面向異構網絡的區域霧霾預警系統①

李志華,高 鵬,王 巍,于 楊,張見雨

(河北工程大學 信息與電氣工程學院,邯鄲 056038)

霧霾是發生在大氣近地面層中的一種災害天氣,給人們生產生活造成了嚴重影響,霧霾現象已經成為我國重要的環境公害[1].霧霾的形成通常與氣象條件和主要污染物有關,霧霾的出現給城市交通和人們的身體健康帶來了很大影響[2-4].準確地預測霧霾程度,提前做好防護措施,對提高人們生產生活質量有著極為重要的意義.

為此,國內外眾多學者基于物聯網和無線傳感網絡設計了多種環境監測系統實現對環境信息的實時監測.文獻[5]將無線傳感網絡與WiFi結合,實現了PM2.5等環境信息的本地與遠程監測,并增加了自動重連功能.文獻[6]設計了ZigBee無線傳感器網絡,對室內多個點實時采集,完成對室內甲醛濃度的遠程監測.文獻[7]基于6LoWPAN技術和Contiki操作系統設計嵌入式網關,實現了ZigBee與IPV6網絡的互聯互通.上述研究雖然實現了環境信息的監測,但容易受通信距離、通信質量以及應用場景的限制,對于覆蓋范圍較廣的應用場景不能實現長距離、低功耗的通信.此外,許多學者提出了間接檢測霧霾的方法,如文獻[8]利用現有視頻系統,研究了視頻能見度與PM2.5之間的內在關系,通過對能見度檢測分級,實現霧霾的監測預警,對霧霾多發地段的行車安全起了重要作用.

鑒于此,本文設計了LoRa、NB-IoT、ZigBee 3種傳感網絡來全面感知監測區域的環境信息.在近地面通信時,優先采用ZigBee傳感網絡來減少成本[9],而長距離通信時,考慮到障礙物會影響通信質量,所以采用長距離、穿透力強、服務質量(QoS)好的NB-IoT網絡進行通信；在遠地面通信時,由于高空中障礙物較少且LoRa成本較NB-IoT更低,所以采用LoRa網絡進行通信.此外,引入分級預警機制,使得對環境信息的預知更加準確,從而提供可靠的預警信息.

1 系統方案

系統拓撲圖如圖1所示,該系統由采集模組、協調器、網關、服務器、顯示終端五部分組成.采集模組由LoRa、NB-IoT、ZigBee 3種采集節點組成,通過節點上搭載的PM2.5、SO2、風速等傳感器對環境信息進行周期性采集,其中LoRa和ZigBee節點通過各自的協議與協調器建立傳輸網絡,而NB-IoT節點直接通過蜂窩網絡將數據上傳至云平臺.網關負責匯集各個網絡的數據并通過WiFi將數據上傳至嵌入式服務器.服務器作為系統的大腦,對網關上傳的環境信息進行解析、存儲與處理,并判斷當前觸發的預警等級,根據預警等級通過搭載的GSM模塊向手機等移動設備發送信息,提醒用戶或相關部門采取相應的措施.顯示終端通過PC、顯示屏等展示設備實現數據的可視化.

2 異構網絡搭建

2.1 采集模組設計

采集模組由LoRa、NB-IoT、ZigBee 3種采集節點組成.其中LoRa采集節點由SX1278發射模塊、STM32F407ZET6控制模塊、電源模塊組成；NB-IoT采集節點由BC35-G IoT模塊、STM32L431RCT6控制模塊、電源模塊組成；ZigBee采集節點由CC2530發射模塊、STM32F103ZET6控制模塊、電源模塊組成.通過在采集節點上搭載PM2.5、SO2、風速等傳感器,實現環境數據的周期性采集.采集中斷子程序流程圖如圖2所示.

圖1 系統拓撲圖

圖2 數據采集中斷子程序流程圖

由于3種傳感器網絡之間的硬件結構、協議等各不相同,不利于數據的交互與存儲,所以分別定義了各個子網絡采集的數據流格式.通過對異構網絡所采集的數據流(包括網絡標識號、采集單元標識號、數據流、含義等)的定義,使得系統能夠根據定義好的數據流格式進行數據的封裝與解析.本系統定義LoRa網絡的標識號為12；NB-IoT網絡的標識號為13；ZigBee網絡的標識號為11,并對字節數、進制、偏移量、轉換倍數等進行了定義,方便后續的數據封裝與解析.

