一種智能型路側交通空氣汙染監測系統的製作方法

2023-12-11 13:41:42 5

本發明涉及交通信息智能化集成領域，具體涉及一種智能型路側交通空氣汙染監測系統，用於城市路側環境下交通汙染監測。

背景技術：

隨著人民生活水平的改善，出於健康的需求人們對於空氣品質的要求越來越高。特別是對於出行人群的需求更為突出，例如知曉出行路線的真實空氣汙染狀態，獲得更小範圍的準確空氣汙染預報等。

從研究的角度，由於缺乏長期針對性的監測，交通汙染對出行人群的健康影響仍難以量化。目前，以建立空氣汙染監測站為主的監測是最常見的空氣汙染監測方式。空氣汙染監測主要運用重量法以及大氣飄塵濃度測定方法檢測顆粒物，利用Saltzman法測量二氧化氮，利用紫外光度法測定臭氧，利用分光光度法測定二氧化硫，利用紅外法測定一氧化碳等，通過以上測量可以得到較精確的汙染物濃度或者數值。但是這些方法大都難以做到可攜式集成，而建設和維護空氣品質監測站成本高且不能移動，不利於交通汙染監測。

目前還存在的以遙感為主的監測方式，主要利用光學成像系統遠距離探測大區域內顆粒物的形成、轉移等情況。該方法屬於大範圍顆粒物監測，受制於遙感設備的解析度，不適合做小區域空氣汙染以及不可見氣體汙染的監測。

可攜式空氣汙染監測儀器具備靈活易用的特點，然而傳統的空氣品質監測儀忽視了對實時交通流率，車型比例等交通參數的採集以及更深層次的交通狀態挖掘。此外進行交通汙染監測往往要考慮溫溼度、風向、風力等氣象因素。因而，現有的空氣汙染監測系統在交通源空氣汙染監測過程中針對性不足。

技術實現要素：

本發明的目的是在傳統空氣汙染監測系統的基礎上進行交通信息智能化集成與融合，形成集空氣品質綜合監測、交通信息採集、信息發布等功能在內的具有專業監測能力的綜合性交通汙染監測儀系統。

本發明提供的智能型路側交通空氣汙染監測系統，包括伺服器端、用戶端和設置在路側的設備終端。

所述的設備終端上設置太陽能電池供電，設備終端中包括控制單元、交通參數採集子系統、空氣品質監測子系統、氣象監測子系統和遠程管理子系統。所述的控制單元在設備終端與伺服器端連接成功後，在每個時間周期內採集各子系統的輸出數據並上傳給伺服器端，控制單元通過遠程管理子系統與伺服器端通信。交通參數採集子系統輸出交通流率、車型比例以及交通擁堵指數(車輛排隊長度)給控制單元。空氣品質監測子系統輸出顆粒物的濃度值和有害氣體(NO2、CO、SO2、O3)的濃度值給控制單元。氣象監測子系統輸出風速值、風向值、溫度值和相對溼度值給控制單元。

伺服器端上運行實時管理監測平臺，同步接收各設備終端發回的數據，在用戶端請求提供智慧出行路線時，基於實時的空氣品質數據提供智慧出行路線。

所述的用戶端從伺服器端獲取當前道路的監測數據以及智慧出行路線。

所述的交通參數採集子系統包括交通監控攝像頭和DSP圖像處理器，對捕捉的交通視頻信號處理，進行車輛識別，計算交通流率和車型比例值，並進而對交叉口車輛排隊長度進行預測，並將預測結果發送給控制單元。

所述的空氣品質監測子系統包含氣體模塊和顆粒物模塊，其中氣體模塊使用4個電化學傳感器，分別探測NO2，CO，SO2，O3的濃度值，顆粒物模塊使用顆粒物傳感器，測量PM2.5和PM10的濃度值。

所述的氣象監測子系統包括風向風速傳感器以及DHT22溫溼度傳感器。風向風速傳感器測量風向值和風速值，DHT22溫溼度傳感器測量溫度值和相對溼度值。

所述的設備終端，布置於城市道路的各個交叉口。

所述的伺服器端，對各設備終端發送來的空氣品質數據，運用馬爾可夫鏈預測下一時刻各設備終端所在位置節點的空氣品質。

所述的伺服器端提供智慧出行路線的方法是：在各交叉口布置設備終端後，每個設備終端作為一個節點。首先預測各節點在下一時刻的空氣品質，並確定各節點的權值；第i個節點的權值其中M為節點個數，gi為第i個節點處的空氣品質狀態值。然後，將各個節點的權值作為最短路徑算法的輸入，根據用戶的當前位置和目標位置，計算出一條或多條空氣汙染最小的出行路線。

