详情

原文传递空气质量监测及预测系统及方法

专利名称：	空气质量监测及预测系统及方法
摘要：	本发明提供了一种空气质量监测及预测系统及方法，包括采集节点、存储节点及预测节点，采集节点、存储节点及预测节点构成区块链网络；采集节点实现对空气污染监测数据的获取，并将监测数据发送给监测点所在区域的存储节点；所述的存储节点在接收到监测数据后，对数据进行校验，校验通过，将数据生成区块并在系统中进行广播；其它存储节点对其进行校验，校验通过后，当前存储节点收到其它存储节点的校验信息，将区块按时间顺序存储在本地，构成链式结构；其它存储节点则将该区块的哈希值、时间标识、位置标识及该区块存储节点的信息保存在本地用于对监测数据的监督及查询；预测节点获取监测数据，结合机器学习算法对未来的空气质量做出预测。
专利类型：	发明专利
申请人：	上海应用技术大学
发明人：	宋智礼;张桂敏
专利状态：	有效
申请日期：	1900-01-20T06:00:00+0805
发布日期：	1900-01-20T15:00:00+0805
申请号：	CN202010012876.3
公开号：	CN111157682A
代理机构：	上海汉声知识产权代理有限公司
代理人：	胡晶
分类号：	G01N33/00;G01W1/10;G;G01;G01N;G01W;G01N33;G01W1;G01N33/00;G01W1/10
申请人地址：	200235 上海市徐汇区漕宝路120-121号
主权项：	1.一种空气质量监测及预测系统，其特征在于，包括：采集节点、存储节点及预测节点，所述采集节点、存储节点及预测节点构成区块链网络，其中，所述采集节点，用于对空气污染监测数据的获取，并将监测数据发送给监测点所在区域的存储节点；所述存储节点，用于在某个存储节点接收到监测数据后，对数据进行校验，当校验通过后，该存储节点执行存储数据智能合约将数据生成区块，并在系统中广播生成的区块；其它存储节点对其进行校验，校验通过后，当前存储节点收到其它存储节点的校验信息，将区块按时间顺序存储在本地，构成链式结构；其它存储节点则将该区块的哈希值、时间标识、位置标识及该区块存储节点的信息保存在本地，用于对监测数据的监督及查询；所述预测节点，用于获取监测数据，并结合气象监测数据、预测时刻的气象预测数据及监测点周围的环境特征的信息，利用机器学习算法对未来的空气质量做出预测。 2.根据权利要求1所述的空气质量监测及预测系统，其特征在于，还包括：管理中心，用于对所述采集节点、存储节点及预测节点进行验证和权限管理。 3.根据权利要求2所述的空气质量监测及预测系统，其特征在于，所述采集节点，用于在通过所述管理中心验证后成为合法的采集节点，并获取系统中唯一的采集节点对应的公钥私钥对，所述采集节点对应的公钥私钥对中的公钥用于在区块链网络中广播采集数据，所述采集节点对应的公钥私钥对中的私钥用于对采集数据进行签名；所述存储节点，用于在通过所述管理中心验证后成为合法的存储节点，并获取系统中唯一的存储节点对应的公钥私钥对，所述存储节点对应的公钥私钥对中的公钥用于在区块链网络中广播区块数据，所述存储节点对应的公钥私钥对中的私钥用于对生成的区块进行签名；所述预测节点，用于在通过所述管理中心验证后成为合法的预测节点，并获取系统中唯一的预测节点对应的公钥私钥对，所述预测节点对应的公钥私钥对中的公钥用于在区块链网络中广播预测数据信息，所述预测节点对应的公钥私钥对在的私钥用于对预测数据信息签名；管理中心，用于对所述采集节点、存储节点及预测节点设定权限范围。 4.根据权利要求1所述的空气质量监测及预测系统，其特征在于，所述管理中心，用于区块链网络初始化时对采集节点、存储节点及预测节点进行校验，校验通过后，采集节点、存储节点及预测节点成为合法节点并获取公钥私钥对；每个采集节点、存储节点或预测节点对应的公钥私钥对在所述区块链网络中具有唯一性。 5.根据权利要求1所述的空气质量监测及预测系统，其特征在于，所述采集节点包括：监测空气污染监测数据的多个传感器、信息加密模块及转发模块。 6.一种空气质量监测及预测方法，其特征在于，采用如权利要求3至4任一项所述的空气质量监测及预测系统，所述方法包括： S1，当前采集节点获取监测到的空气污染监测数据，并为获取的空气污染监测数据添加时间标识、位置标识及当前采集节点的ID，当前采集节点利用对应的私钥对所述空气污染监测数据进行签名；当前采集节点通过所述区块链网络将所述空气污染监测数据发送给监测点所在区域的存储节点； S2，当前存储节点接收所在同一区域的采集节点发送的签名后的空气污染监测数据，并利用所述采集节点的公钥对数据进行验证，确认为有效数据后，当前存储节点获取本地存储的最新的空气污染监测数据区块的哈希值，并将其添加到当前接收到的空气污染监测数据中，添加当前存储节点的ID，并利用当前存储节点对应的私钥对数据进行签名，执行存储数据智能合约将当前所接收的空气污染监测数据通过验证后生成新的区块； S3，当前存储节点将新生成的区块通过所述区块链网络广播给其它存储节点进行验证，并接收其它存储节点的校验信息；当校验通过后，当前存储节点将生成的区块存储在本地；其它存储节点将通过校验的区块的哈希值、时间标识、位置标识、所述当前存储节点的ID的数据按时间顺序添加到位置标识与其对应的最新记录后，更新本地的数据表；当执行查询空气污染监测数据时，所述存储节点查询数据表中的记录，根据记录中区块的哈希值、时间标识、位置标识、所述当前存储节点的ID查询任何地区任何时间的空气污染监测数据；通过记录中的时间标识及位置标识确定查询空气污染监测数据的时间及地区；通过记录中所述当前存储节点的ID查询到存储所要查询的空气污染监测数据的存储节点；通过记录中区块的哈希值查询到所要查询的空气污染监测数据的完整信息； S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常。 7.根据权利要求6所述的空气质量监测及预测方法，其特征在于，S4，预测节点通过获取当前存储节点存储的空气污染监测数据，结合机器学习算法，对未来的空气污染监测数据做出预测，根据空气污染预测数据制定合理的治理措施；预测节点将空气污染预测数据发送给当前存储节点，并通过所述空气污染预测数据来判断采集节点是否运作正常，包括：所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误；同时预测节点不断将当前节点采集的空气污染监测数据及气象监测数据的信息作为训练集，通过特征选择算法筛选出当前时刻影响空气污染预测数据的关键因素。 8.根据权利要求7所述的空气质量监测及预测方法，其特征在于，所述预测节点通过对当前存储节点所在区域当前的空气污染监测数据，以及气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源的信息，并运用特征选择算法，筛选出影响空气污染预测数据的关键因素，再通过BP神经网络算法根据所述关键因素，对未来某一时刻的空气污染监测数据做出预测；并将空气污染预测数据反馈给当前存储节点，用来校验采集节点获取的空气污染监测数据是否有误，包括： (1)获取气象监测数据、预测时刻的气象预测数据、监测点周围污染气体的排放源等环境特征信息，并进行数据转化及预处理，将天气状况、监测点周围环境种类的信息进行数字化标识；并采用对前后时刻的监测数值求均值的方式填补空缺的监测数据； (2)对预处理后的监测数据进行最大和最小规范化处理，计算公式如下：其中，xi0为监测点采集到的特征因素原始监测数据，xmax、xmin分别为监测点所采集到的特征因素原始监测数据中的最大值和最小值，xi为进行最大和最小规范化处理后监测数据；所有特征因素对应的采集数据进行最大和最小规范化处理后的数据取值范围都在[0.0-1.0]之间； (3)对监测点当前时刻采集的空气污染监测数据、气象监测数据、预测时刻的气象预测数据及监测站点环境种类的信息进行规范化处理后，每个特征因素的数据取值范围都在[0.0-1.0]内，将进行规范化处理后的特征因素数据分别求其方差，将方差值小于预设阈值的特征因素剔除； (4)通过筛选后，将未剔除的特征因素作为训练集，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测。 9.根据权利要求8所述的空气质量监测及预测方法，其特征在于，采用BP神经网络模型进行训练，实现对空气污染监测数据的预测，包括： (1)将通过特征选择过程后筛选出的影响空气污染监测数据的主要特征因素作为BP神经网络的输入层神经元数据，采用三层隐藏层，对训练数据集进行训练，根据反馈函数不断调整其中涉及的神经元节点权值及偏置项，将空气污染监测数据中所监测的大气污染气体作为神经网络输出层的神经元节点； (2)神经网络采用全连接网络模型，输入层神经元的输出值即筛选出的主要特征因素进行规范化预处理后的数据值，激活函数采用sigmoid函数，隐藏层与输出层神经元的输出值为： y＝sigmoid(w·x) 其中，y为神经元节点的输出值，x为连接该神经元节点的输入向量，即上一层节点的输出向量；w为神经元节点输入向量所对应的权重向量，其中偏置项为w0，其初始输入值恒为1；sigmoid函数是非线性函数，值域为(0，1)；该函数的定义为：所以神经元节点的输出函数为： (3)神经元节点的权值及偏置项通过反向传播算法实现的，由输出层逐层向前，计算每个神经元节点的误差项，并由误差项通过计算来确定每个神经元节点修改后的权值及偏置项；重复以上过程，直到输出的神经元节点的误差项函数收敛停止训练；其中，计算输出层神经元节点误差项的公式为： δi＝yi(1-yi)(ti-yi) 其中，δi表示输出层神经元节点i的误差项，yi为由输入层神经元节点数据计算得到的输出层神经元节点的预测值，ti为训练集中输出层神经元节点对应的真实监测数据；隐藏层神经元节点的误差项计算公式为：其中，δi表示隐藏层神经元节点i的误差项，ai为模型中经过计算的节点i的输出值，wki为神经元节点i连接到下一层神经元节点k所对应的权重，δk为下一层节点k的误差项；连接上权值的更新公式为： wji←wji+ηδjxji 其中，wji表示神经元节点i连接到神经元节点j的权值，η为学习率常数，这里设定为0.05；δj为神经元节点j的误差项，xji为神经元节点i连接到神经元节点j的输入值；更新节点i偏置项的计算公式为： wib←wib+ηδi 其中，wib即为神经元节点i的偏置项。
所属类别：	发明专利