葉柯 孔佳玉 周奕希 曹瀚洋 姜沁琬

摘 要 以web 開(kāi)發(fā)技術(shù)與人工智能技術(shù)為核心 平臺(tái)采用前后端分離模式進(jìn)行開(kāi)發(fā) 前端平臺(tái)主要使用react 框架進(jìn)行搭建 后端使用gin 框架及gorm 實(shí)現(xiàn)與mysql 的數(shù)據(jù)持久化 且利用docker容器技術(shù)進(jìn)行快捷開(kāi)發(fā) 同時(shí) 使用flask 設(shè)計(jì)編碼解碼器encoder-decoder 模型的接口進(jìn)行數(shù)據(jù)重建 實(shí)現(xiàn)對(duì)異常檢測(cè)模塊的調(diào)用 利用該平臺(tái) 可以對(duì)導(dǎo)入的工廠排污數(shù)據(jù)進(jìn)行可視化分析 并對(duì)某一段時(shí)間序列內(nèi)的異常點(diǎn)進(jìn)行檢測(cè) 從而檢測(cè)工廠是否有偷排行為

關(guān)鍵詞 編碼解碼器 異常檢測(cè) 數(shù)據(jù)重建 偷排行為

中圖法分類(lèi)號(hào)tp311? ?文獻(xiàn)標(biāo)識(shí)碼a

１ 引言

作為碳排放總量世界第一的大國(guó)，我國(guó)工業(yè)總體上尚未完全走出“高投入、高消耗、高排放”的發(fā)展模式困境，生態(tài)環(huán)境保護(hù)仍長(zhǎng)期面臨資源能源約束趨緊、環(huán)境質(zhì)量要求持續(xù)提高等多重壓力，中國(guó)環(huán)保產(chǎn)業(yè)的市場(chǎng)前景不斷擴(kuò)大。然而，排污企業(yè)是固定污染源，其污染排放是我國(guó)環(huán)境污染的主要來(lái)源之一。對(duì)固定污染源的監(jiān)管是我國(guó)污染防治的重中之重。但目前，仍然存在企業(yè)偷排，惡意篡改監(jiān)測(cè)設(shè)備參數(shù)，破壞在線(xiàn)監(jiān)測(cè)設(shè)備設(shè)施，設(shè)備運(yùn)維不規(guī)范、不及時(shí)導(dǎo)致的監(jiān)測(cè)數(shù)據(jù)異常或無(wú)效的情況，給環(huán)境造成污染，進(jìn)而對(duì)監(jiān)管提出更高的要求。

綜上所述，環(huán)境污染問(wèn)題與國(guó)家經(jīng)濟(jì)息息相關(guān)，更與人們的生活環(huán)境相關(guān)，故對(duì)排污數(shù)據(jù)的有效處理和反饋有著十分重要的意義。

２ 相關(guān)領(lǐng)域發(fā)展現(xiàn)狀

目前，國(guó)內(nèi)外對(duì)于水質(zhì)等污染排放的檢測(cè)在硬件方面已十分完備，各類(lèi)水質(zhì)傳感器、漂浮式水質(zhì)監(jiān)測(cè)站以及水質(zhì)監(jiān)測(cè)終端機(jī)的開(kāi)發(fā)與研究，保證了對(duì)水質(zhì)排放相關(guān)指標(biāo)數(shù)據(jù)的精準(zhǔn)高效搜集。

然而，大多數(shù)企業(yè)只是做排放檢測(cè)，并且只是簡(jiǎn)單地進(jìn)行了一些排放污上限的判斷，這只能檢測(cè)排放是否超標(biāo)，而針對(duì)一些污染偷排導(dǎo)致的數(shù)據(jù)異常行為卻無(wú)法檢測(cè)。由于僅用一些法律手段來(lái)要求企業(yè)自查，監(jiān)管部門(mén)難以進(jìn)行高效監(jiān)管［１］ ，因此可利用物聯(lián)網(wǎng)技術(shù)，在不同排污口設(shè)置監(jiān)測(cè)點(diǎn)，再將監(jiān)測(cè)點(diǎn)數(shù)據(jù)上傳至數(shù)據(jù)中心進(jìn)行可視化［２］ 。在時(shí)間序列的異常檢測(cè)領(lǐng)域中，通常基于一些傳統(tǒng)統(tǒng)計(jì)學(xué)方式，如３?ｓｉｇｍａ原則、指數(shù)平滑法、滑動(dòng)平均法、ＡＲＩＭＡ 模型。

隨著人工智能技術(shù)飛速發(fā)展，后續(xù)出現(xiàn)了一些基于ＤＮＮ 網(wǎng)絡(luò)的模型［３］ ，本文設(shè)計(jì)了一種基于編碼解碼器（Ｅｎｃｏｄｅｒ?Ｄｅｃｏｄｅｒ）的數(shù)據(jù)重建模型，對(duì)排污異常數(shù)據(jù)進(jìn)行較為合理高效的判斷。

３ 平臺(tái)構(gòu)建

３．１ 前端設(shè)計(jì)

Ｗｅｂ 平臺(tái)采用前后端分離模式進(jìn)行開(kāi)發(fā)。前端平臺(tái)主要使用Ｒｅａｃｔ 框架進(jìn)行搭建，Ｒｅａｃｔ 是一套用于構(gòu)建用戶(hù)界面的ｊａｖａｓｃｒｉｐｔ 庫(kù)，其聲明式設(shè)計(jì)使創(chuàng)建交互式ＵＩ 更加便捷，有利于對(duì)每個(gè)狀態(tài)設(shè)計(jì)簡(jiǎn)潔的視圖。同時(shí)，Ｒｅａｃｔ 的組件化可便于構(gòu)建管理自身狀態(tài)的封裝組件，從而與其他組件配合構(gòu)成復(fù)雜的ＵＩ。當(dāng)數(shù)據(jù)變動(dòng)時(shí)，Ｒｅａｃｔ 將新變更的文檔樹(shù)與原虛擬文檔樹(shù)進(jìn)行比較，部分刷新視圖，能更高效地更新并渲染合適的組件，最大程度上減少與文檔樹(shù)的交互。項(xiàng)目主要由Ｒｅｄｕｘ 進(jìn)行全局狀態(tài)管理及路由權(quán)限控制。Ｒｅｄｕｘ 是ＪａｖａＳｃｒｉｐｔ 應(yīng)用的狀態(tài)容器，其提供可預(yù)測(cè)的狀態(tài)管理，可以運(yùn)行在客戶(hù)端、服務(wù)端和原生程序。其集中管理應(yīng)用的狀態(tài)和邏輯便于進(jìn)行撤銷(xiāo)重做操作以及實(shí)現(xiàn)狀態(tài)持久化等功能。數(shù)據(jù)可視化主要基于Ｅｃｈａｒｔｓ 實(shí)現(xiàn)，Ａｐａｃｈｅ ＥＣｈａｒｔｓ 是一個(gè)基于ＪａｖａＳｃｒｉｐｔ的開(kāi)源可視化圖表庫(kù)，通過(guò)數(shù)據(jù)集管理數(shù)據(jù)，支持?jǐn)?shù)據(jù)過(guò)濾、聚類(lèi)、回歸，幫助實(shí)現(xiàn)同一份數(shù)據(jù)的多維度分析；支持Ｃａｎｖａｓ，ＳＶＧ， 使用增量渲染、流加載等技術(shù)實(shí)現(xiàn)千萬(wàn)級(jí)數(shù)據(jù)的流暢交互，并且可配置友好的無(wú)障礙訪(fǎng)問(wèn)，可生成圖標(biāo)描述和貼花圖案，幫助視力障礙人士了解圖表內(nèi)容，讀懂圖表背后的故事。

