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

：
1.本发明专利涉及环境检测领域，具体涉及一种基于共享单车和出租车移动轨迹的城市污染物监测方法。


背景技术：

2.近年来，随着机动化水平不断激增，高强度使用和聚集带来尾气排放问题逐步引起城市管理者和市民的高度关注。传统固定式监测站存在监测范围有限，数据量较少、监测结果精度不足等问题。鉴于固定监测方式上述缺点，国内城市开始探索利用出租车连轴转特性，在出租车上安装环境质量监测传感器，并已在北京、上海、西安等城市开始试行，并取得了较好的效果。但是，出租车通常聚集在客流量较大的区域，车队收集的数据存在一定的缺陷，而共享单车的高移动性和高覆盖率弥补了此弱点。为提升大气污染防治精细化水平，促进城市环境空气质量持续改善，形成更加细化的网格化监管，利用共享单车和出租车的移动轨迹特性布设环境质量传感器，实时采集地面空气环境数据，为改善及保障空气质量提供有力数据支撑。
3.目前国内城市空气质量监测数据主要来源于固定空气监测站，由固定的空气质量检测站点组成的网格化空气质量检测系统具有以下缺点：站点建设成本较高、监测区域有限、数据获取量低等，一定程度上会导致监测结果存在偏差，以固定点监测数据代表整个城市空气质量缺乏可信性。
4.随着互联网技术的不断发展，新兴监测技术，如遥感监测、移动监测等。其原理就是通过部署在各区域的空气质量监测移动传感器,将采集到多种数据包并进行解析。基于传感器方法的大气监测技术正朝着智能化、低成本化和小型化方向发展,以大数据为驱动的监测技术变革将会大幅提升人类应对和解决环境问题的能力。同时，为完善传统空气污染物监测方法提供新的思路。
5.目前国内外对于城市空气质量移动监测所采用载体主要有出租车、公交车。公交车线路固定，覆盖路段范围有限，通常只能监测公交线路所在道路及周边空气质量数据；出租车对城市覆盖率很高，但出租车往往聚集在客流量较大的区域，收集到的数据可能存在错误或不完整，且现实中不可能在每辆出租车上安装空气质量传感器，同时出租车的可达性还受到道路条件的制约；而共享单车可以作为监测盲点的补充，因其高覆盖率以及移动性等优势，可作为环境监测移动传感器载体，共享单车智能锁组件中gps定位模块可实时上传位置信息，能够对城市中共享单车可达区域空气质量进行实时检测，从而能更加准确地反映整个城市的实际空气质量状况。
6.随着城市治理越来越精细化，对于数据质量的要求也越来越高。


技术实现要素：

7.本发明的目的：为了完善现有技术中的不足，本发明提供一种基于共享单车和出
租车移动轨迹的城市污染物监测方法，成本低，实现传感器的最大化利用，城市覆盖率高，结果可信度增加。
8.根据本发明实施例提供一种基于共享单车和出租车移动轨迹的城市污染物监测方法，用以实现城市建成区的分布式空气质量移动实时监测。所述方法包括出租车分布不可以覆盖90％所需监测区域路段(覆盖90％所需监测区域路段需要数量庞大的出租车数)，调查城市现有空气监测站信息(位置、数量、覆盖率、数据采集量等)、空气质量现状(主要污染物含量、分布)、道路网规模、城市土地利用、城市产业机构、城市大气治理相关法律法规等，对所述城市进行划分区域处理。然后，对城市出租车运行特性、共享单车出行时空特征分析进行分析，采用大数据预处理技术得到车辆的时空分布特征。另外需说明一点，本发明中所述的传感器、监测传感器以及空气质量监测传感器均属于同一种空气质量监测传感器。
9.进一步地，所述车辆的时空分布特征，通过分析共享单车的gps定位模块与车辆定位gps系统得到的轨迹数据获得。所述共享单车gps定位模块与车辆 gps定位系统相连接，实时共享轨迹数据位置信息。所述共享单车和出租车的轨迹数据位置信息通过车辆自带的无线通讯模块发送至云端服务器进行数据处理，当出租车轨迹走航有效路段在所需监测区域覆盖率达不到90％(达到90％需要数量相当多的出租车)，对所述所需监测区域进行空气监测应该采取出租车和共享单车搭载空气质量监测传感器组合，使得两种车辆轨迹走航有效路段覆盖率达到 90％，通过数据分析技术选择两种车辆最优组合方式。得到最优组合状态下的出租车和共享单车。
10.进一步地，所述最优组合状态下的出租车和共享单车上安装空气质量监测传感器，所述最优组合状态下的出租车和共享单车设置于所述出租车和共享单车上的空气质量监测传感器用以采集空气质量数据，充分利用共享单车和出租车高移动特性，采集车辆周围空气质量数据。
11.进一步地，所述最优组合状态下的出租车和共享单车设置于所述出租车和共享单车上的空气质量监测传感器包括电源、co2气体检测模块、pm2.5检测模块、氮氧化物检测模块、硫化物气体检测模块、数据处理器、无线通讯模块。进一步地，所述最优组合状态下的出租车和共享单车设置于所述出租车和共享单车上的空气质量监测传感器采集的空气质量数据包括：pm2.5数据、co2数据、氮氧化物数据、硫化物数据。所述空气质量监测传感器的电源与出租车和共享单车发电来源相连通，为空气质量监测传感器供电。
12.进一步地，所述空气质量监测传感器的数据处理器用以对空气质量监测传感器采集的空气质量数据进行预处理，所述空气质量监测传感器的无线通讯模块用以对所述空气质量监测传感器数据处理器预处理后的数据发送到云端服务器。
13.进一步地，所述将所述通过空气质量监测传感器中数据处理模块处理后的空气质量数据经无线通讯模块发送至云端服务器包括：与所述空气质量监测传感器通过无线通讯网络相连接，利用现有网络通讯技术，所述空气质量监测传感器及时发送数据至云端服务器。同时所述最优组合状态下的出租车gps定位系统与共享单车gps模块所采集的轨迹数据通过车辆本身自带的通讯模块发送至云端服务器，与空气质量数据结合，生成空气质量地图。
14.根据本发明实施例还提供了一种基于出租车和共享单车移动轨迹和空气环境质
量监测站点的空气质量监测方法。所述方法包括出租车分布可以覆盖90％所需监测区域路段(达到90％不需要数量庞大的车辆)。调查城市现有空气监测站信息(位置、数量、覆盖率、数据采集量等)、空气质量现状(主要污染物含量、分布)、道路网规模、城市土地利用、城市产业机构、城市大气治理相关法律法规等对城市进行划分区域处理；然后，对城市出租车运行特性、共享单车出行时空特征分析进行分析，采用大数据预处理技术得到车辆的时空分布特征。
15.进一步地，所述车辆的时空分布特征，通过分析共享单车的gps定位模块与车辆定位gps系统得到的轨迹数据获得。所述共享单车gps定位模块与车辆 gps定位系统相连接，实时共享轨迹数据位置信息。所述共享单车和出租车的轨迹数据位置信息通过车辆自带的无线通讯模块发送至云端服务器进行数据处理，当出租车轨迹走航有效路段在所需监测区域内覆盖率达到90％(达到90％不需要数量相当多的出租车)，对所述所需监测区域进行空气监测应该采取出租车搭载空气质量监测传感器与现有固定空气环境质量监测点组合方式。
16.进一步的，所述出租车安装空气质量监测传感器，所述出租车设置于所述出租车上的空气质量监测传感器用以采集空气质量数据，采集车辆周围空气质量数据。将所述出租车采集的空气质量数据与固定空气环境质量监测站点所监测得到的数据发送至云端服务器，所述云端服务器与固定空气环境质量监测站点通信。进一步地，所述出租车gps定位系统通过车辆本身自带的通讯模块发送至云端服务器，云端服务器通过地图提取固定空气环境质量监测站站点位置，与所述出租车设置于所述出租车上的空气质量监测传感器采集的空气质量数据以及空气环境监测站点采集的空气质量数据结合，生成空气质量地图。
17.与现有技术相比本发明有以下有益效果：
18.一、本发明将出租车和共享单车同时作为城市空气污染物监测移动载体，既弥补了固定式监测站覆盖率不足的局限性，又提高了监测结果的准确性。充分利用出租车连抽转特性以及共享单车高移动性可作为出租车监测盲点的补充等优势，可以大大提高城市污染物监测范围及数据量，从而为网格化监管提供数据支撑。
19.二、成本低，经济效益高。将出租车和共享单车作为城市污染数据采集载体，可减少固定式监测站建设成本，提高城市大气治理水平，促进城市绿色可持续发展。
20.三、借助现有技术融合，使数据利用率大大提升。
21.四、空气质量监测装置中的通讯模块与车辆本身的gps系统结合，可实时监测区域颗粒物浓度，通过云端服务器处理可生成城市污染物分布图，使网格化监管细化到更小区域或某一路段。
