基于大数据的智能环境监测系统及其方法与流程

本技术涉及智能监测领域，且更为具体地，涉及一种基于大数据的智能环境监测系统及其方法。

背景技术：

1、空气质量是描述给定区域空气污染程度的指标，是依据空气中污染物浓度来测定的。人为污染源是影响城市空气质量的主要因素。随着生活水平的不断提高，人们对空气质量的关注越来越多，室外、生活区、厂区和室内等环境空气质量表现备受关注。

2、目前，用于空气质量监测的自动监测系统已广泛应用于各城市，并成为重要技术手段。然而，现有的监测系统虽然可监测的项目多且精度高，但监测站数量有限，大部分城市仅安装了几个监测点。并且，目前的空气质量监测系统在实际进行空气质量监测过程中，只能够使用建筑物内最近点的数据来进行监测，但是，由于建筑物的构造和形式各异，使用建筑物内最近点的数据无法反映目标点的真实空气质量。

3、因此，期望一种优化的基于大数据的智能环境监测系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于大数据的智能环境监测系统及其方法。其首先将预定时间段内多个预定时间点的空气质量数据分别排列后通过时序特征提取器以得到多个空气质量时序特征向量，接着，将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵，然后，构造各个空气质量采样点之间的空间拓扑矩阵并通过卷积神经网络模型以得到空间拓扑特征矩阵，接着，将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵，最后，对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化后通过解码器以得到用于表示区域全局空气质量数据的解码值。这样，可以对全局空气质量进行监测。

2、根据本技术的一个方面，提供了一种基于大数据的智能环境监测系统，其包括：

3、空气质量数据采集模块，用于获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据；

4、空气质量数据变化特征提取模块，用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量；

5、全局时序变化模块，用于将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵；

6、空间拓扑构造模块，用于构造所述各个空气质量采样点之间的空间拓扑矩阵；

7、空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；

8、特征融合模块，用于将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵；

9、特征优化模块，用于对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵；以及

10、空气质量检测模块，用于将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值，所述解码值用于表示区域全局空气质量数据。

11、在上述的基于大数据的智能环境监测系统中，所述空气质量数据变化特征提取模块，包括：

12、输入向量排列单元，用于将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量；

13、第一编码单元，用于使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量；

14、第二编码单元，用于使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量，所述第二长度不同于所述第一长度；以及

15、向量级联单元，用于将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。

16、在上述的基于大数据的智能环境监测系统中，所述空间拓扑特征提取模块，用于：

17、使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵，其中，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。

18、在上述的基于大数据的智能环境监测系统中，所述特征融合模块，用于：

19、使用所述图神经网络模型以可学习的神经网络参数对所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵进行处理以得到所述空间拓扑全局空气质量时序特征矩阵。

20、在上述的基于大数据的智能环境监测系统中，所述特征优化模块，包括：

21、特征融合优化单元，用于对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到融合特征矩阵；以及

22、矩阵相乘单元，用于将所述融合特征矩阵与所述空间拓扑全局空气质量时序特征矩阵进行矩阵相乘以得到所述优化空间拓扑全局空气质量时序特征矩阵。

23、在上述的基于大数据的智能环境监测系统中，所述特征融合优化单元，用于：

24、以如下优化公式对所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述融合特征矩阵；

25、其中，所述优化公式为：

26、

27、m1∈m1和m2∈m2

28、其中，m1表示所述全局空气质量时序特征矩阵，m2表示所述空间拓扑特征矩阵，m1是所述全局空气质量时序特征矩阵中各个位置的特征值，m2是所述空间拓扑特征矩阵中各个位置的特征值，μ和σ分别是所述全局空气质量时序特征矩阵和所述空间拓扑特征矩阵的所有特征值的特征集合的均值和方差，w、h和c分别是特征图的宽度、高度和通道数，exp(·)表示指数运算，且mr'是所述融合特征矩阵的各个位置特征值。

29、在上述的基于大数据的智能环境监测系统中，所述空气质量检测模块，包括：

30、解码矩阵校正单元，用于基于所述优化空间拓扑全局空气质量时序特征矩阵通过所述解码器得到的解码回归值，对所述优化空间拓扑全局空气质量时序特征矩阵中各个位置的特征值进行校正以得到校正后解码特征矩阵；以及

31、再解码单元，用于将所述校正后解码特征矩阵输入所述解码器以得到所述解码值。

32、根据本技术的另一个方面，提供了一种基于大数据的智能环境监测方法，其包括：

33、获取由各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据；

34、将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量；

35、将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵；

36、构造所述各个空气质量采样点之间的空间拓扑矩阵；

37、将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；

38、将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵；

39、对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化以得到优化空间拓扑全局空气质量时序特征矩阵；以及

40、将所述优化空间拓扑全局空气质量时序特征矩阵通过解码器以得到解码值，所述解码值用于表示区域全局空气质量数据。

41、在上述的基于大数据的智能环境监测方法中，将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的空气质量时序特征提取器以得到多个空气质量时序特征向量，包括：

42、将所述各个空气质量采样点提供的预定时间段内多个预定时间点的空气质量数据分别按照时间维度排列为所述空气质量时序输入向量；

43、使用所述空气质量时序特征提取器的所述第一卷积层以具有第一长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第一空气质量时序特征向量；

44、使用所述空气质量时序特征提取器的所述第二卷积层以具有第二长度的一维卷积核对所述空气质量时序输入向量进行一维卷积编码以得到第二空气质量时序特征向量，所述第二长度不同于所述第一长度；以及

45、将所述第一空气质量时序特征向量和所述第二空气质量时序特征向量进行级联以得到所述多个空气质量时序特征向量。

46、在上述的基于大数据的智能环境监测方法中，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵，包括：

47、使用卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵，其中，所述卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。

48、与现有技术相比，本技术提供的基于大数据的智能环境监测系统及其方法，其首先将预定时间段内多个预定时间点的空气质量数据分别排列后通过时序特征提取器以得到多个空气质量时序特征向量，接着，将所述多个空气质量时序特征向量进行二维排列以得到全局空气质量时序特征矩阵，然后，构造各个空气质量采样点之间的空间拓扑矩阵并通过卷积神经网络模型以得到空间拓扑特征矩阵，接着，将所述空间拓扑特征矩阵和所述全局空气质量时序特征矩阵通过图神经网络模型以得到空间拓扑全局空气质量时序特征矩阵，最后，对所述空间拓扑全局空气质量时序特征矩阵进行特征分布优化后通过解码器以得到用于表示区域全局空气质量数据的解码值。这样，可以对全局空气质量进行监测。