CN106525678A - 一种基于地理位置的pm2.5浓度值的预测方法及装置 - Google Patents
一种基于地理位置的pm2.5浓度值的预测方法及装置 Download PDFInfo
- Publication number
- CN106525678A CN106525678A CN201611097947.4A CN201611097947A CN106525678A CN 106525678 A CN106525678 A CN 106525678A CN 201611097947 A CN201611097947 A CN 201611097947A CN 106525678 A CN106525678 A CN 106525678A
- Authority
- CN
- China
- Prior art keywords
- geographic position
- target geographic
- value
- monitoring
- concentration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 120
- 238000005303 weighing Methods 0.000 claims description 35
- DDVBPZROPPMBLW-IZGXTMSKSA-N latrunculin A Chemical compound C([C@H]1[C@@]2(O)C[C@H]3C[C@H](O2)CC[C@@H](\C=C/C=C/CC\C(C)=C/C(=O)O3)C)SC(=O)N1 DDVBPZROPPMBLW-IZGXTMSKSA-N 0.000 claims description 18
- DDVBPZROPPMBLW-UHFFFAOYSA-N latrunculin-A Natural products O1C(=O)C=C(C)CCC=CC=CC(C)CCC(O2)CC1CC2(O)C1CSC(=O)N1 DDVBPZROPPMBLW-UHFFFAOYSA-N 0.000 claims description 18
- 238000012806 monitoring device Methods 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 241001484259 Lacuna Species 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于地理位置的PM2.5浓度值的预测方法及装置,所述方法包括如下步骤:获得目标地理位置的经度和纬度值;以该地理位置为参考划定预设范围,获得预设范围内的预设数量的PM2.5监测站;获取监测站中每一个监测站监测到的当前的浓度值及该监测站的经度和纬度值;根据目标地理位置的经度和纬度值以及监测站的经度和纬度值,确定目标地理位置与每一个监测站的距离;根据所获得的距离,计算每一个监测站对目标地理位置的浓度值的影响权重;根据所计算的权重,预测目标地理位置的浓度值。应用本发明的实施例,解决了目前监测站较少,无法对整个城市所有位置进行预测的问题,降低了PM2.5监测设备投入成本。
Description
技术领域
本发明涉及环境污染预测领域,特别涉及一种基于地理位置的PM2.5浓度值的预测方法及装置。
背景技术
PM是英文particulate matter(颗粒物)的首字母缩写。PM2.5指空气中动力学当量直径小于等于2.5微米的颗粒物。PM2.5对环境的污染已经对人们的生活产生了巨大的影响。然而,由于PM2.5设备投入成本较高,我国大多数城市没有监测点或者监测点较少,因而持有移动终端的用户无法获取当前所在位置的PM2.5浓度值。因此,现有方法还有很多缺陷和不足。
鉴于上述不足,本发明目的在于发明一种基于地理位置的PM2.5浓度预测方法。
发明内容
本发明所要解决的技术问题是提供一种基于地理位置的PM2.5浓度值的预测方法及装置,以解决目前PM2.5监测点较少,无法对整个城市所有位置进行预测的问题,同时降低了PM2.5监测设备投入成本。
为实现上述目的,本发明提供以下的技术方案:一种基于地理位置的PM2.5浓度值的预测方法,包括如下步骤:
获得目标地理位置的经度值和纬度值;
以所述目标地理位置为参考划定预设范围,获得所述预设范围内的预设数量的PM2.5监测站;
获取所述预设数量的PM2.5监测站中每一个监测站监测到的当前PM2.5的浓度值及该监测站的经度值和纬度值;
根据所述目标地理位置的经度值和纬度值以及所述预设数量的PM2.5监测站的经度值和纬度值,确定所述目标地理位置与每一个PM2.5监测站的距离;
根据所获得的距离,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值。
进一步地,所述确定所述目标地理位置与每一个PM2.5监测站的距离,包括:
采用公式确定所述目标地理位置与每一个PM2.5监测站的距离;
其中,C=sin(LatA)*sin(LatBi)*cos(LonA-LonBi)+cos(LatA)*cos(LatBi)
其中,为所述目标地理位置与Bi的距离;LonA、LatA是所述目标地理位置A的经度值、纬度值;Bi是序号为i的监测点;LonBi、LatBi是Bi的经度值、纬度值;R为地球平均半径;π为圆周率。
进一步地,所述计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
进一步地,所述采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
根据公式计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
其中,Wi为Bi对所述目标地理位置的PM2.5的浓度值的影响权重,Bi是序号为i的监测点;N表示所述预设范围内的监测点的所述预设数量;i表示监测点的序号。
进一步地,所述根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值,包括:
根据公式预测所述目标地理位置的PM2.5的浓度值;
其中,XA表示所述目标地理位置A的PM2.5的浓度值;表示Bi所监测到的当前PM2.5的浓度值。
为实现上述目的,本发明提供以下的技术方案:一种基于地理位置的PM2.5浓度值的预测装置,所述装置包括:
第一获得模块,用于获得目标地理位置的经度值和纬度值;
第二获得模块,用于以所述目标地理位置为参考划定预设范围,获得所述预设范围内的预设数量的PM2.5监测站;
获取模块,用于获取所述预设数量的PM2.5监测站中每一个监测站监测到的当前PM2.5的浓度值及该监测站的经度值和纬度值;
确定模块,用于根据所述目标地理位置的经度值和纬度值以及所述预设数量的PM2.5监测站的经度值和纬度值,确定所述目标地理位置与每一个PM2.5监测站的距离;
计算模块,用于根据所获得的距离,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
预测模块,用于根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值。
进一步地,所述确定模块,具体用于:
采用公式确定所述目标地理位置与每一个PM2.5监测站的距离;
其中,C=sin(LatA)*sin(LatBi)*cos(LonA-LonBi)+cos(LatA)*cos(LatBi)
其中,为所述目标地理位置与Bi的距离;LonA、LatA是所述目标地理位置A的经度值、纬度值;Bi是序号为i的监测点;LonBi、LatBi是Bi的经度值、纬度值;R为地球平均半径;π为圆周率。
进一步地,所述计算模块,具体用于:
采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
进一步地,所述采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
根据公式计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
其中,Wi为Bi对所述目标地理位置的PM2.5的浓度值的影响权重,Bi是序号为i的监测点;N表示所述预设范围内的监测点的所述预设数量;i表示监测点的序号。
进一步地,所述预测模块,具体用于:
根据公式预测所述目标地理位置的PM2.5的浓度值;
其中,XA表示所述目标地理位置A的PM2.5的浓度值;表示Bi所监测到的当前PM2.5的浓度值。
与现有技术相比,本发明的一种基于地理位置的PM2.5浓度值的预测方法及装置,具有以下有益效果:
(1)本发明的一种基于地理位置的PM2.5浓度值的预测方法及装置,解决了目前PM2.5监测点较少,无法对整个城市所有位置进行预测的问题,同时降低了PM2.5监测设备投入成本;
(2)本发明的一种基于地理位置的PM2.5浓度值的预测方法及装置,可以为移动端用户提供当前所在地理位置的PM2.5预测和推送;
(3)本发明的一种基于地理位置的PM2.5浓度值的预测方法及装置,其中采用反距离加权法计算每个监测点PM2.5浓度影响权重的方法,可以应用在与大气相关的基于地理位置的影响模型中,具备一定的通用性。
附图说明
图1是本发明实施例提供的一种基于地理位置的PM2.5浓度值的预测方法的流程示意图;
图2是本发明实施例提供的一种基于地理位置的PM2.5浓度值的预测装置的结构示意图。
具体实施方式
为使发明的目的、技术方案和优点更加清楚明了,下面通过附图中及实施例,对本发明技术方案进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明技术方案,并不用于限制本发明技术方案的范围。
参见图1,图1是本发明实施例提供的一种基于地理位置的PM2.5浓度值的预测方法的流程示意图,包括如下步骤:
S101,获得目标地理位置的经度值和纬度值。
S102,以所述目标地理位置为参考划定预设范围,获得所述预设范围内的预设数量的PM2.5监测站。
S103,获取所述预设数量的PM2.5监测站中每一个监测站监测到的当前PM2.5的浓度值及该监测站的经度值和纬度值。
S104,根据所述目标地理位置的经度值和纬度值以及所述预设数量的PM2.5监测站的经度值和纬度值,确定所述目标地理位置与每一个PM2.5监测站的距离。
