CN116910611A - 基于大数据的智能环境监测系统及其方法 - Google Patents
基于大数据的智能环境监测系统及其方法 Download PDFInfo
- Publication number
- CN116910611A CN116910611A CN202310793894.3A CN202310793894A CN116910611A CN 116910611 A CN116910611 A CN 116910611A CN 202310793894 A CN202310793894 A CN 202310793894A CN 116910611 A CN116910611 A CN 116910611A
- Authority
- CN
- China
- Prior art keywords
- air quality
- feature
- time sequence
- matrix
- global
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 307
- 239000013598 vector Substances 0.000 claims abstract description 103
- 238000005070 sampling Methods 0.000 claims abstract description 97
- 230000007613 environmental effect Effects 0.000 claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000019771 cognition Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000003570 air Substances 0.000 description 419
- 238000010586 diagram Methods 0.000 description 9
- 238000003915 air pollution Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于大数据的智能环境监测系统及其方法。其首先将预定时间段内多个预定时间点的空气质量数据分别排列后通过时序特征提取器以得到多个空气质量时序特征向量,接着,将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵,然后,构造各个空气质量采样点之间的空间拓扑矩阵并通过卷积神经网络模型以得到空间拓扑特征矩阵,接着,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵,最后,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化后通过解码器以得到用于表示区域全局空气质量数据的解码值。这样,可以对全局空气质量进行监测。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种基于大数据的智能环境监测系统及其方法。
背景技术
空气质量是描述给定区域空气污染程度的指标,是依据空气中污染物浓度来测定的。人为污染源是影响城市空气质量的主要因素。随着生活水平的不断提高,人们对空气质量的关注越来越多,室外、生活区、厂区和室内等环境空气质量表现备受关注。
目前,用于空气质量监测的自动监测系统已广泛应用于各城市,并成为重要技术手段。然而,现有的监测系统虽然可监测的项目多且精度高,但监测站数量有限,大部分城市仅安装了几个监测点。并且,目前的空气质量监测系统在实际进行空气质量监测过程中,只能够使用建筑物内最近点的数据来进行监测,但是,由于建筑物的构造和形式各异,使用建筑物内最近点的数据无法反映目标点的真实空气质量。
因此,期望一种优化的基于大数据的智能环境监测系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于大数据的智能环境监测系统及其方法。其首先将预定时间段内多个预定时间点的空气质量数据分别排列后通过时序特征提取器以得到多个空气质量时序特征向量,接着,将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵,然后,构造各个空气质量采样点之间的空间拓扑矩阵并通过卷积神经网络模型以得到空间拓扑特征矩阵,接着,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵,最后,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化后通过解码器以得到用于表示区域全局空气质量数据的解码值。这样,可以对全局空气质量进行监测。
根据本申请的一个方面,提供了一种基于大数据的智能环境监测系统,其包括:
空气质量数据采集模块,用于获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;
空气质量数据变化特征提取模块,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;
全局时序变化模块,用于将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;
空间拓扑构造模块,用于构造所述各个空气质量采样点之间的空间拓扑矩阵;
空间拓扑特征提取模块,用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;
特征融合模块,用于将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;
特征优化模块,用于对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;以及
空气质量检测模块,用于将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
在上述的基于大数据的智能环境监测系统中,所述空气质量数据变化特征提取模块,包括:
输入向量排列单元,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量;
第一编码单元,用于使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量;
第二编码单元,用于使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量,所述第二长度不同于所述第一长度;以及
向量级联单元,用于将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。
在上述的基于大数据的智能环境监测系统中,所述空间拓扑特征提取模块,用于:
使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵,其中,所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
在上述的基于大数据的智能环境监测系统中,所述特征融合模块,用于:
使用所述图神经网络模型以可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行处理以得到所述空间拓扑全局空气质量时序特征矩阵。
在上述的基于大数据的智能环境监测系统中,所述特征优化模块,包括:
特征融合优化单元,用于对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到融合特征矩阵;以及
矩阵相乘单元,用于将所述融合特征矩阵与所述空间拓扑全局空气质量时序特征矩阵进行矩阵相乘以得到所述优化空间拓扑全局空气质量时序特征矩阵。
在上述的基于大数据的智能环境监测系统中,所述特征融合优化单元,用于:
以如下优化公式对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述融合特征矩阵;
其中,所述优化公式为:
m1∈M1和m2∈M2
其中,M1表示所述全局空气质量时序特征矩阵,M2表示所述空间拓扑特征矩阵,m1是所述全局空气质量时序特征矩阵中各个位置的特征值,m2是所述空间拓扑特征矩阵中各个位置的特征值,μ和σ分别是所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵的所有特征值的特征集合的均值和方差,W、H和C分别是特征图的宽度、高度和通道数,exp(·)表示指数运算,且mr'是所述融合特征矩阵的各个位置特征值。
在上述的基于大数据的智能环境监测系统中,所述空气质量检测模块,包括:
解码矩阵校正单元,用于基于所述优化空间拓扑全局空气质量时序特征矩阵通过所述解码器得到的解码回归值,对所述优化空间拓扑全局空气质量时序特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵;以及
再解码单元,用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
根据本申请的另一个方面,提供了一种基于大数据的智能环境监测方法,其包括:
获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;
将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;
将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;
构造所述各个空气质量采样点之间的空间拓扑矩阵;
将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;
将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;
对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;以及
将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
在上述的基于大数据的智能环境监测方法中,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量,包括:
将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量;
使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量;
使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量,所述第二长度不同于所述第一长度;以及
将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。
在上述的基于大数据的智能环境监测方法中,将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵,包括:
使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵,其中,所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
与现有技术相比,本申请提供的基于大数据的智能环境监测系统及其方法,其首先将预定时间段内多个预定时间点的空气质量数据分别排列后通过时序特征提取器以得到多个空气质量时序特征向量,接着,将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵,然后,构造各个空气质量采样点之间的空间拓扑矩阵并通过卷积神经网络模型以得到空间拓扑特征矩阵,接着,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵,最后,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化后通过解码器以得到用于表示区域全局空气质量数据的解码值。这样,可以对全局空气质量进行监测。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的基于大数据的智能环境监测系统的应用场景图。
图2为根据本申请实施例的基于大数据的智能环境监测系统的框图示意图。
图3为根据本申请实施例的基于大数据的智能环境监测系统中所述空气质量数据变化特征提取模块的框图示意图。
图4为根据本申请实施例的基于大数据的智能环境监测系统中所述特征优化模块的框图示意图。
图5为根据本申请实施例的基于大数据的智能环境监测系统中所述空气质量检测模块的框图示意图。
图6为根据本申请实施例的基于大数据的智能环境监测方法的流程图。
图7为根据本申请实施例的基于大数据的智能环境监测方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,现有的监测系统虽然可监测的项目多且精度高,但监测站数量有限,大部分城市仅安装了几个监测点。并且,目前的空气质量监测系统在实际进行空气质量监测过程中,只能够使用建筑物内最近点的数据来进行监测,但是,由于建筑物的构造和形式各异,使用建筑物内最近点的数据无法反映目标点的真实空气质量。因此,期望一种优化的基于大数据的智能环境监测系统。
