CN116776745B - 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 - Google Patents
基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 Download PDFInfo
- Publication number
- CN116776745B CN116776745B CN202311040769.1A CN202311040769A CN116776745B CN 116776745 B CN116776745 B CN 116776745B CN 202311040769 A CN202311040769 A CN 202311040769A CN 116776745 B CN116776745 B CN 116776745B
- Authority
- CN
- China
- Prior art keywords
- prediction
- edge
- time
- observation
- pollutants
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 65
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000033001 locomotion Effects 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000009792 diffusion process Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000005012 migration Effects 0.000 claims abstract description 9
- 238000013508 migration Methods 0.000 claims abstract description 9
- 238000009434 installation Methods 0.000 claims abstract description 7
- 239000000356 contaminant Substances 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 239000012855 volatile organic compound Substances 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于边缘计算的污染物浓度和轨迹移动预测的方法与系统,本发明根据设备安装地点和观测数据,基于边缘技术,与观测设备搭建若干边缘节点,并在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型,并进行训练、优化和预测,利用集合预报算法处理不同预测模型的预测结果以获取最优预测结果;基于对恶臭、常规污染物等大气污染物的实时观测和预测数据和最优预测结果,利用对污染物进行过去和未来的迁移和扩散轨迹进行计算。本发明借助边缘计算技术特性构建多个不同的预测模型进行预测,通过集合预报获取最优预测结果进行溯源,可极大地提升本发明的计算速度和溯源精度。
Description
技术领域
本发明涉及环境监测领域,特别涉及一种基于边缘计算的污染物浓度和轨迹移动预测的方法与系统。
背景技术
目前,针对环境监测方面,现有技术提供了一些措施,比如采用污染物溯源设备对污染物排放监测并溯源,以达到对不规范工业场所进行管控的目的。但由于地域企业多,污染物种类多,溯源过程中的环境等各类因素影响,针对传统机器学习、深度学习对观测数据的预测较多,不同算法针对不同污染物预测结果表现不一致,因此目前现有的污染物溯源设备在进行监测和溯源存在预测不准确等,导致溯源效果差。并且,污染物观测设备观测的内容广泛,并且分析污染物需先将观测数据传输至中央服务器,再处理和运行分析工具和算法。数据产品耗时长、处理难度大,使得数据的直接应用过程受到限制。对于污染事件的管控有较大的时间滞后影响。
发明内容
鉴于上述状况,本发明的主要目的是为了提出一种基于边缘计算的污染物浓度和轨迹移动预测的方法与系统,以解决上述技术问题。
本发明提供了一种基于边缘计算的污染物浓度和轨迹移动预测的方法,所述方法包括如下步骤:
步骤1、根据观测设备的安装区域获取观测数据,观测数据包括实时在线观测所得的污染物和气象的参数以及观测设备所在位置的地理信息,并在观测设备内设定关于污染物因子是否超标的阈值;
步骤2、基于边缘技术,与观测设备搭建若干边缘节点,并在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型;
步骤3、利用边缘节点接收观测数据,并将历史及在线观测数据作为训练集输入不同的预测模型进行训练优化,得到不同训练好的预测模型,并将超过阈值的观测数据利用训练好的预测模型进行预测,以获取不同的预测数据;
步骤4、利用集合预报算法对不同的预测数据进行集合处理获取最优预测结果;
步骤5、根据观测数据、最优预测结果进行向前和向后轨迹推理和扩散预测,得到污染物过去和未来运动轨迹,以追踪污染物可能来源位置和未来的迁移和扩散情况;
