CN109615147A - 一种未来72小时大气污染预报预警方法 - Google Patents
一种未来72小时大气污染预报预警方法 Download PDFInfo
- Publication number
- CN109615147A CN109615147A CN201811614329.1A CN201811614329A CN109615147A CN 109615147 A CN109615147 A CN 109615147A CN 201811614329 A CN201811614329 A CN 201811614329A CN 109615147 A CN109615147 A CN 109615147A
- Authority
- CN
- China
- Prior art keywords
- hours
- future
- neural network
- concentration
- rnn
- 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
- 238000003915 air pollution Methods 0.000 title claims abstract description 11
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 18
- 231100000719 pollutant Toxicity 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims description 13
- 230000006735 deficit Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000000306 recurrent effect Effects 0.000 description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007363 ring formation reaction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
Abstract
本发明公开了一种未来72小时大气污染预报预警方法。该方法步骤为：1)训练RNN神经网络对未来72小时大气污染物浓度进行预测；2)采用WRF模拟出未来72小时气象场的时均值；3)将步骤2)中得到的未来72小时气象场的时均值作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的SO2、NOx、PM2.5和PM10浓度时均值；4)获取步骤2)中得到的未来72小时气象场的时均值以及步骤3)中由RNN神经网络输出的未来72小时的NOx、PM2.5浓度时均值，将两者一起作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的O3浓度时均值。相比传统方法，本发明精度更高，所需运行时间更短，收敛更快。
Description
技术领域
本发明属于气象预报领域，具体涉及一种未来72小时大气污染预报预警方法。
背景技术
我国遭受重度大气污染，尤其是东部工业化地区，已近20年，严重妨碍人民群众生产生活。因此如何预测、预警大气污染物是当前的研究重点。在现有技术中，有较多的专利公开了此类预报预警方法。例如，在申请号为CN201810223633.7的发明专利中公开了一种基于RBF神经网络的大气污染物浓度预测方法，根据被预测地区的实际情况，将实验数据进行划分，针对大气污染物浓度数据进行预处理；使用MMOD改进的k-means算法求出聚类中心，并基于方差求取每个核函数宽度；对实验数据进行抽样，参与创建的RBF神经网络的数据子集为IOB，剩下未被抽到的为OOB袋外数据；对学习器进行评价，筛选出泛化误差最小的RBF神经网络，训练集成RBFNN模型；利用加权集成RBFNN算法，基于加权欧式距离，通过聚类中心、宽度、权值训练单个参数优化RBFNN，并应用到集成RBFNN上，对数据预测。
申请号为CN201310038573.9的发明专利中公开了一种基于数值模式与统计分析结合的大气重污染预报方法，包括：获取NCEP全球预报背景场数据；手动强制生成或气象模式运行结束后自动生成预测触发指令；启动预测指令，得到模拟区域及周边地区的气象要素数据集；获取空气质量监测数据；生成预报因子集数据文件；通过能见度预报子模式得出预报日的能见度；通过污染程度初判子模式定性判别预报日的空气质量级别；通过天气类型识别子模式诊断识别预报日的天气类型；通过重污染定量化预报子模式运算得出预报日的污染物浓度；确定该污染程度对人体的危害级别，为管理者提供应急管理决策依据。本发明对大气重污染的预测效果与国内外各现行空气质量预报系统的高浓污染天气预报效果相比有明显改善。
上述这些方法的预测精度总体尚达到要求，有待于进一步改进。
发明内容
本发明的目的在于解决现有技术中存在的问题，并提供一种未来72小时大气污染预报预警方法。
本发明所采用的具体技术方案如下：
未来72小时大气污染预测方法，其步骤如下：
1)训练RNN神经网络对未来72小时大气污染物浓度进行预测；其中预测SO2、NOx、PM2.5和PM10浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压；预测O3浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差、水气压、PM2.5和NOx浓度；
2)采用WRF模拟出未来72小时气象场的时均值，即目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压；
3)将步骤2)中得到的未来72小时气象场的时均值作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的SO2、NOx、PM2.5和PM10浓度时均值；
4)获取步骤2)中得到的未来72小时气象场的时均值以及步骤3)中由RNN神经网络输出的未来72小时的NOx、PM2.5浓度时均值，将两者一起作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的O3浓度时均值。
优选的，所述的WRF为天气预报模式，版本为WRF version 3.4。
优选的，所述WRF模拟出的未来72小时气象场的时均值分辨率为2km。
优选的，针对待预警预报范围内的每个站点，根据步骤1)～4)的方法预测未来72小时的SO2、NOx、PM2.5、O3和PM10浓度时均值；然后制作污染物排放清单并确定污染物排放源的所在位置。
进一步的，污染物排放源的所在位置的分辨率为1公里。
本发明的未来72小时大气污染物预报预警方法，完全独立于美国环保署开发的WRF-CMAQ和WRF-Chem，且精度更高，所需运行时间更短，收敛更快。
附图说明
图1为实施例中两个模型的模拟结果；
图2为WRF-RNN模拟出的2017年长三角地区臭氧浓度的云图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
本发明构建了中尺度天气预报模式耦合循环神经网络系统，简称WRF-RNN，来预报预警中国的大气主要污染物(PM2.5、PM10、NOx、SO2和臭氧)。WRF，是Weather Research andForecasting Model的简称，即天气预报模式，可以用来模拟未来三天的气象数据，诸如气温、气压、相对湿度等。循环神经网络，Recurrent Neural Network，简称RNN。神经网络是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为。不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理如不分段的数据。RNN)。这种网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接。从系统观点看，它是一个反馈动力系统，在计算过程中体现过程动态特性，比前馈神经网络具有更强的动态行为和计算能力。
RNN是一类用于处理序列数据的神经网络。首先我们要明确什么是序列数据，摘取百度百科词条：时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。这是时间序列数据的定义。循环神经网络的主要用途是处理和预测序列数据，在全连接神经网络或卷积神经网络中，网络结果都是从输入层到隐含层再到输出层，层与层之间是全连接或部分连接的，但每层之间的结点是无连接的。考虑这样一个问题，如果要预测句子的下一个单词是什么，一般需要用到当前单词以及前面的单词，因为句子中前后单词并不是独立的，比如，当前单词是“很”，前一个单词是“天空”，那么下一个单词很大概率是“蓝”。循环神经网络的来源就是为了刻画一个序列当前的输出与之前信息的关系。从网络结果上来说，RNN会记忆之前的信息，并利用之前的信息影响后面的输出。也就是说，RNN的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包含上一时刻隐藏层的输出。循环神经网络的主要用途是处理和预测序列数据，在全连接神经网络或卷积神经网络中，网络结果都是从输入层到隐含层再到输出层，层与层之间是全连接或部分连接的，但每层之间的结点是无连接的。从网络结果上来说，RNN会记忆之前的信息，并利用之前的信息影响后面的输出。也就是说，RNN的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包含上一时刻隐藏层的输出。对于RNN来说，一个非常重要的概念就是时刻，RNN会对于每一个时刻的输入结合当前模型的状态给出一个输出，RNN的主体结构A的输入除了来自输入层的Xt,还有一个循环的边来提供当前时刻的状态。同时A的状态也会从当前步传递到下一步。因此，由于污染物的累积性，RNN是最适合预测污染物浓度的深度神经网络。训练所用的input为气象数据，温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压。所得出的output为SO2，NOx，O3，PM2.5和PM10的浓度。
下面具体介绍本发明的实现方式。如图1所示，本发明中提出的未来72小时大气污染预报预警方法，它的步骤如下：
1)训练RNN神经网络对未来72小时大气污染物浓度进行预测。
其中预测SO2、NOx、PM2.5和PM10浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压。
其中，由于O3是从其前体物NOx进行光化学反应产生，且该反应与PM2.5有直接相关关系，因此模拟O3时的input需要加入模拟出的NOx、PM2.5的浓度，达到最准精度。本发明预测O3浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差、水气压、PM2.5和NOx浓度。
2)采用WRF version 3.4模拟出未来72小时气象场的时均值，即目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压，分辨率为2km。
3)将步骤2)中得到的未来72小时气象场的时均值作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的SO2、NOx、PM2.5和PM10浓度时均值。
4)获取步骤2)中得到的未来72小时气象场的时均值以及步骤3)中由RNN神经网络输出的未来72小时的NOx、PM2.5浓度时均值，将两者一起作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的O3浓度时均值。
上述方法可以单独对某一站点进行预警预报，但也可以应用于大尺度的区域范围预警预报。当应用至大尺度范围预警预报时，需要针对待预警预报范围内的每个站点，根据步骤1)～4)的方法预测未来72小时的SO2、NOx、PM2.5、O3和PM10浓度时均值。然后制作污染物排放清单并确定污染物排放源的所在位置，分辨率为1公里。
下面结合实施例说明上述方法的具体实现效果。
实施例
本实施例中，选择中国长三角地区作为未来72小时大气污染预报预警方法的应用区域。本实施例的步骤如下：
1)训练RNN神经网络对未来72小时大气污染物浓度进行预测。
RNN神经网络的网络结构包括：
1.batch normalization层；
2.全连接层，激活函数relu；
3.两层双向rnn，其中每层嵌套attention wrapper和dropout wrapper；
4.全连接层，激活函数relu。
RNN神经网络的参数如下：
batch size:128
feature num:8
rnn_hidden_units_num:200
rnn_layer_num:2
learning_rate:0.001
I2Regularized rate:0.0001
rnn_timestep:5
activate function:relu
在模型训练过程中，预测SO2、NOx、PM2.5和PM10浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压。预测O3浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差、水气压、PM2.5和NOx浓度。上述训练数据的时间跨度均为1年。
2)采用WRF version 3.4模拟出未来72小时气象场的时均值，即目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压，分辨率为2km。WRF中的设置参数如表1。
表1 WRF参数方案
3)将步骤2)中得到的未来72小时气象场的时均值作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的SO2、NOx、PM2.5和PM10浓度时均值。
4)获取步骤2)中得到的未来72小时气象场的时均值以及步骤3)中由RNN神经网络输出的未来72小时的NOx、PM2.5浓度时均值，将两者一起作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的O3浓度时均值。
利用具有3000个核的并行计算机进行上述预报预警，得到了准确率较高的模拟结果。以2017年为例，对2017年1，4，7，10四个月进行上述模拟。为了作为对比，本实施例同时利用美国环保署开发的传统的多尺度耦合大气模型CMAQ对同样时段进行了模拟。以臭氧为例，两个模型的结果如图1所示，表明本发明的方法精度更高，而且运行所需运行时间更短，收敛更快。
另外，为了满足区域预警预报的要求，可以针对待预警预报范围内的每个站点，根据步骤1)～4)的方法预测未来72小时的SO2、NOx、PM2.5、O3和PM10浓度时均值，通过插值等方法即可得到区域的污染情况分布，如图2所示为臭氧的区域分布模拟云图。然后可根据这些数据制作污染物排放清单。同时，也可以根据对该区域污染源的大数据统计分析，确定污染物排放源的所在位置，分辨率为1公里。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (5)
1.一种未来72小时大气污染预报预警方法，其特征在于，步骤如下：
1)训练RNN神经网络对未来72小时大气污染物浓度进行预测；其中预测SO2、NOx、PM2.5和PM10浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压；预测O3浓度所采用的输入训练数据为目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、水气压、温度露点差、PM2.5和NOx浓度；
2)采用WRF模拟出未来72小时气象场的时均值，即目标区域范围内每小时的温度、相对湿度、风速、风向、降雨量、大气压、湿静力总能量、温度露点差和水气压；
3)将步骤2)中得到的未来72小时气象场的时均值作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的SO2、NOx、PM2.5和PM10浓度时均值；
4)获取步骤2)中得到的未来72小时气象场的时均值以及步骤3)中由RNN神经网络输出的未来72小时的NOx、PM2.5浓度时均值，将两者一起作为步骤1)中已训练完成的RNN神经网络的输入数据，并得到RNN神经网络输出的未来72小时的O3浓度时均值。
2.如权利要求1所述的未来72小时大气污染预报预警方法，其特征在于，所述的WRF为天气预报模式，版本为WRF version 3.4。
3.如权利要求1所述的未来72小时大气污染预报预警方法，其特征在于，所述WRF模拟出的未来72小时气象场的时均值分辨率为2km。
4.如权利要求1所述的未来72小时大气污染预报预警方法，其特征在于，针对待预警预报范围内的每个站点，根据步骤1)～4)的方法预测未来72小时的SO2、NOx、PM2.5、O3和PM10浓度时均值；然后制作污染物排放清单并确定污染物排放源的所在位置。
5.如权利要求4所述的未来72小时大气污染预报预警方法，其特征在于，污染物排放源的所在位置的分辨率为1公里。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811614329.1A CN109615147A (zh) | 2018-12-27 | 2018-12-27 | 一种未来72小时大气污染预报预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811614329.1A CN109615147A (zh) | 2018-12-27 | 2018-12-27 | 一种未来72小时大气污染预报预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109615147A true CN109615147A (zh) | 2019-04-12 |
Family
ID=66012967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811614329.1A Pending CN109615147A (zh) | 2018-12-27 | 2018-12-27 | 一种未来72小时大气污染预报预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109615147A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083793A (zh) * | 2019-04-23 | 2019-08-02 | 国网湖南省电力有限公司 | 基于火电厂排放源解析的减排快速计算方法及系统 |
| CN110555378A (zh) * | 2019-07-29 | 2019-12-10 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
| CN111259336A (zh) * | 2020-01-15 | 2020-06-09 | 成都信息工程大学 | 大气污染物浓度预警方法 |
| CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
| NL2029891A (en) * | 2021-06-24 | 2022-12-30 | Univ Tianjin | Method for optimizing emergency regulation scheme of coordinated inter-regional prevention and control of air pollution |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
-
2018
- 2018-12-27 CN CN201811614329.1A patent/CN109615147A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 范竣翔 等: "基于RNN的空气污染时空预报模型研究", 《测绘科学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083793A (zh) * | 2019-04-23 | 2019-08-02 | 国网湖南省电力有限公司 | 基于火电厂排放源解析的减排快速计算方法及系统 |
| CN110555378A (zh) * | 2019-07-29 | 2019-12-10 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
| CN110555378B (zh) * | 2019-07-29 | 2023-01-17 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
| CN111259336A (zh) * | 2020-01-15 | 2020-06-09 | 成都信息工程大学 | 大气污染物浓度预警方法 |
| CN111259336B (zh) * | 2020-01-15 | 2023-03-21 | 成都信息工程大学 | 大气污染物浓度预警方法 |
| NL2029891A (en) * | 2021-06-24 | 2022-12-30 | Univ Tianjin | Method for optimizing emergency regulation scheme of coordinated inter-regional prevention and control of air pollution |
| CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
| CN109615147A (zh) | 一种未来72小时大气污染预报预警方法 | |
| CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
| CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
| Parhizkar et al. | Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
| US11874429B2 (en) | High-temperature disaster forecast method based on directed graph neural network | |
| CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
| Chen et al. | Selection of key features for PM2. 5 prediction using a wavelet model and RBF-LSTM | |
| Ma et al. | Prediction of outdoor air temperature and humidity using Xgboost | |
| Mahanta et al. | Urban air quality prediction using regression analysis | |
| Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
| CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN111222706A (zh) | 一种基于粒子群优化与自编码器的混沌时间序列预测方法 | |
| CN107818340A (zh) | 基于k值小波神经网络的二阶段空调负荷预测方法 | |
| CN110119086A (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| CN112801416A (zh) | 基于多维水文信息的lstm流域径流量预测方法 | |
| CN115860286A (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
| Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
| Liu et al. | Air Quality Index Forecasting via Genetic Algorithm-Based Improved Extreme Learning Machine | |
| Boyraz et al. | Streamflow prediction with deep learning | |
| Xu et al. | Dynamic graph neural network with adaptive edge attributes for air quality prediction: A case study in China | |
| CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
| Raja et al. | Drought prediction and validation for desert region using machine learning methods |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |