CN107688878B - 空气质量预测方法及装置 - Google Patents
空气质量预测方法及装置 Download PDFInfo
- Publication number
- CN107688878B CN107688878B CN201710818682.0A CN201710818682A CN107688878B CN 107688878 B CN107688878 B CN 107688878B CN 201710818682 A CN201710818682 A CN 201710818682A CN 107688878 B CN107688878 B CN 107688878B
- Authority
- CN
- China
- Prior art keywords
- air quality
- target date
- probability
- historical data
- calculated
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种空气质量预测方法及装置。该方法通过获取目标日期之前一预设时间范围内的空气质量变化规律,然后根据目标日期之前一预设时间范围内的空气质量变化规律获取与目标日期相关联的空气质量历史数据,接着计算在目标日期出现每种空气质量状况的先验概率和对应的预测可靠度,再根据每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率,最后根据计算出的后验概率生成空气质量预测结果,并将空气质量预测结果发送给用户终端。上述方案不必布置空气质量监测点就可以实现对未来一段时间内的空气质量进行预测,为空气质量数值预测预报提供了新的方向。
Description
技术领域
本发明涉及数据分析技术领域,具体而言,涉及一种空气质量预测方法及装置。
背景技术
目前,空气质量预测预报研究的目标大都是辅助建立空气质量模型、提高空气质量型的预测预报准确度、加快空气质量预测预报速度等,最终都遵循着一般空气质量预测预报的“设置监控点采集数据分析数据建立模型预测预报”模式,对环境监控网络有较高的要求。
发明内容
为了克服现有技术中的上述不足,本发明的目的在于提供一种空气质量预测方法及装置,用于基于空气质量历史数据进行分析,不必布置空气质量监测点就可以实现对未来一段时间内的空气质量进行预测,为空气质量数值预测预报提供了新的方向。
为了实现上述目的,本发明较佳实施例采用的技术方案如下:
本发明较佳实施例提供一种空气质量预测方法,应用于与用户终端通信连接的服务器,所述服务器中预存有多个目标地点的空气质量历史数据,所述空气质量历史数据包括空气质量历史状况和空气质量历史变化规律,所述方法包括:
响应用户终端发送的目标日期的空气质量获取请求,获取所述目标日期之前一预设时间范围内的空气质量变化规律;
根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据;
根据所述相关联的空气质量历史数据计算在所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度,其中,所述空气质量状况包括良好和严重污染;
根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率;
根据计算出的后验概率生成空气质量预测结果,并将所述空气质量预测结果发送给所述用户终端。
在本发明较佳实施例中,所述根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据的步骤,包括:
获取所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据;
根据在所述目标日期之前一预设时间范围内的空气质量规律,从所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据中获取与所述目标日期具有相似空气质量变化规律的关联数据,并将所述关联数据作为与所述目标日期相关联的空气质量历史数据。
在本发明较佳实施例中,所述根据所述相关联的空气质量历史数据计算在所述目标日期出现的每种空气质量状况的先验概率和对应的预测可靠度的步骤,包括:
基于所述相关联的空气质量历史数据,分别计算在该目标日期前后时间范围内每一天对应的不同空气质量状况的影响概率;
根据计算得到的影响概率计算所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度。
在本发明较佳实施例中,所述根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率的步骤,包括:
根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算所述目标日期预测出现每种空气质量状况的先验概率;
根据所述目标日期预测出现每种空气质量状况的先验概率计算出现每种空气质量状况且被正确预测的后验概率。
在本发明较佳实施例中,所述根据计算出的后验概率生成空气质量预测结果的步骤,包括:
选取计算出的最大的后验概率对应的空气质量状况作为所述空气质量预测结果。
本发明较佳实施例还提供一种空气质量预测装置,应用于与用户终端通信连接的服务器,所述服务器中预存有多个目标地点的空气质量历史数据,所述空气质量历史数据包括空气质量历史状况和空气质量历史变化规律,所述装置包括:
响应模块,用于响应用户终端发送的目标日期的空气质量获取请求,获取所述目标日期之前一预设时间范围内的空气质量变化规律;
获取模块,用于根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据;
第一计算模块,用于根据所述相关联的空气质量历史数据计算在所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度;