22.五、基于共享单车和出租车移动轨迹的城市污染物监测方法，可逐步推广用于城市其它环境污染监测，如噪音污染、光污染。该方法每日可积累大量的环境数据，为实现城市环境精细化管理提供决策支持。
23.六、根据所需监测区域实际情况，合理选择方案，使监测手段更为灵活也更为合理。
附图说明
24.图1为本发明总体实施流程图
25.图2为方法探究及实施流程图
26.图3为假定城区图
27.图4为区域监测方案选择流程图
28.图5为假定城区图的无向赋权图
29.图6捕食者算法流程图
30.图7为增援模型关系效果图
31.图8为监测优化方案效果评价流程图
32.图9为云端服务器处理传感器数据所建立的三层感知器神经网络模型图
具体实施方式
33.下面结合附图和具体实施例对本发明实施例中的技术方案进行清楚、完整地描述，基于本发明中的实施例，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，都属于本发明保护的范围。
34.实施例。
35.如图1所示，根据本发明实施例提供了一种基于共享单车和出租车移动轨迹的城市污染物监测方法的流程图。根据城市道路网规模对城市进行划分区域处理，若出租车轨迹覆盖所需监测区域路段的覆盖率达不到90％(达到90％需要数量庞大的出租车数)，分析出租车和共享单车轨迹情况得到车辆最优组合结构，从而得出出租车和共享单车安装传感器数量，其移动轨迹可以最大化覆盖所需监测区域道路路段数；在出租车和共享单车上安装空气质量监测传感器，以共享单车和出租车作为移动载体，监测车辆附近空气污染物含量；传感器监测得到的数据传送到云端服务器进行处理，生成所需监测区域内空气质量实时监测地图。
36.并且此方法可根据车辆轨迹覆盖情况调整车辆组合方案，若出租车轨迹覆盖所需监测区域路段的覆盖率达到90％(不需要数量庞大的出租车数)，采用出租车搭载传感器和固定空气环境质量监测站点组合，监测所需监测区域内空气污染物含量；监测得到的数据传送到云端服务器，生成所需监测区域内空气质量实时监测地图。
37.本发明包括出租车、共享单车、固定空气环境质量监测站点、空气质量监测传感器、云端服务器组成。
38.图2为方法探究及实施流程图，
39.步骤201,城市道路网规模分析
40.分析城市道路网规模，以城市建成区路网密度为划分标准，按照城市规模将城市划分为超大型城市、特大型城市、i型大城市、ii型大城市四类。其中超大型城市平均道路网密度为7.4km/km2、特大型城市平均道路网密度为 6.3km/km2、i型大城市平均道路网密度为5.9km/km2、ii型大城市平均道路网密度为5.8km/km2，对于各个行政区路网密度相近的城市，进行整体的划分，进一步得去分析整体的车辆轨迹时空特征。对于各个行政区路网面积相差较大的城市，将每一个行政区划分成一个区域，从而完成城市区域划分工作，对划分出来的各个区域，去分析区域内的车辆轨迹时空特征。
41.步骤202,出租车和共享单车轨迹数据处理和时空特性分析
42.利用出租车和共享单车轨迹数据，分析所需监测区域内出行的时空特征。由于通
过gps定位数据存在一定的误差，故需要通过对车辆轨迹数据进行预处理以确保车辆轨迹数据分析结果的可靠性，需要对部分数据进行降噪，目的在于去除轨迹采集过程中的异常值。
43.其次数据压缩，海量的gps数据导致传输数据量增大将增加服务器工作量，这里采用道格拉斯-普克抽稀算法对图形数据点进行压缩以提取有效的数据点。
44.需要说明的是，该算法实现抽稀的过程是：1)对曲线的首末点需连一条直线，求曲线上所有点与直线的距离，并找出最大距离值d
max
，用d
max
与事先给定的阈值d相比。2)若d
max
《d，则将这条曲线上的中间点全部舍去；则该直线段作为曲线的近似，该段曲线处理完毕。若d
max
≥d，保留d
max
对应的坐标点，并以该点为界，把曲线分为两部分，对这两部分重复使用该方法，即重复1)，2)步，直到所有 d
max
均《d，即完成对曲线的抽稀。
45.步骤203，判断出租车走航有效路段覆盖率是否可以达到90％(达到90％不需要数量庞大的出租车数)
46.需要说明的是，为何选取覆盖率90％作为判断标准
47.首先进行城市道路网简化和特征处理
48.从步骤201可知，对于城市已经根据路网密度划分成各个区域，对于各个行政区域路网密度相差较大的城市，将每个行政区划分成一个区域。
[0049][0050]
以下所使用的数据均为步骤202中抽稀和去噪后的出租车和共享单车数据。
[0051]
利用出租车和共享单车轨迹数据，将城市路网进行具有相似每日交通量的估计分区，并将所划分的区域认为是同源排放区。
[0052]
每日交通量估计分区：依据每日城市中的租车和共享单车的轨迹数据，同时结合城市路网特性，时间和空间特性进行分区。并认为具有相似交通量和交通特性的区域为同源排放区。
[0053]
同源排放区：可认为该区域内空气质量相同，空气成分相同。
[0054]
对于划分好同源排放区的城市，在城市路网中根据据欧几里得距离算法将同源排放区与最近的道路联系起来。
[0055]
欧几里德距离算法：是对城市路网采用的具有相似度高的特性距离的确定方法，欧式距离越小道路联系的情况越好，欧式距离越大道路联系的情况越差。
[0056]
对于同源排放区联系好的道路进行分点位，每两相邻点位表示一个路段，路段上空气质量不随时空变化。
[0057]
完成上述3个步骤后所展示的效果图如附图3假定城区图所示。
[0058]
具体的，如附图3假定城区图所呈现，其中红点表示点位，蓝色部分为水域，黄点表示固定监测站，并用坐标表示各个点位及其路段的位置关系。
[0059]
其次再对于所使用的出租车轨迹进行走航有效路段覆盖率比较。
[0060]
具体的，走航有效路段覆盖率指对进行步骤2处理后所获得的出租车和共享单车的数据在进行本步骤中所得的路网中的覆盖率的体现。
[0061]
城市中不同区域内的交通量的构成特性不同，即不同区域的单车和出租车的轨迹
走航有效路段覆盖率不同。故在步骤203后，可选方案不唯一，根据城市交通具体情况而变。
[0062]
对于城市中的走航有效路段覆盖率本发明中分以下四种情况考虑：1、城市中住宅区、居民区占比重较大的区域。2、城市中商业区、活动区占比重较大的区域。3、城市中旅游景区、风景区占比重较大的区域。4、城市中的市郊区。
[0063]
针对城市中不同区域的人们的出行特点和活动方式，优化监测方式也要随之改变。
[0064]
不同城市区域所使用的模型建立求解和优化组成方案不同。
[0065]
如附图4区域监测方案选择流程图所示。
[0066]
城市中住宅区、居民区占比重较大的区域，人们出行受早晚上下班影响较大，大部分时间出租车在该区域内有行驶量较小，而共享单车使用量随时间波动幅度不大，所以大部分时间采用共享单车和出租车组合进行优化监测。
[0067]
城市中商业区、活动区占比重较大的区域，出租车在区域内行驶量和共享单车的使用量随时间波动幅度不大，所以根据出租车的走航有效路段覆盖率确定优化组合监测方式。
[0068]
城市中旅游景区、风景区占比重较大的区域，一般这类区域在城市中占比不大，节假日交通量使用量较大，出租车在区域内行驶量和共享单车的使用量总体随时间波动幅度不大，所以空气质量采用设立固定城市监测站进行监测获得。
[0069]
城市中的市郊区，出租车在区域内行驶量大于共享单车的使用量并随时间波动幅度不大，所以空气质量采用出租车和固定城市监测站进行组合监测。
[0070]
步骤204，采用【出租车和共享单车搭载空气质量监测传感器优化组合方案】。
[0071]
上述步骤203完成后，结合城市不同区域的特点，城市路网条件下满足出租车对所需监测区域覆盖率达不到90％时(达到90％需要数量庞大的出租车)，对出租车和共享单车组合进行传感器的配置。
[0072]
步骤205采用【出租车搭载空气质量监测监测传感器+固定空气环境质量监测点方案】。
[0073]
上述步骤203完成后，结合城市不同区域的特点，城市路网条件下满足出租车对所需监测区域覆盖率达到90％时，出租车搭载监测传感器与固定监测站点结合。
[0074]
步骤204和步骤205根据不同区域走航有效路段覆盖率的和城市道路网特点，对不同区域建立方案模型获得组合方案，从而达到监测效果好，经济成本低的目标。
[0075]
具体的，所需监测区域对于选择监测方案还需确定优化监测效果指标。可通过算法确定优化监测指标，从而判定城市路网中不同区域所使用的优化组合方案的合理性和适用性。若初始采用的优化组合方案优化效果不理想，即采用其它的优化组合方案，从而确定最合适的优化组合方案。
[0076]
需要说明的是，不同优化组合方案模型具体建立如何。
[0077]
在模型建立之前，确定优化组合方案模型建立的假设条件：1.假设道路的车道数为双数。2.假定出租车在某个连续4个小时内出驶过程中出行量不变。
3.假定在各个选取的时间段都有出租车从各交叉路口的开始出发行驶。4.假定出租车在行驶过程中不发生汽车故障。5.假定出租车出行过程中不受道路阻塞的限制。6.假定出租车经过分段点后又有出租车按原路线出行。7.假定出租车出行过程变速行驶，但保持平均速度。
[0078]
首先说明【出租车搭载空气质量监测传感器+固定空气环境质量监测点方案】模型的具体建立。
[0079]
由于固定监测站位置不收时间影响，本模型以配置传感器的出租车为主要影响因素建立。在所述出租车搭载空气质量监测传感器+固定空气环境质量监测站优化组合方案模型中重点路段指所确定的重点路段依据所获得的该区域的交通调查资料而确定的车辆行驶量较大的路段；时间区间确定是根据所选取的时间区间依据不同城市区域交通量的构成、时空特性所确定。
[0080]
对于出租车传感器配置优化方案尽量满足以下要求：1.出租车在一定的时间区间(以10分钟为一时间区间为例)内经过区域路网上所设路段点位的比例不低于90％，而经过到重点路段点位的时间必须在(以 5分钟为例)之内。2.使优化监测效果更显著3.对于在满足10分钟内出租车经过区域路网上所设路段点位的比例不低于90％，而赶到到重点路段点位的时间必须在5分钟之内的条件下，求该区最少需要配置传感器的出租车数。
[0081]
所述出租车传感器配置优化方案求解原则：原则一：假定由相邻点位确定的道路路段上空气质量不随时间变化。原则二：为了能够快速提升监测周期，将各个时间段开始时出租车初始位置设定在各交叉路口。原则三：出租车出行过程中的变速行驶是为了能同时到达各个交叉路。
[0082]
对于附图3所示城区的有效路网图，出租车可以沿着街道的两个方向行走故将其抽象化为一个无向图。路网图中的每条街道可以看作是无向图的边，而路网图中的路口可以看作是无向图的节点。将附图3有效路网图用符号表示为无向图g(v(g),e(g))，并且以附图3有效路网中节点为交叉路口，边为城区街道。其中：
①
v(g)为图中的有限非空顶点数，即有效路网图中路口v(g)＝{v1,v2,
…
,vn}， n表示有效路网图中所有的交叉路口数。
②
e(g)为图中的有限边集合，即中有效路网图中街道e(g)＝{e1,e2,
…
,em}， m表示这个有效路网图中所有街道数，边的权值表示街道长度，即街道j的长度为sj。
[0083]
将所选城区有效路网图抽象化为一个无向赋权图后如附图5所示，可将配置传感器的出租车数问题转化为图论中图的节点、边等覆盖问题。
[0084]
本模型主要思想：运用贪心算法找到区域路网上出租车初始点位(静态状况下的最优解)，然后运用捕食搜索迭代运算实现出租车移动，达到动态分组的目的，进而求出满足条件下的出租车的传感器配置方案。
[0085]
这里需要说明的是，本模型利用floyd算法处理相关数据。
[0086]
floyd算法具体实实施过程如下：递推产生一个矩阵序列 a0,a1,
…
,ak,
…
,an，其中ak(i,j)表示从有效路网图中路口节点vi到有效路网图中路口节点vj的路径上所经过的节点序号不大于k的最短路径长度。
[0087]
计算时用迭代公式：ak(i,j)＝min(a
k-1
(i,j),a
k-1
(i,k)+a
k-1
(k,j))。
[0088]
利用floyd算法，将每对路口节点之间的最短路径求出，得到各个交叉路口的邻接距离矩阵，从而推断出出租车在满足配置优化方案的要求下经过各个路口节点所需的最短路径。
[0089]
需要说明的是，运用贪心算法找到区域路网上出租车初始点位(静态状况下的最优解)
[0090]
贪心策略主要是应用贪心算法进行求解，所用策略的主要思想是：做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，它所做出的仅是在某种意义上的局部最优解。
[0091]