步骤6、最终的预测结果在显示屏幕或者触摸屏上显示,同时显示监测的污染物和气象的参数和统计值,及预测的轨迹结果。
在本发明基于人工智能技术,融合了不同类型的时间序列预测算法,并借助边缘计算进行计算预测,能减少边缘节点服务向中枢发送大量数据处理请求过程,并通过对这些算法预测结果进行评价,输出更为精确的预报结果,提升后续轨迹推理的准确性。
本发明还提出一种基于边缘计算的污染物浓度和轨迹移动预测的系统,所述系统包括:
观测设备,用于根据观测设备的安装区域获取观测数据,观测数据包括实时在线观测所得的污染物和气象的参数以及观测设备所在位置的地理信息,并在观测设备内设定关于污染物因子是否超标的阈值;
中控模块,基于边缘技术,与观测设备搭建若干边缘节点,并利用边缘节点接收观测数据;
预测模块,用于在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型,并将超过阈值的观测数据利用训练好的预测模型进行预测,以获取不同的预测数据;
优化模块,用于将历史及在线观测数据作为训练集输入不同的预测模型进行训练优化,得到不同训练好的预测模型;
轨迹移动模块,根据观测数据、最优预测结果进行向前和向后轨迹推理和扩散预测,得到污染物过去和未来运动轨迹,以追踪污染物可能来源位置和未来的迁移和扩散情况。
显示模块,用于显示最终的预测结果,同时显示监测的污染物和气象的参数和统计值,及预测的轨迹结果和污染物可能来源位置。
本发明的附加方面与优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
图1为本发明提出的一种基于边缘计算的污染物浓度和轨迹移动预测的方法的流程图;
图2为本发明提出的一种基于边缘计算的污染物浓度和轨迹移动预测的系统的框架图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。
请参阅图1,本发明实施例提供了一种基于边缘计算的污染物浓度和轨迹移动预测的方法,所述方法包括如下步骤:
步骤1、根据观测设备的安装区域获取观测数据,观测数据包括实时在线观测所得的污染物和气象的参数以及观测设备所在位置的地理信息,并在观测设备内设定关于污染物因子是否超标的阈值;
其中,污染物包括恶臭污染物和常规大气污染物;恶臭污染物包括含H2S、NH3和VOCs化学组分的污染物,常规大气污染物包括PM2.5、PM10、SO2、CO、O3和NO2,气象包括风速、风向、温度、气压、湿度以及雨量。
步骤2、基于边缘技术,与观测设备搭建若干边缘节点,并在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型;
进一步的,不同的预测算法包括传统时间序列预测模型、传统机器学习算法和深度学习算法;
传统时间序列预测模型存在如下关系式:
;
其中,表示/>时间的预测值,/>表示时间,/>表示趋势项,/>表示季节项,/>表示误差项;
其中,传统时间序列预测模型采用自回归移动平均模型、指数平滑算法或Prophet模型;
在自回归移动平均模型中,趋势项为当前值与历史值之间的关系,依赖阶数/>,利用/>的历史值进行预测,得到/>时间的预测值;误差项/>依赖历史白噪声的线性组合;
在指数平滑算法中,趋势项为时间步长实际数和上一个时间点上经过平滑后的值之和,由位于0和1之间的任意值控制新旧信息的平滑;误差项/>为平滑后的趋势,表示当前趋势项和上一个趋势项的差;
在Prophet算法中,趋势项利用数据特征利用非线性或分段逻辑回归方法进行构造,季节项/>基于傅里叶级数构造,误差项/>包含节假日效应和其他误差因素的影响,其中节假日效应表示为/>,/>表示节假日的前后一段时间,/>表示节假日次数,/>的先验分布服从均值为0,方差为/>的正态分布,/>表示节假日的影响;
在Prophet算法中,趋势项采用非线性逻辑增长模型存在如下关系式:
;
在Prophet算法中,趋势项采用分段逻辑回归模型存在如下关系式:
;
其中,表示最大渐进值,/>、/>分别表示线性部分的斜率和偏置;/>表示每个时刻变点对应的变化率,/>表示向量,/>根据时间和变点时间的大小进行赋值,在0和1之间;/>表示未知参数,通过分段函数在变点的值计算得到,/>表示转置操作,/>表示指数函数。
在Prophet算法中,季节项存在关系式如下:
;
其中,为时间周期,/>表示输入的原始数据量,/>表示输入的原始数据总量,/>和/>是需要求解的参数,/>表示圆周率,/>和/>表示三角函数;
对于传统机器学习算法,通过多轮学习得到学习表达式:
;
其中,为输入的原始数据构成的损失函数/>,/>表示第/>轮和第/>轮的对变量/>模拟结果最小化。
通过学习表达式计算得到可学习参数来构建传统机器学习算法的预测公式,传统机器学习算法存在如下关系式:
;
其中,和/>分别表示两个不同的可学习参数,/>表示输入的观测数据;
其中,传统机器学习算法采用支持向量回归模型或梯度提升算法;
在支持向量回归模型中,可学习参数为拉格朗日乘子,可学习参数/>为模型参数,/>为/>和/>的核函数,/>为输入的观测数据。
支持向量回归模型的训练过程为:
模型边界条件设置为,/>,其中/>和/>分别表示隔离带的上下边缘,/>表示预测值/>和实际值/>的差值。通过构建拉格朗日函数求解:
;
其中,表示松弛变量,/>表示隔离带下边缘之下的样本点,到隔离带下边缘上的投影,与样本点/>值的差,/>表示需要求解的方程参数,/>和/>为拉格朗日系数;
在梯度提升算法中,可学习参数为关于损失函数最优解,可学习参数/>为权重,为对数据集复杂度的衡量,/>为弱分类器;
梯度提升算法的训练过程为:
设定损失函数;
通过极小化损失函数得到参数,极小化损失函数的表达式为:
。
若采用极致梯度提升、轻量级梯度提升机算法,还可以通过优化损失化函数,来改进梯度提升算法。
其中,深度学习算法采用循环神经网络或长短期记忆递归神经网络算法,对于循环神经网络算法,构建输入层、隐藏层/>和输出层/>,/>和/>分别表示输入层到隐藏层的权重矩阵和隐藏层到输出层的权重矩阵,第/>个神经网络结构满足:
;
;
本实施例中深度学习算法采用循环神经网络算法,深度学习算法存在如下关系式:
;
其中,表示激活函数,/>表示/>时刻的输出;
时刻的输出存在如下关系式:
;
其中,表示偏置,/>表示/>时刻状态下隐藏单元/>的值,/>时刻状态下隐藏单元/>的值存在如下关系式:
;
其中,表示激活函数,/>表示偏置,/>表示隐藏层上一次的值作为本次的输入权重矩阵。将循环层带入到全连接层,可以得到第/>个输出层的结果:
;
步骤3、利用边缘节点接收观测数据,并将观测数据作为训练集输入不同的预测模型进行训练优化,得到不同的最终预测模型,并将超过阈值的观测数据利用最终预测模型进行预测,以获取不同的预测数据;
上述预测模型训练和学习的优化过程主要如下:(1)设定不同算法中有m个需要优化的参数,损失函数为/>;(2)对损失函数求每个参数/>的偏导数;(3)针对每个模型第/>个参数/>,进行更新/>,/>为学习率;(4)将模型模拟得到的最优结果作为阈值,达到设定的迭代次数算法终止,最终得到较优的模型参数。由于不同算法的结构有所差异,机器学习算法中嵌套不同参数优化迭代方法,包括凸优化算法中的梯度下降法、牛顿法等,智能优化算法中的粒子群算法、遗传算法等。
模型最优结果评估方法包括平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)、决定系数()等。
;
;
;
;
属于/>中的第/>个原始数据位置,针对第/>个数据/>与预测值/>计算评估结果,/>为/>个数据的均值。
最优参数传递到预测模块完成相关参数预测后,预测模块相关参数的预测结果和实时观测数据将传递回优化模块,对预测和实时观测进行偏差评估,进一步完成对模型算法的优化。
步骤4、利用集合预报算法对不同的预测数据进行集合处理获取最优预测结果;
进一步的,利用集合预报算法对不同的预测数据进行集合处理获取最优预测结果存在如下关系式:
;
其中,表示移动平均预测值,即最优预测结果,/>表示第/>类算法的预测值,/>表示第/>类算法的权重系数。
进一步的,利用集合预报算法对不同的预测结果进行处理,获取最优预测结果,对应的训练方法包括如下训练步骤:
将所得最优预测结果利用指数加权方法进行修正,对第时刻的集合预测进行指数加权存在如下关系式:
;
其中,表示/>时刻的移动平均预测值,/>表示权重,/>表示/>时刻的移动平均预测值,/>表示/>时刻的真实值;
统计观测数据之间的时序变化过程的相似性,利用聚类算法进行聚类获取历史预报和当前预报的相似结果,相似结果存在如下关系式:
;
其中,表示预报算法对未来/>时刻的确定性预报向量,/>表示预报算法在空间位置上起报时间以及预报时效相同的历史时刻/>的预报向量,/>表示选取的预报参数个数,和/>分别表示第/>个预报参数在预报时刻/>和历史时刻/>的算法预测值,/>属于时间窗/>中某个时间窗参数,/>表示第/>个预报参数的时间序列误差标准差,/>表示各预报参数的权重,权重累计值为1;
根据历史预报和当前预报的相似结果利用相似集合方法获得预测要素的确定性,以得到不同算法在预测不同参数过程中的权重信息;
再通过设置不同的权重组合,对比预测效果确定最优权重组合。
步骤5、根据观测数据、最优预测结果进行向前和向后轨迹推理和扩散预测,得到污染物过去和未来运动轨迹,以追踪污染物可能来源位置和未来的迁移和扩散情况。
本实施例中,基于设备周边地形地貌特征和网格精度,典型前向或后向推理时间为6h、24h或48h。
进一步的,根据观测数据和最优预测结果进行向前和向后轨迹推理,获取每个检测网格中恶臭污染物数据、常规大气污染物数据未来和过去运动轨迹,并根据未来和过去运动轨迹定位污染物来源的方法具体包括如下步骤:
获取检测数据的粒子位置点,粒子位置点表示为,在/>时刻粒子位置点值为,对粒子位置点的值的变化量进行约束,得到约束条件,约束条件存在如下关系式:
;
其中,、/>、/>分别表示位置/>,/>和时间/>的变化量;
对约束条件采用泰勒展开式获取在时刻粒子位置点值附近的值,对约束条件采用泰勒展开式存在如下关系式:
;
其中,表示泰勒公式的高阶余项,/>分别表示/>、/>和/>的偏导,最终得到:
;
对点值附近的值进行后向概率推导获得后向概率分布,后向概率公式为,污染物扩散变化假设服从正态分布/>,正态分布均值/>通过拟合计算,/>为预先设定随时间逐渐增加的增加率,在已知/>、/>下拟合得到/>的概率分布函数;
对点值附近的值进行前向概率推导获得前向概率分布,前向概率公式为:,向前推导过程作为马尔可夫过程。利用预测模块提供的初始预测值/>,得到在/>时间下,/>与/>之间的关系式为,其中,/>,/>属于预测时间范围/>内的某个时间点,/>表示/>的正态分布的方差;
