基于智能物联网和深度学习相结合的空气质量评估方法技术

本发明专利技术公开了一种基于智能物联网和深度学习相结合的空气质量评估方法及系统，属于农村农业、环境、智能物联、人工智能技术领域，方法包括：布设多个传感器节点采集污染因子等作为监测数据，求解任一节点位置的空气指数分数值；采用协同克里金插值计算方法对任一节点位置的空气指数分数值进行处理得到未知节点位置的预测空气质量指数，根据其再布置多个传感器节点，获得未知节点位置的实际空气质量指数构建训练集；利用训练集对基于深度学习循环神经网络模型进行训练，将待修正未知节点位置的预测空气质量指数输入训练好的模型中，得到未知节点位置的实际空气质量指数并生成空气质量报告。该方法从时间和空间密度上提高了空气质量评估的精度。质量评估的精度。质量评估的精度。

【技术实现步骤摘要】
基于智能物联网和深度学习相结合的空气质量评估方法


[0001]本专利技术涉及农村农业、环境、智能物联、人工智能
，特别涉及一种基于智能物联网和深度学习相结合的空气质量评估方法。

技术介绍

[0002]对应我国传统农村的人口结构已中老年常驻人口为主，特殊的人口结构决定，气质量的对传统农村居住人口的身体健康及生活质量的影响更显得至关重要。其中，空气中不同的污染物包括SO2 (二氧化硫)、NO2(二氧化氮)，PM2.5以及PM10等能引起的各种人类慢性疾病，多项研究也表明，暴露于高度污染的环境将导致人类的心血管疾病和呼吸系统疾病。但现有对传统农村的空气质量影响要素的采集大都费时费力，而且及时性不足，数据可靠性低，同时没有可靠的空气质量评估的方法。
[0003]因此，亟待一种依托规范、省时省力、及时性更足、可靠性更高的以及更适合农村空气质量评估的方法。

技术实现思路

[0004]本专利技术提供一种基于基于智能物联网和深度学习相结合的空气质量评估方法及系统，以用于解决现有对传统农村的空气质量影响要素的采集大都费时费力，而且及时性不足，数据可靠性低，同时没有可靠的空气质量评估方法的技术问题。
[0005]本专利技术一方面实施例提供一种基于智能物联网和深度学习相结合的空气质量评估方法，包括：步骤S1，按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；步骤S2，通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；步骤S3，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；步骤S4，根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；步骤S5，读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；步骤S6，利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；步骤S7，将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。
[0006]本专利技术另一方面实施例提供一种基于智能物联网和深度学习相结合的空气质量
评估系统，包括：采集模块，用于按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；第一处理模块，用于通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；第二处理模块，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；布置模块，用于根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；构建模块，用于读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；训练模块，用于利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；修正模块，用于将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。
[0007]本专利技术又一方面实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的基于智能物联网和深度学习相结合的空气质量评估方法。
[0008]本专利技术还一方面实施例提供一种非临时性计算机可读存储介质，其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如上述实施例所述的基于智能物联网和深度学习相结合的空气质量评估方法。
[0009]本专利技术的技术方案，至少实现了如下有益的技术效果：通过针对不同阶段、不同时期污染物的占比权重，采用深度学习卷积神经网络+循环神经网络进行多维建模的方式，从而可以通过已知节点数据推测出全域的空气质量并评估，最终提供了高精度下时间和空间密度的科学化、标准化的空气质量评估报告。
[0010]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0011]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术一个实施例的基于智能物联网和深度学习相结合的空气质量评估方法的流程图；图2是本专利技术一个实施例的基于深度学习循环神经网络的空气质量指数修正模型的结构示意图；图3是本专利技术一个实施例的基于智能物联网和深度学习相结合的空气质量评估系统的结构示意图。
具体实施方式
[0012]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0013]下面参照附图描述根据本专利技术实施例提出的基于智能物联网和深度学习相结合的空气质量评估方法及系统，首先将参照附图描述根据本专利技术实施例提出的基于智能物联网和深度学习相结合的空气质量评估方法。
[0014]图1是本专利技术一个实施例的基于智能物联网和深度学习相结合的空气质量评估方法的流程图。
[0015]如图1所示，该基于智能物联网和深度学习相结合的空气质量评估方法包括以下步骤：在步骤S1中，按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据。
[0016]具体地，本专利技术实施例中需要预先布设智能传感器，农村地区的空气质量监测使用智能物联网传感器节点，这些传感器节点可以安置在不同的空气污染源头以及传感器密度最大化的地方以检测空气质量，传感器以空气颗粒传感器、二氧化硫传感器、二氧化氮传感器、风速传感器、风向传感器为主。传感器节点应布设在村落人口密度大的地位，同时传感器架设高度应该在10m
‑
15m之间。
[0017]传感器节点会采集空气中的各种指标，对主要污染因子（SO2、NO2、PM2.5、PM10）以及风速、风向的监测数据每小时进行采集并将采集的数据传输至服务器端，以作为监测数据以实时监测空气质量变化。
[0018]在步骤S2中，通过空气污染指数的浓度限值参照表和空气指数分数值处理监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库。
[0019]进一步地，在本专利技术的一个实施例中，步骤S2具体包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，包括以下步骤：步骤S1，按照预设要求布设多个传感器节点，以实时采集多个污染因子、风速和风向作为监测数据；步骤S2，通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到任一节点位置的空气指数分数值，并存储至预设数据库；步骤S3，采用协同克里金插值计算方法对所述任一节点位置的空气指数分数值进行处理，以计算出未知节点位置的预测空气质量指数，并存储至所述预设数据库；步骤S4，根据所述未知节点位置的空气质量指数再布置多个传感器节点，获得未知节点位置的实际空气质量指数，并存储至所述预设数据库；步骤S5，读取所述预设数据库中多个节点位置的预测空气质量指数以及其对应的多个节点位置的实际空气质量指数，以构建训练集和测试集；步骤S6，利用所述训练集对基于深度学习循环神经网络模型进行训练，得到基于深度学习循环神经网络的空气质量指数修正模型；步骤S7，将待修正未知节点位置的预测空气质量指数输入所述基于深度学习循环神经网络的空气质量指数修正模型中，得到未知节点位置的实际空气质量指数，并根据所述未知节点位置的实际空气质量指数建立空气质量报告。2.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述步骤S2具体包括：步骤S201，通过空气污染指数的浓度限值参照表和空气指数分数值处理所述监测数据，得到每个空气污染因子的空气指数分数值；步骤S202，对每个空气污染因子的空气指数分数值进行比较，筛选出最大空气指数分数值，并将所述最大空气指数分数值作为所述任一节点位置的空气指数分数值，并存储至预设数据库中。3.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述步骤S3具体包括：步骤S301，将地势和风向引入协同克里金插值算法中，得到协半变异函数；步骤S302，对所述协半变异函数进行拟合，以计算得到权重系数，根据所述权重系数处理所述任一节点位置的空气指数分数值，以求解所述未知节点位置的空气质量指数，并将其至预设数据库中。4.根据权利要求3所述的基于智能物联网和深度学习相结合的空气质量评估方法，其特征在于，所述拟合协半变异函数为：其中，为协半变异函数，为由分开的成对样本点的数量，为样本点，为两点之间的距离，为点关于风向变量的属性值，为点关于地势变量的属性值。5.根据权利要求1所述的基于智能物联网和深度学习相结合的空气质量评估方法，其
特征在于，所述未知节点位置的空气质量指数为：其中，为未知节点位置的空气质量指数，为样本节点，为风向变量的样本节点数量，为风向变量待定的权重，为风向变量的属性值，为地势变量的样本节点数量，为地势变量待定的权重，为地势变量的属性值。6.根据权利要求1所述的基于智能物联网和深度...

【专利技术属性】
技术研发人员：赵明，于福东，靳海科，王亮，唐志会，王莫寒，赵恩泽，朱丽羽，李晓爽，陈忠磊，崔宇婷，郭琦，高跃，
申请(专利权)人：吉林省中农阳光数据有限公司，
类型：发明
国别省市：