贪心算法求解步骤如下：1)将出租车传感器优化配置问题转化成目标问题，即先做出选择，再解决剩下的目标问题的子问题。2)对目标问题进行贪心选择后，剩余的目标问题的子问题具有这样的一个性质：即将目标问题的子问题最优解和所作的贪心选择联合起来，可以得出原问题的一个最优解。3)证明原问题总是有一个最优解是做贪心选择得到的，从而说明贪心选择的安全。
[0092]
本模型贪心策略目标问题：1)将出租车赶到到重点路段点位的时间必须在5分钟之内作为优先考虑的对象，必须首先满足。2)基于上述建模思想原则一的说明(假定由假定由相邻点位确定的道路路段上空气质量不随时间变化。)，在10分钟内出租车所能到达的道路条数占总道路条数的比例不低于90％理解为10分钟内出租车经过区域路网上所设路段点位的比例不低于90％。3)将研究道路条数的覆盖问题转化为研究交叉口节点的覆盖问题，利用节点覆盖率的调整来达到道路条数的覆盖范围不低于的要求。4)对于在满足的条件下给出行出租车需要配置最少传感器的问题，可在静态状态下，即定点出行所需的配置传感的车辆是最少的，故可求在静态状况下所需的最少传感器配置车辆。
[0093]
交叉口分组；对交叉路口按贪心策略目标问题分组，运用贪心算法进行分组进而求解初始化区域路网上出租车位置。
[0094]
交叉路口分组算法流程：
①
找出距离重点路段点位5分钟车程的交叉点，将他们分为重点路段点位组，非重点路段点位组。
②
从待分组中找出满足10分钟内出租车经过区域路网上所设路段点位的比例不低于90％的路段上交叉点进行最大分组，将以分组点从待分组中删除。
③
如果以分组点占交叉点总数大于，而且道路条数覆盖率不低于90％，则停止；否
则跳到
②
。每次都选出局部最大的分组，最后即得最优解。
[0095]
根据上述的floyd算法和贪心算法流程，利用matlab 2009a软件求解。求解过程发现，经过有限次迭代，n辆装有传感器的出租车的出行路覆盖数没有达到的90％条件，而n+1辆装有传感器的出租车的出行道路覆盖数存在高于90％的状态，故最少需要给n+1辆出租车配置传感器，然后根据捕食者算法模拟出租车移动时道路数的覆盖率证明此结论的正确性。
[0096]
需要说明的是，运用捕食搜索迭代运算实现出租车移动，达到动态分组的目的
[0097]
确定出租车车数时具有动态分组的特性，故可利用前述的贪心算法和捕食者算法进行求解，即运用贪心算法找到区域路网上出租车初始点位(静态状况下的最优解)，然后运用捕食搜索迭代运算实现出租车移动，从而获得满足要求下最少传感器配置的准确性。
[0098]
所述贪心算法所得的初始点位为：x1,x2,x3,
…
,xn[0099]
需要说明的是，捕食者算法的大体过程,如附图6捕食者算法流程图所示。：step1:运用贪心算法搜索一个初始点，s＝(x1,x2,
…
,xn)；step2:根据现有解随机产生新解，并计算适应值函数；step3:选取适应值最大的解，出租车移动一步；
[0100]
step4:判断停止条件，若m2＞0.9且移动n次停止计算，否则跳到step1。
[0101]
捕食者算法具体转化如下：1)把组合优化问题定义为一个二元组(ω,z)，这里ω是解的集合，函数 z:ω
→
r代表每个解到对应的适应值的变换。假设每个解s存在一个邻域定义这里n'(s)包含n(s)中元素的5％。n(s)中一个解到另一个解的变换成为一个移动。2)在规模为n辆出租车配置传感器问题中，用从1到n的n个自然数组成的集合中的每个元素表示一个装有传感器的出租车，交叉口用x表示，例如，状态s＝(x1,x2,
…
,xn)，表示n辆装有传感器的出租车所在位置的向量。3)一个解为全体出租车所在城区位置的状态，给定一个解s＝(x1,x2,
…
,xn)，根据已知道路联通数据，每辆车选择一个交叉口移动一步则得到一个新的解 s'＝(x'1,x'2,
…
,x'n)，所有车可选择的交叉口的组合就得到s的邻域n(s)。4)算法的主要迭代来自出租车位置的移动，从邻域中随即取样本量，根据事先定好的各指标权数计算适应值大小，选取适应值最大的s'＝(x'1,x'2,
…
,x'n)装有传感器的移动出租车。
[0102]
通过上述运算，出租车+固定监测站优化组合方案模型可得到在每日任意连续时间段里出租车配置传感器最小数量。
[0103]
其次说明【出租车和共享单车搭载空气质量监测传感器优化组合方案】模型具体建立
[0104]
对于不满足出租车覆盖率的城市路网区域，采用增援模型行合理的增加装有传感的共享单车进行优化组合。
[0105]
需要说明的是，增援模型求解的过程：
[0106]
首先，对于模型建立实施思路如下：1)当某条道路j时间周期内没有安装有传感器的出租车经过时，计算所有装有传感器的共享单车到道路j中包含的点位j_pi(i＝1,2,3
…
n)的最短距离和最短路径，然后按
照距离由小到大的顺序选出所需的n个共享单车让这n个共享车沿着计算出来的最短路径去增援道路j。所以问题就转变为如何求各个共享单车到点位j_pi(i＝1,2,3
…
n)的最短路径，从而确定装有传感器的共享单车所需的最优数量。2)对于任一条道路j都一定是在两个路口之间的，那么不管在哪个位置的共享单车若要增援道路j的点位j_pi(i＝1,2,3
…
n)，单车都必须要从v
j1
,v
j2
，中的某一个路口进入该道路。3)所以计算某个共享单车i到点位j_pi(i＝1,2,3
…
n)的最短距离可以转化为计算共享单车i到路口v
j1
的最短距离加上路口v
j1
到点位 j_pi(i＝1,2,3
…
n)的距离，共享单车i到路口v
j2
的最短距离加上路口v
j2
到点位 j_pi(i＝1,2,3
…
n)的距离，然后找出这两个距离之间的最小值。4)同样，共享单车i如果正好在某个路口，那么计算共享单车i到路口 v
j1
,v
j2
的最短距离就转变为计算路口之间的最短距离，那么可以直接使用算法；
[0143]
如果共享单车i不在路口，而是在某条道路k上，那么同上分析，共享单车i只能从与街道k相连的两个路口v
k1
,v
k2
出去，增援点位j_pi(i＝1,2,3
…
n)，那么计算共享单车i到路口v
j1
,v
j2
的最短距离就可以同上转化为计算路口v
k1
,v
k2
到路口v
j1
,v
j2
的最短距离。
[0107]
经过这些讨论处理，计算共享单车i到点位j_pi(i＝1,2,3
…
n)的最短距离实际上就转化为：s表示距离
[0108]
那么计算每个共享单车到道路j上点位j_pi(i＝1,2,3
…
n)的最短路径可以转化为求每个共享单车所在道路两端的路口节点到发生事件的道路j两端节点v
j1
,v
j2
的最短路径。道路j上、点位j_pi(i＝1,2,3
…
n)、路口节点v
j1
,v
j2
关系效果如附图7增援模型关系效果图所示。
[0109]
其次说明所述算法及具体流程：1)当某个条道路j上时间内出租车经过节点的次数较少，那么将离该街道最近的出租车i设为这个增援任务的组织者。出租车i首先估算通过街道j上的节点是否需要共享单车增援，如果不需要共享单车增援，那么自己直接解决这个案件，解决后恢复为出行状态。如果需要共享单车增援，那么估算需要增援的共享单车数，成立增援任务联盟。2)计算处于出行状态的各个共享单车到节点的最短路径和最短距离，按照距离由近到远的顺序和增援需要的共享车数选择增援的共享单车，并告知选出的共享单车参与到增援任务联盟中。如果组织者发现处于出行状态的共享单车数不够完成增援任务，那么解散增援联盟，将自己的状态转为出行状态，并继续出行。3)各个处于出行状态的共享单车从组织者那里获得召集信息，就将自己的状态设为增援状态，并沿着计算出的最短路径前去完成增援任务；4)一旦增援所需的共享单车全部达到所需增援道路上的点位，增援任务组织者即认为增援完毕，组织者宜布联盟解散，原联盟中的各个成员(出租车、共享单车)转变为出行状态，继续出行任务。
[0110]
经过上述增援模型算法，从而得到最少需要安装传感器的单车数量。共享单车安装传感器是补充出租车不能到达的街道或者城市巷道。此时得到【出租车和共享单车搭载
空气质量监测传感器优化组合方案】所需传感器最小安装数。
[0111]
步骤207判断采用【出租车和共享单车搭载空气质量监测传感器优化组合方案】后走航有效路段覆盖率能否达到95％
[0112]
出租车+共享单车搭载传感器后走航有效路段覆盖率能达到95％，则进一步进行下一步骤，出租车和共享单车搭载传感器后走航有效路段覆盖率不能达到 95％，则进一步调整传感器安装数量。
[0113]
