CN114581278B 基于智能路灯的大气污染物溯源排查方法、终端及系统 （同济大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114581278B(45)授权公告日2025.07.08

(21)申请号202210208991.7

(22)申请日2022.03.03

(65)同一申请的已公布的文献号申请公布号CN114581278A

(43)申请公布日2022.06.03

(73)专利权人同济大学

地址200092上海市杨浦区四平路1239号

(72)发明人朱忠攀杨瀚霖何斌陆萍

王志鹏

GO6N20/20(2019.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)G01N33/00(2006.01)

(56)对比文件

WO2021093275WO2021179838审查员徐颖

A1,2021.05.20

A1,2021.09.16

(74)专利代理机构上海诺衣知识产权代理事务

所(普通合伙)31298专利代理师刘艳芝

(51)Int.CI.

GO6Q50/26(2024.01)

GO6Q10/04(2023.01)权利要求书2页说明书7页附图1页

(54)发明名称

基于智能路灯的大气污染物溯源排查方法、终端及系统

(57)摘要

CN114581278B本发明公开了基于智能路灯的大气污染物溯源排查方法、终端及系统，包括智慧灯杆感知模块、5G传输模块、模型推算模块、GIS可视化平台。智慧灯杆感知模块包括各类传感器，用于采集耦合经纬度坐标的大气污染传感信息；5G传输模块包括部署在智慧灯杆的通讯基站、同步时钟源与智能网关，用于传输统一时间戳的大气污染传感信息与经纬度坐标信息；模型推算模块用于构建基本风场模型；通过监测数据拟合污染物范围模型；推算污染物扩散中心；GIS可视化平台用于直观输出污染源三维位置。该自动检测算法可用于化工园区、公园、社区等不同场所的环境检

CN114581278B

超

55传造速

出

CN114581278B权利要求书1/2页

2

1.一种基于智能路灯的大气污染物溯源排查方法，其特征在于：包括如下步骤：

步骤1、应用安装在智慧灯杆上的感知模块获取每个智慧灯杆周围的各类传感器数据，并赋予以时间戳和位置戳，构建基于智慧灯杆的分布式感知网络；

步骤2、每个智慧灯杆构建原始卷积神经网络模型，结合自身传感器数据对各自灯杆的卷积神经网络模型进行深度学习；

步骤3、应用基于深度学习的高斯修正模型对邻居智慧灯杆的传感器数据进行预测，获取并输出周边大气浓度及污染源预测信息；所述基于深度学习的高斯修正模型的具体表示如下：

R=(b,V,C),其中，R:为智慧灯杆D?与污染物扩散中心的相对距离，b=(V.,H?,f)是基于深度学习的高斯修正模型内参数，V为智慧灯杆D检测的风速，H为智慧灯杆D检测的湿度，f为是否降雨，C.;为智慧灯杆D检测的第j种污染物浓度，i、j均为正整数；

根据如下公式计算单位时间内污染物排放量Q:

其中，V为排放口处平均风速，σ,为横向扩散系数，o?为垂直扩散系数，y为污染物扩散中心到下风方向的最近的灯杆的水平距离，z为y所要求的灯杆的离地高度，H为污染物扩散中心的高度；

步骤4、根据邻居传感器数据值更新自身卷积神经网络模型的训练权值，应用当前自身传感器数据对各自的卷积神经网络模型进行训练，并更新基于深度学习的高斯修正模型的内参数；

步骤5、重复执行步骤3至步骤4;根据多个污染源预测信息，构建联邦学习神经网络模型，对智慧灯杆覆盖范围污染源进行全局搜索，确定最终污染源位置，并向各智慧灯杆的卷积神经网络模型反馈结果。

2.根据权利要求1所述的基于智能路灯的大气污染物溯源排查方法，其特征在于：所述传感器数据包括但不限于位置、时间、风速、风向、降雨、空气湿度、各类污染物浓度。

3.根据权利要求1所述的基于智能路灯的大气污染物溯源排查方法，其特征在于：所述基于深度学习的高斯修正模型内参数b的初始值为历史大数据收集，训练过程中为动态更新的值，根据邻居传感器数据计算获取，并且在每完成一轮训练后，均获取距离最近的至少3个智慧灯杆的当前传感器数据进行验证。

4.一种基于智能路灯的大气污染物溯源排查终端，其特征在于：包括数据处理模块和通讯模块，所述数据处