开云优惠体育网页版入口

专利名称：一种基于数据爬取的实时空气质量监控及预警系统

专利类型：发明专利

专利申请号：CN202410488491.2

专利申请（专利权）人：新兴县生态环境监测站
权利人地址：广东省云浮市新兴县新城镇茅园路西1号

专利发明（设计）人：邱国平,卢达明,李廷冠

专利摘要：本发明提供一种基于数据爬取的实时空气质量监控及预警系统，涉及数据处理领域，包括：数据爬取模块，用于爬取目标区域的空气质量监测站点的历史数据和地图信息；区域划分模块，用于基于地图信息划分子区域；样本获取模块，用于获取子区域的历史空气质量指数；图谱建立模块，用于建立监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱；空气质量监控及预警模块，用于通过子区域对应的第一降尺度模型和第二降尺度模型基于目标区域的空气质量监测站点的实时数据、监测站点关联图谱及子区域与监测站点关联图谱，生成每个子区域对应的初始空气质量指数，确定实时空气质量指数，具有提高实时空气质量监控及预警的效率及准确度的优点。

主权利要求：
1.一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，包括：
数据爬取模块，用于爬取目标区域的空气质量监测站点的历史数据，其中，所述历史数据包括气象数据及空气质量指数，还用于爬取所述目标区域的地图信息；
区域划分模块，用于基于所述目标区域的地图信息划分多个子区域；
样本获取模块，用于获取所述多个子区域的历史空气质量指数；
图谱建立模块，用于基于所述目标区域的空气质量监测站点的历史数据，建立监测站点关联图谱，还用于基于所述目标区域的空气质量监测站点的历史数据及所述多个子区域的历史空气质量指数，建立子区域与监测站点关联图谱，还用于基于所述多个子区域的历史数据，建立子区域关联图谱；
模型建立模块，用于建立每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型；
模型训练模块，用于基于所述目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个所述子区域对应的第一降尺度模型和第二降尺度模型；
所述数据爬取模块还用于定时爬取所述目标区域的空气质量监测站点的实时数据；
空气质量监控及预警模块，用于通过每个所述子区域对应的第一降尺度模型基于所述目标区域的空气质量监测站点的实时数据、所述监测站点关联图谱及所述子区域与监测站点关联图谱，生成每个所述子区域对应的初始空气质量指数，还用于通过每个所述子区域对应的第二降尺度模型基于每个所述子区域对应的初始空气质量指数及所述子区域关联图谱，确定每个所述子区域对应的实时空气质量指数；
其中，所述模型训练模块基于所述目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个所述子区域对应的第一降尺度模型和第二降尺度模型，包括：对于每个所述子区域，基于所述子区域与监测站点关联图谱，确定所述子区域关联的至少一个第一监测站点，基于所述监测站点关联图谱，确定每个所述第一监测站点关联的至少一个第二监测站点，基于所述子区域的历史空气质量指数、每个所述第一监测站点的历史数据和每个所述第二监测站点的历史数据，生成所述子区域对应的多个第一训练样本，使用所述子区域对应的多个第一训练样本对所述子区域对应的初始第一降尺度模型进行训练，生成所述子区域对应的第一降尺度模型；
所述初始第一降尺度模型至少包括降尺度生成单元及升尺度生成单元；
所述模型训练模块使用所述子区域对应的多个第一训练样本对所述子区域对应的初始第一降尺度模型进行训练，生成所述子区域对应的第一降尺度模型，包括：所述降尺度生成单元基于所述第一训练样本包括的每个所述第一监测站点的气象数据及空气质量指数和每个所述第二监测站点的气象数据及空气质量指数，生成预测区域空气质量指数；
所述升尺度生成单元基于所述降尺度生成单元生成的区域空气质量指数和所述第一训练样本包括的每个所述第一监测站点的气象数据和每个所述第二监测站点的气象数据，生成每个所述第一监测站点的预测站点空气质量指数和每个所述第二监测站点的预测站点空气质量指数；
基于所述预测区域空气质量指数和所述第一训练样本包括的子区域的空气质量指数，计算降尺度损失；
