一种基于物联网的智慧城市尾气排放管理方法和系统与流程

1.本说明书涉及物联网与云平台领域，特别涉及一种基于物联网的智慧城市尾气排放管理方法和系统。


背景技术：

2.随着社会经济的不断发展，私家车保有量与日俱增，车辆尾气排放总量也随之增多。进而加剧了交通的拥堵，拥堵之余带来的车辆能耗提高及尾气排量增大等在一定程度上也恶化了城市的环境。因此，如何改善交通的拥堵并减少车辆尾气对城市环境的影响成为亟需解决的问题。
3.因此，希望可以提供一种基于物联网的智慧城市尾气排放管理方法和系统。


技术实现要素：

4.本说明书一个或多个实施例提供一种基于物联网的智慧城市尾气排放管理方法。所述方法基于尾气排放管理物联网系统实现，所述尾气排放管理物联网系统包括用户平台、服务平台、管理平台、传感网络平台和对象平台，所述方法由所述管理平台执行：通过所述传感网络平台获取所述对象平台采集的预设区域内的当前监控数据；其中，所述传感网络平台包括一个传感网络总平台和至少一个传感网络分平台；所述传感网络分平台和不同的所述对象平台一一对应，对所述对象平台采集的所述当前监控数据进行存储及处理，并将处理后的信息传输至所述传感网络总平台，由所述传感网络总平台将所述处理后的信息传输至所述管理平台；所述不同的传感网络分平台对应预设区域内的不同区域位置；基于所述当前监控数据确定车辆信息，所述车辆信息包括车辆基本信息、车流量信息、车速信息、车型分布信息中的一种或多种；基于所述车辆信息确定所述预设区域的尾气排放总量；以及基于所述尾气排放总量确定车辆限流信息，所述车辆限流信息由所述管理平台通过所述服务平台发送至所述用户平台。
5.本说明书一个或多个实施例提供一种基于物联网的智慧城市尾气排放管理物联网系统，一种基于物联网的智慧城市的尾气排放情况的车辆限流系统，其特征在于，所述系统包括用户平台、服务平台、管理平台、传感网络平台和对象平台；所述管理平台被配置为执行以下操作：通过所述传感网络平台获取所述对象平台采集的预设区域内的当前监控数据；其中，所述传感网络平台包括一个传感网络总平台和至少一个传感网络分平台；所述传感网络分平台和不同的所述对象平台一一对应，对所述对象平台采集的所述当前监控数据进行存储及处理，并将处理后的信息传输至所述传感网络总平台，由所述传感网络总平台将所述处理后的信息传输至所述管理平台；所述不同的传感网络分平台对应预设区域内的不同区域位置；基于所述当前监控数据确定车辆信息，所述车辆信息包括车辆基本信息、车流量信息、车速信息、车型分布信息中的一种或多种；基于所述车辆信息确定所述预设区域的尾气排放总量；以及基于所述尾气排放总量确定车辆限流信息，所述车辆限流信息由所述管理平台通过所述服务平台发送至所述用户平台。
6.本说明书一个或多个实施例提供一种基于物联网的智慧城市的尾气排放情况的车辆限流装置，包括处理器，所述处理器用于执行基于物联网的智慧城市尾气排放管理方法。
7.本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行基于物联网的智慧城市尾气排放管理方法。
附图说明
8.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
9.图1是根据本说明书一些实施例所示的基于物联网的智慧城市尾气排放管理系统的应用场景示意图；
10.图2是根据本说明书一些实施例所示的基于物联网的智慧城市尾气排放管理系统的示例性结构图；
11.图3是根据本说明书一些实施例所示的基于物联网的智慧城市尾气排放管理方法的示例性流程图；
12.图4是根据本说明书一些实施例所示的基于当前监控数据确定车辆信息方法的示例性流程图；
13.图5是根据本说明书一些实施例所示的基于尾气排放总量确定车辆限流信息方法的示例性流程图；
14.图6是根据本说明书一些实施例所示的基于车辆信息确定预设区域的尾气排放总量方法的示例性流程图。
具体实施方式
15.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
16.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
17.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
18.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时