具体的，当车辆轨迹覆盖达到95％及以上后，且传感器本身就具有一定监测范围，得到的监测数据已经可以代表监测区域内的全部空气质量。
[0114]
需要说明的是，在本实施例中如何确定优化监测效果评价指标。
[0115]
如附图8监测优化方案效果评价流程图所示。对于评价监测效果显著程度的指标，出租车、共享单车实时监测的目的是提高空气监测的质量，因此衡量动态监测效果显著程度的指标应围绕这个目的而定，故依据确定的时间范围内出租车所能到达分段点百分比的要求，选取出租车配指方案的节点覆盖率m1、道路覆盖率m2、规定时间内单位车辆走过的不同节点数m3和规定时间内单位车辆走过的不同道路数m4等4个指标来刻画监测效果显著程度。a)m1:配置方案中装有传感器的出租车确定时间段内所能覆盖的节点数占总节点数的比例。b)m2:配置方案中装有传感器的出租车规定时间段内所能覆盖的道路数占总道路数的比例。c)m3:在规定的某段时间内，单位车辆所能够遍历的不同节点的总数。d)m4:在规定的某段时间内，单位车辆所能够遍历的不同道路的总数。
[0116]
对于评价监测效果的目的，主要用于证明不同传感器优化组合方案所得的所需最小配置传感器数量的正确性从而获得最佳监测效果。
[0117]
具体的，对于评价监测效果的算法设置：利用贪心算法和捕食者算法进行求解，即运用贪心算法找到出租车初始点位(静态状况下的最优解)，然后运用捕食搜索迭代运算实现出租车移动。
[0118]
步骤208，空气污染物数据采集处理
[0119]
对城市中不同区域使用各自最优组合监测方案后所获得的监测数据进行收集。数据收集完成后，通过云端服务器对数据进行融合处理从而达到去噪、清洗的效果。
[0120]
步骤9，区域污染监测生成图
[0121]
通过可视化技术生成城市污染物分布图，实现对空气污染物实时监测，并生成空气质量实时监测地图。
[0122]
需要说明的是，步骤8中云端服务器如何进行数据融合处理。
[0123]
基于现有软件技术，将出租车和共享单车传感器得到的空气质量数据融合，共享单车数据的融合可以采用方法实现：a)搜集同一时间段，同一街道，n个来自出租车和单车的传感器采集数据；b)根据之前在同一时间，同一街道出租车和单车的优化后的轨迹分布图，对传感器的输出数据进行特征提取变换，提取代表观测数据的特征矢量；c)对特征矢量进行模式识别处理，采用聚类算法完成各传感器关于目标的说明；
d)将各传感器关于目标的说明数据按同一目标进行分组，即关联；e)建立三层感知器神经网络模型(多层前馈神经网络)：分组后的数据按照第一隐层神经元函数进行初步处理，处理结果发送给其所在簇的簇头节点。第二隐层神经元函数和输出层神经元函数进行进一步地处理。最后，由簇头节点将处理结果发送给汇聚节点。如附图9所示。f)多次重复试验，减少传感器是疏失误差数据的影响，从而得到结果。
[0124]
最后通过可视化技术生成城市污染物分布图，最终实现对空气污染物实时监测，并生成空气质量实时监测地图。本发明具有以下效果：
[0125]
1、可实现城市污染物监测实时发布，同时实现远程数据传输和实时处理。
[0126]
2、基于大数据分析技术，实现城市污染物精细化管控，为城市管理者治理空气污染提供决策支持，为环境保护服务行业带来显著价值。
[0127]
3、基于共享单车和出租车移动轨迹的城市污染物监测方法，可逐步推广用于城市其它环境污染监测，如噪音污染、光污染。该方法每日可积累大量的环境数据，为实现城市环境精细化管理提供决策支持。
[0128]
4、本发明为未来自动驾驶汽车进入市场，大规模投入使用提供一定范围内的有利技术。为无人驾驶应用提供又一途径，按照本系统而言，可为路段的空气质量监测提供更加便利精确的手段。
[0129]
5、本发明中所采用的模型自带评价调整功能，可及时检查出组合的不妥，进一步的优化组合，选择最佳方案。
[0130]
总的来说，本发明的优势来源于出租车与共享单车结合，利用共享单车和出租车两种车辆本身运行的特点为空气质量检测提供便利。
[0131]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上所述的实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。