一种低碳城市群生态环境监控方法和系统

技术领域

本发明属于环境监控技术领域，尤其涉及一种低碳城市群生态环境监控方法和系统。

背景技术

城市群大数据实时监测是智慧城市建设的基础，也是实现城市精细化环境治理的重要途径。通过气候环境以及二氧化碳等温室气体数据的收集与实时监测可以及时反馈城市气候环境突发问题，深度挖掘二氧化碳温室气体排放的潜在环境问题，长期监控碳排情况及气候环境状况以实现节能减排的发展目标。目前急迫需要一种对城市群进行生态环境监控方法，可以实现低碳目标。

发明内容

本发明要解决的技术问题是，提供一种低碳城市群生态环境监控方法和系统，能够与城市网格化治理相结合，因地制宜灵活进行大数据监测，实现低碳目标，并从精细化途径改善人居环境质量。

为实现上述目的，本发明采用如下的技术方案：

一种低碳城市群生态环境监控方法，包括以下步骤：

步骤S1、获取城市指定区域内传感器获得的历史移动测量数据；

步骤S2、根据历史移动测量数据训练低碳生态环境分析模型；

步骤S2、将城市指定区域内实时移动测量数据输入到低碳生态环境分析模型进行环境监控。

作为优选，步骤S1中还包括：对历史移动测量数据进行校正；步骤S2中，根据校正后的历史移动测量数据训练低碳生态环境分析模型。

作为优选，所述历史移动测量数据的指标包括：温室气体、二氧化碳、噪声、太阳辐射、空气温度、相对湿度、风速、粉尘。

作为优选，低碳生态环境分析模型为基于PSO-BP神经网络模型的多维参数预测模型。

本发明提供一种低碳城市群生态环境监控系统，包括：

获取装置，用于获取城市指定区域内传感器获得的历史移动测量数据；

训练装置，用于根据历史移动测量数据训练低碳生态环境分析模型；

监控装置，用于将城市指定区域内实时移动测量数据输入到低碳生态环境分析模型进行环境监控。

作为优选，还包括：校正装置，用于对历史移动测量数据进行校正；训练装置根据校正后的历史移动测量数据训练低碳生态环境分析模型。

作为优选，所述历史移动测量数据的指标包括：温室气体、二氧化碳、噪声、太阳辐射、空气温度、相对湿度、风速、粉尘。

作为优选，低碳生态环境分析模型为基于PSO-BP神经网络模型的多维参数预测模型。

本发明获取城市指定区域内传感器获得的历史移动测量数据；根据历史移动测量数据训练低碳生态环境分析模型；将城市指定区域的实时移动测量数据输入到低碳生态环境分析模型进行环境监控。采用本发明的技术方案，能够与城市网格化治理相结合，因地制宜灵活进行大数据监测，实现低碳目标，并从精细化途径改善人居环境质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例使用附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，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。

图1为本发明实施例低碳城市群生态环境监控方法的流程图；

图2为本发明实施例低碳城市群生态环境监控系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施实例，而不是全部的实施实例。基于本发明中的实施实例，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实例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

如图1所示，本发明实施例提供一种低碳城市群生态环境监控方法，包括以下步骤：

步骤S1、获取城市指定区域内传感器获得的历史移动测量数据；

步骤S2、根据历史移动测量数据训练低碳生态环境分析模型；

步骤S2、将城市指定区域内实时移动测量数据输入到低碳生态环境分析模型进行环境监控。

作为本发明实施例的一种实施方式，步骤S1中还包括：对历史移动测量数据进行校正；步骤S2中，根据校正后的历史移动测量数据训练低碳生态环境分析模型。

对历史移动测量数据进行校正具体为：对历史移动测量数据进行时空同步性矫正，来矫正数据测量中产生的误差，借助残差Auto-Regressive模型对移动测量的数据进行反向修正，使移动测量数据统一到同一个基准时刻。

作为本发明实施例的一种实施方式，所述历史移动测量数据的指标包括：温室气体、二氧化碳、噪声、太阳辐射、空气温度、相对湿度、风速、粉尘。

作为本发明实施例的一种实施方式，低碳生态环境分析模型为基于PSO-BP神经网络模型的多维参数预测模型，包含：PSO神经网络和BP神经网络，所述PSO神经网络包括隐含层和输出层，所述隐含层包括BP神经网络，PSO神经网络与BP神经网络并行。

训练过程:对预处理后的数据，按照8:2的比例划分模型训练集与模型测试集，然后以训练样本对效能预测模型，即多维参数预测模型进行训练；对多维参数预测模型相关参数进行调试，并根据模型评价指标对训练后的多维参数预测模型进行优劣进行评判，直到得到最优的多维参数预测模型。

本发明进一步可采用可决系数R2和均方误差MSE(mean squarederror)对模型的训练和测试结果进行评价，得到最优的多维参数预测模型。

实施例2：

如图2所示，本发明实施例还提供一种低碳城市群生态环境监控系统，包括：

获取装置，用于获取城市指定区域内传感器获得的历史移动测量数据；

训练装置，用于根据历史移动测量数据训练低碳生态环境分析模型；

监控装置，用于将城市指定区域内实时移动测量数据输入到低碳生态环境分析模型进行环境监控。

作为本发明实施的一种实施方式，还包括：校正装置，用于对历史移动测量数据进行校正；训练装置根据校正后的历史移动测量数据训练低碳生态环境分析模型。

对历史移动测量数据进行校正具体为：对历史移动测量数据进行时空同步性矫正，来矫正数据测量中产生的误差，借助残差Auto-Regressive模型对移动测量的数据进行反向修正，使移动测量数据统一到同一个基准时刻。

作为本发明实施的一种实施方式，所述历史移动测量数据的指标包括：温室气体、二氧化碳、噪声、太阳辐射、空气温度、相对湿度、风速、粉尘。

作为本发明实施的一种实施方式，低碳生态环境分析模型为基于PSO-BP神经网络模型的多维参数预测模型。

作为本发明实施例的一种实施方式，低碳生态环境分析模型为基于PSO-BP神经网络模型的多维参数预测模型，包含：PSO神经网络和BP神经网络，所述PSO神经网络包括隐含层和输出层，所述隐含层包括BP神经网络，PSO神经网络与BP神经网络并行。

训练过程:对预处理后的数据，按照8:2的比例划分模型训练集与模型测试集，然后以训练样本对效能预测模型，即多维参数预测模型进行训练；对多维参数预测模型相关参数进行调试，并根据模型评价指标对训练后的多维参数预测模型进行优劣进行评判，直到得到最优的多维参数预测模型。

本发明进一步可采用可决系数R2和均方误差MSE(mean squarederror)对模型的训练和测试结果进行评价，得到最优的多维参数预测模型。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。