CN116147712A - 免时空限制的立体式施工环境监测装置及预测方法 - Google Patents

免时空限制的立体式施工环境监测装置及预测方法 Download PDF

Info

Publication number
CN116147712A
CN116147712A CN202310408742.7A CN202310408742A CN116147712A CN 116147712 A CN116147712 A CN 116147712A CN 202310408742 A CN202310408742 A CN 202310408742A CN 116147712 A CN116147712 A CN 116147712A
Authority
CN
China
Prior art keywords
data
module
dust
prediction
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
CN202310408742.7A
Other languages
English (en)
Other versions
CN116147712B (zh
Inventor
王兴举
王志斌
李彦伟
杜群乐
郭猛
冯雷
申大为
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.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao 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 Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202310408742.7A priority Critical patent/CN116147712B/zh
Publication of CN116147712A publication Critical patent/CN116147712A/zh
Application granted granted Critical
Publication of CN116147712B publication Critical patent/CN116147712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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]
    • G16Y10/00—Economic sectors
    • G16Y10/30—Construction
    • 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
    • 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
    • G16Y40/20—Analytics; Diagnosis
    • 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
    • G16Y40/60—Positioning; Navigation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Business, Economics & Management (AREA)

Abstract

本发明公开了一种免时空限制的立体式施工环境监测装置及预测方法，属于节能环保技术领域，包括数据采集模块、微控制器模块、数据通信模块、供电模块、数据本地存储模块、定位模块、云服务器模块以及环境监测装置设备搭载模块，本申请可应用于施工环境扬尘及影响因素的立体监测，可以搭配无人机等移动设备，进行空间范围内的环境指标数据采集。该装置通过高精度传感器与ESP32控制板的集成开发，充分利用物联网技术，达到设备集成度高、运行稳定的特点，从而方便无人机承载，实现免时空限制的立体式采集效果。该装置可以实现数据采集以及数据的云端存储，数据的空间采集和存储都免受时空限制，而且便于数据共享，为环境改善决策提供参考。

