的 更有价值的结果；
[0170] 2)风速与大气颗粒污染物浓度的关系。 阳171] 如图10所示，该监测设备所处地点西南风通常会造成污染指数的上升，将会进行 类似更多的统计分析，得出更加详细有效的结果，供决策和后续研究使用。 阳172] 根据本发明实施例的基于大密度部署传感器的大气污染监控及管理方法及系统， 通过在区域内大密度部署传感器，并对返回的传感器数据采用云端算法进行联合校正，使 得数据的精确度得到大幅提高，并进一步采用高斯推断模型推断出未部署传感器的位置点 的污染数据，再将上述已部署和未部署的数据统一反馈给监控中心进行监控和管理。本发 明可W实现实时监测取证，量化评级及精细化管理的目标，不仅提供完善的可视化显示，包 括完善的分级管理体系和有效的联防联控机制，通过各个机构及模块的协同合作，实现污 染源监测发现，证据取证，协作执法等一体化管理。
[0173] 本发明实施例的基于大密度部署传感器的大气污染监控及管理方法及系统具有 W下有益效果：通过网格化部署，实现精准治靈，治理有的放矢，最大限度减少一刀切式关 停减产造成的经济损失；实现科技治靈，增强雾靈预警和分析能力，帮助政府快速实现降靈 目标，普惠民生；建立区域联防联控，量化排污标准，形成执法依据，有效限制污染排放，实 现绿色生产。
[0174] 在本说明书的描述中，参考术语"一个实施例"、"一些实施例"、"示例"、"具体示 例"、或"一些示例"等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可W在任何 的一个或多个实施例或示例中W合适的方式结合。
[0175] 尽管上面已经示出和描述了本发明的实施例，可W理解的是，上述实施例是示例 性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨 的情况下在本发明的范围内可W对上述实施例进行变化、修改、替换和变型。本发明的范围 由所附权利要求极其等同限定。
【主权项】
1. 一种基于大密度部署传感器的大气污染监控及管理方法，其特征在于，包括如下步 骤： 步骤S1，获取部署区域的状态信息，根据所述部署区域的状态信息，在该部署区域大密 度部署多个传感器； 步骤S2,获取所述多个传感器的传感器数据，基于所述多个传感器的精度、空间位置和 气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置点的大密度微 环境下大气污染物数据； 步骤S3,根据所述已部署传感器位置点的大密度微环境下大气污染物数据，利用高斯 推断模型在空间上推断出未部署传感器位置点的大气污染物数据； 步骤S4,采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的 大气污染物数据进行预测分析，以进行对整个区域的大气污染预警； 步骤S5,将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至 监控中心，以由监控人员实时监控整个区域内的大气污染状态。2. 如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在 于，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文信息。3. 如权利要求2所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在 于，在所述步骤Sl中，所述根据部署区域的状态信息，在该部署区域大密度部署多个传感 器，包括如下步骤： 根据所述部署区域的状态信息，在所述部署区域进行一期部署多个传感器； 获取一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器数 据对所述部署区域进行二次加密部署多个传感器。4. 如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征 在于，在所述步骤S2中，采用神经网络模型和高斯推断模型对所述传感器数据进行联合校 正，包括如下步骤： 对所述传感器数据进行离线训练，包括：采用神经网络模型对所述传感器数据进行单 点校正，动态获取训练后的传感器数据； 对所述训练后的传感器数据进行在线校准，包括：采用高斯推断模型对所述训练后的 传感器数据进行多点校准，得到已部署传感器位置点的大密度微环境下大气污染物数据。5. 如权利要求4所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在 于，所述神经网络模型采用BP神经网络。6. 如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征 在于，在所述步骤S4中，所述时间序列中的预测模型采用基于无向图模型的条件随机场模 型。7. 如权利要求6所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在 于，采用基于无向图模型的条件随机场模型对所述大气污染物数据进行预测过程中，以温 度、湿度、风速、风向、降雨强度和时间作为输入特征值，以PM2. 5数值作为输出预测值，其 中，所述输入特征值和输出预测值均为离散型数值。8. 如权利要求1所述的基于大密度部署传感器的大气污染监控及管理方法，其特征在 于，在所述步骤S4之后，还包括如下步骤：采用因果分析和张量分析方法对所述已部署传 感器位置点和未部署传感器位置点的大气污染物数据进行统计分析，以获取空间层面上污 染物的源头和传播路径，并将所述空间层面上污染物的源头和传播路径发送至所述监控中 心。9. 一种基于大密度部署传感器的大气污染监控及管理系统，其特征在于，包括：于部 署区域进行大密度部署的多个传感器，数据处理中心和监控中心，其中，每个所述传感器与 所述数据处理中心进行通信，所述数据处理中心与所述监控中心进行通信， 所述数据处理中心用于获取所述多个传感器的传感器数据，基于所述多个传感器的精 度、空间位置和气象信息的差异，对所述传感器数据进行联合校正，得到已部署传感器位置 点的大密度微环境下大气污染物数据，并根据所述已部署传感器位置点的大密度微环境下 大气污染物数据，利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数 据，以及采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气 污染物数据进行预测分析，以进行对整个区域的大气污染预警，所述数据处理中心进一步 将所述已部署传感器位置点和未部署传感器位置点的大气污染物数据发送至所述监控中 心； 所述监控中心用于接收所述已部署传感器位置点和未部署传感器位置点的大气污染 物数据，并呈现给监控人员查看，以由监控人员实时监控整个区域内的大气污染状态。10. 如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述多个传感器根据部署区域的状态信息进行大密度部署，包括：首先根据所述部署 区域的状态信息，在所述部署区域进行一期部署多个传感器，然后所述数据处理中心获取 一期部署的传感器返回的传感器数据，根据所述气象人文信息和返回的传感器数据对所述 部署区域进行二次加密部署多个传感器。11. 如权利要求10所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述部署区域的状态信息包括：地理状态信息、交通状态信息和气象人文信息。12. 如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述数据处理中心采用神经网络模型和高斯推断模型对所述传感器数据进行联合校 正，包括： 所述数据处理中心采用神经网络模型对所述传感器数据进行单点校正，动态获取训练 后的传感器数据，并采用高斯推断模型对所述训练后的传感器数据进行多点校准，得到已 部署传感器位置点的大密度微环境下大气污染物数据。13. 如权利要求12所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述神经网络模型采用BP神经网络。14. 如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述时间序列中的预测模型采用基于无向图模型的条件随机场模型。15. 如权利要求14所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述数据处理中心采用基于无向图模型的条件随机场模型对所述大气污染物数据进 行预测过程中，以温度、湿度、风速、风向、降雨强度和时间作为输入特征值，以PM2. 5数值 作为输出预测值，其中，所述输入特征值和输出预测值均为离散型数值。16. 如权利要求9所述的基于大密度部署传感器的大气污染监控及管理系统，其特征 在于，所述数据处理中心还用于采用因果分析和张量分析方法对所述已部署传感器位置点
【专利摘要】本发明提出了一种基于大密度部署传感器的大气污染监控及管理方法及系统，该方法包括：获取部署区域的状态信息，在该部署区域大密度部署多个传感器；获取多个传感器的传感器数据，对传感器数据进行联合校正；利用高斯推断模型在空间上推断出未部署传感器位置点的大气污染物数据；采用时间序列中的预测模型对已部署传感器位置点和未部署传感器位置点的大气污染物数据进行预测分析；将大气污染物数据发送至监控中心，监控人员实时监控整个区域内的大气污染状态。本发明可以实现实时监测取证，量化评级及精细化管理的目标，提供完善的可视化显示，实现污染源监测发现，证据取证，协作执法等一体化管理。
【IPC分类】G01N33/00, G01N15/06
【公开号】CN105181898
【申请号】CN201510564563
【发明人】李岩
【申请人】李岩
【公开日】2015年12月23日
【申请日】2015年9月7日