用于大气污染的智能监测系统及其方法与流程

1.本技术涉及智能化监测技术领域，并且更具体地，涉及一种用于大气污染的智能监测系统及其方法。


背景技术：

2.大气污染监测是指对大气环境中的各类污染物进行系统监测和分析，以收集、整理和公布有关污染物种类、浓度、空间分布和时间变化等信息，从而了解大气污染状况及其影响，为制定和改进环境保护政策提供科学依据。
3.现阶段，针对化工园区废气排放的传统监测设备的监测形式主要为点式监测和被动监测。其监测因子种类较为单一，且由于设备处于地面固定位置，化工园区废气受气象条件影响形成的扩散导致传统监测方案不能对化工园区排放的废气进行全面的监测。
4.因此，期待一种优化的用于大气污染的监测方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于大气污染的智能监测系统及其方法，其获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据，以及，所述多个预定时间点的温度值、湿度值和风速值；采用基于深度学习的人工智能技术，挖掘温度值、湿度值和风速值的关联特征信息，基于此实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
6.第一方面，提供了一种用于大气污染的智能监测系统，其包括：
7.空气质量监测模块，用于获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；
8.气象参数监测模块，用于获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；
9.空气质量特征提取模块，用于将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；
10.结构化模块，用于将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；
11.气象环境特征提取模块，用于将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；
12.关联模块，用于对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及
13.监测结果生成模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。
14.在上述用于大气污染的智能监测系统中，所述空气质量特征提取模块，包括：第一
尺度特征提取单元，用于将所述空气质量时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度空气质量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二尺度特征提取单元，用于将所述空气质量时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度空气质量特征向量，其中，所述第二卷积层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量时序特征向量。
15.在上述用于大气污染的智能监测系统中，所述气象环境特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述环境参数全局特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述环境参数全局矩阵。
16.在上述用于大气污染的智能监测系统中，所述关联模块，包括：关联矩阵计算单元，用于计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；以及，优化单元，用于对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵。
17.在上述用于大气污染的智能监测系统中，所述关联矩阵计算单元，用于：以如下关联公式计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；其中，所述关联公式为：
[0018][0019]
其中，va表示所述空气质量时序特征向量，表示所述空气质量时序特征向量的转置向量，vc表示所述环境参数全局特征向量，mb表示所述初始解码特征矩阵，表示矩阵相乘。
[0020]
在上述用于大气污染的智能监测系统中，所述优化单元，用于：以如下优化公式对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵；其中，所述优化公式为：
[0021][0022]
其中，m是所述初始解码特征矩阵，m
t
是所述解码特征矩阵的转置矩阵，||m||2表示矩阵的二范数，||m||
*
表示矩阵的核范数n是矩阵的尺度，m
′
是所述解码特征矩阵，log表示以2为底的对数函数，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以所述数值为幂的自然指数函数值。
[0023]
在上述用于大气污染的智能监测系统中，所述监测结果生成模块，用于：使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值；其中，所述解码公式为：其中，md表示所述解码特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。
[0024]
第二方面，提供了一种用于大气污染的智能监测方法，其包括：
[0025]
获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；
[0026]
获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；
[0027]
将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；
[0028]
将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；
[0029]
将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；
[0030]
对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及
[0031]
将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。
[0032]
在上述用于大气污染的智能监测方法中，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量，包括：将所述空气质量时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度空气质量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；将所述空气质量时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度空气质量特征向量，其中，所述第二卷积层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量时序特征向量。
[0033]
在上述用于大气污染的智能监测方法中，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述环境参数全局特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述环境参数全局矩阵。
[0034]
与现有技术相比，本技术提供的用于大气污染的智能监测系统及其方法，其获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据，以及，所述多个预定时间点的温度值、湿度值和风速值；采用基于深度学习的人工智能技术，挖掘温度值、湿度值和风速值的关联特征信息，基于此实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
附图说明
[0035]
为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1为根据本技术实施例的用于大气污染的智能监测系统的应用场景图。
[0037]
图2为根据本技术实施例的用于大气污染的智能监测系统的框图。
[0038]
图3为根据本技术实施例的用于大气污染的智能监测系统中所述空气质量特征提取模块的框图。
[0039]
图4为根据本技术实施例的用于大气污染的智能监测系统中所述关联模块的框图。
[0040]
图5为根据本技术实施例的用于大气污染的智能监测方法的流程图。
[0041]
图6为根据本技术实施例的用于大气污染的智能监测方法的系统架构的示意图。
具体实施方式
[0042]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
[0043]
除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
[0044]
在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0045]
需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
[0046]
针对上述技术问题，本技术的技术构思为：综合采集多个预定时间点的空气质量数据、温度值、湿度值和风速值，以及使用深度学习和人工智能技术进行特征提取的编码，来实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
[0047]
具体地，在本技术的技术方案中，首先，获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据。也就是，通过所述多个预定时间点的空气质量数据来实时表征当前区域内的大气污染水平。
[0048]
同时，获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值来实时表征当前区域内的气象条件。应可以理解，温度会影响大气的稳定性和边界层高度，从而影响污染物的垂直扩散能力；湿度会影响污染物的化学反应和湿沉降过程，从而影响污染物的浓度和组成；风速会影响污染物的水平扩散能力，从而影响污染物的分布和范围。也就是说，温度、湿度和风速会影响废气的扩散、稀释和转化等过程，从而影响空气质量。
[0049]
考虑到空气质量随时间产生变化，并呈现一定的规律性，为了捕捉这种动态变化
特征，在本技术的技术方案中，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量。这里，所述时序特征提取器是一个卷积神经网络模型，它可以利用不同卷积层来捕捉空气质量数据中的不同时间跨度下的局部相关性。具体而言，通过使用具有滑动窗口的卷积核，可以考虑时间上相邻的数据点之间的关联信息，并将这些信息编码到特征向量中，其中，第一卷积层和第二卷积层由于使用具有不同尺度的卷积核，因此可以捕捉到不同时间跨度下的时间序列中的局部模式，从而提高对时间序列的理解。
[0050]
接着，将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵以将上述数据整合为一个全局矩阵，便于后续的特征提取和关联分析。
[0051]
然后，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量。也就是，使用所述作为过滤器的卷积神经网络模型来提取环境参数数据中的全局特征，即环境参数在整个化工园区范围内的分布和变化情况。这里，卷积神经网络模型可以利用卷积层来捕捉环境参数数据中的空间相关性和跨样本相关性。
[0052]
如前所述，空气质量的变化与气象参数之间存在关联性，在本技术的技术方案中，对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵，通过这样的方式可以增强数据的表现力和预测能力。
[0053]
继而，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。其中，所述解码器可以将所述解码特征矩阵通过解码回归为解码值。这样，能够实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
[0054]
这里，对于将所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码得到的所述解码特征矩阵来说，考虑到所述空气质量时序特征向量表达空气质量数据关联特征的时序分布，而所述环境参数全局特征向量则表示温度值、湿度值和风速值的样本-时序关联特征的模型通道分布，其无论数据类型和分布类型均存在差异，这就使得所述空气质量时序特征向量和所述环境参数全局特征向量的逐位置关联值会存在较大的分布差异，导致所述解码特征矩阵的特征分布较为离散，也就是，所述解码特征矩阵的各个局部的关联特征分布之间的关联性不足，影响所述解码特征矩阵通过解码器得到的解码值的准确性。
[0055]
基于此，在本技术的技术方案中，优选地首先对所述解码特征矩阵进行特征亲和性空间仿射学习以进行优化，表示为：
[0056][0057]
其中，m是所述解码特征矩阵，||m||2表示矩阵的二范数，即m
t
m的最大本征值，||m||
*
表示矩阵的核范数，即矩阵的本征值之和，且n是矩阵的尺度，即宽度乘以高度，m
′
是优化后的解码特征矩阵。
[0058]
这里，所述特征亲和性空间仿射学习通过对所述解码特征矩阵的关联特征分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于关联表征之间的亲和性
(affinity)稠密模拟来实现关联特征分布在全局矩阵特征分布的各个局部的(例如，逐特征值或者特征片段的)超分辨率(super-resolution)激活。这样，就可以提升所述优化后的解码特征矩阵m
′
的各个局部的关联特征分布之间的关联性，从而改进所述解码特征矩阵通过解码器得到的解码值的准确性。
[0059]
图1为根据本技术实施例的用于大气污染的智能监测系统的应用场景图。如图1所示，在该应用场景中，首先，获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据(例如，如图1中所示意的c1)，以及，获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值(例如，如图1中所示意的c2)、湿度值(例如，如图1中所示意的c3)和风速值(例如，如图1中所示意的c4)；然后，将获取的空气质量数据、温度值、湿度值和风速值输入至部署有用于大气污染的智能监测算法的服务器(例如，如图1中所示意的s)中，其中所述服务器能够基于用于大气污染的智能监测算法对所述空气质量数据、所述温度值、所述湿度值和所述风速值进行处理，以生成用于表示大气污染指数的解码值。
[0060]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0061]
在本技术的一个实施例中，图2为根据本技术实施例的用于大气污染的智能监测系统的框图。如图2所示，根据本技术实施例的用于大气污染的智能监测系统100，包括：空气质量监测模块110，用于获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；气象参数监测模块120，用于获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；空气质量特征提取模块130，用于将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；结构化模块140，用于将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；气象环境特征提取模块150，用于将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；关联模块160，用于对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及，监测结果生成模块170，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。
[0062]
