CN105069537A - 一种组合式空气质量预报模型的构建方法 - Google Patents
一种组合式空气质量预报模型的构建方法 Download PDFInfo
- Publication number
- CN105069537A CN105069537A CN201510528541.6A CN201510528541A CN105069537A CN 105069537 A CN105069537 A CN 105069537A CN 201510528541 A CN201510528541 A CN 201510528541A CN 105069537 A CN105069537 A CN 105069537A
- Authority
- CN
- China
- Prior art keywords
- sight
- neural network
- prediction
- high pollution
- air quality
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于BP神经网络和多元逐步回归的组合式空气质量预报模型的构建方法,包括以下步骤:(1)基于训练样本集,建立BP神经网络预报模型;(2)基于BP神经网络预报结果,进行高污染情景判定,其具体是:(21)高污染情景的定义;(22)判别方程式的建立;(23)采用神经网络预报值判定法进行判定;(24)基于神经网络预报值判定结果,进行判别方程式的判定;(3)基于高污染情景判定结果,建立高污染的多元逐步回归预报模型。(4)综合以上预报判别过程,输出预报结果。本发明全面提高了城市空气质量预报精度,尤其是高污染情景的预警预报,实现了不同污染程度下稳定的空气质量精准预报。
Description
技术领域
本发明涉及环境质量预测预警领域,具体而言涉及一种高污染情景下的组合式城市空气质量预报模型的构建方法。
背景技术
开展空气质量预报模型研究,尤其是空气质量预报预警的高污染应急机制是现有环保部门急需开展的基础性工作。空气质量预报工作的开展是我国空气质量监测和环境管理水平提升的一个重要标志,也是一个城市文明程度的标志。一种稳定、精度高的城市空气质量预报模型,尤其是高污染情景下的预报和预警能力,不仅能为居民出行及生产工作的展开提供指导,还能为环保部门制定相应措施提供基础数据和技术支撑。
目前国内外常用的城市空气质量预报方法可分为潜势预报、统计预报和数值预报三大类。其中潜势预报带有较大主观性,很少独立使用;数值预报由于计算十分复杂,所需信息较为详尽且难以全面获取,短期内难以单独满足业务需求;统计预报构建简单,使用方便,不需要收集污染源排放清单,是目前多数开展空气质量预报城市采用的预报方法。而BP神经网络,是一种常用的统计预报方法,对于当前无法开展空气污染数值预报的城市,人工神经网络的应用效果尤佳。从20世纪90年代起,人工神经网络开始应用于空气质量预报领域。目前,人工神经网络主要应用于空气污染物浓度的短期预测和空气污染指数的预报,在不少城市都取得了较好的应用效果。但由于BP神经网络这种非参数化模型对极值表现不敏感,使得其对高浓度污染时段的预报误差较大。所以,仅仅只利用BP神经网络模型,不能实现高污染程度下稳定的精准预报。
上述各种预报方法均存在局限性,对不同程度污染的预报效果不能达到理想的效果。虽然BP神经网络对一般情景污染天气具有较高的预报准确率,但对区域性特征日益明显的重污染情景的预报误差同样较高。因而急需开发建立可适用于高污染情景下的具有统计学特征的预报模型。本发明为解决该问题提供了一套新的思路和方法。BP神经网络模型进行一般污染情景下的预报,以情景判定法为结合点,多元逐步回归模型进行高污染情景下的预报,构建BP神经网络和多元逐步回归的组合式空气质量预报模型,从而提高预报精确度。
发明内容
针对现有的空气质量预报模型存在的缺陷或不足,本发明旨在提供一种以情景判定法为结合点,基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建方法,规避了在复杂多变的大气环境中数值预报或统计模型预报的局限性,实现了不同污染程度下稳定的空气质量精准预报。
为达成上述目的,本发明采用的技术方案是:
一种基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建方法,其特征是,包括以下步骤:
(1)基于训练样本集,建立BP神经网络预报模型;
(2)基于BP神经网络预报结果,进行高污染情景判定,其具体是:
(21)高污染情景的定义;
(22)判别方程式的建立;
(23)采用神经网络预报值判定法进行判定;
(24)基于神经网络预报值判定结果,进行判别方程式的判定;
(3)基于高污染情景判定结果,建立高污染的多元逐步回归预报模型。
(4)综合以上预报判别过程,输出预报结果。
所述步骤(1)的具体步骤是:
(11)输入层神经元确定,从分析影响污染浓度的主要因素入手。其具体步骤为:
(111)污染源,污染源方面采用预测日前两日污染物浓度日均值作为输入因素;
(112)传输与扩散条件,影响污染物传输与扩散的主要为气象条件,本发明采用污染物浓度与气象因子综合分析的方法。利用分析污染物浓度与气象因子风速WS、风向WD、温度T、降雨等级RF、气压AP、相对湿度RH、大气稳定度AS、太阳辐射强度SR间的相互关联性,选取与污染物显著相关的因子,并赋以相应影响权重;
(12)隐藏层神经元确定,其具体步骤为:通过利用神经网络试验的结果与目标输出的平均绝对误差分析,以输入层神经元数的一半为基准,并将此基准临近数据作为隐藏层神经元数,进行网络结构优劣的判别,选择模型预测效果最好时的隐藏层神经元数。
(13)输出层神经元确定,本发明是针对不同污染物建立不同神经网络结构,故输出层神经元即为该污染物的预报浓度值。
(14)BP神经网络预测模型的构建:以BP神经网络模块作为预报模型的数据驱动,根据预测日条件动态筛选学习所使用的历史样本,通过信号正向传播和误差信号的反正传播过程,以所有训练样本预测的平均误差是否达到规定标准作为收敛条件,不断修改网络权重,从而建立网络输入条件与输出数据之间的对应关系,建立空气质量预报模型。
所述步骤(21)的具体步骤是:
参考环境空气质量标准浓度限值,同时结合神经网络模型预报结果的分析,确定一般污染情景与高污染情景的限值,低于该限值的,认为属于一般污染情景,标记为组1;高于该浓度限值的,认为属于高污染情景,标记为组2。
所述步骤(22)的具体步骤是:
根据步骤(21)高污染情景设定的浓度限值,将样本数据分为两组,即一般污染情景组1和高污染情景组2,针对不同污染情景建立判别方程式,其具体为:
(221)根据步骤(112)选取的气象因子输入变量,变量为第g个分组中第i个变量的第k个观测值。其中g=1,2,共有两个分组;i=1,2,...,n,每个分组共有i个变量;k=1,2,...,mg,第g组中共有mg个观测值。另,M为样本容量M=m1+m2。
(222)计算变量的总均值组均值总离差w、组内离差t。
(223)采用逐步判别方法,进行变量的引进和剔除。利用Wilks’lambda判别和Wilk统计量最小化的方法,判断依据利用F值,根据组均值的均等性检验结果,设Fentry=2,Fremoval=1,即当被加入的变量F值>=2时才把变量加入到模型,否则变量不能进入模型,当F<=1时可以从模型中移出变量,否则模型中的变量不会移出。
(224)最终选入d个变量,建立一般污染情景组1和高污染情景组2的判别方程式:
其中,g=1,2,qg为先验概率,qg=mg/M,mg表示第g组中观测值的总个数,M为样本容量,M=m1+m2;Cog、为判别系数, 为第g个分组的组内总体均值,wij为总体离差,i,j∈d。
所述步骤(23)的具体步骤是:
依据BP神经网络预测结果,以(21)设定的浓度限值为判定标准,来判定预测日为的高污染情景还是一般污染情景,即,判定预测日为组2还是组1;
所述步骤(24)的具体步骤是:
(241)如果神经网络预报值判定预测日为一般污染情景,则不需要进行判别方程式的判定,直接判定为组1;
(242)如果神经网络预报值判定预测日为高污染情景,则再通过判别方程式进行判定;将待判别样本代入(224)中的判别方程式 g=1,2,计算值f1(x)和f2(x),如果值f1(x)大于f2(x),则判定为1组,否则判定为2组。如果判别方程式也判定该样本属于高污染情景,则认为该样本属于高污染情景,即判定为组2;
(243)如果判别方程式判定该样本属于一般污染情景,则认为该样本属于一般污染情景,即判定为组1。
所述步骤(3)的具体步骤是:
(31)初始自变量采用BP神经网络输入因素;
(32)根据情景判定结果,构建高污染多元逐步回归的空气质量预报模型,其标准使用“F的概率”,引入限值和删除限值分别选择默认值的0.05和0.1,置信度设置为95%。
所述步骤(4)的具体步骤是:以BP神经网络模型预测一般污染情景下的预报数据,输出一般污染情景预报结果,以多元逐步回归模型预测高污染情景下的预报数据,输出高污染情景预报结果。
与现有的空气质量预报方法相比,基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型具有以下优点:
本发明全面提高了城市空气质量预报精度,尤其是高污染情景的预警预报,实现了不同污染程度下稳定的空气质量精准预报。本方法采用了BP神经网络和多元逐步回归方法相结合,以情景判定为连接点的方式,实现了方法的优势互补,克服了各种预报方法单独使用时存在的缺点。经检验,本发明对大气重污染天气的报出率与现行各预报方法相比明显提高,且高污染情景下预报效果提升更明显。
附图说明
图1是组合式预报模型实现流程;
图2是基于BP神经网络的城市空气质量预报模型计算流程;
图3是情景判定方法主要流程;
图4是多元逐步回归模型建立流程;
图5是预报输出结果流程图。
图6是PM10监测值与预报值对比散点图。
具体实施方式
下面结合附图对本发明做进一步的描述,但本发明的实施方式并不限于此。
如图1,一种基于BP神经网络和多元逐步回归的组合式城市空气质量预报模型的构建方法,包括以下步骤:
(1)基于训练样本数据,建立BP神经网络预报模型;
(2)基于BP神经网络预报模型,获取神经网络预报结果,在对预报结果进行高污染情景判定,其具体是:定义高污染情景,建立判别方程式;采用神经网络预报值判定法进行判定;判断是否属于高污染情景,如是则基于神经网络预报值判定结果,再进行判别方程式的判定;
(3)基于高污染情景判定结果,建立高污染的多元逐步回归预报模型。
(4)综合以上预报判别过程,输出预报结果。
如图2,上述步骤(1)中基于BP神经网络预报模型的具体计算过程如下:
BP算法主要用于BP神经网络权值和阈值的学习,其学习过程可分为信号的正向传播及误差的反向传播。在信号的正向传播过程中,输入样本从输入层传入,经各隐藏层处理后传向输出层,若输出层的实际输出与期望输出不符,且误差不满足要求时转入误差的反向传播阶段。误差反传是将输出误差通过隐层向输入层逐层反传,网络权值由误差反馈进行调节。权值不断调整的过程也就是网络学习训练的过程,此过程直到网络输出误差减少到可接受的程度,或进行到预先设定的学习次数停止。具体流程为:
1.输入训练样本,计算各层输出;
2.计算网络输出误差;
3.判定训练样本是否取完,若没有则返回步骤1,若取完则进行下一步;
4计算各层权重调整量;
5调整各层权重;
6判定是否达到学习次数上限,若没有达到学习次数上限,则训练次数加一并进入下一步;若超过学习次数上限,则结束训练;
7判定误差是否在目标精度范围内,若没有则返回步骤1,若在精度范围内则转入下一步;
8建立预测模型。
如图3,上述步骤(2)中情景判定方法主要过程如下:
进行情景判定,目的在于保证高污染情景正确判定率的前提下有效地降低一般污染情景的错判率,即,降低将一般情景错误判定为高污染情景的概率,最终达到提高总体预报精度的目的。具体为:
1.获取BP神经网络预报模型的污染物浓度预报值;
2.依据BP神经网络预测结果,以设定的浓度限值为判定标准,来判定预测日为高污染情景还是一般污染情景,即,判定预测日为组2还是组1;
3.如果神经网络预报值判定预测日为高污染情景,则再通过判别方程式进行判定,如果判别方程式也判定该日属于高污染情景,则认为该日属于高污染情景,即判定为组2;
4.其他情况,均认为预测日为一般污染情景,即判定为组1。
如图4,上述步骤(3)中建立多元逐步回归预报模型的过程如下:
多元逐步回归模型在本说明中承担高污染情景下BP神经网络的替代模型,故建模用样本数据采用BP神经网络时段内高污染情景下的样本数据,以IBMSPSSStatistics19为工具,采用最小二乘法和显著性检验方法,取得最优拟合的针对高污染情景的多元逐步回归模型。
如图5,上述步骤(4)中预报输出结果的过程如下:
以BP神经网络模型和多元逐步回归模型为基础,以情景判定为连接点,构建组合式城市空气质量预报模型,输出预报结果。首先通过BP神经网络模型的预测结果判定预测日所属情景,如果属于高污染情景则进行判别方程式的进一步判定,如果判别方程式判定结果显示也属于高污染情景,则认为该预测日属于高污染情景,采用多元逐步回归模型进行预报,否则认为属于一般污染天气,直接采用神经网络预报结果。总之,以BP神经网络模型预测一般污染情景下的预报数据,输出一般污染情景预报结果,以多元逐步回归模型预测高污染情景下的预报数据,输出高污染情景预报结果。
下面结合实际的例子来对本发明进行描述:
实施例2011年5月至2012年4月某地PM10日均值浓度预报
准备训练样本数据:某地环境自动监测站2008年1月1日至2012年4月30日的PM10浓度数据及气象监测和气象预报数据。
(1)基于训练样本集,建立BP神经网络预报模型;
(11)输入层神经元确定
选取综合影响权重较大的因素作为各自神经网络输入层神经元。确定PM10日均值预报模型输入参数为:今日风Wp、今日降雨RFp、昨日降雨RFp-1、昨日气压APp-1、昨日相对湿度RHp-1、昨日18时大气稳定度等级ASp-1、昨日背景浓度、前日背景浓度。
(12)隐藏层神经元确定,以输入层神经元数的一半为基准,并将此基准临近数据作为隐藏层神经元数。根据(21)的结果,确定隐藏层神经元为4层,最终BP神经网络结构为(9,4,1)。
(13)输出层神经元确定,本发明输出层神经元即为PM10的预报浓度值。
(14)构建BP神经网络空气质量预报模型。
(2)基于BP神经网络预报结果,进行高污染情景判定
(21)高污染情景的定义,参考环境空气质量标准(GB3095-2012)二级浓度限值,将PM10一般污染情景与高污染情景限值的设定为0.100mg/m3,低于该限值的,认为属于一般污染情景,标记为组1;高于该浓度限值的,认为属于高污染情景,标记为组2。
(22)判别方程式的建立
引入逐步判定的方法,建立PM10判别方程式为:
接下来,就根据(23)和(24)进行高污染情景的判定。
表1PM10判别分类结果
PM10的判别分析样本条数为2186,对初始案例中的89.1%进行了正确分类,其中分组1的正确判别率为89.0%,分组2的正确判别率为91.1%。
(3)基于情景判定结果,选出优化训练样本集中的高污染情景样本数据,建立高污染的多元逐步回归预报模型。
PM10多元逐步回归模型:
(4)综合以上预报判别过程,输出预报结果。
利用训练学习得到的组合式预报模型求得预测数据,并输出预报结果。以BP神经网络模型预测一般污染情景下的预报数据,构建一般污染情景预报结果,以多元逐步回归模型预测高污染情景下的预报数据,构建高污染情景预报结果。
为了进一步说明组合式空气质量预报模型的预报优势,对当地2011年5月至2012年4月PM10数据进行BP神经网络模型预测结果与组合模型预测结果的对比分析。
实际监测值与预报值的对比如图6所示。
从散点图分布结果中可以看出组合预报模型预报值与监测值的线性拟合程度要好于BP神经网络模型预报值与监测值之间的拟合度,初步证明该组合模型在高污染情景正确判定时对预测结果修正的正面影响大于对高污染情景错误判定时对预测结果带来的负面影响,说明该方法是有效且可行的。
为更直观表现组合模型的预报能力,将BP神经网络预报模型与组合预报模型在不同情景下的预报结果进行对比分析,对比情景主要有5个:总体,高污染情景,一般情景,对高污染做出正确判定情景,将一般情景误判为高污染情景。其中高污染情景包括对高污染做出正确判定情景和高污染漏判情景,一般情景包括一般情景正确判定和高污染错判情景。对比结果如表2所示。
表2各情景下不同模型预报结果对比
注:“----”表示该项没有统计结果
BP神经网络模型与组合式预报模型预报结果的对比分析显示,PM10总体预报相对误差分别由0.268降至0.261,得益于高污染情景正确判定下组合式预报模型对预报精度的提高。
以上所述的本发明的实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (8)
1.一种组合式空气质量预报模型的构建方法,其特征是,包括以下步骤:
(1)基于训练样本集,建立BP神经网络预报模型;
(2)基于BP神经网络预报结果,进行高污染情景判定,其具体是:
(21)高污染情景的定义;
(22)判别方程式的建立;
(23)采用神经网络预报值判定法进行判定;
(24)基于神经网络预报值判定结果,进行判别方程式的判定;
(3)基于高污染情景判定结果,建立高污染的多元逐步回归预报模型;
(4)综合以上预报判别过程,输出预报结果。
2.根据权利要求1所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(1)的具体步骤是:
(11)输入层神经元确定,从分析影响污染浓度的主要因素入手;其具体步骤为:
(111)污染源,污染源采用预测日前T日污染物浓度日均值作为输入因素;
(112)传输与扩散条件,影响污染物传输与扩散的主要为气象条件:
采用污染物浓度与气象因子综合分析的方法;利用分析污染物浓度与气象因子风速WS、风向WD、温度T、降雨等级RF、气压AP、相对湿度RH、大气稳定度AS、太阳辐射强度SR间的相互关联性,选取与污染物显著相关的因子,并赋以相应影响权重;
(12)隐藏层神经元确定,其具体步骤为:通过利用神经网络试验的结果与目标输出的平均绝对误差分析,以输入层神经元数的一半为基准,并将此基准临近数据作为隐藏层神经元数,进行网络结构优劣的判别,选择模型预测效果最好时的隐藏层神经元数;
(13)输出层神经元确定,针对不同污染物建立不同神经网络结构,输出层神经元即为该污染物的预报浓度值;
(14)BP神经网络预测模型的构建:以BP神经网络模块作为预报模型的数据驱动,根据预测日条件动态筛选学习所使用的历史样本,通过信号正向传播和误差信号的反正传播过程,以所有训练样本预测的平均误差是否达到规定标准作为收敛条件,不断修改网络权重,从而建立网络输入条件与输出数据之间的对应关系,建立空气质量预报模型。
3.根据权利要求2所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(21)的具体步骤是:
以环境空气质量标准浓度限值为标准,结合神经网络模型预报结果的分析,确定一般污染情景与高污染情景的限值,低于该限值的,认为属于一般污染情景,标记为组1;高于该浓度限值的,认为属于高污染情景,标记为组2。
4.根据权利要求3所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(22)的具体步骤是:
根据步骤(21)高污染情景设定的浓度限值,将样本数据分为两组,即一般污染情景组1和高污染情景组2,针对不同污染情景建立判别方程式,其具体为:
(221)根据步骤(112)选取的气象因子输入变量,变量为第g个分组中第i个变量的第k个观测值;其中g=1,2,共有两个分组;i=1,2,...,n,每个分组共有i个变量;k=1,2,...,mg,第g组中共有mg个观测值;
(222)计算变量的总均值组均值总离差w、组内离差t;
(223)采用逐步判别方法,进行变量的引进和剔除;利用Wilks’lambda判别,Wilk统计量最小化的方法,判断依据利用F值,根据组均值的均等性检验结果,设Fentry=2,Fremoval=1,即当被加入的变量F值>=2时才把变量加入到模型,否则变量不能进入模型,当F<=1时从模型中移出变量,否则模型中的变量不会移出;
(224)最终选入d个变量,建立一般污染情景组1和高污染情景组2的判别方程式:
其中,g=1,2,qg为先验概率,qg=mg/M,mg表示第g组中观测值的总个数,M为样本容量,M=m1+m2;Cog、为判别系数, 为第g个分组的组内总体均值,wij为总体离差,i,j∈d。
5.根据权利要求4所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(23)的具体步骤是:
依据BP神经网络预测结果,以步骤(21)设定的浓度限值为判定标准,判定预测日是高污染情景或一般污染情景,即判定预测日为组2或组1。
6.根据权利要求5所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(24)的具体步骤是:
(241)如果神经网络预报值判定预测日为一般污染情景,则不需要进行判别方程式的判定,直接判定为组1;
(242)如果神经网络预报值判定预测日为高污染情景,则再通过判别方程式进行判定;将待判别样本代入(224)中的判别方程式g=1,2,计算值f1(x)和f2(x),如果值f1(x)大于f2(x),则判定为1组,否则判定为2组;
如果判别方程式同样判定该样本属于高污染情景,则该样本属于高污染情景,即判定为组2;
(243)如果判别方程式判定该样本属于一般污染情景,则认为该样本属于一般污染情景,即判定为组1。
7.根据权利要求1所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(3)的具体步骤是:
(31)初始自变量采用BP神经网络输入因素;
(32)根据情景判定结果,构建高污染多元逐步回归的空气质量预报模型,其标准使用“F的概率”,引入限值和删除限值分别选择默认值的0.05和0.1,置信度设置为95%。
8.根据权利要求1所述的组合式空气质量预报模型的构建方法,其特征是,所述步骤(4)的具体步骤是:以BP神经网络模型预测一般污染情景下的预报数据,输出一般污染情景预报结果,以多元逐步回归模型预测高污染情景下的预报数据,输出高污染情景预报结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528541.6A CN105069537B (zh) | 2015-08-25 | 2015-08-25 | 一种组合式空气质量预报模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528541.6A CN105069537B (zh) | 2015-08-25 | 2015-08-25 | 一种组合式空气质量预报模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069537A true CN105069537A (zh) | 2015-11-18 |
CN105069537B CN105069537B (zh) | 2018-06-19 |
Family
ID=54498897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510528541.6A Active CN105069537B (zh) | 2015-08-25 | 2015-08-25 | 一种组合式空气质量预报模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069537B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN107798419A (zh) * | 2017-09-28 | 2018-03-13 | 惠州Tcl移动通信有限公司 | 移动终端及空气质量显示处理方法、及存储介质 |
CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109840309A (zh) * | 2018-11-01 | 2019-06-04 | 河钢股份有限公司 | 一种铁水脱硫剂用量的计算方法 |
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
CN110457760A (zh) * | 2019-07-17 | 2019-11-15 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN110610209A (zh) * | 2019-09-16 | 2019-12-24 | 北京邮电大学 | 一种基于数据挖掘的空气质量预测方法及系统 |
CN111189152A (zh) * | 2020-01-11 | 2020-05-22 | 武汉科正工程技术有限公司 | 一种室内环境质量的检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040043760A1 (en) * | 2000-12-15 | 2004-03-04 | Daniel Rosenfeld | Location-based weather nowcast system and method |
CN101604356A (zh) * | 2009-06-24 | 2009-12-16 | 南京大学 | 一种不确定性中长期水文预报模型的建立方法 |
-
2015
- 2015-08-25 CN CN201510528541.6A patent/CN105069537B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040043760A1 (en) * | 2000-12-15 | 2004-03-04 | Daniel Rosenfeld | Location-based weather nowcast system and method |
CN101604356A (zh) * | 2009-06-24 | 2009-12-16 | 南京大学 | 一种不确定性中长期水文预报模型的建立方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
CN106529746A (zh) * | 2016-12-29 | 2017-03-22 | 南京恩瑞特实业有限公司 | 基于动力和热力因子的空气质量动态融合统计预报方法 |
CN107368894A (zh) * | 2017-07-28 | 2017-11-21 | 国网河南省电力公司电力科学研究院 | 基于大数据共享的大气污染防治用电数据分析平台 |
CN107798419A (zh) * | 2017-09-28 | 2018-03-13 | 惠州Tcl移动通信有限公司 | 移动终端及空气质量显示处理方法、及存储介质 |
CN109298136B (zh) * | 2018-10-11 | 2019-10-15 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
CN109840309A (zh) * | 2018-11-01 | 2019-06-04 | 河钢股份有限公司 | 一种铁水脱硫剂用量的计算方法 |
CN109840309B (zh) * | 2018-11-01 | 2023-01-31 | 河钢股份有限公司 | 一种铁水脱硫剂用量的计算方法 |
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
CN110363347B (zh) * | 2019-07-12 | 2022-04-15 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
CN110457760A (zh) * | 2019-07-17 | 2019-11-15 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN110457760B (zh) * | 2019-07-17 | 2021-02-02 | 浙江大学 | 一种基于空气污染传播模式的空气污染治理方法 |
CN110610209A (zh) * | 2019-09-16 | 2019-12-24 | 北京邮电大学 | 一种基于数据挖掘的空气质量预测方法及系统 |
CN111189152A (zh) * | 2020-01-11 | 2020-05-22 | 武汉科正工程技术有限公司 | 一种室内环境质量的检测方法及系统 |
CN111189152B (zh) * | 2020-01-11 | 2021-05-18 | 武汉科正工程技术有限公司 | 一种室内环境质量的检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105069537B (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069537A (zh) | 一种组合式空气质量预报模型的构建方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN103177301A (zh) | 一种台风灾害风险预估方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN106951976A (zh) | 一种基于模式分类的公交客流预测方法 | |
CN101673369A (zh) | 基于投影寻踪的排水管网洪涝风险评价方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
CN101728868A (zh) | 遥测电力负荷特性的分类和预测方法 | |
CN114429053B (zh) | 流域尺度wefe系统适配性模拟优化方法 | |
CN113988273A (zh) | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN115169659A (zh) | 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 | |
CN112434887B (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
CN113537569B (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及系统 | |
Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
CN114372631A (zh) | 一种基于小样本学习和lstm的缺资料地区径流预测方法 | |
CN113554298A (zh) | 一种深部地下地铁车站综合评价及智能运维方法 | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |