李志華,高 鵬,王 巍,于 楊,張見雨

(河北工程大學(xué) 信息與電氣工程學(xué)院,邯鄲 056038)

霧霾是發(fā)生在大氣近地面層中的一種災(zāi)害天氣,給人們生產(chǎn)生活造成了嚴(yán)重影響,霧霾現(xiàn)象已經(jīng)成為我國(guó)重要的環(huán)境公害[1].霧霾的形成通常與氣象條件和主要污染物有關(guān),霧霾的出現(xiàn)給城市交通和人們的身體健康帶來了很大影響[2-4].準(zhǔn)確地預(yù)測(cè)霧霾程度,提前做好防護(hù)措施,對(duì)提高人們生產(chǎn)生活質(zhì)量有著極為重要的意義.

為此,國(guó)內(nèi)外眾多學(xué)者基于物聯(lián)網(wǎng)和無線傳感網(wǎng)絡(luò)設(shè)計(jì)了多種環(huán)境監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)對(duì)環(huán)境信息的實(shí)時(shí)監(jiān)測(cè).文獻(xiàn)[5]將無線傳感網(wǎng)絡(luò)與WiFi結(jié)合,實(shí)現(xiàn)了PM2.5等環(huán)境信息的本地與遠(yuǎn)程監(jiān)測(cè),并增加了自動(dòng)重連功能.文獻(xiàn)[6]設(shè)計(jì)了ZigBee無線傳感器網(wǎng)絡(luò),對(duì)室內(nèi)多個(gè)點(diǎn)實(shí)時(shí)采集,完成對(duì)室內(nèi)甲醛濃度的遠(yuǎn)程監(jiān)測(cè).文獻(xiàn)[7]基于6LoWPAN技術(shù)和Contiki操作系統(tǒng)設(shè)計(jì)嵌入式網(wǎng)關(guān),實(shí)現(xiàn)了ZigBee與IPV6網(wǎng)絡(luò)的互聯(lián)互通.上述研究雖然實(shí)現(xiàn)了環(huán)境信息的監(jiān)測(cè),但容易受通信距離、通信質(zhì)量以及應(yīng)用場(chǎng)景的限制,對(duì)于覆蓋范圍較廣的應(yīng)用場(chǎng)景不能實(shí)現(xiàn)長(zhǎng)距離、低功耗的通信.此外,許多學(xué)者提出了間接檢測(cè)霧霾的方法,如文獻(xiàn)[8]利用現(xiàn)有視頻系統(tǒng),研究了視頻能見度與PM2.5之間的內(nèi)在關(guān)系,通過對(duì)能見度檢測(cè)分級(jí),實(shí)現(xiàn)霧霾的監(jiān)測(cè)預(yù)警,對(duì)霧霾多發(fā)地段的行車安全起了重要作用.

鑒于此,本文設(shè)計(jì)了LoRa、NB-IoT、ZigBee 3種傳感網(wǎng)絡(luò)來全面感知監(jiān)測(cè)區(qū)域的環(huán)境信息.在近地面通信時(shí),優(yōu)先采用ZigBee傳感網(wǎng)絡(luò)來減少成本[9],而長(zhǎng)距離通信時(shí),考慮到障礙物會(huì)影響通信質(zhì)量,所以采用長(zhǎng)距離、穿透力強(qiáng)、服務(wù)質(zhì)量(QoS)好的NB-IoT網(wǎng)絡(luò)進(jìn)行通信；在遠(yuǎn)地面通信時(shí),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(wǎng)絡(luò)進(jìn)行通信.此外,引入分級(jí)預(yù)警機(jī)制,使得對(duì)環(huán)境信息的預(yù)知更加準(zhǔn)確,從而提供可靠的預(yù)警信息.