S105,根据所获得的距离,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
S106,根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值。
具体的,实际应用中,所述确定所述目标地理位置与每一个PM2.5监测站的距离,包括:
采用公式确定所述目标地理位置与每一个PM2.5监测站的距离;
其中,C=sin(LatA)*sin(LatBi)*cos(LonA-LonBi)+cos(LatA)*cos(LatBi)
其中,为所述目标地理位置与Bi的距离;LonA、LatA是所述目标地理位置A的经度值、纬度值;Bi是序号为i的监测点;LonBi、LatBi是Bi的经度值、纬度值;R为地球平均半径;π为圆周率。
具体的,实际应用中,所述计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
具体的,实际应用中,所述采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
根据公式计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
其中,Wi为Bi对所述目标地理位置的PM2.5的浓度值的影响权重,Bi是序号为i的监测点;N表示所述预设范围内的监测点的所述预设数量;i表示监测点的序号。
具体的,实际应用中,所述根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值,包括:
根据公式预测所述目标地理位置的PM2.5的浓度值;
其中,XA表示所述目标地理位置A的PM2.5的浓度值;表示Bi所监测到的当前PM2.5的浓度值。
本领域技术人员可以理解的是,PM2.5监测站与目标地理位置的距离越远,对目标地理位置的PM2.5浓度值的预测影响就越小,反之,就会越大。因此,采用反距离加权法IDW(Inverse Distance Weighted)计算各监测点与移动端所在位置的距离权重,IDW插值方法假定每个输入点都有着局部影响,这种影响随着距离的增加而减弱。获得所有监测站的权重再结合当前时刻每个监测站检测到的PM2.5的浓度值,即可计算目标地理位置的PM2.5的浓度值,并向对应的移动终端发送计算到的浓度值。
可见,应用本发明提供的一种基于地理位置的PM2.5浓度值的预测方法及装置,解决了目前PM2.5监测点较少,无法对整个城市所有位置进行预测的问题,同时降低了PM2.5监测设备投入成本。其中,采用反距离加权法计算每个监测点PM2.5浓度影响权重的方法,可以应用在与大气相关的基于地理位置的影响模型中,具备一定的通用性。
为了更好的说明本发明方案,以合肥市10个监测点的PM2.5数据为基础进行基于地理位置的PM2.5预测方法说明。
合肥市某移动端发送PM2.5查询请求、获取移动端当前在合肥的地理位置的经、纬度、获取合肥十个监测监测点的经、纬度、获取合肥市十个监测点的实时PM2.5浓度值。如果实时PM2.5浓度值有缺项,则取上一个时刻该监测点的PM2.5浓度值进行缺项的补全;
合肥市10个监测点的地理位置以及某一时刻PM2.5浓度值和各监测站的经度值和纬度值的情况如表1所示。
表1
监测站 | 浓度值(mg/m2) | 经度值 | 纬度值 |
1 | 62 | 117.196 | 31.7848 |
2 | 49 | 117.307 | 31.8766 |
3 | 52 | 117.259 | 31.8706 |
4 | 54 | 117.16 | 31.9051 |
5 | 47 | 117.25 | 31.8572 |
6 | 36 | 117.266 | 31.9438 |
7 | 52 | 117.336 | 31.8585 |
8 | 53 | 117.302 | 31.7956 |
9 | 45 | 117.278 | 31.7386 |
10 | 46 | 117.124 | 31.8516 |
根据图中的数据计算移动端当前所在位置与所有监测点之间的距离,如表2所示。
表2
监测站 | 移动端与监测站距离(km) |
1 | 28.2 |
2 | 37.7 |
3 | 22.5 |
4 | 13.4 |
5 | 17.8 |
6 | 19.3 |
7 | 23.7 |
8 | 34.3 |
9 | 41.9 |
10 | 8.6 |
采用反距离加权法IDW(Inverse Distance Weighted)计算各监测站与移动终端所在位置的距离权重,如表3所示:
表3
监测站 | 影响权重(Wi) |
1 | 0.07 |
2 | 0.054 |
3 | 0.088 |
4 | 0.15 |
5 | 0.112 |
6 | 0.104 |
7 | 0.084 |
8 | 0.058 |
9 | 0.048 |
10 | 0.032 |
根据如上数据,计算基于地理位置的PM2.5浓度值:
XA=0.07*62+0.054*49+0.088*52+0.15*54+0.112*47+0.104*36+0.084*52+0.058*45+0.048*45+0.232*46=48.944,还可以将预测值推送至移动端。
可见,应用本发明提供的一种基于地理位置的PM2.5浓度值的预测方法及装置,可以为移动端用户提供当前所在地理位置的PM2.5预测和推送。
参见图2,图2是本发明实施例提供的一种基于地理位置的PM2.5浓度值的预测装置的结构示意图,所述装置可以包括:
第一获得模块201,用于获得目标地理位置的经度值和纬度值;
第二获得模块202,用于以所述目标地理位置为参考划定预设范围,获得所述预设范围内的预设数量的PM2.5监测站;
获取模块203,用于获取所述预设数量的PM2.5监测站中每一个监测站监测到的当前PM2.5的浓度值及该监测站的经度值和纬度值;
确定模块204,用于根据所述目标地理位置的经度值和纬度值以及所述预设数量的PM2.5监测站的经度值和纬度值,确定所述目标地理位置与每一个PM2.5监测站的距离;
计算模块205,用于根据所获得的距离,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
预测模块206,用于根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值。
具体的,实际应用中,所述确定模块204,可以用于:
采用公式确定所述目标地理位置与每一个PM2.5监测站的距离;
其中,C=sin(LatA)*sin(LatBi)*cos(LonA-LonBi)+cos(LatA)*cos(LatBi)
其中,为所述目标地理位置与Bi的距离;LonA、LatA是所述目标地理位置A的经度值、纬度值;Bi是序号为i的监测点;LonBi、LatBi是Bi的经度值、纬度值;R为地球平均半径;π为圆周率。
具体的,实际应用中,所述计算模块205,可以用于:
采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
具体的,实际应用中,所述采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
根据公式计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
其中,Wi为Bi对所述目标地理位置的PM2.5的浓度值的影响权重,Bi是序号为i的监测点;N表示所述预设范围内的监测点的所述预设数量;i表示监测点的序号。
具体的,实际应用中,所述预测模块206,可以用于:
根据公式预测所述目标地理位置的PM2.5的浓度值;
其中,XA表示所述目标地理位置A的PM2.5的浓度值;表示Bi所监测到的当前PM2.5的浓度值。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于地理位置的PM2.5浓度值的预测方法,其特征在于,所述方法包括:
获得目标地理位置的经度值和纬度值;
以所述目标地理位置为参考划定预设范围,获得所述预设范围内的预设数量的PM2.5监测站;
获取所述预设数量的PM2.5监测站中每一个监测站监测到的当前PM2.5的浓度值及该监测站的经度值和纬度值;
根据所述目标地理位置的经度值和纬度值以及所述预设数量的PM2.5监测站的经度值和纬度值,确定所述目标地理位置与每一个PM2.5监测站的距离;
根据所获得的距离,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值。
2.根据权利要求1所述的一种基于终端地理位置的PM2.5浓度值的预测方法,其特征在于,所述确定所述目标地理位置与每一个PM2.5监测站的距离,包括:
采用公式确定所述目标地理位置与每一个PM2.5监测站的距离;
其中,C=sin(LatA)*sin(LatBi)*cos(LonA-LonBi)+cos(LatA)*cos(LatBi)
其中,为所述目标地理位置与Bi的距离;LonA、LatA是所述目标地理位置A的经度值、纬度值;Bi是序号为i的监测点;LonBi、LatBi是Bi的经度值、纬度值;R为地球平均半径;π为圆周率。
3.根据权利要求1-2任意一项所述的一种基于终端地理位置的PM2.5浓度值的预测方法,其特征在于,所述计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
4.根据权利要求3所述的一种基于终端地理位置的PM2.5浓度值的预测方法,其特征在于,所述采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
根据公式计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
其中,Wi为Bi对所述目标地理位置的PM2.5的浓度值的影响权重,Bi是序号为i的监测点;N表示所述预设范围内的监测点的所述预设数量;i表示监测点的序号。
5.根据权利要求4所述的一种基于终端地理位置的PM2.5浓度值的预测方法,其特征在于,所述根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值,包括:
根据公式预测所述目标地理位置的PM2.5的浓度值;
其中,XA表示所述目标地理位置A的PM2.5的浓度值;表示Bi所监测到的当前PM2.5的浓度值。
6.一种基于地理位置的PM2.5浓度值的预测装置,其特征在于,所述装置包括:
第一获得模块,用于获得目标地理位置的经度值和纬度值;
第二获得模块,用于以所述目标地理位置为参考划定预设范围,获得所述预设范围内的预设数量的PM2.5监测站;
获取模块,用于获取所述预设数量的PM2.5监测站中每一个监测站监测到的当前PM2.5的浓度值及该监测站的经度值和纬度值;
确定模块,用于根据所述目标地理位置的经度值和纬度值以及所述预设数量的PM2.5监测站的经度值和纬度值,确定所述目标地理位置与每一个PM2.5监测站的距离;
计算模块,用于根据所获得的距离,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
预测模块,用于根据所计算的权重,预测所述目标地理位置的PM2.5的浓度值。
7.根据权利要求6所述的一种基于终端地理位置的PM2.5浓度值的预测装置,其特征在于,所述确定模块,具体用于:
采用公式确定所述目标地理位置与每一个PM2.5监测站的距离;
其中,C=sin(LatA)*sin(LatBi)*cos(LonA-LonBi)+cos(LatA)*cos(LatBi)
其中,为所述目标地理位置与Bi的距离;LonA、LatA是所述目标地理位置A的经度值、纬度值;Bi是序号为i的监测点;LonBi、LatBi是Bi的经度值、纬度值;R为地球平均半径;π为圆周率。
8.根据权利要求6-7任意一项所述的一种基于终端地理位置的PM2.5浓度值的预测装置,其特征在于,所述计算模块,具体用于:
采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重。
9.根据权利要求8所述的一种基于终端地理位置的PM2.5浓度值的预测装置,其特征在于,所述采用反距离加权法,计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重,包括:
根据公式计算每一个PM2.5监测站对所述目标地理位置的PM2.5的浓度值的影响权重;
其中,Wi为Bi对所述目标地理位置的PM2.5的浓度值的影响权重,Bi是序号为i的监测点;N表示所述预设范围内的监测点的所述预设数量;i表示监测点的序号。
10.根据权利要求8所述的一种基于终端地理位置的PM2.5浓度值的预测方法,其特征在于,所述预测模块,具体用于:
根据公式预测所述目标地理位置的PM2.5的浓度值;
其中,XA表示所述目标地理位置A的PM2.5的浓度值;表示Bi所监测到的当前PM2.5的浓度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611097947.4A CN106525678A (zh) | 2016-12-03 | 2016-12-03 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611097947.4A CN106525678A (zh) | 2016-12-03 | 2016-12-03 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106525678A true CN106525678A (zh) | 2017-03-22 |
Family
ID=58354820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611097947.4A Pending CN106525678A (zh) | 2016-12-03 | 2016-12-03 | 一种基于地理位置的pm2.5浓度值的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106525678A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464009A (zh) * | 2017-06-23 | 2017-12-12 | 南京航空航天大学 | 一种北京市冬季大气pm2.5浓度变化预测方法 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109995884A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 确定精确地理位置的方法和装置 |
CN112986492A (zh) * | 2019-12-17 | 2021-06-18 | 华为技术有限公司 | 一种建立气体浓度预测模型的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080045156A1 (en) * | 2006-08-21 | 2008-02-21 | Ketul Sakhpara | Mobile Handset with Air Pollution Meter and System |
CN103234883A (zh) * | 2013-04-30 | 2013-08-07 | 中南大学 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
CN103529167A (zh) * | 2012-07-04 | 2014-01-22 | 中国移动通信集团公司 | 一种基于移动终端的空气质量监测方法、系统及装置 |
-
2016
- 2016-12-03 CN CN201611097947.4A patent/CN106525678A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080045156A1 (en) * | 2006-08-21 | 2008-02-21 | Ketul Sakhpara | Mobile Handset with Air Pollution Meter and System |
CN103529167A (zh) * | 2012-07-04 | 2014-01-22 | 中国移动通信集团公司 | 一种基于移动终端的空气质量监测方法、系统及装置 |
CN103234883A (zh) * | 2013-04-30 | 2013-08-07 | 中南大学 | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464009A (zh) * | 2017-06-23 | 2017-12-12 | 南京航空航天大学 | 一种北京市冬季大气pm2.5浓度变化预测方法 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
CN109995884A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 确定精确地理位置的方法和装置 |
CN112986492A (zh) * | 2019-12-17 | 2021-06-18 | 华为技术有限公司 | 一种建立气体浓度预测模型的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103234883B (zh) | 一种基于道路交通流量实时估算中心城区pm2.5浓度的方法 | |
CN106525678A (zh) | 一种基于地理位置的pm2.5浓度值的预测方法及装置 | |
Terada et al. | Population estimation technology for mobile spatial statistics | |
Fiandrino et al. | Crowdsensim: a simulation platform for mobile crowdsensing in realistic urban environments | |
CN104778263B (zh) | 一种电动车充电站系统仿真数据挖掘方法 | |
CN103167414B (zh) | 基于智能手机参与感知的气象信息服务系统及其实现方法 | |
CN103794061B (zh) | 基于多种定位数据计算道路融合行程车速的方法 | |
CN103002459A (zh) | 一种wcdma网络扩容规划的方法和装置 | |
CN110516023B (zh) | 一种基于移动感知的噪声地图绘制方法 | |
CN108537352A (zh) | 一种数据处理方法、装置和服务器 | |
CN104538958A (zh) | 用电客户电网接入点的智能分析方法及系统 | |
CN105512741A (zh) | 一种公交客流组合预测方法 | |
CN108333598A (zh) | 一种地质灾害监测系统及方法 | |
CN109523066A (zh) | 一种基于克里金插值的pm2.5新增移动站点选址方法 | |
CN105046962A (zh) | 基于公交移动wifi热点的车辆满载率实时计算方法 | |
CN103516912A (zh) | 一种移动终端定位省电方法 | |
Capponi et al. | Assessing performance of internet of things-based mobile crowdsensing systems for sensing as a service applications in smart cities | |
CN116402408B (zh) | 一种基于站点浓度差异的本外地排放贡献估算方法 | |
CN109413661A (zh) | 一种计算站距的方法及装置 | |
CN103674048A (zh) | 基于3g网络的动态智能导航方法 | |
Masseran et al. | On spatial analysis of wind energy potential in Malaysia | |
CN106849055A (zh) | 一种基于数据分析的配电网抢修驻点优化方法 | |
CA2903062A1 (en) | Geospatial smoothing in web applications | |
CN104850746B (zh) | 一种基于四阶龙格‑库塔和模拟退火的等值盐密预测方法 | |
CN103731860A (zh) | 一种基于车载终端数据计算移动网络信号覆盖强度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |