基于多维特征深度学习的热点网格识别方法技术

本发明专利技术涉及一种基于多维特征深度学习的热点网格识别方法，包括：获取监测区域的区域信息,根据区域信息将监测区域划分为多个网格单元；获取每一个网格单元的多维特征数据；提取每一项多维特征数据的第一特征参数；获取每一个网格单元的第一污染源信息，并对第一污染源信息进行校正处理，得到第二污染源信息；提取第二污染源信息的第二特征参数；根据第一特征参数、第二特征参数构造多维特征向量；将所有网格单元的多维特征向量生成多维特征样本集；采用深度学习模型对多维特征样本集进行训练，得到识别模型；根据识别模型对目标区域进行识别处理，得到热点网格。

Hotspot Grid Recognition Method Based on Multi-Dimensional Feature Deep Learning

The invention relates to a hot spot grid recognition method based on in-depth learning of multi-dimensional features, which includes: acquiring regional information of monitoring area, dividing monitoring area into several grid units according to regional information; acquiring multi-dimensional feature data of each grid unit; extracting the first feature parameters of each multi-dimensional feature data; and acquiring the first pollution source information of each grid unit. The first pollution source information is corrected and processed to obtain the second pollution source information; the second characteristic parameters of the second pollution source information are extracted; the multi-dimensional feature vectors are constructed according to the first and second characteristic parameters; the multi-dimensional feature vectors of all mesh units are generated into the multi-dimensional feature sample set; and the multi-dimensional feature sample set is trained by the depth learning model to obtain recognition. According to the recognition model, the target area is recognized and processed, and the hot spot grid is obtained.

【技术实现步骤摘要】
基于多维特征深度学习的热点网格识别方法
本专利技术涉及数据处理
，尤其涉及一种基于多维特征深度学习的热点网格识别方法。
技术介绍
随着各项工业的迅速发展，产生了大量有害物质，如烟尘、二氧化硫、氮氧化物、一氧化碳、碳氢化合物等。这些有害物质持续不断地排放到大气中，当其含量超过环境所能承受的极限后，就会破坏自然的物理、化学和生态平衡，形成大气污染,危害人们的生活、工作和健康。随着全国大范围雾霾天气的出现,PM2.5这一名词进入公众视野。PM2.5是指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。大气污染监测是指测定大气环境中污染物的种类及其浓度，观察其时空分布和变化规律的过程。大气污染监测的目的在于识别大气中的污染物质，掌握其分布与扩散规律，监视大气污染源的排放和控制情况。由于监测区域范围大，人力物力有限，给大气污染监测带来困难。因此，目前急需一种对大气污染区域进行有效监测的解决方案。
技术实现思路
本专利技术的目的是针对现有技术中存在的缺陷，提供一种基于多维特征深度学习的热点网格识别方法。为实现上述目的，第一方面,本专利技术提供了一种基于多维特征深度学习的热点网格识别方法，包括：获取监测区域的区域信息,根据所述区域信息将所述监测区域划分为多个网格单元；获取每一个所述网格单元的多维特征数据，所述多维特征数据包括污染物数据、基础地理数据、气象要素特征数据、地面要素特征数据、地理位置数据；提取每一项所述多维特征数据的第一特征参数；获取每一个所述网格单元的第一污染源信息，并对所述第一污染源信息进行校正处理，得到第二污染源信息；提取所述第二污染源信息的第二特征参数；根据所述第一特征参数、第二特征参数构造多维特征向量；将所有网格单元的多维特征向量生成多维特征样本集；采用深度学习模型对所述多维特征样本集进行训练，得到识别模型；根据所述识别模型对目标区域进行识别处理，得到热点网格。进一步的，获取网格单元的污染物数据具体包括：根据卫星遥感数据获取所述网格单元的近地面第一PM2.5浓度数据；根据空气质量地面观测数据和高密度空气质量监测设备对所述第一PM2.5浓度数据进行校正处理，得到第二PM2.5浓度数据；根据气象观测数据、地形数据和气象动力学模型对所述第二PM2.5浓度数据进行校正处理，得到所述网格单元近期地面PM2.5浓度背景数据。进一步的，获取基础地理数据具体包括：获取网格单元的工业信息点POI数据、工业园区分布数据。进一步的，获取气象要素特征数据具体包括：根据三维气象数据，计算边界层高度、温度、相对湿度、风速风向、压强数据。进一步的，获取地面要素特征数据具体包括：利用遥感识别提取网格单元的地形高程、地表热异常、建成区比例、潜在工业厂房数据。进一步的，在将所有网格单元的多维特征向量生成多维特征样本集之后，所述方法还包括：将所述多维特征样本集划分为训练样本集和验证样本集。进一步的，所述采用深度学习模型对所述多维特征样本集进行训练，得到识别模型具体包括：采用深度玻尔兹曼机对所述训练样本集进行训练，得到识别模型参数；根据所述识别模型参数生成识别模型；采用所述验证样本集对所述识别模型进行验证处理。第二方面,本专利技术提供了一种设备，包括存储器和处理器，所述存储器用于存储程序，所述处理器用于执行第一方面及第一方面的各种实现方式中的方法。第三方面,本专利技术提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面及第一方面的各种实现方式中的方法。第四方面,本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面及第一方面的各种实现方式中的方法。本专利技术提供的基于多维特征深度学习的热点网格识别方法，基于监测区域的污染物数据、基础地理数据、气象要素特征数据、地面要素特征数据、地理位置数据、污染源信息构造多维特征样本集,采用深度学习模型对多维特征样本进行训练,得到识别模型,利用识别模型识别出目标区域中的目标子监控区域。本专利技术提供的方法，能够识别出主导整个区域大气污染排放贡献的热点网格，对热点网格进行精准监测，节省了人力物力资源，提高了污染监测的有效性。附图说明图1为本专利技术实施例一提供的基于多维特征深度学习的热点网格识别方法流程图；图2为本专利技术实施例一提供的监控区域划分示意图；图3为本专利技术实施例一提供的监控子区域示意图；图4为本专利技术实施例一提供的多维特征提取示意图；图5为本专利技术实施例一提供的受限玻尔兹曼机的可见层和隐层节点连接示意图；图6为本专利技术实施例一提供的受限玻尔兹曼机的典型训练方法示意图；图7为本专利技术实施例一提供的多个受限玻尔兹曼机堆叠示意图；图8为本专利技术实施例一提供的深度玻尔兹曼机训练示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。图1为本专利技术实施例一涉及的基于多维特征深度学习的热点网格识别方法流程图。如图1所示，具体包括如下步骤：步骤101，获取监测区域的区域信息,根据区域信息将监测区域划分为多个网格单元。具体的，获取监测区域的位置信息、尺寸信息等区域信息，按照预设的划分方式将监测区域划分为多个网格单元。例如，将监测区域按照3公里×3公里网格进行划分，得到多个尺寸为3公里×3公里的网格单元，监测区域划分示意图如图2所示，划分之后得到的多个子区域如图3所示。监测区域的划分尺寸可以根据具体需要进行设置，可以结合监测区域的尺寸以及监测该区域的人力物力等因素进行考虑，划分尺寸不同则划分后的监控子区域的数量不同。步骤102，获取每一个网格单元的多维特征数据。其中，多维特征数据包括污染物数据、基础地理数据、气象要素特征数据、地面要素特征数据、地理位置数据。获取网格单元的污染物数据具体包括：根据卫星遥感数据获取网格单元的近地面第一PM2.5浓度数据；根据空气质量地面观测数据和高密度空气质量监测设备对第一PM2.5浓度数据进行校正处理，得到第二PM2.5浓度数据；根据气象观测数据、地形数据和气象动力学模型对第二PM2.5浓度数据进行校正处理，排除地形、水平扩散和垂直扩散对污染浓度的影响，得到网格单元近期地面PM2.5浓度背景数据。需要说明的是，PM2.5浓度数据只是一个具体的实施例，污染物数据还可以是其他标准的污染物。获取基础地理数据具体包括：获取网格单元的工业信息点(PointofInterest，POI)数据、工业园区分布数据。获取气象要素特征数据具体包括：根据三维气象数据，计算边界层高度、温度、相对湿度、风速风向、压强数据。获取地面要素特征数据具体包括：利用遥感识别提取网格单元的地形高程、地表热异常、建成区比例、潜在工业厂房数据。地理位置数据包括该检测子区域的所在位置的经度数据和维度数据。以上的各项多维特征数据可以全部选用也可以部分选用，具体根据监测污染对象选取上述一项或多项特征数据。步骤103，提取每一项多维特征数据的第一本文档来自技高网...

【技术保护点】
1.一种基于多维特征深度学习的热点网格识别方法，其特征在于，所述方法包括：获取监测区域的区域信息,根据所述区域信息将所述监测区域划分为多个网格单元；获取每一个所述网格单元的多维特征数据，所述多维特征数据包括污染物数据、基础地理数据、气象要素特征数据、地面要素特征数据、地理位置数据；提取每一项所述多维特征数据的第一特征参数；获取每一个所述网格单元的第一污染源信息，并对所述第一污染源信息进行校正处理，得到第二污染源信息；提取所述第二污染源信息的第二特征参数；根据所述第一特征参数、第二特征参数构造多维特征向量；将所有网格单元的多维特征向量生成多维特征样本集；采用深度学习模型对所述多维特征样本集进行训练，得到识别模型；根据所述识别模型对目标区域进行识别处理，得到热点网格。

【技术特征摘要】
1.一种基于多维特征深度学习的热点网格识别方法，其特征在于，所述方法包括：获取监测区域的区域信息,根据所述区域信息将所述监测区域划分为多个网格单元；获取每一个所述网格单元的多维特征数据，所述多维特征数据包括污染物数据、基础地理数据、气象要素特征数据、地面要素特征数据、地理位置数据；提取每一项所述多维特征数据的第一特征参数；获取每一个所述网格单元的第一污染源信息，并对所述第一污染源信息进行校正处理，得到第二污染源信息；提取所述第二污染源信息的第二特征参数；根据所述第一特征参数、第二特征参数构造多维特征向量；将所有网格单元的多维特征向量生成多维特征样本集；采用深度学习模型对所述多维特征样本集进行训练，得到识别模型；根据所述识别模型对目标区域进行识别处理，得到热点网格。2.根据权利要求1所述的方法，其特征在于，获取网格单元的污染物数据具体包括：根据卫星遥感数据获取所述网格单元的近地面第一PM2.5浓度数据；根据空气质量地面观测数据和高密度空气质量监测设备对所述第一PM2.5浓度数据进行校正处理，得到第二PM2.5浓度数据；根据气象观测数据、地形数据和气象动力学模型对所述第二PM2.5浓度数据进行校正处理，得到所述网格单元近期地面PM2.5浓度背景数据。3.根据权利要求1所述的方法，其特征在于，获取基础地理数据具体包括：获取网格单元的工业信息点P...

【专利技术属性】
技术研发人员：廖炳瑜，丁相元，汤宇佳，范迎春，
申请(专利权)人：北京英视睿达科技有限公司，
类型：发明
国别省市：北京,11