[发明专利]使用多个数据源的空气质量推断

说明书

背景

关于城市空气质量的信息(诸如SO₂和NO₂的浓度)在保护人类健康和控制空气污染方面起作用。空气质量在各城市空间中可有很大地不同，因为空气质量受多种因素影响，诸如气象状态、汽车流量和模式以及不同区域中的土地使用。例如，工业和商业区往往比居民区生成更多的空气污染。由此，监测城市环境中的空气质量可能需要大量分布在城市环境各处的空气质量监测站。

然而，设置足够数目的空气质量监测站存在许多障碍。一个障碍是构建这些站的成本以及永久地安置和维护这些空气质量监测站的成本。另一个障碍是城市环境中有限的土地可用于构造这样的空气质量监测站。例如，获得用于构造空气质量监测站的土地可能由于对该土地的现有使用而过于昂贵或可不行。附加的障碍可能是与空气质量监测站的操作相关联的环境成本量。尽管单个空气质量监测站的能耗可能很小，但操作空气质量监测站网络可消耗相对较大量的能量，并由此可能正好对使空气质量降级的污染有贡献。

概述

本文中描述了用于基于来自现有空气质量监测站的历史和实时空气质量数据以及来自其他数据源的空间和时间数据来推断针对某地区中的各区域的空气质量信息的技术。其他数据源可提供气象数据、交通流量数据、人类移动数据、道路结构数据、和/或兴趣点数据等等。

这些技术可基于训练两个分开的分类器(诸如，空间分类器和时间分类器)的协同训练框架来使用半监督学习方法。空间分类器可将空间上相关的特征(例如，兴趣点的密度、道路长度等)取为输入以对不同区域处的空气质量之间的空间相关性进行分类。时间分类器可使用时间上相关的特征(诸如交通流量数据和气象数据)来发现不同区域处的空气质量的时间依赖性。

协同训练框架可生成推断模型(即分类器)，其被用于基于从小量区域的测得的空气质量数据的有限集合来对附加区域的空气质量进行插值。这些模型可被用来基于来自现有空气质量监测站的实时空气质量数据和其他形式的收集的空间或时间数据来推断附加区域的空气质量。

在至少一个实施例中，可从一个或多个空气质量监测站获得针对某地区中的某污染物的标记的空气质量指数数据。可从针对该地区的空间上相关的数据中提取针对该地区的空间特征。空间上相关的数据可包括关于该地区中的固定基础设施的信息。同样，可从针对该地区的随时间改变的时间上相关的数据中提取针对该地区的时间特征。基于协同训练的学习框架可至少基于标记的空气质量指数数据、针对该地区的空间特征以及针对该地区的时间特征来被应用以协同训练空间分类器和时间分类器。

因此，这些技术可为多个区域提供空气质量数据(诸如针对特定污染物的空气质量指数)，而无需在那些区域安装附加的空气质量监测站。这种对构建空气质量站的必要性的减少或消除可提供货币和能量节省。此外，这些技术可被用来确定将来要建立空气质量监测站的区域，诸如在这些技术预测比预期空气质量差的区域中将要建立空气质量监测站。

提供本发明内容是为了以简化的形式介绍将在以下具体实施例中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。

附图简述

参考附图来描述具体实施方式。在附图中，附图标记最左边的数字标识该附图标记首次出现的附图。在不同的附图中使用相同的附图标记来指示相似或相同的项。

图1是示出用于使用空间和时间分类器来基于多个数据源推断某地区中的多个区域的空气质量指数的示例方案的框图。

图2是示出支持基于多个数据源来推断某地区中的多个区域的空气质量指数的计算设备的示例组件的说明性示图。

图3是示出用于实现基于多个数据源来推断某地区中的多个区域的空气质量指数的操作原理的示意图。

图4是示出有助于标识出某地区中用于空气质量监测站安装的各区域的偏差的3维网格空间的示意图。

图5是示出用于训练时间分类器和空间分类器的示例过程的流程图，该时间分类器和空间分类器被用来基于多个数据源来推断某地区中某污染物的质量指数。

图6是示出用于使用时间分类器和空间分类器来基于多个数据源推断某区域中某污染物的空气质量指数的示例过程的流程图。

图7是示出用于使用所获得的各污染物的空气质量指数水平和各污染物的线性插值水平之间的偏差来确定用于空气质量监测站安装的可能区域的示例过程的流程图。

详细描述