具体地，在本技术实施例中，所述空气质量监测模块110和所述气象参数监测模块120，用于获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；以及，用于获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值。
[0063]
针对上述技术问题，本技术的技术构思为：综合采集多个预定时间点的空气质量数据、温度值、湿度值和风速值，以及使用深度学习和人工智能技术进行特征提取的编码，来实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
[0064]
具体地，在本技术的技术方案中，首先，获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据。也就是，通过所述多个预定时间点的空气质量数据来实时表征当前区域内的大气污染水平。
[0065]
同时，获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值来实时表征当前区域内的气象条件。应可以理解，温度会影响大气的稳定性和边界层高度，从而影响污染物的垂直扩散能力；湿度会影响污染物的化学反应和湿沉降过程，从而影响污染物的浓度和组成；风速会影响污染物的水平扩散能力，从而影响污染物的分布和范围。也就是说，温度、湿度和风速会影响废气的扩散、稀释和转化等过程，从而影响空气质量。
[0066]
具体地，在本技术实施例中，所述空气质量特征提取模块130，用于将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量。
[0067]
考虑到空气质量随时间产生变化，并呈现一定的规律性，为了捕捉这种动态变化特征，在本技术的技术方案中，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量。这里，所述时序特征提取器是一个卷积神经网络模型，它可以利用不同卷积层来捕捉空气质量数据中的不同时间跨度下的局部相关性。具体而言，通过使用具有滑动窗口的卷积核，可以考虑时间上相邻的数据点之间的关联信息，并将这些信息编码到特征向量中，其中，第一卷积层和第二卷积层由于使用具有不同尺度的卷积核，因此可以捕捉到不同时间跨度下的时间序列中的局部模式，从而提高对时间序列的理解。
[0068]
图3为根据本技术实施例的用于大气污染的智能监测系统中所述空气质量特征提取模块的框图，如图3所示，所述空气质量特征提取模块130，包括：第一尺度特征提取单元131，用于将所述空气质量时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度空气质量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二尺度特征提取单元132，用于将所述空气质量时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度空气质量特征向量，其中，所述第二卷积层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元133，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量时序特征向量。
[0069]
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
[0070]
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
[0071]
具体地，在本技术实施例中，所述结构化模块140，用于将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵。接着，将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵以将上述数据整合为一个全局矩阵，便于后续的特征提取和关联分析。
[0072]
具体地，在本技术实施例中，所述气象环境特征提取模块150，用于将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量。然后，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量。也就是，使用所述作为过滤器的卷积神经网络模型来提取环境参数数据中的全局特征，
即环境参数在整个化工园区范围内的分布和变化情况。这里，卷积神经网络模型可以利用卷积层来捕捉环境参数数据中的空间相关性和跨样本相关性。
[0073]
其中，所述气象环境特征提取模块150，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述环境参数全局特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述环境参数全局矩阵。
[0074]
卷积神经网络(convolutional neural network，cnn)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
[0075]
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
[0076]
具体地，在本技术实施例中，所述关联模块160，用于对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵。如前所述，空气质量的变化与气象参数之间存在关联性，在本技术的技术方案中，对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵，通过这样的方式可以增强数据的表现力和预测能力。
[0077]
图4为根据本技术实施例的用于大气污染的智能监测系统中所述关联模块的框图，如图4所示，所述关联模块160，包括：关联矩阵计算单元161，用于计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；以及，优化单元162，用于对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵。
[0078]
其中，所述关联矩阵计算单元161，用于：以如下关联公式计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；其中，所述关联公式为：
[0079][0080]
其中，va表示所述空气质量时序特征向量，表示所述空气质量时序特征向量的转置向量，vc表示所述环境参数全局特征向量，mb表示所述初始解码特征矩阵，表示矩阵相乘。
[0081]
这里，对于将所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码得到的所述解码特征矩阵来说，考虑到所述空气质量时序特征向量表达空气质量数据关联特征的时序分布，而所述环境参数全局特征向量则表示温度值、湿度值和风速值的样本-时序关联特征的模型通道分布，其无论数据类型和分布类型均存在差异，这就使得所述空气质量时序特征向量和所述环境参数全局特征向量的逐位置关联值会存在较大的分布
差异，导致所述解码特征矩阵的特征分布较为离散，也就是，所述解码特征矩阵的各个局部的关联特征分布之间的关联性不足，影响所述解码特征矩阵通过解码器得到的解码值的准确性。
[0082]
基于此，在本技术的技术方案中，优选地首先对所述解码特征矩阵进行特征亲和性空间仿射学习以进行优化，表示为：以如下优化公式对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵；其中，所述优化公式为：
[0083][0084]
其中，m是所述初始解码特征矩阵，m
t
是所述解码特征矩阵的转置矩阵，||m||2表示矩阵的二范数，||m||
*
表示矩阵的核范数n是矩阵的尺度，m
′
是所述解码特征矩阵，log表示以2为底的对数函数，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以所述数值为幂的自然指数函数值。
[0085]
这里，所述特征亲和性空间仿射学习通过对所述解码特征矩阵的关联特征分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于关联表征之间的亲和性(affinity)稠密模拟来实现关联特征分布在全局矩阵特征分布的各个局部的(例如，逐特征值或者特征片段的)超分辨率(super-resolution)激活。这样，就可以提升所述优化后的解码特征矩阵m
′
的各个局部的关联特征分布之间的关联性，从而改进所述解码特征矩阵通过解码器得到的解码值的准确性。
[0086]
具体地，在本技术实施例中，所述监测结果生成模块170，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。继而，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。其中，所述解码器可以将所述解码特征矩阵通过解码回归为解码值。这样，能够实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
[0087]
其中，所述监测结果生成模块170，用于：使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值；其中，所述解码公式为：解码特征矩阵进行解码回归以得到所述解码值；其中，所述解码公式为：其中，md表示所述解码特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。
[0088]
综上，基于本技术实施例的用于大气污染的智能监测系统100被阐明，其获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据，以及，所述多个预定时间点的温度值、湿度值和风速值；采用基于深度学习的人工智能技术，挖掘温度值、湿度值和风速值的关联特征信息，基于此实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。
[0089]
在本技术的一个实施例中，图5为根据本技术实施例的用于大气污染的智能监测方法的流程图。如图5所示，根据本技术实施例的用于大气污染的智能监测方法，其包括：210，获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；220，获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；230，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序
输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；240，将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；250，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；260，对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及，270，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。
[0090]
图6为根据本技术实施例的用于大气污染的智能监测方法的系统架构的示意图。如图6所示，在所述用于大气污染的智能监测方法的系统架构中，首先，获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；然后，获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；接着，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；然后，将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；接着，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；然后，对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及，最后，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。
[0091]
在一个具体示例中，在上述用于大气污染的智能监测方法中，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量，包括：将所述空气质量时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度空气质量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；将所述空气质量时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度空气质量特征向量，其中，所述第二卷积层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量时序特征向量。
[0092]
在一个具体示例中，在上述用于大气污染的智能监测方法中，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述环境参数全局特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述环境参数全局矩阵。
[0093]
在一个具体示例中，在上述用于大气污染的智能监测方法中，对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵，包括：计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；以及，对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵。
[0094]
在一个具体示例中，在上述用于大气污染的智能监测方法中，计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵，包括：
以如下关联公式计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；其中，所述关联公式为：
[0095][0096]
其中，va表示所述空气质量时序特征向量，表示所述空气质量时序特征向量的转置向量，vc表示所述环境参数全局特征向量，mb表示所述初始解码特征矩阵，表示矩阵相乘。
[0097]
在一个具体示例中，在上述用于大气污染的智能监测方法中，对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵，包括：以如下优化公式对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵；其中，所述优化公式为：
[0098][0099]
其中，m是所述初始解码特征矩阵，m
t
是所述解码特征矩阵的转置矩阵，||m||2表示矩阵的二范数，||m||
*
表示矩阵的核范数n是矩阵的尺度，m
′
是所述解码特征矩阵，log表示以2为底的对数函数，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以所述数值为幂的自然指数函数值。
[0100]
在一个具体示例中，在上述用于大气污染的智能监测方法中，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数，包括：使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值；其中，所述解码公式为：其中，md表示所述解码特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。
[0101]
本领域技术人员可以理解，上述用于大气污染的智能监测方法中的各个步骤的具体操作已经在上面参考图1到图4的用于大气污染的智能监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
[0102]
本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
[0103]
在本技术的一个实施例中，还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存储有执行上述所述方法的计算机程序。
[0104]
应可以理解，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0105]
本技术实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
[0108]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0109]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0110]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0111]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0112]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0113]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种用于大气污染的智能监测系统，其特征在于，包括：空气质量监测模块，用于获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；气象参数监测模块，用于获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；空气质量特征提取模块，用于将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；结构化模块，用于将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；气象环境特征提取模块，用于将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；关联模块，用于对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及监测结果生成模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。2.根据权利要求1所述的用于大气污染的智能监测系统，其特征在于，所述空气质量特征提取模块，包括：第一尺度特征提取单元，用于将所述空气质量时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度空气质量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二尺度特征提取单元，用于将所述空气质量时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度空气质量特征向量，其中，所述第二卷积层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及级联单元，用于将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量时序特征向量。3.根据权利要求2所述的用于大气污染的智能监测系统，其特征在于，所述气象环境特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述环境参数全局特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述环境参数全局矩阵。4.根据权利要求3所述的用于大气污染的智能监测系统，其特征在于，所述关联模块，包括：关联矩阵计算单元，用于计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；以及优化单元，用于对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解
码特征矩阵。5.根据权利要求4所述的用于大气污染的智能监测系统，其特征在于，所述关联矩阵计算单元，用于：以如下关联公式计算所述空气质量时序特征向量和所述环境参数全局特征向量的关联矩阵以得到初始解码特征矩阵；其中，所述关联公式为：其中，v
a
表示所述空气质量时序特征向量，表示所述空气质量时序特征向量的转置向量，v
c
表示所述环境参数全局特征向量，m
b
表示所述初始解码特征矩阵，表示矩阵相乘。6.根据权利要求5所述的用于大气污染的智能监测系统，其特征在于，所述优化单元，用于：以如下优化公式对所述初始解码特征矩阵进行特征亲和性空间仿射学习以得到所述解码特征矩阵；其中，所述优化公式为：其中，m是所述初始解码特征矩阵，m
t
是所述解码特征矩阵的转置矩阵，||m||2表示矩阵的二范数，||m||
*
表示矩阵的核范数n是矩阵的尺度，m
′
是所述解码特征矩阵，log表示以2为底的对数函数，exp(
·
)表示矩阵的指数运算，所述矩阵的指数运算表示计算以所述数值为幂的自然指数函数值。7.根据权利要求6所述的用于大气污染的智能监测系统，其特征在于，所述监测结果生成模块，用于：使用所述解码器以如下解码公式对所述解码特征矩阵进行解码回归以得到所述解码值；其中，所述解码公式为：其中，m
d
表示所述解码特征矩阵，y表示解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。8.一种用于大气污染的智能监测方法，其特征在于，包括：获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据；获取由温度传感器、湿度传感器和风速传感器采集的所述多个预定时间点的温度值、湿度值和风速值；将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积层和第二卷积层的时序特征提取器以得到空气质量时序特征向量；将所述多个预定时间点的温度值、湿度值和风速值按照时间维度和样本维度排列为环境参数全局矩阵；将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量；对所述空气质量时序特征向量和所述环境参数全局特征向量进行关联编码以得到解码特征矩阵；以及将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示大气污染指数。9.根据权利要求8所述的用于大气污染的智能监测方法，其特征在于，将所述多个预定时间点的空气质量数据按照时间维度排列为空气质量时序输入向量后通过包含第一卷积
层和第二卷积层的时序特征提取器以得到空气质量时序特征向量，包括：将所述空气质量时序输入向量输入所述时序特征提取器的第一卷积层以得到第一尺度空气质量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；将所述空气质量时序输入向量输入所述时序特征提取器的第二卷积层以得到第二尺度空气质量特征向量，其中，所述第二卷积层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及将所述第一尺度空气质量特征向量和所述第二尺度空气质量特征向量进行级联以得到所述空气质量时序特征向量。10.根据权利要求9所述的用于大气污染的智能监测方法，其特征在于，将所述环境参数全局矩阵通过作为过滤器的卷积神经网络模型以得到环境参数全局特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述环境参数全局特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述环境参数全局矩阵。

技术总结
一种用于大气污染的智能监测系统及其方法，其获取由空气质量传感器采集的预定时间段内多个预定时间点的空气质量数据，以及，所述多个预定时间点的温度值、湿度值和风速值；采用基于深度学习的人工智能技术，挖掘温度值、湿度值和风速值的关联特征信息，基于此实现对化工园区排放废气的多因素监测，从而能够更加全面地了解大气污染状况及其影响。全面地了解大气污染状况及其影响。全面地了解大气污染状况及其影响。


技术研发人员：文祥 文乐为 陈建国 吴建鑫 刘湘
受保护的技术使用者：湖南省三联环保科技有限公司
技术研发日：2023.04.28
技术公布日：2023/8/13