Description

免时空限制的立体式施工环境监测装置及预测方法
技术领域
本发明属于节能环保技术领域，具体涉及一种免时空限制的立体式施工环境监测装置及预测方法。
背景技术
推动绿色施工建设是绿色发展理念的重要内容，工程施工过程中常常伴随大量扬尘产生，如建筑工地扬尘污染是建筑施工过程中排放的无组织颗粒物污染，既包括施工工地内部各种施工环节造成的一次扬尘，也包括因施工运输造成的扬尘以及建筑材料逸散造成的二次交通扬尘。由于城市建筑业发展迅速，城市地区人口密集，因工程施工扬尘而干扰人民正常生活的问题也屡见不鲜，因此施工环境的扬尘对空气质量的影响日益受到关注。施工环境数据的高效采集是扬尘排放特征研究的基础条件，随着物联网技术、传感技术和通信技术等新型技术的发展，为自动获取与存储工地现场相关的信息提供了契机。
随着数据可用性和大数据技术的发展，机器学习在多领域的应用已经取得一定成效，已逐渐成为实现人工智能的关键方法之一。扬尘的扩散和传播受到温度、湿度等气象要素和其它污染指标等影响，考虑扬尘扩散影响因素的空间预测更加有助于扬尘污染的治理。深度学习作为高维非线性复杂特征自动提取的新手段，将人工智能算法用于环境排放及预测研究，可以进一步提高扬尘排放特征和扬尘扩散研究的有效性。
发明内容
本发明需要解决的技术问题是提供一种免时空限制的立体式施工环境监测装置及空间预测方法，该装置可应用于施工环境扬尘及影响因素的立体监测，可以搭配无人机等移动设备，进行空间范围内的环境指标数据采集，具体监测指标包括TSP，PMx，温度，湿度。该装置通过高精度传感器与ESP32控制板的集成开发，充分利用物联网技术，达到设备集成度高、运行稳定的特点，从而方便无人机承载，实现免时空限制的立体式采集效果。该装置可以实现数据采集以及数据的云端存储，数据的空间采集和存储都免受时空限制，而且便于数据共享，为环境改善决策提供参考。
为解决上述技术问题，本发明所采用的技术方案是：
一种免时空限制的立体式施工环境监测装置，包括数据采集模块、微控制器模块、数据通信模块、供电模块、数据本地存储模块、定位模块、云服务器模块以及环境监测装置设备搭载模块；所述环境监测装置设备搭载模块包括无人机，数据采集模块包括TSP采集传感器、PMx传感器以及温湿度传感器，采集扬尘和其气象影响因素数据；微控制器模块采用ESP32控制板，控制施工环境监测装置各模块的协调工作，数据通信模块为5G通信模组，数据本地存储模块包括SD卡，主要为数据的备份作用；定位模块对采集点进行位置信息采集，云服务器模块负责数据的云存储和数据的预处理与计算。
本发明技术方案的进一步改进在于：TSP采集传感器、PMx传感器、温湿度传感器与ESP32控制板，通过集成开发的方式，实现数据采集指标包括TSP、PM1.0、PM2.5、PM10、温度和湿度的多指标同步采集，为施工环境扬尘研究提供多维数据。
本发明技术方案的进一步改进在于：5G通信模组和云服务器模块可以将采集到的各项监测指标数据实时、同步传输到云服务器模块中所搭建的数据库内。
一种施工环境扬尘的预测方法，包括以下步骤：
S1、构建施工扬尘空间预测模型：施工扬尘空间预测模型根据已知监测点的属性值进行待估点属性值预测，即待估点预测的扬尘浓度值等于已知监测点的扬尘浓度值的加权和；
Figure SMS_1
式中/>
Figure SMS_2
为待估点位置， />
Figure SMS_3
为权重系数，n为监测点位个数，
Figure SMS_4
代表第i个已知点的属性值， />
Figure SMS_5
代表/>
Figure SMS_6
点的预测属性值，即扬尘预测浓度值；
S2、求得一组最优权重系数
Figure SMS_7
：通过构建目标函数J，代表的是施工扬尘预测值和真实值之差的方差尽可能小，从而求得估计误差最小的一组最优权重系数
Figure SMS_8
；
S3、求解目标函数J：通过构建约束条件从而进行最优化求解，约束条件包括无偏性约束条件和
Figure SMS_9
的约束条件；
无偏性是指预估点出的预测值与真实值之差最小，无偏约束条件表示为下：
Figure SMS_10
，
Figure SMS_11
的另一个约束条件为：/>
Figure SMS_12
；
S4、求得最优权重系数
Figure SMS_13
的求解公式：
定义
Figure SMS_14
，/>
Figure SMS_15
，
式中，o表示待估点，求解使J最小的一组
Figure SMS_16
，也就是对 />
Figure SMS_17
求偏导数并另其为0，即：/>
Figure SMS_18
；
引入拉格朗日乘数法进行求解，构建目标函数并对
Figure SMS_19
分别求偏导，可得 />
Figure SMS_20
的求解公式如下：/>
Figure SMS_21
，
S5、根据监测位置坐标数据和欧式距离公式计算监测点
Figure SMS_22
和监测点 />
Figure SMS_23
之间的距离；/>
Figure SMS_24
，
S6、根据公式
Figure SMS_25
计算半方差函数 />
Figure SMS_26
；
S7、根据地理学第一定律，运用高斯模型进行半方差与距离的拟合，求出参数
Figure SMS_27
；/>
Figure SMS_28
，
S8、根据S7中拟合公式求出待估点o与所有监测点之间的半方差
Figure SMS_29
；
S9、由于
Figure SMS_30
仅考虑了空间距离，通过LSTM对其进行优化，对所有监测点进行取样，由无人机搭载环境监测装置在施工区域周围进行全方位数据采集，将采集到的数据实时传输到云服务器中的数据库内，形成样本数据集；
S10、以预测PM2.5为例，对TSP、PM1.0、PM10、温度、湿度和
Figure SMS_31
进行归一化处理，将不同特征TSP、PM1.0、PM10、温度、湿度的数据映射到[0,1]；/>
S11、样本数据集分离为训练集和测试集，取将80%数据作为训练集，其余作为测试集；
S12、构造特征数据集，包括训练特征数据集和测试特征数据集，将
Figure SMS_32
作为标签，序列数据包括TSP、PM1.0、PM10、温度、湿度，时间窗口选10，即10条数据创建一个特征数据，滑动窗口步长为1；
S13、构造批数据，根据样本数据量进行选取，此处将128个窗口数据构建成1个批数据；
S14、模型搭建和训练， LSTM神经网络隐藏层神经元分别为256、256、128和32，输出层为全连接层；训练过程将epoch最大值设置为30，若连续10次epoch不再变化时，则训练停止；
S15、误差计算，为了验证预测效果的准确性和预测模型的可行性，需要对其预测误差进行分析；计算整体的平均相对误差和均方根误差；
S16、根据LSTM对所有监测点
Figure SMS_33
进行优化，得出 />
Figure SMS_34
,然后根据S4中公式进行 />
Figure SMS_35
求解，求出 />
Figure SMS_36
；
S17、根据施工扬尘空间预测模型对待估点o进行施工扬尘预测，待估点PM2.5浓度的空间预测考虑了空间距离、TSP、PM1.0、PM10、温度、湿度和时间序列综合因素的影响；
S18、重复上述步骤对多个待估点进行求解，从而得到施工扬尘PM2.5的空间预测；
S19、对S10中的TSP、PM1.0、PM2.5、温度和湿度进行归一化处理，重复以上步骤，得到施工扬尘PM10的空间预测；
S20、同理，可以得到施工扬尘PM1.0和TSP的空间预测。
本发明技术方案的进一步改进在于：所述的环境预测包括PM2.5浓度预测，PM10浓度预测，PM1.0浓度预测和TSP浓度预测。
本发明技术方案的进一步改进在于：步骤S9中对所有监测点进行取样，由无人机搭载环境监测装置在施工区域周围进行全方位数据采集，将采集到的数据实时传输到云服务器中的数据库内，形成样本数据集。
本发明技术方案的进一步改进在于：在步骤S17和步骤S18中，待估点PM2.5浓度的空间预测考虑了空间距离、TSP、PM1.0、PM10、温度、湿度和时间序列综合因素的影响。
本发明技术方案的进一步改进在于：步骤S15中误差计算：
计算整体的平均相对误差和均方根误差；
平均相对误差如下：
Figure SMS_37
，
均方根误差如下：
Figure SMS_38
，
式中，
Figure SMS_39
—表示第 />
Figure SMS_40
个样本指标的真实值；
Figure SMS_41
—表示第 />
Figure SMS_42
个样本指标的预测值。
由于采用了上述技术方案，本发明取得的技术进步是：
本申请通过免时空限制的施工环境预测方法，可以搭载移动装置，如无人机，从而实现实时、全空间的施工环境监测，从而解决传统环境监测设备需要人工干预存储数据、监测死角多等问题，提高了施工环境数据采集的全面性和安全性。通过构建顾及气象因素对扬尘扩散影响的施工扬尘空间预测模型，进一步提高空间插值精度，使得施工扬尘空间预测更加精确。本申请对空间任意位置进行PM2.5、PM10、PM1.0和TSP浓度的空间预测，形成施工扬尘立体式的空间预测效果，有助于进行扬尘扩散规律研究和扬尘控制研究。
附图说明
图1是本发明施工环境监测装置示意图；
图2是本发明一种施工扬尘的空间预测方法流程图；
图3是本发明空间点位示意图；
其中，1、数据采集模块，2、微控制器模块，3、数据通信模块，4、供电模块，5、数据本地存储模块，6、定位模块，7、云服务器模块，8、环境监测装置设备搭载模块。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种免时空限制的立体式施工环境监测装置，包括数据采集模块1、微控制器模块2、数据通信模块3、供电模块4、数据本地存储模块5、定位模块6、云服务器模块7以及环境监测装置设备搭载模块8；
环境监测装置设备搭载模块8包括无人机，数据采集模块1包括TSP采集传感器、PMx传感器以及温湿度传感器, 采集扬尘和其气象影响因素数据；微控制器模块2采用ESP32控制板，控制施工环境监测装置各模块的协调工作，数据通信模块3为5G通信模组，用于解决数据云存储的通信问题；数据本地存储模块5包括SD卡，主要为数据的备份作用；定位模块6对采集点进行位置信息采集，云服务器模块7负责数据的云存储和数据的预处理与计算；供电模块4包括锂电池，解决装置运行所需能耗问题。
TSP采集传感器、PMx传感器、温湿度传感器与ESP32控制板，通过集成开发的方式，实现数据采集指标包括TSP、PM1.0、PM2.5、PM10、温度和湿度的多指标同步采集，为施工环境扬尘研究提供多维数据。
数据采集模块1用于施工扬尘及影响因素指标采集，包括TSP、PM1.0、PM2.5、PM10、温度和湿度，对多个传感器进行集成，保障各监测指标数据采集的同步性；定位模块6用于施工扬尘采集点位的位置信息数据，是施工扬尘空间预测的重要影响因素之一；数据通信模块3通过移动网络的方式将采集的数据存放于云服务器中的数据库中，具有实时性，无需布线，免受时空限制。
微控制器模块2将各模块集成在单芯片上构成微型计算机，提高设备稳定性；云服务器模块7用于数据存储和模型计算；环境监测装置设备搭载模块8作为环境监测装置的承载设备，用于施工环境的空间多点位立体式数据采集，进一步为施工扬尘空间预测提高准确性。
5G通信模组和云服务器模块可以将采集到的各项监测指标数据实时、同步传输到云服务器模块中所搭建的数据库内。
如图2所示，一种施工扬尘的空间预测方法流程图，包括以下步骤：
S1、构建施工扬尘空间预测模型，如图3所示：施工扬尘空间预测模型是根据已知监测点的属性值进行待估点属性值预测，即待估点预测的扬尘浓度值等于已知监测点的扬尘浓度值的加权和；
Figure SMS_43
，
式中
Figure SMS_44
为待估点位置， />
Figure SMS_45
为权重系数，n为监测点位个数， />
Figure SMS_46
代表第i个已知点的属性值， />
Figure SMS_47
代表/>
Figure SMS_48
点的预测属性值，即扬尘预测浓度值；
S2、由所述施工扬尘空间预测模型可以看出，需要求得一组权重系数
Figure SMS_49
，构建目标函数J，代表的是预测值和真实值之差的方差尽可能小，从而求得估计误差最小的一组最优权重系数/>
Figure SMS_50
；
S3、由所述的目标函数J可知，需要构建约束条件进行最优化求解，约束条件包括无偏性约束条件和
Figure SMS_51
的约束条件；无偏性是指预估点出的预测值与真实值之差最小，无偏约束条件表示为下/>
Figure SMS_52
：/>
Figure SMS_53
的另一个约束条件为：/>
Figure SMS_54
，
S4、求得最优权重系数
Figure SMS_55
的求解公式：
Figure SMS_56
/>
Figure SMS_57
，
式中，o表示待估点，求解使J最小的一组
Figure SMS_58
，也就是对 />
Figure SMS_59
求偏导数并另其为0，即/>
Figure SMS_60
，引入拉格朗日乘数法进行求解，构建目标函数并对 />
Figure SMS_61
分别求偏导，可得/>
Figure SMS_62
，
S5、根据监测位置坐标数据和欧式距离公式计算监测点
Figure SMS_63
和监测点 />
Figure SMS_64
之间的距离，/>
Figure SMS_65
；
S6、根据公式
Figure SMS_66
计算半方差函数 />
Figure SMS_67
；
S7、根据地理学第一定律，运用高斯模型进行半方差与距离的拟合，求出参数
Figure SMS_68
，/>
Figure SMS_69
；
S8、根据上述S7中拟合公式求出待估点o与所有监测点之间的半方差
Figure SMS_70
；
S9、由于
Figure SMS_71
仅考虑了空间距离，通过LSTM对其进行优化，对所有监测点进行取样，由无人机搭载环境监测装置在施工区域周围进行全方位数据采集，将采集到的数据实时传输到云服务器中的数据库内，形成样本数据集；
S10、以预测PM2.5为例，对TSP、PM1.0、PM10、温度、湿度和
Figure SMS_72
进行归一化处理，将不同特征TSP、PM1.0、PM10、温度、湿度的数据映射到[0,1]；
S11、样本数据集分离为训练集和测试集，取将80%数据作为训练集，其余作为测试集；
S12、构造特征数据集，包括训练特征数据集和测试特征数据集，将
Figure SMS_73
作为标签，序列数据包括TSP、PM1.0、PM10、温度、湿度，时间窗口选10，即10条数据创建一个特征数据，滑动窗口步长为1；
S13、构造批数据，根据样本数据量进行选取，此处将128个窗口数据构建成1个批数据；
S14、模型搭建和训练，LSTM神经网络由输入层、隐藏层和输出层组成，隐藏层神经元分别为256、256、128和32，输出层为全连接层；训练过程将epoch最大值设置为30，若连续10次epoch不再变化时，则训练停止；
S15、误差计算，为了验证预测效果的准确性和预测模型的可行性，需要对其预测误差进行分析；计算整体的平均相对误差和均方根误差；
平均相对误差如下：
Figure SMS_74
，均方根误差如下：
Figure SMS_75
，
式中，
Figure SMS_76
—表示第 />
Figure SMS_77
个样本标签的真实值；
Figure SMS_78
—表示第 />
Figure SMS_79
个样本的预测值；
S16、根据LSTM对所有监测点
Figure SMS_80
进行优化，得出/>
Figure SMS_81
,然后根据S4中公式进行 />
Figure SMS_82
求解，求出 />
Figure SMS_83
；
S17、根据施工扬尘空间预测模型对待估点o进行施工扬尘预测，待估点PM2.5浓度的空间预测考虑了空间距离、TSP、PM1.0、PM10、温度、湿度和时间序列综合因素的影响；
S18、重复上述步骤对多个待估点进行求解，从而得到施工扬尘PM2.5的空间预测；
S19、对S10中的TSP、PM1.0、PM2.5、温度和湿度进行归一化处理，重复以上步骤，得到施工扬尘PM10的空间预测；
S20、同理，可以得到施工扬尘PM1.0和TSP的空间预测。
本发明提出的施工扬尘空间预测方法，不仅考虑了地理学第一定律，也考虑了扬尘扩散规律，将空间维度、时间维度、TSP、PM1.0、PM10、温度、湿度均作为了施工扬尘PM2.5空间预测的影响因素；运用深度学习算法，对施工扬尘进行空间预测，进一步提高空间预测的无偏性和最优性。

Claims (8)

1.一种免时空限制的立体式施工环境监测装置，其特征在于：包括数据采集模块（1）、微控制器模块（2）、数据通信模块（3）、供电模块（4）、数据本地存储模块（5）、定位模块（6）、云服务器模块（7）以及环境监测装置设备搭载模块（8）；所述环境监测装置设备搭载模块（8）包括无人机，数据采集模块包括TSP采集传感器、PMx传感器以及温湿度传感器，采集扬尘和其气象影响因素数据；微控制器模块（2）采用ESP32控制板，控制施工环境监测装置各模块的协调工作，数据通信模块（3）为5G通信模组，数据本地存储模块（5）包括SD卡，主要为数据的备份作用；定位模块（6）对采集点进行位置信息采集，云服务器模块（7）负责数据的云存储和数据的预处理与计算。
2.根据权利要求1所述的一种免时空限制的立体式施工环境监测装置，其特征在于：TSP采集传感器、PMx传感器、温湿度传感器与ESP32控制板，通过集成开发的方式，实现数据采集指标包括TSP、PM1.0、PM2.5、PM10、温度和湿度的多指标同步采集，为施工环境扬尘研究提供多维数据。
3.根据权利要求1所述的一种免时空限制的立体式施工环境监测装置，其特征在于：5G通信模组和云服务器模块可以将采集到的各项监测指标数据实时、同步传输到云服务器模块中所搭建的数据库内。
4.一种施工环境扬尘的预测方法，其特征在于包括以下步骤：
S1、构建施工扬尘空间预测模型：施工扬尘空间预测模型根据已知监测点的属性值进行待估点属性值预测，即待估点预测的扬尘浓度值等于已知监测点的扬尘浓度值的加权和；
Figure QLYQS_1
式中s o 为待估点位置，/>
Figure QLYQS_2
为权重系数，n为监测点位个数，/>
Figure QLYQS_3
代表第i个已知点的属性值，/>
Figure QLYQS_4
代表s o 点的预测属性值，即扬尘预测浓度值；
S2、求得一组最优权重系数
Figure QLYQS_5
：通过构建目标函数J，代表的是施工扬尘预测值和真实值之差的方差尽可能小，从而求得估计误差最小的一组最优权重系数
Figure QLYQS_6
；
S3、求解目标函数J：通过构建约束条件从而进行最优化求解，约束条件包括无偏性约束条件和
Figure QLYQS_7
的约束条件；
无偏性是指预估点出的预测值与真实值之差最小，无偏约束条件表示为下：
Figure QLYQS_8
；
Figure QLYQS_9
的另一个约束条件为：/>
Figure QLYQS_10
；
S4、求得最优权重系数
Figure QLYQS_11
的求解公式：定义/>
Figure QLYQS_12
，
Figure QLYQS_13
，
式中，o表示待估点，求解使J最小的一组
Figure QLYQS_14
，也就是对/>
Figure QLYQS_15
求偏导数并另其为0，
即：
Figure QLYQS_16
引入拉格朗日乘数法进行求解，构建目标函数并对/>
Figure QLYQS_17
分别求偏导，可得/>
Figure QLYQS_18
的求解公式如下：/>
Figure QLYQS_19
，，
S5、根据监测位置坐标数据和欧式距离公式计算监测点
Figure QLYQS_20
和监测点/>
Figure QLYQS_21
之间的距离；
Figure QLYQS_22
，
S6、根据公式
Figure QLYQS_23
计算半方差函数/>
Figure QLYQS_24
；/>
S7、根据地理学第一定律，运用高斯模型进行半方差与距离的拟合，求出参数
Figure QLYQS_25
；
Figure QLYQS_26
，
S8、根据S7中拟合公式求出待估点o与所有监测点之间的半方差
Figure QLYQS_27
；
S9、由于
Figure QLYQS_28
仅考虑了空间距离，通过LSTM对其进行优化，对所有监测点进行取样，形成样本数据集；
S10、以PM2.5浓度作为预测指标，对TSP、PM1.0、PM10、温度、湿度和
Figure QLYQS_29
进行归一化处理，将不同特征TSP、PM1.0、PM10、温度、湿度的数据映射到[0,1]；
S11、样本数据集分离为训练集和测试集，取将80%数据作为训练集，其余作为测试集；
S12、构造特征数据集，包括训练特征数据集和测试特征数据集，将
Figure QLYQS_30
作为标签，序列数据包括TSP、PM1.0、PM10、温度、湿度，时间窗口选10，即10条数据创建一个特征数据，滑动窗口步长为1；
S13、构造批数据，根据样本数据量进行选取，此处将128个窗口数据构建成1个批数据；
S14、模型搭建和训练， LSTM神经网络隐藏层神经元分别为256、256、128和32，输出层为全连接层；训练过程将epoch最大值设置为30，若连续10次epoch不再变化时，则训练停止；
S15、误差计算，为了验证预测效果的准确性和预测模型的可行性，需要对其预测误差进行分析；计算整体的平均相对误差和均方根误差；
S16、根据LSTM对所有监测点
Figure QLYQS_31
进行优化，得出/>
Figure QLYQS_32
，然后根据S4中公式进行/>
Figure QLYQS_33
求解，求出/>
Figure QLYQS_34
；
S17、根据施工扬尘空间预测模型对待估点o进行施工扬尘PM2.5预测；
S18、重复上述步骤对多个待估点进行求解，从而得到施工扬尘PM2.5的空间预测；
S19、对S10中的TSP、PM1.0、PM2.5、温度和湿度进行归一化处理，重复以上步骤，得到施工扬尘PM10的空间预测；
S20、同理，可以得到施工扬尘PM1.0和TSP的空间预测。
5.根据权利要求4所述的一种施工环境扬尘的预测方法，其特征在于：所述的环境预测包括PM2.5浓度预测，PM10浓度预测，PM1.0浓度预测和TSP浓度预测。
6.根据权利要求4所述的一种施工环境扬尘的预测方法，其特征在于：步骤S9中对所有监测点进行取样，由无人机搭载环境监测装置在施工区域周围进行全方位数据采集，将采集到的数据实时传输到云服务器中的数据库内，形成样本数据集。
7.根据权利要求4所述的一种施工环境扬尘的预测方法，其特征在于：在步骤S17和步骤S18中，待估点PM2.5浓度的空间预测考虑了空间距离、TSP、PM1.0、PM10、温度、湿度和时间序列综合因素的影响。
8.根据权利要求4所述的一种施工环境扬尘的预测方法，其特征在于：步骤S15中误差计算：
计算整体的平均相对误差和均方根误差；
平均相对误差如下：
Figure QLYQS_35
，
均方根误差如下：
Figure QLYQS_36
，
式中，
Figure QLYQS_37
—表示第/>
Figure QLYQS_38
个样本指标的真实值；
Figure QLYQS_39
—表示第/>
Figure QLYQS_40
个样本指标的预测值。/>
CN202310408742.7A 2023-04-18 2023-04-18 免时空限制的立体式施工环境监测装置及预测方法 Active CN116147712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310408742.7A CN116147712B (zh) 2023-04-18 2023-04-18 免时空限制的立体式施工环境监测装置及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310408742.7A CN116147712B (zh) 2023-04-18 2023-04-18 免时空限制的立体式施工环境监测装置及预测方法

Publications (2)

Publication Number Publication Date
CN116147712A true CN116147712A (zh) 2023-05-23
CN116147712B CN116147712B (zh) 2023-07-07

Family

ID=86341032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310408742.7A Active CN116147712B (zh) 2023-04-18 2023-04-18 免时空限制的立体式施工环境监测装置及预测方法

Country Status (1)

Country Link
CN (1) CN116147712B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091648A (zh) * 2023-07-27 2023-11-21 石家庄铁道大学 一种空地一体施工生态环境监测装置及可视化处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170357223A1 (en) * 2016-06-14 2017-12-14 General Electric Company System and method to enhance turbine monitoring with environmental information
CN111829693A (zh) * 2020-07-30 2020-10-27 成都运达科技股份有限公司 基于时间与空间维度的lstm模型的轴承温度检测方法及系统
CN112508056A (zh) * 2020-11-13 2021-03-16 东南大学 基于移动多源感知的城市空气质量监测方法
CN114418179A (zh) * 2021-12-14 2022-04-29 石家庄铁道大学 一种施工扬尘监测与预测方法、装置及系统
CN115471128A (zh) * 2022-10-18 2022-12-13 湖南机电职业技术学院 一种基于大数据的预测空气质量趋势的装置
CN115876655A (zh) * 2022-12-02 2023-03-31 中国矿业大学 一种受限空间涉爆粉尘全过程监测系统及方法
CN115951014A (zh) * 2022-11-21 2023-04-11 南通大学 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170357223A1 (en) * 2016-06-14 2017-12-14 General Electric Company System and method to enhance turbine monitoring with environmental information
CN111829693A (zh) * 2020-07-30 2020-10-27 成都运达科技股份有限公司 基于时间与空间维度的lstm模型的轴承温度检测方法及系统
CN112508056A (zh) * 2020-11-13 2021-03-16 东南大学 基于移动多源感知的城市空气质量监测方法
CN114418179A (zh) * 2021-12-14 2022-04-29 石家庄铁道大学 一种施工扬尘监测与预测方法、装置及系统
CN115471128A (zh) * 2022-10-18 2022-12-13 湖南机电职业技术学院 一种基于大数据的预测空气质量趋势的装置
CN115951014A (zh) * 2022-11-21 2023-04-11 南通大学 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN115876655A (zh) * 2022-12-02 2023-03-31 中国矿业大学 一种受限空间涉爆粉尘全过程监测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINGJU WANG: "Study on fuzzy optimization theory, model and its application in flood control operations", 《2010 SEVENTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 *
谢海花: "基于回归预测的公路施工扬尘扩散预测", 《公路》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091648A (zh) * 2023-07-27 2023-11-21 石家庄铁道大学 一种空地一体施工生态环境监测装置及可视化处理方法

Also Published As

Publication number Publication date
CN116147712B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Yi et al. A neural network model forecasting for prediction of daily maximum ozone concentration in an industrialized urban area
CN111458471B (zh) 一种基于图神经网络的水域检测预警方法
CN108171259A (zh) 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN107817404B (zh) 一种便携式计量自动化终端故障诊断装置及其诊断方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN103235098A (zh) 地下水在线水质监测系统
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
CN116147712B (zh) 免时空限制的立体式施工环境监测装置及预测方法
CN105069537A (zh) 一种组合式空气质量预报模型的构建方法
CN111339092A (zh) 一种基于深度学习的多尺度空气质量预报方法
CN115762169B (zh) 一种环卫车无人驾驶的智能控制系统及方法
CN115759488A (zh) 一种基于边缘计算的碳排放监测预警分析系统及其方法
CN112215416B (zh) 智能规划巡检航线系统及方法
CN112446114A (zh) 基于三维模型比对的输电线路工程施工进度监测方法
CN113033081A (zh) 一种基于som-bpnn模型的径流模拟方法及系统
CN115585731A (zh) 空天地一体化水电站空间状态智能监控管理系统及其方法
CN107066501A (zh) 一种基于道路相似性的机动车尾气遥测设备布点方法
CN117332815A (zh) 一种工业园区大气污染的预测方法及预测预警系统
CN116664095B (zh) 一种基于深度学习的安保巡检预测方法
CN112990531A (zh) 一种基于特征增强ConvLSTM的雾霾预测方法
Deng Sustainable Development Research of Green Smart Park in High-End Manufacturing Based on Internet of Things
CN117077353A (zh) 基于多变量bp神经网络的碳排放测算建模、方法及装置
CN113807404A (zh) 面向多源信息融合的智慧交通网络智能化监控与应急系统
CN111259912A (zh) 一种基于ae-svm变电站巡检机器人的仪表图像识别方法
Huang et al. Air quality monitoring of landscape architecture based on multi-sensor fusion

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