[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN106651100B - 基于车联网优选车载监测点的空气质量评估系统及方法 - Google Patents

基于车联网优选车载监测点的空气质量评估系统及方法 Download PDF

Info

Publication number
CN106651100B
CN106651100B CN201610890740.6A CN201610890740A CN106651100B CN 106651100 B CN106651100 B CN 106651100B CN 201610890740 A CN201610890740 A CN 201610890740A CN 106651100 B CN106651100 B CN 106651100B
Authority
CN
China
Prior art keywords
vehicle
monitoring
point
population
grid
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.)
Active
Application number
CN201610890740.6A
Other languages
English (en)
Other versions
CN106651100A (zh
Inventor
胡斌杰
熊成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201610890740.6A priority Critical patent/CN106651100B/zh
Publication of CN106651100A publication Critical patent/CN106651100A/zh
Application granted granted Critical
Publication of CN106651100B publication Critical patent/CN106651100B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车联网优选车载监测点的空气质量评估系统及方法，本系统包括车载终端和服务器端。本方法步骤包括：S1、服务器端选取最优车载终端监测点；S2、服务器端发送采集命令给相应的车载终端；S3、车载终端采集环境中污染浓度信息，然后把污染浓度信息以及车载点的位置信息发送给服务器端；S4、服务器端获取现有国控监测站的实时污染浓度信息；S5、服务器端根据步骤S3‑S4发送的信息进行整体评估，将评估结果发送给车载终端；S6、车载终端评估结果，相应地显示在APP上。本发明充分利用车联网的机动灵活性、信息采集及传输的高效稳定性，结合组合优化算法进行智能选点，实现用最少的监测车载点获得最大范围的可靠代表性数据。

Description

基于车联网优选车载监测点的空气质量评估系统及方法
技术领域
本发明涉及城市空气质量监测智能选点和评估领域，尤其涉及一种基于车联网优选车载监测点的空气质量评估系统及方法。
背景技术
细颗粒物浓度的监测和实时更新是一项非常重要的工作，在不同季节合理地布设监测节点，不仅有利于环保部门随时掌握大气颗粒物浓度的时空分布特点做出及时的应对策略，同时也有利于环保部门对前期治理工作是否取得有效成果做出合理的评估，为进一步研究空气污染根源提供基础。然而目前我国大气环境监测网模式单一，传统基站式的城市空气监测站的建设和维护成本高昂，一个城市通常只有有限个固定站点，并不能完全覆盖整个城市的范围，也不能适应不同季节颗粒物浓度空间分布不同的状况，很难做到准确评估整个城市的环境污染情况。
目前，瑞士苏黎世州首府苏黎世政府已经将O3/PM2.5/PM10移动传感器盒子安装到移动电车上参与环境臭氧和颗粒物实时监测，同时他们还提出了移动传感监测系统的设计、实施和评价，与传统固定式空气污染监测站相比，它基于现成的组件，适合于大量的人使用的小型便携式测量系统——采用连接一个小型的低成本的臭氧传感器连接到运行安卓系统的现成智能手机上进行臭氧的监测。近年来深圳有研究团队提出了基于出租车的移动传感监测系统Gotcha用来监测细粒度空气质量，研究过程中在深圳出租车上安装气体传感器监测城市细粒度空气质量，监测数据通过无线wife传输到服务器，再通过网络传输到用户，但是他们没有结合智能选点方法，工作量和数据量过大，可操作性小。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种基于车联网优选车载监测点的空气质量评估系统及方法，能够充分利用车联网的机动灵活性和信息采集、传输的高效稳定性，在现有国控监测站点的基础上结合组合优化算法进行智能选点(精度达到1.5km1.5km)，从而实现用最少的监测车载点获得最大范围的可靠代表性数据。
为解决上述技术问题，本发明提供如下技术方案：一种基于车联网优选车载监测点的空气质量评估系统，包括车载终端和服务器端，其中
所述车载终端用于周期性地采集环境中污染浓度信息，按照命令周期性地上传相关信息到服务器端；
所述服务器端采用改进的遗传算法，根据不同季节数据源进行多目标组合优化选点，选取对应季节最优车载点位置，做到不同季节合理地布设车载监测点；所述服务器端用于周期性地向处于优选位置的车载终端发送采集命令，并接收车载终端上传的污染物浓度等信息；所述服务器端用于将接收的污染物浓度信息存储到对应数据库中，结合国控监测站同时段污染物浓度信息对研究区域的整体空气质量进行评估，并周期性地将评估结果发送给车载终端；
所述车载终端包括：用于采集车辆状态信息和周围环境污染物浓度数据的数据采集模块，用于控制协调各模块的ARM嵌入式主控模块，用于提供给用户进行人机交互的可视化车载终端APP，用于与服务器端进行通信的3G模块，以及用于接入互联网的接入模块；
所述服务器端包括：用于使用遗传算法优选不同季节车载点位置的第一子系统单元，用于评估研究区域的整体空气质量的第二子系统单元，以及用于各种交互信息和污染物浓度数据存储的数据库服务子系统单元。
本发明另一目的是提供一种基于车联网优选车载监测点的空气质量评估方法，包括如下步骤：S1、服务器端选取最优车载终端监测点；
S2、服务器端发送采集命令给相应的车载终端；
S3、根据采集命令，车载终端采集环境中污染浓度信息，然后把污染浓度信息以及车载点的位置信息发送给服务器端；
S4、服务器端获取现有国控监测站的实时污染浓度信息；
S5、服务器端根据步骤S3-S4发送的信息进行区域空气质量整体评估，将评估结果发送给车载终端；
S6、车载终端接收服务器端发送的区域空气质量评估结果，相应地显示在APP上。
进一步地，所述步骤S1中选取最优车载终端监测点，具体步骤为：
S11、获取研究区域典型季节PM2.5的CMAQ模式的网格数据并进行预处理；
S12、服务器端获取公里网格人口分布数据并进行预处理；
S13、获取现有国控监测站PM2.5浓度的相同时间段的历史数据；
S14、根据S11-S13获取的数据，服务器端对车载终端监测点进行建模；
S15、对于优化的车载监测点的模型，采用改进的遗传算法进行选取最优车载终端监测点。
进一步地，所述步骤S11，使用反距离加权平均法对PM2.5的网格数据进行处理，且插值精度为1.5km×1.5km，其公式为：
Figure GDA0001240614930000031
其中，
Figure GDA0001240614930000032
是待插值点(x,y)与其领域内点(xi,yi)的水平距离；i＝1、2、…、n，di≤R，R为搜索半径；p为加权幂指数且是一个大于0的常数。
进一步地，所述步骤S12，预处理公里网格人口分布数据，先提取非零网格点人口数据，然后使用反距离加权平均法处理人口数据，且插值精度为1.5km×1.5km，具体公式为：
Figure GDA0001240614930000033
其中，
Figure GDA0001240614930000034
是待插值点(x,y)与其领域内点(xi,yi)的水平距离；i＝1、2、…、n，di≤R，R为搜索半径；p为加权幂指数且是一个大于0的常数。
进一步地，所述步骤S14中建模的具体为：包括目标函数和限制条件；
所述目标函数表达式如下：
Figure GDA0001240614930000041
其中，N为研究区域所有网格数量；Pi为网格i的人口数量；T为研究时间段；V为选出的最优点集合；Di为网格i中污染物周期T内的超标频率；Cit为在t时刻网格i中PM2.5实际浓度，切为CMAQ模式条件下的值；Mit为在t时刻，国控监测站历史数据和优选点处车载监测值；
Figure GDA0001240614930000042
所述限制条件表达式如下：
Figure GDA0001240614930000043
其中，m为广州市国控监测站数量；n为每次选取优化点数量；N为研究区域内所有网格数量；T为研究时间段；dit为t时刻国控监测站的PM2.5历史数据；Cit为在t时刻网格i中PM2.5实际浓度；Percent(U,pi)为使用研究区域内所有插值后CMAQ模式数据计算得到的第p百分位数；Pi分别取30,50,80,90，i＝1,2,3,4；K为最大监测站数量；
Figure GDA0001240614930000051
进一步地，所述步骤S15中的遗传算法，具体为：
S161、产生初始种群；
S162、计算初始种群中所有个体染色体的适应度值和目标函数值；
S163、将种群中适应度值最大的染色体个体保留为SBest；
S164、分别执行选择算子、交叉算子和变异算子；
S165、对产生的新种群个体分别计算适应度值，并保留当前种群适应度值最大个体为S；
S166、对比历史最优个体SBest与当前种群最优个体S的适应度值，若fitness(S)>fitness(SBest)，则执行SBest＝S；否则不替换；
S167、判断是否满足设置的终止条件，若不满足终止条件，则重复步骤S164-S166，所述设置的终止条件包括达到最大遗传代数；
S168、返回最优个体SBest。
进一步地，所述改进的遗传算法包括初始种群的产生方式的改进，步骤如下：
(1)、将解空间划分为K个子空间；
(2)、量化每个子空间，运用均匀数组或者正交数组选择M个染色体；
(3)、将M×K个染色体个体按适应度值大小排序，求平均适应度值＝T，T作为阈值，选择适应度值大于阈值的个体；
(4)、对大于阈值的所有个体，计算广义海明距离，海明距离R<L/2时认为两个体具有相似性，以最高适应度值为模板，去除相似个体；
(5)、重复步骤(4)，逐次以适应度值高的个体作为模板，选择不同模板的个体组成初始种群；
(6)、判断是否达到种群规模N，如果满足N,则进行选择、交叉、变异等算子操作；否则重复第(5)步，如果不能得到群体的规模，则去除的个体按适应度值大小排序补足群体所缺数量，直到形成初始种群。
进一步地，所述改进的遗传算法包括交叉算子的改进，具体为：采用在相同父母的情况下，预先加入兄弟间的竞争择优机制，具体方式为将参与交叉的每对染色体都分别进行n次交叉，产生2n个不同的个体，选出其中一个适应度值最大的个体送入子代个体中；反复随机选择父母对，直到生成设定子代个数为止。
进一步地，所述步骤S15，后面还包括步骤S16、对优选车载点和现有国控监测点的综合监测效果进行评估，分别计算分级检测准确率；其具体过程为：
S71、利用所有的最优组合车载点和政府监测站点处污染物浓度值进行插值作为区域预测值，插值精度为1.5km×1.5km，根据插值后每个网格浓度求出对应的等级pred；
S72、根据所有网格的CMAQ模拟数据求出每个网格对应的实际浓度等级actl；
S73、判断相同网格的等级pred＝actl是否成立，若pred＝actl成立，则将对应网格的人口数量累加到sum，最后分级监测准确率p＝sum/total；若pred＝actl不成立，则不执行对应网格的人口数量累加到sum；其中，total表示研究区总人口数量。
采用上述技术方案后，本发明至少具有如下有益效果：
(1)本发明理论与实际相结合，不仅在理论上实现了优化布点，在现有国控监测站基础上以最少监测站数量达到最大监测效果，提高了空气质量监测数据的可靠性，而且在实际操作过程中将PM2.5传感器集成到车联网车载系统中实现细小颗粒物的实时监测，充分利用车联网车载系统的机动灵活性和信息采集、传输的高效稳定性，极大地节约了有限的人力物力。
(2)本发明采用了改进的遗传算法，与传统的遗传算法相比而言，该方法解决了遗传算法对初始种群表现敏感容易陷入早熟的问题和单点产生的子代的适应度值很有可能比父代的适应度值还小的问题，提高了优选点的可靠性和准确性。
(3)本发明根据不同季节细小颗粒物浓度空间分布不同的实际情况，采用不同的优化布点方案，极大地提高了监测数据的准确性和可靠性，证明了该方法具有普遍适用性。
附图说明
图1是本发明基于车联网优选车载监测点的空气质量评估系统及方法的研究技术路线图；
图2是本发明评估系统的车联网车载单元系统结构图；
图3是本发明评估方法的流程图；
图4(a)、图4(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝20；
图5(a)、图5(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝40；
图6(a)、图6(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝60；
图7(a)、图7(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝80；
图8(a)、图8(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝100；
图9(a)、图9(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝120；
图10(a)、图10(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝140；
图11(a)、图11(b)是广州市PM2.5车载监测点优化布点图和适应度值变化图，优选点数n＝180；
图12是本发明基于车联网优选车载监测点的空气质量评估不同数量优选点对应的等级检测准确率变化图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本申请作进一步详细说明。
实施例
本发明是一种基于车联网优选车载监测点的城市空气质量评估系统，该系统中优选车载监测点具体研究技术路线图如图1所示，包含如下步骤：
1、本发明从广东省气象局申请获得广州市2015年2月8日PM2.5CMAQ每小时模拟数据作为实验数据源，广州市现有国控监测站2015年2月8日PM2.5每小时历史数据从中华人民共和国环境保护部数据中心申请获得，广州市公里网格人口分布数据从中国科学院资源环境科学数据中心申请获得作为仿真数据源。
2、分别对广州市PM2.5CMAQ模拟数据和广州市公里网格人口分布数据做预处理，预处理方式为：将精度为3km×3km网格的广州市PM2.5CMAQ模拟数据使用反距离加权平均法(Shepard方法)插值，插值精度为1.5km×1.5km。对广州市公里网格人口分布数据提取非零网格数据，使用和CMAQ模式值相同的插值方式，插值精度为1.5km×1.5km。反距离加权平均法(Shepard方法)公式如下：
Figure GDA0001240614930000081
其中，
Figure GDA0001240614930000082
是待插值点(x,y)与其领域内点(xi,yi)的水平距离，i＝1,2…n，p是一个大于0的常数，称为加权幂指数，研究过程中采用p＝1；(di≤R,R为搜索半径)。
在车联网系统中集成PM2.5传感器模块用来监测空气PM2.5浓度，车载单元系统结构图如图2所示。
3、将研究区域广州市进行网格化处理，精度为1.5km×1.5km。
4、对基于车联网的车载监测点优化布点进行建模，步骤如下：
⑴构建目标函数，包含如下：
①覆盖人群最大原则
由于环境监测的目的在于服务广大市民，所以最优车载监测点的覆盖区域应该包含尽可能多的对PM2.5敏感的人群。由于很难获得具体的敏感人群分布数据，所以本研究实施过程中仅考虑广州市常住人口分布数据，数据来源于中国科学院资源环境科学数据中心，基于国家统计局第6次人口普查数据。通过该原则，使得最优车载点位布设中更加注重人口密集区，从而在人口比较多的地区布设更多的车载监测点位。公式如下：
Figure GDA0001240614930000091
其中，N：研究区域所有网格数量；Pi:网格i的人口数量；
Figure GDA0001240614930000092
②最高污染物浓度的监测能力最大化
通过设置该原则，可以提高地区早期空气质量的预警能力，这个越大对应于污染物浓度越高，那么地区达到启动早期空气质量预警系统的阈值可能性越大。公式如下：
Figure GDA0001240614930000093
其中，N：研究区域所有网格数量；
Cit:t时刻，网格i中PM2.5实际浓度，研究中使用CMAQ模式值(精度为3km*3km)进行插值为1.5km*1.5km精度后网格i中PM2.5浓度值；
T：研究时间段；
Figure GDA0001240614930000094
③监测超标的能力最大化
污染物超标频率反应了一个地区的污染状况，超标频率越大，污染越是严重，通过该原则的设置，可以使优选车载点更加重注污染物浓度频繁超标的区域，从而更加及时地掌握该区域污染情况做出及时地应对策略，同时还可以更好地反映当地污染源(工业污染源、生活污染源等)对当地环境的影响程度，公式如下：
Figure GDA0001240614930000095
其中，N：研究区域所有网格数量；
Di:网格i中污染物周期T内的超标频率，本研究使用1.5km*1.5km精度插值后CMAQ模拟值超标频率；
④预测值与实际值偏差最小原则
利用最优车载点位上的CMAQ数据和国控监测站历史数据通过反距离加权平均法进行插值得到的污染物浓度空间分布信息(预测值)与实际污染物浓度空间分布信息(本实施使用CMAQ模式值)的偏差最小。通过使用该原则可以在不同季节合理地布设监测车载节点，使最优车载点和现有国控监测站的监测数据能够最大程度的反映研究区域的污染物浓度空间分布信息和特点，从而使最优车载点能够最大程度的协助现有国控监测站反映研究区域的实际浓度水平，随时掌握大气颗粒物浓度的时空分布特点做出及时的应对策略，公式如下：
Figure GDA0001240614930000101
其中，N：研究区域所有网格数量；
Cit:t时刻，网格i中PM2.5实际浓度，研究中使用CMAQ模式值(精度为3km×3km)进行插值为1.5km×1.5km精度后网格i中PM2.5浓度值；
Mit：t时刻，国控监测站处历史数据和优选车载点处监测值(研究中使用优选点处CMAQ模式值代替)进行1.5km×1.5km精度插值后的网格i中PM2.5预测浓度；
T：研究时间段。
综上分析，将研究区域进行1.5km×1.5km网格化后的网格数量为N，优化布点所考虑的时间段为T，优选车载点集合为V，本实施的目标函数如下：
Figure GDA0001240614930000102
⑵构建限制条件，包含如下：
①算术平均值相对误差在10％以内
根据《环境空气质量监测规范》(试行)点位设置规范要求，所有的优选车载点和现有国控监测点的污染物浓度计算获得的算术平均值应该代表研究区域污染物浓度的总体平均值，区域总体平均值可用该区域加密网格点(单个网格应不大于2千米×2千米)实测或模拟值计算的算术平均值作为其估计值(本实施采用的是研究区域CMAQ模式值计算获得的算术平均值作为区域总体平均值)，该估计值与所有的优选车载点和现有国控监测点的污染物浓度计算获得的算术平均值的相对误差应该保持在10％以内，公式如下：
Figure GDA0001240614930000111
其中，m为广州市国控监测站数量；n为每次选取优化点数量；N为研究区域内所有网格数量；T为研究时间段；dit为t时刻国控监测站的PM2.5历史数据；
Cit为t时刻，网格i中PM2.5实际浓度，研究中使用CMAQ模式值预处理后网格i中PM2.5浓度值；
Figure GDA0001240614930000112
②30,50,80,90百分位数的相对误差在15％以内
根据《环境空气质量监测规范》(试行)点位设置规范要求，用该区域加密网格点(单个网格应不大于2千米×2千米)实测值或模拟值计算的算术平均值作为区域总体平均值计算出30、50、80和90百分位数的估计值(本实施采用的是研究区域CMAQ模式值计算获得的算术平均值作为区域总体平均值)；用所有的优选车载点和现有国控监测点在同一时间段内的大气污染物的浓度算术平均值计算出的30、50、80和90百分位数与上述的那些估计值做比较的时候时，各百分位数的相对误差在15％以内，公式如下：
Figure GDA0001240614930000113
其中，Percent(W,pi)为使用国控监测站历史数据和优选车载监测点处CMAQ数据计算得到的第p百分位数；Percent(U,pi)为使用研究区域内所有插值后CMAQ模式数据计算得到的第p百分位数；pi分别取30,50,80,90；i＝1,2,3,4；第p百分位数计算步骤如下(以Percent(U,pi)计算为例)：
第一步，对集合U中所有数据按照升序从小到大排列，Uj代表排序后数列中第j个数，其中j＝1,2…n,n为集合中所有数据的个数；
第二步，求第Pi百分位数的具体位置下标k，计算公式如下：
k＝pi％×(n+1)＝x+y
其中，x为k的整数部分，y为k的小数部分；
第三步，计算第pi百分位数公式如下：
Percent(U,pi)＝Ux+y(Ux+1-Ux)
③设置不同车载点数量
本实施过程中通过设置优选不同的车载点数量的情况下进行车载点位置的选择，以期达到在车载点数量一定的条件下使车载监测数据最大限度的协助现有国控监测站数据来反映研究区域的污染物浓度信息和特征，通过对比不同分级检测准确率下车载点的数量来决定需要达到的监测效果条件下最少需要车载点的数量，从而可以在有效的减少车载点的个数的同时兼顾监测效果，公式如下：
Figure GDA0001240614930000121
其中，K为车载监测点设置数量，K分别取20,40,60,80,100,120,140,180；
Figure GDA0001240614930000122
综上分析，将研究区域进行1.5km×1.5km网格化后的网格数量为N，优化布点所考虑的时间段为T，车载点数量设置为K，本实施的限制条件如下：
Figure GDA0001240614930000123
5、采用改进的遗传算法对研究区域进行车载监测点优化选点，不同车载点数量情况下选点分布图如图4-图11所示，遗传算法步骤如下：
①产生初始种群；
②计算种群中所有个体染色体的适应度值和目标函数值；
③将种群中适应度值最大的染色体个体保留为SBest；
④分别执行选择算子、交叉算子和变异算子；
⑤对产生的新种群个体分别计算适应度值，并保留当前种群适应度值最大个体为S；
⑥对比历史最优个体SBest与当前种群最优个体S的适应度值，若fitness(S)>fitness(SBest)则执行SBest＝S；
⑦判断是否满足终止条件，若不满足则重复④—⑥步骤；
⑧返回最优个体SBest；
⑴实施过程中为了解决遗传算法对初始种群表现敏感容易陷入早熟的问题，对初始种群的产生方式进行了改进，步骤如下：
①将解空间划分为S1个子空间；
②量化每个子空间，运用均匀数组或者正交数组选择M个染色体；
③将M×S1个染色体个体按适应度值大小排序，求平均适应度值＝T，作为阈值，选择适应度值大于阈值的个体；
④对大于阈值的所有个体，计算广义海明距离(海明距离R<L/2时认为两个体具有相似性)，以最高适应度值为模板，去除相似个体；
⑤重复④，逐次以适应度值高的个体为模板，选择不同模板的个体组成初始种群；
⑥判断是否达到种群规模N，如果满足N,则进行选择、交叉、变异等算子操作；否则重复第⑤步，如果不能得到群体的规模，则去除的个体按适应度值大小排序补足群体所缺数量，直到形成初始种群；
⑵实施过程中为了解决单点产生的子代的适应度值很有可能比父代的适应度值还小的问题，对交叉算子进行了改进，改进步骤如下：
采用在相同父母的情况下，预先加入兄弟间的竞争择优机制，具体方式为将参与交叉的每对染色体都分别进行n次交叉，产生2n个不同的个体，选出其中一个适应度值最大的个体送入子代个体中；反复随机选择父母对，直到生成设定子代个数为止；
⑶实施过程中，构建的适应度函数fitness，公式如下：
Figure GDA0001240614930000141
其中，K(Error1+Error2)作为处理限制条件的惩罚因子，K为灵敏度，在优化过程中反复多次对K进行调整，通过多次调节后实施过程中K的取值为1.0×104；Error1为算术平均值相对误差超出10％的部分，Error2为各百分位数相对误差超出15％部分之和，公式如下：
Figure GDA0001240614930000142
Figure GDA0001240614930000143
6、对不同车载点数量优选点进行分级检测准确率计算，各种车载点数量下分级检测准确率图形如图12所示，计算步骤如下(以n＝20为例说明)：
①首先，利用遗传算法求出n＝20情况下最优组合车载点；
②然后，利用选出的所有最优组合车载点和政府监测站点处污染物浓度值进行插值，插值精度为1.5km×1.5km，根据插值后每个网格浓度求出对应的等级pred；
③根据所有网格CMAQ模拟数据求出每个网格对应浓度的等级actl；
④最后，判断相同网格的等级pred＝actl是否成立，若pred＝actl成立，则将对应网格的人口数量累加到sum，最后分级监测准确率p＝sum/total；(其中，total表示研究区总人口数量)；
不同浓度分级表：
浓度 [0,35) [35,75) [75,115) [115,150) [150,250) [250,+∞)
等级 1 2 3 4 5 6
7、服务器端采用遗传算法对不同季节数据源进行多目标组合优化选点，选取不同季节最优车载点位置，服务器端周期性地接收和更新优选车载点处污染物浓度等信息，并将相关信息存储在对应数据库中；服务器端周期性地结合国控监测站同时段污染物浓度信息对研究区域的整体空气质量进行评估，服务器端周期性地将评估结果信息发送给车载终端，车载终端APP对整体空气质量评估结果进行周期性地展示给用户，基于车联网优选车载监测点的城市空气质量评估系统流程图如图3所示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (9)

1.一种基于车联网优选车载监测点的空气质量评估系统，其特征在于，包括车载终端和服务器端，其中
所述车载终端用于周期性地采集环境中污染浓度信息，按照命令周期性地上传相关信息到服务器端；
所述服务器端用于对车载终端监测点进行建模并采用改进的遗传算法，根据不同季节数据源进行多目标组合优化选点，选取对应季节最优车载点位置，做到不同季节合理地布设车载监测点；其中，建模具体为：包括目标函数和限制条件；
所述目标函数表达式如下：
Figure FDA0002384067770000011
其中，F1是覆盖人群最大原则；F2是监测污染物浓度最大原则；F3是监测超标频率最大原则；F4是实际值与预测值误差最小原则；N为研究区域所有网格数量；Pi为网格i的人口数量；T为研究时间段；V为选出的最优点集合；Di为网格i中污染物周期T内的超标频率；Cit为在t时刻网格i中PM2.5实际浓度，切为CMAQ模式条件下的值；Mit为在t时刻，国控监测站历史数据和优选点处车载监测值；
Figure FDA0002384067770000012
所述限制条件表达式如下：
Figure FDA0002384067770000021
其中，m为广州市国控监测站数量；n为每次选取优化点数量；N为研究区域内所有网格数量；T为研究时间段；dit为t时刻国控监测站的PM2.5历史数据；Cit为在t时刻网格i中PM2.5实际浓度；Percent(W,pi)为使用国控监测站历史数据和优选车载监测点处CMAQ数据计算得到的第p百分位数；
Percent(U,pi)为使用研究区域内所有插值后CMAQ模式数据计算得到的第p百分位数；Pi分别取30,50,80,90，i＝1,2,3,4；K为最大监测站数量；
Figure FDA0002384067770000022
所述服务器端用于周期性地向处于优选位置的车载终端发送采集命令，并接收车载终端上传的污染物浓度等信息；所述服务器端用于将接收的污染物浓度信息存储到对应数据库中，结合国控监测站同时段污染物浓度信息对研究区域的整体空气质量进行评估，并周期性地将评估结果发送给车载终端；
所述车载终端包括：用于采集车辆状态信息和周围环境污染物浓度数据的数据采集模块，用于控制协调各模块的ARM嵌入式主控模块，用于提供给用户进行人机交互的可视化车载终端APP，用于与服务器端进行通信的3G模块，以及用于接入互联网的接入模块；
所述服务器端包括：用于使用遗传算法优选不同季节车载点位置的第一子系统单元，用于评估研究区域的整体空气质量的第二子系统单元，以及用于各种交互信息和污染物浓度数据存储的数据库服务子系统单元。
2.一种基于车联网优选车载监测点的空气质量评估方法，其特征在于，包括以下步骤：
S1、服务器端对车载终端监测点进行建模并采用改进的遗传算法，根据不同季节数据源进行多目标组合优化选点，选取对应季节最优车载点位置，做到不同季节合理地布设车载监测点；其中，建模具体为：包括目标函数和限制条件；
所述目标函数表达式如下：
Figure FDA0002384067770000031
其中，F1是覆盖人群最大原则；F2是监测污染物浓度最大原则；F3是监测超标频率最大原则；F4是实际值与预测值误差最小原则；N为研究区域所有网格数量；Pi为网格i的人口数量；T为研究时间段；V为选出的最优点集合；Di为网格i中污染物周期T内的超标频率；Cit为在t时刻网格i中PM2.5实际浓度，切为CMAQ模式条件下的值；Mit为在t时刻，国控监测站历史数据和优选点处车载监测值；
Figure FDA0002384067770000032
所述限制条件表达式如下：
Figure FDA0002384067770000033
其中，m为广州市国控监测站数量；n为每次选取优化点数量；N为研究区域内所有网格数量；T为研究时间段；dit为t时刻国控监测站的PM2.5历史数据；Cit为在t时刻网格i中PM2.5实际浓度；Percent(W,pi)为使用国控监测站历史数据和优选车载监测点处CMAQ数据计算得到的第p百分位数；
Percent(U,pi)为使用研究区域内所有插值后CMAQ模式数据计算得到的第p百分位数；Pi分别取30,50,80,90，i＝1,2,3,4；K为最大监测站数量；
Figure FDA0002384067770000041
S2、服务器端发送采集命令给相应的车载终端；
S3、根据采集命令，车载终端采集环境中污染浓度信息，然后把污染浓度信息以及车载点的位置信息发送给服务器端；
S4、服务器端获取现有国控监测站的实时污染浓度信息；
S5、服务器端根据步骤S3-S4发送的信息进行区域空气质量整体评估，将评估结果发送给车载终端；
S6、车载终端接收服务器端发送的区域空气质量评估结果，相应地显示在APP上。
3.如权利要求2所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述步骤S1中选取最优车载终端监测点，具体步骤为：
S11、获取研究区域典型季节PM2.5的CMAQ模式的网格数据并进行预处理；
S12、服务器端获取公里网格人口分布数据并进行预处理；
S13、获取现有国控监测站PM2.5浓度的相同时间段的历史数据；
S14、根据S11-S13获取的数据，服务器端对车载终端监测点进行建模；
S15、对于优化的车载监测点的模型，采用改进的遗传算法进行选取最优车载终端监测点。
4.如权利要求3所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述步骤S11，使用反距离加权平均法对PM2.5的网格数据进行处理，且插值精度为1.5km×1.5km，其公式为：
Figure FDA0002384067770000051
其中，
Figure FDA0002384067770000052
是待插值点(x,y)与其领域内点(xi,yi)的水平距离；i＝1、2、…、n，di≤R，R为搜索半径；p为加权幂指数且是一个大于0的常数。
5.如权利要求3所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述步骤S12，预处理公里网格人口分布数据，先提取非零网格点人口数据，然后使用反距离加权平均法处理人口数据，且插值精度为1.5km×1.5km，具体公式为：
Figure FDA0002384067770000053
其中，
Figure FDA0002384067770000054
是待插值点(x,y)与其领域内点(xi,yi)的水平距离；i＝1、2、…、n，di≤R，R为搜索半径；p为加权幂指数且是一个大于0的常数。
6.如权利要求3所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述步骤S15中的遗传算法，具体为：
S161、产生初始种群；
S162、计算初始种群中所有个体染色体的适应度值和目标函数值；
S163、将种群中适应度值最大的染色体个体保留为SBest；
S164、分别执行选择算子、交叉算子和变异算子；
S165、对产生的新种群个体分别计算适应度值，并保留当前种群适应度值最大个体为S；
S166、对比历史最优个体SBest与当前种群最优个体S的适应度值，若fitness(S)>fitness(SBest)，则执行SBest＝S；否则不替换；
S167、判断是否满足设置的终止条件，若不满足终止条件，则重复步骤S164-S166，所述设置的终止条件包括达到最大遗传代数；
S168、返回最优个体SBest。
7.如权利要求6所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述改进的遗传算法包括初始种群的产生方式的改进，步骤如下：
(1)、将解空间划分为K个子空间；
(2)、量化每个子空间，运用均匀数组或者正交数组选择M个染色体；
(3)、将M×K个染色体个体按适应度值大小排序，求平均适应度值＝T，T作为阈值，选择适应度值大于阈值的个体；
(4)、对大于阈值的所有个体，计算广义海明距离，海明距离R<L/2时认为两个体具有相似性，以最高适应度值为模板，去除相似个体；
(5)、重复步骤(4)，逐次以适应度值高的个体作为模板，选择不同模板的个体组成初始种群；
(6)、判断是否达到种群规模N，如果满足N,则进行选择、交叉、变异等算子操作；否则重复第(5)步，如果不能得到群体的规模，则去除的个体按适应度值大小排序补足群体所缺数量，直到形成初始种群。
8.如权利要求6所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述改进的遗传算法包括交叉算子的改进，具体为：采用在相同父母的情况下，预先加入兄弟间的竞争择优机制，具体方式为将参与交叉的每对染色体都分别进行n次交叉，产生2n个不同的个体，选出其中一个适应度值最大的个体送入子代个体中；反复随机选择父母对，直到生成设定子代个数为止。
9.如权利要求3所述的基于车联网优选车载监测点的空气质量评估方法，其特征在于，所述步骤S15，后面还包括步骤S16、对优选车载点和现有国控监测点的综合监测效果进行评估，分别计算分级检测准确率；其具体过程为：
S71、利用所有的最优组合车载点和政府监测站点处污染物浓度值进行插值作为区域预测值，插值精度为1.5km×1.5km，根据插值后每个网格浓度求出对应的等级pred；
S72、根据所有网格的CMAQ模拟数据求出每个网格对应的实际浓度等级actl；
S73、判断相同网格的等级pred＝actl是否成立，若pred＝actl成立，则将对应网格的人口数量累加到sum，最后分级监测准确率p＝sum/total；若pred＝actl不成立，则不执行对应网格的人口数量累加到sum；其中，total表示研究区总人口数量。
CN201610890740.6A 2016-10-12 2016-10-12 基于车联网优选车载监测点的空气质量评估系统及方法 Active CN106651100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610890740.6A CN106651100B (zh) 2016-10-12 2016-10-12 基于车联网优选车载监测点的空气质量评估系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610890740.6A CN106651100B (zh) 2016-10-12 2016-10-12 基于车联网优选车载监测点的空气质量评估系统及方法

Publications (2)

Publication Number Publication Date
CN106651100A CN106651100A (zh) 2017-05-10
CN106651100B true CN106651100B (zh) 2020-09-22

Family

ID=58856611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610890740.6A Active CN106651100B (zh) 2016-10-12 2016-10-12 基于车联网优选车载监测点的空气质量评估系统及方法

Country Status (1)

Country Link
CN (1) CN106651100B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107256241B (zh) * 2017-05-26 2021-06-25 北京工业大学 基于网格与差异替换改进多目标遗传算法的电影推荐方法
CN108982598B (zh) * 2017-06-02 2022-08-19 标致·雪铁龙汽车公司 分析由车辆执行的外部空气质量测量值的分析方法和装置
CN108053071A (zh) * 2017-12-21 2018-05-18 宇星科技发展(深圳)有限公司 区域空气污染物浓度预测方法、终端及可读存储介质
CN108562693A (zh) * 2018-01-08 2018-09-21 郑州易测智能科技有限公司 一种查找大气污染源的方法及其监测模块
CN108362837A (zh) * 2018-03-06 2018-08-03 深圳市卡普瑞环境科技有限公司 一种污染物监测方法及其相关设备
CN108600938B (zh) * 2018-03-29 2020-09-22 南京邮电大学 一种车联网中感知服务节点智能选择方法
CN109327804A (zh) * 2018-08-14 2019-02-12 深圳市元征科技股份有限公司 环境质量监测方法、装置、服务器、车载终端及存储介质
CN109613182A (zh) * 2018-12-21 2019-04-12 北京英视睿达科技有限公司 基于大气污染物的监测布点选址方法及装置
CN109918659B (zh) * 2019-02-28 2023-06-20 华南理工大学 一种基于不保留最优个体遗传算法优化词向量的方法
CN110514626B (zh) * 2019-07-23 2024-01-26 北京英视睿达科技股份有限公司 大气污染监测系统的数据校准方法和大气污染监测系统
CN110361505B (zh) 2019-07-25 2021-06-22 中南大学 一种车外大气污染环境下列车乘员健康预警系统的方法
CN110333325B (zh) * 2019-08-02 2021-09-17 中南大学 一种大气污染环境下列车运行防护方法及系统
CN111209679B (zh) * 2020-01-13 2023-09-29 广东工业大学 一种基于遗传算法的土壤重金属含量空间插值方法
CN112565346A (zh) * 2020-11-16 2021-03-26 智邮开源通信研究院(北京)有限公司 车联网数据采集方法、装置、电子设备及可读存储介质
CN113780767B (zh) * 2021-08-25 2023-12-29 中国人民解放军军事科学院战争研究院 普查数据采集与质量评估的耦合系统
CN113946718A (zh) * 2021-10-21 2022-01-18 河北先河环保科技股份有限公司 空气监测数据的存储方法、设备及存储系统
CN113887085A (zh) * 2021-10-28 2022-01-04 河北农业大学 基于雾滴沉积模型的植保无人机喷洒质量评价方法
CN116577252B (zh) * 2023-04-23 2024-10-01 中国科学院空天信息创新研究院 大气细颗粒物浓度测定方法、装置、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9274250B2 (en) * 2008-11-13 2016-03-01 Saint Louis University Apparatus and method for providing environmental predictive indicators to emergency response managers
CN103913405A (zh) * 2014-03-26 2014-07-09 刘若鸿 一种基于车联网的细颗粒物浓度检测方法
CN104156533A (zh) * 2014-08-18 2014-11-19 河海大学常州校区 一种利用公共自行车租赁网络的便携式空气采样装置及方法
CN104270773B (zh) * 2014-10-17 2017-07-07 长江水利委员会长江科学院 基于遗传算法多目标优化的流域传感器覆盖网优化方法
CN105300862B (zh) * 2015-11-13 2018-08-28 金陵科技学院 基于云处理车载移动大气颗粒污染物的环境检测方法及系统

Also Published As

Publication number Publication date
CN106651100A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106651100B (zh) 基于车联网优选车载监测点的空气质量评估系统及方法
Feng et al. Artificial neural networks forecasting of PM2. 5 pollution using air mass trajectory based geographic model and wavelet transformation
CN106650825B (zh) 一种机动车尾气排放数据融合系统
CN110531030B (zh) 一种基于物联网大数据大气污染物分析的方法及装置
CN110346517B (zh) 一种智慧城市工业大气污染可视化预警方法及其系统
CN110782093B (zh) 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统
Fernando et al. Forecasting PM10 in metropolitan areas: Efficacy of neural networks
Wang et al. Fine-scale estimation of carbon monoxide and fine particulate matter concentrations in proximity to a road intersection by using wavelet neural network with genetic algorithm
CN110727717B (zh) 网格化大气污染强度的监控方法、装置、设备和存储介质
CN114280695A (zh) 一种空气污染物监测预警方法及云平台
CN105241524B (zh) 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法
CN108446807A (zh) 基于重污染天气预警的大气污染物排放总量控制方法
CN108734337B (zh) 基于聚类中心修正的定制公交合乘站点生成方法
CN107832910B (zh) 一种评价道路交通特征对一氧化碳排放浓度影响的方法
Huang et al. A new air quality forecasting model using data mining and artificial neural network
CN109376331A (zh) 一种基于梯度提升回归树的城市公交车排放率估计方法
CN117708617B (zh) 基于多源大数据及污染特征时空匹配的大气污染溯源方法
CN114578457B (zh) 一种基于进化集成学习的大气污染物浓度时空预测方法
CN114819704A (zh) 一种移动源污染物排放溯源方法及系统
CN115344653A (zh) 一种基于用户行为的电动汽车充电站选址方法
CN110533239A (zh) 一种智慧城市空气品质高精度测量方法
CN114154702A (zh) 基于多粒度图时空神经网络的污染物浓度预测方法及装置
CN114822709A (zh) 大气污染多粒度精准成因分析方法及装置
CN116402408B (zh) 一种基于站点浓度差异的本外地排放贡献估算方法
RU2466434C1 (ru) Система экологического мониторинга и прогнозирования загрязнения атмосферы промышленного региона

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
GR01 Patent grant
GR01 Patent grant