基于大气扩散机制的空气污染监测系统及其监测方法与流程

本发明涉及智慧城市，特别涉及一种基于大气扩散机制的空气污染监测系统及其监测方法。

背景技术：

1、近年来，智慧城市运行大脑平台技术逐步成熟，得到越来越广泛的应用。智慧城市运行大脑以各类传感器和智能前端设施构建基础层，实现相关事件和数据的感知上报；进而，在支撑层实现数据集成，并融合各种面向细分领域和专业场景的支撑功能和算法进行数据分析；最终，支持在应用层实现各种城市运行相关的业务流程，执行图形化的显示和图表统计，实现预警和辅助决策功能。

2、空气污染监测和管理是当前城市运行面临的主要任务之一，也是智慧城市运行大脑发挥其功能的重要场景。基于智慧城市运行大脑的基础层的传感器和监测微站，实现对空气pm2.5、voc等污染物浓度数据的信息感知、采集和上传；进而，可以结合城市gis空间地图，实现空气污染状况分布的可视化分级展示，并配合统计数据进行分时段、分区域的图表化动态演示。

3、大气污染是一个具有高度时变性的非稳态机制，特别是污染物在大气中的扩散，受到本区域排放源、外来输入污染物沉降以及气象条件的多重影响，具有复杂的分布表象和演变过程。但是，目前智慧城市运行大脑平台的空气污染监测管理功能，还处于对基础层数据的统计和显示阶段，属于静态或者准静态层面的分析，对于空气污染物在大气中的以上扩散机制仿真的程度远远不够，导致空气污染监测功能的预测性、动态实时性和可溯源性不强。

4、因此，对于智慧城市运行大脑的空气污染监测功能来说，加强对大气扩散机制的仿真，有助于客观准确了解和分析空气污染情况，提升预测性和动态性，强化对污染源头发掘和治理。

技术实现思路

1、为了改进智慧城市运行大脑的空气污染监测功能，引入对污染物大气扩散机制的仿真，从而在智慧城市运行大脑的应用层，实现空气污染监测的预测性、动态性和可溯源性的可视化展示，本发明提供一种基于大气扩散机制的空气污染监测系统及其监测方法。

2、本发明获得智慧城市运行大脑基础层感应和上传的空气污染物数据，建立空气污染物数据的时间序列，进而执行空气污染物大气扩散特征的多维度分解，建立污染物扩散特征向量；进而利用支撑层的污染物识别模型，进行污染物动态标签的识别和标注，该污染物识别模型是以污染物扩散特征向量结合污染物动态标签的样本，执行深度训练后的神经网络模型；基于该污染物动态标签，在智慧城市运行大脑的应用层进行体现污染物动态扩散性为目的的可视化显示和图表化动态演示。

3、本发明提供的一种大气扩散机制的空气污染监测系统，其特征在于，包括：

4、基础层接口，用于接收基础层的传感器和监测微站上传的空气污染物数据；

5、污染物数据解析单元，用于建立空气污染物数据的时间序列，进而执行空气污染物大气扩散特征的多维度分解，建立污染物扩散特征向量；

6、污染物识别单元，通过内置的污染物识别模型，输入所述污染物扩散特征向量，识别并标注污染物动态标签；所述污染物识别模型是以污染物扩散特征向量结合污染物动态标签的样本，执行深度训练后的神经网络模型；

7、可视化单元，基于所述污染物动态标签，在智慧城市运行大脑的应用层进行可视化显示和图表化动态演示。

8、优选的是，所述污染物数据解析单元建立空气污染物数据的时间序列，进而将该时间序列基于反映空气污染物大气扩散特征的多个维度分解为污染物扩散特征向量：

9、

10、其中表示空气污染物数据的长期维度序列，表示空气污染物数据的季节维度序列，表示空气污染物数据的短期维度序列。所述长期维度主要由城市区域的长期性污染源和常态气候变化等因素影响，季节维度由城市区域的季节性污染源和气象条件的季节变化引起，短期维度变量为残差，受小尺度天气系统和短期污染排放变化影响。

11、优选的是，所述污染物识别模型包括第一特征编码器和一个第二特征编码器，通过以污染物扩散特征向量结合污染物动态标签的样本训练，所述第一特征编码器获得污染物扩散特征向量的特征编码，所述第二特征编码器获得污染物动态标签的特征编码，进而以特征编码序列的相似度构建评估训练成熟的损失函数；并且，所述污染物识别模型还包括对所述第一特征编码器和第二特征编码器分别得到污染物动态标签和污染物扩散特征向量的特征编码二者建立的线性投影矩阵，其中污染物扩散特征向量的特征编码的线性投影矩阵参数为，污染物动态标签的特征编码的线性投影矩阵参数为。

12、优选的是，所述第一特征编码器表示为，该第一特征编码器的为污染物动态标签样本，为该第一特征编码器全部参数构成的参数向量。

13、优选的是，第二特征编码器表示为，该编码器采用resnet形式的神经网络，其中为污染物扩散特征向量样本，为该resnet神经网络全部网络参数构成的参数向量。

14、优选的是，所述污染物扩散特征向量结合污染物动态标签的样本的集合表示为；其中、…为不同样本时序窗口内的污染物扩散特征向量样本, 、…为与各污染物扩散特征向量对应的污染物动态标签样本；并且，将样本集合随机划分为大小为n的多个子样本集，其中是子样本集数；这里子样本集合。

15、优选的是，所述以污染物扩散特征向量结合污染物动态标签的样本训练包括：进行多轮样本训练，每轮依次采用一个子样本集，对于第个子样本集，将其输入第二特征编码器，输入第一特征编码器，获得污染物扩散特征向量样本的特征编码以及污染物动态标签样本的特征编码；和表示本轮训练时编码器的参数向量；进而，利用第b个子样本集的各个特征编码形成污染物扩散特征向量样本和污染物动态标签样本的2组特征编码序列,；

16、对以上2组特征编码序列进行线性投影和归一化：

17、这里和表示本轮训练时线性投影矩阵参数和，函数表示把一个矩阵每一行的值除以该行所有元素平方和的平方根；

18、以特征编码序列的相似度构建评估训练成熟的损失函数如下：

19、这里，是余弦相似度矩阵的第个元素，该矩阵为：

20、其中是超参数；计算损失函数相对于第一特征编码器、第二特征编码器以及线性投影全部参数的梯度：

21、这里表示有参数组成的参数向量；进而，基于该梯度更新下一轮预训练中的全部参数：。

22、这里,  是学习率；经过多轮训练，输出最优化参数向量，得到训练完成的第二特征编码器和第一特征编码器以及线性投影参数：, ,,。

23、优选的是，将污染物动态标签模板，输入训练好的第一特征编码器并通过参数的线性投影形成特征编码序列；将污染物数据解析单元建立的污染物扩散特征向量输入训练好的并通过参数的线性投影形成特征编码；基于以上特征编码求内积，确定序列中中与特征编码内积值最大的特征编码，则为该污染物扩散特征向量识别并标注为该内积值最大的特征编码对应的污染物动态标签。

24、优选的是，所述可视化单元在城市gis空间地图对应各空气污染区域，显示所述污染物动态标签，并基于该污染物动态标签对各空气污染区域执行显示状态修正。

25、本发明所述的一种大气扩散机制的空气污染监测方法，其特征在于，包括：

26、接收基础层的传感器和监测微站上传的空气污染物数据；

27、建立空气污染物数据的时间序列，进而执行空气污染物大气扩散特征的多维度分解，建立污染物扩散特征向量；

28、通过内置的污染物识别模型，输入所述污染物扩散特征向量，识别并标注污染物动态标签；所述污染物识别模型是以污染物扩散特征向量结合污染物动态标签的样本，执行深度训练后的神经网络模型；

29、基于所述污染物动态标签，在智慧城市运行大脑的应用层进行可视化显示和图表化动态演示。

30、本发明对于智慧城市运行大脑的空气污染监测功能，通过引入对污染物大气扩散机制的仿真，利用深度训练的神经网络能够生成和添加污染物动态标签，从而在应用层的可视化显示中提升了对空气污染扩散的预测性、动态性和可溯源性，有利于用户通过智慧城市运行大脑的空气污染监测功能做出更为准确的判断，从而加强对空气污染的治理。