基于大密度部署传感器的大气污染监控及管理方法及系统的制作方法
【技术领域】
[0001] 本发明设及物联网及污染物监控技术领域，特别设及一种基于大密度部署传感器 的大气污染监控及管理方法及系统。
【背景技术】
[0002] 近几年，大众对大气污染的关注日渐提升，从关注污染数据到家庭和自身的安全 防护。政府和环保部口则更快、更早地将大气污染治理划入到工作范畴之内。早在2012年 环保部与31个省（区、市）联合签署的《大气污染防治目标责任书》中已明确指出，北京、 天津、河北将一体化全面分析和治理，预计在2017年实现PM2. 5年均浓度下降25%的目标。 由此可见，大众和相关政府部口对大气污染，特别是雾靈治理都提出了很高的要求和标准， 如何落实运些标准和要求便是重中之重。
[0003] 在雾靈防治中，首先需要清楚雾靈的成因和来源。运就需要建立起广泛密集的监 测网络。在大气颗粒物污染，尤其是PM2. 5的监测领域中，目前的做法有流动巡检，公共监 测站，卫星遥感，无人机监测等。
[0004] 具体来说，公共监测站虽然可W给出相应的统计分析及展示结果，比如常见的污 染天数统计，污染趋势统计与预测判断等，但其部署密度的稀疏性使得其在监测场景的多 样性、微环境的细化监测方面存在固有不足。卫星遥感通过气象卫星每天两次对大气云层 进行拍照，然后运用图像学知识进行数据分析，但是只能获得大尺度污染信息，无法真实反 映低空的真实污染状况，同时每天两次的扫描及数据处理使得数据实时性较差。无人机监 测适用于大气污染应急事件，难W满足全天候监测需求。
[0005] 此外，现有的大气污染监控中传感器的布设密度低且缺乏科学性。具体地，现有方 式是在一个大范围区域内随机布设若干个传感器，缺乏对传感器布设点的规划，导致采集 到的数据缺乏代表性，无法准确反映当前区域的大气污染数据。
[0006] 综上，现有的各种雾靈监测手段各自均存在一定的问题，无法满足精细化管理的 需求，监控精度和监控效率均有限。
【发明内容】
[0007] 本发明的目的旨在至少解决所述技术缺陷之一。
[0008] 为此，本发明的目的在于提出一种基于大密度部署传感器的大气污染监控及管理 方法及系统，可W实现实时监测取证，量化评级及精细化管理的目标，提供完善的可视化显 示，包括完善的分级管理体系和有效的联防联控机制，通过各个机构及模块的协同合作，实 现污染源监测发现，证据取证，协作执法等一体化管理。
[0009] 为了实现上述目的，本发明一方面的实施例提供一种基于大密度部署传感器的大 气污染监控及管理方法，包括如下步骤：
[0010] 步骤S1，获取部署区域的状态信息，根据所述部署区域的状态信息，在该部署区域 大密度部署多个传感器；
[0011] 步骤S2,获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间位 置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大密 度微环境下大气污染物数据；
[0012] 步骤S3,根据所述已部署传感器位置点的大密度微环境下大气污染物数据，利用 高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据；
[0013] 步骤S4,采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置 点的大气污染物数据进行预测分析，W进行对整个区域的大气污染预警；
[0014] 步骤S5,将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发 送至监控中屯、，W由监控人员实时监控整个区域内的大气污染状态。
[0015] 进一步，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文 f目息。
[0016] 进一步，在所述步骤S1中，所述根据部署区域的状态信息，在该部署区域大密度 部署多个传感器，包括如下步骤：
[0017] 根据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器；
[0018] 获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感 器数据对所述部署区域进行二次加密部署多个传感器。
[0019] 进一步，在所述步骤S2中，采用神经网络模型和高斯推断模型对所述传感器数据 进行联合校正，包括如下步骤：
[0020] 对所述传感器数据进行离线训练，包括：采用神经网络模型对所述传感器数据进 行单点校正，动态获取训练后的传感器数据；
[0021] 对所述训练后的传感器数据进行在线校准，包括：采用高斯推断模型对所述训练 后的传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数 据。
[0022] 进一步，所述神经网络模型采用BP神经网络。
[0023] 进一步，采用基于无向图模型的条件随机场模型对所述大气污染物数据进行预测 过程中，W溫度、湿度、风速、风向、降雨强度和时间作为输入特征值，WPM2. 5数值作为输 出预测值，其中，所述输入特征值和输出预测值均为离散型数值。
[0024] 进一步，在所述步骤S4之后，还包括如下步骤：采用因果分析和张量分析方法对 所述已部署传感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，W获取 空间层面上污染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送 至所述监控中屯、。
[00巧]本发明实施例还提出一种基于大密度部署传感器的大气污染监控及管理系统，包 括：于部署区域进行大密度部署的多个传感器，数据处理中屯、和监控中屯、，其中，每个所述 传感器与所述数据处理中屯、进行通信，所述数据处理中屯、与所述监控中屯、进行通信，所述 数据处理中屯、用于获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间 位置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大 密度微环境下大气污染物数据，并根据所述已部署传感器位置点的大密度微环境下大气污 染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据，W 及采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染 物数据进行预测分析，w进行对整个区域的大气污染预警，所述数据处理中屯、进一步将所 述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至所述监控中屯、；所 述监控中屯、用于接收所述已部署传感器位置点和未部署传感器位置点的大气污染物数据， 并呈现给监控人员查看，W由监控人员实时监控整个区域内的大气污染状态。
[00%] 进一步，所述多个传感器根据部署区域的状态信息进行大密度部署，包括：首先根 据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器，然后所述数据处 理中屯、获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器 数据对所述部署区域进行二次加密部署多个传感器。
[0027] 进一步，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文 信息。
[0028] 进一步，所述数据处理中屯、采用神经网络模型和高斯推断模型对所述传感器数据 进行联合校正，包括：
[0029] 所述数据处理中屯、采用神经网络模型对所述传感器数据进行单点校正，动态获取 训练后的传感器数据，并采用高斯推断模型对所述训练后的传感器数据进行多点校准，得 到已部署传感器位置点的大密度微环境下大气污染物数据。
[0030] 进一步，所述神经网络模型采用BP神经网络。
[0031] 进一步，所述时间序列中的预测模型采用基于无向图模型的条件随机场模型。
[0032] 进一步，所述数据处理中屯、采用基于无向图模型的条件随机场模型对所述大气污 染物数据进行预测过程中，W溫度、湿度、风速、风向、降雨强度和时间作为输入特征值，W PM2. 5数值作为输出预测值，其中，所述输入特征值和输出预测值均为离散型数值。
[0033] 进一步，所述数据处理中屯、还用于采用因果分析和张量分析方法对所述已部署传 感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，W获取空间层面上污 染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送至所述监控中 屯、。
[0034] 根据本发明实施例的基于大密度部署传感器的大气污染监控及管理方法及系统， 通过在区域内大密度部署传感器，并对返回的传感器数据采用云端算法进行联合校正，使 得数据的精确度得到大幅提高，并进一步采用高斯推断模型推断出未部署传感器的位置点 的污染数据，再将上述已部署和未部署的数据统一反馈给监控中心进行监控和管理。本发 明可W实现实时监测取证，量化评级及精细化管理的目标，提供完善的可视化显示，包括完 善的分级管理体系和有效的联防联控机制，通过各个机构及模块的协同合作，实现污染源 监测发现，证据取证，协作执法等一体化管理。
[0035] 本发明附加的方面和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，或通过本发明的实践了解到。
【附图说明】
[0036] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变 得明显和容易理解，其中：
[0037] 图1为根据本发明实施例的基于大密度部署传感器的大气污染监控及管理方法