2.2 網關設計

網關負責數據的匯集,協議轉換及與服務器的通信.本網關采用Linux操作系統,以BCM2837B0為處理器,集成了ARM Cortex-A53內核,擴展了以太網、USART、I2C等多種接口,并可額外通過HAT以太網(Poe)供電.處理器通過I2C、SPI總線分別與LoRa、ZigBee協調器通信；通過WiFi依托云平臺提供的API接口獲取NB-IoT節點上傳的數據.

為了實現數據的結構化描述,在數據格式方面,選擇JSON(Java Script Object Notation)輕量級數據格式.JSON采用鍵值對結構的文本格式,便于人們閱讀和編寫,同時易于機器解析和生成,是理想的數據交換語言[10].網關通過USART,I2C,SPI通信接口與協調器進行交互,借助Linux中的JSON編程接口,實現LoRa和ZigBee網絡數據的協議封裝；通過云平臺獲取NB-IoT數據進行JSON協議封裝.

網關根據各個網絡定義好的數據流格式,對不同的協議進行封裝,實現協議封裝的原理為：首先,創建JSON配置文件的Document對象,創建根元素和子元素.然后以字節段描述結束為條件,循環地封裝監測數值ID、含義、偏移量等信息,實現JSON結構化描述,進行協議封裝,最終以UTF-8編碼格式寫入JSON配置文件庫,流程如圖3所示.

3 服務器的搭建

本文利用NVIDIA Jetson TX2平臺搭建嵌入式服務器,實現對數據的解析、存儲與處理.通過WiFi與網關通信,將網關上傳的數據解析后存儲至MySQL數據庫中；對數據進行分析與處理,觸發相應的預警等級并通過串口控制的SIM800模塊向用戶發送短信,提醒用戶采取相應措施,實現系統的分級預警功能；展示終端采用B/S架構,方便用戶訪問.

3.1 基于JSON格式的數據解析

服務器的具體解析過程如圖4所示,服務器實時對網絡進行監聽,當產生中斷時,對比協議標識,判斷網絡類型并運行各自的線程.線程中,根據系統提供的JSON接口,按照預先定義好的數據流格式逐字節進行查找,然后判斷數值ID并根據偏移量和轉換倍數轉換為實際采集的數值,從而得到數據流中的傳感器數據.解析結束后即調用數據庫接口,以監測數值ID為主鍵,將對應的數值存儲到MySQL數據庫中并提供調用接口供上層應用.

圖3 網關協議封裝中斷子程序流程圖

3.2 分級預警機制的工作流程

在進行分級預警之前,服務器需對數據庫中的傳感器數據進行預處理.服務器對每種傳感器每天所采集的數據按式(1)進行取平均值處理,得出一組傳感器平均值數據.平均值公式如下：

式中,A為取平均值后某一種傳感器的數據,Ai表示3種不同的采集節點每天所采集的某一種傳感器數據,n為每種傳感器每天所采集的次數.

分級預警機制流程如圖5所示,服務器進行數據處理與分析后,結合中國氣象局發布的霧霾等級標準劃分預警等級,當PM2.5濃度小于等于150 μg/m3時為一級預警,并繼續監測；當PM2.5濃度大于150 μg/m3且小于等于250 μg/m3時,為二級預警,并發送信息至用戶并給出合理建議；當PM2.5濃度大于250 μg/m3時為三級預警,將發送信息至用戶并通知環保部門啟動噴霧降塵車等操作.

圖4 服務器解析流程圖

圖5 分級預警機制流程圖

3.3 分級預警機制的優化

將支持向量回歸模型用于分級預警機制中,使得服務器能夠根據數據庫中的歷史數據來預測未來的空氣質量.由于霧霾預測屬于非線性問題,而支持向量回歸機(Support Vector Regression,SVR)在解決小樣本、非線性問題中表現出獨特優勢,支持向量機的關鍵在于核函數,不同的核函數會導致SVR推廣性不同,一般使用RBF[11].在以RBF為核函數的SVR中,懲罰參數C和RBF核參數g是影響模型性能的重要參數[12].

為了提高SVR預測的精度,本系統使用遺傳算法對懲罰參數C和RBF核參數g進行參數尋優,提高預測的準確性.其中適應度函數是遺傳算法用于支持向量機參數尋優的接口,用于衡量個體的優劣,其對遺傳算法的選擇、交叉和變異操作具有重要影響,從而也會影響參數尋優的優化時間和優化效率[13].

本文采用SVR均方根誤差作為適應度函數,即：

式中,yi為訓練樣本真實值,fi為支持向量機預測值,n為樣本的個數,fit為適應度函數.

將優化后的參數代入SVR模型中,實現對SVR的優化,再將優化后的SVR應用于分級預警機制中,使得系統更加準確、合理地劃分預警等級.

4 案例分析

依托本校已部署的異構網絡,全面獲得校園霧霾環境信息.根據3種傳感網絡不同的傳輸特性,在校園實驗室、教學樓頂部、操場分別布置ZigBee、LoRa、NB-IoT 3種采集節點.進行了為期90天的數據采集和測試工作,采集周期為10分鐘；使用基于樹莓派設計的網關完成數據的匯集與封裝；使用NVIDIA Jetson TX2搭建的嵌入式服務器實現數據解析、存儲與分析.

4.1 實驗數據的獲取

由中國氣象局發布的霧霾等級標準劃分可知,PM2.5的含量決定了霧霾的危險等級,而濕度、風力、SO2、CO、NO2、O3與PM2.5含量相關度較大[14,15],所以在3種采集節點上分別搭載溫濕度、SO2、風速、NO2、CO、O3、PM2.57種傳感器.以LoRa采集單元為例,其采集數據流如表1所示.

4.2 異構數據封裝與解析

網關匯集3種傳感節點采集的數據后,根據圖3所示的封裝流程對監測數值ID、含義、偏移量等信息循環封裝為JSON文件,而后通過WiFi發送到服務器.部分JSON文件如圖6所示.

表1 LoRa采集單元的傳感器采集數據流

圖6 基于JSON格式的數據描述實例

服務器接收到網關上傳的數據后,按照圖6所示流程進行解析.以16進制數據流12B20209BA0640006B779E為例,服務器根據12判斷為LoRa采集單元,然后定位到單元標識根節點“LoRa_Node”,查詢到“node_id”為B2,再根據“describe”中的字節段含義讀出對應的CO/O3/SO2數據依次為09BA、0640、006B,經過十進制轉換,減去偏移量,乘以轉換倍數,最終解析為2490、1600、107,然后將監測ID和對應的實際數值存儲到MySQL數據庫中.

解析后的部分實驗數據如表2所示.

表2 解析后部分實驗數據

4.3 分級預警機制的優化與實現

由于影響因子的物理意義不同,因此,在應用于分級預警前需要對影響因子數據進行歸一化處理[16].使得采集的傳感器數據介于0～1范圍之內,有助于網絡快速收斂.歸一化公式如下：

式中,X為經過歸一化處理后的數據,Xi為影響因子實際數據,Xmax和Xmin分別為影響因子數據中的最大值和最小值[17].

本系統使用Python語言來編寫SVR霧霾預測模型,實現分級預警機制的優化.輸入處理好的實驗數據后,利用sklearn庫中的iloc()函數進行時間序列劃分,按照五比一的比例劃分訓練數據和測試數據,將濕度、風力、SO2、CO、NO2、O3作為輸入向量,PM2.5作為目標向量.其中,種群范圍為20,懲罰系數C的取值為(0,200),RBF核函數g的取值為(0.1,10),交叉概率為0.8,變異概率為0.01,進化代數為200；進行交叉、變異、遺傳后得到C和g的最優值分別為17.02和0.35[18].

模型檢驗結果及誤差見表3.

表3 預測模型檢驗結果

由模型檢驗結果可知,采用優化后的SVR模型預測PM2.5的值,其誤差率在10%以下,這說明優化后的預測模型準確度較高,能夠穩定、有效地預測未來的PM2.5的含量.利用訓練好的SVR預測模型對校園未來15天(2019.2.1-2019.2.15)的PM2.5含量進行檢驗,預測結果如圖7所示.

圖7 未來15天PM2.5預測結果

由預測結果可知,未來第3天和第8天PM2.5指數分別為 159 μg/m3和 161 μg/m3,大于 150 μg/m3且小于250 μg/m3,服務器判定為二級預警,并發送信息至用戶給出合理建議；其余各天PM2.5均小于150 μg/m3,服務器判定為一級預警,不采取措施并繼續監測.

5 總結

本文實現了一套面向異構網絡的區域霧霾預警系統.完成了異構網絡中傳感器數據的采集及存儲；引入分級預警機制,觸發相應的機制響應并采取相應措施；將支持向量回歸模型用于分級預警中,使其更加準確、合理地劃分危險等級.最后通過校園應用案例驗證了該系統能夠穩定、有效地對霧霾進行預警.