CN108108836A - 一种基于时空深度学习的臭氧浓度分布预测方法和系统 - Google Patents
一种基于时空深度学习的臭氧浓度分布预测方法和系统 Download PDFInfo
- Publication number
- CN108108836A CN108108836A CN201711347771.8A CN201711347771A CN108108836A CN 108108836 A CN108108836 A CN 108108836A CN 201711347771 A CN201711347771 A CN 201711347771A CN 108108836 A CN108108836 A CN 108108836A
- Authority
- CN
- China
- Prior art keywords
- ozone concentration
- concentration distribution
- time
- data
- meteorological
- 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
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于时空深度学习的臭氧浓度分布预测方法和系统,所述方法包括:获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。通过插值等方法被处理为臭氧浓度分布图序列及气象‑时间序列。使用递归神经网络处理一段时间的历史数据,抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据,最大程度的利用臭氧的周期性特征。同时,加入预测时刻的气象数据及时间数据作为额外输入,利用气象和时间对于臭氧的影响进一步提高预测准确性。
Description
技术领域
本发明涉及臭氧浓度分析技术领域,更具体地,涉及一种基于时空深度学习的臭氧浓度分布预测方法和系统。
背景技术
臭氧是地球大气中一种微量气体,臭氧(O3)又称为超氧,是氧气(O2)的同素异形体,在常温下,它是一种有特殊臭味的淡蓝色气体。它是由于大气中氧分子受太阳辐射分解成氧原子后,氧原子又与周围的氧分子结合而形成的,含有3个氧原子。大气中90%以上的臭氧存在于大气层的上部或平流层,离地面有10~50千米,这才是需要人类保护的大气臭氧层。还有少部分的臭氧分子徘徊在近地面,仍能对阻挡紫外线有一定作用。但是,一些专家发现地面附近大气中的臭氧浓度有快速增高的趋势,就令人感到不妙了。虽然臭氧在平流层起到了保护人类与环境的重要作用,但若其在对流层浓度增加,则会对人体健康产生有害影响。臭氧对眼睛和呼吸道有刺激作用,对肺功能也有影响,较高浓度的臭氧对植物也是有害的。
从臭氧的性质来看,它既可助人又会害人,它既是上天赐与人类的一把保护伞,有时又像是一剂猛烈的毒药。至今,对于臭氧的正面作用以及人类应该采取哪些措施保护臭氧层,人们已达成共识并做了许多工作。但是,对于臭氧层的负面作用,人们虽然已有认识,但至今除了进行大气监测和空气污染预报外,还没有真正切实可行的方法加以解决。
近年来,现代工业飞速发展,车辆保有量不断上升,人们在享受便捷生活的同时,也不得不面对日益严重的空气污染。如果能够做到对于空气污染的分析与预测,则对于空气质量问题的主要来源分析以及严重污染天气预警能够起到重要的作用。目前我国的环境监测站点大多监测PM10、PM2.5、NO2、O3、SO2、CO六种污染物,在不同的地区可能存在不同的主要污染物。如在北京地区,人们长期受PM2.5的困扰,而在南方的部分省份,则O3的污染比较严重。不同的污染物来源不同,在实际处理中需要分别分析。
O3由氮氧化物(NOx)和挥发性有机物(VOCs)在光照条件下生成,此反应为可逆反应,在其他气象条件下,O3可能重新氧化NOx生成NO2。NOx与VOCs的来源包括工厂、机动车、植被等,这就造成了对于O3的分析极度复杂化。传统的预测方法往往采用依附于气象数值模式WARF的WARF-CHARM模式。该方法使用气象模式数据、污染源清单等数据作为输入,经过大量的物理化学过程模拟运算,计算出某一片地区的空气污染物浓度分布。这种方法存在一下几个问题:1、求解过程复杂,运算量巨大,即使采用服务器集群也需要3-4小时运行。2、输入污染源清单由于过时等原因往往不准确,这就导致结果的不准确。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于时空深度学习的臭氧浓度分布预测方法和系统,解决了现有技术中臭氧浓度预测过程复杂、运算量大,且污染源不准确导致的预测结果不准确的问题。
根据本发明的一个方面,提供一种臭氧浓度分布预测方法,包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
作为优选的,通过已训练的臭氧浓度预测模型,对所述当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理前,还包括:
获取待预测时间段内的时间气象序列,所述时间气象序列包括待预测时间段内各个时刻的气象数据;
获取多个时间段内的臭氧浓度分布图,通过深度学习网络进行训练,得到臭氧浓度周期性变化预测模型,并基于所述臭氧浓度周期性变化预测模型,得到所述预测时间段内的臭氧浓度分布图序列;
将所述臭氧浓度分布图序列和所述时间气象序列作为样本,进行神经网络训练,得到臭氧浓度预测模型。
作为优选的,所述气象数据包括温度数据、湿度数据和风速数据。
作为优选的,所述多个时间段包括第一时间段、第二时间段和第三时间段;
所述预设时间段为{T,T+1,...,T+n},所述第一时间段为{T-m+1,T-m+2,...,T},所述第二时间段为{T-24,T-24+1,...,T-24+n},所述第三时间段为{T-24*7,T-24*7+1,...,T-24*7+n},n≤12且m≥n。
作为优选的,获取多个时间段内的臭氧浓度分布图后还包括:
基于插值法,通过时间属性将所述时间气象序列、所述多个时间段内的臭氧浓度分布图行内互联。
作为优选的,通过深度学习网络进行训练,得到臭氧浓度周期性变化预测模型,具体包括:
通过卷积神经网络抽取所述第二时间段内每一帧臭氧浓度分布图的特征{Zbt2},T-24≤t2≤T-24+n;
通过卷积神经网络抽取所述第三时间段内每一帧臭氧浓度分布图的特征{Zct3},T-7*24≤t3≤T-7*24+n;
通过全连接层神经网络抽取所述时间气象序列中的特征{Zdt4},T≤t4≤T+n;
通过多层递归神经网络抽取所述第一时间段内每一帧臭氧浓度分布图的特征,将所述第一时间段内的每一帧臭氧浓度分布图输入到多层递归神经网络中,取所述多层递归神经网络中最后一层的最后一个节点隐藏输出向量hT,长度为p;
基于时间属性将所述hT与ZbT-24、ZcT-7*24和ZdT连结成长度为4p的组合向量,通过全连接层将所述组合向量重新组成与臭氧浓度分布图大小相同的矩阵;
将所述矩阵作为第二多层递归神经网络的第一层第一个节点的输入,按时间属性对所述第二多层递归神经网络最后一层每个节点的输出按上述时间属性进行连结处理,将处理后的结果输入到所述第二多层递归神经网络的第一层下一个节点中,对下一个时刻的臭氧浓度分布进行预测,重复上述训练过程,得到训练后的臭氧浓度周期性变化预测模型。
作为优选的,将所述臭氧浓度分布图序列和所述时间气象序列作为样本,进行神经网络训练,得到基于气象数据的臭氧浓度预测模型,具体包括:
将所述臭氧浓度分布图序列和所述时间气象序列按步长为1取出样本,构造数据集;
按比例将所述数据集分为训练集和测试集,从所述训练集中分批次取出样本输入神经网络,通过随机梯度下降法进行训练,迭代若干次后得到训练后的基于气象数据的臭氧浓度预测模型;
从训练集中取出样本输入所述基于气象数据的臭氧浓度预测模型,对所述基于气象数据的臭氧浓度预测模型进行验证。
一种臭氧浓度分布预测系统,包括:
数据获取模块,用于获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
臭氧浓度预测模块,用于通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
一种臭氧浓度分布预测设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述臭氧浓度分布预测方法。
一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如上述臭氧浓度分布预测方法。
本发明提出一种基于时空深度学习的臭氧浓度分布预测方法和系统,通过插值等方法被处理为臭氧浓度分布图序列及气象-时间序列。使用递归神经网络处理一段时间的历史数据,抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据,最大程度的利用臭氧的周期性特征。同时,加入预测时刻的气象数据及时间数据作为额外输入,利用气象和时间对于臭氧的影响进一步提高预测准确性。本发明方法结合了多种因素来预测臭氧浓度,同时也补充了无监测站点地区的臭氧浓度数据。本方法可以快速、有效地处理目前日益增长的空气质量数据,十分适用于目前空气质量预报中滚动预报的应用场景。
附图说明
图1为根据本发明实施例的臭氧浓度分布预测方法流程图;
图2为根据本发明实施例的神经网络整体架构图
图3为根据本发明实施例的的输入数据构造流程图;
图4为根据本发明实施例的递归神经网络的具体流程图;
图5为根据本发明实施例的臭氧浓度分布预测使用流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,图中示出了一种臭氧浓度分布预测方法,包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
在本实施例中,基于已训练的臭氧浓度预测模型,对所述当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理前,还包括:
获取待预测时间段内的时间气象序列,所述时间气象序列包括待预测时间段内各个时刻的气象数据;
获取多个时间段内的臭氧浓度分布图,通过深度学习网络进行训练,得到臭氧浓度周期性变化预测模型,并基于所述臭氧浓度周期性变化预测模型,得到所述预测时间段内的臭氧浓度分布图序列;
将所述臭氧浓度分布图序列和所述时间气象序列作为样本,进行神经网络训练,得到基于气象数据的臭氧浓度预测模型。
在本实施例中,所述气象数据包括温度数据、湿度数据和风速数据。
具体的,在本实施例中,将空气质量数据与气象数据进行预处理。原始数据为多个环境监测站点的采集频率为1次/小时的多维时序数据,维度包括多种空气污染物及多种气象数据。对于数据集中的每一个站点的数据,筛选掉明显异常的值(如0、负值、非常高的值等),再将所有站点的数据使用时间属性进行内联接,取得所有站点数据的共有时间部分。
由于本发明主要处理方法需要臭氧浓度分布图序列作为输入,而环境监测站点可视为空间上的一个个点,因此需要将站点的数据在空间上进行插值。根据臭氧的生成原理及扩散规律,使用常用方法进行空间插值,如线性插值、高斯插值等。最终获取臭氧浓度分布图序列{Xt},即为每个时刻的臭氧浓度分布图,可记图片大小为w*h。