基于每个所述第一监测站点的预测站点空气质量指数、每个所述第二监测站点的预测站点空气质量指数、每个所述第一监测站点的空气质量指数和每个所述第二监测站点的空气质量指数，计算升尺度损失；
基于所述降尺度损失和所述升尺度损失，对所述降尺度生成单元及升尺度生成单元进行优化；
提取训练后的初始第一降尺度模型的降尺度生成单元作为所述子区域对应的第一降尺度模型。
2.根据权利要求1所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述图谱建立模块基于所述目标区域的空气质量监测站点的历史数据，建立所述监测站点关联图谱，包括：对于所述目标区域的任意两个空气质量监测站点，基于两个所述空气质量监测站点的历史数据，计算两个所述空气质量监测站点的监测站点相关系数；
基于任意两个所述空气质量监测站点的监测站点相关系数，建立所述监测站点关联图谱；
所述图谱建立模块基于所述目标区域的空气质量监测站点的历史数据及所述多个子区域的历史空气质量指数，建立所述子区域与监测站点关联图谱，包括：对于所述目标区域的任意一个空气质量监测站点和任意一个所述子区域，基于所述空气质量监测站点的历史空气质量指数和所述子区域的历史空气质量指数，确定所述空气质量监测站点与所述子区域的监测站点与子区域相关系数；
基于任意一个所述空气质量监测站点与任意一个所述子区域的监测站点与子区域相关系数，建立所述子区域与监测站点关联图谱；
所述图谱建立模块基于所述多个子区域的历史数据，建立所述子区域关联图谱，包括：
对于所述目标区域的任意两个子区域，基于两个所述子区域的历史数据，计算两个所述子区域的监测站点相关系数；
基于任意两个所述子区域的监测站点相关系数，建立所述子区域关联图谱。
3.根据权利要求1所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述模型训练模块基于所述目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个所述子区域对应的第一降尺度模型和第二降尺度模型，包括：对于每个所述子区域，基于所述子区域关联图谱，确定所述子区域对应的至少一个关联子区域，基于所述子区域的历史空气质量指数及每个所述关联子区域的历史空气质量指数，生成所述子区域对应的多个第二训练样本，使用所述子区域对应的多个第二训练样本对所述子区域对应的初始第二降尺度模型进行训练，生成所述子区域对应的第二降尺度模型。
4.根据权利要求3所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述模型训练模块基于所述子区域的历史空气质量指数及每个所述关联子区域的历史空气质量指数，生成所述子区域对应的多个第二训练样本，包括：获取所述子区域在多个连续的历史时间点的历史空气质量指数；
对于每个所述关联子区域，基于所述关联子区域在所述多个连续的历史时间点的历史空气质量指数，生成所述关联子区域对应的历史空气质量指数变化曲线；
基于每个所述关联子区域对应的历史空气质量指数变化曲线及所述子区域在多个连续的历史时间点的历史空气质量指数，生成所述子区域对应的第二训练样本。
5.根据权利要求4所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述模型训练模块使用所述子区域对应的多个第二训练样本对所述子区域对应的初始第二降尺度模型进行训练，包括：对于所述第二训练样本包括的每条历史空气质量指数变化曲线，对所述历史空气质量指数变化曲线进行经验模态分解，生成所述历史空气质量指数变化曲线对应多个内涵模态分量及残差；
将所述子区域在多个连续的历史时间点的历史空气质量指数和每个所述历史空气质量指数变化曲线对应的多个内涵模态分量及残差输入至所述子区域对应的初始第二降尺度模型进行训练。
6.根据权利要求5所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述空气质量监控及预警模块通过每个所述子区域对应的第一降尺度模型基于所述目标区域的空气质量监测站点的实时数据、所述监测站点关联图谱及所述子区域与监测站点关联图谱，生成每个所述子区域对应的初始空气质量指数，包括：对于每个所述子区域，通过所述子区域对应的第一降尺度模型基于每个所述第一监测站点的实时数据和每个所述第二监测站点的实时数据，生成所述子区域对应的初始空气质量指数。
7.根据权利要求6所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述空气质量监控及预警模块通过每个所述子区域对应的第二降尺度模型基于每个所述子区域对应的初始空气质量指数及所述子区域关联图谱，确定每个所述子区域对应的实时空气质量指数，包括：对于每个所述子区域，获取所述子区域的关联子区域在多个实时监测点的对应的初始空气质量指数，生成关联子区域对应的实时空气质量指数变化曲线，对所述实时空气质量指数变化曲线进行经验模态分解，生成所述实时空气质量指数变化曲线对应多个内涵模态分量及残差，通过所述子区域对应的第二降尺度模型基于每条所述实时空气质量指数变化曲线对应多个内涵模态分量及残差，确定所述子区域对应的预测实时空气质量指数；
通过迭代优化算法基于每个所述子区域对应的预测实时空气质量指数确定全局最优解，生成每个所述子区域对应的实时空气质量指数。
8.根据权利要求1?7中任意一项所述的一种基于数据爬取的实时空气质量监控及预警系统，其特征在于，所述区域划分模块基于所述目标区域的地图信息划分多个子区域，包括：基于所述目标区域的地图信息，确定所述目标区域的多个降尺度区域；
获取每个所述降尺度区域的建筑物信息及历史交通信息；
基于每个所述降尺度区域的建筑物信息及历史交通信息，对所述多个降尺度区域进行融合，确定多个子区域。 说明书 : 一种基于数据爬取的实时空气质量监控及预警系统技术领域[0001] 本发明涉及数据处理领域，特别涉及一种基于数据爬取的实时空气质量监控及预警系统。背景技术[0002] 由于城市空气污染对人类健康的不利影响，其这些年备受关注，因此准确知道某区域的准确的空气质量至关重要。现阶段利用神经网络对城市未来的空气质量的预测已经非常成熟且准确，但有绝大多数的研究只是针对已经部署传感器监测的空间区域进行处理(预测、实时展示、分析等)，由于受实际部署的限制，通常传感器覆盖粒度较粗，对其临近区域效果较好，但对距离部署站点较远的区域，无法真实反映其实际情况。[0003] 因此，需要提供一种基于数据爬取的实时空气质量监控及预警系统，用于提高实时空气质量监控及预警的效率及准确度。发明内容[0004] 本发明提供一种基于数据爬取的实时空气质量监控及预警系统，包括：数据爬取模块，用于爬取目标区域的空气质量监测站点的历史数据，其中，所述历史数据包括气象数据及空气质量指数，还用于爬取所述目标区域的地图信息；区域划分模块，用于基于所述目标区域的地图信息划分多个子区域；样本获取模块，用于获取所述多个子区域的历史空气质量指数；图谱建立模块，用于基于所述目标区域的空气质量监测站点的历史数据，建立监测站点关联图谱，还用于基于所述目标区域的空气质量监测站点的历史数据及所述多个子区域的历史空气质量指数，建立子区域与监测站点关联图谱，还用于基于所述多个子区域的历史数据，建立子区域关联图谱；模型建立模块，用于建立每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型；模型训练模块，用于基于所述目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个所述子区域对应的第一降尺度模型和第二降尺度模型；所述数据爬取模块还用于定时爬取所述目标区域的空气质量监测站点的实时数据；空气质量监控及预警模块，用于通过每个所述子区域对应的第一降尺度模型基于所述目标区域的空气质量监测站点的实时数据、所述监测站点关联图谱及所述子区域与监测站点关联图谱，生成每个所述子区域对应的初始空气质量指数，还用于通过每个所述子区域对应的第二降尺度模型基于每个所述子区域对应的初始空气质量指数及所述子区域关联图谱，确定每个所述子区域对应的实时空气质量指数。[0005] 进一步地，所述图谱建立模块基于所述目标区域的空气质量监测站点的历史数据，建立所述监测站点关联图谱，包括：对于所述目标区域的任意两个空气质量监测站点，基于两个所述空气质量监测站点的历史数据，计算两个所述空气质量监测站点的监测站点相关系数；基于任意两个所述空气质量监测站点的监测站点相关系数，建立所述监测站点关联图谱；所述图谱建立模块基于所述目标区域的空气质量监测站点的历史数据及所述多个子区域的历史空气质量指数，建立所述子区域与监测站点关联图谱，包括：对于所述目标区域的任意一个空气质量监测站点和任意一个所述子区域，基于所述空气质量监测站点的历史空气质量指数和所述子区域的历史空气质量指数，确定所述空气质量监测站点与所述子区域的监测站点与子区域相关系数；基于任意一个所述空气质量监测站点与任意一个所述子区域的监测站点与子区域相关系数，建立所述子区域与监测站点关联图谱；所述图谱建立模块基于所述多个子区域的历史数据，建立所述子区域关联图谱，包括：对于所述目标区域的任意两个子区域，基于两个所述子区域的历史数据，计算两个所述子区域的监测站点相关系数；基于任意两个所述子区域的监测站点相关系数，建立所述子区域关联图谱。[0006] 进一步地，所述模型训练模块基于所述目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个所述子区域对应的第一降尺度模型和第二降尺度模型，包括：对于每个所述子区域，基于所述子区域与监测站点关联图谱，确定所述子区域关联的至少一个第一监测站点，基于所述监测站点关联图谱，确定每个所述第一监测站点关联的至少一个第二监测站点，基于所述子区域的历史空气质量指数、每个所述第一监测站点的历史数据和每个所述第二监测站点的历史数据，生成所述子区域对应的多个第一训练样本，使用所述子区域对应的多个第一训练样本对所述子区域对应的初始第一降尺度模型进行训练，生成所述子区域对应的第一降尺度模型。[0007] 进一步地，所述初始第一降尺度模型至少包括降尺度生成单元及升尺度生成单元；所述模型训练模块使用所述子区域对应的多个第一训练样本对所述子区域对应的初始第一降尺度模型进行训练，生成所述子区域对应的第一降尺度模型，包括：所述降尺度生成单元基于所述第一训练样本包括的每个所述第一监测站点的气象数据及空气质量指数和每个所述第二监测站点的气象数据及空气质量指数，生成预测区域空气质量指数；所述升尺度生成单元基于所述降尺度生成单元生成的区域空气质量指数和所述第一训练样本包括的每个所述第一监测站点的气象数据和每个所述第二监测站点的气象数据，生成每个所述第一监测站点的预测站点空气质量指数和每个所述第二监测站点的预测站点空气质量指数；基于所述预测区域空气质量指数和所述第一训练样本包括的子区域的空气质量指数，计算降尺度损失；基于每个所述第一监测站点的预测站点空气质量指数、每个所述第二监测站点的预测站点空气质量指数、每个所述第一监测站点的空气质量指数和每个所述第二监测站点的空气质量指数，计算升尺度损失；基于所述降尺度损失和所述升尺度损失，对所述降尺度生成单元及升尺度生成单元进行优化；提取训练后的初始第一降尺度模型的降尺度生成单元作为所述子区域对应的第一降尺度模型。[0008] 进一步地，所述模型训练模块基于所述目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个所述子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个所述子区域对应的第一降尺度模型和第二降尺度模型，包括：对于每个所述子区域，基于所述子区域关联图谱，确定所述子区域对应的至少一个关联子区域，基于所述子区域的历史空气质量指数及每个所述关联子区域的历史空气质量指数，生成所述子区域对应的多个第二训练样本，使用所述子区域对应的多个第二训练样本对所述子区域对应的初始第二降尺度模型进行训练，生成所述子区域对应的第二降尺度模型。[0009] 进一步地，所述模型训练模块基于所述子区域的历史空气质量指数及每个所述关联子区域的历史空气质量指数，生成所述子区域对应的多个第二训练样本，包括：获取所述子区域在多个连续的历史时间点的历史空气质量指数；对于每个所述关联子区域，基于所述关联子区域在所述多个连续的历史时间点的历史空气质量指数，生成所述关联子区域对应的历史空气质量指数变化曲线；基于每个所述关联子区域对应的历史空气质量指数变化曲线及所述子区域在多个连续的历史时间点的历史空气质量指数，生成所述子区域对应的第二训练样本。[0010] 进一步地，所述模型训练模块使用所述子区域对应的多个第二训练样本对所述子区域对应的初始第二降尺度模型进行训练，包括：对于所述第二训练样本包括的每条历史空气质量指数变化曲线，对所述历史空气质量指数变化曲线进行经验模态分解，生成所述历史空气质量指数变化曲线对应多个内涵模态分量及残差；将所述子区域在多个连续的历史时间点的历史空气质量指数和每个所述历史空气质量指数变化曲线对应的多个内涵模态分量及残差输入至所述子区域对应的初始第二降尺度模型进行训练。[0011] 进一步地，所述空气质量监控及预警模块通过每个所述子区域对应的第一降尺度模型基于所述目标区域的空气质量监测站点的实时数据、所述监测站点关联图谱及所述子区域与监测站点关联图谱，生成每个所述子区域对应的初始空气质量指数，包括：对于每个所述子区域，通过所述子区域对应的第一降尺度模型基于每个所述第一监测站点的实时数据和每个所述第二监测站点的实时数据，生成所述子区域对应的初始空气质量指数。[0012] 进一步地，所述空气质量监控及预警模块通过每个所述子区域对应的第二降尺度模型基于每个所述子区域对应的初始空气质量指数及所述子区域关联图谱，确定每个所述子区域对应的实时空气质量指数，包括：对于每个所述子区域，获取所述子区域的关联子区域在多个实时监测点的对应的初始空气质量指数，生成关联子区域对应的实时空气质量指数变化曲线，对所述实时空气质量指数变化曲线进行经验模态分解，生成所述实时空气质量指数变化曲线对应多个内涵模态分量及残差，通过所述子区域对应的第二降尺度模型基于每条所述实时空气质量指数变化曲线对应多个内涵模态分量及残差，确定所述子区域对应的预测实时空气质量指数；通过迭代优化算法基于每个所述子区域对应的预测实时空气质量指数确定全局最优解，生成每个所述子区域对应的实时空气质量指数。[0013] 进一步地，所述区域划分模块基于所述目标区域的地图信息划分多个子区域，包括：基于所述目标区域的地图信息，确定所述目标区域的多个降尺度区域；获取每个所述降尺度区域的建筑物信息及历史交通信息；基于每个所述降尺度区域的建筑物信息及历史交通信息，对所述多个降尺度区域进行融合，确定多个子区域。[0014] 相比于现有技术，本发明提供的一种基于数据爬取的实时空气质量监控及预警系统，至少具备以下有益效果：[0015] 1、通过建立监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，实现对空气质量监测站点和子区域之间的空气质量关联关系的梳理，在此基础之上，通过每个子区域对应的第一降尺度模型基于目标区域的空气质量监测站点的实时数据、监测站点关联图谱及子区域与监测站点关联图谱，生成每个较为准确的子区域对应的初始空气质量指数，通过每个子区域对应的第二降尺度模型基于子区域关联图谱，对子区域对应的初始空气质量指数进行二次订正，进一步提高了预测的子区域对应的实时空气质量指数的准确度，提高了在降尺度场景下的，实时空气质量监控及预警的效率及准确度。[0016] 2、通过建立降尺度生成单元及升尺度生成单元，基于降尺度损失和升尺度损失，对降尺度生成单元及升尺度生成单元进行优化，并隐式地学习子区域的空气质量指数、第一监测站点的气象数据及空气质量指数和第二监测站点的气象数据及空气质量指数之间复杂的非线性映射关系，使得第二降尺度模型可以在参数空间中找到一个能够较好地预测子区域的空气质量指数的初始化参数。[0017] 3、基于每个降尺度区域的建筑物信息及历史交通信息，对多个降尺度区域进行融合，可以快速确定多个子区域。附图说明[0018] 本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：[0019] 图1是根据本说明书一些实施例所示的一种基于数据爬取的实时空气质量监控及预警系统的模块示意图；[0020] 图2是根据本说明书一些实施例所示的对子区域对应的初始第一降尺度模型进行训练的流程示意图；[0021] 图3是根据本说明书一些实施例所示的降尺度生成单元的结构示意图。具体实施方式[0022] 为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。[0023] 图1是根据本说明书一些实施例所示的一种基于数据爬取的实时空气质量监控及预警系统的模块示意图，如图1所示，一种基于数据爬取的实时空气质量监控及预警系统可以包括数据爬取模块、区域划分模块、样本获取模块、图谱建立模块、模型建立模块、模型训练模块及空气质量监控及预警模块。[0024] 数据爬取模块可以用于爬取目标区域的空气质量监测站点的历史数据。[0025] 其中，历史数据包括气象数据及空气质量指数(AirQualityIndex，AQI)，还用于爬取目标区域的地图信息。气象数据可以为可以影响空气质量的气象因素的数据。例如，气压、气温、气湿、风向、风速、云况、能见度等。[0026] 数据爬取模块可以应用Android平台提供的Tasker爬取目标区域的空气质量监测站点的历史数据。具体的，数据爬取模块可以通过Tasker来定时触发一个任务，并在该任务中使用Intent来启动一个Activity，该Activity中包含爬取目标区域的空气质量监测站点的历史数据的逻辑。[0027] 区域划分模块可以用于基于目标区域的地图信息划分多个子区域。[0028] 数据爬取模块还可以用于爬取所述目标区域的地图信息。[0029] 在一些实施例中，区域划分模块基于目标区域的地图信息划分多个子区域，包括：[0030] 基于目标区域的地图信息，确定目标区域的多个降尺度区域；[0031] 获取每个降尺度区域的建筑物信息及历史交通信息；[0032] 基于每个降尺度区域的建筑物信息及历史交通信息，对多个降尺度区域进行融合，确定多个子区域。[0033] 具体的，区域划分模块可以按照预设的降尺度区域大。谀勘昵虻牡赝夹畔，将目标区域均分为多个降尺度区域。[0034] 对于每个降尺度区域，区域划分模块可以基于该降尺度区域的建筑物信息，确定该降尺度区域的目标建筑物密度，其中，目标建筑物可以为对空气质量产生影响的建筑物，例如，工厂等。对于每个降尺度区域，区域划分模块可以基于降尺度区域的历史交通信息，确定该降尺度区域的交通流量。[0035] 对于每个降尺度区域，可以基于该降尺度区域的目标建筑物密度和交通流量，确定该降尺度区域的区域调整参数，并基于区域调整参数对该降尺度区域的大小进行调整。[0036] 例如，可以基于以下公式对降尺度区域的大小进行调整：[0037] Si＝S0*Pi[0038][0039] 其中，Si为第i个调整后的降尺度区域的大。琒0为预设的降尺度区域大。琍i为第i个降尺度区域对应的区域调整参数，a1、a2为预设权重，a1+a2＝1，Di为第i个降尺度区域对应的目标建筑物密度，Fi为第i个降尺度区域对应的交通流量，M1、M2为预设的归一化参数，M1>0且M2>0。[0040] 进一步的，完成每个降尺度区域的大小调整后，可以将相互之间存在重叠的降尺度区域融合为一个子区域。并且，若存在两个降尺度区域的目标建筑物密度的密度差值小于预设密度差值阈值、交通流量差值小于预设交通流量差值阈值、降尺度区域的中心之间的距离小于预设距离阈值时，可以将该两个降尺度区域合并至同一个子区域中。[0041] 样本获取模块可以用于获取多个子区域的历史空气质量指数。[0042] 具体的，可以在每个子区域设置空气质量设备，用于获取子区域的历史空气质量指数。[0043] 图谱建立模块可以用于基于目标区域的空气质量监测站点的历史数据，建立监测站点关联图谱，还用于基于目标区域的空气质量监测站点的历史数据及多个子区域的历史空气质量指数，建立子区域与监测站点关联图谱，还用于基于多个子区域的历史数据，建立子区域关联图谱。[0044] 在一些实施例中，图谱建立模块基于目标区域的空气质量监测站点的历史数据，建立监测站点关联图谱，包括：[0045] 对于目标区域的任意两个空气质量监测站点，基于两个空气质量监测站点的历史数据，计算两个空气质量监测站点的监测站点相关系数；[0046] 基于任意两个空气质量监测站点的监测站点相关系数，建立监测站点关联图谱。[0047] 具体的，可以基于以下公式基于两个空气质量监测站点的历史数据，计算两个空气质量监测站点的监测站点相关系数：[0048][0049] 其中，ρ(i,j)表示第i个空气质量监测站点和第j个空气质量监测站点的监测站点相关系数，D()表示求方差，cov()表示协方差计算，Xi表示第i个空气质量监测站点的历史数据，Xj表示第j个空气质量监测站点的历史数据。[0050] 当任意两个空气质量监测站点的监测站点相关系数大于预设监测站点相关系数阈值时，该两个空气质量监测站点之间存在关联关系，监测站点关联图谱中表征该空气质量监测站点的节点之间可以通过边进行连接。[0051] 在一些实施例中，图谱建立模块基于目标区域的空气质量监测站点的历史数据及多个子区域的历史空气质量指数，建立子区域与监测站点关联图谱，包括：[0052] 对于目标区域的任意一个空气质量监测站点和任意一个子区域，基于空气质量监测站点的历史空气质量指数和子区域的历史空气质量指数，确定空气质量监测站点与子区域的监测站点与子区域相关系数；[0053] 基于任意一个空气质量监测站点与任意一个子区域的监测站点与子区域相关系数，建立子区域与监测站点关联图谱。[0054] 建立子区域与监测站点关联图谱与建立监测站点关联图谱的方式相似，此处不再赘述。[0055] 在一些实施例中，图谱建立模块基于多个子区域的历史数据，建立子区域关联图谱，包括：[0056] 对于目标区域的任意两个子区域，基于两个子区域的历史数据，计算两个子区域的监测站点相关系数；[0057] 基于任意两个子区域的监测站点相关系数，建立子区域关联图谱。[0058] 建立子区域关联图谱与建立监测站点关联图谱的方式相似，此处不再赘述。[0059] 模型建立模块可以用于建立每个子区域对应的初始第一降尺度模型和初始第二降尺度模型。[0060] 初始第一降尺度模型可以为生成式对抗模型(GenerativeAdversarialNetworks，GAN)。[0061] 在一些实施例中，初始第一降尺度模型至少包括降尺度生成单元及升尺度生成单元。图3是根据本说明书一些实施例所示的降尺度生成单元的结构示意图，仅作为示例的，降尺度生成单元的结构可以如图3所示。[0062] 初始第二降尺度模型可以为长短时记忆网络(Longshort?termmemory，LSTM)模型。[0063] 模型训练模块可以用于基于目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个子区域对应的第一降尺度模型和第二降尺度模型。[0064] 在一些实施例中，模型训练模块基于目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个子区域对应的第一降尺度模型和第二降尺度模型，包括：[0065] 对于每个子区域，基于子区域与监测站点关联图谱，确定子区域关联的至少一个第一监测站点，基于监测站点关联图谱，确定每个第一监测站点关联的至少一个第二监测站点，基于子区域的历史空气质量指数、每个第一监测站点的历史数据和每个第二监测站点的历史数据，生成子区域对应的多个第一训练样本，使用子区域对应的多个第一训练样本对子区域对应的初始第一降尺度模型进行训练，生成子区域对应的第一降尺度模型。[0066] 具体的，第一训练样本可以包括每个第一监测站点在某个历史时间点的气象数据及空气质量指数和每个第二监测站点在该历史时间点的气象数据及空气质量指数，第一训练样本的标签为子区域在该历史时间点的历史空气质量指数。[0067] 图2是根据本说明书一些实施例所示的对子区域对应的初始第一降尺度模型进行训练的流程示意图，如图2所示，在一些实施例中，模型训练模块使用子区域对应的多个第一训练样本对子区域对应的初始第一降尺度模型进行训练，生成子区域对应的第一降尺度模型，包括：[0068] 降尺度生成单元基于第一训练样本包括的每个第一监测站点的气象数据及空气质量指数和每个第二监测站点的气象数据及空气质量指数，生成预测区域空气质量指数；[0069] 升尺度生成单元基于降尺度生成单元生成的区域空气质量指数和第一训练样本包括的每个第一监测站点的气象数据和每个第二监测站点的气象数据，生成每个第一监测站点的预测站点空气质量指数和每个第二监测站点的预测站点空气质量指数；[0070] 基于预测区域空气质量指数和第一训练样本包括的子区域的空气质量指数，计算降尺度损失，具体的，可以基于预测区域空气质量指数和第一训练样本包括的子区域的空气质量指数的差值，计算降尺度损失；[0071] 基于每个第一监测站点的预测站点空气质量指数、每个第二监测站点的预测站点空气质量指数、每个第一监测站点的空气质量指数和每个第二监测站点的空气质量指数，计算升尺度损失，具体的，可以基于每个第一监测站点的预测站点空气质量指数和空气质量指数的差值以及每个第二监测站点的预测站点空气质量指数和空气质量指数的差值，计算升尺度损失；[0072] 基于降尺度损失和升尺度损失，对降尺度生成单元及升尺度生成单元进行优化；[0073] 提取训练后的初始第一降尺度模型的降尺度生成单元作为子区域对应的第一降尺度模型。[0074] 数据爬取模块还可以用于定时爬取目标区域的空气质量监测站点的实时数据。[0075] 在一些实施例中，模型训练模块基于目标区域的空气质量监测站点的历史数据、监测站点关联图谱、子区域与监测站点关联图谱及子区域关联图谱，训练每个子区域对应的初始第一降尺度模型和初始第二降尺度模型，生成每个子区域对应的第一降尺度模型和第二降尺度模型，包括：[0076] 对于每个子区域，基于子区域关联图谱，确定子区域对应的至少一个关联子区域，基于子区域的历史空气质量指数及每个关联子区域的历史空气质量指数，生成子区域对应的多个第二训练样本，使用子区域对应的多个第二训练样本对子区域对应的初始第二降尺度模型进行训练，生成子区域对应的第二降尺度模型。[0077] 在一些实施例中，模型训练模块基于子区域的历史空气质量指数及每个关联子区域的历史空气质量指数，生成子区域对应的多个第二训练样本，包括：[0078] 获取子区域在多个连续的历史时间点的历史空气质量指数；[0079] 对于每个关联子区域，基于关联子区域在多个连续的历史时间点的历史空气质量指数，生成关联子区域对应的历史空气质量指数变化曲线；[0080] 基于每个关联子区域对应的历史空气质量指数变化曲线及子区域在多个连续的历史时间点的历史空气质量指数，生成子区域对应的第二训练样本。[0081] 具体的，第二训练样本可以包括每个关联子区域对应的历史空气质量指数变化曲线，第二训练样本的标签可以为子区域在该多个连续的历史时间点的历史空气质量指数。[0082] 在一些实施例中，模型训练模块使用子区域对应的多个第二训练样本对子区域对应的初始第二降尺度模型进行训练，包括：[0083] 对于第二训练样本包括的每条历史空气质量指数变化曲线，对历史空气质量指数变化曲线进行经验模态分解，生成历史空气质量指数变化曲线对应多个内涵模态分量及残差；[0084] 将子区域在多个连续的历史时间点的历史空气质量指数和每个历史空气质量指数变化曲线对应的多个内涵模态分量及残差输入至子区域对应的初始第二降尺度模型进行训练。[0085] 具体的，可以通过以下流程对历史空气质量指数变化曲线进行经验模态分解：[0086] 找到历史空气质量指数变化曲线的所有的极值点；[0087] 极值点拟合包络线，即对于所有极大值点，通过三次样条函数拟合出上包络线；同理，将所有极小值点拟合出下包络线；[0088] 计算均值包络线，即上、下包络线的均值；[0089] 历史空气质量指数变化曲线减去均值包络线，得到一个中间信号；[0090] 判断中间信号是否满足两个约束条件，如果满足则是一个内涵模态分量，不满足则返回反复迭代，其中，该约束条件包括：1、在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不能超过一个；2、在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称；[0091] 假设中间信号是分解出的第一个高频分量并记为内涵模态分量1，则均值包络线相对于内涵模态分量1是低频分量。然后将均值包络线当作原始信号继续分解得到下一个内涵模态分量，直至残余分量是单调函数或常量时，停止分解。[0092] 空气质量监控及预警模块可以用于通过每个子区域对应的第一降尺度模型基于目标区域的空气质量监测站点的实时数据、监测站点关联图谱及子区域与监测站点关联图谱，生成每个子区域对应的初始空气质量指数，还用于通过每个子区域对应的第二降尺度模型基于每个子区域对应的初始空气质量指数及子区域关联图谱，确定每个子区域对应的实时空气质量指数。[0093] 在一些实施例中，空气质量监控及预警模块通过每个子区域对应的第一降尺度模型基于目标区域的空气质量监测站点的实时数据、监测站点关联图谱及子区域与监测站点关联图谱，生成每个子区域对应的初始空气质量指数，包括：[0094] 对于每个子区域，通过子区域对应的第一降尺度模型基于每个第一监测站点的实时数据和每个第二监测站点的实时数据，生成子区域对应的初始空气质量指数。[0095] 在一些实施例中，空气质量监控及预警模块通过每个子区域对应的第二降尺度模型基于每个子区域对应的初始空气质量指数及子区域关联图谱，确定每个子区域对应的实时空气质量指数，包括：[0096] 对于每个子区域，获取子区域的关联子区域在多个实时监测点的对应的初始空气质量指数，生成关联子区域对应的实时空气质量指数变化曲线，对实时空气质量指数变化曲线进行经验模态分解，生成实时空气质量指数变化曲线对应多个内涵模态分量及残差，通过子区域对应的第二降尺度模型基于每条实时空气质量指数变化曲线对应多个内涵模态分量及残差，确定子区域对应的预测实时空气质量指数；[0097] 通过迭代优化算法基于每个子区域对应的预测实时空气质量指数确定全局最优解，生成每个子区域对应的实时空气质量指数，其中，迭代优化算法可以为梯度下降法。[0098] 在一些实施例中，空气质量监控及预警模块还可以将确定的每个子区域对应的实时空气质量指数推送至用户端。[0099] 最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

专利地区：广东

专利申请日期：2024-04-23

专利公开日期：2024-09-10

专利公告号：CN118245656B