处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
19.图1是根据本说明书一些实施例所示的基于物联网的智慧城市尾气排放管理系统的应用场景示意图。在一些实施例中，应用场景100可以包括服务器110、存储设备120、用户终端130、采集装置140、网络150。
20.在一些实施例中，服务器110可以是单个服务器或者服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，服务器110可以在云平台上实现。在一些实施例中，服务器110可以包括处理设备112。处理设备112可以用于获取信息，并对收集的信息进行分析加工，以执行本技术中描述的一个或以上功能。例如，处理设备112可以获取采集装置140所监控的交通数据，确定车辆信息，进而确定相应的尾气排放总量，生成相应的车辆限流信息提供给用户终端130。
21.存储设备120可以用于存储数据和/或指令，例如，存储设备120可以用于存储采集装置140所监控的交通数据。存储设备120可以从例如服务器110、用户终端130等获得数据和/或指令。在一些实施例中，存储设备120可以储存处理设备112用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
22.用户终端130可以是指用户用来输入查询交通信息等信息的终端。用户终端130也可以是指用户用来接收车辆限流信息等信息的终端。例如，用户终端130可以包含但不限于智能电话130-1、平板电脑130-2、膝上型计算机130-3、处理器130-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中，用户终端130可以与服务器110相关联。在一些实施例中，使用用户终端130可以是一个或多个用户，可以包括直接使用服务的用户，也可以包括其他相关用户。
23.采集装置140可以是指用于获取交通数据信息的设备。例如，采集装置140可以包括但不限于道路监控设备140-1和无人机拍摄设备140-2。在一些实施例中，道路监控设备140-1可以是红外摄像机、高清数码相机。在一些实施例中，无人机拍摄设备140-2可以是利用无线电遥控装置操纵的不载人飞行机。在一些实施例中，采集装置140可以被配置为物联网的一个或多个对象分平台。其道路监控设备140-1为道路监控设备分平台，无人机拍摄设备140-2为无人机拍摄设备分平台。
24.网络150可以提供信息和/或数据交换的渠道。在一些实施例中，服务器110、存储设备120、用户终端130、采集装置140之间可以通过网络150交换信息。例如，服务器110可以通过网络150获取采集装置140上传的交通监控数据并储存于存储设备120。
25.应当注意，应用场景100仅仅是为了说明的目的而提供的，并不意图限制本技术的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景100可以在其他设备上实现以实现类似或不同的功能。然而，这些变化和修改不会背离本技术的范围。
26.物联网系统是一种包括用户平台、服务平台、管理平台、传感网络平台、对象平台中部分或全部平台的信息处理系统，其中，用户平台是整个物联网运行体系的主导者，可以用于获取用户需求。用户需求是物联网运行体系形成的基础和前提，物联网系统的各平台之间的联系均是为了满足用户的需求。服务平台是位于用户平台和管理平台之间以实现用户平台和管理平台联系的桥梁，服务平台可以为用户提供输入和输出服务。管理平台可以
实现统筹、协调各功能平台(如用户平台、服务平台、传感网络平台、对象平台)之间的联系和协作，管理平台汇聚着物联网运行体系的信息，可以为物联网运行体系提供感知管理和控制管理功能；传感网络平台可以实现连接管理平台和对象平台，起着感知信息传感通信和控制信息传感通信的功能。对象平台是对感知信息生成和控制信息进行执行的功能平台。
27.物联网系统中信息的处理可以分为感知信息的处理流程及控制信息的处理流程，控制信息可以是基于感知信息而生成的信息。其中，感知信息的处理是由对象平台获取感知信息，并通过传感网络平台传递至管理平台，管理平台将经过计算的感知信息传输给服务平台，最后传递至用户平台，用户经过对感知信息的判断分析，生成控制信息。控制信息则是由用户平台生成并下发至服务平台，服务平台再将控制信息传递给管理平台，管理平台对控制信息进行计算处理，并通过传感网络平台下发至对象平台，进而实现对相应对象的控制。
28.在一些实施例中，将物联网系统应用于城市管理时，可以将其称之为智慧城市物联网系统。
29.图2是根据本说明书一些实施例所示的基于物联网的智慧城市尾气排放管理系统的示例性结构图。如图2所示，基于物联网的智慧城市尾气排放管理系统200包括用户平台210、服务平台220、管理平台230、传感网络平台240和对象平台250。在一些实施例中，基于物联网的智慧城市尾气排放管理系统200可以为服务器110的一部分或由服务器110实现。
30.用户平台210可以是面向用户的服务接口。在一些实施例中，用户平台210可以接收用户发起的对交通信息的查询需求。在一些实施例中，用户平台210可以被配置为将车辆限流信息反馈至用户。在一些实施例中，用户平台210可以将查询需求发送至服务平台。在一些实施例中，用户平台210可以接收服务平台发送的车辆限流信息等。
31.服务平台220可以是对查询需求进行初步处理的平台。在一些实施例中，服务平台220可以将查询需求传递至管理平台。在一些实施例中，服务平台220可以接收管理平台发送的车辆限流信息等。
32.管理平台230可以是指统筹、协调各功能平台之间的联系和协作，提供感知管理和控制管理的物联网平台。
33.在一些实施例中，管理平台230还可以根据传感网络平台上传的对象平台采集的预设区域内的当前监控数据确定车辆信息，其中，车辆信息包括车辆基本信息、车流量信息、车速信息、车型分布信息中的一种或多种。在一些实施例中，管理平台230还可以根据车辆信息确定预设区域的尾气排放总量，进而根据尾气排放总量确定车辆限流信息。在一些实施例中，管理平台230可以通过服务平台将车辆限流信息发送至所述用户平台。
34.在一些实施例中，管理平台230可以生成查询指令。在一些实施例中，管理平台230可以将查询指令下发至传感网络总平台。在一些实施例中，管理平台230可以接收服务平台发送的查询需求。
35.传感网络平台240可以是管理平台和对象平台之间实现交互的衔接的平台。在一些实施例中，传感网络平台240可以接收管理平台发送的查询指令。在一些实施例中，传感网络平台240可以将查询指令发送给对应的对象平台。在一些实施例中，传感网络平台240采用前分式布置。前分式布置包括一个传感网络总平台和多个传感网络分平台，多个传感
网络分平台分别存储和处理对象平台250发送的不同的数据，并将处理后的信息传输至所述传感网络总平台，传感网络总平台对多个传感网络分平台的数据进行汇总后存储和处理，并传输数据至管理平台。如图2所示，传感网络平台240的传感网络分平台从对象平台250获取数据，传感网络分平台汇总数据到传感网络平台240的总数据库，传感网络平台240的总数据库上传数据到管理平台。
36.对象平台250可以是感知信息生成和控制信息最终执行的功能平台。对象平台250可以用于根据查询指令，获取预设区域内的当前监控数据。在一些实施例中，对象平台250还可以分别通过对应的传感网络分平台、传感网络总平台，将预设区域内的当前监控数据上传至管理平台。
37.通过五种平台的物联网功能体系结构实施智慧城市的尾气排放情况的车辆限流系统，改善了交通拥堵，同时减少了对城市环境的影响。
38.对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，将基于物联网的智慧城市尾气排放管理系统200移用到其他任何合适的场景下。
39.需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，各个组成部分可以共用一个存储设备，各个组成部分也可以分别具有各自的存储设备。诸如此类的变形，均在本说明书的保护范围之内。
40.图3是根据本说明书一些实施例所示的基于物联网的智慧城市尾气排放管理方法的示例性流程图。在一些实施例中，流程300可以基于尾气排放管理物联网系统实现。尾气排放管理物联网系统可以包括用户平台、服务平台、管理平台、传感网络平台和对象平台。该方法可以由管理平台230执行。如图3所示，流程300包括下述步骤。
41.步骤310，管理平台230通过传感网络平台240获取对象平台250采集的预设区域内的当前监控数据。在一些实施例中，当前监控数据可以为道路监控系统输出的基于时间的图像序列。道路监控系统可以是指包括至少一个采集装置(如，摄像头)采集预设区域内的当前监控数据的监控系统。
42.预设区域是指预设的监控区域。当前监控数据是指与车辆相关的当前监控数据。
43.传感网络平台240可以对不同的对象平台250的数据采用不同的传感网络分平台进行数据存储、数据处理和/或数据传输。其中，不同的传感网络分平台对应预设区域内的不同区域位置。
44.在一些实施例中，管理平台230可以通过传感网络平台240获取对象平台250所在区域内的道路监控系统中的当前监控数据。
45.步骤320，基于当前监控数据确定车辆信息，所述车辆信息包括车辆基本信息、车流量信息、车速信息、车型分布信息中的一种或多种。
46.车辆信息是指与确定预设区域尾气排放总量相关的信息。
47.车辆基本信息是指与车辆的车型、种类、动力类型、尾气排量和/或车牌号相关的信息。其中，包括车辆的车型、种类及动力类型的车辆基本信息可以为中等车型燃油越野汽车、小型电动汽车等。
48.车流量信息是指预设区域内单位时间通过的车辆数量。车速信息是指预设区域内
各个车辆的车速信息。车型分布信息是指预设区域内不同车型的数量分布情况。例如，预设区域内小型、微型、紧凑型、中等及高级车型的燃油汽车的数量分布情况。
49.在一些实施例中，当预设区域内包括多个路段，多个路段中的每个路段包括至少一个监控位点时，管理平台230可以通过传感网络平台获取所述对象平台采集的预设区域内的一个路段中的一个监控位点对应的当前监控数据。管理平台可以通过数据获取模型对当前监控数据进行处理，确定所述监控位点的所述车辆信息。在一些实施例中，数据获取模型可以为机器学习模型。关于基于当前监控数据确定车辆信息方法的更多内容，请参见图4及其相关描述。
50.步骤330，基于车辆信息确定预设区域的尾气排放总量。
51.尾气排放总量是指预设区域内各个路段的汽车尾气平均排放量。
52.在一些实施例中，管理平台230可以将车辆信息中包含的预设区域内的各个路段的车辆的尾气排放量相加，然后求平均值得到各个路段的汽车尾气平均排放量，即获得预设区域内的尾气排放总量。
53.在一些实施例中，管理平台230可以通过第二模型分别对预设区域中多个抽样路段中的各个抽样路段的车辆信息进行处理，确定各个抽样路段对应的尾气排放量。管理平台可以基于各个抽样路段对应的尾气排放量确定预设区域的尾气排放总量。关于通过第二模型确定尾气排放总量方法的更多内容，请参见下文图6及其相关描述。
54.步骤340，基于尾气排放总量确定车辆限流信息。
55.车辆限流信息是指预设区域内的车辆是否限行以及限行方式。例如，车辆限流信息可以包括预设区域内的中等及高级车型的燃油汽车在工作日的7:30-20:00限行。
56.在一些实施例中，管理平台230可以将预设区域的尾气排放总量与预设区域的尾气排放总量的预设阈值进行比较，确定车辆限流信息。例如，若预设区域的尾气排放总量超过预设阈值，则预设区域的车辆限行。又例如，若预设区域的尾气排放总量未超过预设阈值，则预设区域的车辆不限行。
57.在一些实施例中，管理平台230可以通过第一模型对预设区域的尾气排放总量和天气信息进行处理，确定污染指数信息。管理平台可以基于污染指数信息确定车辆限流信息。关于基于污染指数信息确定车辆限流信息方法的更多内容，请参见下文图5及其相关描述。
58.在本说明书的一些实施例中，通过预设区域的车辆信息所反映的车流量的多少，估测预设区域的车辆尾气排放总量，然后根据尾气排放总量确定预设路段的空气污染指数，然后根据空气污染指数准确确定预设区域的车辆是否限行及限行方式，以避免车辆驶入预设区域，加重预设区域的空气污染。
59.图4是根据本说明书一些实施例所示的基于当前监控数据确定车辆信息方法的示例性流程图。在一些实施例中，流程400可以由管理平台230执行。如图4所示，流程400包括下述步骤。
60.步骤410，通过传感网络平台获取对象平台采集的预设区域内的一个路段中的一个监控位点对应的当前监控数据。
61.在一些实施例中，预设区域内可以包括多个路段，多个路段中的每个路段包括至少一个监控位点。
62.监控位点是指预设区域内的用于获取监控数据的一个监控位置点。
63.在一些实施例中，管理平台230可以通过传感网络平台240获取对象平台250内的一个采集装置(如，摄像头)采集的预设区域内的一个监控位点的当前监控数据。
64.步骤420，通过数据获取模型对所述当前监控数据进行处理，确定所述监控位点的所述车辆信息，所述数据获取模型为机器学习模型。
65.数据获取模型可以用于获取监控位点的车辆信息。
66.在一些实施例中，数据获取模型可以包括图像特征提取层、序列特征层和数据预测层。图像特征提取层、序列特征层和数据预测层依次连接。管理平台230可以将一个监控位点对应的当前监控数据输入图像特征提取层，图像特征提取层输出基于时间的图像特征序列。再将基于时间的图像特征序列输入序列特征层，序列特征层输出特征向量。再将特征向量输入数据预测层，数据预测层输出车辆信息。在一些实施例中，图像特征提取层可以为卷积神经网络(convolutional neural networks，cnn)。序列特征层可以为循环神经网络(recurrent neural network,rnn)。数据预测层可以为神经网络(neural network，nn)。
67.在一些实施例中，车辆信息可以包括未来时间段该监控位点对应的车速信息。未来时间段是指从当前时间点往后的时间段。在一些实施例中，管理平台230可以基于未来时间段该监控位点对应的车速信息预测预设区域内未来时间段的尾气排放总量。
68.在一些实施例中，图像特征提取层、序列特征层和数据预测层可以通过训练获取。训练过程可以通过管理平台230执行，其训练可以基于以下方法实现。
69.分别获取图像特征提取层、序列特征层及数据预测层的训练样本及其标签。图像特征提取层的训练样本可以为历史监控数据(如道路监控系统输出的基于时间的图像序列)，图像特征提取层的标签可以为历史基于时间的图像特征序列。序列特征层的训练样本可以为历史基于时间的图像特征序列，序列特征层的标签可以为历史特征向量。数据预测层的训练样本可以为历史特征向量，数据预测层的标签可以为历史车辆信息(包括历史车流量信息、历史车型分布信息和历史车速信息)。
70.在一些实施例中，图像特征提取层、序列特征层及数据预测层的标签可以通过人工标定获得。
71.将多个带有标签的训练样本分别输入对应的初始图像特征提取层、初始序列特征层和初始数据预测层。通过训练迭代更新初始图像特征提取层、初始序列特征层和初始数据预测层的参数。当训练的模型满足预设条件时，训练结束，获取训练好的图像特征提取层、序列特征层和数据预测层。在一些实施例中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
72.在一些实施例中，数据获取模型中的图像特征提取层、序列特征层及数据预测层可以进行联合训练，从而获得训练好的数据获取模型。
73.在一些实施例中，数据获取模型的训练样本可以为历史监控数据，训练样本的标签可以是历史车辆信息。
74.在一些实施例中，将训练样本中的历史监控数据输入数据获取模型中的图像特征提取层，将图像特征提取层的输出输入数据获取模型中的序列特征层，将序列特征的输出输入数据获取模型中的预测层，并基于预测层的输出和标签构建损失函数，并基于损失函数迭代更新图像特征提取层、序列特征层及数据预测层的参数，直到预设条件被满足训练
完成，得到训练好的数据获取模型。在一些实施例中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
75.在本说明书的一些实施例中，通过上述训练方式获得数据获取模型的参数，在一些情况下有利于解决单独训练图像特征提取层和序列特征层时难以获得标签的问题，还可以使第数据获取模型能较好地得车辆信息。
76.在一些实施例中，当一个路段包括多个监控位点时，可以基于各个监控位点得到的车辆信息融合确定整个路段的车辆信息。
77.在一些实施例中，可以将各个监控位点得到的车辆信息求平均或加权平均，确定整个路段的车辆信息。在一些实施例中，各个监控位点的权重可以基于各个位点之间是否有路口来确定。例如，有路口则监控位点的权重相对较高。
78.在本说明书的一些实施例中，通过对预设区域内的多个监控位点得到的车辆信息融合确定整个预设区域的车辆信息，可以避免单一监控位点车辆信息不全面，无法客观的反映整个预设区域的车辆信息，进而导致基于车辆信息获得的预设区域的尾气排放总量不准确的情况发生。
79.应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
80.图5是根据本说明书一些实施例所示的基于尾气排放总量确定车辆限流信息方法的示例性流程图。该方法可以由管理平台230执行。如图5所示，流程500包括下述步骤。
81.步骤510，管理平台通过第一模型对预设区域的尾气排放总量和天气信息进行处理，确定污染指数信息。
82.天气信息是指预设区域内预设时间内大气中发生的各种气象变化，如温度、湿度、气压、降水、风、云等的情况。污染指数信息可以是指预设区域内的空气污染指数。
83.第一模型可以预测污染指数信息。在一些实施例中，第一模型可以为机器学习模型。可以将预设区域的尾气排放总量和天气信息输入第一模型，第一模型输出污染指数信息。
84.在一些实施例中，第一模型的输入还可以包括预设区域内的历史污染指数信息。
85.在一些实施例中，第一模型可以为cnn。
86.在一些实施例中，第一模型可以通过训练获取。训练过程可以通过管理平台230执行，其训练可以基于以下方法实现。
87.获取第一模型的训练样本及其标签。第一模型的训练样本可以为预设区域的历史尾气排放总量和历史天气信息，第一模型的标签可以取后续预设时间段的空气污染指数。在一些实施例中，第一模型的标签可以从第三方空气污染指数检测机构获取。
88.将多个带有标签的训练样本输入第一模型。通过训练迭代更新初始第一模型的参数。当训练的模型满足预设条件时，训练结束，获取训练好的第一模型。在一些实施例中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
89.步骤520，管理平台基于污染指数信息确定车辆限流信息。
90.在一些实施例中，管理平台230可以根据空气污染指数是否大于空气污染指数的预设阈值，确定车辆限流信息。空气污染指数的预设阈值可以为本领域技术人员根据经验
获得。例如，若空气污染指数大于预设阈值，则对预设区域发布车辆限流信息。又例如，若空气污染指数小于等于预设阈值，则对预设区域不发布车辆限流信息。
91.在一些实施例中，管理平台230可以判断污染指数信息中的空气污染指数是否处于空气污染指数预设阈值的边界区间，若处于边界区间，则重新确定污染指数信息，然后根据重新确定的污染指数信息确定车辆限流信息。
92.边界区间是指预设的靠近空气污染指数的预设阈值边界的区间。例如，若空气污染指数的预设阈值为180-200，则边界区间可以为180-181或198-200。
93.在一些实施例中，管理平台230可以通过第一模型对确定的初始尾气排放总量和预设区域的天气信息进行处理，确定污染指数信息，然后将污染指数信息与边界区域进行比较，确定污染指数信息是否处于边界区域。
94.在一些实施例中，可以通过第二模型对预设区域内的各个路段的车辆信息进行处理，确定各个路段的尾气排放量，进而确定预设区域的尾气排放总量，然后根据尾气排放总量重新确定污染指数，进而确定车辆限流信息。关于如何通过第二模型确定预设区域尾气排放总量的相关描述请参见图6及其相关描述。
95.在本说明书的一些实施例中，由于天气信息会对大气污染的稀释、缓解以及扩散存在影响，通过将设区域的尾气排放总量和天气信息同时输入第一模型确定污染指数信息，额外考虑了天气信息对污染指数信息的影响，从而提高了第一模型确定污染指数信息的准确性。另外，对于通过第一模型确定的污染指数处于边界区域的情况，无法准确判断限流信息时，通过采用更精细化的第二模型预测各个路段的尾气排放量，进而确定预设区域的尾气排放总量，然后根据尾气排放总量重新确定污染指数，提高处于边界区域的污染指数确定车辆限流信息的准确性。
96.图6是根据本说明书一些实施例所示的基于车辆信息确定所述预设区域的尾气排放总量的示例性流程图。该方法可以由管理平台230执行。如图6所示，流程600包括下述步骤。
97.步骤610，通过第二模型分别对预设区域中多个抽样路段中的各个抽样路段的车辆信息进行处理，确定各个抽样路段对应的尾气排放量。
98.在一些实施例中，第二模型可以为机器学习模型，如，cnn、rnn等。第二模型的输入可以为预设区域中多个抽样路段中的各个抽样路段的车辆信息。例如，第二模型的输入可以为预设区域中多个抽样路段中的各个抽样路段的车辆信息1、车辆信息2
……
车辆信息n。第二模型的输出可以为各个抽样路段对应的尾气排放量。例如，第二模型的输出可以为各个抽样路段对应的尾气排放量1、尾气排放量2
……
尾气排放量n。
99.在一些实施例中，第二模型可以通过训练获取。训练过程可以通过管理平台230执行，其训练可以基于以下方法实现。
100.获取第二模型的训练样本及其标签。第二模型的训练样本可以为预设区域中多个抽样路段中的各个抽样路段的历史车辆信息，第二模型的标签可以为各个抽样路段对应的历史尾气排放量。
101.在一些实施例中，第二模型的标签可以通过存储设备获得。存储设备存储有预设区域中多个抽样路段中的各个抽样路段的历史车辆信息对应的历史尾气排放量。
102.将多个带有标签的训练样本分别输入对应的初始第二模型。通过训练迭代更新初
始第二模型的参数。当训练的模型满足预设条件时，训练结束，获取训练好的第二模型。在一些实施例中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
103.步骤620，基于各个抽样路段对应的尾气排放量确定预设区域的尾气排放总量。
104.在一些实施例中，管理平台230可以采用多种方式基于车辆信息，确定预设区域内的尾气排放总量。
105.在一些实施例中，管理平台230可以基于预设区域中各个抽样路段与预设区域中其他路段的相似性，确定预设区域中其他路段的尾气排放量。进一步地，管理平台230可以融合预设区域中的所有路段(包括预设区域中多个抽样路段与预设区域中其他路段)的尾气排放量，确定整个预设区域的排放总量。
106.在一些实施例中，管理平台230可以基于预设区域中各个路段(预设区域中多个抽样路段与预设区域中其他路段中的各个路段)的路段特征信息构建各个路段对应的特征向量。路段特征信息包括位置数据、路段长度、路段单向或双向、路段周围环境。然后根据各个路段对应的特征向量，计算预设区域中各个抽样路段与预设区域中其它路段的相似度。
107.位置数据是指能够反映路段位置情况的数据，如路段的经纬度数据。路段周围环境是指路段周围是否有学校、医院等。
108.特征向量是指基于各个路段的路段特征信息构建的向量，例如，基于对应路段的路段特征(x，y，m，n)构建的特征向量p，其中，路段特征(x，y，m，n)可以表示对应路段的位置数据为x、路段长度为y、路段单向或双向为m、且路段周围环境为n，n代表路段周围是否有学校、医院等信息。
109.在一些实施例中，管理平台230可以分别计算预设区域中各个抽样路段的特征向量与预设区域中其它路段的特征向量之间的距离，然后根据所述距离远近，来判断各个抽样路段与预设区域中其它路段的相似度。例如，若预设区域中的抽样路段a的特征向量p与预设区域中其它路段b的特征向量k之间的距离为1-2之间，则预设区域中的抽样路段a和其它路段b相似度为0.8。
110.在一些实施例中，管理平台230可以将预设区域中抽样路段与其它路段的相似度乘以该抽样路段的尾气排放量，获得预设区域中其它路段的尾气排放量。例如，若预设区域中的抽样路段a和其它路段b相似度为0.8，且预设区域中的抽样路段a的尾气排放量为100g/km,则其他路段b的尾气排放量为100g/km
×
0.8＝80g/km。
111.在一些实施例中，管理平台230可以将预设区域内的各个路段的尾气排放量加权平均，确定区域的尾气排放总量。例如，若预设区域内的n个路段的尾气排放量分别为a1、a2
……
an,各个路段的平均尾气排放量为a，各个路段的平均尾气排放量的权重系数为x，则预设路段的尾气排放总量c＝a*x，其中，a＝(a1 a2 ... an)/n，x基于预设区域内路段数量、时间等因数确定。
112.在一些实施例中，管理平台230还可以通过融合模型对抽样路段的尾气排放量和预设区域中各个抽样路段与预设区域中其它路段的相似性进行处理，确定预设区域的尾气排放总量。
113.在一些实施例中，融合模型可以为机器学习模型，如，nn。融合模型的输入可以为抽样路段的尾气排放量和预设区域中各个抽样路段与预设区域中其它路段的相似性，输出可以为预设区域的尾气排放总量。
114.在一些实施例中，融合模型可以共享第三模型中融合层的参数。关于第三模型的融合层的定义及其训练过程请参见下文对应描述。
115.在本说明书的一些实施例中，通过抽样路段与其他路段的相似性确定其它路段的尾气排放量，进而确定整个预设区域的尾气排放总量，从而只需要计算预设区域较少路段的尾气排放量，即可预测整个预设区域的尾气排放总量，提高预测效率。
116.在一些实施例中，管理平台230还可以获取预设区域中的多个监控位点对应的当前监控数据、车辆信息以及路网数据，通过包括gnn(graph neural network，图神经网络模型)的第三模型对预设区域的抽样路段中对应的监控位点监控数据、车辆信息以及路网数据进行处理，确定预设区域的尾气排放总量。
117.路网数据是指交通领域的道路网络数据，如电子地图。路网数据可以通过gps定位系统获取。
118.在一些实施例中，第三模型可以为机器学习模型。在一些实施例中，第三模型可以包括相互连接的gnn和融合层。融合层可以为nn。
119.gnn可以对路网图结构数据进行处理，确定各个抽样路段的尾气排放量。
120.预设区域的路网图结构数据可以包括节点以及节点之间的边。其中，节点可以与预设区域内各个道路监控系统所在位置对应。节点属性可以反映在一段时间内对应道路监控系统所在位置的车辆信息(如，车型、车速等)。边可以与预设区域内各个道路对应。边属性可以反映对应道路长度。在一些实施例中，边所连接的节点可以是对应道路所连通的两个道路监控系统所在位置对应的节点，边的方向可以为车辆行驶的方向。
121.在一些实施例中，路网图结构数据可由预设区域的抽样路段中对应的监控位点的监控数据、车辆信息以及路网数据确定。其中，可以根据路网数据确定路网图结构数据中的节点、边以及边属性。
122.gnn的输入可以是目标区域的路网图结构数据，gnn各个边可以输出各个预设区域内的各个抽样路段的尾气排放量。例如，各个抽样路段的尾气排放量可以表现为各个节点与边的车辆信息。gnn各个边的输出可以输入融合层，融合层可以输出预设区域的尾气排放总量。
123.在一些实施例中，gnn和融合层可以单独训练获得。
124.在一些实施例中，可以基于训练数据对初始gnn模型训练以确定gnn模型。其中，初始gnn模型可以指未设置参数的gnn模型。训练数据可以包括训练样本以及训练标签，其中，训练样本可以是基于历史数据确定的历史路网图结构数据，训练标签可以为各个抽样路段的历史尾气排放量。将带有标识的训练样本输入初始gnn模型，通过训练更新初始gnn模型的参数，当满足预设条件时，训练结束，获取训练好的gnn模型。
125.在一些实施例中，历史路网图结构数据的节点与边可以与路网图结构数据相同或类似，节点与边的具体属性可以基于在一段时间内对应道路监控系统所在位置的历史车辆信息以及历史道路长度确定。
126.在一些实施例中，可以基于训练数据对初始融合层训练以确定融合层。其中，初始融合层可以指未设置参数的融合层。训练数据可以包括训练样本以及训练标签，其中，训练样本可以是预设区域内的各个抽样路段的历史尾气排放量，训练标签可以为预设区域的历史尾气排放总量。将带有标识的训练样本输入初始融合层，通过训练更新初始融合层的参
数，当满足预设条件时，训练结束，获取训练好的融合层。
127.在一些实施例中，gnn和融合层可以通过联合训练获得。
128.在一些实施例中，第三模型可以基于大量带有标签的训练数据训练gnn和融合层。具体的，可以将带有标签的训练数据，即基于历史数据确定的历史路网图结构数据输入到gnn，得到gnn输出的各个抽样路段的历史尾气排放量；然后将各个抽样路段的历史尾气排放量输入到融合层。通过训练更新gnn和融合层的参数，直至训练的gnn和融合层满足预设条件，获取训练好的gnn和融合层。其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。
129.在本说明书的一些实施例所示的第三模型，在确定预设区域的尾气排放总量时，考虑到了车辆在各个路口与道路的流动，从而确定的预设区域的尾气排放总量更符合实际情况，提高了预测预设区域的尾气排放总量的准确率。
130.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
131.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
132.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
133.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
134.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
135.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、
书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
136.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。