一种交通排放污染可视化预警方法及其系统技术方案

本发明专利技术公开了一种交通排放污染可视化预警方法，包括监测区域的基础数据信息；进行相对位置信息特征的提取；选取最优的空气质量监测站和最优的交通道路节点；构建大气污染物预测模型；构建任意监测点的污染物浓度预测模型并进行修正；对监测区域的城市交通污染排放进行可视化预警。本发明专利技术还公开了一种实现所述交通排放污染可视化预警方法的系统。本发明专利技术方法能够对道路交通覆盖区域内任意一点的实时动态大气污染物进行实时预测和预警，而且本发明专利技术方法的可靠性高，实用性好。

A visual early warning method and system of traffic emission pollution

【技术实现步骤摘要】
一种交通排放污染可视化预警方法及其系统
本专利技术具体涉及一种一种交通排放污染可视化预警方法及其系统。
技术介绍
近年来，随着工业化、城市化进程的加深，私家车的日益普及，我国空气污染问题日益严峻。空气质量日益呈现恶化的趋势，对于城市居民的身体健康和社会的经济发展产生重要影响。随着机器学习、深度神经网络等智能算法的日渐普及，采用智能算法基于环境大数据实现大气污染物预测，对于辅助相关部门决策、提升环境保护效率、控制污染物扩散、实现产业调控等方面有着重要价值。在城市道路覆盖区域内，汽车运行过程中的尾气排放是大气污染的重要源头，道路单位时间内的车流量在一定程度上决定了附近区域该时段内的空气质量。目前，对于城市交通污染排放的预警，往往采用的是固定式的空气质量监测站的模式，即通过在城市中设立若干个位置固定的空气质量监测站，监测站实时采集附近的空气污染物数据，并根据采集的污染物数据进行空气质量预警。但是，目前的预警手段，手段单一，而且预警数据的来源是固定的空气质量监测站的数据来源，数据来源单一且往往只能够体现监测站附近的空气质量状况，而针对远离监测站点地区的大气污染物浓度难以实现有效预测。
技术实现思路
本专利技术的目的之一在于提供一种可靠性高、实用性好且能够对道路交通覆盖区域内任意一点的实时动态大气污染物进行实时预测和预警的交通排放污染可视化预警方法。本专利技术的目的之二在于提供一种实现所述交通排放污染可视化预警方法的系统。本专利技术提供的这种交通排放污染可视化预警方法，包括如下步骤：S1.在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息；S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域内空气质量监测站的位置数据信息，进行相对位置信息特征的提取；S3.选取最优的空气质量监测站和最优的交通道路节点；S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的交通道路节点的交通数据信息，构建大气污染物预测模型；S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型；S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正；S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测区域的城市交通污染排放进行可视化预警。步骤S1所述的在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息，具体为采用空气质量监测车，以移动的方式在监测区域进行随机移动，并采集空气质量监测车所在位置的移动空气质量数据，同时记录采集移动空气质量数据时空气质量监测车的位置信息，同时记录监测区域内空气质量监测站的位置信息和固定空气质量数据；同时获取监测区域的实时天气数据信息和风向数据信息。步骤S2所述的进行相对位置信息特征的提取，具体为采用如下步骤进行提取：A.根据第i个空气质量监测站的绝对位置信息、第i个交通路口节点的绝对位置信息和监测点的绝对位置信息，采用如下公式计算相对位置信息，从而提取相对位置信息特征：ΔLGSA(i)＝Longitude_site(i)-Longitude_A1ΔLTSA(i)＝Latitude_site(i)-Latitude_A1ΔHSA(i)＝Height_site(i)-Height_A1ΔLGNA(i)＝Longitude_node(i)-Longitude_A1ΔLTNA(i)＝Latitude_node(i)-Latitude_A1ΔHNA(i)＝Height_node(i)-Height_A1式中ΔLGSA(i)为第i个空气质量监测站与监测点的东西距离相对量；ΔLTSA(i)为第i个空气质量监测站与监测点的南北距离相对量；ΔHSA(i)为第i个空气质量监测站与监测点的海拔高差；ΔLGNA(i)为第i个交通路口节点与监测点的东西距离相对量；ΔLTNA(i)为第i个交通路口节点与监测点的南北距离相对量；ΔHNA(i)为第i个交通路口节点与监测点的海拔高差；RPSA(i)为第i个空气质量监测站与监测点的空间相对距离；RPNA(i)为第i个交通路口节点与监测点的空间相对距离；Longitude_site(i)为第i个空气质量监测站的经度信息，Latitude_site(i)为第i个空气质量监测站的纬度信息，Height_site(i)为第i个空气质量监测站的海拔数据信息；Longitude_node(i)为第i个交通路口节点的经度信息，Latitude_node(i)为第i个交通路口节点的纬度信息，Height_node(i)为第i个交通路口节点的海拔信息；B.采用如下算式计算相对风速角，从而提取相对风速角特征：式中β_sitei(t)为t时刻第i个空气质量监测站与监测点之间的相对风速角；α_sitei(t)为t时刻第i个空气质量监测站的风向角；β_nodei(t)为t时刻第i个交通路口节点与监测点之间的相对风速角；α_nodei(t)为t时刻第i个交通路口节点的风向角。步骤S3所述的选取最优的空气质量监测站和最优的交通道路节点，具体为采用如下步骤选取最优的空气质量监测站和最优的交通道路节点：采用如下步骤选取最优的空气质量监测站：a1.设定最远距离L_max，初步筛选时只考虑RPSA(i)≤L_max的空气质量监测站，且设定符合条件的空气质量监测站的数目为Nsite；设定最终选取的空气质量监测站的数目为Nchoose-site；b1.选取RPSA(i)值最小的Nini个空气质量监测站作为初始站点，并添加进入备选站点库；c1.采用如下算式依次计算未进入备选站点库的空气质量监测站的分布值：ΔLGas(i,j)＝|Longitude_as(j)-Longitude_site(i)|ΔLTas(i,j)＝|Latitude_as(j)-Latitude_site(i)|式中Longitude_as(j)为备选站点库中第j个站点的东西向绝对位置，Latitude_as(j)为备选站点库中第j个站点的南北向绝对位置；Longitude_site(i)为第i个未进入备选站点库的空气质量监测站的东西向绝对位置，Latitude_site(i)第i个未进入备选站点库的空气质量监测站的南北向绝对位置；Nas为备选站点库中的站点数目；δ为寻优参数；d1.选取步骤c1中最大分布值所对应的未进入备选站点库的空气质量监测站作为寻优结果，并将该未进入备选站点库的空气质量监测站添加进备选站点库；e1.重复步骤c1～步骤d1，直至备选站点库中存在的备选站点达到设定的数目Nchoose-site，寻优结束；采用如下步骤选取最优的交通路口节点：a2.设定最远距离L_max_note，初步筛选时只考虑RPNA(i)≤L_max_note的交通路口节点，且设定符合条件的交通路口节点的数目为Nnote；设定最终选取的交通路口节点的数目为Nchoose-note；b2.选取RPNA(i)值最小的Nini-note个交通路口节点作为初始节点，并添加进入备选节点库；c2.采用如下算式依次计算未进入备选节点库的交通路口节点的分布值：ΔLGan(i,j)＝|Longi本文档来自技高网...

【技术保护点】
1.一种交通排放污染可视化预警方法，包括如下步骤：S1.在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息；S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域内空气质量监测站的位置数据信息，进行相对位置信息特征的提取；S3.选取最优的空气质量监测站和最优的交通道路节点；S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的交通道路节点的交通数据信息，构建大气污染物预测模型；S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型；S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正；S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测区域的城市交通污染排放进行可视化预警。

【技术特征摘要】
1.一种交通排放污染可视化预警方法，包括如下步骤：S1.在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息；S2.根据监测点的位置数据信息、监测区域内交通路口节点的位置数据信息和监测区域内空气质量监测站的位置数据信息，进行相对位置信息特征的提取；S3.选取最优的空气质量监测站和最优的交通道路节点；S4.根据步骤S3选取的最优的空气质量监测站的空气质量数据，以及最优的交通道路节点的交通数据信息，构建大气污染物预测模型；S5.根据步骤S4构建的大气污染物预测模型，构建任意监测点的污染物浓度预测模型；S6.根据实时环境数据信息，对步骤S5构建的任意监测点的污染物浓度预测模型进行修正；S7.根据步骤S6得到的修正后的任意监测点的污染物浓度预测模型的预测结果，对监测区域的城市交通污染排放进行可视化预警。2.根据权利要求1所述的交通排放污染可视化预警方法，其特征在于步骤S1所述的在监测区域内随机移动并进行监测，获取监测点的位置数据信息、监测点的空气数据以及监测区域的基础数据信息，具体为采用空气质量监测车，以移动的方式在监测区域进行随机移动，并采集空气质量监测车所在位置的移动空气质量数据，同时记录采集移动空气质量数据时空气质量监测车的位置信息，同时记录监测区域内空气质量监测站的位置信息和固定空气质量数据；同时获取监测区域的实时天气数据信息和风向数据信息。3.根据权利要求2所述的交通排放污染可视化预警方法，其特征在于步骤S2所述的进行相对位置信息特征的提取，具体为采用如下步骤进行提取：A.根据第i个空气质量监测站的绝对位置信息、第i个交通路口节点的绝对位置信息和监测点的绝对位置信息，采用如下公式计算相对位置信息，从而提取相对位置信息特征：ΔLGSA(i)＝Longitude_site(i)-Longitude_A1ΔLTSA(i)＝Latitude_site(i)-Latitude_A1ΔHSA(i)＝Height_site(i)-Height_A1ΔLGNA(i)＝Longitude_node(i)-Longitude_A1ΔLTNA(i)＝Latitude_node(i)-Latitude_A1ΔHNA(i)＝Height_node(i)-Height_A1式中ΔLGSA(i)为第i个空气质量监测站与监测点的东西距离相对量；ΔLTSA(i)为第i个空气质量监测站与监测点的南北距离相对量；ΔHSA(i)为第i个空气质量监测站与监测点的海拔高差；ΔLGNA(i)为第i个交通路口节点与监测点的东西距离相对量；ΔLTNA(i)为第i个交通路口节点与监测点的南北距离相对量；ΔHNA(i)为第i个交通路口节点与监测点的海拔高差；RPSA(i)为第i个空气质量监测站与监测点的空间相对距离；RPNA(i)为第i个交通路口节点与监测点的空间相对距离；Longitude_site(i)为第i个空气质量监测站的经度信息，Latitude_site(i)为第i个空气质量监测站的纬度信息，Height_site(i)为第i个空气质量监测站的海拔数据信息；Longitude_node(i)为第i个交通路口节点的经度信息，Latitude_node(i)为第i个交通路口节点的纬度信息，Height_node(i)为第i个交通路口节点的海拔信息；B.采用如下算式计算相对风速角，从而提取相对风速角特征：式中β_sitei(t)为t时刻第i个空气质量监测站与监测点之间的相对风速角；α_sitei(t)为t时刻第i个空气质量监测站的风向角；β_nodei(t)为t时刻第i个交通路口节点与监测点之间的相对风速角；α_nodei(t)为t时刻第i个交通路口节点的风向角。4.根据权利要求3所述的交通排放污染可视化预警方法，其特征在于步骤S3所述的选取最优的空气质量监测站和最优的交通道路节点，具体为采用如下步骤选取最优的空气质量监测站和最优的交通道路节点：采用如下步骤选取最优的空气质量监测站：a1.设定最远距离L_max，初步筛选时只考虑RPSA(i)≤L_max的空气质量监测站，且设定符合条件的空气质量监测站的数目为Nsite；设定最终选取的空气质量监测站的数目为Nchoose-site；b1.选取RPSA(i)值最小的Nini个空气质量监测站作为初始站点，并添加进入备选站点库；c1.采用如下算式依次计算未进入备选站点库的空气质量监测站的分布值：ΔLGas(i,j)＝|Longitude_as(j)-Longitude_site(i)|ΔLTas(i,j)＝|Latitude_as(j)-Latitude_site(i)|式中Longitude_as(j)为备选站点库中第j个站点的东西向绝对位置，Latitude_as(j)为备选站点库中第j个站点的南北向绝对位置；Longitude_site(i)为第i个未进入备选站点库的空气质量监测站的东西向绝对位置，Latitude_site(i)第i个未进入备选站点库的空气质量监测站的南北向绝对位置；Nas为备选站点库中的站点数目；δ为寻优参数；d1.选取步骤c1中最大分布值所对应的未进入备选站点库的空气质量监测站作为...

【专利技术属性】
技术研发人员：刘辉，李燕飞，刘泽宇，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43