基于AIoT的智能环保监控管理系统开发及其在高速公路网中的应用

李长杰,徐 亮,宋明星，陈 鹏，喻成武，朱 霓

(1.湖北交投智能检测股份有限公司,湖北 武汉 430051;2.湖北省协诚交通环保有限公司，湖北 武汉 430051;3.武汉智造物联网技术有限公司，湖北 武汉 430047)

根据《国家公路网规划(2013年—2030年)》的方案，我国高速公路网的建设向着放射线与纵横网格相结合的布局高速发展，伴随高速公路网的急剧增延，随之而来的基础设施监测运维以及关联的环境保护监测问题日趋复杂，对资产管理和环保工作的要求日益提高[1-2]。当前环保监测的发展集中在规模化、系统化的监测管理和总体化、近似化的分析，并探讨各种细分化成分对于生态环境的具体影响[3-7]。Hoffmann等[3]根据高收入国家现状，讨论了当前面向城市的水资源管理方式，以及中长期科研重点和架构模式，强调了基于监控网络的水质监测的重要性。在江湖环境下，Nong等[4]对我国南水北调中线工程3年间的实际水质情况进行了研究，从27个监测站大范围收集了16项水质指标数据，并进一步探讨了各项细节监测指标及水质评估的方法，指出了潜在污染源风险；Hu等[6]根据35年的水质监测数据，探究了人为磷输入对于长江水环境的影响。然而，当前的研究和应用主要停留在对历史记录进行分析，存在环保安全监测的时效性和前瞻性不足问题，更不能在污染事件发生前就及时预测到环保安全风险，进而提前采取防控措施杜绝污染事故的发生。

随着物联网、大数据、人工智能、智能化、云计算等前沿技术的强势加入，给环保监控管理领域带来了变革和机遇[8-15]。2018年中央经济工作会议以及2019年全国两会上的政府工作报告明确提出要加强人工智能、工业互联网、物联网等新型基础设施建设和融合应用。为此，本文利用一系列的数字信息智能技术，为高速公路网环保监控管理提供一套创新的解决方案。此解决方案摒弃了当前传统环保监测的黑匣子记录模式，采取高粒度实时环保监测，及时且持续地对各项环保监测指标做未来趋势预测，对污染事故风险进行提前预警，在超标排放污染事件大概率发生之前就预警提示，可使相关职能部门采取运维措施提前应对，极大地强化了环保安全风险控制。尤其在新基建需求的大形势下，可为高速公路网中环保和路桥隧基础设施等资产的安全监控、运维及管理的数字转型和智能升级提供依据。

1 基础设施和高速公路环保监测现状

面对基础设施和高速公路网快速发展带来的环保压力，以及各级政府和民众对环境监控的高度关注,在环保监控管理系统的建设中，我国当前的解决方案主要存在以下几个痛点和瓶颈：

(1) 数据碎片化和业务竖井。目前所建立的环保监测系统多为单一环境检测项系统，例如污水监测、大气监测、环保设备工况监测等，并使用不同供应商的设备和系统，各自形成独立的业务竖井、数据孤岛，造成数据碎片化，难以实现统一的环保监控管理。

(2) 监测粒度低和存在监测盲区。当前水质检测设备对环境的要求高，需技术人员定期频繁出勤，运维复杂，且检测粒度低，至少需数小时才出一组有效监测数据。众多监测点由于地处边远地区，空间跨度大，运维难度高，存在监测弱区和盲区，达不到在线环保监测全覆盖[16-19]，也无法实现不间断实时远程信息监测，且获取的环保监测数据的粒度和实时性更无法满足人工智能机器学习模型训练的数据要求。

(3) 补救型环保运维不可逆。环保监测通常是在污染事故和运维事件已经发生后发出报警，此时不可逆的环境破坏污染事故(例如超标排放)已经发生，需要付出代价高昂的补救和运维投入，且负面影响不可逆。

2 基于AIoT的高速公路网智能环保监控管理解决方案及其应用

人工智能物联网(Artificial Intelligence and Internet of Things，AIoT)是将人工智能(AI)技术与物联网(IoT)系统充分融合、交互作用，即运用人工智能技术分析物联网系统所提供的感知数据，挖掘数据中的价值，输出前瞻性的服务。

针对上述我国高速公路网环保监测发展现状中存在的问题，本文运用AIoT技术，为高速公路网智能环保监控管理提供了一套完整的解决方案，来突破其现有瓶颈。此解决方案由两个重要部分组成：①智能环保物联网系统，构建全面的环保大数据监测网络,实现跨业务竖井的信息采集、整合并分享，以及高粒度实时监测、微运维和无人值守；②定制化研发的人工智能大数据分析平台，对物联网构建的大数据做统计分析和趋势预测深度应用，支持按需运维和提供前瞻性管理。该解决方案的总体设计架构见图1，具体设计如下：

图1 基于AIoT的高速公路网智能环保监控管理解决方案总体设计架构Fig.1 Architecture of the AIoT-based smart highway network environment monitoring management solution

在感知层中，现场部署各类新一代传感器，对环保指标、环保设备工况等资产运维检测项，以及其他业务竖井的监测信息(如路桥隧基础设施健康状态)进行采集、数字化和数据预处理。

在传输层中，传感器感知的数据通过物联网汇集和回传，利用新一代无线低功耗传感网LPWAN(Low-Power Wide Area Network)技术组网，将感知层获取的数据无线远距离传送至连接互联网的物联网网关，回传至云资源池的平台层。

在平台层中，在云平台上设立远程监控数据中心，部署管理系统，对前端数据进行汇接和储存，并在“一张图”上进行业务呈现。系统预留接口供外部(环保)子系统对接，实现对非本项目部署的系统的集成和统一呈现。

在应用层中，适配人工智能大数据分析功能体，赋能环保大数据，对汇集的环保大数据做充分挖掘、融合、分析和深度应用，进而输出前瞻性环保和运维服务。

此外，本文选取京珠高速公路湖北境内某高速服务区为试点，对该解决方案进行了可行性分析。

3 智能环保物联网构建环保监测大数据

3. 1 智能环保物联网系统设计与实现

智能环保物联网系统提供了该AIoT技术解决方案中端到端的IoT物联网系统基础设施，用以采集、传输、融合、构建全面的环保监测大数据。首期建设的智能环保物联网部署了模块，包括智能水质监测、水流量监测、大气监测、污水处理设备工况监测等多个物联网节点，覆盖整个服务区及周边区域的物联网网关，以及物联网平台中间件(Middleware)适配层。

为了防止环保监测数据碎片化，在智能环保物联网系统中，通过智能传感监测节点提供了丰富的SCADA工业标准接口，将各种监测设备或传感器无缝集成到系统中，系统多维度实时地采集传感器的环保监测数据，包括高速公路网服务区排放的污水水质、污水排放状况、空气质量、微气象以及污水处理设备工况等监测指标数据，见表1。

表1 项目环境监测指标

当前高速公路网环保监测中普遍使用的在线水质检测方法，主要是依托化学水质分析技术，通过分光光度法、比色滴定法或重量分析法等获取水质指标的计量结果[20-22]。其分析速度不可能快于分析时所用各种化学反应所需的总时间(通常大于100 min数量级)，产生每组有效数据通常需要2～4 h，实际每个检测指标每天最多只能提供12组有效监测读数，这就造成了监测粒度低。因此，在部署智能水质监测点时，采取了从污水排放口自动抽取水样到小型监测控制一体化箱，由在一体化箱中集成的新一代多参数光谱分析法水质检测传感器检测污水指标，检测完的污水自动排放出去。该检测结果经由第三方检验机构验证，无论高低量程测试结果的实际误差率均在3.78%～6.58%之间，表明检测方法具有良好的准确度。水流量监测点使用明渠流量仪和高精度超声波水位计，实时监测污水排放流量。大气类监测点采用新一代微型电化学大气传感器，集成入智能监测物联网节点，对服务区的空气质量提供实时安全监测(如油气残留、泄漏监测)。监测指标数据预处理后，实时通过物联网连接回传，将监测粒度大幅提升至分钟级别上传一组有效的检测数据，每天每个检测指标至少能提供3 700组监测数据，可满足大数据分析和人工智能机器学习模型训练的数据要求。

针对数量众多的高速公路网监测点地处边远地区且分布地域跨度大的特点，以及考虑存在移动信号覆盖不到或者网络状况不佳的情况，为了克服传统监测方式存在一定比例的监测盲点问题[19-23]，不同于普遍使用的GPRS/GSM/3G回传数据技术，使用了新一代无线低功耗传感网LPWAN组网技术，由组网远距离无线传输至具有互联网接入功能的嵌入式物联网网关，即使在移动网络信号微弱和不稳定的区域，所有监测点都无需依赖移动通信基站网络信号的覆盖度和健壮度，就可将高粒度测量的多维度实时感知数据回传至数据中心。

监测点的硬件模块整体封装在IP67标准的防水防潮箱体中，适用于野外恶劣环境或室内使用，免去了环保监测站房占地和建设成本，集成到传感器的小型监测控制一体化箱，无需改造现有基础设施，即插即用快速部署。物联网监测节点具有独立性、小型化、低功耗的特点，可以在不影响当前设备的情况下独立运作，无须对被监控实体做改造；其采用低功耗的硬件模块和底层固件，赋予子系统智能节能模式，整个子系统可由充电蓄电池和太阳能清洁能源联合供电，部署地点不受电源条件限制，部署后可超长时间运作，无须人员进入维护。

物联网系统中间件适配层赋予物联网平台兼容性、安全性、交互性和拓展性，主要由以下几个适配层实现：

(1) 数据聚合适配层。该层将监测数据从不同的子系统和其他数据源以不同的数据格式汇集到数据中心。

(2) 数据安全适配层。该层在原始数据使用权上应用用户授权的方式保证数据使用安全，该适配层也是整个物联网端对端数据加密/解密功能的组成部分。

(3) 交互控制适配层。该层可提供预设的应用程序接口(API)，例如在物联网系统和数据中心，或物联网系统和人工智能/机器学习功能体，或物联网系统和平台的其他模块间，实现双向通信、交互式监测和控制。

(4) 拓展适配层。该层实现平台的物联网系统的可拓展性，并在平台投入部署运行后，还可以集成新的(物联网)监测子系统到平台上来，增加新的业务数据集和服务项。

3. 2 智能环保物联网系统优势

智能环保物联网系统的优势主要表现在以下几个方面：

(1) 该系统将多个单一的环保监测的独立系统(例如污水水质监测系统、污水排放量监测系统、空气质量监测系统、微气象监测系统、污水处理设备工况监测系统等)集成到一个平台上来，消除了环保安全数据孤岛，整合了数据碎片，为实现在一个平台上的高速公路网环保监测数据统一呈现、集中监控管理和数据融合应用打下了坚实的基础。

(2) 该系统同时具有拓展性，能够集成新的环保监测子系统到这个统一的平台上来，解决了日常工作中必须面对不同设备和服务供应商管理系统的难题，规避了企业过度依赖多个第三方SaaS平台的风险，也避免了体系架构中部分功能的重复建设和成本负担。

(3) 该系统全面提升了在线环保监控的粒度和实时性，实现了高粒度检测、无漏检，真正意义上可实时全局掌握高速公路网环保安全监测和资产运维状态，同时提供了满足大数据分析和人工智能机器学习模型训练所需的数据集。

(4) 该系统从根本上消除了环保监测盲区和弱区，实现了环保监测无盲区全覆盖、微运维、无人值守、按需运维，相较于通常轮询机制的定期频繁运维，该智能环保物联网系统的使用能够减少高达80%的出勤。

(5) 该系统实现了高速公路网环保监控的快速部署，且无需改造现有基础设施。

4 人工智能大数据分析平台

4. 1 人工智能大数据分析平台设计架构

通过自主研发的人工智能大数据分析平台，实现了该AIoT技术解决方案中的人工智能功能部分，赋能“全面环保大数据”，对环保监测的实时和历史数据进行处理、挖掘和分析的深度应用。

人工智能大数据分析平台设计架构见图2。根据高速公路网环保监测指标变化趋势预测预判的需求任务，以及面向物联网构建的环保数据集的特点，来设计定制化的机器学习模型，并在运行环境下，无缝对接环保物联网系统、企业数据仓库、智能环保监控管理系统和数据/服务发布系统。

图2 人工智能数据分析平台设计架构图Fig.2 Design architecture of the AI-enabled data analysis platform

该平台主要功能模块如下：

(1) 数据检索及对接模块。基于数据仓库给定的数据存储方案和数据库环境的API下，数据检索及对接模块可进行最简化的数据检索及操作，具有最高效的检索效率，从而减少整体系统的冗余信息操作，实现其性能的最大化。

(2) 原始数据处理模块。近乎全部的人工智能模型均对其输入的数据有固定的格式要求(如向量形式)，经典的机器学习方法要求对数据本身进行一定程度上的特征值提取，以便于适应不同模型所做出的数据分布上的假设。原始数据处理模块的核心功能有针对模型的数据格式匹配、标准化特征值的计算与储存。

(3) 统计建模及拟合模块。作为整个人工智能数据分析平台的机器学习功能体的核心，统计建模及拟合模块是实现使用数据并将其价值最大化的重点。该模块包括两个子模块，即针对于预测性问题的监督学习模块和针对于非预测性问题的无监督学习模块。整体模块囊括了常用的几大模型类型：逻辑类模型(如决策树)、概率类模型(如朴素贝叶斯)、距离类模型(如支持向量机)、人工神经网络类模型(如卷积神经网络)以及其他模型。

(4) 分布式计算模块。由于本环保监测项目是典型的大数据问题(即数据量大、数据类型复杂以及潜在数据应用居多)，意味着项目中各类模型的拟合和训练需要进行额外的分布式计算，以保证部分输出结果的即时性。在既有的分布计算框架(如Spark及Hadoop)的基础上，该模块的具体设计将会高度取决于具体模型本身的计算量，以及对模型输出时效性的需求。

(5) 数据语义化可视模块。该模块将数据分析和预测的结果语义化呈现给用户，是将人工智能数据分析模型处理后的复杂信息进行高度的浓缩化和语义化。根据业务的需求和针对不同的用户类别，数据语义化可视化模块的输出将以时间长度上和数据维度上便于用户理解的信息呈现，非数据专业人员亦可读懂复杂信息输出的结果。

4. 2 稀疏变分法推论算法

在该环保监测项目中，运用了人工智能的深度学习技术，针对环保监测进行统计建模及预测，重点采用了概率类模型，通过贝叶斯统计(Bayesian Statistics)的方式，实现对目标变量的不确定性校准(Uncertainty Calibration)。贝叶斯统计近些年在气象模拟、疾病传播预测、基因序列分析等领域取得了诸多进展，同时展现出与当下主流深度学习模型之间具有较好的兼容度[24-26]。然而在当前高速公路网环保监测数据的规模下，贝叶斯统计经典算法在目前任何商业计算服务器上难以达到可接受的计算效率，无法即时输出环保监测指标预测结果。

该环保监测项目中积累的环保数据集的时间序列和数据量随时间呈线性增长，具有明显的周期性，当污染事件发生时，个别时间序列可观测到明显的分布改变点。根据数据集的这些特点，定制化研发了一种优化的稀疏变分法推论算法 (Sparse Variational Inference)。通过该算法，可以使用极低的近似数量级，便能准确拟合之前数量级的变化趋势，解决了经典贝叶斯统计算法不能适配于大规模物联网环境建模的问题。稀疏变分法推论算法的数学表达式如下：

logp(y)≥Eq(u)[logp(y|u)]-KL[q(u)||p(u)]

(1)

式中：y为全部观测到的历史变量(例如某一监测项的全部读数)；u为稀疏化表达的历史时间点(数目远小于观测到的总时间点)；p(u)为单位高斯分布的先验概率；q(u)为需要拟合的近似后验概率；p(y|u)为针对每种读数类型的定制概率分布；KL为Kullback-Leibler散度。

基于此算法建立的优化深度学习模型，可在不过量损失模型精度的条件下保持模型的可扩充性。图3中枚举出了其中3项环保监测指标在给定一个短周期(min)中的读数拟合值，其中蓝色曲线为监测项的实际读数，红色曲线为拟合值，而红色虚线则为拟合的标准差，超出蓝线范围的部分则为模型对于未来趋势的预测，即对未来几分钟内污水排放的氨氮、瞬时流量、累计流量的预测值。如果预测值超过排放标准或预设的门限值，管理部门则在排放超标或超量事件发生前就采取针对性的运维措施，实现按需运维和前瞻性响应。

图3 环保数据拟合及预测示例(分钟级)Fig.3 Cases of environment data fitting and prediction (on the order of minutes)

由图3可见，该模型在此情况下可以滤除原数据中的大部分浮动噪声，并准确地识别出数值背后的主要趋势；模拟拟合的标准差范围则可以进一步地定量给出数据的浮动分布。在此基础上，将研发的该模型应用于各个监测项，并指定了如下的模型周期：分钟级、小时级、4小时级、日级、周级以及月级，可提供即时的所有环保监测指标预测结果更新，满足对各种环保安全预警情况的潜在需求。相对于采取既有的非概率化方法，针对环保安全检测和资产管理的需求，根据当前收集的环保数据集，自主定制化研发的基于稀疏变分法推论算法的深度学习模型达到了预期效果。

为了进一步比较本文所提出的稀疏变分法推论算法与经典贝叶斯统计算法[27]的区别，在表2中针对每一个监测指标进行了横向比较。具体实验设置如下：选择某一日中午12时至当日24时的数据作为模型训练集，然后由所训练的模型来预测当日24时到次日凌晨1时的监测指标，并记录所需的运行时间(s)和预测误差(均方根误差)。

表2 经典贝叶斯统计算法与稀疏变分法推论算法运行时间和预测误差的比较

由表2可知，尽管在较小数据规模(如SO2，70数据点)下，稀疏变分法推论算法在运行时间和预测误差上并不能取得优势，然而随着数据量增长之后(如COD,2 056数据点)，稀疏变分法推论算法则可以在保持同一预测误差的前提下，极大地缩短模型运行时间 (在COD下，运行时间由24 s缩短至6 s)。与此同时，在全部感知数据集上，均可以观测到稀疏变分法推论算法本身的运行时间并不会随着数据量的增大而增加，这对于相应的周级别、月级别，乃至年级别的建模极为重要，从根本上解决了传统算法无法有效应用到环保大数据上并即时输出监测指标预测结果的问题。

5 结 语

本文充分运用AIoT物联网与人工智能数据分析融合技术，实现了高速公路网环保监控快速部署、无盲区全覆盖、微运维和无人值守，提升了在线环保监控的实时性和粒度，并整合了碎片化数据，打破了数据孤岛，实现了跨业务竖井的信息整合、分享和利用。本文构建的基于AIoT技术的智能环保监控管理系统，在人工智能和大数据分析赋能下，可为环保监测、运维、资产管理等整体业务提供基于数据的统计分析和预测预判，提供对监测指标做未来趋势预测和环保事故风险预警的前瞻性智能增值服务，大幅提高了环保安全系数，进而降低其环保成本并加强了运维效力，更能规避环境污染事件造成的负面社会影响，为提升交通行业环保管理智能化水平做出了有益的探索。