73
式中，Cindoor和Coutdoor分别代表室内外每小时PM2.5浓度，单位是μg/m3，
所述PM2.5在地铁内部的浓度模拟的公式为：
Csubway＝12.78+0.54×Coutdoor
式中，Csubway和Coutdoor分别代表地铁内部和室外每小时PM2.5浓度，单位是μg/m3，
所述PM2.5在公交车内部的浓度模拟的公式为：
Cbus＝0.6579×Coutdoor+9.6868
式中，Cbus和Coutdoor分别代表公交车内部和室外每小时PM2.5浓度，单位是μg/m3，
所述PM2.5在汽车内部的浓度模拟的公式为：
Ccar＝0.6579×Coutdoor+6.6482
式中，Ccar和Coutdoor分别代表汽车内部和室外每小时PM2.5浓度，单位是μg/m3；
所述NO2在室内的浓度模拟的公式为：
Cindoor＝0.51136×Coutdoor
式中，Cindoor和Coutdoor分别代表室内外每小时NO2浓度，单位是μg/m3，
所述NO2在地铁内部的浓度模拟的公式为：
Csubway＝0.6×Coutdoor
式中，Csubway和Coutdoor分别代表地铁内部和室外每小时NO2浓度，单位是μg/m3，
所述NO2在公交车和汽车内部的浓度模拟的公式为：
Cve-in＝0.9×Coutdoor
式中，Cve-in和Coutdoor分别代表交通工具内部和室外每小时NO2浓度，单位是μg/m3；
所述O3在室内的浓度模拟的公式为：
Cindoor＝0.26×Coutdoor
式中，Cindoor和Coutdoor分别代表室内外每小时O3浓度，单位是μg/m3，
所述O3在交通工具内部的浓度模拟的公式为：
Cve-in＝0.3×Coutdoor
式中，Cve-in和Coutdoor分别代表交通工具内部和室外每小时O3浓度，单位是μg/m3。
8.根据权利要求7所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述暴露特征数据的提取过程如下：
根据所述待测用户输入的手机号码k和时间T在所述用户-时间-位置-行为状态数据集中提取第k个人在第T小时中经过的n个网格位置和相应的停留时间，
所述停留时间通过找到第k个人进入第j个网格的时间字段“procedureStartTime”和离开该网格的时间字段“procedureEndTime”，得到该个体在第j个网格的微环境的停留时间：
tjk＝procedureEndTime-procedureStartTime。
9.根据权利要求8所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述个体实时污染物暴露浓度的计算公式为：
Figure FDA0003675987900000061
式中，ECikcom-T为第k个人在第T小时中第i个污染物的实时暴露浓度，单位是μg/m3；Cijk为第k个人在第T小时中的第j个网格的微环境下的第i个污染物小时浓度均值，单位是μg/m3，即PM2.5、NO2和O3三种大气污染物浓度时空分布模拟结果，tjk为第k个人在第j个网格的微环境的暴露时间，单位是s；bjk为第k个人在第j个网格的微环境的呼吸速率，单位是m3/h，该呼吸速率由不同的个体行为状态决定。
10.根据权利要求9所述的基于手机信令数据的大气污染健康风险实时动态评价方法，其特征在于：
其中，所述个体实时大气污染健康风险评价的计算公式为：
AQHI＝75.758×[exp(0.000187×0.6×CPM2.5)-1+exp(0.000675×0.6×CNO2)-1+exp(0.000119×0.6×CO3)-1]
式中，CPM2.5、CNO2和CO3分别代表第k个人在第T小时中PM2.5、NO2和O3的实时暴露浓度，单位是μg/m3，来自于个体实时污染物暴露浓度模拟结果。
CN202210619902.8A 2022-06-02 2022-06-02 基于手机信令数据的大气污染健康风险实时动态评价方法 Pending CN114997646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210619902.8A CN114997646A (zh) 2022-06-02 2022-06-02 基于手机信令数据的大气污染健康风险实时动态评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210619902.8A CN114997646A (zh) 2022-06-02 2022-06-02 基于手机信令数据的大气污染健康风险实时动态评价方法

Publications (1)

Publication Number Publication Date
CN114997646A true CN114997646A (zh) 2022-09-02

Family

ID=83030702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210619902.8A Pending CN114997646A (zh) 2022-06-02 2022-06-02 基于手机信令数据的大气污染健康风险实时动态评价方法

Country Status (1)

Country Link
CN (1) CN114997646A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907509A (zh) * 2022-10-18 2023-04-04 中国疾病预防控制中心环境与健康相关产品安全所 一种大区域协同发布的aqhi指标体系构建方法与系统
CN117251870A (zh) * 2023-11-17 2023-12-19 法诺信息产业有限公司 基于区块链的大数据分析预警方法、系统及其云平台

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907509A (zh) * 2022-10-18 2023-04-04 中国疾病预防控制中心环境与健康相关产品安全所 一种大区域协同发布的aqhi指标体系构建方法与系统
CN117251870A (zh) * 2023-11-17 2023-12-19 法诺信息产业有限公司 基于区块链的大数据分析预警方法、系统及其云平台
CN117251870B (zh) * 2023-11-17 2024-05-14 法诺时代国际集团有限公司 基于区块链的大数据分析预警方法、系统及其云平台

Similar Documents

Publication Publication Date Title
Chen et al. Effects of neighborhood green space on PM2. 5 mitigation: Evidence from five megacities in China
Weichenthal et al. A land use regression model for ambient ultrafine particles in Montreal, Canada: A comparison of linear regression and a machine learning approach
CN114997646A (zh) 基于手机信令数据的大气污染健康风险实时动态评价方法
Laffan et al. Assessing endemism at multiple spatial scales, with an example from the Australian vascular flora
Tong et al. A framework for developing driving cycles with on‐road driving data
KR101668753B1 (ko) 대기 오염 관리 시스템
Kühlwein et al. Uncertainties of modelling emissions from road transport
McPherson et al. Estimating daytime and nighttime population distributions in US cities for emergency response activities
Baffoe et al. Assessment of health impacts of noise pollution in the Tarkwa Mining Community of Ghana using noise mapping techniques
Ghassoun et al. Intra-urban variation of ultrafine particles as evaluated by process related land use and pollutant driven regression modelling
CN107977673A (zh) 一种基于大数据的经济活动人口识别方法
CN110989041B (zh) 一种灰霾和沙尘天气的预报方法及预报系统
CN110503348B (zh) 一种基于位置匹配的个体空气污染暴露模拟测量方法
CN110889196B (zh) 基于水质模型的水环境承载力评估方法、装置及存储介质
Gao et al. Prediction of vertical PM 2.5 concentrations alongside an elevated expressway by using the neural network hybrid model and generalized additive model
CN113092684A (zh) 一种基于时空矩阵分解的空气质量推断方法
Ribeiro et al. Influence of GPS and self-reported data in travel demand models
CN113298439A (zh) 基于人口分布的环境风险评估方法、装置及计算机设备
CN111400877B (zh) 一种基于gis数据的智能城市仿真系统和方法
CN115033809A (zh) 一种城市颗粒物时空管控方法
Chung et al. Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China
CN110716998A (zh) 一种精细尺度人口数据空间化方法
Abrishami et al. Comparing transportation metrics to measure accessibility to community amenities
CN113408867A (zh) 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法
Andresen et al. An evaluation of ambient population estimates for use in crime analysis

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