相应地,考虑到在实际进行区域环境质量监测时,为了能够提高环境空气质量的检测精准度,需要在区域环境内设置多个空气质量采样点,并基于多个空气质量采样点的空气质量数据来评估该区域的全局空气质量,以此来优化空气质量的检测。但是,由于各个空气质量采样点的空气质量数据都在时间维度上有着各自的动态变化规律性,并且,所述各个空气质量采样点之间的空气质量时序动态特征还存在着相互的关联影响。因此,在此过程中,难点在于如何挖掘所述各个空气质量采样点的空气质量时序动态变化特征和拓扑关联特征之间的关联性特征分布信息,以此来综合进行区域全局空气质量监测,进而,提高真实空气质量检测的精准度,降低空气污染程度。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个空气质量采样点的空气质量时序动态变化特征和拓扑关联特征之间的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据。接着,考虑到由于所述各个空气质量采样点提供的空气质量数据在时间维度上都有着各自的动态变化规律,并且,由于所述各个空气质量采样点提供的空气质量数据在时间维度上的不确定性,导致其在不同时间周期跨度下呈现出不同的变化特性。因此,为了能够进行所述各个空气质量采样点提供的空气质量数据的时序动态变化特征的充分表达,在本申请的技术方案中,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量,以整合所述各个空气质量采样点提供的空气质量数据的时序分布信息后,将其再通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量。特别地,这里,所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来进行所述各个空气质量采样点提供的空气质量数据的时序动态变化特征提取,以分别提取出所述各个空气质量采样点提供的空气质量数据在不同时间跨度下的多尺度时序动态变化特征信息。
然后,考虑到由于所述各个空气质量采样点之间具有着关于空气质量数据的关联关系,也就是说,所述各个空气质量采样点之间并不是独立存在的,空气质量数据在所述各个空气质量采样点之间呈现出关联性的特征模式。因此,为了能够进行所述各个空气质量采样点提供的空气质量数据的时序动态特征的充分表达,还应利用所述各个空气质量采样点之间的拓扑关联特征来增强其空气质量时序变化特征的表达。基于此,在本申请的技术方案中,进一步构造所述各个空气质量采样点之间的空间拓扑矩阵,并使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述空间拓扑矩阵的特征挖掘,以提取出所述各个空气质量采样点之间的空间拓扑关联特征分布信息,从而得到空间拓扑特征矩阵。
进一步地,以所述各个空气质量时序特征向量作为节点的特征表示,而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个空气质量时序特征向量经二维排列得到的全局空气质量时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到空间拓扑全局空气质量时序特征矩阵。具体地,所述图神经网络通过可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行图结构数据编码以得到包含不规则的所述各个空气质量采样点的空间拓扑特征和所述各个空气质量采样点提供的空气质量数据的时序动态变化特征的所述空间拓扑全局空气质量时序特征矩阵。
然后,将所述空间拓扑全局空气质量时序特征矩阵作为分类特征矩阵并通过解码器就可以得到用于表示区域全局空气质量数据的解码值。也就是说,以所述各个空气质量采样点提供的空气质量数据的时序多尺度动态变化特征和所述各个空气质量采样点的空间拓扑特征的关联性融合特征来进行解码,从而对于该区域全局的空气质量数据进行检测评估,以此来综合进行该区域空气质量监测,进而,提高真实空气质量检测的精准度,降低空气污染程度。
特别地,在本申请的技术方案中,这里,通过将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型得到所述空间拓扑全局空气质量时序特征矩阵时,可以获得所述全局空气质量时序特征矩阵表达的各个空气质量采样点的空气质量数据的时序关联特征在空气质量采样点的空间拓扑特征下的关联表示,但是,考虑到所述全局空气质量时序特征矩阵表达时序尺度下的一维关联特征,而所述空间拓扑特征矩阵表达空间尺度下的二维关联特征,期望能够提升所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵在不同尺度下的特征融合效果。
因此,在本申请的技术方案中,对所述全局空气质量时序特征矩阵M1和所述空间拓扑特征矩阵M2进行基于尺度认知的高斯联合密度融合,以得到融合特征矩阵,具体表示为:
m1∈M1and m2∈M2
μ和σ分别是的特征集合(即,所述全局空气质量时序特征矩阵M1和所述空间拓扑特征矩阵M2的所有特征值的特征集合)的均值和方差,W和H分别是特征矩阵的宽度和高度,且mr′是融合特征矩阵Mr的特征值。
这里,所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性,为了提高特征融合的有效性和相对于待融合特征的泛化性能,将具有尺度认知的高斯联合密度作为优势函数,来对基于均值和方差的特征分布的回归表现差异进行策略表达,从而提升特征融合的特征-尺度自依赖性。这样,所述融合特征矩阵Mr就可以充分表达所述全局空气质量时序特征矩阵M1和所述空间拓扑特征矩阵M2的基于不同尺度的融合特征,然后,再将所述融合特征矩阵Mr与所述空间拓扑全局空气质量时序特征矩阵相乘以将所述空间拓扑全局空气质量时序特征矩阵映射到尺度融合特征空间内,就可以提升所述空间拓扑全局空气质量时序特征矩阵的特征表达效果,继而提升所述空间拓扑全局空气质量时序特征矩阵通过解码器得到的解码值的准确性。这样,能够对于区域环境的全局空气质量进行监测,进而,提高该区域真实空气质量检测的精准度,降低空气污染程度。