结合气象参数和地理信息,计算前向概率分布和后向概率分布中粒子位置点在每个网格点的可能概率值,根据概率值以获得粒子位置点向前或向后可能来源位置,进而获取恶臭污染物、常规大气污染物过去和未来运动轨迹,并根据未来和过去运动轨迹定位污染物来源。
步骤6、最终的预测结果在显示屏幕或者触摸屏上显示,同时显示监测的污染物和气象的参数和统计值,及预测的轨迹结果。
与现有技术相比,本发明的有益效果为:
1、本发明基于边缘计算算法,设置边缘计算环境,保证数据的处理、分析、计算和存储的安全性、稳定性,保证数据的隐私和安全。并且利用边缘计算技术,在设备计算机上运行多个逻辑计算机,使得应用程序在相互独立的空间内运行而相互影响,提高数据传输、数据处理、模型计算、数据存储等功能,以保证计算机业务工作效率。
2、本发明利用集合预报方法对多个算法的预测结果进行处理获得最优预测结果,提高预测的准确性,并且以最优预测结果和历史观测数据对过去和未来运动轨迹进行计算,以追踪污染物可能来源位置和未来的迁移和扩散,进而提高后续轨迹溯源的精度。
3、本发明利用基于边缘计算的污染物浓度和轨迹移动预测算法,在监测设备中的逻辑处理器中运行应用程序。通过算法及时处理和分析在线观测数据,直接传输数据产品,提升产品的产出效率。各个监测设备在相互独立的空间内运行而相互影响,从而提高数据处理、模型计算、数据存储等功能,以保证业务工作效率。此外,边缘计算保证了数据本地采集、处理、计算和分析,传输处理后的数据以减少原始数据暴露在公共网络的机会,有效保护数据的隐私。
请参阅图2,本实施例还提供了一种基于边缘计算的污染物浓度和轨迹移动预测的系统,所述系统包括:
观测设备,用于根据观测设备的安装区域获取观测数据,观测数据包括实时在线观测所得的污染物和气象的参数以及观测设备所在位置的地理信息,并在观测设备内设定关于污染物因子是否超标的阈值;
中控模块,基于边缘技术,与观测设备搭建若干边缘节点,并利用边缘节点接收观测数据;
预测模块,用于在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型,并将超过阈值的观测数据利用训练好的预测模型进行预测,以获取不同的预测数据;
优化模块,用于将历史及在线观测数据作为训练集输入不同的预测模型进行训练优化,得到不同训练好的预测模型;
轨迹移动模块,根据观测数据、最优预测结果进行向前和向后轨迹推理和扩散预测,得到污染物过去和未来运动轨迹,以追踪污染物可能来源位置和未来的迁移和扩散情况。
显示模块,用于显示最终的预测结果,同时显示监测的污染物和气象的参数和统计值,及预测的轨迹结果和污染物可能来源位置。
本发明为了提前预防污染物浓度超标对周围环境、居民生活的影响,增加了优化模块和集合预报模块,通过构建不同类型的时间序列预测模型,利用集合预报算法得到最优预报结果。目前,针对传统机器学习、深度学习对观测数据的预测较多,但是缺少集中评估和分析,不同算法针对不同污染物预测结果表现不一致,通过集合预测算法能够提高预测精度。基于边缘计算技术,提高对大量数据的训练和学习,优化模块能够提高预测模型的预测技能,进一步保障模型预测精度。以往的预测模型将两部份分割开,由于有些数据存在季节变化特征、日变化特征,可能会造成模型预测能力下降,而优化模块会根据输入的历史观测、实时观测和预测结果进一步优化预测模型,从而保障不同数据类型、不同时间段优化参数适应预测模型。
针对污染物超标可能来源,本发明将集合预报模块的预测结果再次输入轨迹移动模块,对污染物的可能来源进一步计算,并作为预报产品共同输出,提供给相关人员进行后续操作。
应当理解的,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于边缘计算的污染物浓度和轨迹移动预测的方法,其特征在于,所述方法包括如下步骤:
步骤1、根据观测设备的安装区域获取观测数据,观测数据包括实时在线观测所得的污染物和气象的参数以及观测设备所在位置的地理信息,并在观测设备内设定关于污染物因子是否超标的阈值;
步骤2、基于边缘技术,与观测设备搭建若干边缘节点,并在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型;
步骤3、利用边缘节点接收观测数据,并将历史及在线观测数据作为训练集输入不同的预测模型进行训练优化,得到不同训练好的预测模型,并将超过阈值的观测数据利用训练好的预测模型进行预测,以获取不同的预测数据;
步骤4、利用集合预报算法对不同的预测数据进行集合处理获取最优预测结果;
步骤5、根据观测数据、最优预测结果进行向前和向后轨迹推理和扩散预测,得到污染物过去和未来运动轨迹,以追踪污染物可能来源位置和未来的迁移和扩散情况;
步骤6、最终的预测结果在显示屏幕或者触摸屏上显示,同时显示监测的污染物和气象的参数和统计值,及预测的轨迹结果;
在所述步骤4中,利用集合预报算法对不同的预测数据进行集合处理获取最优预测结果存在如下关系式:
;
其中,表示移动平均预测值,即最优预测结果,/>表示第/>类算法的预测值,/>表示第/>类算法的权重系数;
在执行上述步骤4中,对应的训练方法包括如下训练步骤:
将所得最优预测结果利用指数加权方法进行修正,对第时刻的集合预测进行指数加权存在如下关系式:
;
其中,表示/>时刻的移动平均预测值,/>表示权重,/>表示/>时刻的移动平均预测值,/>表示/>时刻的真实值;
统计观测数据之间的时序变化过程的相似性,利用聚类算法进行聚类获取历史预报和当前预报的相似结果,相似结果存在如下关系式:
;
其中,表示预报算法对未来/>时刻的确定性预报向量,/>表示预报算法在空间位置上起报时间以及预报时效相同的历史时刻/>的预报向量,/>表示选取的预报参数个数,和/>分别表示第/>个预报参数在预报时刻/>和历史时刻/>的算法预测值,属于时间窗/>中某个时间窗参数,/>表示第/>个预报参数的时间序列误差标准差,/>表示各预报参数的权重,权重累计值为1;
根据历史预报和当前预报的相似结果利用相似集合方法获得预测要素的确定性,以得到不同算法在预测不同参数过程中的权重信息;
再通过设置不同的权重组合,对比预测效果确定最优权重组合;
在所述步骤5中,根据观测数据、最优预测结果进行向前和向后迁移和扩散轨迹推理,获取恶臭污染物、常规大气污染物过去和未来运动轨迹,并根据未来和过去运动轨迹定位污染物来源的方法具体包括如下步骤:
获取检测数据的粒子位置点,粒子位置点表示为,在/>时刻粒子位置点值为,对粒子位置点的值的变化量进行约束,得到约束条件;
对约束条件采用泰勒展开式获取在时刻粒子位置点值附近的值;
对点值附近的值进行后向概率推导获得后向概率分布;
对点值附近的值进行前向概率推导获得前向概率分布;
结合气象参数和地理信息,计算前向概率分布和后向概率分布中粒子位置点在每个网格点的可能概率值,根据概率值以获得粒子位置点向前或向后可能来源位置,进而获取恶臭污染物、常规大气污染物过去和未来运动轨迹,并根据未来和过去运动轨迹定位污染物来源。
2.根据权利要求1所述的基于边缘计算的污染物浓度和轨迹移动预测的方法,其特征在于, 在所述步骤1中,污染物包括恶臭污染物和常规大气污染物;恶臭污染物包括含H2S、NH3和VOCs化学组分的污染物,常规大气污染物包括PM2.5、PM10、SO2、CO、O3和NO2,气象包括风速、风向、温度、气压、湿度以及雨量。
3.根据权利要求1所述的基于边缘计算的污染物浓度和轨迹移动预测的方法,其特征在于,在所述步骤3中,不同的预测算法包括传统时间序列预测模型、传统机器学习算法和深度学习算法;
传统时间序列预测模型存在如下关系式:
;
其中,表示/>时间的预测值,/>表示时间,/>表示趋势项,/>表示时间项,/>表示误差项;
其中,传统时间序列预测模型采用自回归移动平均模型、指数平滑算法或Prophet模型。
4.根据权利要求3所述的基于边缘计算的污染物浓度和轨迹移动预测的方法,其特征在于,传统机器学习算法存在如下关系式:
;
其中,和/>分别表示两个不同的可学习参数,/>表示输入的观测数据,
传统机器学习算法采用支持向量回归模型、梯度提升算法或决策树算法。
5.根据权利要求3所述的基于边缘计算的污染物浓度和轨迹移动预测的方法,其特征在于,深度学习算法存在如下关系式:
;
其中,表示激活函数,/>表示/>时刻的输出;
其中,深度学习算法采用循环神经网络或长短期记忆递归神经网络算法。
6.根据权利要求1所述的基于边缘计算的污染物浓度和轨迹移动预测的方法,其特征在于,基于设备周边地形地貌特征和网格精度,典型前向或后向推理时间设置为6h、24h或48h。
7.一种基于边缘计算的污染物浓度和轨迹移动预测的系统,其特征在于,所述系统执行如上述权利要求1至6任一项所述的基于边缘计算的污染物浓度和轨迹移动预测的方法,所述系统包括:
观测设备,用于根据观测设备的安装区域获取观测数据,观测数据包括实时在线观测所得的污染物和气象的参数以及观测设备所在位置的地理信息,并在观测设备内设定关于污染物因子是否超标的阈值;
中控模块,基于边缘技术,与观测设备搭建若干边缘节点,并利用边缘节点接收观测数据;
预测模块,用于在每个边缘节点中利用多种不同的预测算法部署多种不同的预测模型,并将超过阈值的观测数据利用训练好的预测模型进行预测,以获取不同的预测数据;
优化模块,用于将历史及在线观测数据作为训练集输入不同的预测模型进行训练优化,得到不同训练好的预测模型;
轨迹移动模块,根据观测数据、最优预测结果进行向前和向后轨迹推理和扩散预测,得到污染物过去和未来运动轨迹,以追踪污染物可能来源位置和未来的迁移和扩散情况;
显示模块,用于显示最终的预测结果,同时显示监测的污染物和气象的参数和统计值,及预测的轨迹结果和污染物可能来源位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040769.1A CN116776745B (zh) | 2023-08-18 | 2023-08-18 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040769.1A CN116776745B (zh) | 2023-08-18 | 2023-08-18 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776745A CN116776745A (zh) | 2023-09-19 |
CN116776745B true CN116776745B (zh) | 2023-10-24 |
Family
ID=88011914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311040769.1A Active CN116776745B (zh) | 2023-08-18 | 2023-08-18 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776745B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493021B (zh) * | 2023-12-21 | 2024-04-30 | 中电科新型智慧城市研究院有限公司 | 一种位移监测系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994146B (zh) * | 2023-09-26 | 2023-12-29 | 航天宏图信息技术股份有限公司 | 基于sl4did近地面污染物短临预报方法、装置及设备 |
CN117972593B (zh) * | 2024-03-27 | 2024-06-04 | 中科三清科技有限公司 | 一种典型重污染历史案例库分析的长期预报预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110958575A (zh) * | 2019-12-02 | 2020-04-03 | 重庆邮电大学 | 一种基于WiFi融合预测的定位方法及系统 |
CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
CN114266200A (zh) * | 2022-02-24 | 2022-04-01 | 山东大学 | 二氧化氮浓度预测方法及系统 |
CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
WO2023056682A1 (zh) * | 2021-10-09 | 2023-04-13 | 中国人民解放军国防科技大学 | 基于人工智能的臭氧层预报算法 |
CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11119250B2 (en) * | 2019-01-15 | 2021-09-14 | International Business Machines Corporation | Dynamic adaption of vessel trajectory using machine learning models |
US20210065066A1 (en) * | 2019-08-30 | 2021-03-04 | Google Llc | Machine-Learned State Space Model for Joint Forecasting |
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
-
2023
- 2023-08-18 CN CN202311040769.1A patent/CN116776745B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110958575A (zh) * | 2019-12-02 | 2020-04-03 | 重庆邮电大学 | 一种基于WiFi融合预测的定位方法及系统 |
CN112558185A (zh) * | 2020-11-19 | 2021-03-26 | 中国石油大学(华东) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 |
WO2023056682A1 (zh) * | 2021-10-09 | 2023-04-13 | 中国人民解放军国防科技大学 | 基于人工智能的臭氧层预报算法 |
CN114266200A (zh) * | 2022-02-24 | 2022-04-01 | 山东大学 | 二氧化氮浓度预测方法及系统 |
CN115358332A (zh) * | 2022-08-25 | 2022-11-18 | 浙江工业大学 | 面向多源数据的大气污染溯源方法 |
CN116011317A (zh) * | 2022-11-29 | 2023-04-25 | 北京工业大学 | 一种基于多方法融合的小尺度近实时大气污染溯源方法 |
Non-Patent Citations (4)
Title |
---|
一种车载服务的快速深度Q学习网络边云迁移策略;彭军等;电子与信息学报(第01期);全文 * |
基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究;丁愫;陈报章;王瑾;陈龙;张晨雷;孙少波;黄丛吾;;环境科学学报(第08期);全文 * |
融合气象参数及污染物浓度的空气质量预测方法;万永权;徐方勤;燕彩蓉;苏厚勤;;计算机应用与软件(第08期);全文 * |
面向多源数据沈阳市PM2.5浓度预测研究及实证分析;齐甜方;蒋洪迅;石晓文;;系统工程(第05期);全文 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493021B (zh) * | 2023-12-21 | 2024-04-30 | 中电科新型智慧城市研究院有限公司 | 一种位移监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116776745A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116776745B (zh) | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 | |
Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
Luo et al. | Forecasting building energy consumption: Adaptive long-short term memory neural networks driven by genetic algorithm | |
Luo et al. | An algorithm for traffic flow prediction based on improved SARIMA and GA | |
Zhou et al. | A random forest model for inflow prediction at wastewater treatment plants | |
Ma et al. | Spatiotemporal prediction of PM2. 5 concentrations at different time granularities using IDW-BLSTM | |
Yang et al. | Modeling personalized occupancy profiles for representing long term patterns by using ambient context | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
Nguyen et al. | A new method for forecasting energy output of a large-scale solar power plant based on long short-term memory networks a case study in Vietnam | |
Jiang et al. | Attention-LSTM architecture combined with Bayesian hyperparameter optimization for indoor temperature prediction | |
CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
Das et al. | A probabilistic approach for weather forecast using spatio-temporal inter-relationships among climate variables | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN116109011B (zh) | 一种智慧园区的能耗管理方法及终端 | |
CN111080039A (zh) | 一种风机集群故障预测方法及系统 | |
Zhang et al. | Multi-quantile recurrent neural network for feeder-level probabilistic energy disaggregation considering roof-top solar energy | |
Mantri et al. | Weather prediction and classification using neural networks and k-nearest neighbors | |
Rojas-Campos et al. | Postprocessing of NWP precipitation forecasts using deep learning | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
Yu et al. | Predicting indoor temperature from smart thermostat and weather forecast data | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Nguyen et al. | Deep learning for construction emission monitoring with low-cost sensor network | |
Munandar | Multilayer perceptron (MLP) and autoregressive integrated moving average (ARIMA) models in multivariate input time series data: Solar irradiance forecasting |
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 |