前后端交互將使用ａｘｉｏｓ 請(qǐng)求方式。ａｘｉｏｓ 是一個(gè)基于ｐｒｏｍｉｓｅ 的網(wǎng)絡(luò)請(qǐng)求庫(kù)，其支持ＰｒｏｍｉｓｅＡＰＩ，可自動(dòng)轉(zhuǎn)換ＪＳＯＮ 數(shù)據(jù)，并且客戶(hù)端支持防御ＸＳＲＦ。平臺(tái)將導(dǎo)入的信息存放在ａｘｉｏｓ 請(qǐng)求體中并發(fā)送給后端，經(jīng)算法模型處理后，由后端將模型提取出的有效信息返回給前端，前端再將這些信息展示在界面上，實(shí)現(xiàn)前后端分離。

３．２ 后端設(shè)計(jì)

使用Ｇｏｌａｎｇ 進(jìn)行后端開(kāi)發(fā)，主要使用輕量化的Ｇｉｎ 和ＧＯＲＭ 框架，Ｇｉｎ 路由基本遵循Ｒｅｓｔｆｕｌ 風(fēng)格進(jìn)行編寫(xiě)，該框架相較于原生ＨＴＴＰ，具有更好的性能和更多的拓展功能。使用ＧＯＲＭ 框架編寫(xiě)持久化層對(duì)ＭｙＳＱＬ 進(jìn)行高效的數(shù)據(jù)讀寫(xiě)和管理。

在系統(tǒng)功能視圖設(shè)計(jì)方面，將用戶(hù)分為管理員、公司人員、游客３ 級(jí)，不同的級(jí)別具有不同權(quán)限，如管理員可以修改公司的異常狀態(tài)、公司可以進(jìn)行異常申訴、游客可以進(jìn)行舉報(bào)等。

通過(guò)ＪＷＴ 進(jìn)行ｔｏｋｅｎ 鑒權(quán)和權(quán)限功能控制，相較于ｓｅｓｓｉｏｎ 和ｃｏｏｋｉｅ 方案，ＪＷＴ 的鑒權(quán)更加高效，在用戶(hù)量大時(shí)更節(jié)約服務(wù)器存儲(chǔ)空間。平臺(tái)登錄界面（多角色登錄選擇）如圖１ 所示。

Ｇｉｎ 框架與Ｆｌａｓｋ 相結(jié)合，Ｇｉｎ 負(fù)責(zé)處理路由，Ｆｌａｓｋ 負(fù)責(zé)數(shù)據(jù)處理以及模型運(yùn)行， 利用Ｎｕｍｐｙ，Ｐａｎｄａｓ 等數(shù)據(jù)處理庫(kù)，以及用Ｐｙｔｏｒｃｈ 框架編寫(xiě)的模型進(jìn)行處理，得到相關(guān)指標(biāo)和數(shù)據(jù)，最后將其返回給前端進(jìn)行可視化展示，２ 種編程語(yǔ)言?xún)?yōu)勢(shì)互補(bǔ)，有機(jī)結(jié)合，充分發(fā)揮它們?cè)诓煌I(lǐng)域的功能優(yōu)勢(shì)。其具體如圖２、圖３ 所示。

３．３ 異常檢測(cè)編碼解碼器模型設(shè)計(jì)

首先對(duì)輸入數(shù)據(jù)進(jìn)行清洗和適當(dāng)濾波降噪等預(yù)處理，而后進(jìn)行多次ｅｎｃｏｄｅ 編碼，在ｅｎｃｏｄｅ 模塊中，嵌入了ｓｅｌｆ?ａｔｔｅｎｔｉｏｎ 機(jī)制和ＭＬＰ 網(wǎng)絡(luò)［４］ ，對(duì)輸入信息進(jìn)行特征提取，并且參考了Ｒｅｓｎｅｔ（殘差神經(jīng)網(wǎng)絡(luò)）的設(shè)計(jì)［５］ ，增添了Ｒｅｓｎｅｔ Ｂｌｏｃｋ 以避免因網(wǎng)絡(luò)過(guò)深導(dǎo)致的梯度消失問(wèn)題。之后，進(jìn)行ｄｅｃｏｄｅ 解碼及序列的推理重建，如此進(jìn)行適當(dāng)?shù)挠?xùn)練即可使網(wǎng)絡(luò)具有強(qiáng)大的重構(gòu)能力，并且根據(jù)不同的輸入數(shù)據(jù)，可以進(jìn)行更多的數(shù)據(jù)異常檢測(cè)下游任務(wù)。異常檢測(cè)編碼解碼器模型結(jié)構(gòu)設(shè)計(jì)如圖４ 所示。

３．４ 系統(tǒng)部署

利用Ｄｏｃｋｅｒ 容器技術(shù)進(jìn)行部署。通過(guò)編寫(xiě)Ｄｏｃｋｅｒｆｉｌｅ 將本地項(xiàng)目及各種依賴(lài)進(jìn)行打包，生成Ｄｏｃｋｅｒ 鏡像，上傳至倉(cāng)庫(kù)后，在服務(wù)器端進(jìn)行鏡像拉取并創(chuàng)建容器，以部署應(yīng)用服務(wù)，可以實(shí)現(xiàn)系統(tǒng)資源利用更高效、啟動(dòng)時(shí)間更快速，以及遷移、維護(hù)和擴(kuò)展更便捷。

４ 結(jié)束語(yǔ)

針對(duì)排污數(shù)據(jù)的高效利用，本文基于編碼解碼器（Ｅｎｃｏｄｅｒ?Ｄｅｃｏｄｅｒ）對(duì)數(shù)據(jù)進(jìn)行異常檢測(cè)，并且構(gòu)建了數(shù)據(jù)可視化監(jiān)管平臺(tái)，可以讓用戶(hù)輕松處理污染排放異常的問(wèn)題，將污染排放與環(huán)保監(jiān)督有機(jī)結(jié)合，快速辨別異常原因，形成監(jiān)管層的高效監(jiān)督。未來(lái)，將收集更多渠道數(shù)據(jù)，與數(shù)據(jù)提供商和監(jiān)管部門(mén)站在同一戰(zhàn)線(xiàn)，賦能監(jiān)管一站化、智能化。

參考文獻(xiàn)：

［１］ 呂曉君，董崢，吳鐵，等．基于環(huán)保大數(shù)據(jù)的污染防治可行技術(shù)數(shù)據(jù)庫(kù)建設(shè)路徑研究［Ｊ］．環(huán)境影響評(píng)價(jià)，２０１８，４０（１）：１５?１８．

［２］ 李凱．環(huán)保大數(shù)據(jù)在智慧環(huán)保監(jiān)管領(lǐng)域的應(yīng)用思考［Ｊ］．皮革制作與環(huán)?？萍迹玻埃玻?，３（１）：３３?３５．

［３］ 李晨，陳玉松．時(shí)間序列模型研究現(xiàn)狀及發(fā)展分析［Ｊ］． 中外交流，２０１８（１８）：５０．

［４］ ＶＡＳＷＡＮＩ Ａ，ＳＨＡＺＥＥＲ Ｎ，ＰＡＲＭＡＲ Ｎ，ｅｔ ａｌ．Ａｔｔｅｎｔｉｏｎ ｉｓａｌｌ ｙｏｕ ｎｅｅｄ［Ｊ］．Ａｄｖａｎｃｅｓ ｉｎ ｎｅｕｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍｓ，２０１７，３０：１０６６３?１０６７１．

［５］ ＨＥ Ｋ，ＺＨＡＮＧ Ｘ，ＲＥＮ Ｓ，ｅｔ ａｌ．Ｄｅｅｐ ｒｅｓｉｄｕａｌ ｌｅａｒｎｉｎｇ ｆｏｒｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ｃｏｎｆｅｒｅｎｃｅｏｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ，２０１６：７７０?７７８．

作者簡(jiǎn)介：

葉柯（２００２—），本科，研究方向：文本生成、目標(biāo)檢測(cè)。