本發明的優點與積極效果在於：

(1)本發明系統在考慮空氣汙染監測的基礎上增加了氣象參數的輔助監測，並同時採集交通數據，在監測方式上與傳統空氣監測系統相比，對交通汙染的監測更具針對性，可規劃出基於空氣汙染狀態數據的最優出行路線。

(2)通過搭建從設備終端到遠程管理的各個子系統，形成了從數據採集至信息發布的一體化架構，並在各個子系統一系列採集功能的基礎上產生了基於交通汙染狀態的用戶出行推薦功能，與傳統的監測系統相比，交通信息智能化的水平有所提高。

(3)將交通流量統計、車型比例識別、空氣汙染水平計算一系列數據層處理方法寫入嵌入式終端，使得終端可以直接輸出更為抽象的信息，提高了交通信息的集成化水平。

附圖說明

圖1為本發明的智能型路側交通空氣汙染監測系統的總體結構示意圖；

圖2為本發明的設備終端的結構示意圖；

圖3為多重交通波演化軌跡示意圖；

圖4為需要採用最短路徑規劃空氣汙染最小的出行路線的一個示例圖；

圖5為本發明的設備終端的控制箱內部的結構示意圖；

圖6為本發明的設備終端的一個實物示例圖；

圖7為本發明的設備終端的固定安裝在路側的一個示意圖。

具體實施方式

下面將結合附圖和實施例對本發明作進一步的詳細說明。

本發明是一種綜合式智能型在線交通空氣汙染監測系統，如圖1所示，整體包括設備終端1、伺服器端2及用戶端3。

設備終端1搭配太陽能電池系統作為戶外供電方式，以實現長期運行。設備終端1主要包括有控制單元11、交通參數採集子系統12、空氣品質監測子系統13、氣象監測子系統14和遠程管理子系統15，如圖2所示。控制單元11開機後進行設備初始化，初始化正常則通過遠程管理子系統15向伺服器端發送連接請求指令，伺服器端2接收到連接請求指令後向設備終端1發送一組數字代表連接成功。此後，設備終端1在每個時間周期內，例如45秒，發送一次數據至伺服器。如果初始化失敗，控制單元11將向伺服器端2發送一組錯誤代碼。控制單元11在初始化完成後，首先向伺服器端2依次發送的數據包括有交通流率值、車型比例值、風向值、風速值、溫度值、相對溼度值、顆粒物的濃度值以及有害氣體的濃度值。顆粒物包括PM2.5和PM10，有害氣體是指NO2、CO、SO2和O3。

本發明實施例中，控制單元11選用ARM架構的STM32F107晶片結合DSP信號處理器DM642組成。交通參數採集子系統12使用微型的交通監控攝像頭，併集成DSP圖像處理器實現。

交通參數採集子系統12通過微型的交通監控攝像頭進行視頻信號捕捉，使用DSP圖像處理器對車輛進行識別，計算交通流率和車型比例值，並對交叉口車輛排隊長度進行預測。

交通參數採集子系統12採用嵌入式車輛識別算法，運用高斯背景建模獲取運動目標。設一幀圖像中點坐標(x,y)處的灰度值為該點坐標(x,y)處的灰度值的均值為un(x,y)，標準差為σn(x,y)，則當滿足時，該像素點(x,y)被認為是運動目標點，其中，k為經驗值。在圖像指定位置設置R*U塊虛擬檢測區，使用塊匹配算法作為運動估計算法檢測虛擬檢測區中心點速度，以此判斷出運動目標，R、U均為正整數。確定MSE匹配準則如下：

其中，MSE為求最小均方誤差，設某運動目標點在當前幀的坐標為(m,n)，在上一幀的坐標為(m+p,n+q)，p,q分別表示相對點(m,n)在橫縱坐標軸上的位移，fk(m,n)為當前幀在點(m,n)處像素的灰度值，fk-1(m+p,n+q)為上一幀在點(m+p,n+q)處像素的灰度值。

通過運動目標識別和速度計算交通流率和車型比例值，並通過交通波理論來對交叉口車輛排隊長度進行預測。下面結合圖3說明本發明排隊長度預測功能的實現。

交通波中，設變化前的流率、密度和速度分別為q1,k1,u1，變化後的流率、密度和速度分別為q2,k2,u2，則交通流傳播速度

首先，假設交通波全部消散，在接下來的紅燈期間，車輛被迫在停車線前停止。因此到達車輛和停止車輛形成了兩組流率不同的車隊。這兩組狀態不同的車隊在相交處就形成了排隊波，排隊波傳播速度v1可表達為下式：

其中，0和kj代表堵塞流率和密度；和為第n個周期的平均到達流率和密度；圖3中和分別代表第n個周期有效綠燈的開始和結束時間。

排隊波以v1持續向上遊傳播，當該方向的紅燈結束、綠燈開始時排隊車輛開始以飽和通行流率消散，假設下遊沒有堵塞，同時形成消散波以速度v2沿停車線向上遊延伸。

式中，qm和km為飽和通行車輛的流率和密度。

消散波的v2通常高於速度v1，所以兩波會在相遇，此時達到最大排隊長度。兩波一旦相遇，會形成第三個波向停車線以速度v3傳播。

在當前信號周期結束、下個周期紅燈開始時，如果隊列仍不能完全消散，將會形成滯留隊列並形成第4個交通波沿著停車線以速度v4向上遊移動。

第4個交通波描述的是排隊的壓縮過程。v3和v4的移動方向相反，因此會在時刻相遇，此時為最小排隊長度，即滯留隊列長度。兩波相遇時將形成下一周期中的排隊波，向上遊移動的波速v5與v1相似，如此往復循環。

其中，和分別代表第n+1個周期的平均到達流率和密度。

排隊長度的變化具有很強的周期規律性，所以根據圖像數據識別出點A、點B和點C，那麼即使沒有整個到達車輛的流量信息，整個周期內的排隊和消散過程也可以推出，從而得到最大排隊長度(點H)和滯留排隊長度(點D)。

轉折點A、B、C通過邏輯判斷得到對應具體時間TA，TB，TC，如下過程：

A點可用於判斷排隊車輛是否越過排隊檢測器。TA時刻之後，攝像頭設置虛擬檢測區會在較長時間內被車輛佔用，設置當時間之後，如果檢測區佔用時間大於3秒，表示點A存在。

B點表示消散波向後傳播到達排隊檢測器的時刻，綠燈開始後到TB時刻之前交通流率為0，檢測區佔用時間大於3秒，TB時刻之後檢測區佔用時間小於3秒。

C點表明TC時刻隊列中末端車輛通過檢測區。TC時刻之前，交通狀態為飽和狀態(qm，km)，TC時刻之後向到達流狀態過渡。通過設置車間時距ΔT和車間時距的方差Dt來判斷C點出現的時刻。ΔT常設為2.5秒，Dt為經驗閾值。當車間時距變大超過且連續三次超過時間間隔ΔT時，此時如果車頭時距的方差Dt也明顯增大，則判斷C點存在。

要計算最大排隊長度、滯留隊列長度，首先應先計算v2和v3；由飽和流率qm，飽和密度km，堵塞密度kj已知，v2可由交通波計算公式得出；v3可以通過得到，而未知，所以先通過下式計算出平均速度us、平均流率q及交通密度K。

其中，ui為車速，Le為有效車長，是車長和檢測區長度總和；to,i和tg,j分別為車輛經過虛擬檢測區的佔用時間和間隔時間；此處N為車輛總數。此處使用不同時間段的數據計算得到的交通狀態是不同的，使用發生在TB和TC之間的數據計算可以實時更新常數qm，km；使用TC時刻之後(之前)的數據計算得到和進而得到v3。

計算出v2和v3後，任何周期n內的最大排隊長度和達到最大排隊長度時刻

其中，Ld表示設置的虛擬檢測區的中心點到停車線的距離。

同樣，滯留隊列長度和相應時刻可以用下式計算得到：

其中，v4為交通波的速度，與v2波速的數值相同。

空氣品質監測子系統13包含氣體檢測單元和顆粒物檢測器。氣體檢測單元中使用電化學傳感器配置可調速空氣採樣泵和PEFE(聚四氟乙烯)過濾裝置，氣體經過物理過濾後以某流速流經傳感器檢測區域。氣體檢測單元將濃度信號轉化為電壓信號，經由24位高精度AD採集模塊採集到差分電壓值，通過公式C13＝(A13+Z2-Z1)/Se計算得到濃度值；其中，C13為濃度值，A13為測量的差分電壓值，Z2為工作電極偏移電壓，Z1為輔助電極偏移電壓，Se為靈敏度。氣體檢測單元共使用4個電化學傳感器，分別為探測NO2，CO，SO2，O3的濃度值。每個傳感器需要單獨校準，獲得其中Z1、Z2和Se的值。顆粒物信息採集則使用雷射散射原理的顆粒物傳感器。顆粒物檢測器通過對輸出PWM信號頻率和脈寬進行標定，獲取PM2.5、PM10兩種參數的濃度數值並多次累計求取平均值。最後空氣品質監測子系統13將NO2、CO、SO2、O3、PM2.5和PM10六種參數的濃度值發送給控制單元11。

氣象監測子系統14包括物理風向風速傳感器以及DHT22溫溼度傳感器等模塊。物理風向風速傳感器中，將採集的原始AD值轉換為標定後的角度值作為風向值，風向值為0到360度，將脈衝頻率標定為風速值，單位為米/秒。DHT22測量溫度值(攝氏度)和相對溼度值。氣象監測子系統14通過控制單元11向伺服器端12上傳風速值、風向值、溫度值和相對溼度值。

遠程管理子系統15包括GPS模塊和GPRS模塊。GPS模塊負責授時、定位以解決多臺設備在數據上傳中的同步問題。GPRS模塊在控制單元11的控制下實時將數據上傳至雲伺服器，即伺服器端12。GPS模塊和GPRS模塊分別與控制單元11連接。GPS模塊與控制單元11之間使用4800波特率的串行通信。GPRS模塊與控制單元11串行通信。

伺服器端2上搭建有實時管理監測平臺，同時接收多個設備終端1發回的數據，在此基礎上構建智慧出行推薦系統。伺服器端2可將部分數據網站形式對外發布。用戶端3通過網絡從伺服器端2獲取所發布的當前道路的監測數據以及智慧出行路線。伺服器端2在用戶端3要求獲取智慧出現路線時，基於實時獲取的空氣品質數據，預測下一時刻各路口的空氣品質狀況，然後計算出一條或多條智慧出行路線。

智慧出行路線的獲取方法是：

首先，確定各節點(交叉口)的歷史及實時路側空氣汙染狀態，運用馬爾可夫鏈預測下一時刻各個節點的空氣品質狀況。以其中一個節點為例說明。空氣汙染狀態Q可劃分為r個子狀態{q1，q2，q3,…qr}，根據歷史數據統計出從一個時刻到下一時刻各個狀態間互相轉移的概率矩陣P，表示為：

依據以上概率矩陣得到預測值。其中P11表示狀態q1下一時刻轉移到q1的概率；P12表示狀態q1下一時刻轉移到q2的概率，以此類推。

其次，計算各個節點的權值，第i個節點的權值wi為：

其中，M為節點個數，gi為第i個節點處的空氣品質狀態值，根據設備終端上傳的數據進行計算得到。

然後，根據用戶當前位置和目標位置，利用最短路徑算法來計算出一條或多條空氣汙染最小的出行路線，即智慧出行路線。最短路徑算法例如可以使用Dijkstra算法。計算智慧出行路線的一個過程如下：

步驟1)設V表示全部節點集合，設S表示已選擇節點，T＝V-S為剩餘節點集合，第i個節點的權值為wi。將V中節點用無向圖來表示，當節點相鄰時，二者之間有連接邊，連接邊上的值為兩個節點的權值之和。計算起始節點到T中各節點的距離值，距離值為路徑上各節點的權值之和，與實際地理距離無關，若兩節點不相鄰，則設置兩個節點之間的距離值為∞，初始S中僅包含出發節點。

步驟2)從T中選取一個與S的中間節點相鄰且權值最小的節點W，加入到S中。第一次搜索，將出發節點作為中間節點。

步驟3)更新出發節點經中間節點到T中各節點的距離值，若出發節點到T中某個節點的權值減小，則修改和保留出發節點到該節點的路徑和權值。

步驟4)將W作為中間節點，繼續重複上述步驟2和3，直到到達目標位置，獲得出發節點到所有節點的最優路徑，最終可根據實際出行輸出需要的空氣汙染最小的出行路線。

以圖4所示圖來說明上述計算過程。假設出行者從A點出行至D點，節點A、B、C、D對應權值分別為2,3,1,5。

距離值AB＝A+B＝5，AC＝A+C＝3，AD＝∞,BC＝B+C＝4,BD＝B+D＝8,CD＝C+D＝6。

最優路徑的實現過程如下表所示：

通過上面過程，查找到節點A到節點B,C,D的最優路徑。則當用戶請求到節點D時，發送對應的最優路徑給用戶。

控制箱內部結構如圖5所示，圖中給出了各組成部件的尺寸，單位是mm。①～⑦分別是控制盒，顆粒物檢測器，氣體檢測單元，電源適配器，內置電池，空氣泵和太陽能電池板接口。其中STM32控制單元和DSP圖像處理器在控制盒內部，同時顆粒物檢測器也安裝於控制盒。顆粒物檢測器與氣體檢測單元均通過氣泵與外界進行空氣流通，其中氣體檢測單元與氣泵的連接之間需要加裝有PEFE過濾器。GPS和GPRS模塊的天線位於控制盒外部的側壁。同時控制箱內部有溫溼度檢測器，當機箱內溫溼度高於設定閾值時，設備將進入休眠狀態。圖6為整機實拍，控制箱外側還包括風向、風速傳感器以及攝像頭。圖7為固定安裝在路側的一個設備終端的示例圖。