CN105488316B - 用于预测空气质量的系统和方法 - Google Patents

用于预测空气质量的系统和方法 Download PDF

Info

Publication number
CN105488316B
CN105488316B CN201410474871.7A CN201410474871A CN105488316B CN 105488316 B CN105488316 B CN 105488316B CN 201410474871 A CN201410474871 A CN 201410474871A CN 105488316 B CN105488316 B CN 105488316B
Authority
CN
China
Prior art keywords
monitoring station
adjacent domain
prediction model
measured
value
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.)
Active
Application number
CN201410474871.7A
Other languages
English (en)
Other versions
CN105488316A (zh
Inventor
刘博�
邬亮
胡卫松
刘晓炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to CN201410474871.7A priority Critical patent/CN105488316B/zh
Publication of CN105488316A publication Critical patent/CN105488316A/zh
Application granted granted Critical
Publication of CN105488316B publication Critical patent/CN105488316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了一种用于预测空气质量的系统，包括：确定单元，被配置为根据距离阈值来确定待测地点的邻近区域；训练单元，被配置为训练预测模型以获得所述预测模型的最优参数，其中所述预测模型是基于风向和所述邻近区域的空间特征而构建的；以及预测单元，被配置为利用具有所述最优参数的所述预测模型来预测待测地点的空气质量。还提供了一种用于预测空气质量的方法。本发明通过将风向因素与地理信息结合，充分利用了相邻区域间的关联性，提高了空气污染预测的精确度。

Description

用于预测空气质量的系统和方法
技术领域
本申请涉及数据分析领域，具体涉及一种用于预测空气质量的系统和方法。
背景技术
空气污染与空气质量越来越被人们重视。但由于空气污染物检测设备通常造价很高、操作麻烦，所以利用其它环境信息(如温度、湿度及可见度等)对空气中有害颗粒(如PM2.5等)进行预测具有极高的社会效益和经济价值。
通常，借助历史信息、邻近地区信息等污染物变化信息，对未来时间段和不具有实地检测条件的空间进行污染物浓度预测。为了预测浓度，主要依赖于统计方法去寻找污染物浓度分布相似的站点，对待测站点的浓度进行拟合。然而，各种环境因素的实时变化导致地理上相邻点的污染物浓度信息无法被直接运用到实际的预测当中。
发明内容
空气污染物浓度除了和地理位置相近有关，很大程度上受到风向的影响。随着风向变化，不同站点间的污染物浓度关系会产生很大变化。比如，当风向发生180度的变化时，原来处在上风向的台站就变成了下风向的台站，而台站间的相互关系也发生了变化。为了提高预测能力，本发明对风向造成的相邻区域的污染物浓度变化进行建模，从而对无监测站的地点的污染物浓度进行实时预测。
根据本发明的第一方面，提供了一种用于预测空气质量的系统，包括：确定单元，被配置为：根据距离阈值来确定待测地点的邻近区域；训练单元，被配置为：训练预测模型以获得所述预测模型的最优参数，其中，所述预测模型是基于风向和所述邻近区域的空间特征而构建的；以及预测单元，被配置为：利用具有所述最优参数的所述预测模型来预测待测地点的空气质量。
在一个实施例中，邻近区域的空间特征包括数值型特征和布尔型特征。
在一个实施例中，数值型特征包括以下一项或更多项：邻近区域中的监测站处测量的风速、温度、湿度、降水量，以及邻近区域中的监测站之间的距离和夹角。
在一个实施例中，布尔型特征包括以下一项或更多项：邻近区域中的监测站的相对方位是否满足特定条件，以及邻近区域中的监测站的相对距离是否大于阈值。
在一个实施例中，训练单元被配置为：针对邻近区域中的任意两个监测站，计算所述任意两个监测站的空间特征和预测值；以及针对邻近区域中的所有监测站，根据计算出的任意两个监测站的空间特征和预测值，计算预测模型的最优参数，使得通过具有最优参数的预测模型得到的预测值与真实测量值之差的绝对值之和最小。
在一个实施例中，预测单元被配置为：利用待测地点的邻近区域的空间特征，计算邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。
在一个实施例中，用于每一个监测站的权重与该监测站的训练误差的倒数成正比，所述训练误差与该监测站的真实测量值和通过具有最优参数的预测模型得到的预测值的差有关。
根据本发明的第二方面，提供了一种用于预测空气质量的方法，包括：根据距离阈值来确定待测地点的邻近区域；训练预测模型以获得所述预测模型的最优参数，其中，所述预测模型是基于风向和邻近区域的空间特征而构建的；以及利用具有最优参数的预测模型来预测待测地点的空气质量。
在一个实施例中，邻近区域的空间特征包括数值型特征和布尔型特征。
在一个实施例中，数值型特征包括以下一项或更多项：邻近区域中的监测站处测量的风速、温度、湿度、降水量，以及邻近区域中的监测站之间的距离和夹角。
在一个实施例中，布尔型特征包括以下一项或更多项：邻近区域中的监测站的相对方位是否满足特定条件，以及邻近区域中的监测站的相对距离是否大于阈值。
在一个实施例中，针对所述邻近区域中的任意两个监测站，计算任意两个监测站的空间特征和预测值；以及针对邻近区域中的所有监测站，根据计算出的任意两个监测站的空间特征和预测值，计算预测模型的最优参数，使得通过具有最优参数的预测模型得到的预测值与真实测量值之差的绝对值之和最小。
在一个实施例中，利用待测地点的邻近区域的空间特征，计算邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。
在一个实施例中，用于每一个监测站的权重与该监测站的训练误差的倒数成正比，所述训练误差与该监测站的真实测量值和通过具有最优参数的预测模型得到的预测值的差有关。
本发明通过将风向因素与地理信息结合，克服了邻近区域污染物指数之间关系不稳定的问题，充分利用了相邻区域间的关联性，提高了空气污染预测的精确度。
附图说明
通过下文结合附图的详细描述，本发明的上述和其它特征将会变得更加明显，其中：
图1是示出了根据本发明的用于预测空气质量的系统的框图。
图2是示出了根据本发明的用于确定邻近区域的示意图。
图3是示出了根据本发明的两个示例监测站与风向的关系的示意图。
图4是示出了根据本发明的待测地点与邻近的监测站的示意图。
图5是示出了根据本发明的待测地点与邻近的监测站的示意图。
图6是示出了根据本发明的用于预测空气质量的方法的流程图。
具体实施方式
下面，通过结合附图对本发明的具体实施例的描述，本发明的原理和实现将会变得明显。应当注意的是，本发明不应局限于下文所述的具体实施例。另外，为了简便起见，省略了与本发明无关的公知技术的详细描述。
图1是示出了根据本发明的用于预测空气质量的系统的框图。如图1所示，系统10包括确定单元110、训练单元120和预测单元130。下面，详细描述用于预测空气质量的系统10中的各个单元的操作。
确定单元110根据距离阈值来确定待测地点的邻近区域。通过定义距离阈值，获得待测地点的邻近监测站。距离阈值可以依靠经验来确定。距离阈值越大，则待测地点的邻近监测站的数目越多。图2是示出了根据本发明的用于确定邻近区域的示意图。如图2所示，P表示待测地点。当确定距离阈值后，那些距离P小于这一距离阈值的监测站A、B、C、D被看成P的邻近监测站，而距离P大于这一距离阈值的监测站E和F不被看成P的邻近监测站，因此监测站E和F的空气污染指数不用于预测P点的污染指数。
训练单元120训练预测模型以获得所述预测模型的最优参数，该预测模型是基于风向和邻近区域的空间特征而构建的。在本发明的一个实施例中，邻近区域的空间特征可以包括数值型特征和布尔型特征。例如，数值型特征可以包括以下一项或更多项：邻近区域中的监测站处测量的风速、
温度、湿度、降水量，以及邻近区域中的监测站之间的距离和夹角。布尔型特征可以包括以下一项或更多项：邻近区域中的监测站的相对方位是否满足特定条件，以及邻近区域中的监测站的相对距离是否大于阈值。下面，结合附图3来说明数值型特征和布尔型特征的示例。
如图3所示，从监测站A的角度出发，A包括与邻近监测站B的一组数值型特征。例如，该数值型特征可以是A和B之间的距离或夹角，以及其他特征(例如距离乘以夹角、距离乘以夹角乘以风速等)。同时，A也包含与其他监测站无关的数值型特征，例如风速、温度、湿度、降水量等。需要注意的是，A与B之间的夹角是以A为起点的风向为基准而计算的夹角，取值范围是大于等于0度且小于等于180度。
此外，监测站A还具有布尔型特征(即0-1特征)。这组特征可用于描述监测站A到其他监测站的关系。例如，布尔型特征可以描述监测站B是否处于监测站A的正东、正西、正南、正北等方向(比如，对于正东特征，当取值为1时代表B处在A的正东方向，当取值为0时代表B不在A的正东方向)，或监测站B与监测站A的距离是否超过一定阈值(比如，当取值为1时代表监测站B与监测站A的距离超过一定阈值，当取值为0时代表监测站B与监测站A的距离小于一定阈值)。
训练单元120针对所述邻近区域中的任意两个监测站，计算所述任意两个监测站的空间特征和预测值。然后，训练单元120针对所述邻近区域中的所有监测站，根据计算出的任意两个监测站的空间特征和预测值，计算所述预测模型的所述最优参数，使得通过具有所述最优参数的所述预测模型得到的预测值与真实测量值之差的绝对值之和最小。下面，结合图2所示场景来描述训练单元120的具体操作。
表1示出了训练单元120计算得到的与监测站A和监测站B有关的特征值。具体地，表1的第一行描述了A-＞B的特征，第二行描述了从B-＞A的特征。表1的最后一列为每行数据需要预测的目标值。这里，预测目标是两个监测站A和B之间的污染指数的差。
特征 距离 角度 北 东北 东 东南 南 西南 西 西北 差值
A-＞B 23 0.52 0 0 1 0 0 0 0 0 11
B-＞A 23 2.62 0 0 0 0 0 0 1 0 -11
表1
训练单元120可以按照类似方式，计算邻近区域中的其他监测站彼此之间的特征值。例如，对于图2的场景来说来说，训练单元120还计算A-＞C，A-＞D，B-＞C，B-＞D，C-＞A，C-＞B，C-＞D，D-＞A，D-＞B，D-＞C的特征值。
在一个实施例中，训练单元120采用如下预测模型：
f(x)＝λ1x1+λ2x2+...+λnxn
其中，λ表示预测模型的参数，代表每种特征对预测结果的重要程度。X表示特征值。这里，特征值共有n项。f(X)表示特征值向量X所对应的待测佰，y(X)代表特征佰向量X所对应待测佰的真实佰。在本实施例中，优化目标可以是：求得一组λ，使|f(X)-y(X)|最小，其中X＝{X1，X2，…，X1}，l是训练样本的个数(对于图2的场景来说l＝12)，Xi表示第i个特征值向量。因此，最终求得的一组参数具有使最小的性质。
预测单元130利用具有最优参数的预测模型来预测待测地点的空气质量。优选地，预测单元130利用待测地点的邻近区域的空间特征，计算所述邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。其中，用于每一个监测站的权重与该监测站的训练误差的倒数成正比，所述训练误差与该监测站的真实测量值和通过具有最优参数的预测模型得到的预测值的差有关。
下面，结合图4所示的示例场景，详细描述训练单元120和预测单元130的操作。
如图4所示，待测地点P的周围存在4个邻近监测站A、B、C、D。待测地点P与其所有邻近监测站A、B、C、D之间都可以计算出一组特征值。因为各邻近监测站的真实值都是已知的，通过计算差值和真实值的和就可以计算出待测地点P的估计值。通过对各点估计出的值进行融合，就得到最终的预测结果。
具体地，设diffA(i)表示监测站A和地点i的空气质量的真实差值。fA(i)表示监测站A和地点i的空气质量的预测差值，index表示空气污染指数。
diffA(i)＝|index(A)-index(i)|
定义监测站A的损失值如下：
其中，监测站A的损失值loss(A)表示监测站A到其他各个邻近监测站的训练误差之和。该值越大，说明以监测站A为基准做出的偏差预测越不精确，所以其在最终预测待测地点P时所占比重就应当越小。Φ为预设的正值，其目的是防止被零除的发生。例如，Φ可以取0到1之间的某个值。
监测站A点的权重可以是监测站A的损失值的倒数与倒数总和的比例：
其中，分母表示邻近区域内的所有监测站的损失值的倒数之和。
最终的预测结果index(P)是各个预测值的加权和，如下：
其中，fi(P)表示地点i和待测地点P的空气质量的预测差值。
下面的算法描述了训练单元120的整个训练过程：
上述算法的详细描述如下：
输入：数据矩阵X，特征值个数n，数据实例个数l，学习率η
输出：模型参数λi，...，λn
具体过程：
1：初始化所有模型参数λi，...，λn，即给所有参数赋一个随机值。
2：计算每个训练样本的损失值之和，即真实值和预测值之间的误差。
3：对n个特征的参数进行循环
4：根据误差求得各参数的更新梯度值。
5：根据求得的梯度值，对每个参数值进行更新，使总误差变小。其中，学习率是梯度下降的步长，是梯度下降的方向。
6：结束循环
7-9：检测是否收敛，若模型收敛则结束迭代过程。判断标准为：如果更新后的模型得出的误差比前一次模型的误差大，模型就会收敛。收敛表示模型已经达到最优的位置，再向其他方向寻找得到的都不是最优的。
10：返回模型参数λi，...，λn。
下面，结合图5所示的示例场景，给出系统10用于预测PM2.5值的一个具体操作示例。
在设定距离阈值后，确定单元110确定待测地点P的周围存在3个邻近监测站A、B、C，如图5所示。
然后，训练单元120抽取出A、B、C三点的特征值(即上文中提到的布尔型特征和数值型特征)。然后，训练单元120抽取A、B、C之间的空气污染指数的差。这样，得到下表2中的训练数据。
特征 距离 角度 北 东北 东 东南 南 西南 西 西北 差值
A-＞B 23 0.52 0 0 1 0 0 0 0 0 11
B-＞A 23 2.62 0 0 0 0 0 0 1 0 -11
A-＞C 25 0.78 1 0 0 0 0 0 0 0 -8
C-＞A 25 2.36 0 0 0 0 1 0 0 0 8
B-＞C 30 1.8 0 0 0 0 0 0 0 1 -19
C-＞B 30 1.34 0 0 0 1 0 0 0 0 19
表2
训练单元120按照上文所描述的过程计算使整体预测误差最小的一组参数值(即，获得基于A、B、C三点的最优模型)。之后，再次将训练数据输入到最优模型中，得到空气质量差值的预测值(见下表3的最后一列)。
特征 距离 角度 北 东北 东 东南 南 西南 西 西北 差值
A-＞B 23 0.52 0 0 1 0 0 0 0 0 10
B-＞A 23 2.62 0 0 0 0 0 0 1 0 -9
A-＞C 25 0.78 1 0 0 0 0 0 0 0 -9
C-＞A 25 2.36 0 0 0 0 1 0 0 0 9
B-＞C 30 1.8 0 0 0 0 0 0 0 1 -17
C-＞B 30 1.34 0 0 0 1 0 0 0 0 20
表3
之后，训练单元120求出各个监测站的训练误差，如下表4所示。
特征 训练误差
A-＞B.C 1+1＝2
B-＞A.C 2+2＝4
C-＞A.B 1+1＝2
表4
进一步，训练单元120得到各个监测站的权重值，如下表5所示。
监测站 权重值
A 2/5
B 1/5
C 2/5
表5
然后，预测单元130计算各个监测站对待测地点P的预测值(即，预测P与其他监测站之间的空气质量的差值，见下表6中的最后一列)。
特征 距离 角度 北 东北 东 东南 南 西南 西 西北 差值
A-＞P 26 0.26 1 0 0 0 0 0 0 0 -2
B-＞P 20 1.4 0 0 0 0 0 0 0 1 -14
C-＞P 15 0.84 0 0 1 0 0 0 0 0 7
表6
最后，预测单元130根据之前生成的权重值对这些预测值进行融合，得到最终结果如下：
PM2.5(P)＝(2/5)*(-2+37)+(1/5)*(-14+48)+(2/5)*(7+29)＝35.2
本实施例的空气质量预测系统将风向因素与地理信息结合，充分利用了相邻区域间的关联性，从而提高了空气污染预测的精确度。
图6是示出了根据本发明一个示例实施例的用于预测空气质量的方法的流程图。如图6所示，方法60在步骤S610处开始。
在步骤S620，根据距离阈值来确定待测地点的邻近区域。
在步骤S630，训练预测模型以获得预测模型的最优参数，其中预测模型是基于风向和邻近区域的空间特征而构建的。例如，邻近区域的空间特征可以包括数值型特征和布尔型特征。优选地，数值型特征可以包括以下一项或更多项：邻近区域中的监测站处测量的风速、温度、湿度、降水量，以及邻近区域中的监测站之间的距离和夹角。布尔型特征可以包括以下一项或更多项：邻近区域中的监测站的相对方位是否满足特定条件，以及邻近区域中的监测站的相对距离是否大于阈值。
优选地，针对邻近区域中的任意两个监测站，计算所述任意两个监测站的空间特征和预测值。然后，针对邻近区域中的所有监测站，根据计算出的任意两个监测站的空间特征和预测值，计算预测模型的最优参数，使得通过具有最优参数的预测模型得到的预测值与真实测量值之差的绝对值之和最小。
在步骤S640，利用具有最优参数的预测模型来预测待测地点的空气质量。优选地，可以利用待测地点的邻近区域的空间特征，计算邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。优选地，用于每一个监测站的权重与该监测站的训练误差的倒数成正比，训练误差与该监测站的真实测量值和通过具有最优参数的预测模型得到的预测值的差有关。
最后，方法60在步骤S650处结束。
应该理解，本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如，上述实施例中的设备内的各种组件可以通过多种器件来实现，这些器件包括但不限于：模拟电路、数字电路、通用处理器、数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD)，等等。
另外，本领域的技术人员可以理解，本发明实施例中描述的初始参数可以存储在本地数据库中，也可以存储在分布式数据库中或者可以存储在远程数据库中。
此外，这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地，该计算机程序产品是如下的一种产品：具有计算机可读介质，计算机可读介质上编码有计算机程序逻辑，当在计算设备上执行时，该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算系统的至少一个处理器上执行时，计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上，以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。
尽管以上已经结合本发明的优选实施例示出了本发明，但是本领域的技术人员将会理解，在不脱离本发明的精神和范围的情况下，可以对本发明进行各种修改、替换和改变。因此，本发明不应由上述实施例来限定，而应由所附权利要求及其等价物来限定。

Claims (12)

1.一种用于预测空气质量的系统，包括：
确定单元，被配置为：根据距离阈值来确定待测地点的邻近区域；
训练单元，被配置为：训练预测模型以获得所述预测模型的最优参数，其中，所述预测模型是基于风向和所述邻近区域的空间特征而构建的；以及
预测单元，被配置为：利用具有所述最优参数的所述预测模型来预测待测地点的空气质量；
其中，所述训练单元被配置为：
针对所述邻近区域中的任意两个监测站，计算所述任意两个监测站的空间特征和预测值；以及
针对所述邻近区域中的所有监测站，根据计算出的任意两个监测站的空间特征和预测值，计算所述预测模型的所述最优参数，使得通过具有所述最优参数的所述预测模型得到的预测值与真实测量值之差的绝对值之和最小。
2.根据权利要求1所述的系统，其中，所述邻近区域的空间特征包括数值型特征和布尔型特征。
3.根据权利要求2所述的系统，其中，所述数值型特征包括以下一项或更多项：所述邻近区域中的监测站处测量的风速、温度、湿度、降水量，以及所述邻近区域中的监测站之间的距离和夹角。
4.根据权利要求2所述的系统，其中，所述布尔型特征包括以下一项或更多项：所述邻近区域中的监测站的相对方位是否满足特定条件，以及所述邻近区域中的监测站的相对距离是否大于阈值。
5.根据权利要求1所述的系统，其中，所述预测单元被配置为：利用待测地点的邻近区域的空间特征，计算所述邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。
6.根据权利要求5所述的系统，其中，用于每一个监测站的权重与该监测站的训练误差的倒数成正比，所述训练误差与该监测站的真实测量值和通过具有所述最优参数的所述预测模型得到的预测值的差有关。
7.一种用于预测空气质量的方法，包括：
根据距离阈值来确定待测地点的邻近区域；
训练预测模型以获得所述预测模型的最优参数，其中，所述预测模型是基于风向和所述邻近区域的空间特征而构建的；以及
利用具有所述最优参数的所述预测模型来预测待测地点的空气质量；
其中，针对所述邻近区域中的任意两个监测站，计算所述任意两个监测站的空间特征和预测值；以及
针对所述邻近区域中的所有监测站，根据计算出的任意两个监测站的空间特征和预测值，计算所述预测模型的所述最优参数，使得通过具有所述最优参数的所述预测模型得到的预测值与真实测量值之差的绝对值之和最小。
8.根据权利要求7所述的方法，其中，所述邻近区域的空间特征包括数值型特征和布尔型特征。
9.根据权利要求8所述的方法，其中，所述数值型特征包括以下一项或更多项：所述邻近区域中的监测站处测量的风速、温度、湿度、降水量，以及所述邻近区域中的监测站之间的距离和夹角。
10.根据权利要求8所述的方法，其中，所述布尔型特征包括以下一项或更多项：所述邻近区域中的监测站的相对方位是否满足特定条件，以及所述邻近区域中的监测站的相对距离是否大于阈值。
11.根据权利要求7所述的方法，其中，利用待测地点的邻近区域的空间特征，计算所述邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。
12.根据权利要求11所述的方法，其中，用于每一个监测站的权重与该监测站的训练误差的倒数成正比，所述训练误差与该监测站的真实测量值和通过具有所述最优参数的所述预测模型得到的预测值的差有关。
CN201410474871.7A 2014-09-17 2014-09-17 用于预测空气质量的系统和方法 Active CN105488316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410474871.7A CN105488316B (zh) 2014-09-17 2014-09-17 用于预测空气质量的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410474871.7A CN105488316B (zh) 2014-09-17 2014-09-17 用于预测空气质量的系统和方法

Publications (2)

Publication Number Publication Date
CN105488316A CN105488316A (zh) 2016-04-13
CN105488316B true CN105488316B (zh) 2018-11-16

Family

ID=55675291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410474871.7A Active CN105488316B (zh) 2014-09-17 2014-09-17 用于预测空气质量的系统和方法

Country Status (1)

Country Link
CN (1) CN105488316B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106770532B (zh) * 2016-12-22 2019-01-08 广州市真量纯科技有限公司 一种气体浓度预测装置、及气体浓度实时检测和预测系统
CN107992454B (zh) * 2017-12-25 2020-11-17 安徽大学 一种基于在线顺序回归的空气质量等级预测方法
CN109040744B (zh) * 2018-07-27 2020-03-10 华为技术有限公司 预测视频业务的关键质量指标的方法、装置及存储介质
CN109657842A (zh) * 2018-11-27 2019-04-19 平安科技（深圳）有限公司 空气污染物浓度的预测方法及装置、电子设备
CN109542914A (zh) * 2018-12-29 2019-03-29 北京工业大学 空气质量监测系统的大数据分析与处理平台
CN110346517B (zh) * 2019-07-25 2021-06-08 中南大学 一种智慧城市工业大气污染可视化预警方法及其系统
CN110346518B (zh) * 2019-07-25 2021-06-15 中南大学 一种交通排放污染可视化预警方法及其系统
CN111144625A (zh) * 2019-12-10 2020-05-12 北京蛙鸣信息科技发展有限公司 基于邻近空间数据主成分要素的空气质量预测方法和系统
CN111609880A (zh) * 2020-05-09 2020-09-01 李达维 景观生态工程的生态环境测定系统及方法
CN112241853B (zh) * 2020-12-16 2021-05-11 中电科新型智慧城市研究院有限公司 一种区域间空气质量影响的评估方法及评估装置
CN113222236A (zh) * 2021-04-30 2021-08-06 中国科学技术大学先进技术研究院 数据分布自适应的跨区域尾气排放预测方法及系统
CN114858976A (zh) * 2022-04-27 2022-08-05 浙江索思科技有限公司 一种工业园区大气质量智能分析方法及系统
CN115561408B (zh) * 2022-11-17 2023-04-28 河北先河环保科技股份有限公司 空气污染预警方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192927A (zh) * 2010-11-05 2011-09-21 重庆大学 一种基于电子鼻技术的空气质量监测系统及其监测方法
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
CN104008278A (zh) * 2014-05-14 2014-08-27 昆明理工大学 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102192927A (zh) * 2010-11-05 2011-09-21 重庆大学 一种基于电子鼻技术的空气质量监测系统及其监测方法
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
CN104008278A (zh) * 2014-05-14 2014-08-27 昆明理工大学 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Application of evolutionary neural network method in predicting pollutant levels in downtown area of Hong Kong;W.Z.Lu et al;《Neurocomputing》;20030430;第51卷;387-400 *
Evaluation of land-use regression models used to predict air quality concentrations in an urban area;Markey Johnson et al;《Atmospheric Environment》;20100930;第44卷(第30期);3660-3668 *
呼和浩特市大气污染物变化特征及空气质量预报方法研究;司瑶冰;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20040315;第2004年卷(第3期);正文第4.1-4.2节 *
基于BP人工神经网络的城市PM2.5浓度空间预测;王敏等;《环境污染与防治》;20130930;第35卷(第9期);63-66、70 *
基于反距离加权空间插值方法的南京老城区PM2.5的空间分布研究;许亚辉等;《中国科技信息》;20140831(第16期);第48页、第49页第1栏 *
空间插值算法的研究及其在空气质量监测中的应用;王玉璟;《中国优秀硕士学位论文全文数据库信息科技辑》;20101115;第2010年卷(第11期);I140-212 *

Also Published As

Publication number Publication date
CN105488316A (zh) 2016-04-13

Similar Documents

Publication Publication Date Title
CN105488316B (zh) 用于预测空气质量的系统和方法
CN105488317B (zh) 用于预测空气质量的系统和方法
CN103514366B (zh) 一种城市空气质量浓度监测缺失数据的修复方法
Wen et al. Spatial heterogeneity in implicit housing prices: Evidence from Hangzhou, China
Pirdavani et al. Application of geographically weighted regression technique in spatial analysis of fatal and injury crashes
CN108520152B (zh) 一种工程设备的寿命分布确定方法及系统
KR102009574B1 (ko) 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템
CN107908889B (zh) 部分监测点预先选定的水质监测网络多目标优化部署方法
KR20180116820A (ko) 다중 가중치 산정 및 topsis를 이용한 단위유역별 수자원 취약성 평가 방법
Wani et al. Residual uncertainty estimation using instance-based learning with applications to hydrologic forecasting
CN117010726B (zh) 用于城市防洪的智慧预警方法及系统
Wang et al. Bayesian approaches for evaluating wind‐resistant performance of long‐span bridges using structural health monitoring data
Jenkins et al. Comparison of pipeline failure prediction models for water distribution networks with uncertain and limited data
JP2020134300A (ja) 予測方法、予測プログラム及び情報処理装置
Chen et al. Seismic reliability assessment of bridge networks considering travel time and connectivity reliabilities
Qu et al. Bridge Performance Prediction Based on a Novel SHM‐Data Assimilation Approach considering Cyclicity
JP6038011B2 (ja) ダム下流河川流量予測システム
Chu et al. Life-cycle assessment of long-span bridge’s wind resistant performance considering multisource time-variant effects and uncertainties
Sousa et al. How to evaluate the quality of coarse‐resolution DEM‐derived drainage networks
CN114219345B (zh) 一种基于数据挖掘的二次空气质量预报优化方法
Agathokleous et al. Real-time monitoring of water distribution networks
US20230314144A1 (en) System and method for estimating drift path of marine floating body
Qiu et al. A deformation prediction approach for supertall building using sensor monitoring system
Boubrima et al. Poster: Toward a better monitoring of air pollution using mobile wireless sensor networks
Yu et al. Development of probability wind speed map based on frequency analysis

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