CN109541730A - 一种大气污染物浓度预测的方法及设备 - Google Patents
一种大气污染物浓度预测的方法及设备 Download PDFInfo
- Publication number
- CN109541730A CN109541730A CN201811405071.4A CN201811405071A CN109541730A CN 109541730 A CN109541730 A CN 109541730A CN 201811405071 A CN201811405071 A CN 201811405071A CN 109541730 A CN109541730 A CN 109541730A
- Authority
- CN
- China
- Prior art keywords
- data
- feature extraction
- earth
- historical monitoring
- forcasting
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental Sciences (AREA)
- Analytical Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- Atmospheric Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Medicinal Chemistry (AREA)
- Algebra (AREA)
- Food Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的目的是提供一种大气污染物浓度预测的方法及设备,本申请通过获取目标特征数据,其中,所述目标特征数据包括高空预报数据、地表预报数据及历史监测数据;对所述历史监测数据进行特征提取,并将特征提取后的历史监测数据输入至Seq2seq模型的编码端,通过所述Seq2seq模型的编码端将所述特征提取后的历史监测数据转化成状态量并传递至Seq2seq模型的解码端;对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,将所述输入特征数据输入至所述Seq2seq模型的解码端;根据所述解码端的输出结果预测大气污染物浓度,从而得到精确度更高的预报结果。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种大气污染物浓度预测的方法及设备。
背景技术
由于气象环境因素较为复杂,大气污染物浓度的指标预测一直以来都是一个比较复杂的问题。目前,常用的预测方法有基于大气化学传输模型的机理预报方法与基于机器学习模型的统计预报方法。前者在实际工程中得到了广泛的运用,然而由于大气是一个非常复杂的系统,从理论上难以运行完全量化,因此机理预报方法存在较大的误差。
目前,国内气象局对天气状态和各类污染物浓度的预报采用大气化学耦合模式(WRF-Chem)运算得到。由于数值模式计算、排放源清单数据存在不同程度的误差,因此模式对污染物浓度的预测效果并不理想。
发明内容
本申请的一个目的是提供一种大气污染物浓度预测的方法及设备,解决现有技术中污染物浓度预测效果差,不准确的问题。
根据本申请的一个方面,提供了一种大气污染物浓度预测的方法,该方法包括:
获取目标特征数据,其中,所述目标特征数据包括高空预报数据、地表预报数据及历史监测数据;
对所述历史监测数据进行特征提取,并将特征提取后的历史监测数据输入至Seq2seq模型的编码端,通过所述Seq2seq模型的编码端将所述特征提取后的历史监测数据转化成状态量并传递至Seq2seq模型的解码端;
对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,将所述输入特征数据输入至所述Seq2seq模型的解码端;
根据所述解码端的输出结果预测大气污染物浓度。
进一步地,获取目标特征数据,包括:
将获取到的目标区域中站点采集到的数据以及所述目标区域周围站点采集到的数据作为目标特征数据。
进一步地,对所述历史监测数据进行特征提取,包括:
将起报时间之前预设单位时间内的历史监测数据,以及在所述预设单位时间内两个相邻时刻对应的历史监测数据的差值作为时间特征数据。
进一步地,对所述高空预报数据及所述地表预报数据进行特征提取,包括:
将所述高空预报数据、地表预报数据进行拆分,得到基本特征数据;
将同一特征在同一时刻时对应的高空预报数据与地表预报数据的值进行差运算,生成空间特征数据。
进一步地,对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,以根据训练的结果确定输入特征数据,包括:
对所述高空预报数据及所述地表预报数据进行特征提取后通过回归模型进行训练,得到训练的结果为各特征数据的重要度;
按照所述各特征数据的重要度的排序选取多个特征数据,作为输入特征数据。
进一步地,对所述历史监测数据进行特征提取,包括:
从所述历史监测数据中选取目标污染物因子,对所述目标污染物因子进行特征提取,其中,所述目标污染物因子包括PM2.5浓度、PM10浓度、二氧化硫浓度、一氧化碳浓度、二氧化氮浓度及臭氧浓度中一种或任几种组合。
根据本申请再一个方面,还提供了一种大气污染物浓度预测的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行前述的方法的操作。
根据本申请另一个方面,还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述一种大气污染物浓度预测的方法。
与现有技术相比,本申请通过获取目标特征数据,其中,所述目标特征数据包括高空预报数据、地表预报数据及历史监测数据;对所述历史监测数据进行特征提取,并将特征提取后的历史监测数据输入至Seq2seq模型的编码端,通过所述Seq2seq模型的编码端将所述特征提取后的历史监测数据转化成状态量并传递至Seq2seq模型的解码端;对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,将所述输入特征数据输入至所述Seq2seq模型的解码端;根据所述解码端的输出结果预测大气污染物浓度,从而得到精确度更高的预报结果。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出根据本申请的一个方面提供的一种大气污染物浓度预测的方法流程示意图;
图2示出本申请一实施例中Seq2seq模型的框架示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种大气污染物浓度预测的方法流程示意图,该方法包括:步骤S11~步骤S14,
在步骤S11中,获取目标特征数据,其中,所述目标特征数据包括高空预报数据、地表预报数据及历史监测数据;在此,目标特征数据为大气相关的数据,可从气象局中获得,包括高空WRF-Chem预报数据、地表WRF-Chem预报数据以及历史监测数据,其中,历史监测数据包括真实的气象数据和真实的污染物数据;获得的目标特征数据可以以数据字典的形式存储,其中,高空WRF-Chem预报数据的存储格式如表1所示:
表1
地表WRF-Chem预报数据的存储格式如表2所示:
字段名 | 含义 |
forecastdate | 起报时间 |
lst | 预报时间 |
siteid | 站点编号 |
sitename | 站点名称 |
lon | 经度 |
lat | 纬度 |
tem | 温度 |
fore_vis | 能见度 |
rhu | 相对湿度 |
prs | 气压 |
pre | 降水量 |
win_s | 风速 |
win_d | 风向 |
pm25 | PM<sub>2.5</sub>浓度 |
pm10 | PM<sub>10</sub>浓度 |
no2 | 二氧化氮浓度 |
o3 | 臭氧浓度 |
co | 一氧化碳浓度 |
so2 | 二氧化硫浓度 |
表2
真实气象数据的存储格式如表3所示:
表3
真实污染物数据如表4所示:
字段名 | 含义 |
datetime | 时间 |
siteid | 站点编号 |
sitename | 站点名称 |
lon | 经度 |
lat | 纬度 |
pm25 | PM<sub>2.5</sub>浓度 |
pm10 | PM<sub>10</sub>浓度 |
so2 | so2浓度 |
o3 | o3浓度 |
co | co浓度 |
no2 | no2浓度 |
表4
在步骤S12中,对所述历史监测数据进行特征提取,并将特征提取后的历史监测数据输入至Seq2seq模型的编码端,通过所述Seq2seq模型的编码端将所述特征提取后的历史监测数据转化成状态量并传递至Seq2seq模型的解码端;在此,如图2所示,对历史监测数据进行特征提取,引入历史变化规律的信息,将特征提取后的数据输入至Seq2seq模型的编码端(Encoder),通过编码端对特征数据进行编码,将历史监测数据转化成状态向量传递给解码端(Decoder)。
在步骤S13中,对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,将所述输入特征数据输入至所述Seq2seq模型的解码端;在此,继续参考图2,由于Seq2seq模型参数较多并且在预测污染物浓度的场景中样本数较少,容易导致模型过拟合,因此,可以先对高空预报数据以及地表预报数据进行特征提取后进行训练,根据训练的输出结果选择出输入特征数据,将选择出来的输入特征数据输入至Seq2seq模型的解码端。进一步地,对所述高空预报数据及所述地表预报数据进行特征提取后通过回归模型对特征提取后的高空预报数据及地表预报数据进行训练。在此,回归模型为xgboost回归模型,可以通过xgboost回归模型对WRF-Chem数据构建的特征进行一轮训练,以根据训练结果选择出输入特征数据。
在步骤S14中,根据所述解码端的输出结果预测大气污染物浓度。在此,解码端中的数据为通过编码端进行编码后的数据以及进行特征选择后的输入特征数据,对输入解码端的数据进行解码后输出结果,以进行预测大气污染物浓度。
在本申请一实施例中,在步骤S11中,将获取到的目标区域中站点采集到的数据以及所述目标区域周围站点采集到的数据作为目标特征数据。在此,因大气流动对污染物的迁移具有非常大的作用,因此对于某个站点,该站点的污染物并不仅仅来自于站点所在区域,还需要考虑到周围站点或该站点所在区域的周边的污染物浓度和气象状况。获取目标特征数据时,可以获取单个站点的数据的同时也获取该站点周围附近站点的数据,比如以上海徐汇区为例,将距离其最近的四个站点:嘉定、宝山、闵行及浦东四个站点的一些关键因子(比如将湿度、PM2.5)也作为徐汇区站点的特征。
在本申请一实施例中,需要对获取的目标特征数据进行特征提取,其中,对所述历史监测数据进行特征提取,可以将起报时间之前预设单位时间内的历史监测数据,以及在所述预设单位时间内两个相邻时刻对应的历史监测数据的差值作为时间特征数据。对所述高空预报数据及所述地表预报数据进行特征提取,可以将所述高空预报数据、地表预报数据进行拆分,得到基本特征数据;将同一特征在同一时刻时对应的高空预报数据与地表预报数据的值进行差运算,生成空间特征数据。在此,将所述高空预报数据、地表预报数据进行拆分,得到基本特征数据;将同一特征在同一时刻时对应的高空预报数据与地表预报数据的值进行差运算,生成空间特征数据;将起报时间之前预设单位时间内的历史监测数据,以及在所述预设单位时间内两个相邻时刻对应的历史监测数据的差值作为时间特征数据。在本申请所述实施例中,对于基本特征数据:将地表和高空的WRF-Chem预报结果作为基本特征参与建模,将不同高度上的WRF-Chem预报结果进行拆分后可以提取到多个基本特征,比如湿度、温度、风速、风向、位势高度等。对于空间特征数据:在不同高度之间各个因素的分布情况往往可以体现出大气的对流状态,而对流状态直接影响污染物的扩散或者聚集情况。因此,在本申请所述的实施例中,对不同高度上(地表和高空)的数据进行组合,首先将同一特征在相邻高度层上的值进行做差生成新的特征,以描述各个因素在垂直方向的变化。同时将站点周围的站点的数据作为新的特征加入到该站点的特征数据中,使得样本数据更加准确和丰富。对于时间特征数据:通过对污染物浓度的变化规律分析,可知污染物浓度在一年内具有明显的季节效应,在一天内也具有明显的周期性。因此,在本申请所述的实施例中,将预报时间对应的月份和一天中对应的时刻作为特征。将起报时间之前24小时的历史真实监测数据作为特征,同时将这24小时之内两个相邻时刻真实值的差值作为新的特征,来反映预测目标的变化趋势。将过去24,48,72,96小时的真实数据作为特征来反映预测目标在过去多天的变化规律。
在本申请一实施例中,在步骤S13中,对所述高空预报数据及所述地表预报数据进行特征提取后通过回归模型进行训练,得到训练的结果为各特征数据的重要度;按照所述各特征数据的重要度的排序选取多个特征数据,作为输入特征数据。在此,回归模型为xgboost回归模型,使用xgboost回归模型进行训练时,将对应的特征和标签输入,xgboost回归模型根据输入的特征和标签优化内部的参数,最终固话模型,最终固话后的模型xgboost可以根据训练过程分析对每个特征的重要性以进行打分,通过每个特征的分数的高低选择重要性排名靠前的特征,比如选择重要性靠前的前30个特征作为输入特征数据。。在具体实施例中,先通过xgboost回归模型对WRF-Chem数据构建的特征进行一轮训练,并输出每个特征的重要度,根据每个特征的重要度排名选择前20个特征并将这些特征输入到解码端(Decoder),其中,解码端保留的20个特征包括:二氧化硫浓度、850hPa和700hPa位置高度之差、地面湿度、地面气压、PM10浓度、PM2.5浓度、臭氧浓度、1000hPa和925hPa露点温度之差、500hPa温度、地面湿度、925hPa和850hPa温度差、1000hPa高度处露点温度、地面温度、降水、一氧化碳浓度、850hPa和700hPa露点温度之差、850hPa露点温度、700hPa相对湿度、1000hPa位势高度及850hPa相对湿度。
在本申请一实施例中,对所述历史监测数据进行特征提取时,从所述历史监测数据中选取目标污染物因子,对所述目标污染物因子进行特征提取,其中,所述目标污染物因子包括PM2.5浓度、PM10浓度、二氧化硫浓度、一氧化碳浓度、二氧化氮浓度及臭氧浓度中一种或任几种组合。在此,将起报时刻之前24小时的6种污染物监测数据输入至编码端,以提取历史数据信息。
通过本申请所述的大气污染物浓度预测的方法,即保留了历史数据对预测目标的影响,同时考虑到了未来预测时间段内每个时刻之间的项目影响,从而使得预测更加精确。
此外,本申请实施例还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述一种大气污染物浓度预测的方法。
根据本申请再一个方面,还提供了一种大气污染物浓度预测的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行前述的方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:
获取目标特征数据,其中,所述目标特征数据包括高空预报数据、地表预报数据及历史监测数据;
对所述历史监测数据进行特征提取,并将特征提取后的历史监测数据输入至Seq2seq模型的编码端,通过所述Seq2seq模型的编码端将所述特征提取后的历史监测数据转化成状态量并传递至Seq2seq模型的解码端;
对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,将所述输入特征数据输入至所述Seq2seq模型的解码端;
根据所述解码端的输出结果预测大气污染物浓度。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。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,本申请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涵括在本申请内。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。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (8)
1.一种大气污染物浓度预测的方法,其中,所述方法包括:
获取目标特征数据,其中,所述目标特征数据包括高空预报数据、地表预报数据及历史监测数据;
对所述历史监测数据进行特征提取,并将特征提取后的历史监测数据输入至Seq2seq模型的编码端,通过所述Seq2seq模型的编码端将所述特征提取后的历史监测数据转化成状态量并传递至Seq2seq模型的解码端;
对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,将所述输入特征数据输入至所述Seq2seq模型的解码端;
根据所述解码端的输出结果预测大气污染物浓度。
2.根据权利要求1所述的方法,其中,获取目标特征数据,包括:
将获取到的目标区域中站点采集到的数据以及所述目标区域周围站点采集到的数据作为目标特征数据。
3.根据权利要求1所述的方法,其中,对所述历史监测数据进行特征提取,包括:
将起报时间之前预设单位时间内的历史监测数据,以及在所述预设单位时间内两个相邻时刻对应的历史监测数据的差值作为时间特征数据。
4.根据权利要求1所述的方法,其中,对所述高空预报数据及所述地表预报数据进行特征提取,包括:
将所述高空预报数据、地表预报数据进行拆分,得到基本特征数据;
将同一特征在同一时刻时对应的高空预报数据与地表预报数据的值进行差运算,生成空间特征数据。
5.根据权利要求1所述的方法,其中,对所述高空预报数据及所述地表预报数据进行特征提取后进行训练,根据训练的结果确定输入特征数据,包括:
对所述高空预报数据及所述地表预报数据进行特征提取后通过回归模型进行训练,得到训练的结果为各特征数据的重要度;
按照所述各特征数据的重要度的排序选取多个特征数据,作为输入特征数据。
6.根据权利要求1所述的方法,其中,对所述历史监测数据进行特征提取,包括:
从所述历史监测数据中选取目标污染物因子,对所述目标污染物因子进行特征提取,其中,所述目标污染物因子包括PM2.5浓度、PM10浓度、二氧化硫浓度、一氧化碳浓度、二氧化氮浓度及臭氧浓度中一种或任几种组合。
7.一种大气污染物浓度预测的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求1至6中任一项所述方法的操作。
8.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811405071.4A CN109541730A (zh) | 2018-11-23 | 2018-11-23 | 一种大气污染物浓度预测的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811405071.4A CN109541730A (zh) | 2018-11-23 | 2018-11-23 | 一种大气污染物浓度预测的方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109541730A true CN109541730A (zh) | 2019-03-29 |
Family
ID=65850248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811405071.4A Pending CN109541730A (zh) | 2018-11-23 | 2018-11-23 | 一种大气污染物浓度预测的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109541730A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN111768038A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN112505247A (zh) * | 2020-11-13 | 2021-03-16 | 北京软通智慧城市科技有限公司 | 空气质量分析方法、装置、设备及存储介质 |
CN112580898A (zh) * | 2020-12-30 | 2021-03-30 | 成都佳华物链云科技有限公司 | 一种污染预测方法以及污染预测模型训练方法 |
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 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
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 |
CN117236528A (zh) * | 2023-11-15 | 2023-12-15 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218816A (zh) * | 2013-04-18 | 2013-07-24 | 中山大学 | 一种基于视频分析的人群密度估计方法与人流量统计方法 |
CN103778467A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种选择电力系统暂态稳定评估输入特征量的方法 |
CN104700100A (zh) * | 2015-04-01 | 2015-06-10 | 哈尔滨工业大学 | 面向高空间分辨率遥感大数据的特征提取方法 |
CN104850913A (zh) * | 2015-05-28 | 2015-08-19 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及系统 |
CN105702028A (zh) * | 2016-02-16 | 2016-06-22 | 中山大学 | 一种基于机动车音频信号的交通状态判别系统 |
CN106157372A (zh) * | 2016-07-25 | 2016-11-23 | 深圳市唯特视科技有限公司 | 一种基于视频图像的3d人脸网格重构方法 |
CN106199632A (zh) * | 2016-10-09 | 2016-12-07 | 苏州光亿达环境科技有限公司 | 基于激光雷达的大气空间颗粒物垂直分布监测方法 |
CN106297792A (zh) * | 2016-09-14 | 2017-01-04 | 厦门幻世网络科技有限公司 | 一种语音口型动画的识别方法及装置 |
CN106789424A (zh) * | 2016-12-21 | 2017-05-31 | 携程旅游网络技术(上海)有限公司 | 服务器活跃度检测系统及方法 |
CN107133686A (zh) * | 2017-03-30 | 2017-09-05 | 大连理工大学 | 基于时空数据模型的城市级pm2.5浓度预测方法 |
WO2018065045A1 (en) * | 2016-10-05 | 2018-04-12 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN107944550A (zh) * | 2017-12-14 | 2018-04-20 | 清华大学 | 一种基于探测式深度网络的时空大数据预测方法 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
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 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
-
2018
- 2018-11-23 CN CN201811405071.4A patent/CN109541730A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218816A (zh) * | 2013-04-18 | 2013-07-24 | 中山大学 | 一种基于视频分析的人群密度估计方法与人流量统计方法 |
CN103778467A (zh) * | 2014-01-16 | 2014-05-07 | 天津大学 | 一种选择电力系统暂态稳定评估输入特征量的方法 |
CN104700100A (zh) * | 2015-04-01 | 2015-06-10 | 哈尔滨工业大学 | 面向高空间分辨率遥感大数据的特征提取方法 |
CN104850913A (zh) * | 2015-05-28 | 2015-08-19 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及系统 |
CN105702028A (zh) * | 2016-02-16 | 2016-06-22 | 中山大学 | 一种基于机动车音频信号的交通状态判别系统 |
CN106157372A (zh) * | 2016-07-25 | 2016-11-23 | 深圳市唯特视科技有限公司 | 一种基于视频图像的3d人脸网格重构方法 |
CN106297792A (zh) * | 2016-09-14 | 2017-01-04 | 厦门幻世网络科技有限公司 | 一种语音口型动画的识别方法及装置 |
WO2018065045A1 (en) * | 2016-10-05 | 2018-04-12 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN106199632A (zh) * | 2016-10-09 | 2016-12-07 | 苏州光亿达环境科技有限公司 | 基于激光雷达的大气空间颗粒物垂直分布监测方法 |
CN106789424A (zh) * | 2016-12-21 | 2017-05-31 | 携程旅游网络技术(上海)有限公司 | 服务器活跃度检测系统及方法 |
CN107133686A (zh) * | 2017-03-30 | 2017-09-05 | 大连理工大学 | 基于时空数据模型的城市级pm2.5浓度预测方法 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
CN107944550A (zh) * | 2017-12-14 | 2018-04-20 | 清华大学 | 一种基于探测式深度网络的时空大数据预测方法 |
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 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
Non-Patent Citations (2)
Title |
---|
YIJUN LIN, NIKHIT MAGO, YU GAO, YAGUANG LI, YAO-YI CHIANG,: "《Exploiting Spatiotemporal Patterns for Accurate Air Quality Forecasting using Deep Learning》", 《THE 26TH ACM SIGSPATIAL INTERNATIONAL CONFERENCE》 * |
王茜: "《CMAQ模式及其修正技术在上海市PM2.5预报中的应用检验》", 《环境科学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
CN111768038B (zh) * | 2020-06-30 | 2023-02-03 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN111768038A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN112505247A (zh) * | 2020-11-13 | 2021-03-16 | 北京软通智慧城市科技有限公司 | 空气质量分析方法、装置、设备及存储介质 |
CN112580898B (zh) * | 2020-12-30 | 2023-11-03 | 成都佳华物链云科技有限公司 | 一种污染预测方法以及污染预测模型训练方法 |
CN112580898A (zh) * | 2020-12-30 | 2021-03-30 | 成都佳华物链云科技有限公司 | 一种污染预测方法以及污染预测模型训练方法 |
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 |
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 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113326981B (zh) * | 2021-05-26 | 2024-05-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
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 |
CN117236528A (zh) * | 2023-11-15 | 2023-12-15 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
CN117236528B (zh) * | 2023-11-15 | 2024-01-23 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541730A (zh) | 一种大气污染物浓度预测的方法及设备 | |
US11195125B2 (en) | Pollution prediction | |
Hewson et al. | Objective identification, typing and tracking of the complete life‐cycles of cyclonic features at high spatial resolution | |
CN109543906A (zh) | 一种大气能见度预测的方法及设备 | |
CN112801010A (zh) | 一种针对实际ocr场景下的视觉富文档信息抽取方法 | |
CN110717010B (zh) | 一种文本处理方法及系统 | |
CN111143578B (zh) | 基于神经网络抽取事件关系的方法、装置和处理器 | |
CN107392311B (zh) | 序列切分的方法和装置 | |
CN107451106A (zh) | 文本纠正方法及装置、电子设备 | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN111148045B (zh) | 用户行为周期提取方法及设备 | |
CN110517154A (zh) | 数据模型训练方法、系统及计算机设备 | |
CN112395412A (zh) | 文本分类的方法、装置以及计算机可读介质 | |
CN109597982B (zh) | 摘要文本识别方法及装置 | |
CN112069818A (zh) | 三元组预测模型生成方法、关系三元组提取方法和装置 | |
CN108267613B (zh) | 一种测风数据处理方法及相关设备 | |
CN116433977A (zh) | 未知类别图像分类方法、装置、计算机设备及存储介质 | |
CN110609874B (zh) | 一种基于密度聚类算法的地址实体共指消解方法 | |
KR20220159746A (ko) | 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 | |
CN114358011A (zh) | 命名实体提取方法与装置以及电子设备 | |
CN110633370B (zh) | Ota酒店标签的生成方法、系统、电子设备和介质 | |
CN113011637A (zh) | 空气质量的预测方法、装置、设备及存储介质 | |
CN112949724A (zh) | 图像分类网络模型的训练方法、图像分类方法及相关设备 | |
CN111856618A (zh) | 气象要素的预测方法及设备 | |
CN116227479B (zh) | 一种实体识别方法、装置、计算机设备和可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |
|
RJ01 | Rejection of invention patent application after publication |