CN115358904A - 一种动静结合的城市区域空气质量监测站选址方法 - Google Patents

一种动静结合的城市区域空气质量监测站选址方法 Download PDF

Info

Publication number
CN115358904A
CN115358904A CN202211283709.8A CN202211283709A CN115358904A CN 115358904 A CN115358904 A CN 115358904A CN 202211283709 A CN202211283709 A CN 202211283709A CN 115358904 A CN115358904 A CN 115358904A
Authority
CN
China
Prior art keywords
data
grid
air quality
monitoring station
dynamic
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
CN202211283709.8A
Other languages
English (en)
Other versions
CN115358904B (zh
Inventor
韩科
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.)
Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Original Assignee
Sichuan Guolan Zhongtian Environmental Technology Group 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 Sichuan Guolan Zhongtian Environmental Technology Group Co ltd filed Critical Sichuan Guolan Zhongtian Environmental Technology Group Co ltd
Priority to CN202211283709.8A priority Critical patent/CN115358904B/zh
Publication of CN115358904A publication Critical patent/CN115358904A/zh
Application granted granted Critical
Publication of CN115358904B publication Critical patent/CN115358904B/zh
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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Combustion & Propulsion (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

本发明公开了一种动静结合的城市区域空气质量监测站选址方法，方案基于城市基础数据和动态数据建立网格化城市指标，根据出租车轨迹时空分布特征和公共交通线路分布确定固定式路边监测站，根据出租车移动设备确定移动监测站位置和数量，并利用紧凑型空气质量监测站对监测时空覆盖进行查漏补缺。该方法合考虑传统固定空气智能监测方法的局限性，在智能网联交通环境下提出了一种新的解决方案。本方案考虑利用智能网联汽车所提供的时空动态空气质量监测数据对传统固定监测站所提供的空间静态空气质量监测数据进行补充，将静态和动态空气质量监测方法融合，从而实现时空维度下更全面的空气质量和大气信息。

Description

一种动静结合的城市区域空气质量监测站选址方法
技术领域
本发明涉及环境监测领域，具体涉及一种动静结合的城市区域空气质量监测站选址方法。
背景技术
区域空气质量监测通常采用安装在固定位置的空气质量监测站完成，并以安装位置附近的空气质量信息替代所检测区域的空气质量。由于固定空气质量监测站所安装传感器较为完备，该类传统监测方法具有信息准确度高，覆盖时间长等优势。然而，实现大范围空间覆盖需要高密度不舍空气质量监测站，在实际应用过程中成本较高。根据《环境空气质量监测点位布设技术规范(试行)》、《大气 PM2.5 网格化监测点位铺设技术指南(试行)》等相关规定，空气质量区域监测除了记录大气污染水平的时变特征以外，还应反映大气污染物在空间维度上的迁移趋势，这对区域空气质量检测提出了更高的要求，并且传统固定的空气质量监测方法难以反映大气污染物的空间迁移特征。为了更好地反映大气污染时空特征变化，需要同时在时间和空间维度下提升空气质量检测覆盖范围。
随着车辆网和实时通信等相关技术的发展，智能网联汽车对城市环境监测提供了新的解决思路，实时通信的智能网联汽车装配移动传感器设备，并在城市路网通行，即可实现城市空气质量信息的大范围实时获取，该类新型动态空气质量检测方法可以很好地弥补静态固定空气质量检测方法无法实现大范围空间覆盖的不足，动态与静态空气质量检测方法相结合可以满足区域空气质量检测对于时空覆盖的要求，进而反映大气污染物的时空变化特征。
发明内容
针对现有技术中的上述不足，本发明提供了一种动静结合的城市区域空气质量监测站选址方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种动静结合的城市区域空气质量监测站选址方法，包括如下步骤：
S1、获取城市基础数据及动态数据并建立网格化城市区域综合指数作为空气质量监测站的选址依据；
S2、为出租车和公共交通工具配备移动监测器，基于出租车轨迹时空分布特征和公共交通路线空间分布特征，确定固定式路边空气质量监测站的位置；
S3、基于固定式路边空气质量监测站的位置以及所配备的移动监测器，确定需要配备移动监测站的公共交通线路以及监测站数量；
S4、根据均匀性原则对步骤S1-S3建立的监测网络进行优化。
上述方案的有益效果是，
1. 有效性：本发明所设计的动静结合的城市区域空气质量监测站选址方法可以有效结合固定式空气质量检测器空间覆盖广以及移动式空气质量检测器精度高、时间覆盖跨度长的优势，而传统基于固定检测器的空气质量检测只能估计固定位置的空气质量，单纯基于移动检测器的空气质量检测只能估计时空稀疏的空气质量，本发明所涉及的动静结合的空气质量监测可以实现时空均匀的空气质量监测。
2. 成本低：本发明所设计的空气质量监测方法巧妙利用移动式空气质量监测站如出租车、公交车所收集到的空气质量数据实现城市区域空气质量监测，这一类空气质量监测站只需在车辆上安装的传感器装置，相对固定检测器所使用的大型传感设备和成本更低，且无需大密度布设传感器，少量移动式检测器即可实现大范围的城市区域空气质量监测。
3. 应用广：本发明所利用的移动式监测站，可以作为智慧城市应用的附加功能予以实施，只需在公交车或者出租车上布设即可。此外，针对大气环境数据的移动监测车，共享出行中具有实时GPS轨迹数据记录的网约车，均可作为移动监测器应用于本发明所设计的空气质量监测方法，具有良好的应用前景。
进一步的，所述S1中城市基础数据包括城市地理地貌、土地利用、建成环境、工商注册、基础设施和人口密度数据；所述动态数据包括交通拥堵、温度湿度以及风力风向数据。
上述进一步方案的有益效果是，基础数据可表示城市各个区域的对于空气质量需求程度，如工厂越多、交通路网越密集的区域对于空气质量检测的需求越大；绿地、林地所对应的区域对于空气质量检测的需求较小；动态数据反映对空气质量监测的实时需求，如对风力较大区域进行实时空气质量检测可以有效分析大气污染物的迁移特征。
进一步的，所述S1中建立网格化城市区域综合指数的具体方式为：
S11、将城市所需进行空气质量监测的区域划分为大小为1km×1km的网格；
S12、将各区域的城市基础数据和动态数据投影到空间位置对应的网格上；
S13、基于各网格所对应的城市基础数据和动态数据，通过非监督式学习提取各网格上的数据特征并进行归一化，具体计算方式为：
Figure 326261DEST_PATH_IMAGE001
其中，
Figure 500890DEST_PATH_IMAGE002
为网格内第i类数据，
Figure 407361DEST_PATH_IMAGE003
网格内第i类数据的最小值，
Figure 667441DEST_PATH_IMAGE004
为网格内第i类数据的最大值，网格内最大值和最小值取样为网格面积大小的10%内的对应数据值，
Figure 277414DEST_PATH_IMAGE005
为
Figure 57282DEST_PATH_IMAGE002
对应的归一化值；
S14、分别计算城市基础数据和动态数据特征所占权重，对特征进行加权形成各个网格的特征密度。
进一步的，所述S14中城市基础数据特征所占权重的计算方式为：
Figure 94508DEST_PATH_IMAGE006
Figure 841884DEST_PATH_IMAGE007
Figure 989969DEST_PATH_IMAGE008
Figure 122879DEST_PATH_IMAGE009
Figure 596585DEST_PATH_IMAGE010
其中，
Figure 565678DEST_PATH_IMAGE011
为地理地貌数据特征所占的权重值，
Figure 517454DEST_PATH_IMAGE012
为地理地貌数据的归一化值，
Figure 271914DEST_PATH_IMAGE013
为土地利用数据特征作战权重值，
Figure 650943DEST_PATH_IMAGE014
为土地利用数据的归一化值，
Figure 107332DEST_PATH_IMAGE015
为建成环境数据特征所占的权重值，
Figure 862799DEST_PATH_IMAGE016
为建成环境数据的归一化值，
Figure 767039DEST_PATH_IMAGE017
为工商注册数据特征所占的权重值，
Figure 582548DEST_PATH_IMAGE018
为工商注册数据的归一化值，
Figure 729495DEST_PATH_IMAGE019
为人口密度数据特征所占的权重值，
Figure 23073DEST_PATH_IMAGE020
为人口密度数据的归一化值。
进一步的，所述S13中城市动态数据特征所占权重的计算方式为：
Figure 283285DEST_PATH_IMAGE021
其中，
Figure 269695DEST_PATH_IMAGE022
为交通拥堵数据特征所占权重，
Figure 700677DEST_PATH_IMAGE023
为网格内的道路编号，L为网格内道路总数，
Figure 47213DEST_PATH_IMAGE024
为第
Figure 614461DEST_PATH_IMAGE023
条道路中的通行速率，
Figure 771773DEST_PATH_IMAGE025
为第
Figure 690050DEST_PATH_IMAGE023
条道路的长度在网格内道路总数的占比，
Figure 76163DEST_PATH_IMAGE026
为当前网格内交通拥堵率归一化值，
Figure 763496DEST_PATH_IMAGE027
为网格内自由流速度；
Figure 91709DEST_PATH_IMAGE028
其中，
Figure 231704DEST_PATH_IMAGE029
为温湿度数据特征所占权重，
Figure 191482DEST_PATH_IMAGE030
为网格内多点采样得到的湿度归一化值，c为网格内的采样点编号，C为网格内的采样点数量且其最大值为100，
Figure 733321DEST_PATH_IMAGE031
为网格内第c个采样点内的绿植比重；
Figure 232436DEST_PATH_IMAGE032
其中，
Figure 859726DEST_PATH_IMAGE033
为风力风向数据特征所占权重,
Figure 587642DEST_PATH_IMAGE034
为网格内风力风向采样点编号，
Figure 249567DEST_PATH_IMAGE035
为网格内风力风向采样点总数且其最大值为100，
Figure 919583DEST_PATH_IMAGE036
为网格内单个采样点风力风向数据，V为网格点区域的平均风力风向数据，
Figure 34170DEST_PATH_IMAGE037
为网格点风力风向数据归一化值，
Figure 64312DEST_PATH_IMAGE038
为网格内的层数大于20层的居民楼覆盖率。
进一步的，所述S14中网格的特征密度计算方式为：
Figure 580743DEST_PATH_IMAGE039
其中，
Figure 156081DEST_PATH_IMAGE040
为网格第i类数据特征所占的权重值。
进一步的，所述S1中选址依据为：对于网格化空间内特征变化率超过10%的网格，对应增加当前网格内的监测站数量或者对监测站进行移动。
上述进一步方案的有益效果是，建立的网格化城市区域综合指数，可以显示空间特征差异性的变化率，作为空间异质性的数据支撑以及监测站的选址依据。
进一步的，所述S2中固定式路边空气质量监测站位置的确定方式为：
S21、计算出租车的轨迹数据的时空分布，根据该分布计算出租车搭载的移动监测器的时空分布特征；
S22、根据公交车的线路分布情况，计算公交线路与出租车所搭载的移动监测器重合的位置，确定移动监测器的分布区域；
S23、基于步骤S21的出租车的轨迹数据的时空分布，选择出租车密度高于第一阈值，且与公交线路重合度高于第二阈值的位置作为固定式路边空气质量监测站的位置。
上述进一步方案的有益效果是，针对监测站位置的布设，需要满足互补性原则，即固定监测站与移动监测站有充分的地理重合度，便于实时校对移动监测数据，提高移动监测的准确性和可靠性
进一步的，所述S3中确定需要配备移动监测站的公共交通线路以及监测站数量的方式为：
S31、基于步骤S23选择的固定式路边空气质量监测站的位置，选择线路上经过固定式路边空气质量监测站覆盖区域重合度最高的公交线路设置移动传感器；
S32、以公交线路的运营路线最长、运行时间最长为目标，选择满足目标的公交线路设置移动传感器；
S33、对出租车覆盖率小于第三阈值的区域，通过固定路线公交设置移动传感器。
上述进一步方案的有益效果是，在确定出租车所搭配的移动监测站数量以及固定式路边监测站的位置后，需要选择特定的公交线路配备移动传感器，以满足互补性以及空间异质性的原则。
附图说明
图1为本发明动静结合的城市区域空气质量监测站选址方法流程示意图。
图2为本发明实施例龙泉驿区特征密度图。
图3为本发明实施例龙泉驿区出租车分布密度图。
图4为本发明实施例龙泉驿区出租车分布密度图和路边式微站选址。
图5为本发明实施例龙泉驿区固定站、公交路线选址示意图。
图6为本发明实施例龙泉固定站、公交车、出租车时空覆盖图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
一种动静结合的城市区域空气质量监测站选址方法，如图1所示，包括如下步骤：
S1、获取城市基础数据及动态数据并建立网格化城市区域综合指数作为空气质量监测站的选址依据；
本实施例以成都市龙泉驿区空气质量监测为例针对本发明提出的动静结合的城市区域空气质量监测站选址方法进行阐述。
建立网格化龙泉驿区城乡特征综合指数，其具体做法如下：基于龙泉驿区地理位置、城乡分布、工商分布、交通分布等数据，通过非监督式学习获得归一化空间特性数据，建立网格化城市区域综合指数的具体方式为：
S11、将城市所需进行空气质量监测的区域划分为大小为1km×1km的网格；
S12、将各区域的城市基础数据和动态数据投影到空间位置对应的网格上；
S13、基于各网格所对应的城市基础数据和动态数据，通过非监督式学习提取各网格上的数据特征并进行归一化，具体计算方式为：
Figure 757964DEST_PATH_IMAGE001
其中，
Figure 93261DEST_PATH_IMAGE041
为取值1-7的正整数，
Figure 464200DEST_PATH_IMAGE042
为地理地貌数据，
Figure 476018DEST_PATH_IMAGE043
为土地利用数据，
Figure 299618DEST_PATH_IMAGE044
为建成环境数据，
Figure 937141DEST_PATH_IMAGE045
为工商注册数据，
Figure 162586DEST_PATH_IMAGE046
为人口密度数据，
Figure 345306DEST_PATH_IMAGE047
为交通拥堵数据，
Figure 921781DEST_PATH_IMAGE048
为温湿度数据，
Figure 598881DEST_PATH_IMAGE049
为风力风向数据，
Figure 475570DEST_PATH_IMAGE003
网格对应数据的最小值，
Figure 94770DEST_PATH_IMAGE004
为网格内对应数据的最大值，网格内最大值和最小值取样为网格面积大小的10%内的对应数据值，
Figure 142230DEST_PATH_IMAGE005
对应的归一化值；
在本实施例里，区域划分为1km×1km的网格，在采集数据时将所划分的网格继续划分出大小相等的若干个子网格，其中的地理地貌数据
Figure 606709DEST_PATH_IMAGE042
的最大值和最小值采用所划分的子网格的海拔高度数据，由于城市规划中地理地貌并不平整，因此最大值最小值数据差距根据不同城市地形数据有所不同，以本实施例中龙泉驿区为例，其地形差距使得其海拔高度差距在数米之间，其归一化数据更接近1；而土地利用数据R2，建成环境数据R3，工商注册数据R4和人口密度数据R5的相对差距会比较大，其极值的测量可通过实际的考察查表获取。交通拥堵数据R6受道路规划影响较大，其而该区域中与主城区连接的3条主干道在早晚高峰时车流量密集，而靠近龙泉驿区城区范围内道路相对主干道更狭窄，其在早晚高峰时间段拥堵率比较大，因此其极值获取可根据时段不同分别对主干道以及城区内拥堵得到。该区域中温湿度数据相对平均，但由于龙泉驿区倚靠龙泉山脉，在靠近龙泉山脉附近的区域温湿度数据会相较于远离该区域的地区有所起伏，其温湿度数据的极值可根据实地测量获取。本实施例里所选取的龙泉驿区的区域面积较大，而在其跨度区域内住建分布呈两极化，其住建分布主要分布于位于该区东南方向、东北方向和西北方向的生活区以及西南方向的工业区，而在这些区域的中心位置有大量未开发地段，由于在本实施例中对区域地图进行了网格化，而网格内又进行了多点采样，实际密集的高层建筑会对风力风向存在部分影响，而空气监测也主要集中在居民生活环境相关的区域，因此，在进行极值获取时，需要考虑子网格内的高层建筑对风力风向产生的影响变化，而工业区由于不存在住宅类的高层建筑，因此其数据可以采用区域平均数据作为指标。
S14、分别计算城市基础数据和动态数据特征所占权重，对特征进行加权形成各个网格的特征密度。
在本实施例里，城市基础数据特征所占权重的计算方式为：
Figure 806746DEST_PATH_IMAGE006
Figure 596848DEST_PATH_IMAGE007
Figure 367489DEST_PATH_IMAGE008
Figure 901238DEST_PATH_IMAGE009
Figure 690203DEST_PATH_IMAGE010
其中，
Figure 385626DEST_PATH_IMAGE050
分别为城市基础数据的特征所占的权重值。
城市动态数据特征所占权重的计算方式为：
Figure 425256DEST_PATH_IMAGE021
其中，
Figure 497117DEST_PATH_IMAGE022
为交通拥堵数据特征所占权重，
Figure 406167DEST_PATH_IMAGE023
为网格内的道路编号，L为网格内道路总数，
Figure 538071DEST_PATH_IMAGE024
为第
Figure 283305DEST_PATH_IMAGE023
条道路中的通行速率，
Figure 955594DEST_PATH_IMAGE025
为第
Figure 984730DEST_PATH_IMAGE023
条道路的长度在网格内道路总数的占比，
Figure 271224DEST_PATH_IMAGE026
为当前网格内交通拥堵率归一化值，
Figure 18600DEST_PATH_IMAGE027
为网格内自由流速度；
Figure 432264DEST_PATH_IMAGE028
其中，
Figure 315906DEST_PATH_IMAGE030
为网格内多点采样得到的湿度归一化值，c为网格内的采样点编号，C为网格内的采样点数量且其最大值为100，
Figure 274766DEST_PATH_IMAGE031
为网格内第c个采样点内的绿植比重；
Figure 243859DEST_PATH_IMAGE032
其中，
Figure 461214DEST_PATH_IMAGE034
为网格内风力风向采样点编号，
Figure 933783DEST_PATH_IMAGE035
为网格内风力风向采样点总数且其最大值为100，
Figure 827659DEST_PATH_IMAGE036
为网格内单个采样点风力风向数据，V为网格点区域的平均风力风向数据，
Figure 284048DEST_PATH_IMAGE037
为网格点风力风向数据归一化值，
Figure 39515DEST_PATH_IMAGE038
为网格内的层数大于20层的居民楼覆盖率。
根据上述数据特征权重比重以及数据特征进行加权，
Figure 897749DEST_PATH_IMAGE039
其中，
Figure 463991DEST_PATH_IMAGE040
为网格内城市基础数据和动态数据特征所占的权重值，
形成如图2所示的特征密度图。
S2、为出租车和公共交通工具配备移动监测器，基于出租车轨迹时空分布特征和公共交通路线空间分布特征，确定固定式路边空气质量监测站的位置；
具体方式为：
S21、计算出租车的轨迹数据的时空分布，根据该分布计算出租车搭载的移动监测器的时空分布特征，实际操作中包括如下步骤：
S211、随机获取多辆出租车的GPS数据信息；
S212、对每一辆出租车的GPS数据进行提取，按照1km*1km网格对单个出租车的轨迹进行离散选取，标记出租车出现过的网格；
S213、将所有出租车轨迹所覆盖的网格进行整合，对区域内的网格按照轨迹点重合度由高到低排列；
S214、将轨迹重合度位于后10%的网格舍去，在轨迹重合度排名位于前10%的网格中心点设置固定路边空气监察站，若该网格的中心点不适合设置监察站，则将其设置于距离该中心点最近的路基上；
S214、在轨迹重合度位于10%-90%之间的网格内设置移动监察站。
S22、根据公交车的线路分布情况，计算公交线路与出租车所搭载的移动监测器重合的位置，确定移动监测器的分布区域；
S23、基于步骤S21的出租车的轨迹数据的时空分布，选择出租车密度高于第一阈值，且与公交线路重合度高于第二阈值的位置作为固定式路边空气质量监测站的位置。
本实施例里，通过分析如图3所示的早高峰以及晚高峰龙泉驿区出租车GPS轨迹数据空间分布，可以看出出租车活动区域主要集中在龙泉驿主城区、驿都大道、龙都北路、航天北路等区域，这些区域均有一定数量的公共交通路线分布。固定式路边空气质量监测站的选址以互补性为主要指导，根据龙泉驿区出租车轨迹时空分布特征以及公共交通线路空间分布，选择出租车密度较高且与现有公共交通线路高度重合的位置如图4所示。
其中，站点1地处龙泉驿区东南的生活区，该处有较高密度的出租车。此外，700米外的龙泉音乐广场是地铁出租公交的交通枢纽，在该站点布设固定式路边空气质量监测站将为数量众多的出租车或公交车所搭载的移动式空气质量监测站提供实时校对的数据支持；站点2处于龙泉驿市区最重要的两条主干道的交汇处，距离龙泉驿汽车总站距离近，位于大量公交车的必经之路，且在出租车频繁活动区域，适合为移动式空气质量监测站的校准提供支持；站点3地处龙泉驿市区东北，出租车出现的频率很高，周围是生活区，公交车和出租车都有较高的密度；站点4周围亦是生活区，站点5周围是工业区，均有较高密度的出租车和公交车。
S3、基于固定式路边空气质量监测站的位置以及所配备的移动监测器，确定需要配备移动监测站的公共交通线路以及监测站数量；
在本实施例里，（1）以固定式路边空气质量监测站的5个选址为基础，公交路线的选择重点考虑互补性原则，即与固定式路边微站形成地理重合，便于微站的实时校对。（2）尽量选择运营路线长，运行时间久的公交线路，以收集更多、更全面的大气质量信息。（3）龙泉山因固定站分布稀疏且鲜有出租车覆盖，可通过固定公交线路弥补。综合上述考量，如图5所示最终确定13条公交线路，共搭配45台移动设备。
S4、根据均匀性原则对步骤S1-S3建立的监测网络进行优化。
本实施例里的均匀性原则具体做法如下，紧凑型空气质量监测站的选址以均匀性和空间异质性为指导，在固定式路边空气质量监测站和搭载移动式空气质量监测站确定、以及出租车时空分布给定的情况下，对以上三者的时空覆盖进行补充。
最终，本发明所设计的动静结合的城市区域空气质量监测站选址方法利用固定式紧凑型空气质量监测站、固定式路边型空气质量监测站以及公交和出租所搭载的移动式空气质量监测站对龙泉驿区形成了有效的双网监测，其空间分布完整均匀（均匀性），有效覆盖了龙泉驿区城镇和污染源聚集区域（空间异质性），并且保证了移动站轨迹与固定站在空间上的高度重合（互补性）。将龙泉驿区及周边区域按
Figure 142097DEST_PATH_IMAGE051
网格化，根据24小时内每个网格在每个小时内获得的固定和移动数据量进行时空覆盖估计，其结果如图6所示。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种动静结合的城市区域空气质量监测站选址方法，其特征在于，包括如下步骤：
S1、获取城市基础数据及动态数据并建立网格化城市区域综合指数作为空气质量监测站的选址依据；
S2、为出租车和公共交通工具配备移动监测器，基于出租车轨迹时空分布特征和公共交通路线空间分布特征，确定固定式路边空气质量监测站的位置；
S3、基于固定式路边空气质量监测站的位置以及所配备的移动监测器，确定需要配备移动监测站的公共交通线路以及监测站数量；
S4、根据均匀性原则对步骤S1-S3建立的监测网络进行优化。
2.根据权利要求1所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S1中城市基础数据包括城市地理地貌、土地利用、建成环境、工商注册和人口密度数据；所述动态数据包括交通拥堵、温度湿度以及风力风向数据。
3.根据权利要求1所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S1中建立网格化城市区域综合指数的具体方式为：
S11、将城市所需进行空气质量监测的区域划分为大小为1km×1km的网格；
S12、将各区域的城市基础数据和动态数据投影到空间位置对应的网格上；
S13、基于各网格所对应的城市基础数据和动态数据，通过非监督式学习提取各网格上的数据特征并进行归一化，具体计算方式为：
Figure 302614DEST_PATH_IMAGE001
其中，
Figure 570915DEST_PATH_IMAGE002
为网格内第i类数据，
Figure 1896DEST_PATH_IMAGE003
网格内第i类数据的最小值，
Figure 99165DEST_PATH_IMAGE004
为网格内第i类数据的最大值，网格内最大值和最小值取样为网格面积大小的10%内的对应数据值，
Figure 931992DEST_PATH_IMAGE005
为
Figure 67133DEST_PATH_IMAGE002
对应的归一化值；
S14、分别计算城市基础数据和动态数据特征所占权重，对特征进行加权形成各个网格的特征密度。
4.根据权利要求3所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S14中城市基础数据特征所占权重的计算方式为：
Figure 985411DEST_PATH_IMAGE006
Figure 886370DEST_PATH_IMAGE007
Figure 42545DEST_PATH_IMAGE008
Figure 121491DEST_PATH_IMAGE009
Figure 527064DEST_PATH_IMAGE010
其中，
Figure 966136DEST_PATH_IMAGE011
为地理地貌数据特征所占的权重值，
Figure 553981DEST_PATH_IMAGE012
为地理地貌数据的归一化值，
Figure 53095DEST_PATH_IMAGE013
为土地利用数据特征作战权重值，
Figure 680386DEST_PATH_IMAGE014
为土地利用数据的归一化值，
Figure 923148DEST_PATH_IMAGE015
为建成环境数据特征所占的权重值，
Figure 70227DEST_PATH_IMAGE016
为建成环境数据的归一化值，
Figure 740243DEST_PATH_IMAGE017
为工商注册数据特征所占的权重值，
Figure 854829DEST_PATH_IMAGE018
为工商注册数据的归一化值，
Figure 635704DEST_PATH_IMAGE019
为人口密度数据特征所占的权重值，
Figure 401403DEST_PATH_IMAGE020
为人口密度数据的归一化值。
5.根据权利要求3所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S13中城市动态数据特征所占权重的计算方式为：
Figure 242320DEST_PATH_IMAGE021
其中，
Figure 578624DEST_PATH_IMAGE022
为交通拥堵数据特征所占权重，
Figure 163189DEST_PATH_IMAGE023
为网格内的道路编号，L为网格内道路总数，
Figure 284860DEST_PATH_IMAGE024
为第
Figure 296678DEST_PATH_IMAGE023
条道路中的通行速率，
Figure 120277DEST_PATH_IMAGE025
为第
Figure 554539DEST_PATH_IMAGE023
条道路的长度在网格内道路总数的占比，
Figure 779984DEST_PATH_IMAGE026
为当前网格内交通拥堵率归一化值，
Figure 962703DEST_PATH_IMAGE027
为网格内自由流速度；
Figure 539178DEST_PATH_IMAGE028
其中，
Figure 950699DEST_PATH_IMAGE029
为温湿度数据特征所占权重，
Figure 30651DEST_PATH_IMAGE030
为网格内多点采样得到的湿度归一化值，c为网格内的采样点编号，C为网格内的采样点数量且其最大值为100，
Figure 649851DEST_PATH_IMAGE031
为网格内第c个采样点内的绿植比重；
Figure 448042DEST_PATH_IMAGE032
其中，
Figure 433228DEST_PATH_IMAGE033
为风力风向数据特征所占权重,
Figure 164424DEST_PATH_IMAGE034
为网格内风力风向采样点编号，
Figure 954525DEST_PATH_IMAGE035
为网格内风力风向采样点总数且其最大值为100，
Figure 990745DEST_PATH_IMAGE036
为网格内单个采样点风力风向数据，V为网格点区域的平均风力风向数据，
Figure 258916DEST_PATH_IMAGE037
为网格点风力风向数据归一化值，
Figure 313459DEST_PATH_IMAGE038
为网格内的层数大于20层的居民楼覆盖率。
6.根据权利要求3所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S14中网格的特征密度计算方式为：
Figure 274462DEST_PATH_IMAGE039
其中，
Figure 30934DEST_PATH_IMAGE040
为网格第i类数据特征所占的权重值。
7.根据权利要求3所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S1中选址依据为：对于网格化空间内特征变化率超过10%的网格，对应增加当前网格内的监测站数量或者对监测站进行移动。
8.根据权利要求1所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S2中固定式路边空气质量监测站位置的确定方式为：
S21、计算出租车的轨迹数据的时空分布，根据该分布计算出租车搭载的移动监测器的时空分布特征；
S22、根据公交车的线路分布情况，计算公交线路与出租车所搭载的移动监测器重合的位置，确定移动监测器的分布区域；
S23、基于步骤S21的出租车的轨迹数据的时空分布，选择出租车密度高于第一阈值，且与公交线路重合度高于第二阈值的位置作为固定式路边空气质量监测站的位置。
9.根据权利要求5所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S21中具体包含如下步骤：
S211、随机获取多辆出租车的GPS数据信息；
S212、对每一辆出租车的GPS数据进行提取，按照1km*1km网格对单个出租车的轨迹进行离散选取，标记出租车出现过的网格；
S213、将所有出租车轨迹所覆盖的网格进行整合，对区域内的网格按照轨迹点重合度由高到低排列；
S214、将轨迹重合度位于后10%的网格舍去，在轨迹重合度排名位于前10%的网格中心点设置固定路边空气监察站，若该网格的中心点不适合设置监察站，则将其设置于距离该中心点最近的路基上；
S214、在轨迹重合度位于10%-90%之间的网格内设置移动监察站。
10.根据权利要求1所述的动静结合的城市区域空气质量监测站选址方法，其特征在于，所述S3中确定需要配备移动监测站的公共交通线路以及监测站数量的方式为：
S31、基于步骤S23选择的固定式路边空气质量监测站的位置，选择线路上经过固定式路边空气质量监测站覆盖区域重合度最高的公交线路设置移动传感器；
S32、以公交线路的运营路线最长、运行时间最长为目标，选择满足目标的公交线路设置移动传感器；
S33、对出租车覆盖率小于第三阈值的区域，通过固定路线公交设置移动传感器。
CN202211283709.8A 2022-10-20 2022-10-20 一种动静结合的城市区域空气质量监测站选址方法 Active CN115358904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211283709.8A CN115358904B (zh) 2022-10-20 2022-10-20 一种动静结合的城市区域空气质量监测站选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211283709.8A CN115358904B (zh) 2022-10-20 2022-10-20 一种动静结合的城市区域空气质量监测站选址方法

Publications (2)

Publication Number Publication Date
CN115358904A true CN115358904A (zh) 2022-11-18
CN115358904B CN115358904B (zh) 2023-02-03

Family

ID=84008023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211283709.8A Active CN115358904B (zh) 2022-10-20 2022-10-20 一种动静结合的城市区域空气质量监测站选址方法

Country Status (1)

Country Link
CN (1) CN115358904B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116644868A (zh) * 2023-07-27 2023-08-25 四川国蓝中天环境科技集团有限公司 一种序列化的基于公交车队的大规模移动传感器布设方法
CN116776645A (zh) * 2023-08-21 2023-09-19 成都协致科技有限责任公司 基于小波分析的环境空气监测站布点方法及系统
CN117129638A (zh) * 2023-10-26 2023-11-28 江西怡杉环保股份有限公司 一种区域空气环境质量监测方法及系统
CN117273813A (zh) * 2023-11-22 2023-12-22 四川国蓝中天环境科技集团有限公司 一种考虑环境管控的项目智能选址方法
CN116577469B (zh) * 2023-05-17 2024-01-23 广州德亨信息技术有限公司 基于数据精度校准的大气环境监测系统、数据预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106546280A (zh) * 2015-09-16 2017-03-29 普天信息技术有限公司 移动式交通环境空气质量监测系统
US20180306762A1 (en) * 2017-04-24 2018-10-25 International Business Machines Corporation Automatic siting for air quality monitoring stations
CN111033221A (zh) * 2017-07-29 2020-04-17 山东诺方电子科技有限公司 一种出租车和公交车协同监测时选择公交线路的方法
CN112288156A (zh) * 2020-10-26 2021-01-29 哈尔滨工程大学 基于元学习和图注意力时空神经网络的空气质量预测方法
CN113222328A (zh) * 2021-03-25 2021-08-06 中国科学技术大学先进技术研究院 基于路段污染相似性的空气质量监测设备布点选址方法
CN114923512A (zh) * 2021-12-22 2022-08-19 安徽理工大学 一种基于共享单车和出租车移动轨迹的城市污染物监测优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106546280A (zh) * 2015-09-16 2017-03-29 普天信息技术有限公司 移动式交通环境空气质量监测系统
US20180306762A1 (en) * 2017-04-24 2018-10-25 International Business Machines Corporation Automatic siting for air quality monitoring stations
CN111033221A (zh) * 2017-07-29 2020-04-17 山东诺方电子科技有限公司 一种出租车和公交车协同监测时选择公交线路的方法
CN112437876A (zh) * 2017-07-29 2021-03-02 山东诺方电子科技有限公司 一种提高大气污染物监测数据客观性的方法及系统
CN112288156A (zh) * 2020-10-26 2021-01-29 哈尔滨工程大学 基于元学习和图注意力时空神经网络的空气质量预测方法
CN113222328A (zh) * 2021-03-25 2021-08-06 中国科学技术大学先进技术研究院 基于路段污染相似性的空气质量监测设备布点选址方法
CN114923512A (zh) * 2021-12-22 2022-08-19 安徽理工大学 一种基于共享单车和出租车移动轨迹的城市污染物监测优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
司书春等: "城市出租车走航大气监测系统研究――以山东省济南市为例", 《环境保护》 *
姜晓群等: "城市空气质量监测网络评估方法", 《中国环境科学》 *
曲昭伟等: "基于出租车GPS大数据的城市热点出行路段识别方法", 《交通运输系统工程与信息》 *
闫雨龙等: "太原市大气污染现状及监测站点优化", 《太原科技大学学报》 *
陈杰: "基于关联规则构建的城市空气质量监测设备布点选址方法研究", 《中国优秀硕士学位论文全文数据库·工程科技Ⅰ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116577469B (zh) * 2023-05-17 2024-01-23 广州德亨信息技术有限公司 基于数据精度校准的大气环境监测系统、数据预测方法
CN116644868A (zh) * 2023-07-27 2023-08-25 四川国蓝中天环境科技集团有限公司 一种序列化的基于公交车队的大规模移动传感器布设方法
CN116644868B (zh) * 2023-07-27 2023-10-03 四川国蓝中天环境科技集团有限公司 一种序列化的基于公交车队的大规模移动传感器布设方法
CN116776645A (zh) * 2023-08-21 2023-09-19 成都协致科技有限责任公司 基于小波分析的环境空气监测站布点方法及系统
CN116776645B (zh) * 2023-08-21 2023-10-27 成都协致科技有限责任公司 基于小波分析的环境空气监测站布点方法及系统
CN117129638A (zh) * 2023-10-26 2023-11-28 江西怡杉环保股份有限公司 一种区域空气环境质量监测方法及系统
CN117129638B (zh) * 2023-10-26 2024-01-12 江西怡杉环保股份有限公司 一种区域空气环境质量监测方法及系统
CN117273813A (zh) * 2023-11-22 2023-12-22 四川国蓝中天环境科技集团有限公司 一种考虑环境管控的项目智能选址方法
CN117273813B (zh) * 2023-11-22 2024-01-30 四川国蓝中天环境科技集团有限公司 一种考虑环境管控的项目智能选址方法

Also Published As

Publication number Publication date
CN115358904B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN115358904B (zh) 一种动静结合的城市区域空气质量监测站选址方法
US11554776B2 (en) System and method for predicting of absolute and relative risks for car accidents
Sun et al. Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data
Huang et al. Modeling real-time human mobility based on mobile phone and transportation data fusion
Shang et al. Inferring gas consumption and pollution emission of vehicles throughout a city
Schäfer et al. A traffic information system by means of real-time floating-car data
Wang et al. Estimating dynamic origin-destination data and travel demand using cell phone network data
CN109522603A (zh) 基于云平台的车载拉格朗日实时大气污染溯源系统及方法
Kan et al. Fine-grained analysis on fuel-consumption and emission from vehicles trace
Pinto et al. Kriging method application and traffic behavior profiles from local radar network database: A proposal to support traffic solutions and air pollution control strategies
Cooper et al. Using multiple hybrid spatial design network analysis to predict longitudinal effect of a major city centre redevelopment on pedestrian flows
Croxford et al. Siting considerations for urban pollution monitors
CN108053240B (zh) 生成车载广告投放公交线路方案的方法及装置
Zhou et al. Identifying spatiotemporal characteristics and driving factors for road traffic CO2 emissions
Deng et al. Unraveling the association between the built environment and air pollution from a geospatial perspective
Puliafito et al. Air-quality impact of PM10 emission in urban centres
CN111400877B (zh) 一种基于gis数据的智能城市仿真系统和方法
Zhang et al. Distribution patterns and influencing factors of population exposure risk to particulate matters based on cell phone signaling data
Soe et al. Haversine formula and RPA algorithm for navigation system
Balen et al. Air quality monitoring device for vehicular ad hoc networks: enviodev
Ghaffarpasand et al. Telematics data for geospatial and temporal mapping of urban mobility: New insights into travel characteristics and vehicle specific power
Lian et al. Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency
Burian et al. Traffic intensity changes and their influence on spatial distribution of suburbanization
Shaji Spatio-temporal clustering to study vehicle emissions and air quality correlation at Porto
Medeiros et al. How emerging technology and its integrations is advancing our understanding of urban and traffic-related air pollution

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