1.一种基于大数据的城市环卫运行优化方法，其特征在于：包括，

采集城市环卫数据并进行预处理，基于预处理数据判定各区域的污染状态标签，包括污染状态、污染类型与风险等级，并基于判定结果构建污染区域模型，根据污染区域模型中各区域的污染状态标签，生成多类型环卫作业任务，并基于作业完成状态调整污染区域模型的污染状态标签；

将移动检测设备的污染检测过程抽象为泊松随机过程，推导出污染区域被检测到的概率分布函数后计算出各区域最低检测频率，基于区域最低检测频率采用模拟退火算法计算得到每个区域的最优检测频率，基于区域最优检测频率使用改进型NSGA‑III多目标优化算法对环卫运行路径进行全局规划调度；

环卫运行过程中使用LSTM预测模型预测环卫设备故障概率，筛选出高风险设备不参与路径调度，并自动生成维修单，同时使用成本‑效率函数方法计算部署规模临界点，基于计算结果部署环卫设备。

2.如权利要求1所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述基于区域最优检测频率使用改进型NSGA‑III多目标优化算法对环卫运行路径进行全局规划调度指根据区域最优检测频率 ，生成N个调度方案，每个调度方案表示为S，且每个区域的任务分配必须满足其最优检测频率 ；

对每个调度方案计算优化目标函数值，包括路径总长度最小化函数 、检测覆盖率最大化函数 、任务均衡最大化函数 和运行成本最小化函数 ，将多目标优化计算结果记为目标函数值 ；

根据目标函数值 对方案集合中所有方案进行帕累托排序，若方案 在优化目标的所有优化目标上都不差于方案 ，且方案 在至少一个优化目标上严格优于方案 ，则方案 帕累托支配方案 ；

计算非支配方案集合的稀疏程度 ，设置稀疏程度阈值 ，若 大

于等于 ，则将方案 放入优选方案集合中，否则不采用；

基于筛选出的优选方案集合，采取交叉与变异操作，在优选方案集合中随机选取两个方案，交换两个方案的部分任务调度生成新的子方案 ，并随机选择不定数量的优选方案，在满足区域检测频率 的条件下，对方案的任务分配进行随机调整生成新的子方案，将生成的子方案与优选方案整合得到新的候选方案集合 ；

设置最大迭代次数 ，对集合 中的方案进行帕累托排序，并对排序后得到的非支配方案进行稀疏程度计算，将其中的非支配且稀疏程度大于设定阈值的方案置为新的优选方案集合，在迭代次数达到阈值前，反复生成新的子方案，并在进行帕累托排序和稀疏程度计算后得到新的优选方案集合；

在迭代次数达到上限 后，输出优选方案中非支配且稀疏程度最大的方案 作为最优调度方案。

3.如权利要求2所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述根据污染区域模型中各区域的污染状态标签，生成多类型环卫作业任务，并基于作业完成状态调整污染区域模型的污染状态标签指读取污染区域模型中各区域的污染状态、污染类型和风险等级，基于读取内容判断是否生成环卫作业任务：若污染状态为“有污染”则生成环卫作业任务，否则不生成；

若污染类型为颗粒物型，则生成洒水降尘任务，若为异味型则生成喷洒除味任务，若为堆放型则生成垃圾清运任务；

将风险等级等效为任务优先级，将生成的环卫作业任务按任务优先级排序并入作业调度；

通过车载终端上传任务完成状态，若任务完成，则将对应区域污染状态设为“无污染”，若任务未完成则保持污染状态并继续生成环卫作业任务。

4.如权利要求3所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述将移动检测设备的污染检测过程抽象为泊松随机过程，推导出污染区域被检测到的概率分布函数后计算出各区域最低检测频率指计算在单位时间内第i个区域需要被检测的次数 ；

将移动污染检测设备对每个区域的检测行为建模为泊松分布P；

基于泊松分布计算第i个区域在时间段 内至少被检测一次的概率 ；

设定第i个区域在时间间隔 内至少被检测一次的概率阈值 ，计算最低所需检测频率。

5.如权利要求4所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述基于区域最低检测频率采用模拟退火算法计算得到每个区域的最优检测频率指将 初始化为当前检测频率 ；

基于能耗成本函数 与响应效能函数 ，计算当前检测频率 下

的优化目标函数值 ；

当前检测频率的邻域中生成候选检测频率 ，且 大于 ；

计算候选频率的优化目标函数值 ，比较候选检测频率与当前检测频率的优化目标函数值，若 大于等于 ，则保持当前检测频率，若 小于 ，则将候选检测频率设置为当前检测频率；

计算当前检测频率与候选检测频率的优化目标函数值差值 ；

设置目标函数变化阈值，若| |大于等于目标函数变化阈值，则继续生成候选检测频率，若| |小于目标函数变化阈值，说明已收敛至最优频率，输出 为最优检测频率。

6.如权利要求5所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述环卫运行过程中使用LSTM预测模型预测环卫设备故障概率，筛选出高风险设备不参与路径调度，并自动生成维修单指每小时记录一次设备的信息，输出设备最近n个时刻的状态序列X；

基于设备的状态序列，使用LSTM模型预测设备在未来 时间内出现故障的概率 ，设定故障概率阈值，若预测故障的概率大于等于故障概率阈值，则将设备认定为高风险设备，不参与环卫工作的路径规划，直接生成维修单进行设备维修。

7.如权利要求6所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述使用成本‑效率函数方法计算部署规模临界点，基于计算结果部署环卫设备指构建投入 个设备的成本函数 ，构建效率函数 ，计算单位效率成本( )，对( )求导，求解导数为零的极小点作为最优部署 ，使用计算得到的 作为最优设备部署数量。

8.如权利要求7所述的一种基于大数据的城市环卫运行优化方法，其特征在于：所述采集城市环卫数据并进行预处理，基于预处理数据判定各区域的污染状态标签，并基于判定结果构建污染区域模型指在固定监测站和移动检测设备上部署感知设备，实时采集环境数据，包括地理位置、颗粒物大小、环境图片、异常气体浓度、设备编号，对数据进行预处理后上传至数据库；

所述污染状态标签包括污染状态、污染类型和风险等级，设定空气中颗粒大小阈值、异常气体浓度阈值与固体垃圾面积阈值，将数据库中数据与设定的阈值作比较，若颗粒大小大、异常气体浓度或图像识别出固体垃圾面积大于等于设定的阈值，则将区域的污染状态标记为“有污染”状态，并将三种污染类型分别记为颗粒物型、异味型和堆放型，否则将区域的污染状态标记为“无污染”状态；

归一化计算污染指标值A，并根据污染指标值和污染持续时长计算第i个区域的污染风险等级值 ；

设定低风险阈值 和高风险阈值 ：

若 小于 ，则将第i个区域的风险等级设置为一级；

若 大于等于 且小于等于 ，则将第i个区域的风险等级

设置为二级；

若 大于 ，则将第i个区域的风险等级设置为三级；

将城市划分为大小为m个的栅格模型，节点表示区域，边表示邻接关系，将每个区域的污染状态标签嵌入栅格模型中，形成污染区域模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1 8任一所述的一种基于大数据的城~市环卫运行优化方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1 8任一所述的一种基于大数据的城市环卫运行优化方法的~步骤。