葉柯 孔佳玉 周奕希 曹瀚洋 姜沁琬

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

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

中圖法分類號tp311? ?文獻標識碼a

１ 引言

作為碳排放總量世界第一的大國，我國工業(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)境保護仍長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，中國環(huán)保產(chǎn)業(yè)的市場前景不斷擴大。然而，排污企業(yè)是固定污染源，其污染排放是我國環(huán)境污染的主要來源之一。對固定污染源的監(jiān)管是我國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)測設(shè)備參數(shù)，破壞在線監(jiān)測設(shè)備設(shè)施，設(shè)備運維不規(guī)范、不及時導(dǎo)致的監(jiān)測數(shù)據(jù)異?；驘o效的情況，給環(huán)境造成污染，進而對監(jiān)管提出更高的要求。

綜上所述，環(huán)境污染問題與國家經(jīng)濟息息相關(guān)，更與人們的生活環(huán)境相關(guān)，故對排污數(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，國內(nèi)外對于水質(zhì)等污染排放的檢測在硬件方面已十分完備，各類水質(zhì)傳感器、漂浮式水質(zhì)監(jiān)測站以及水質(zhì)監(jiān)測終端機的開發(fā)與研究，保證了對水質(zhì)排放相關(guān)指標數(shù)據(jù)的精準高效搜集。

然而，大多數(shù)企業(yè)只是做排放檢測，并且只是簡單地進行了一些排放污上限的判斷，這只能檢測排放是否超標，而針對一些污染偷排導(dǎo)致的數(shù)據(jù)異常行為卻無法檢測。由于僅用一些法律手段來要求企業(yè)自查，監(jiān)管部門難以進行高效監(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)測點，再將監(jiān)測點數(shù)據(jù)上傳至數(shù)據(jù)中心進行可視化［２］ 。在時間序列的異常檢測領(lǐng)域中，通?；谝恍﹤鹘y(tǒng)統(tǒng)計學(xué)方式，如３?ｓｉｇｍａ原則、指數(shù)平滑法、滑動平均法、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)計了一種基于編碼解碼器（Ｅｎｃｏｄｅｒ?Ｄｅｃｏｄｅｒ）的數(shù)據(jù)重建模型，對排污異常數(shù)據(jù)進行較為合理高效的判斷。

３ 平臺構(gòu)建

３．１ 前端設(shè)計

Ｗｅｂ 平臺采用前后端分離模式進行開發(fā)。前端平臺主要使用Ｒｅａｃｔ 框架進行搭建，Ｒｅａｃｔ 是一套用于構(gòu)建用戶界面的ｊａｖａｓｃｒｉｐｔ 庫，其聲明式設(shè)計使創(chuàng)建交互式ＵＩ 更加便捷，有利于對每個狀態(tài)設(shè)計簡潔的視圖。同時，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。當數(shù)據(jù)變動時，Ｒｅａｃｔ 將新變更的文檔樹與原虛擬文檔樹進行比較，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的交互。項目主要由Ｒｅｄｕｘ 進行全局狀態(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)測的狀態(tài)管理，可以運行在客戶端、服務(wù)端和原生程序。其集中管理應(yīng)用的狀態(tài)和邏輯便于進行撤銷重做操作以及實現(xiàn)狀態(tài)持久化等功能。數(shù)據(jù)可視化主要基于Ｅｃｈａｒｔｓ 實現(xiàn)，Ａｐａｃｈｅ ＥＣｈａｒｔｓ 是一個基于ＪａｖａＳｃｒｉｐｔ的開源可視化圖表庫，通過數(shù)據(jù)集管理數(shù)據(jù)，支持數(shù)據(jù)過濾、聚類、回歸，幫助實現(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)實現(xiàn)千萬級數(shù)據(jù)的流暢交互，并且可配置友好的無障礙訪問，可生成圖標描述和貼花圖案，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 請求方式。ａｘｉｏｓ 是一個基于ｐｒｏｍｉｓｅ 的網(wǎng)絡(luò)請求庫，其支持ＰｒｏｍｉｓｅＡＰＩ，可自動轉(zhuǎn)換ＪＳＯＮ 數(shù)據(jù)，并且客戶端支持防御ＸＳＲＦ。平臺將導(dǎo)入的信息存放在ａｘｉｏｓ 請求體中并發(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，實現(xiàn)前后端分離。

３．２ 后端設(shè)計

使用Ｇｏｌａｎｇ 進行后端開發(fā)，主要使用輕量化的Ｇｉｎ 和ＧＯＲＭ 框架，Ｇｉｎ 路由基本遵循Ｒｅｓｔｆｕｌ 風格進行編寫，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 框架編寫持久化層對ＭｙＳＱＬ 進行高效的數(shù)據(jù)讀寫和管理。

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

通過ＪＷＴ 進行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，在用戶量大時更節(jié)約服務(wù)器存儲空間。平臺登錄界面（多角色登錄選擇）如圖１ 所示。

Ｇｉｎ 框架與Ｆｌａｓｋ 相結(jié)合，Ｇｉｎ 負責處理路由，Ｆｌａｓｋ 負責數(shù)據(jù)處理以及模型運行， 利用Ｎｕｍｐｙ，Ｐａｎｄａｓ 等數(shù)據(jù)處理庫，以及用Ｐｙｔｏｒｃｈ 框架編寫的模型進行處理，得到相關(guān)指標和數(shù)據(jù)，最后將其返回給前端進行可視化展示，２ 種編程語言優(yōu)勢互補，有機結(jié)合，充分發(fā)揮它們在不同領(lǐng)域的功能優(yōu)勢。其具體如圖２、圖３ 所示。

３．３ 異常檢測編碼解碼器模型設(shè)計

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

３．４ 系統(tǒng)部署

利用Ｄｏｃｋｅｒ 容器技術(shù)進行部署。通過編寫Ｄｏｃｋｅｒｆｉｌｅ 將本地項目及各種依賴進行打包，生成Ｄｏｃｋｅｒ 鏡像，上傳至倉庫后，在服務(wù)器端進行鏡像拉取并創(chuàng)建容器，以部署應(yīng)用服務(wù)，可以實現(xiàn)系統(tǒng)資源利用更高效、啟動時間更快速，以及遷移、維護和擴展更便捷。

４ 結(jié)束語

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

參考文獻：

［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)庫建設(shè)路徑研究［Ｊ］．環(huán)境影響評價，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?，２０２２，３（１）：３３?３５．

［３］ 李晨，陳玉松．時間序列模型研究現(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．

作者簡介：

葉柯（２００２—），本科，研究方向：文本生成、目標檢測。