第二计算模块,用于根据所述每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率;
生成模块,用于根据计算出的后验概率生成空气质量预测结果,并将所述空气质量预测结果发送给所述用户终端。
相对于现有技术而言,本发明具有以下有益效果:
本发明实施例提供一种空气质量预测方法及装置。该方法通过获取目标日期之前一预设时间范围内的空气质量变化规律,然后根据目标日期之前一预设时间范围内的空气质量变化规律获取与目标日期相关联的空气质量历史数据,接着计算在目标日期出现每种空气质量状况的先验概率和对应的预测可靠度,再根据每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率,最后根据计算出的后验概率生成空气质量预测结果,并将空气质量预测结果发送给用户终端。上述方案不必布置空气质量监测点就可以实现对未来一段时间内的空气质量进行预测,为空气质量数值预测预报提供了新的方向。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1为本发明较佳实施例提供的服务器的一种应用场景示意图;
图2为图1中所示的服务器的一种方框示意图;
图3为本发明较佳实施例提供的空气质量预测方法的一种流程示意图;
图4为图3中所示的步骤S120包括的各个子步骤的一种流程示意图;
图5为图3中所示的步骤S130包括的各个子步骤的一种流程示意图;
图6为图3中所示的步骤S140包括的各个子步骤的一种流程示意图;
图7为本发明较佳实施例提供的空气质量预测装置的一种功能模块图。
图标:100-服务器;110-存储器;120-处理器;130-通信单元;140-存储控制器;150-空气质量预测装置;151-响应模块;152-获取模块;153-第一计算模块;154-第二计算模块;155-生成模块;200-用户终端。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,为本发明较佳实施例提供的服务器100的一种应用场景示意图。本实施例中,所述服务器100可以与用户终端200通信连接。在一个具体实施方式中,所述服务器100可以提供至少一个适用于各种操作系统的空气质量预测APP的安装包供所述用户终端200下载。所述用户终端200通过网络访问所述服务器100后,可通过所述网络从服务器100下载适用于该用户终端200的操作系统的应用程序的安装包,以将所述应用程序安装到所述用户终端200中。
本实施例中,所述用户终端200可以是,但不限于,个人电脑(Personal Computer,PC)、笔记本电脑、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。所述服务器100可以是,但不限于,Web网站服务器、数据库服务器、ftp(file transfer protocol,文件传输协议)服务器等。
请参阅图2,为图1中所示的服务器100的方框示意图。本发明实施例中,所述服务器100可以包括存储器110、处理器120、通信单元130以及存储控制器140。所述存储器110、处理器120、通信单元130以及存储控制器140相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110中存储有空气质量预测装置150,所述空气质量预测装置150包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器110中的软件功能模块,所述处理器120通过运行存储在存储器110内的软件程序以及模块,如本发明实施例中的空气质量预测装置150,从而执行各种功能应用以及数据处理,即实现本发明实施例中的空气质量预测方法。
其中,所述存储器110可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中,存储器110可进一步包括相对于处理器120远程设置的远程存储器,这些远程存储器可以通过网络连接至所述服务器100。上述网络的实例可以包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器110用于存储程序,所述处理器120在接收到执行指令后,执行所述程序。进一步地,通信单元130将各种输入/输入装置耦合至处理器120以及存储器110,上述存储器110内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通讯,从而提供其它软件组件的运行环境。
所述处理器120可以是一种集成电路芯片,具有信号的处理能力。上述的处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者也可以是任何常规的处理器等。
所述通信单元130可以用于建立所述服务器100与所述用户终端200之间的通信连接。本发明实施例中,所述通信单元130可以用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者用户终端200进行通讯。所述通信单元130可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与用户终端200进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术,包括但并不限于全球移动通信系统、增强型移动通信技术、宽带码分多址技术,码分多址技术、时分多址技术、蓝牙、无线保真技术、网络电话、全球微波互联接入、其它用于邮件、即时通讯及短消息的协议,以及任何其它合适的通讯协议,甚至可包括那些当前仍未被开发出来的协议。
可以理解,图2所示的结构仅为示意,所述服务器100还可以包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图3,图3为本发明较佳实施例提供的空气质量预测方法的一种流程示意图,所述方法由图1所示的服务器100执行。所应说明的是,本发明实施例提供的方法不以图3及以下所述的具体顺序为限制。所述方法的具体流程如下:
步骤S110,响应用户终端200发送的目标日期的空气质量获取请求,获取所述目标日期之前一预设时间范围内的空气质量变化规律。
具体地,在本实施例中,所述服务器100中存储有多个目标地点的空气质量历史数据。其中,所述目标地点可以根据实际需求进行选择,本实施例中对此不作具体限制。所述空气质量历史数据可以包括空气质量历史状况和空气质量历史变化规律。所述空气质量历史状况可以是目标地点在过去一段时间,例如过去五年内的空气质量状况,所述空气质量状况参考如下表所示AQI指数标准并进行了简化,具体来说:AQI指数≥150为污染严重、AQI指数<150为空气质量良好:
所述空气质量历史变化规律可以表征过去每天的空气质量变化情况,例如过去三天的空气质量状况分别为良好、严重污染、良好,假设良好为“0”,严重为“1”,那么过去三天的空气质量变化则可以为(0,1,0)。
本实施例中,所述目标日期之前一预设时间范围可以根据实际需要进行设置,可选地,可以是所述目标日期之前三天。例如,所述目标日期为3月15日,那么则获取3月15日之间三天的空气质量变化规律。
步骤S120,根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据。
详细地,作为一种实施方式,请参阅图4,所述步骤S120可以包括以下子步骤:
子步骤S121,获取所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据。
本实施例中,所述预设时间范围可以根据实际设计需求进行设置,之所以选取所述目标日期前后一预设时间范围内的空气质量历史数据,是因为考虑到目标日期前后相近一段时间内,每一天空气质量状况的外部环境是相似的。所述预设时间范围可以根据实际设计需求进行设置,例如,若目标日期为3月15号,预设时间范围为10天内(含3月15日),那么所述服务器100就获取在3月15号前后共计19天(3月6日-3月14日、3月15日、3月16日-3月24日)的空气质量历史数据。
子步骤S122,根据在所述目标日期之前一预设时间范围内的空气质量规律,从所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据中获取与所述目标日期具有相似空气质量变化规律的关联数据,并将所述关联数据作为与所述目标日期相关联的空气质量历史数据。
本实施例中,经本申请发明人长期研究发现,在一个相近的时间段内,空气质量的状况及变化规律也是相似的,因此为了获取更大数据量以使得空气质量的预测结果更准确,需要从所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据中获取与所述目标日期具有相似空气质量变化规律的关联数据。例如,假设要预测某地2017年3月15日的空气质量状况,那么并不是只获取之前若干年的3月12至3月14日的空气质量状况组合,而是考察之前若干年3月15日当天(对应考察时间3月12日至3月14日)及前后各9天的空气质量状况。举例来说,前后9天:3月14日(对应考察时间3月11日至3月13日)、3月13日(对应考察时间3月10日至3月12日)、…、3月6日(对应考察时间3月3日至3月5日);后9天:3月16日(对应考察时间3月13日至3月15日)、3月17日(对应考察时间3月14日至3月16日)、…、3月24日(对应考察时间3月21日至3月23日)。接着,从上述历史数据中获取与2017年3月15日之前三天的空气质量变化规律相似的空气质量历史数据作为所述关联数据,其中,相似的空气质量变化规律可以理解为三天中超过两天的空气质量相同。
步骤S130,根据所述空气质量历史数据计算在所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度。
详细地,作为一种实施方式,请参阅图5,所述步骤S130可以包括以下子步骤:
子步骤S131,基于所述相关联的空气质量历史数据,分别计算在该目标日期前后时间范围内每一天对应的不同空气质量状况的影响概率。
子步骤S132,根据计算得到的影响概率计算所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度。
本实施例中,可以根据关联的历史数据,获取每个关联数据的各种空气质量状况的发生概率以及预测准确度。例如,可以统计过去若干年的3月15日的空气质量状况,若在十个关联数据中,有两个都为严重污染,那么在3月14日发生严重污染的概率则为20%。相应地,预测准确度可以根据过去预测成功的次数占总预测次数的情况得出,例如过去一共预测了100次,预测成功的次数为99次,那么预测准确度则为99%。
本实施例中,可选地,在计算上述影响概率时,可以赋予在3月15号前后各9天不同的影响系数,赋予原则可以根据越接近3月15号,影响系数越大的原则,例如3月15日当天的影响系数为可以1.0;之前的9天:3月14日的影响系数为0.9、3月13日的影响系数为0.8、…、3月6日的影响系数为0.1;之后的9天:3月16日的影响系数为0.9、3月17日的影响系数为0.8、…、3月24日的影响系数为0.1。上述影响系数可以理解为对空气质量预测结果的影响力。
本实施例中,以所述空气质量状况包括良好和严重污染为例进行说明。其中,假设良好为“0”,严重污染为“1”。
假设2017年3月12日至3月14日的空气质量组合为(0,0,1),则预测结果仅在(0,0,1;0)和(0,0,1;1)两个分类中。这里记(0,0,1)为事件A、预测空气质量良好为事件B、预测空气污染严重为事件C,同时记这两个事件概率分别为P(B,A)和P(C,A)。设3月15日的事件概率为P0(B,A)和P0(C,A);3月15日前第1天(即3月14日)的事件概率为和3月15日后第1天(即3月16日)的事件概率为和3月15日前第2天(即3月13日)的事件概率为和3月15日后第2天(即3月17日)的事件概率为和以此类推,3月15日前第9天(即3月6日)的事件概率为和3月15日后第9天(即3月24日)的事件概率为和那么,每一天的不同空气质量状况发生的事件概率与对应影响因子的乘积即为对应的影响概率。接下来,空气质量状况良好的先验概率P(B,A)和空气质量状况为严重污染的先验概率P(C,A)可以通过以下公式计算。
步骤S140,根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率。
详细地,作为一种实施方式,请参阅图6,所述步骤S140可以包括以下子步骤:
子步骤S141,根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算预测出所述目标日期出现每种空气质量状况的先验概率。
本实施例中,假设基于某个空气质量变化规律下,空气质量检测数据的可靠度为95%,也就是说当空气质量良好时,每次预测正确的概率为95%,并且在该规律下,通过对历史空气质量情况进行检测统计,得到空气严重污染的概率是10%。
子步骤S142,根据预测出所述目标日期出现每种空气质量状况的先验概率计算出现每种空气质量状况且被正确预测的后验概率。
如果令A为空气污染严重事件、B为空气良好事件、C为检测结果为空气严重污染事件,那么可以得到:
P(A)为空气严重污染的概率,不考虑其它情况该值为0.1,这个值就是事件A的先验概率。
P(B)为空气良好的概率,其值为1-0.1=0.9。该值也就是事件B的先验概率。
P(C|A)为空气严重污染时被预测出空气严重污染的概率,根据假设的预测可靠度值,该值为0.95。
P(C|B)为空气良好时被预测出空气严重污染的概率,也就是检测出错的概率,该值为1-0.95=0.05。
P(C)为不考虑其它因素影响的空气污染严重被预测出空气污染严重的概率,就是检测出严重污染的先验概率,其值可以通过以下公式计算
P(C)=P(C|A)P(A)+P(C|B)P(B)
从而,该概率的值为:
(10%×95%)+(90%×5%)=14%
接下来,根据上述计算出的检测出严重污染的先验概率,可以通过以下公式计算出对应的出现空气质量状况为严重污染且被正确预测的后验概率为:
同样地,再计算出对应的出现空气质量状况为良好且被正确预测的后验概率为:
根据上述计算,可以得到出现空气质量状况为严重污染且被正确预测的后验概率为68%,出现空气质量状况为良好且被正确预测的后验概率为3.6%。
步骤S150,根据计算出的后验概率生成空气质量预测结果,并将所述空气质量预测结果发送给所述用户终端200。
具体地,在本实施例中,选取计算出的最大的后验概率对应的空气质量状况作为所述空气质量预测结果,例如,通过对比P(A|C)和P(B|C),由于P(A|C)的值为68%,大于P(B|C)的3.6%,所以所述空气质量预测结果则认为在2017年3月15日的空气质量状况为空气污染严重。
基于上述设计,本实施例基于空气质量历史数据进行分析,不必布置空气质量监测点,仅根据对空气质量的历史数据的分析就可以实现对未来一段时间内的空气质量进行预测,为空气质量数值预测预报提供了新的方向。同时对计算的先验概率进行修正,计算出相应的后验概率,最后得出最优决策。
本发明较佳实施例还提供一种空气质量预测装置150,所述装置安装于所述存储器110中并包括一个或多个可由所述处理器120执行的软件功能模块,所述装置包括:
响应模块151,用于响应用户终端200发送的目标日期的空气质量获取请求,获取所述目标日期之前一预设时间范围内的空气质量变化规律;
获取模块152,用于根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据;
第一计算模块153,用于根据所述相关联的空气质量历史数据计算在所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度;
第二计算模块154,用于根据所述每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率;
生成模块155,用于根据计算出的后验概率生成空气质量预测结果,并将所述空气质量预测结果发送给所述用户终端200。
本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
综上所述,本发明实施例提供一种空气质量预测方法及装置。该方法通过获取目标日期之前一预设时间范围内的空气质量变化规律,然后根据目标日期之前一预设时间范围内的空气质量变化规律获取与目标日期相关联的空气质量历史数据,接着计算在目标日期出现每种空气质量状况的先验概率和对应的预测可靠度,再根据每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率,最后根据计算出的后验概率生成空气质量预测结果,并将空气质量预测结果发送给用户终端200。上述方案不必布置空气质量监测点就可以实现对未来一段时间内的空气质量进行预测,为空气质量数值预测预报提供了新的方向。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
需要说明的是,在本文中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括一个……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (2)
1.一种空气质量预测方法,应用于与用户终端通信连接的服务器,其特征在于,所述服务器中预存有多个目标地点的空气质量历史数据,所述空气质量历史数据包括空气质量历史状况和空气质量历史变化规律,所述方法包括:
响应用户终端发送的目标日期的空气质量获取请求,获取所述目标日期之前一预设时间范围内的空气质量变化规律;
根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据;
根据所述相关联的空气质量历史数据计算在所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度,其中,所述空气质量状况包括良好和严重污染;
根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率;
根据计算出的后验概率生成空气质量预测结果,并将所述空气质量预测结果发送给所述用户终端;
所述根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据的步骤,包括:
获取所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据;
根据在所述目标日期之前一预设时间范围内的空气质量规律,从所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据中获取与所述目标日期具有相似空气质量变化规律的关联数据,并将所述关联数据作为与所述目标日期相关联的空气质量历史数据;
所述根据所述相关联的空气质量历史数据计算在所述目标日期出现的每种空气质量状况的先验概率和对应的预测可靠度的步骤,包括:
基于所述相关联的空气质量历史数据,分别计算在该目标日期前后时间范围内每一天对应的不同空气质量状况的影响概率;
根据计算得到的影响概率计算所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度;
所述根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率的步骤,包括:
根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算所述目标日期预测出现每种空气质量状况的先验概率;
根据所述目标日期预测出现每种空气质量状况的先验概率计算出现每种空气质量状况且被正确预测的后验概率;
所述根据计算出的后验概率生成空气质量预测结果的步骤,包括:
选取计算出的最大的后验概率对应的空气质量状况作为所述空气质量预测结果。
2.一种空气质量预测装置,应用于与用户终端通信连接的服务器,其特征在于,所述服务器中预存有多个目标地点的空气质量历史数据,所述空气质量历史数据包括空气质量历史状况和空气质量历史变化规律,所述装置包括:
响应模块,用于响应用户终端发送的目标日期的空气质量获取请求,获取所述目标日期之前一预设时间范围内的空气质量变化规律;
获取模块,用于根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据;
第一计算模块,用于根据所述相关联的空气质量历史数据计算在所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度;
第二计算模块,用于根据所述每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率;
生成模块,用于根据计算出的后验概率生成空气质量预测结果,并将所述空气质量预测结果发送给所述用户终端;
所述根据所述目标日期之前一预设时间范围内的空气质量变化规律获取与所述目标日期相关联的空气质量历史数据的方式,包括:
获取所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据;
根据在所述目标日期之前一预设时间范围内的空气质量规律,从所述目标日期在各个历史年份中的前后一预设时间范围内的空气质量历史数据中获取与所述目标日期具有相似空气质量变化规律的关联数据,并将所述关联数据作为与所述目标日期相关联的空气质量历史数据;
所述根据所述相关联的空气质量历史数据计算在所述目标日期出现的每种空气质量状况的先验概率和对应的预测可靠度的方式,包括:
基于所述相关联的空气质量历史数据,分别计算在该目标日期前后时间范围内每一天对应的不同空气质量状况的影响概率;
根据计算得到的影响概率计算所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度;
所述根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算出现每种空气质量状况且被正确预测的后验概率的方式,包括:
根据所述目标日期出现每种空气质量状况的先验概率和对应的预测可靠度计算所述目标日期预测出现每种空气质量状况的先验概率;
根据所述目标日期预测出现每种空气质量状况的先验概率计算出现每种空气质量状况且被正确预测的后验概率;
所述根据计算出的后验概率生成空气质量预测结果的方式,包括:
选取计算出的最大的后验概率对应的空气质量状况作为所述空气质量预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710818682.0A CN107688878B (zh) | 2017-09-12 | 2017-09-12 | 空气质量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710818682.0A CN107688878B (zh) | 2017-09-12 | 2017-09-12 | 空气质量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107688878A CN107688878A (zh) | 2018-02-13 |
CN107688878B true CN107688878B (zh) | 2019-10-11 |
Family
ID=61156189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710818682.0A Active CN107688878B (zh) | 2017-09-12 | 2017-09-12 | 空气质量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107688878B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948840B (zh) * | 2019-03-08 | 2020-02-21 | 宁波市气象台 | 一种空气质量预报方法 |
CN110989044B (zh) * | 2019-12-25 | 2020-07-31 | 中科三清科技有限公司 | 空气质量分指数级别概率预报方法、装置、设备及存储介质 |
Citations (1)
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10438125B2 (en) * | 2015-11-12 | 2019-10-08 | International Business Machines Corporation | Very short-term air pollution forecasting |
-
2017
- 2017-09-12 CN CN201710818682.0A patent/CN107688878B/zh active Active
Patent Citations (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN107688878A (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220036264A1 (en) | Real-time adaptive operations performance management system | |
EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
CN110073567B (zh) | 分布式资源电力需求预测系统和方法 | |
CN101375282B (zh) | 用于对电路进行评估的方法、系统和程序产品 | |
Do et al. | Graph-deep-learning-based inference of fine-grained air quality from mobile IoT sensors | |
JP5793967B2 (ja) | 環境リスク分析システム、環境リスク分析方法、及びプログラム | |
CN110263824A (zh) | 模型的训练方法、装置、计算设备及计算机可读存储介质 | |
CN107688878B (zh) | 空气质量预测方法及装置 | |
US20140156672A1 (en) | Space-time-nodal type signal processing | |
CN114422267A (zh) | 流量检测方法、装置、设备及介质 | |
US20230133541A1 (en) | Alert correlating using sequence model with topology reinforcement systems and methods | |
CN112702219B (zh) | 物联网网络监测方法、装置、设备及存储介质 | |
CN113344737B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
Si-Mohammed et al. | HINTS: A methodology for IoT network technology and configuration decision | |
CN114760087B (zh) | 软件定义工业互联网中的DDoS攻击检测方法及系统 | |
JP2020088944A (ja) | 電力需要予測装置、電力需要予測方法、そのプログラム | |
CN115174435A (zh) | 电力通信传输网性能综合评估方法 | |
Łęczycki et al. | Extended sensor reliability evaluation method in multi-sensor control systems | |
CN116827808B (zh) | 一种基于工业物联网的多设备联合通讯系统、方法及设备 | |
Liu et al. | Reliability evaluation for wireless sensor networks with chain structures using the universal generating function | |
CN117978612B (zh) | 网络故障检测方法、存储介质以及电子设备 | |
CN112132305A (zh) | 节点类别确定方法、相关装置、设备及存储介质 | |
WO2020202168A1 (en) | A computer implemented method for handling occurrence of anomalies and/or faults in a network node | |
CN116934530B (zh) | 一种智能电表的数据处理方法和装置、设备及存储介质 | |
Deb et al. | Link Quality Modeling for Energy Harvesting Wireless Sensor Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |