CN104200103A - 一种基于多领域特征的城市空气质量等级预测方法 - Google Patents
一种基于多领域特征的城市空气质量等级预测方法 Download PDFInfo
- Publication number
- CN104200103A CN104200103A CN201410452557.9A CN201410452557A CN104200103A CN 104200103 A CN104200103 A CN 104200103A CN 201410452557 A CN201410452557 A CN 201410452557A CN 104200103 A CN104200103 A CN 104200103A
- Authority
- CN
- China
- Prior art keywords
- training
- air
- moment
- function
- grade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多领域特征的城市空气质量等级预测方法,包括数据预处理阶段、训练阶段、预测阶段;数据预处理阶段进行网格划分得到训练样本,获取训练数据集;训练阶段估计出条件随机场模型最优参数,得到最优模型并输出条件随机场模型;预测阶段采用维特比算法结合训练阶段学习得到的条件概率模型求得条件概率P(Y/Xf)最大的输出序列并输出预测结果。本发明方法可以更准确地预测AQI等级,并对各站点接下来一定时间段内的AQI等级进行预测,满足人们挑选空气质量较好的时间段进行外出活动的需要。
Description
技术领域
本发明涉及一种城市AQI等级预测方法,尤其涉及一种基于多领域特征的空气质量监测站点AQI等级预测方法。
背景技术
空气是地球上的生物赖以生存的物质,是必不可少的一种物质。环境空气质量与人们的日常生活息息相关,同时也在城市环境综合评价中占有重要地位。但是随着人类文明和经济的发展,空气污染越来越严重,如何改善空气质量、合理进行大气环境质量预测预警变得越来越重要,根据空气质量预测,人们可以采取相应措施如带口罩,尽量避免外出等,保护自己免受空气污染物的侵害。
传统的空气质量预测方法一般仅考虑把原始数据作为预测模型的特征,而原始数据并不能充分体现数据的统计学特性,如集中趋势和离散趋势,这必然严重影响预测结果的准确性。一些产生式模型,如马尔科夫模型很好地利用了大气压,温度,交通等特征,但由于产生式模型的标记偏置和独立性假设等固有缺陷,导致预测准确率依旧不太理想;判别式模型,如决策树、支持向量机等,的学习和计算过程比较复杂。而条件随机场既具有判别式模型的优点,又具有产生式模型的优点,其考虑了上下文标记间的转移概率,以序列化形式进行全局参数优化和解码。另一方面,传统的空气质量预测通常是对接下来一整天的空气质量进行预测,这种粗粒度时间段的空气质量预测存在一个弊端,假设明天的空气质量预测结果是优,表明对空气污染物较敏感的人群可以进行户外活动,而实际上某些时间段(如上午8:00-9:00,下午5:00-6:00)的空气质量有可能是中度污染或者重度污染,对空气污染较敏感人群在这些时间段不宜进行户外活动。因此,对接下来一天的空气质量进行细粒度时间段的预测更为合理,为此设计一种基于多领域特征的城市空气质量等级预测方法是非常有必要的。
发明内容
本发明为克服上述的不足之处,本发明提出了一种基于多领域特征的城市空气质量等级预测方法,该方法可以更准确地预测AQI等级,满足人们挑选空气质量较好的时间段进行外出活动的需要。
本发明是通过以下技术方案达到上述目的:一种基于多领域特征的城市空气质量等级预测方法,包括数据预处理阶段、训练阶段、预测阶段;
数据预处理阶段:
1)对影响空气质量的多个领域的数据进行采集;
2)把城市划分成不相交的网格,每个网格g内的空气污染物浓度相同;
3)网格g所在的城市有m个含有空气监测站点的网格,抽取这些网格对应的每小时的空间特征和时间特征,每个小时可以生成m个训练样本;若历史数据跨越n个小时,则可以得到n×m个训练样本;
训练阶段:
1)训练数据集的获得及特征函数的定义:过去k个时刻生成的k个向量构成训练特征向量集Xt={X1,X2,...,Xk},其与过去k个时刻的AQI等级构成的标记序列Y={Y1,Y2,...,Yk}组成训练数据集;特征函数包括状态特征函数和转移特征函数;
2)基于定义的特征函数,采用拟牛顿法的BFGS算法对训练数据集进行学习,估计出条件随机场模型最优参数,得到最优模型并输出条件随机场模型;
预测阶段:
1)预测特征向量集的获得:要预测的每个时刻i生成一个特征向量Xi,n个时刻生成n个向量Xf={X1,X2,...,Xn};
2)利用预测特征向量集Xf={X1,X2,...,Xn}作为输入序列,采用维特比算法结合训练阶段学习得到的条件概率模型求得条件概率P(Y/Xf)最大的输出序列并输出预测结果。
作为优选,所述的空间特征包括:交通相关特征Fi;时间特征包括:气象学相关特征Fm、空气污染物相关特征
作为优选,所述的训练特征向量集或预测特征向量集中的向量包括交通相关特征Fi、气象学相关特征空气污染物相关特征三类特征。
作为优选,所述的状态特征函数包括生成的状态特征函数集 其中包括6×p个函数,一般形式如下式所示:
其中i表示多领域特征向量的第i行(1≤i≤k)),Yi表示第i行对应的时刻的AQI等级。
作为优选,所述的转移特征函数包括生成的转移特征函数集 其中包括6×6×p个函数,一般形式如下式所示:
其中i表示特征向量集的第i行(1≤i≤k)),Yi表示第i行对应的时刻的AQI等级,Yi-1表示第i-1行对应的时刻的AQI等级。
本发明的有益效果在于:(1)引入气象学,交通和空气污染物等领域相关特征,全面地模拟真实世界中影响空气质量的潜在系统,从而可以更准确地预测AQI等级;(2)基于条件随机场模型和多领域特征向量对细粒度时间段(小时)的AQI等级进行预测,满足人们挑选空气质量较好的时间段进行外出活动的需要;(3)采用条件随机场模型,克服了传统产生式模型标记偏置和条件独立性假设的缺陷;在学习过程,采用拟牛顿法的BFGS算法,保证了全局收敛性和超线性收敛速度。
附图说明
图1是基于多领域特征的空气质量等级预测方法流程图;
图2是预处理阶段流程图;
图3是网格及其影响区域;
图4是气象学相关特征窗口示意图;
图5是空气污染物相关特征窗口示意图;
图6是训练阶段流程图;
图7是预测阶段流程图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:本发明提出了基于多领域特征的AQI等级预测方法,流程如图1所示。该方法分为数据预处理、训练和预测三个阶段。其中,预处理阶段数据流用点划线表示,训练阶段数据流用虚线表示,预测阶段数据流用实线表示。
数据预处理阶段的流程如图2所示,其主要步骤包括:
1)针对某个城市,对影响空气质量的多个领域,如气象学,交通,空气污染物等的历史、实时数据和未来一定时间段的气象学预报数据进行采集;
2)把城市a划分成不相交的网格,每个网格g=g.wxg.h具有相同的长g.w和宽g.h,用g.c表示网格g的中心点。用ga(w,h)表示将a划分成不相交的长为w宽为h的网格集合,则属于同一g的空气污染物浓度视为一样。令g.A表示g的影响区域,则g.A=(g.w×3)×(g.h×3),g.A.c=g.c,由g及其周围的八个网格组成。如图3所示,每个小正方形是一个网格,蓝色阴影的网格的影响区域为红色框正方形区域;
3)找到该空气质量监测站点所属的网格g并抽取该网格对应的每个时刻i的交通相关特征Fi;
交通相关特征
a)该空气质量监测站点所在的网格g的影响区域包含的所有路g.R={r|r∈g.A}过去1小时的平均车速。首先根据式子(1)计算每条路r∈g.R过去1小时的平均车速E(r.v),其中,ri表示g.R集合的第i个元素,即g.A区域内第i条道路;L表示1小时内,每条道路可获得L个不同时刻的车速值;接着根据式子(2)计算g.A所有路段g.R在过去1小时的平均车速,其中|*|表示*集合中元素的个数。
b)该网格g的影响区域包含的所有路段g.R过去1小时的车速方差大小。可根据式子(3)计算,相关符号表示见上面的a)。
4)抽取该站点历史数据中每个时刻i的气象学相关特征空气污染物相关特征
其中气象学相关特征是基于待预测时刻过去一定时间段的各气象学属性在相应窗口中的统计学特性;空气污染物相关特征是基于当前时刻过去一定时间段的各空气污染物在相应窗口中的统计学特征。
这里窗口分为单向滑动窗口和双向滑动窗口,单向滑动窗口(uni_window)指窗口的一端固定,而另一端可以滑动;双向滑动窗口(bi_window)指窗口的两端都可以滑动。在图4、5中,uni_window(i)表示为一条单向箭头的虚线段,其中一端始终固定在定点,另一端则在与定点间隔为w1×i的时刻;bi_window(i)表示为一条双向箭头的实线段,一端位于与定点间隔为w2×(i-1)的时刻,另一端位于与定点间隔为w2×i的时刻。不同之处在于,图4中的定点为待预测时刻,图5中的定点为当前时刻。
气象学相关特征
通常风速越大,越有利于空气中污染物质的稀释扩散;当温度很高,湿度很大时,空气污染物浓度明显很低。因此,这里我们考虑温度、湿度以及风力三个气象学因素对空气质量的影响。
a)原始气象学特征fm raw。原始气象学特征即使用待预测时刻tp的气象学因素,如温度、湿度及风力的原始数据Etp,Htp,Wtp作为特征,即fmraw={Etp,Htp,Wtp}。
b)统计气象学特征fm_stat。即从待预测时刻算起,气象学因素,如温度、湿度及风力在过去m1×n1个小时中的一定长度时间段(如m1小时,m1×2小时,……,m1×n1小时,即图4中变量w1取值为m1,uni_window(i).Length=w1×i,1≤i≤n1)内的统计学特征,如最大值maxi、极差ri、平均值meani、中位数mediani及方差vi,即fmstat={maxi,ri,meani,mediani,vi|1≤i≤n1}。
c)差分气象学特征fm_diff。把从待预测时刻起往过去的m2×n2个小时平均划分成n2个时间段(每m2个小时一段,即图4中w2取值为m2,bi_window(i).Length=w2,1≤i≤n2),分别计算每个时间段中,温度、湿度及风力三个气象因素的最大值maxi与最小值mini(1≤i≤n2),然后取每个气象因素在前一个时间段(与当前时刻较近)的最大值最小值分别与相邻的后一个时间段的最大值最小值的差值(dmaxi,dmini,求解式子(4)、(5))作为差分气象学特征,即fm_diff={dmaxi,dmini|1≤i≤n2-1}。
dmaxi=maxi-maxi-1 (4)
amini=mini-mmi-1 (5)
空气污染物相关特征
空气污染的污染物有:烟尘、总悬浮颗粒物、可吸入悬浮颗粒物(浮尘)、二氧化氮、二氧化硫、一氧化碳、臭氧、挥发性有机化合物等等。这里我们仅考虑气体污染物CO、NO2、SO2、O3,以及可吸入悬浮颗粒物PM2.5、PM10对空气质量的影响。
a)原始空气污染物特征fa_raw。即使用当前时刻tc的空气污染物,如CO、NO2、SO2、O3、PM25、PM10及细粒度AQI等级的原始数据Ctc,Ntc,Stc,Otc,P2tc,P1tc,4tc作为特征,即fa_raw={Ctc,Ntc,Stc,Otc,P2tc,P1tc,Atc}。
b)统计空气污染物特征fa_stat。即从当前时刻算起,CO、NO2、SO2、O3、PM2.5、PM10及细粒度AQI等级在过去m1×n1个小时中的一定长度时间段(如m1小时,m1×2小时,……,m1×n1小时,即图5中变量w1取值为m1,uni_window(i).Length=w1×i,1≤i≤n1)内的统计学特征,如最大值maxi、极差ri、平均值meani、中位数mediani及方差vi,即fa_stat={maxi,ri,meani,mediani,vi|1≤i≤n1}。
c)差分空气污染物特征fa_diff。把从待预测时刻起往过去的m2×n2个小时平均划分成n2个时间段(每m2个小时一段,即图5中w2取值为m2,bi_window(i).Length=w2,1≤i≤n2),分别计算每个时间段中,CO、NO2、SO2、O3、PM2.5、PM10及细粒度AQI等级的最大值maxi与最小值mini(1≤i≤n2),然后取每个气象因素在前一个时间段(与当前时刻较近)的最大值最小值分别与相邻的后一个时间段的最大值最小值的差值(dmaxi,dmini,求解式子(6)、(7))作为差分气象学特征,即fa_diff={dmaxi,dmini|1≤i≤n2-1}。
dmaxi=maxi-maxi-1 (6)
dmini=mini-mini-1 (7)d)AQI等级转移概率fa_tran。给定一个时间序列T={t1,t2,...,ti,...,tn},一个状态(即细粒度AQI等级)集合S={s1,s2,...,si,...,sm}。设s(ti)为时刻ti(1≤i≤n)的状态;sum(si)为给定的时间序列T中状态si出现的总数;mn(p,q)=count(s(ti)=p,s(ti+j)=q),(1≤i≤n-j|1≤j≤24),count(*)表示状况*发生的次数。概率转移矩阵的求解方法如式子(8)所示。
其中j表示待预测时刻与当前时刻的时间间隔;Ma(i,j)表示矩阵在第i行第j列的值。设当前时刻的细粒度AQI等级为sc,则fa_tran={Ma(sc,i)|1≤i≤m}。
训练阶段的流程如图6所示,其主要步骤包括:
1)根据当前所处时刻k,针对过去每个时刻i,预处理阶段步骤3生成的三类特征组成一个向量从过去某个时刻开始到当前时刻为止的k个时刻生成的k个向量构成训练特征向量集Xt={X1,X2,...,Xk}。各个时刻的AQI等级构成标记序列Y={Y1,Y2,...,Yk},其与训练特征向量集组成训练数据集;
2)定义特征函数,包括状态特征函数和转移特征函数;
根据国家既定标准,AQI有6个等级,符号表示为r(0≤r≤5)。针对多领域特征向量集的某一列,假设此列有p个不同的值,所属集合为{vq|(1≤q≤p)}。
状态特征函数
则由此列生成的状态特征函数集 其中包括6×p个函数,一般形式如式子(9)所示:
其中i表示多领域特征向量的第i行(1≤i≤k)),Yi表示第i行对应的时刻的AQI等级。
转移特征函数
则由此列生成的转移特征函数集 其中包括6×6×p个函数,一般形式如式子(10)所示:
其中i表示特征向量集的第i行(1≤i≤k)),Yi表示第i行对应的时刻的AQI等级,Yi-1表示第i-1行对应的时刻的AQI等级。
3)根据1)中得到的训练数据集与2)中定义的特征函数,采用拟牛顿法的BFGS算法进行学习,进而估计出条件随机场模型最优参数,得到最优模型
4)输出条件随机场预测模型
预测阶段的流程如图7所示,其主要步骤包括:
1)针对要预测的每个时刻i(1≤i≤n),预处理阶段步骤3生成的三类特征组成一个向量n个时刻生成的n个向量组成预测特征向量集Xf={X1,X2,...,Xn};
2)将1)中得到的预测特征向量集Xf={X1,X2,...,Xn}作为输入序列,根据训练阶段得到的条件概率模型采用维特比算法可以求得条件概率P(Y/Xf)最大的输出序列 (即接下来各个小时的AQI等级序列);
3)输出预测结果
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (5)
1.一种基于多领域特征的城市空气质量等级预测方法,其特征在于,包括数据预处理阶段、训练阶段、预测阶段;
数据预处理阶段:
1)对影响空气质量的多个领域的数据进行采集;
2)把城市划分成不相交的网格,每个网格g内的空气污染物浓度相同;
3)网格g所在的城市有m个含有空气监测站点的网格,抽取这些网格对应的每小时的空间特征和时间特征,每个小时可以生成m个训练样本;若历史数据跨越n个小时,则可以得到n×m个训练样本;
训练阶段:
1)训练数据集的获得及特征函数的定义:过去k个时刻生成的k个向量构成训练特征向量集Xt={X1,X2,...,Xk},其与过去k个时刻的AQI等级构成的标记序列Y={Y1,Y2,...,Yk}组成训练数据集;特征函数包括状态特征函数和转移特征函数;
2)基于定义的特征函数,采用拟牛顿法的BFGS算法对训练数据集进行学习,估计出条件随机场模型最优参数,得到最优模型并输出条件随机场模型;
预测阶段:
1)预测特征向量集的获得:要预测的每个时刻i生成一个特征向量Xi,n个时刻生成n个向量Xf={X1,X2,...,Xn};
2)利用预测特征向量集Xf={X1,X2,...,Xn}作为输入序列,采用维特比算法结合训练阶段学习得到的条件概率模型求得条件概率P(Y/Xf)最大的输出序列并输出预测结果。
2.根据权利要求1所述的一种基于多领域特征的城市空气质量等级预测方法,其特征在于,所述的空间特征包括:交通相关特征时间特征包括:气象学相关特征Fm、空气污染物相关特征
3.根据权利要求1所述的一种基于多领域特征的城市空气质量等级预测方法,其特征在于,所述的训练特征向量集或预测特征向量集中的向量包括交通相关特征气象学相关特征空气污染物相关特征三类特征。
4.根据权利要求1所述的一种基于多领域特征的城市空气质量等级预测方法,其特征在于,所述的状态特征函数包括生成的状态特征函数集 其中包括6×p个函数,一般形式如下式所示:
其中i表示多领域特征向量的第i行(1≤i≤k)),Yi表示第i行对应的时刻的AQI等级。
5.根据权利要求1所述的一种基于多领域特征的城市空气质量等级预测方法,其特征在于,所述的转移特征函数包括生成的转移特征函数集 其中包括6×6×p个函数,一般形式如下式所示:
其中i表示特征向量集的第i行(1≤i≤k)),Yi表示第i行对应的时刻的AQI等级,Yi-1表示第i-1行对应的时刻的AQI等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410452557.9A CN104200103A (zh) | 2014-09-04 | 2014-09-04 | 一种基于多领域特征的城市空气质量等级预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410452557.9A CN104200103A (zh) | 2014-09-04 | 2014-09-04 | 一种基于多领域特征的城市空气质量等级预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104200103A true CN104200103A (zh) | 2014-12-10 |
Family
ID=52085396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410452557.9A Pending CN104200103A (zh) | 2014-09-04 | 2014-09-04 | 一种基于多领域特征的城市空气质量等级预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200103A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850734A (zh) * | 2015-04-21 | 2015-08-19 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
CN104915551A (zh) * | 2015-05-23 | 2015-09-16 | 杭州电子科技大学 | 一种基于车载式数据采集技术的pm2.5浓度估算方法 |
CN105893352A (zh) * | 2016-04-15 | 2016-08-24 | 苏州爱诺信信息科技有限公司 | 一种基于社交网络大数据的空气质量预警和监测分析系统 |
WO2016155372A1 (zh) * | 2015-03-27 | 2016-10-06 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
CN106709465A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
CN107391910A (zh) * | 2017-07-03 | 2017-11-24 | 国网湖南省电力公司 | 一种火电厂热排放对混合层大气增温的计算方法及其系统 |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN109104710A (zh) * | 2018-06-29 | 2018-12-28 | 湖北海纳天鹰科技发展有限公司 | 一种基于NBiot网络和MQTT协议的空气质量查询与发布装置 |
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及系统 |
CN109615239A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
TWI662422B (zh) * | 2018-04-23 | 2019-06-11 | 國家中山科學研究院 | Air quality prediction method based on machine learning model |
CN110189026A (zh) * | 2019-05-30 | 2019-08-30 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
WO2020044127A1 (zh) * | 2018-08-25 | 2020-03-05 | 山东诺方电子科技有限公司 | 一种大气污染预测的方法 |
CN111754046A (zh) * | 2020-07-02 | 2020-10-09 | 成都大学 | 面向结构化数据的深度卷积线性条件随机场的实现方法 |
CN112215530A (zh) * | 2019-07-11 | 2021-01-12 | 北京京东尚科信息技术有限公司 | 选仓方法和装置 |
CN112541302A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628852A (zh) * | 2012-03-13 | 2012-08-08 | 北京工业大学 | 基于污染物来源识别技术的大气污染源分级方法 |
CN103048427A (zh) * | 2012-12-25 | 2013-04-17 | 安科智慧城市技术(中国)有限公司 | 室内空气质量评估方法、装置和系统 |
CN103163278A (zh) * | 2013-01-31 | 2013-06-19 | 北京工业大学 | 基于数值模式与统计分析结合的大气重污染预报方法 |
CN103336093A (zh) * | 2013-06-26 | 2013-10-02 | 中山大学 | 一种区域空间质量分析方法 |
CN103514366A (zh) * | 2013-09-13 | 2014-01-15 | 中南大学 | 一种城市空气质量浓度监测缺失数据的修复方法 |
-
2014
- 2014-09-04 CN CN201410452557.9A patent/CN104200103A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628852A (zh) * | 2012-03-13 | 2012-08-08 | 北京工业大学 | 基于污染物来源识别技术的大气污染源分级方法 |
CN103048427A (zh) * | 2012-12-25 | 2013-04-17 | 安科智慧城市技术(中国)有限公司 | 室内空气质量评估方法、装置和系统 |
CN103163278A (zh) * | 2013-01-31 | 2013-06-19 | 北京工业大学 | 基于数值模式与统计分析结合的大气重污染预报方法 |
CN103336093A (zh) * | 2013-06-26 | 2013-10-02 | 中山大学 | 一种区域空间质量分析方法 |
CN103514366A (zh) * | 2013-09-13 | 2014-01-15 | 中南大学 | 一种城市空气质量浓度监测缺失数据的修复方法 |
Non-Patent Citations (3)
Title |
---|
J ZHENG等: "Ground-level ozone in the Pearl River Delta region: Analysis of data from a recently established regional air quality monitoring network", 《ATMOSPHERIC ENVIRONMENT》 * |
王艳平等: "城市空气环境质量变化趋势中长期预测研究", 《中国环境科学学会学术年会论文集(2009)》 * |
罗华君等: "应用空气质量预测模型进行监测点位选址", 《中国环垅科学学会学术年会论文集(2012)》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016155372A1 (zh) * | 2015-03-27 | 2016-10-06 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN104850734B (zh) * | 2015-04-21 | 2017-09-15 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
CN104850734A (zh) * | 2015-04-21 | 2015-08-19 | 武大吉奥信息技术有限公司 | 一种基于时空分布特征的空气质量指数预测方法 |
CN104915551B (zh) * | 2015-05-23 | 2017-12-05 | 杭州电子科技大学 | 一种基于车载式数据采集技术的pm2.5浓度估算方法 |
CN104915551A (zh) * | 2015-05-23 | 2015-09-16 | 杭州电子科技大学 | 一种基于车载式数据采集技术的pm2.5浓度估算方法 |
CN105893352A (zh) * | 2016-04-15 | 2016-08-24 | 苏州爱诺信信息科技有限公司 | 一种基于社交网络大数据的空气质量预警和监测分析系统 |
CN106709465B (zh) * | 2016-12-29 | 2019-08-02 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
CN106709465A (zh) * | 2016-12-29 | 2017-05-24 | 武汉大学 | 基于条件随机场的极化sar图像道路提取方法 |
CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
CN107391910A (zh) * | 2017-07-03 | 2017-11-24 | 国网湖南省电力公司 | 一种火电厂热排放对混合层大气增温的计算方法及其系统 |
TWI662422B (zh) * | 2018-04-23 | 2019-06-11 | 國家中山科學研究院 | Air quality prediction method based on machine learning model |
CN109104710A (zh) * | 2018-06-29 | 2018-12-28 | 湖北海纳天鹰科技发展有限公司 | 一种基于NBiot网络和MQTT协议的空气质量查询与发布装置 |
CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN109063908B (zh) * | 2018-07-30 | 2020-10-27 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
GB2591886A (en) * | 2018-08-25 | 2021-08-11 | Nova Fitness Co Ltd | Atmospheric pollution forecasting method |
WO2020044127A1 (zh) * | 2018-08-25 | 2020-03-05 | 山东诺方电子科技有限公司 | 一种大气污染预测的方法 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及系统 |
CN109360421A (zh) * | 2018-11-28 | 2019-02-19 | 平安科技(深圳)有限公司 | 一种基于机器学习的交通信息预测方法及装置、电子终端 |
CN109615239A (zh) * | 2018-12-13 | 2019-04-12 | 西安理工大学 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
CN109615239B (zh) * | 2018-12-13 | 2023-04-07 | 西安理工大学 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
CN110189026A (zh) * | 2019-05-30 | 2019-08-30 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
CN110189026B (zh) * | 2019-05-30 | 2021-11-12 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
CN112215530A (zh) * | 2019-07-11 | 2021-01-12 | 北京京东尚科信息技术有限公司 | 选仓方法和装置 |
CN112215530B (zh) * | 2019-07-11 | 2024-05-17 | 北京京东振世信息技术有限公司 | 选仓方法和装置 |
CN111754046A (zh) * | 2020-07-02 | 2020-10-09 | 成都大学 | 面向结构化数据的深度卷积线性条件随机场的实现方法 |
CN112541302A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
CN112541302B (zh) * | 2020-12-23 | 2024-02-06 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200103A (zh) | 一种基于多领域特征的城市空气质量等级预测方法 | |
Yang et al. | Understanding and predicting travel time with spatio-temporal features of network traffic flow, weather and incidents | |
CN110083977A (zh) | 一种基于深度学习的大气湍流监测方法 | |
Tiwari et al. | Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown | |
Sumithira et al. | Prediction of monthly global solar radiation using adaptive neuro fuzzy inference system (ANFIS) technique over the State of Tamilnadu (India): a comparative study | |
CN109165690A (zh) | 一种城市路网尾气污染分布预测的方法及系统 | |
CN104200104A (zh) | 一种基于空间特征的细粒度空气污染物浓度区域估计方法 | |
CN104240541A (zh) | 一种4d航迹生成方法 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
Ngan et al. | Classification of weather patterns and associated trajectories of high-ozone episodes in the Houston–Galveston–Brazoria area during the 2005/06 TexAQS-II | |
Wood et al. | A 40-year climatology of extratropical transition in the eastern North Pacific | |
Miskell et al. | Forecasting short-term peak concentrations from a network of air quality instruments measuring PM2. 5 using boosted gradient machine models | |
Zeng et al. | A Bayesian belief network approach for mapping water conservation ecosystem service optimization region | |
CN103116702A (zh) | 一种基于活动链模式的选择自行车方式出行预测方法 | |
Dey et al. | Convex-hull & DBSCAN clustering to predict future weather | |
Zhao et al. | Coupling meteorological stations data and satellite data for prediction of global solar radiation with machine learning models | |
Liu et al. | Age Structure and Carbon Emission with Climate-Extended STIRPAT Model-A Cross-Country Analysis | |
Li et al. | Influence of weather conditions on the intercity travel mode choice: A Case of Xi’an | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
Chen et al. | EvaNet: An extreme value attention network for long-term air quality prediction | |
Bindajam et al. | Assessing landscape fragmentation due to urbanization in English Bazar Municipality, Malda, India, using landscape metrics | |
CN103530508A (zh) | 一种建立风速功率转换概率模型的方法 | |
CN109615239A (zh) | 基于社会化网络媒体数据的城市空气质量的评估方法 | |
Weesakul et al. | Rainfall forecast in northeast of thailand using modified k-nearest neighbor | |
Doostan et al. | Climate change of Iran: a synoptic approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141210 |