基于数字孪生技术的元宇宙空气污染物浓度推断模型

doi:10.11959/j.issn.2096-0271.2023005

大数据 ›› 2023, Vol. 9 ›› Issue (1): 38-50.doi: 10.11959/j.issn.2096-0271.2023005

• 专题：元宇宙与大数据 • 上一篇下一篇

基于数字孪生技术的元宇宙空气污染物浓度推断模型

彭一非¹, 袁贞¹, 张旭龙², 姜桂林³, 刘逾江⁴

¹ 湖南财信数字科技有限公司，湖南长沙 410035
² 平安科技（深圳）有限公司，广东深圳 518063
³ 湖南财信金融控股集团有限公司，湖南长沙 410035
⁴ 墨尔本大学，澳大利亚墨尔本 3010

出版日期:2023-01-15 发布日期:2023-01-01
作者简介:彭一非（1995- ），男，湖南财信数字科技有限公司数据开发员，主要研究方向为大数据分析、云计算等
袁贞（1997- ），女，湖南财信数字科技有限公司数据开发工程师，主要研究方向为人工智能、大数据等
张旭龙（1988- ），男，博士，平安科技（深圳）有限公司高级算法研究员，主要研究方向为语音合成、语音转换、音乐信息检索以及机器学习和深度学习方法在人工智能领域的应用
姜桂林（1981- ），男，博士，湖南财信金融控股集团有限公司首席信息官，主要研究方向为深度学习
刘逾江（1999- ），男，墨尔本大学工程管理硕士，蒙纳士大学荣誉学士，中南大学学士，曾在中金资本、IDG资本、平安集团科技会、财信证券实习，主要研究方向为机器学习

Metaverse air pollutant concentration inference model based on digital twin technology

Yifei PENG¹, Zhen YUAN¹, Xulong ZHANG², Guilin JIANG³, Yujiang LIU⁴

¹ Hunan Chasing Digital Technology Co., Ltd., Changsha 410035, China
² Ping An Technology (Shenzhen) Co., Ltd., Shenzhen 518063, China
³ Hunan Chasing Financial Holdings Co., Ltd., Changsha 410035, China
⁴ The University of Melbourne, Melbourne 3010, Australia

Online:2023-01-15 Published:2023-01-01

摘要/Abstract

摘要：

空气污染与人们的健康和经济社会的发展息息相关。然而，监测站点分布稀疏，无法提供细粒度的空气污染物浓度。此外，现有的空气污染物浓度推断方法缺乏实时处理相关数据的能力，具有滞后性。为了解决上述问题，提出了一种基于数字孪生技术的元宇宙空气污染物浓度推断模型。该模型将现实数据映射到元宇宙空间中，并构建数据仓库，通过构建空气污染物特征库实现对空气污染物浓度的实时精确推断。实验结果表明，该模型能提高空气污染物浓度推断的准确性和有效性。

关键词: 空气污染, 数字孪生, 元宇宙

Abstract:

Air pollution is closely related to people's health and economic and social development.However, monitoring sites are sparsely distributed and cannot provide fine-grained air pollutant concentrations.In addition, the existing air pollutant concentration inference methods lack the ability to process relevant data in real time, so they have a hysteresis.To solve the above problems, a metaverse air pollutant concentration inference model based on digital twin technology was proposed.The model maped the real data into the metaverse space, and built a data warehouse to achieve real-time accurate inference of air pollutant concentrations through the construction of an air pollutant feature library.The experimental results show that the model can improve the accuracy and validity of air pollutant concentration inference.

Key words: air pollution, digital twin, metaverse

中图分类号:

TP399

彭一非, 袁贞, 张旭龙, 姜桂林, 刘逾江. 基于数字孪生技术的元宇宙空气污染物浓度推断模型[J]. 大数据, 2023, 9(1): 38-50.

Yifei PENG, Zhen YUAN, Xulong ZHANG, Guilin JIANG, Yujiang LIU. Metaverse air pollutant concentration inference model based on digital twin technology[J]. Big Data Research, 2023, 9(1): 38-50.

图/表 7

图1

图2

图3

图4

图5

图6

图7

参考文献 18

[1]	YAZDI M D , WANG Y , DI Q ,et al. Longterm association of air pollution and hospital admissions among medicare participants using a doubly robust additive model[J]. Circulation, 2021,143(16): 1584-1596.
[2]	EBENSTEIN A , FAN M Y , GREENSTONE M ,et al. New evidence on the impact of sustained exposure to air pollution on life expectancy from China’s Huai River Policy[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017,114(39): 10384-10389.
[3]	SONG J , LU M X , LU J G ,et al. Acute effect of ambient air pollution on hospitalization in patients with hypertension:a timeseries study in Shijiazhuang,China[J]. Ecotoxicology and Environmental Safety, 2019,170: 286-292.
[4]	寇江泽. 持续攻坚让蓝天白云常驻[N]. 人民日报, 2021-08-07.
	KOU J Z . Continue in tackling difficulties,and make blue sky and white clouds permanent[N]. The People’s Daily, 2021-08-07.
[5]	马元婧 . 基于深度学习的大气环境监测系统关键技术研究[D]. 北京:中国科学院大学, 2021:7.
	MA Y J . Research on key technologies of atmospheric environment monitoring system based on deep learning[D]. Beijing:University of Chinese Academy of Sciences, 2021:7.
[6]	KANG Y , CHEN J , CAO Y ,et al. A higherorder graph convolutional network for location recommendation of an air-quality-monitoring station[J]. Remote Sensing, 2021,13(8): 1600.
[7]	JUTZELER A , LI J , FALTINGS B . A region-based model for estimating urban air pollution[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2014,28(1): 424-430.
[8]	XU Y N , ZHU Y M , SHEN Y Y ,et al. Fine-grained air quality inference with remote sensing data and ubiquitous urban data[J]. ACM Transactions on Knowledge Discovery from Data, 2019,13(5): 1-27.
[9]	ZHENG Y , LIU F R , HSIEH H P . U-Air:when urban air quality inference meets big data[C]// Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. New York:ACM Press, 2013: 1436-1444.
[10]	YU H M , LI Q Y , WANG R ,et al. A deep calibration method for low-cost air monitoring sensors with multilevel sequence modeling[J]. IEEE Transactions on Instrumentation and Measurement, 2020,69(9): 7167-7179.
[11]	WEI J , HUANG W , LI Z Q ,et al. Estimating 1-km-resolution PM2.5 concentrations across China using the space-time random forest approach[J]. Remote Sensing of Environment, 2019,231: 111221.
[12]	杨颖川, 葛宝珠, 郝赛宇 ,等. 基于能见度及AOD数据的北京市PM2.5浓度的反演[J]. 气候与环境研究, 2020,25(5): 521-530.
	YANG Y C , GE B Z , HAO S Y ,et al. Inversion of PM2.5 concentration in Beijing based on visibility and AOD data[J]. Climatic and Environmental Research, 2020,25(5): 521-530.
[13]	王静, 杨复沫, 王鼎益 ,等. 北京市MODIS气溶胶光学厚度和PM2.5质量浓度的特征及其相关性[J]. 中国科学院研究生院学报, 2010,27(1): 10-16.
	WANG J , YANG F M , WANG D Y ,et al. Characteristics and relationship of aerosol optical thickness and PM2.5 concentration over Beijing[J]. Journal of the Graduate School of the Chinese Academy of Sciences, 2010,27(1): 10-16.
[14]	王文喜, 周芳, 万月亮 ,等. 元宇宙技术综述[J]. 工程科学学报, 2022,44(4): 744-756.
	WANG W X , ZHOU F , WAN Y L ,et al. A survey of metaverse technology[J]. Chinese Journal of Engineering, 2022,44(4): 744-756.
[15]	郑诚慧 . 元宇宙关键技术及与数字孪生的异同[J]. 网络安全技术与应用, 2022(9): 124-126.
	ZHENG C H . Key technologies of the metauniverse and their similarities and differences with digital twin[J]. Network Security Technology ＆ Application, 2022(9): 124-126.
[16]	孟永辉 . 当数字货币不再是终局,区块链从理想进入现实[J]. 大数据时代, 2020(10): 6-13.
	MENG Y H . Blockchain movesfrom ideal to reality as digital currencies are on the right track[J]. Big Data Time, 2020(10): 6-13.
[17]	程祖国, 罗敏 . 环境偶双极的数字孪生及其应用[J]. 科技创新与应用, 2020(6): 170-171.
	CHENG Z G , LUO M . Digital twin of environmental dipole and its application[J]. Technology Innovation and Application, 2020(6): 170-171.
[18]	郎为民, 田尚保, 李宇鸽 ,等. 数字孪生技术架构研究[J]. 电信快报, 2022(8): 1-6.
	LANG W M , TIAN S B , LI Y G ,et al. Research on the technical architecture of digital twin[J]. Telecommunications Information, 2022(8): 1-6.

基于数字孪生技术的元宇宙空气污染物浓度推断模型

Metaverse air pollutant concentration inference model based on digital twin technology

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 18

相关文章 11

Metrics

推荐阅读 0

[1]	王皓, 潘昱杉, 潘毅. 生成式人工智能大模型赋能的元宇宙生命体：前瞻和挑战[J]. 大数据, 2023, 9(3): 85-96.
[2]	吴亚东, 陈家鸣, 罗焱, 王学锋, 黄德春, 倪超, 蓝集明, 李随群, 张巍瀚, 代唯. 彩灯元宇宙研究综述[J]. 大数据, 2023, 9(3): 97-113.
[3]	邓钇敏, 张旭龙, 司世景, 王健宗, 肖京. 虚拟人形象合成技术综述[J]. 大数据, 2023, 9(3): 114-139.
[4]	刘烨, 成伟, 李焱, 尹依梦, 孙慧杰. 元宇宙视域下教育社区构建研究[J]. 大数据, 2023, 9(1): 78-86.
[5]	贺亚运, 彭俊清, 王健宗, 肖京. 节奏舞者：基于关键动作转换图和有条件姿态插值网络的3D舞蹈生成方法研究[J]. 大数据, 2023, 9(1): 23-37.
[6]	王子航, 禹向群, 斯洪标, 傅思敏, 张旭龙, 彭绍亮. 基于算力网络的元宇宙分层处理模型设计[J]. 大数据, 2023, 9(1): 51-62.
[7]	朱锐, 王宏志, 崔双双, 张恺欣, 燕钰. 面向元宇宙的云边端协同大数据管理[J]. 大数据, 2023, 9(1): 63-77.
[8]	何波. 元宇宙的法律难题与规制思路研究[J]. 大数据, 2023, 9(1): 87-102.
[9]	沈阳, 余梦珑. 元宇宙与大数据：时空智能中的数据洞察与价值连接[J]. 大数据, 2023, 9(1): 103-110.
[10]	王陈慧子, 蔡玮. 元宇宙数字经济：现状、特征与发展建议[J]. 大数据, 2022, 8(3): 140-150.
[11]	史经业, 李攀. 空天大数据在新型智慧城市建设中的关键技术与应用探索[J]. 大数据, 2022, 8(2): 120-133.