由于臭氧的生成与温度、湿度等气象信息有非常强的相关性(臭氧浓度与温度呈正相关,与湿度呈负相关),因此额外的气象数据对于本发明所涉及的问题至关重要。在本方法中,使用的气象数据包括温度、湿度、风速三种。此外,臭氧浓度的变化在时间上有极强的周期性,因此本方法还需要时间数据作为输入,包括任一时间点在一年的第几天、在一天的第几个小时及星期。将以上所述气象数据和时间数据连结成包含长度为6的向量,最终获得时间气象序列{XEt}。
在本实施例中,所述多个时间段包括第一时间段、第二时间段和第三时间段。
具体的,在本实施例中,设目前时刻为T(一般为整点时刻),本方法需要预测未来n个时刻的臭氧浓度分布图(n≤12),即为{XT+1,...,XT+n},则需要以下四种数据:
所述预设时间段为{T,T+1,...,T+n},所述第一时间段为{T-m+1,T-m+2,...,T},所述第二时间段为{T-24,T-24+1,...,T-24+n},所述第三时间段为{T-24*7,T-24*7+1,...,T-24*7+n},n≤12且m≥n。
(a)在所述第一预设时间段内,为T-m+1时刻到T时刻的臭氧浓度分布图(m≥n),即为{XT-m+1,XT-m+2,...,XT},元素述数为m,记为{Xat}m。
(b)在所述第二预设时间段内,为24小时前到24-n小时前的臭氧浓度分布图,即{XT-24,XT-24+1,...,XT-24+n},元素为n,记为{Xbt}n。
(c)在所述第三预设时间段内,为7*24小时前到7*24-n小时前的臭氧浓度分布图,即{XT-7*24,XT-7*24+1,...,XT-7*24+n},元素数为n,记为{Xct}n。
(d)在本实施例中,还需要得到在被预测时刻T到T+n时间段内的时间-气象数据元素数为n,记为{Xdt}n。
在本实施例中,每个时间点的臭氧浓度分布图可视为该时间点上的一帧图片,因此一系列的连续图片即可视为一段时间的视频。高维时序预测也是近几年深度学习技术的热点之一,也在实际问题中取得了不错的效果。如在气象预测问题中,一些深度学习对于卫星云图的预测已达到了资深预报员的水准。然而在空气污染预测中,由于过去历史数据较少,且质量较差,难以应用类似的深度学习算法。随着人们对于大数据的重视,环保部门会保存近几年的空气质量监测数据,这也为应用深度学习技术提供了数据基础。
本实施例中针对目前臭氧浓度分布预测问题,采用线性插值或高斯插值的方法将监测站点数据转化为臭氧浓度分布图序列,并从不同时间跨度上抽取特定时刻的臭氧浓度分布图,最大程度利用臭氧浓度变化周期性进行预测。同时采用分别采用卷积神经网络和递归神经网络抽取特征。此外,还使用被预测时刻的气象数据与时间数据作为额外信息,做出更精准的预测。
在本实施例中,通过深度学习网络进行训练,得到臭氧浓度周期性变化预测模型还包括:
通过插值法,通过时间属性将所述时间气象序列、所述多个时间段内的臭氧浓度分布图进行行内互联。
在本实施例中,更具体的,通过卷积神经网络抽取所述第二时间段内每一帧臭氧浓度分布图的特征{Zbt2},T-24≤t2≤T-24+n;
通过卷积神经网络抽取所述第三时间段内每一帧臭氧浓度分布图的特征{Zct3},T-7*24≤t3≤T-7*24+n;
通过全连接层神经网络抽取所述时间气象序列中的特征{Zdt4},T≤t4≤T+n;
通过多层递归神经网络抽取所述第一时间段内每一帧臭氧浓度分布图的特征,将所述第一时间段内的每一帧臭氧浓度分布图输入到多层递归神经网络中,取所述多层递归神经网络中最后一层的最后一个节点隐藏输出向量hT,长度为p;
基于时间属性将所述hT与ZbT-24、ZcT-7*24和ZdT连结成长度为4p的组合向量,通过全连接层将所述组合向量重新组成与臭氧浓度分布图大小相同的矩阵;
将所述矩阵作为第二多层递归神经网络的第一层第一个节点的输入,按时间属性对所述第二多层递归神经网络最后一层每个节点的输出按上述时间属性进行连结处理,将处理后的结果输入到所述第二多层递归神经网络的第一层下一个节点中,对下一个时刻的臭氧浓度分布进行预测,重复上述训练过程,得到训练后的臭氧浓度周期性变化预测模型。
如图2所示,具体的,在本实施例中,对于输入数据(b)与(c),本方法使用卷积神经网络抽取其中每一帧臭氧浓度分布图的特征。卷积神经网络由多层卷积层和池化层交替堆叠而成,每层卷积层与紧跟随其后的池化层可以视为一组网络层。每组网络层需要设置卷积核长度、卷积步长、池化核长度、池化步长,输出通道数5个参数,这些参数可依据输入图片的大小设定。
由于该卷积神经网络在输入与需要抽取的特征上相似,因此对于输入数据(b)与(c)中每一帧臭氧浓度分布图,卷积神经网络共享训练参数。根据上一步中设置的参数初始化卷积神经网络,取输入数据(b)与(c)中的每一张图片作为输入,输出长度均为p的向量Zbt和Zct(t表示该输出向量由t时刻的数据处理而成,且Zbt中T-24≤t≤T-24+n,Zct中T-7*24≤t≤T-7*24+n),输出数据构成的集合记为{Zbt2}n和{Zct3}n。
对于数据(d),在本实施例中采用两层全连接神经网络抽取特征,每层全连接网络节点数可依据输入向量和输出向量长度设定。
对于输入数据(d)中每一个元素,全连接网络共享训练参数。根据(7)设置的参数初始化卷积神经网络,取输入数据(d)中的每一个向量作为输入,最终输出长度为p的向量Zdt(t表示该输出向量由t时刻的数据处理而成,且Zdt中T≤t≤T+n),输出数据构成的集合记为{Zdt4}n。
如图3所示,对于输入数据(a),本方法使用递归神经网络抽取特征。由于输入数据(a)中每一个时间点的数据为一张图片,因此递归神经网络节点需要选取ConvLSTM(此类节点在内部计算均使用卷积操作,因此可使用图片作为输入)或其变种,最后一层的通道数设置为p,其他参数可根据可用的训练集大小确定相关参数,如初始化类型、Droupout比例等。
如图4所示,为本实施例中多层递归神经网络的具体流程图,根据上述设置的参数初始化两组多层递归神经网络,第一层多层递归神经网络称为编码器,第二层多层递归神经网络称为解码器,记为fen与fde。编码器fen使用输入数据(a)作为输入,取最后一层的最后一个节点隐藏输出向量hT,其长度为p,将其与上述{Zdt4}n中的Zdt4-24、{Zct3}n中的Zct3-7*24以及{Zbt2}n中的Zbt2连结成长度为4p的向量,将该向量输入到一个单层全连接网络中,映射为长度为w*h的向量,将该向量重新组合成w*h的矩阵,作为解码器第一层第一个节点的输入。
在解码器中,最后一层每个节点的输出ht(T≤t≤T+n)都做类似于上述过程中hT的处理,但在连结时注意时刻对应,如在t=2时,h2应与Zdt4-24+2、Zct3-7*24+2和Zbt2+2进行连结。处理结果即为t时刻的输出,同时又输入到第一层下一个节点中来预测下一时刻的臭氧浓度分布图。最终获得预测臭氧浓度分布图序列{YT+1,YT+2,...,YT+n}。
使用预测数据{YT+1,YT+2,...,YT+n}和{XT+1,...,XT+n}计算均方差,作为本实施例中算法的损失L。
从臭氧浓度分布图序列和时间气象序列按照步长为1取出样本,满足对于任意样本中的时刻T,输入数据a)、b)、c)、d)均存在,构造数据集S。按照合适的比例切分为训练集Strain与测试集Stest(可采用|Strain|:|Stest|=4:1的方式划分)。若因调整参数需要,可从训练集Strain再次划分出验证集Sval(可采用|Strain|:|Sval|=9:1的方式划分)。
从训练集Strain分批次取出训练数据输入神经网络,并使用随机梯度下降法(Stochastic Gradient Descent,SGD)进行训练。若干次迭代后,取得训练好的预测算法F,最终得到基于气象数据的臭氧浓度预测模型。
如图5所示,从测试集Stest取出训练数据输入训练好的预测算法F,可获得测试结果以进行模型评价等后续步骤。在实际应用时,可将实时数据(未来时刻的气象数据可用预报气象数据替代)输入训练好的预测算法F,即可取得臭氧浓度分布图预测结果。
在本实施例中,如在某省对于全省臭氧浓度水平的监测中,部署在各地的环境监测站点会传回采样频率为小时级的各种污染物浓度数据和气象数据。在本发明提出的算法模型中,首先可将原始数据做筛选等预处理,然后进行插值形成臭氧浓度分布图序列和时间气象序列,按照步长为1取出样本构造数据集。每次训练时,均需要构造输入数据(a)、(b)、(c)、(d),同时需要真实数据与训练数据计算损失,最终使用随机梯度下降法进行训练。在实际使用时,使用训练集训练模型,使用测试集进行测试和评估。训练好的模型实时读取环境监测站点数据,并在每个时刻给出未来n个时刻的臭氧浓度分布图。
本实施例中还提供了一种臭氧浓度分布预测系统,包括:
数据获取模块,用于获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
臭氧浓度预测模块,用于通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
一种臭氧浓度分布预测设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述臭氧浓度分布预测方法。
一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如上述臭氧浓度分布预测方法。
本实施例中还提供了一种臭氧浓度分布预测设备,包括:处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;
其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述处理器用于调用所述存储器中的程序指令,以执行上述各方法实施例所提供的臭氧浓度分布预测方法,例如包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
本实施例中还提供了一种臭氧浓度分布预测设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述各方法实施例所提供的臭氧浓度分布预测方法,例如包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
本实施例还公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的臭氧浓度分布预测方法,例如包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
本实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的臭氧浓度分布预测方法,例如包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
综上所述,本发明提出一种臭氧浓度分布预测方法和系统,通过插值等方法被处理为臭氧浓度分布图序列及气象-时间序列。使用递归神经网络处理一段时间的历史数据,抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据,最大程度的利用臭氧的周期性特征。同时,加入预测时刻的气象数据及时间数据作为额外输入,利用气象和时间对于臭氧的影响进一步提高预测准确性。本发明方法结合了多种因素来预测臭氧浓度,同时也补充了无监测站点地区的臭氧浓度数据。本方法可以快速、有效地处理目前日益增长的空气质量数据,十分适用于目前空气质量预报中滚动预报的应用场景。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的显示装置的测试设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种臭氧浓度分布预测方法,其特征在于,包括:
获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
通过已训练的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
2.根据权利要求1所述的臭氧浓度分布预测方法,其特征在于,通过已训练的臭氧浓度预测模型,对所述当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理前,还包括:
获取待预测时间段内的时间气象序列,所述时间气象序列包括待预测时间段内各个时刻的气象数据;
获取多个时间段内的臭氧浓度分布图,通过深度学习网络进行训练,得到臭氧浓度周期性变化预测模型,并基于所述臭氧浓度周期性变化预测模型,得到所述预测时间段内的臭氧浓度分布图序列;
将所述臭氧浓度分布图序列和所述时间气象序列作为样本,进行神经网络训练,得到臭氧浓度预测模型。
3.根据权利要求2所述的臭氧浓度分布预测方法,其特征在于,所述气象数据包括温度数据、湿度数据和风速数据。
4.根据权利要求2所述的臭氧浓度分布预测方法,其特征在于,所述多个时间段包括第一时间段、第二时间段和第三时间段;
所述预设时间段为{T,T+1,...,T+n},所述第一时间段为{T-m+1,T-m+2,...,T},所述第二时间段为{T-24,T-24+1,...,T-24+n},所述第三时间段为{T-24*7,T-24*7+1,...,T-24*7+n},n≤12且m≥n。
5.根据权利要求2所述的臭氧浓度分布预测方法,其特征在于,获取多个时间段内的臭氧浓度分布图后还包括:
基于插值法,通过时间属性将所述时间气象序列、所述多个时间段内的臭氧浓度分布图行内互联。
6.根据权利要求5所述的臭氧浓度分布预测方法,其特征在于,通过深度学习网络进行训练,得到臭氧浓度周期性变化预测模型,具体包括:
通过卷积神经网络抽取所述第二时间段内每一帧臭氧浓度分布图的特征{Zbt2},T-24≤t2≤T-24+n;
通过卷积神经网络抽取所述第三时间段内每一帧臭氧浓度分布图的特征{Zct3},T-7*24≤t3≤T-7*24+n;
通过全连接层神经网络抽取所述时间气象序列中的特征{Zdt4},T≤t4≤T+n;
通过多层递归神经网络抽取所述第一时间段内每一帧臭氧浓度分布图的特征,将所述第一时间段内的每一帧臭氧浓度分布图输入到多层递归神经网络中,取所述多层递归神经网络中最后一层的最后一个节点隐藏输出向量hT,长度为p;
基于时间属性将所述hT与ZbT-24、ZcT-7*24和ZdT连结成长度为4p的组合向量,通过全连接层将所述组合向量重新组成与臭氧浓度分布图大小相同的矩阵;
将所述矩阵作为第二多层递归神经网络的第一层第一个节点的输入,按时间属性对所述第二多层递归神经网络最后一层每个节点的输出按上述时间属性进行连结处理,将处理后的结果输入到所述第二多层递归神经网络的第一层下一个节点中,对下一个时刻的臭氧浓度分布进行预测,重复上述训练过程,得到训练后的臭氧浓度周期性变化预测模型。
7.根据权利要求1所述的臭氧浓度分布预测方法,其特征在于,将所述臭氧浓度分布图序列和所述时间气象序列作为样本,进行神经网络训练,得到基于气象数据的臭氧浓度预测模型,具体包括:
将所述臭氧浓度分布图序列和所述时间气象序列按步长为1取出样本,构造数据集;
按比例将所述数据集分为训练集和测试集,从所述训练集中分批次取出样本输入神经网络,通过随机梯度下降法进行训练,迭代若干次后得到训练后的基于气象数据的臭氧浓度预测模型;
从训练集中取出样本输入所述基于气象数据的臭氧浓度预测模型,对所述基于气象数据的臭氧浓度预测模型进行验证。
8.一种臭氧浓度分布预测系统,其特征在于,包括:
数据获取模块,用于获取当前时刻臭氧浓度分布图,并获取待预测时刻的气象数据;
臭氧浓度预测模块,用于通过已训练的基于气象数据的臭氧浓度预测模型,对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理,得到待预测时刻的臭氧浓度分布图。
9.一种臭氧浓度分布预测设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711347771.8A CN108108836B (zh) | 2017-12-15 | 2017-12-15 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711347771.8A CN108108836B (zh) | 2017-12-15 | 2017-12-15 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108108836A true CN108108836A (zh) | 2018-06-01 |
CN108108836B CN108108836B (zh) | 2019-02-05 |
Family
ID=62217174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711347771.8A Active CN108108836B (zh) | 2017-12-15 | 2017-12-15 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108836B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086926A (zh) * | 2018-07-25 | 2018-12-25 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN110456026A (zh) * | 2019-08-13 | 2019-11-15 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
CN110503139A (zh) * | 2019-08-07 | 2019-11-26 | 中国科学技术大学 | 一种城市区域尾气污染预测方法 |
CN110600085A (zh) * | 2019-06-01 | 2019-12-20 | 重庆大学 | 一种基于Tree-LSTM的有机物物理化学性质预测方法 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN111310386A (zh) * | 2020-02-13 | 2020-06-19 | 北京中科锐景科技有限公司 | 一种近地面臭氧浓度估算方法 |
CN111339665A (zh) * | 2020-02-27 | 2020-06-26 | 中国科学院空天信息创新研究院 | 一种对流层臭氧廓线计算方法 |
CN111524558A (zh) * | 2020-06-29 | 2020-08-11 | 中科三清科技有限公司 | 臭氧生成敏感性指示剂、其确定方法及装置 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
CN111898823A (zh) * | 2020-07-30 | 2020-11-06 | 中国民用航空华东地区空中交通管理局 | 霜冻预测方法、装置、设备及计算机可读存储介质 |
CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
CN112580740A (zh) * | 2020-12-28 | 2021-03-30 | 北方工业大学 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
CN112684118A (zh) * | 2020-12-31 | 2021-04-20 | 南京信息工程大学 | 一种大气臭氧污染的便捷预警方法 |
CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
CN113791650A (zh) * | 2021-08-16 | 2021-12-14 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及系统 |
CN113888381A (zh) * | 2021-09-24 | 2022-01-04 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
KR102411506B1 (ko) * | 2020-12-15 | 2022-06-21 | 부산대학교 산학협력단 | 대류권 오존 이동 벡터 산출 장치 및 방법 |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及系统 |
CN116486278A (zh) * | 2023-04-24 | 2023-07-25 | 河南大学 | 基于时空信息镶嵌的小时级臭氧估算方法 |
CN117031582A (zh) * | 2023-06-27 | 2023-11-10 | 华南理工大学 | 递归时空学习及模拟监测融合的臭氧小时浓度预报方法 |
CN117031582B (zh) * | 2023-06-27 | 2024-06-28 | 华南理工大学 | 递归时空学习及模拟监测融合的臭氧小时浓度预报方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809249A (zh) * | 2016-03-09 | 2016-07-27 | 浙江工业大学 | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 |
CN105868559A (zh) * | 2016-03-29 | 2016-08-17 | 北京师范大学 | 一种大气颗粒物质量浓度的拟合方法 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
-
2017
- 2017-12-15 CN CN201711347771.8A patent/CN108108836B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809249A (zh) * | 2016-03-09 | 2016-07-27 | 浙江工业大学 | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 |
CN105868559A (zh) * | 2016-03-29 | 2016-08-17 | 北京师范大学 | 一种大气颗粒物质量浓度的拟合方法 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
Non-Patent Citations (5)
Title |
---|
JUNSUB YI & VICTOR R. PRYBUTOK*: "A NEURAL NETWORK MODEL FORECASTING FOR", 《ENVIRONMENTAL POLLUTION》 * |
YU FENG 等: "Ozone concentration forecast method based on genetic algorithm optimized back", 《ATMOSPHERIC ENVIRONMENT》 * |
刘杰 等: "基于气象因素的PM2.5质量浓度预测模型", 《山东大学学报(工学版)》 * |
沈路路 等: "神经网络模型在O3浓度预测中的应用", 《环境科学》 * |
赵李明: "基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究", 《CNKI优秀硕士学位论文全文库》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086926B (zh) * | 2018-07-25 | 2022-03-18 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
CN109086926A (zh) * | 2018-07-25 | 2018-12-25 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN109978228B (zh) * | 2019-01-31 | 2023-12-12 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
CN110600085A (zh) * | 2019-06-01 | 2019-12-20 | 重庆大学 | 一种基于Tree-LSTM的有机物物理化学性质预测方法 |
CN110600085B (zh) * | 2019-06-01 | 2024-04-09 | 重庆大学 | 一种基于Tree-LSTM的有机物物理化学性质预测方法 |
CN110503139A (zh) * | 2019-08-07 | 2019-11-26 | 中国科学技术大学 | 一种城市区域尾气污染预测方法 |
CN110456026A (zh) * | 2019-08-13 | 2019-11-15 | 北京农业信息技术研究中心 | 一种土壤墒情监测方法及装置 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
WO2021051609A1 (zh) * | 2019-09-20 | 2021-03-25 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN111310386A (zh) * | 2020-02-13 | 2020-06-19 | 北京中科锐景科技有限公司 | 一种近地面臭氧浓度估算方法 |
CN111310386B (zh) * | 2020-02-13 | 2023-04-21 | 北京中科锐景科技有限公司 | 一种近地面臭氧浓度估算方法 |
CN111339665A (zh) * | 2020-02-27 | 2020-06-26 | 中国科学院空天信息创新研究院 | 一种对流层臭氧廓线计算方法 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
CN111524558B (zh) * | 2020-06-29 | 2020-10-16 | 中科三清科技有限公司 | 臭氧生成敏感性指示剂、其确定方法及装置 |
CN111524558A (zh) * | 2020-06-29 | 2020-08-11 | 中科三清科技有限公司 | 臭氧生成敏感性指示剂、其确定方法及装置 |
CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
CN111898823A (zh) * | 2020-07-30 | 2020-11-06 | 中国民用航空华东地区空中交通管理局 | 霜冻预测方法、装置、设备及计算机可读存储介质 |
KR102411506B1 (ko) * | 2020-12-15 | 2022-06-21 | 부산대학교 산학협력단 | 대류권 오존 이동 벡터 산출 장치 및 방법 |
CN112580740A (zh) * | 2020-12-28 | 2021-03-30 | 北方工业大学 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
CN112580740B (zh) * | 2020-12-28 | 2024-03-01 | 北方工业大学 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
CN112684118A (zh) * | 2020-12-31 | 2021-04-20 | 南京信息工程大学 | 一种大气臭氧污染的便捷预警方法 |
CN112684118B (zh) * | 2020-12-31 | 2022-12-20 | 南京信息工程大学 | 一种大气臭氧污染的便捷预警方法 |
CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
CN113791650B (zh) * | 2021-08-16 | 2023-12-22 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及系统 |
CN113791650A (zh) * | 2021-08-16 | 2021-12-14 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及系统 |
CN113888381B (zh) * | 2021-09-24 | 2023-08-29 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
CN113888381A (zh) * | 2021-09-24 | 2022-01-04 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及系统 |
CN116486278A (zh) * | 2023-04-24 | 2023-07-25 | 河南大学 | 基于时空信息镶嵌的小时级臭氧估算方法 |
CN116486278B (zh) * | 2023-04-24 | 2023-11-21 | 河南大学 | 基于时空信息镶嵌的小时级臭氧估算方法 |
CN117031582A (zh) * | 2023-06-27 | 2023-11-10 | 华南理工大学 | 递归时空学习及模拟监测融合的臭氧小时浓度预报方法 |
CN117031582B (zh) * | 2023-06-27 | 2024-06-28 | 华南理工大学 | 递归时空学习及模拟监测融合的臭氧小时浓度预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108108836B (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108836B (zh) | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 | |
Soltani et al. | Developing operating rules for reservoirs considering the water quality issues: Application of ANFIS-based surrogate models | |
CN107703564A (zh) | 一种降雨预测方法、系统及电子设备 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN107644415A (zh) | 一种文本图像质量评估方法及设备 | |
CN106611090A (zh) | 一种基于重构深度学习的道边空气污染物浓度预测方法 | |
CN112651665A (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
Lotfabadi et al. | Sustainability; as a combination of parametric patterns and bionic strategies | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
CN114357879A (zh) | 一种未来土地利用模拟方法、装置、存储介质及终端设备 | |
CN114694767B (zh) | 基于时空图常微分方程网络的pm2.5浓度预测方法 | |
CN109377440A (zh) | 一种基于多任务集成学习器的pm2.5和o3浓度协同预测方法 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
Masud et al. | Monitoring and predicting landuse/landcover change using an integrated markov chain & multilayer perceptron models: A case study of sahiwal tehsil | |
Liu et al. | Development of ecohydrological assessment tool and its application | |
CN112949089A (zh) | 一种基于离散卷积残差网络的含水层结构反演识别方法 | |
CN115759291B (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
Yang et al. | Predictor selection for CNN-based statistical downscaling of monthly precipitation | |
Beygiheidarlou et al. | Forecasting deforestation and forest recovery using Land Transformation Model(LTM) in Iranian Zagros forests | |
CN116307018A (zh) | 一种基于wrf模式敏感性调参的风速预测方法及系统 | |
CN109960882A (zh) | 预报热带气旋生成频数的方法、装置、设备及存储介质 | |
CN108108806A (zh) | 基于预训练模型滤波器提取的卷积神经网络初始化方法 | |
CN117852418B (zh) | 基于地理集成机器学习的海洋中深层流速数据重构方法 | |
Singh et al. | Deep-BCSI: A deep learning-based framework for bias correction and spatial imputation of PM2. 5 concentrations in South Korea |
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 |