详情

原文传递一种交通排放污染可视化预警方法及其系统

专利名称：	一种交通排放污染可视化预警方法及其系统
摘要：	本发明公开了一种交通排放污染可视化预警方法，包括监测区域的基础数据信息；进行相对位置信息特征的提取；选取最优的空气质量监测站和最优的交通道路节点；构建大气污染物预测模型；构建任意监测点的污染物浓度预测模型并进行修正；对监测区域的城市交通污染排放进行可视化预警。本发明还公开了一种实现所述交通排放污染可视化预警方法的系统。本发明方法能够对道路交通覆盖区域内任意一点的实时动态大气污染物进行实时预测和预警，而且本发明方法的可靠性高，实用性好。
专利类型：	发明专利
国家地区组织代码：	湖南;43
申请人：	中南大学
发明人：	刘辉;李燕飞;刘泽宇
专利状态：	有效
申请日期：	2019-07-25T00:00:00+0800
发布日期：	2019-10-18T00:00:00+0800
申请号：	CN201910677429.7
公开号：	CN110346518A
代理机构：	长沙永星专利商标事务所(普通合伙)
代理人：	周咏;米中业
分类号：	G01N33/00(2006.01);G;G01;G01N;G01N33
申请人地址：	410083 湖南省长沙市岳麓区麓山南路932号
主权项：	1.一种交通排放污染可视化预警方法，包括如下步骤： S1.在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息； S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域内空气质量监测站的位置数据信息，进行相对位置信息特征的提取； S3.选取最优的空气质量监测站和最优的交通道路节点； S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的交通道路节点的交通数据信息，构建大气污染物预测模型； S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型； S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正； S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测区域的城市交通污染排放进行可视化预警。 2.根据权利要求1所述的交通排放污染可视化预警方法，其特征在于步骤S1所述的在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息，具体为采用空气质量监测车，以移动的方式在监测区域进行随机移动，并采集空气质量监测车所在位置的移动空气质量数据，同时记录采集移动空气质量数据时空气质量监测车的位置信息，同时记录监测区域内空气质量监测站的位置信息和固定空气质量数据；同时获取监测区域的实时天气数据信息和风向数据信息。 3.根据权利要求2所述的交通排放污染可视化预警方法，其特征在于步骤S2所述的进行相对位置信息特征的提取，具体为采用如下步骤进行提取： A.根据第i个空气质量监测站的绝对位置信息、第i个交通路口节点的绝对位置信息和监测点的绝对位置信息，采用如下公式计算相对位置信息，从而提取相对位置信息特征： ΔLGSA(i)＝Longitude_site(i)-Longitude_A1 ΔLTSA(i)＝Latitude_site(i)-Latitude_A1 ΔHSA(i)＝Height_site(i)-Height_A1 ΔLGNA(i)＝Longitude_node(i)-Longitude_A1 ΔLTNA(i)＝Latitude_node(i)-Latitude_A1 ΔHNA(i)＝Height_node(i)-Height_A1 式中ΔLGSA(i)为第i个空气质量监测站与监测点的东西距离相对量；ΔLTSA(i)为第i个空气质量监测站与监测点的南北距离相对量；ΔHSA(i)为第i个空气质量监测站与监测点的海拔高差；ΔLGNA(i)为第i个交通路口节点与监测点的东西距离相对量；ΔLTNA(i)为第i个交通路口节点与监测点的南北距离相对量；ΔHNA(i)为第i个交通路口节点与监测点的海拔高差；RPSA(i)为第i个空气质量监测站与监测点的空间相对距离；RPNA(i)为第i个交通路口节点与监测点的空间相对距离；Longitude_site(i)为第i个空气质量监测站的经度信息，Latitude_site(i)为第i个空气质量监测站的纬度信息，Height_site(i)为第i个空气质量监测站的海拔数据信息；Longitude_node(i)为第i个交通路口节点的经度信息，Latitude_node(i)为第i个交通路口节点的纬度信息，Height_node(i)为第i个交通路口节点的海拔信息； B.采用如下算式计算相对风速角，从而提取相对风速角特征：式中β_sitei(t)为t时刻第i个空气质量监测站与监测点之间的相对风速角；α_sitei(t)为t时刻第i个空气质量监测站的风向角；β_nodei(t)为t时刻第i个交通路口节点与监测点之间的相对风速角；α_nodei(t)为t时刻第i个交通路口节点的风向角。 4.根据权利要求3所述的交通排放污染可视化预警方法，其特征在于步骤S3所述的选取最优的空气质量监测站和最优的交通道路节点，具体为采用如下步骤选取最优的空气质量监测站和最优的交通道路节点：采用如下步骤选取最优的空气质量监测站： a1.设定最远距离L_max，初步筛选时只考虑RPSA(i)≤L_max的空气质量监测站，且设定符合条件的空气质量监测站的数目为Nsite；设定最终选取的空气质量监测站的数目为Nchoose-site； b1.选取RPSA(i)值最小的Nini个空气质量监测站作为初始站点，并添加进入备选站点库； c1.采用如下算式依次计算未进入备选站点库的空气质量监测站的分布值： ΔLGas(i,j)＝\|Longitude_as(j)-Longitude_site(i)\| ΔLTas(i,j)＝\|Latitude_as(j)-Latitude_site(i)\| 式中Longitude_as(j)为备选站点库中第j个站点的东西向绝对位置，Latitude_as(j)为备选站点库中第j个站点的南北向绝对位置；Longitude_site(i)为第i个未进入备选站点库的空气质量监测站的东西向绝对位置，Latitude_site(i)第i个未进入备选站点库的空气质量监测站的南北向绝对位置；Nas为备选站点库中的站点数目；δ为寻优参数； d1.选取步骤c1中最大分布值所对应的未进入备选站点库的空气质量监测站作为寻优结果，并将该未进入备选站点库的空气质量监测站添加进备选站点库； e1.重复步骤c1～步骤d1，直至备选站点库中存在的备选站点达到设定的数目Nchoose-site，寻优结束；采用如下步骤选取最优的交通路口节点： a2.设定最远距离L_max_note，初步筛选时只考虑RPNA(i)≤L_max_note的交通路口节点，且设定符合条件的交通路口节点的数目为Nnote；设定最终选取的交通路口节点的数目为Nchoose-note； b2.选取RPNA(i)值最小的Nini-note个交通路口节点作为初始节点，并添加进入备选节点库； c2.采用如下算式依次计算未进入备选节点库的交通路口节点的分布值： ΔLGan(i,j)＝\|Longitude_an(j)-Longitude_note(i)\| ΔLTan(i,j)＝\|Latitude_an(j)-Latitude_note(i)\| 式中Longitude_an(j)为备选节点库中第j个节点的东西向绝对位置，Latitude_an(j)为备选节点库中第j个节点的南北向绝对位置；Longitude_note(i)为第i个未进入备选节点库的交通路口节点的东西向绝对位置，Latitude_note(i)第i个未进入备选节点库的交通路口节点的南北向绝对位置；Nas-note为备选节点库中的节点数目；δnote为寻优参数； d2.选取步骤c2中最大分布值所对应的未进入备选节点库的交通路口节点作为寻优结果，并将该未进入备选节点库的交通路口节点添加进备选节点库； e2.重复步骤c2～步骤d2，直至备选节点库中存在的备选节点达到设定的数目Nchoose-note，寻优结束。 5.根据权利要求1～4之一所述的交通排放污染可视化预警方法，其特征在于步骤S4所述的空气质量监测站的空气质量数据，具体包括SO2浓度，氮氧化物浓度，PM2.5浓度，PM10浓度，CO浓度和臭氧浓度；所述的交通道路节点的交通数据信息，具体包括t时刻往前若干时间内该交通道路节点的车流量。 6.根据权利要求5所述的交通排放污染可视化预警方法，其特征在于步骤S4所述的构建大气污染物预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自的预测模型： (1)设定模型参数； (2)获取训练数据； (3)构建SVM预测模型； (4)采用步骤(3)构建的SVM预测模型对t+1时刻的污染物浓度进行预测。 7.根据权利要求6所述的交通排放污染可视化预警方法，其特征在于步骤S5所述的构建任意监测点的污染物浓度预测模型，具体为针对步骤S4选定的6种大气污染物，各自独立采用如下步骤构建各自独立的预测模型： 1)构建输入特征向量，并设定权重； 2)构建训练集； 3)构建深度信念网络预测模型，并进行测试； 4)对权重权值进行优化，具体为采用蚁群优化算法进行优化；包括如下步骤： ⅰ.初始化蚁群参数； ⅱ.将Np个蚂蚁分别放置于所属的初始领域内，计算每个蚂蚁的转移概率，并按照转移概率移动； ⅲ.评价每个蚂蚁时，采用该粒子对应权值对进行步骤3)中的训练测试，将平均绝对误差值作为目标函数值，计算种群中每只蚂蚁的目标函数值并记录当前最优值； ⅳ.修正每只蚂蚁的信息素强度； ⅴ.判断是否满足终止条件：若满足终止条件，则完成权值优化，输出最优解；若不满足终止条件，则重复步骤ⅲ～步骤ⅴ直至满足终止条件。 8.根据权利要求7所述的交通排放污染可视化预警方法，其特征在于步骤S6所述的对步骤S5构建的任意监测点的污染物浓度预测模型进行修正，具体为采用回声状态网络ANN构建误差拟合修正模型，从而实现对污染物浓度预测模型的优化。 9.根据权利要求8所述的交通排放污染可视化预警方法，其特征在于步骤S7所述的对监测区域的城市交通污染排放进行可视化预警，具体为采用如下步骤进行可视化预警： Ⅰ.向平台内导入区域二维地图，作为底部图层；并按照真实地理位置及比例关系将图层坐标与真实点坐标进行对应，并绘制网格线； Ⅱ.对任意点预测结果进行分析，建立6个视图分别对应六类大气污染物的预测结果，同时布局监测点，根据预测结果，采用不同的颜色进行标示，从而进行可视化预警。 10.一种实现权利要求1～9之一所述的交通排放污染可视化预警方法的系统，其特征在于包括基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块；基础数据获取模块、最优选取模块、大气污染物预测模块、任意监测点污染物浓度预测模块、污染物浓度预测修正模块和可视化预警模块依次串接；基础数据获取模块用于获取监测点的位置数据信息、监测点的空气数据和监测区域的基础数据信息，进行相应的特征提取，并将提取结果上传最优选取模块；最优选取模块用于选取最优的空气质量监测站和最优的交通道路节点，并将选取结果上传大气污染物预测模块；大气污染预测模块用于对大气污染数据进行预测并将结果上传任意监测点污染物浓度预测模块；任意监测点污染物浓度预测模块用于对监测区域内的任意点的污染物浓度进行预测并将结果上传污染物浓度预测修正模块；污染物浓度预测修正模块用于对预测结果进行修正并将结果上传可视化预警模块；可视化预警模块用于根据修正的预测结果对监测区域的城市交通污染排放进行可视化预警。
所属类别：	发明专利