图1为根据本申请实施例的基于大数据的智能环境监测系统的应用场景图。如图1所示,在该应用场景中,首先,获取由各个空气质量采样点(例如,图1中所示意的N)提供的预定时间段内多个预定时间点的空气质量数据(例如,图1中所示意的D1),以及,所述各个空气质量采样点(例如,图1中所示意的N)的位置信息(例如,图1中所示意的D2),然后,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据和所述各个空气质量采样点的位置信息输入至部署有基于大数据的智能环境监测算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述基于大数据的智能环境监测算法对所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据和所述各个空气质量采样点的位置信息进行处理以得到用于表示区域全局空气质量数据的解码值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的基于大数据的智能环境监测系统的框图示意图。如图2所示,根据本申请实施例的基于大数据的智能环境监测系统100,包括:空气质量数据采集模块110,用于获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;空气质量数据变化特征提取模块120,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;全局时序变化模块130,用于将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;空间拓扑构造模块140,用于构造所述各个空气质量采样点之间的空间拓扑矩阵;空间拓扑特征提取模块150,用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;特征融合模块160,用于将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;特征优化模块170,用于对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;以及,空气质量检测模块180,用于将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
更具体地,在本申请实施例中,所述空气质量数据采集模块110,用于获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据。为了能够提高环境空气质量的检测精准度,需要在区域环境内设置多个空气质量采样点,并基于多个空气质量采样点的空气质量数据来评估该区域的全局空气质量,以此来优化空气质量的检测。
更具体地,在本申请实施例中,所述空气质量数据变化特征提取模块120,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量。由于所述各个空气质量采样点提供的空气质量数据在时间维度上都有着各自的动态变化规律,并且,由于所述各个空气质量采样点提供的空气质量数据在时间维度上的不确定性,导致其在不同时间周期跨度下呈现出不同的变化特性。因此,为了能够进行所述各个空气质量采样点提供的空气质量数据的时序动态变化特征的充分表达,在本申请的技术方案中,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量,以整合所述各个空气质量采样点提供的空气质量数据的时序分布信息后,将其再通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量。特别地,这里,所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来进行所述各个空气质量采样点提供的空气质量数据的时序动态变化特征提取,以分别提取出所述各个空气质量采样点提供的空气质量数据在不同时间跨度下的多尺度时序动态变化特征信息。
相应地,在一个具体示例中,如图3所示,所述空气质量数据变化特征提取模块120,包括:输入向量排列单元121,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量;第一编码单元122,用于使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量;第二编码单元123,用于使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量,所述第二长度不同于所述第一长度;以及,向量级联单元124,用于将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。
更具体地,在本申请实施例中,所述全局时序变化模块130,用于将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵。考虑到由于所述各个空气质量采样点之间具有着关于空气质量数据的关联关系,也就是说,所述各个空气质量采样点之间并不是独立存在的,空气质量数据在所述各个空气质量采样点之间呈现出关联性的特征模式。因此,为了能够进行所述各个空气质量采样点提供的空气质量数据的时序动态特征的充分表达,还应利用所述各个空气质量采样点之间的拓扑关联特征来增强其空气质量时序变化特征的表达。基于此,在本申请的技术方案中,进一步构造所述各个空气质量采样点之间的空间拓扑矩阵
更具体地,在本申请实施例中,所述空间拓扑构造模块140,用于构造所述各个空气质量采样点之间的空间拓扑矩阵。考虑到由于所述各个空气质量采样点之间具有着关于空气质量数据的关联关系,也就是说,所述各个空气质量采样点之间并不是独立存在的,空气质量数据在所述各个空气质量采样点之间呈现出关联性的特征模式。因此,为了能够进行所述各个空气质量采样点提供的空气质量数据的时序动态特征的充分表达,还应利用所述各个空气质量采样点之间的拓扑关联特征来增强其空气质量时序变化特征的表达。基于此,在本申请的技术方案中,进一步构造所述各个空气质量采样点之间的空间拓扑矩阵。
更具体地,在本申请实施例中,所述空间拓扑特征提取模块150,用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵。使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述空间拓扑矩阵的特征挖掘,以提取出所述各个空气质量采样点之间的空间拓扑关联特征分布信息,从而得到空间拓扑特征矩阵。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地,在一个具体示例中,所述空间拓扑特征提取模块150,用于:使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵,其中,所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
更具体地,在本申请实施例中,所述特征融合模块160,用于将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵。以所述各个空气质量时序特征向量作为节点的特征表示,而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个空气质量时序特征向量经二维排列得到的全局空气质量时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到空间拓扑全局空气质量时序特征矩阵。
具体地,所述图神经网络通过可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行图结构数据编码以得到包含不规则的所述各个空气质量采样点的空间拓扑特征和所述各个空气质量采样点提供的空气质量数据的时序动态变化特征的所述空间拓扑全局空气质量时序特征矩阵。
相应地,在一个具体示例中,所述特征融合模块160,用于:使用所述图神经网络模型以可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行处理以得到所述空间拓扑全局空气质量时序特征矩阵。
更具体地,在本申请实施例中,所述特征优化模块170,用于对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵。
相应地,在一个具体示例中,如图4所示,所述特征优化模块170,包括:特征融合优化单元171,用于对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到融合特征矩阵;以及,矩阵相乘单元172,用于将所述融合特征矩阵与所述空间拓扑全局空气质量时序特征矩阵进行矩阵相乘以得到所述优化空间拓扑全局空气质量时序特征矩阵。
特别地,在本申请的技术方案中,这里,通过将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型得到所述空间拓扑全局空气质量时序特征矩阵时,可以获得所述全局空气质量时序特征矩阵表达的各个空气质量采样点的空气质量数据的时序关联特征在空气质量采样点的空间拓扑特征下的关联表示,但是,考虑到所述全局空气质量时序特征矩阵表达时序尺度下的一维关联特征,而所述空间拓扑特征矩阵表达空间尺度下的二维关联特征,期望能够提升所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵在不同尺度下的特征融合效果。因此,在本申请的技术方案中,对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合,以得到融合特征矩阵。
相应地,在一个具体示例中,所述特征融合优化单元171,用于:以如下优化公式对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述融合特征矩阵;其中,所述优化公式为:
m1∈M1和m2∈M2
其中,M1表示所述全局空气质量时序特征矩阵,M2表示所述空间拓扑特征矩阵,m1是所述全局空气质量时序特征矩阵中各个位置的特征值,m2是所述空间拓扑特征矩阵中各个位置的特征值,μ和σ分别是所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵的所有特征值的特征集合的均值和方差,W、H和C分别是特征图的宽度、高度和通道数,exp(·)表示指数运算,且mr′是所述融合特征矩阵的各个位置特征值。
这里,所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性,为了提高特征融合的有效性和相对于待融合特征的泛化性能,将具有尺度认知的高斯联合密度作为优势函数,来对基于均值和方差的特征分布的回归表现差异进行策略表达,从而提升特征融合的特征-尺度自依赖性。这样,所述融合特征矩阵就可以充分表达所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵的基于不同尺度的融合特征,然后,再将所述融合特征矩阵与所述空间拓扑全局空气质量时序特征矩阵相乘以将所述空间拓扑全局空气质量时序特征矩阵映射到尺度融合特征空间内,就可以提升所述空间拓扑全局空气质量时序特征矩阵的特征表达效果,继而提升所述空间拓扑全局空气质量时序特征矩阵通过解码器得到的解码值的准确性。这样,能够对于区域环境的全局空气质量进行监测,进而,提高该区域真实空气质量检测的精准度,降低空气污染程度。
更具体地,在本申请实施例中,所述空气质量检测模块180,用于将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。也就是说,以所述各个空气质量采样点提供的空气质量数据的时序多尺度动态变化特征和所述各个空气质量采样点的空间拓扑特征的关联性融合特征来进行解码,从而对于该区域全局的空气质量数据进行检测评估,以此来综合进行该区域空气质量监测,进而,提高真实空气质量检测的精准度,降低空气污染程度。
相应地,在一个具体示例中,如图5所示,所述空气质量检测模块180,包括:解码矩阵校正单元181,用于基于所述优化空间拓扑全局空气质量时序特征矩阵通过所述解码器得到的解码回归值,对所述优化空间拓扑全局空气质量时序特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵;以及,再解码单元182,用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
综上,基于本申请实施例的基于大数据的智能环境监测系统100被阐明,其首先将预定时间段内多个预定时间点的空气质量数据分别排列后通过时序特征提取器以得到多个空气质量时序特征向量,接着,将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵,然后,构造各个空气质量采样点之间的空间拓扑矩阵并通过卷积神经网络模型以得到空间拓扑特征矩阵,接着,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵,最后,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化后通过解码器以得到用于表示区域全局空气质量数据的解码值。这样,可以对全局空气质量进行监测。
如上所述,根据本申请实施例的基于本申请实施例的基于大数据的智能环境监测系统100可以实现在各种终端设备中,例如具有基于本申请实施例的基于大数据的智能环境监测算法的服务器等。在一个示例中,基于本申请实施例的基于大数据的智能环境监测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的基于大数据的智能环境监测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的基于大数据的智能环境监测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的基于大数据的智能环境监测系统100与该终端设备也可以是分立的设备,并且该基于大数据的智能环境监测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于大数据的智能环境监测方法的流程图。如图6所示,根据本申请实施例的基于大数据的智能环境监测方法,其包括:S110,获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;S120,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;S130,将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;S140,构造所述各个空气质量采样点之间的空间拓扑矩阵;S150,将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;S160,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;S170,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;以及,S180,将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
图7为根据本申请实施例的基于大数据的智能环境监测方法的系统架构的示意图。如图7所示,在所述基于大数据的智能环境监测方法的系统架构中,首先,获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;接着,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;然后,将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;接着,构造所述各个空气质量采样点之间的空间拓扑矩阵;然后,将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;接着,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;然后,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;最后,将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
在一个具体示例中,在上述基于大数据的智能环境监测方法中,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量,包括:将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量;使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量;使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量,所述第二长度不同于所述第一长度;以及,将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。
在一个具体示例中,在上述基于大数据的智能环境监测方法中,将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵,包括:使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵,其中,所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
在一个具体示例中,在上述基于大数据的智能环境监测方法中,将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵,包括:使用所述图神经网络模型以可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行处理以得到所述空间拓扑全局空气质量时序特征矩阵。
在一个具体示例中,在上述基于大数据的智能环境监测方法中,对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵,包括:对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到融合特征矩阵;以及,将所述融合特征矩阵与所述空间拓扑全局空气质量时序特征矩阵进行矩阵相乘以得到所述优化空间拓扑全局空气质量时序特征矩阵。
在一个具体示例中,在上述基于大数据的智能环境监测方法中,对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到融合特征矩阵,包括:以如下优化公式对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述融合特征矩阵;其中,所述优化公式为:
m1∈M1和m2∈M2
其中,M1表示所述全局空气质量时序特征矩阵,M2表示所述空间拓扑特征矩阵,m1是所述全局空气质量时序特征矩阵中各个位置的特征值,m2是所述空间拓扑特征矩阵中各个位置的特征值,μ和σ分别是所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵的所有特征值的特征集合的均值和方差,W、H和C分别是特征图的宽度、高度和通道数,exp(·)表示指数运算,且mr′是所述融合特征矩阵的各个位置特征值。
在一个具体示例中,在上述基于大数据的智能环境监测方法中,将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据,包括:基于所述优化空间拓扑全局空气质量时序特征矩阵通过所述解码器得到的解码回归值,对所述优化空间拓扑全局空气质量时序特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵;以及,将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
这里,本领域技术人员可以理解,上述基于大数据的智能环境监测方法中的各个步骤的具体操作已经在上面参考图1到图5的基于大数据的智能环境监测系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种基于大数据的智能环境监测系统,其特征在于,包括:
空气质量数据采集模块,用于获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;
空气质量数据变化特征提取模块,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;
全局时序变化模块,用于将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;
空间拓扑构造模块,用于构造所述各个空气质量采样点之间的空间拓扑矩阵;
空间拓扑特征提取模块,用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;
特征融合模块,用于将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;
特征优化模块,用于对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;以及
空气质量检测模块,用于将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
2.根据权利要求1所述的基于大数据的智能环境监测系统,其特征在于,所述空气质量数据变化特征提取模块,包括:
输入向量排列单元,用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量;
第一编码单元,用于使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量;
第二编码单元,用于使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量,所述第二长度不同于所述第一长度;以及
向量级联单元,用于将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。
3.根据权利要求2所述的基于大数据的智能环境监测系统,其特征在于,所述空间拓扑特征提取模块,用于:
使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵,其中,所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
4.根据权利要求3所述的基于大数据的智能环境监测系统,其特征在于,所述特征融合模块,用于:
使用所述图神经网络模型以可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行处理以得到所述空间拓扑全局空气质量时序特征矩阵。
5.根据权利要求4所述的基于大数据的智能环境监测系统,其特征在于,所述特征优化模块,包括:
特征融合优化单元,用于对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到融合特征矩阵;以及
矩阵相乘单元,用于将所述融合特征矩阵与所述空间拓扑全局空气质量时序特征矩阵进行矩阵相乘以得到所述优化空间拓扑全局空气质量时序特征矩阵。
6.根据权利要求5所述的基于大数据的智能环境监测系统,其特征在于,所述特征融合优化单元,用于:
以如下优化公式对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述融合特征矩阵;
其中,所述优化公式为:
m1∈M1和m2∈M2
其中,M1表示所述全局空气质量时序特征矩阵,M2表示所述空间拓扑特征矩阵,m1是所述全局空气质量时序特征矩阵中各个位置的特征值,m2是所述空间拓扑特征矩阵中各个位置的特征值,μ和σ分别是所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵的所有特征值的特征集合的均值和方差,W、H和C分别是特征图的宽度、高度和通道数,exp(·)表示指数运算,且mr'是所述融合特征矩阵的各个位置特征值。
7.根据权利要求6所述的基于大数据的智能环境监测系统,其特征在于,所述空气质量检测模块,包括:
解码矩阵校正单元,用于基于所述优化空间拓扑全局空气质量时序特征矩阵通过所述解码器得到的解码回归值,对所述优化空间拓扑全局空气质量时序特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵;以及
再解码单元,用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。
8.一种基于大数据的智能环境监测方法,其特征在于,包括:
获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据;
将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量;
将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵;
构造所述各个空气质量采样点之间的空间拓扑矩阵;
将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵;
将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵;
对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵;以及
将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示区域全局空气质量数据。
9.根据权利要求8所述的基于大数据的智能环境监测方法,其特征在于,将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量,包括:
将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量;
使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量;
使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量,所述第二长度不同于所述第一长度;以及
将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。
10.根据权利要求9所述的基于大数据的智能环境监测方法,其特征在于,将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵,包括:
使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵,其中,所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793894.3A CN116910611A (zh) | 2023-06-30 | 2023-06-30 | 基于大数据的智能环境监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793894.3A CN116910611A (zh) | 2023-06-30 | 2023-06-30 | 基于大数据的智能环境监测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910611A true CN116910611A (zh) | 2023-10-20 |
Family
ID=88352223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793894.3A Pending CN116910611A (zh) | 2023-06-30 | 2023-06-30 | 基于大数据的智能环境监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910611A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152152A (zh) * | 2023-10-31 | 2023-12-01 | 吉林瑞特生物科技有限公司 | 检测试剂盒的生产管理系统及方法 |
CN117633140A (zh) * | 2024-01-25 | 2024-03-01 | 中化地质矿山总局山东地质勘查院 | 一种基于大数据云计算技术的城市地质调查方法 |
CN118030040A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市富城油气研究院有限公司 | 用于采油工程的生产动态监测系统及方法 |
CN118112181A (zh) * | 2024-03-05 | 2024-05-31 | 武汉怡特环保科技有限公司 | 畜禽养殖业空气异味监测和溯源方法及系统 |
CN118114827A (zh) * | 2024-03-07 | 2024-05-31 | 江苏省水利勘测设计研究院有限公司 | 一种基于水文水动力学模型的平原河网地区洪涝灾害预报预警方法及系统 |
CN118329119A (zh) * | 2024-04-28 | 2024-07-12 | 杭州雄鹏道科技有限公司 | 基于物联网技术的空气质量智能监测系统及方法 |
-
2023
- 2023-06-30 CN CN202310793894.3A patent/CN116910611A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152152A (zh) * | 2023-10-31 | 2023-12-01 | 吉林瑞特生物科技有限公司 | 检测试剂盒的生产管理系统及方法 |
CN117152152B (zh) * | 2023-10-31 | 2024-02-02 | 吉林瑞特生物科技有限公司 | 检测试剂盒的生产管理系统及方法 |
CN117633140A (zh) * | 2024-01-25 | 2024-03-01 | 中化地质矿山总局山东地质勘查院 | 一种基于大数据云计算技术的城市地质调查方法 |
CN117633140B (zh) * | 2024-01-25 | 2024-04-16 | 中化地质矿山总局山东地质勘查院 | 一种基于大数据云计算技术的城市地质调查方法 |
CN118112181A (zh) * | 2024-03-05 | 2024-05-31 | 武汉怡特环保科技有限公司 | 畜禽养殖业空气异味监测和溯源方法及系统 |
CN118114827A (zh) * | 2024-03-07 | 2024-05-31 | 江苏省水利勘测设计研究院有限公司 | 一种基于水文水动力学模型的平原河网地区洪涝灾害预报预警方法及系统 |
CN118030040A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市富城油气研究院有限公司 | 用于采油工程的生产动态监测系统及方法 |
CN118329119A (zh) * | 2024-04-28 | 2024-07-12 | 杭州雄鹏道科技有限公司 | 基于物联网技术的空气质量智能监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116910611A (zh) | 基于大数据的智能环境监测系统及其方法 | |
CN109978893B (zh) | 图像语义分割网络的训练方法、装置、设备及存储介质 | |
CN107766894B (zh) | 基于注意力机制和深度学习的遥感图像自然语言生成方法 | |
US10361926B2 (en) | Link prediction with spatial and temporal consistency in dynamic networks | |
CN111414987B (zh) | 神经网络的训练方法、训练装置和电子设备 | |
CN116321620B (zh) | 智能照明开关控制系统及其方法 | |
CN117270082A (zh) | 基于多传感器数据融合的降水量预测系统及其方法 | |
CN112532746B (zh) | 一种云边协同感知的方法及系统 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111008631B (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN110705573A (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN116091414A (zh) | 一种基于深度学习的心血管图像识别方法及其系统 | |
CN115982573A (zh) | 多功能送料机及其控制方法 | |
KR20200017612A (ko) | 딥러닝을 이용한 위치 측위 학습 방법 | |
CN117892915A (zh) | 基于核算单位的商品碳标签生成方法及系统 | |
CN117992919A (zh) | 基于机器学习和多气象模态融合的河流洪水预警方法 | |
CN112989952B (zh) | 一种基于遮罩引导的人群密度估计方法及装置 | |
CN116502899B (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN113762331A (zh) | 关系型自蒸馏方法、装置和系统及存储介质 | |
CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
CN116301166A (zh) | 一种非带隙基准电压源电路 | |
CN116188847A (zh) | 军事玩具模型的智能化加工方法及其系统 | |
CN116796248A (zh) | 森林康养环境评估系统及其方法 |
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 |