1 系統(tǒng)方案

系統(tǒng)拓?fù)鋱D如圖1所示,該系統(tǒng)由采集模組、協(xié)調(diào)器、網(wǎng)關(guān)、服務(wù)器、顯示終端五部分組成.采集模組由LoRa、NB-IoT、ZigBee 3種采集節(jié)點(diǎn)組成,通過節(jié)點(diǎn)上搭載的PM2.5、SO2、風(fēng)速等傳感器對(duì)環(huán)境信息進(jìn)行周期性采集,其中LoRa和ZigBee節(jié)點(diǎn)通過各自的協(xié)議與協(xié)調(diào)器建立傳輸網(wǎng)絡(luò),而NB-IoT節(jié)點(diǎn)直接通過蜂窩網(wǎng)絡(luò)將數(shù)據(jù)上傳至云平臺(tái).網(wǎng)關(guān)負(fù)責(zé)匯集各個(gè)網(wǎng)絡(luò)的數(shù)據(jù)并通過WiFi將數(shù)據(jù)上傳至嵌入式服務(wù)器.服務(wù)器作為系統(tǒng)的大腦,對(duì)網(wǎng)關(guān)上傳的環(huán)境信息進(jìn)行解析、存儲(chǔ)與處理,并判斷當(dāng)前觸發(fā)的預(yù)警等級(jí),根據(jù)預(yù)警等級(jí)通過搭載的GSM模塊向手機(jī)等移動(dòng)設(shè)備發(fā)送信息,提醒用戶或相關(guān)部門采取相應(yīng)的措施.顯示終端通過PC、顯示屏等展示設(shè)備實(shí)現(xiàn)數(shù)據(jù)的可視化.

2 異構(gòu)網(wǎng)絡(luò)搭建

2.1 采集模組設(shè)計(jì)

采集模組由LoRa、NB-IoT、ZigBee 3種采集節(jié)點(diǎn)組成.其中LoRa采集節(jié)點(diǎn)由SX1278發(fā)射模塊、STM32F407ZET6控制模塊、電源模塊組成；NB-IoT采集節(jié)點(diǎn)由BC35-G IoT模塊、STM32L431RCT6控制模塊、電源模塊組成；ZigBee采集節(jié)點(diǎn)由CC2530發(fā)射模塊、STM32F103ZET6控制模塊、電源模塊組成.通過在采集節(jié)點(diǎn)上搭載PM2.5、SO2、風(fēng)速等傳感器,實(shí)現(xiàn)環(huán)境數(shù)據(jù)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(tǒng)拓?fù)鋱D

圖2 數(shù)據(jù)采集中斷子程序流程圖

由于3種傳感器網(wǎng)絡(luò)之間的硬件結(jié)構(gòu)、協(xié)議等各不相同,不利于數(shù)據(jù)的交互與存儲(chǔ),所以分別定義了各個(gè)子網(wǎng)絡(luò)采集的數(shù)據(jù)流格式.通過對(duì)異構(gòu)網(wǎng)絡(luò)所采集的數(shù)據(jù)流(包括網(wǎng)絡(luò)標(biāo)識(shí)號(hào)、采集單元標(biāo)識(shí)號(hào)、數(shù)據(jù)流、含義等)的定義,使得系統(tǒng)能夠根據(jù)定義好的數(shù)據(jù)流格式進(jìn)行數(shù)據(jù)的封裝與解析.本系統(tǒng)定義LoRa網(wǎng)絡(luò)的標(biāo)識(shí)號(hào)為12；NB-IoT網(wǎng)絡(luò)的標(biāo)識(shí)號(hào)為13；ZigBee網(wǎng)絡(luò)的標(biāo)識(shí)號(hào)為11,并對(duì)字節(jié)數(shù)、進(jìn)制、偏移量、轉(zhuǎn)換倍數(shù)等進(jìn)行了定義,方便后續(xù)的數(shù)據(jù)封裝與解析.

2.2 網(wǎng)關(guān)設(shè)計(jì)

網(wǎng)關(guān)負(fù)責(zé)數(shù)據(jù)的匯集,協(xié)議轉(zhuǎn)換及與服務(wù)器的通信.本網(wǎng)關(guān)采用Linux操作系統(tǒng),以BCM2837B0為處理器,集成了ARM Cortex-A53內(nèi)核,擴(kuò)展了以太網(wǎng)、USART、I2C等多種接口,并可額外通過HAT以太網(wǎng)(Poe)供電.處理器通過I2C、SPI總線分別與LoRa、ZigBee協(xié)調(diào)器通信；通過WiFi依托云平臺(tái)提供的API接口獲取NB-IoT節(jié)點(diǎn)上傳的數(shù)據(jù).

為了實(shí)現(xiàn)數(shù)據(jù)的結(jié)構(gòu)化描述,在數(shù)據(jù)格式方面,選擇JSON(Java Script Object Notation)輕量級(jí)數(shù)據(jù)格式.JSON采用鍵值對(duì)結(jié)構(gòu)的文本格式,便于人們閱讀和編寫,同時(shí)易于機(jī)器解析和生成,是理想的數(shù)據(jù)交換語言[10].網(wǎng)關(guān)通過USART,I2C,SPI通信接口與協(xié)調(diào)器進(jìn)行交互,借助Linux中的JSON編程接口,實(shí)現(xiàn)LoRa和ZigBee網(wǎng)絡(luò)數(shù)據(jù)的協(xié)議封裝；通過云平臺(tái)獲取NB-IoT數(shù)據(jù)進(jìn)行JSON協(xié)議封裝.

網(wǎng)關(guān)根據(jù)各個(gè)網(wǎng)絡(luò)定義好的數(shù)據(jù)流格式,對(duì)不同的協(xié)議進(jìn)行封裝,實(shí)現(xiàn)協(xié)議封裝的原理為：首先,創(chuàng)建JSON配置文件的Document對(duì)象,創(chuàng)建根元素和子元素.然后以字節(jié)段描述結(jié)束為條件,循環(huán)地封裝監(jiān)測(cè)數(shù)值ID、含義、偏移量等信息,實(shí)現(xiàn)JSON結(jié)構(gòu)化描述,進(jìn)行協(xié)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(wù)器的搭建

本文利用NVIDIA Jetson TX2平臺(tái)搭建嵌入式服務(wù)器,實(shí)現(xiàn)對(duì)數(shù)據(jù)的解析、存儲(chǔ)與處理.通過WiFi與網(wǎng)關(guān)通信,將網(wǎng)關(guān)上傳的數(shù)據(jù)解析后存儲(chǔ)至MySQL數(shù)據(jù)庫中；對(duì)數(shù)據(jù)進(jìn)行分析與處理,觸發(fā)相應(yīng)的預(yù)警等級(jí)并通過串口控制的SIM800模塊向用戶發(fā)送短信,提醒用戶采取相應(yīng)措施,實(shí)現(xiàn)系統(tǒng)的分級(jí)預(yù)警功能；展示終端采用B/S架構(gòu),方便用戶訪問.

3.1 基于JSON格式的數(shù)據(jù)解析

服務(wù)器的具體解析過程如圖4所示,服務(wù)器實(shí)時(shí)對(duì)網(wǎng)絡(luò)進(jìn)行監(jiān)聽,當(dāng)產(chǎn)生中斷時(shí),對(duì)比協(xié)議標(biāo)識(shí),判斷網(wǎng)絡(luò)類型并運(yùn)行各自的線程.線程中,根據(jù)系統(tǒng)提供的JSON接口,按照預(yù)先定義好的數(shù)據(jù)流格式逐字節(jié)進(jìn)行查找,然后判斷數(shù)值ID并根據(jù)偏移量和轉(zhuǎn)換倍數(shù)轉(zhuǎn)換為實(shí)際采集的數(shù)值,從而得到數(shù)據(jù)流中的傳感器數(shù)據(jù).解析結(jié)束后即調(diào)用數(shù)據(jù)庫接口,以監(jiān)測(cè)數(shù)值ID為主鍵,將對(duì)應(yīng)的數(shù)值存儲(chǔ)到MySQL數(shù)據(jù)庫中并提供調(diào)用接口供上層應(yīng)用.

圖3 網(wǎng)關(guān)協(xié)議封裝中斷子程序流程圖

3.2 分級(jí)預(yù)警機(jī)制的工作流程

在進(jìn)行分級(jí)預(yù)警之前,服務(wù)器需對(duì)數(shù)據(jù)庫中的傳感器數(shù)據(jù)進(jìn)行預(yù)處理.服務(wù)器對(duì)每種傳感器每天所采集的數(shù)據(jù)按式(1)進(jìn)行取平均值處理,得出一組傳感器平均值數(shù)據(jù).平均值公式如下：

式中,A為取平均值后某一種傳感器的數(shù)據(jù),Ai表示3種不同的采集節(jié)點(diǎn)每天所采集的某一種傳感器數(shù)據(jù),n為每種傳感器每天所采集的次數(shù).

分級(jí)預(yù)警機(jī)制流程如圖5所示,服務(wù)器進(jìn)行數(shù)據(jù)處理與分析后,結(jié)合中國(guó)氣象局發(fā)布的霧霾等級(jí)標(biāo)準(zhǔn)劃分預(yù)警等級(jí),當(dāng)PM2.5濃度小于等于150 μg/m3時(shí)為一級(jí)預(yù)警,并繼續(xù)監(jiān)測(cè)；當(dāng)PM2.5濃度大于150 μg/m3且小于等于250 μg/m3時(shí),為二級(jí)預(yù)警,并發(fā)送信息至用戶并給出合理建議；當(dāng)PM2.5濃度大于250 μg/m3時(shí)為三級(jí)預(yù)警,將發(fā)送信息至用戶并通知環(huán)保部門啟動(dòng)噴霧降塵車等操作.

圖4 服務(wù)器解析流程圖

圖5 分級(jí)預(yù)警機(jī)制流程圖

3.3 分級(jí)預(yù)警機(jī)制的優(yōu)化

將支持向量回歸模型用于分級(jí)預(yù)警機(jī)制中,使得服務(wù)器能夠根據(jù)數(shù)據(jù)庫中的歷史數(shù)據(jù)來預(yù)測(cè)未來的空氣質(zhì)量.由于霧霾預(yù)測(cè)屬于非線性問題,而支持向量回歸機(jī)(Support Vector Regression,SVR)在解決小樣本、非線性問題中表現(xiàn)出獨(dú)特優(yōu)勢(shì),支持向量機(jī)的關(guān)鍵在于核函數(shù),不同的核函數(shù)會(huì)導(dǎo)致SVR推廣性不同,一般使用RBF[11].在以RBF為核函數(shù)的SVR中,懲罰參數(shù)C和RBF核參數(shù)g是影響模型性能的重要參數(shù)[12].

為了提高SVR預(yù)測(cè)的精度,本系統(tǒng)使用遺傳算法對(duì)懲罰參數(shù)C和RBF核參數(shù)g進(jìn)行參數(shù)尋優(yōu),提高預(yù)測(cè)的準(zhǔn)確性.其中適應(yīng)度函數(shù)是遺傳算法用于支持向量機(jī)參數(shù)尋優(yōu)的接口,用于衡量個(gè)體的優(yōu)劣,其對(duì)遺傳算法的選擇、交叉和變異操作具有重要影響,從而也會(huì)影響參數(shù)尋優(yōu)的優(yōu)化時(shí)間和優(yōu)化效率[13].

本文采用SVR均方根誤差作為適應(yīng)度函數(shù),即：

式中,yi為訓(xùn)練樣本真實(shí)值,fi為支持向量機(jī)預(yù)測(cè)值,n為樣本的個(gè)數(shù),fit為適應(yīng)度函數(shù).

將優(yōu)化后的參數(shù)代入SVR模型中,實(shí)現(xiàn)對(duì)SVR的優(yōu)化,再將優(yōu)化后的SVR應(yīng)用于分級(jí)預(yù)警機(jī)制中,使得系統(tǒng)更加準(zhǔn)確、合理地劃分預(yù)警等級(jí).

4 案例分析

依托本校已部署的異構(gòu)網(wǎng)絡(luò),全面獲得校園霧霾環(huán)境信息.根據(jù)3種傳感網(wǎng)絡(luò)不同的傳輸特性,在校園實(shí)驗(yàn)室、教學(xué)樓頂部、操場(chǎng)分別布置ZigBee、LoRa、NB-IoT 3種采集節(jié)點(diǎn).進(jìn)行了為期90天的數(shù)據(jù)采集和測(cè)試工作,采集周期為10分鐘；使用基于樹莓派設(shè)計(jì)的網(wǎng)關(guān)完成數(shù)據(jù)的匯集與封裝；使用NVIDIA Jetson TX2搭建的嵌入式服務(wù)器實(shí)現(xiàn)數(shù)據(jù)解析、存儲(chǔ)與分析.

4.1 實(shí)驗(yàn)數(shù)據(jù)的獲取

由中國(guó)氣象局發(fā)布的霧霾等級(jí)標(biāo)準(zhǔn)劃分可知,PM2.5的含量決定了霧霾的危險(xiǎn)等級(jí),而濕度、風(fēng)力、SO2、CO、NO2、O3與PM2.5含量相關(guān)度較大[14,15],所以在3種采集節(jié)點(diǎn)上分別搭載溫濕度、SO2、風(fēng)速、NO2、CO、O3、PM2.57種傳感器.以LoRa采集單元為例,其采集數(shù)據(jù)流如表1所示.

4.2 異構(gòu)數(shù)據(jù)封裝與解析

網(wǎng)關(guān)匯集3種傳感節(jié)點(diǎn)采集的數(shù)據(jù)后,根據(jù)圖3所示的封裝流程對(duì)監(jiān)測(cè)數(shù)值ID、含義、偏移量等信息循環(huán)封裝為JSON文件,而后通過WiFi發(fā)送到服務(wù)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(shù)據(jù)流

圖6 基于JSON格式的數(shù)據(jù)描述實(shí)例

服務(wù)器接收到網(wǎng)關(guān)上傳的數(shù)據(jù)后,按照?qǐng)D6所示流程進(jìn)行解析.以16進(jìn)制數(shù)據(jù)流12B20209BA0640006B779E為例,服務(wù)器根據(jù)12判斷為L(zhǎng)oRa采集單元,然后定位到單元標(biāo)識(shí)根節(jié)點(diǎn)“LoRa_Node”,查詢到“node_id”為B2,再根據(jù)“describe”中的字節(jié)段含義讀出對(duì)應(yīng)的CO/O3/SO2數(shù)據(jù)依次為09BA、0640、006B,經(jīng)過十進(jìn)制轉(zhuǎn)換,減去偏移量,乘以轉(zhuǎn)換倍數(shù),最終解析為2490、1600、107,然后將監(jiān)測(cè)ID和對(duì)應(yīng)的實(shí)際數(shù)值存儲(chǔ)到MySQL數(shù)據(jù)庫中.

解析后的部分實(shí)驗(yàn)數(shù)據(jù)如表2所示.

表2 解析后部分實(shí)驗(yàn)數(shù)據(jù)

4.3 分級(jí)預(yù)警機(jī)制的優(yōu)化與實(shí)現(xiàn)

由于影響因子的物理意義不同,因此,在應(yīng)用于分級(jí)預(yù)警前需要對(duì)影響因子數(shù)據(jù)進(jìn)行歸一化處理[16].使得采集的傳感器數(shù)據(jù)介于0～1范圍之內(nèi),有助于網(wǎng)絡(luò)快速收斂.歸一化公式如下：

式中,X為經(jīng)過歸一化處理后的數(shù)據(jù),Xi為影響因子實(shí)際數(shù)據(jù),Xmax和Xmin分別為影響因子數(shù)據(jù)中的最大值和最小值[17].

本系統(tǒng)使用Python語言來編寫SVR霧霾預(yù)測(cè)模型,實(shí)現(xiàn)分級(jí)預(yù)警機(jī)制的優(yōu)化.輸入處理好的實(shí)驗(yàn)數(shù)據(jù)后,利用sklearn庫中的iloc()函數(shù)進(jìn)行時(shí)間序列劃分,按照五比一的比例劃分訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),將濕度、風(fēng)力、SO2、CO、NO2、O3作為輸入向量,PM2.5作為目標(biāo)向量.其中,種群范圍為20,懲罰系數(shù)C的取值為(0,200),RBF核函數(shù)g的取值為(0.1,10),交叉概率為0.8,變異概率為0.01,進(jìn)化代數(shù)為200；進(jìn)行交叉、變異、遺傳后得到C和g的最優(yōu)值分別為17.02和0.35[18].

模型檢驗(yàn)結(jié)果及誤差見表3.

表3 預(yù)測(cè)模型檢驗(yàn)結(jié)果

由模型檢驗(yàn)結(jié)果可知,采用優(yōu)化后的SVR模型預(yù)測(cè)PM2.5的值,其誤差率在10%以下,這說明優(yōu)化后的預(yù)測(cè)模型準(zhǔn)確度較高,能夠穩(wěn)定、有效地預(yù)測(cè)未來的PM2.5的含量.利用訓(xùn)練好的SVR預(yù)測(cè)模型對(duì)校園未來15天(2019.2.1-2019.2.15)的PM2.5含量進(jìn)行檢驗(yàn),預(yù)測(cè)結(jié)果如圖7所示.

圖7 未來15天PM2.5預(yù)測(cè)結(jié)果

由預(yù)測(cè)結(jié)果可知,未來第3天和第8天PM2.5指數(shù)分別為 159 μg/m3和 161 μg/m3,大于 150 μg/m3且小于250 μg/m3,服務(wù)器判定為二級(jí)預(yù)警,并發(fā)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(wù)器判定為一級(jí)預(yù)警,不采取措施并繼續(xù)監(jiān)測(cè).

5 總結(jié)

本文實(shí)現(xiàn)了一套面向異構(gòu)網(wǎng)絡(luò)的區(qū)域霧霾預(yù)警系統(tǒng).完成了異構(gòu)網(wǎng)絡(luò)中傳感器數(shù)據(jù)的采集及存儲(chǔ)；引入分級(jí)預(yù)警機(jī)制,觸發(fā)相應(yīng)的機(jī)制響應(yīng)并采取相應(yīng)措施；將支持向量回歸模型用于分級(jí)預(yù)警中,使其更加準(zhǔn)確、合理地劃分危險(xiǎn)等級(jí).最后通過校園應(yīng)用案例驗(yàn)證了該系統(tǒng)能夠穩(wěn)定、有效地對(duì)霧霾進(jìn)行預(yù)警.