CN109615239A - 基于社会化网络媒体数据的城市空气质量的评估方法 - Google Patents
基于社会化网络媒体数据的城市空气质量的评估方法 Download PDFInfo
- Publication number
- CN109615239A CN109615239A CN201811525975.0A CN201811525975A CN109615239A CN 109615239 A CN109615239 A CN 109615239A CN 201811525975 A CN201811525975 A CN 201811525975A CN 109615239 A CN109615239 A CN 109615239A
- Authority
- CN
- China
- Prior art keywords
- quality
- air
- urban
- data
- urban air
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003915 air pollution Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000011109 contamination Methods 0.000 claims abstract description 21
- 239000003570 air Substances 0.000 claims description 63
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 239000012080 ambient air Substances 0.000 claims description 6
- 238000011423 initialization method Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 5
- 231100000719 pollutant Toxicity 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims 1
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 231100000241 scar Toxicity 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于社会化网络媒体数据的城市空气质量的评估方法,首先以社会化网络媒体数据为数据源,从其中的历史数据中提取与城市空气污染相关的数据,同时从空气质量监测点获取对应的监测数据,其中,城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取,并以环境污染事件类型、栅格化城区位置、社会化媒体属性因素为重构指引,重构成具有完整语义功能的多模态城市空气污染基本事件数据;然后将社会化网络媒体数据中提取的城市空气污染事件关联量化至城市空气质量;最后依据城市空气污染事件与空气质量的关联模型对城市空气质量进行评估。本发明解决了现有城市空气污染事件监测技术匮乏的问题。
Description
技术领域
本发明属于涉及社会化网络媒体数据分析技术领域,具体涉及一种基于社会化网络媒体数据的城市空气质量的评估方法。
背景技术
空气质量是指人类、植物、动物和建筑物等暴露于其中的空气的好坏。人类活动或自然过程使得某些化学物质、颗粒物、生物质及其它有害物进入大气中,造成空气污染,导致空气质量的恶化。近年来各国的研究证实,空气质量对人类的身心健康具有显著影响,空气中污染物的浓度与人类呼吸系统疾病、心脏病等多种疾病的发病率、死亡率存在显著的正相关,与心理疾病的发病和自杀企图的产生也存在潜在关联。
城市区域,尤其是发展中国家的城市区域是受空气污染威胁较为严重的区域。在我国,超过1/3的城市人口生活在环境空气质量不达标(《环境空气质量标准》中的二级标准)的城市区域。随着城市化进程和生活水平提升,非清洁能源的大量消耗、机动车辆数量激增、工业污染物排放等因素导致城市空气质量问题频发。国家环保部发布的最新统计结果表明,2013年12月我国74个空气质量监测重点城市的空气质量平均达标(《环境空气质量标准》中的二级标准)天数比例仅为29.1%,平均超标天数比例高达70.9%。空气污染在我国城市的频繁发生,使得城市空气质量成为了关系我国城市居民健康的焦点问题。
发明内容
本发明的目的是提供一种基于社会化网络媒体数据的城市空气质量的评估方法,解决了现有城市空气污染事件监测技术匮乏的问题。
本发明所采用的技术方案是,基于社会化网络媒体数据的城市空气质量的评估方法,具体按照以下步骤实施:
步骤1、以社会化网络媒体数据为数据源,从其中的历史数据中提取与城市空气污染相关的数据,同时从空气质量监测点获取对应的监测数据,其中,城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取,并以环境污染事件类型、栅格化城区位置、社会化媒体属性因素为重构指引,重构成具有完整语义功能的多模态城市空气污染基本事件数据;
步骤2,将社会化网络媒体数据中提取的城市空气污染事件关联量化至城市空气质量;
步骤3、依据城市空气污染事件与空气质量的关联模型对城市空气质量进行评估。
本发明的特点还在于,
步骤2具体按照以下步骤实施:
步骤2.1、将城市区域离散化,对整体的城市区域进行栅格化处理;
步骤2.2、通过步骤1得到的空气质量监测点获取实时城市空气质量监测数据,并依据栅格化的城市区域将城市空气质量监测数据关联对应;
步骤2.3、基于关联对应的空气质量数据,结合该时段对应的社会化网络媒体数据中的用户发布空气污染事件数据,将空气质量与污染事件相互关联。
步骤2.1中城市区域的栅格离散化以地理位置、人口密度、教育水平、土地特征因素为依据,最后得到的栅格化城市区域将城市区域按照各自的区域特点进行划分,从而使得特定区域的数据更加贴合该区域的实际情况。
步骤2.2中以已有的空气环境质量监测站的环境空气监测数据为参照数据,包括污染因子浓度数据、空气质量指数,与监测站所在地理栅格内的网络媒体污染事件进行关联性分析,将空气质量监测数据与对应栅格区域相对应。
步骤2.3中根据城市空气污染事件属性,选择并量化与城市空气质量相关的特征,建立原始数列的因变量参考数列和自变量比较数列,采用初始化法或均值化法对原始数列进行无量纲化处理,具体如下:
步骤2.3.1、假设城市空气污染事件属性为因变量参考数列各类型属性的取值为自变量参考数列将原始序列进行初始化法、均值化法的无量纲处理,消除数量级大小不同的影响,以便于进行计算和比较分析;
步骤2.3.2、计算每个时刻因变量参考数列与各自变量参考数列差的绝对值,并从中取得最大差和最小差序列则差序列为:
Δi=(Δi(1),Δi(2),Δi(3),…Δi(k)),i=1,2,…,n,
步骤2.3.3、基于马尔科夫过程,以各类型空气污染事件特征为动作集合A,以离散化后的城市空气环境质量指数为状态集合S,拟合状态转移函数T:S×A→∏(S),将每一对“状态―行动”映射为S的一个概率分布,用记号T(s,a,s')表示在状态s上执行a达到的概率s′,其中,“状态―行动”中的“状态”表示空气质量,“行动”表示污染事件特征,使用状态转移函数T即能够表征各类空气污染事件与城市空气质量的量化关联关系,从而实现将空气污染事件量化至城市空气质量。
步骤3具体按照以下步骤实施:
步骤3.1、基于高斯模型的大气污染输送模型对城市固有信息进行分析,得到非突发性污染事故情况下的城市空气质量分析结果;
步骤3.2,基于马尔科夫过程,以步骤3.1得到的正常情况下的城市空气质量分析结果作为初始状态,结合步骤2得到的空气质量与污染事件关联对应关系评估当前的实时城市空气质量。
步骤3.1中,采用基于高斯模型的大气污染输送模型,将城市区域环境背景数据、城市已知固定污染源分布和污染物种类等影响因素加入模型的输入量,即得到正常情况下的城市空气质量分析结果,其中,城市区域环境背景数据包括城市地形地貌、街区形态、土地性质、绿化率、能源结构、产业结构、清洁生产水平、气象数据。
步骤3.2中,基于城市空气环境质量变化的马尔科夫过程,以正常情况下的城市空气质量分析结果为城市空气质量的初始状态,以从网络媒体数据中实时监测到的各个栅格区域的城市空气污染事件,根据状态转移函数,即可评估当前实时的不同栅格区域的城市空气环境质量指数。
本发明的有益效果是,基于社会化网络媒体数据的城市空气质量的评估方法,基于社会化网络媒体数据中用户实时发布的相关数据进行城市空气质量的评估,从而使得本方法所获得的城市空气环境质量指数有着较高的时效性并具有较高的空气质量参考价值;在进行城市空气质量评估过程中所使用的马尔可夫过程具有运算速度快的特点,同时,马尔可夫所需的初始状态数据并不基于实时的社会化网络媒体数据,可以预先离线计算完成,两相结合从而使得本方法在运算时间上大幅减少。
附图说明
图1是本发明基于社会化网络媒体数据的城市空气质量的评估方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于社会化网络媒体数据的城市空气质量的评估方法,如图1所示,具体按照以下步骤实施:
步骤1、以社会化网络媒体数据为数据源,从其中的历史数据中提取与城市空气污染相关的数据,同时从空气质量监测点获取对应的监测数据,其中,城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取,并以环境污染事件类型、栅格化城区位置、社会化媒体属性因素为重构指引,重构成具有完整语义功能的多模态城市空气污染基本事件数据;
步骤2,将社会化网络媒体数据中提取的城市空气污染事件关联量化至城市空气质量,具体按照以下步骤实施:
步骤2.1、将城市区域离散化,对整体的城市区域进行栅格化处理;
步骤2.2、通过步骤1得到的空气质量监测点获取实时城市空气质量监测数据,并依据栅格化的城市区域将城市空气质量监测数据关联对应;
步骤2.3、基于关联对应的空气质量数据,结合该时段对应的社会化网络媒体数据中的用户发布空气污染事件数据,将空气质量与污染事件相互关联。
其中,步骤2.1中城市区域的栅格离散化以地理位置、人口密度、教育水平、土地特征因素为依据,最后得到的栅格化城市区域将城市区域按照各自的区域特点进行划分,从而使得特定区域的数据更加贴合该区域的实际情况。
步骤2.2中以已有的空气环境质量监测站的环境空气监测数据为参照数据,包括污染因子浓度数据、空气质量指数,与监测站所在地理栅格内的网络媒体污染事件进行关联性分析,将空气质量监测数据与对应栅格区域相对应。
步骤2.3中根据城市空气污染事件属性,选择并量化与城市空气质量相关的特征,建立原始数列的因变量参考数列和自变量比较数列,采用初始化法或均值化法对原始数列进行无量纲化处理,具体如下:
步骤2.3.1、假设城市空气污染事件属性为因变量参考数列各类型属性的取值为自变量参考数列将原始序列进行初始化法、均值化法的无量纲处理,消除数量级大小不同的影响,以便于进行计算和比较分析;
步骤2.3.2、计算每个时刻因变量参考数列与各自变量参考数列差的绝对值,并从中取得最大差和最小差序列则差序列为:
Δi=(Δi(1),Δi(2),Δi(3),…Δi(k)),i=1,2,…,n,
步骤2.3.3、基于马尔科夫过程,以各类型空气污染事件特征为动作集合A,以离散化后的城市空气环境质量指数为状态集合S,拟合状态转移函数T:S×A→∏(S),将每一对“状态―行动”映射为S的一个概率分布,用记号T(s,a,s')表示在状态s上执行a达到的概率s′,其中,“状态―行动”中的“状态”表示空气质量,“行动”表示污染事件特征,使用状态转移函数T即能够表征各类空气污染事件与城市空气质量的量化关联关系,从而实现将空气污染事件量化至城市空气质量;
步骤3、依据城市空气污染事件与空气质量的关联模型对城市空气质量进行评估,具体按照以下步骤实施:
步骤3.1、基于高斯模型的大气污染输送模型对城市固有信息进行分析,得到非突发性污染事故情况下的城市空气质量分析结果;
步骤3.2,基于马尔科夫过程,以步骤3.1得到的正常情况下的城市空气质量分析结果作为初始状态,结合步骤2得到的空气质量与污染事件关联对应关系评估当前的实时城市空气质量。
步骤3.1中,采用基于高斯模型的大气污染输送模型,将城市区域环境背景数据、城市已知固定污染源分布和污染物种类等影响因素加入模型的输入量,即得到正常情况下的城市空气质量分析结果,其中,城市区域环境背景数据包括城市地形地貌、街区形态、土地性质、绿化率、能源结构、产业结构、清洁生产水平、气象数据。
步骤3.2中,基于城市空气环境质量变化的马尔科夫过程,以正常情况下的城市空气质量分析结果为城市空气质量的初始状态,以从网络媒体数据中实时监测到的各个栅格区域的城市空气污染事件,根据状态转移函数,即可评估当前实时的不同栅格区域的城市空气环境质量指数。
本发明基于社会化网络媒体数据的城市空气质量的评估方法,首先从社会化网络媒体数据中获取城市空气相关数据并进行按类型按区域重构;随后结合城市空气监测点的监测数据完成污染事件与监测数据的关联对应;使用基于城市空气环境质量变化的马尔科夫过程,结合污染事件与监测数据之间的对应关系,实现实时的对不同栅格区域的城市空气质量进行评估。本发明可结合实时监测到的空气质量对于实时的社会网络媒体数据进行评估,将污染情况转化为实时的空气环境质量指数。
Claims (8)
1.基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,具体按照以下步骤实施:
步骤1、以社会化网络媒体数据为数据源,从其中的历史数据中提取与城市空气污染相关的数据,同时从空气质量监测点获取对应的监测数据,其中,城市空气污染相关数据的获取从用户的直接环境空气描述和污染事件描述两方面获取,并以环境污染事件类型、栅格化城区位置、社会化媒体属性因素为重构指引,重构成具有完整语义功能的多模态城市空气污染基本事件数据;
步骤2,将社会化网络媒体数据中提取的城市空气污染事件关联量化至城市空气质量;
步骤3、依据城市空气污染事件与空气质量的关联模型对城市空气质量进行评估。
2.根据权利要求1所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、将城市区域离散化,对整体的城市区域进行栅格化处理;
步骤2.2、通过步骤1得到的空气质量监测点获取实时城市空气质量监测数据,并依据栅格化的城市区域将城市空气质量监测数据关联对应;
步骤2.3、基于关联对应的空气质量数据,结合该时段对应的社会化网络媒体数据中的用户发布空气污染事件数据,将空气质量与污染事件相互关联。
3.根据权利要求2所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤2.1中城市区域的栅格离散化以地理位置、人口密度、教育水平、土地特征因素为依据,最后得到的栅格化城市区域将城市区域按照各自的区域特点进行划分,从而使得特定区域的数据更加贴合该区域的实际情况。
4.根据权利要求2所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤2.2中以已有的空气环境质量监测站的环境空气监测数据为参照数据,包括污染因子浓度数据、空气质量指数,与监测站所在地理栅格内的网络媒体污染事件进行关联性分析,将空气质量监测数据与对应栅格区域相对应。
5.根据权利要求2所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤2.3中根据城市空气污染事件属性,选择并量化与城市空气质量相关的特征,建立原始数列的因变量参考数列和自变量比较数列,采用初始化法或均值化法对原始数列进行无量纲化处理,具体如下:
步骤2.3.1、假设城市空气污染事件属性为因变量参考数列各类型属性的取值为自变量参考数列将原始序列进行初始化法、均值化法的无量纲处理,消除数量级大小不同的影响,以便于进行计算和比较分析;
步骤2.3.2、计算每个时刻因变量参考数列与各自变量参考数列差的绝对值,并从中取得最大差和最小差序列则差序列为:
Δi=(Δi(1),Δi(2),Δi(3),…Δi(k)),i=1,2,…,n,
步骤2.3.3、基于马尔科夫过程,以各类型空气污染事件特征为动作集合A,以离散化后的城市空气环境质量指数为状态集合S,拟合状态转移函数T:S×A→∏(S),将每一对“状态―行动”映射为S的一个概率分布,用记号T(s,a,s')表示在状态s上执行a达到的概率s′,其中,“状态―行动”中的“状态”表示空气质量,“行动”表示污染事件特征,使用状态转移函数T即能够表征各类空气污染事件与城市空气质量的量化关联关系,从而实现将空气污染事件量化至城市空气质量。
6.根据权利要求5所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、基于高斯模型的大气污染输送模型对城市固有信息进行分析,得到非突发性污染事故情况下的城市空气质量分析结果;
步骤3.2,基于马尔科夫过程,以步骤3.1得到的正常情况下的城市空气质量分析结果作为初始状态,结合步骤2得到的空气质量与污染事件关联对应关系评估当前的实时城市空气质量。
7.根据权利要求6所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤3.1中,采用基于高斯模型的大气污染输送模型,将城市区域环境背景数据、城市已知固定污染源分布和污染物种类等影响因素加入模型的输入量,即得到正常情况下的城市空气质量分析结果,其中,城市区域环境背景数据包括城市地形地貌、街区形态、土地性质、绿化率、能源结构、产业结构、清洁生产水平、气象数据。
8.根据权利要求6所述的基于社会化网络媒体数据的城市空气质量的评估方法,其特征在于,所述步骤3.2中,基于城市空气环境质量变化的马尔科夫过程,以正常情况下的城市空气质量分析结果为城市空气质量的初始状态,以从网络媒体数据中实时监测到的各个栅格区域的城市空气污染事件,根据状态转移函数,即可评估当前实时的不同栅格区域的城市空气环境质量指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525975.0A CN109615239B (zh) | 2018-12-13 | 2018-12-13 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525975.0A CN109615239B (zh) | 2018-12-13 | 2018-12-13 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615239A true CN109615239A (zh) | 2019-04-12 |
CN109615239B CN109615239B (zh) | 2023-04-07 |
Family
ID=66008539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525975.0A Active CN109615239B (zh) | 2018-12-13 | 2018-12-13 | 基于社会化网络媒体数据的城市空气质量的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615239B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709646A (zh) * | 2020-06-17 | 2020-09-25 | 九江学院 | 空气污染暴露风险评价方法及系统 |
CN113689085A (zh) * | 2021-07-30 | 2021-11-23 | 深圳集智数字科技有限公司 | 一种多指标要素的特征属性信息处理方法以及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机系统有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
KR101668077B1 (ko) * | 2015-04-24 | 2016-10-28 | 국방과학연구소 | 재난대응 시뮬레이션 시스템 및 그 방법 |
CN106507315A (zh) * | 2016-11-24 | 2017-03-15 | 西安交通大学 | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 |
CN106650158A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于cfd及多数据源的城市实时全局环境估计方法 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
CN107908766A (zh) * | 2017-11-28 | 2018-04-13 | 深圳市城市规划设计研究院有限公司 | 一种城市热点事件动态监测方法及系统 |
CN108255933A (zh) * | 2017-12-07 | 2018-07-06 | 北京大学 | 一种社交媒体动态事件演变可视分析方法及系统 |
CN108446293A (zh) * | 2018-01-22 | 2018-08-24 | 中电海康集团有限公司 | 一种基于城市多源异构数据构建城市画像的方法 |
-
2018
- 2018-12-13 CN CN201811525975.0A patent/CN109615239B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机系统有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
KR101668077B1 (ko) * | 2015-04-24 | 2016-10-28 | 국방과학연구소 | 재난대응 시뮬레이션 시스템 및 그 방법 |
CN106779165A (zh) * | 2016-11-21 | 2017-05-31 | 山东大学 | 基于城市空气质量预测技术的电力系统环境调度方法 |
CN106507315A (zh) * | 2016-11-24 | 2017-03-15 | 西安交通大学 | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 |
CN106650158A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于cfd及多数据源的城市实时全局环境估计方法 |
CN107908766A (zh) * | 2017-11-28 | 2018-04-13 | 深圳市城市规划设计研究院有限公司 | 一种城市热点事件动态监测方法及系统 |
CN108255933A (zh) * | 2017-12-07 | 2018-07-06 | 北京大学 | 一种社交媒体动态事件演变可视分析方法及系统 |
CN108446293A (zh) * | 2018-01-22 | 2018-08-24 | 中电海康集团有限公司 | 一种基于城市多源异构数据构建城市画像的方法 |
Non-Patent Citations (2)
Title |
---|
李云婷等: "基于大数据分析与认知技术的空气质量预报预警平台", 《中国环境管理》 * |
杨阳等: "中国当前城市空气综合质量的主要影响因素分析", 《北京大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709646A (zh) * | 2020-06-17 | 2020-09-25 | 九江学院 | 空气污染暴露风险评价方法及系统 |
CN111709646B (zh) * | 2020-06-17 | 2024-02-09 | 九江学院 | 空气污染暴露风险评价方法及系统 |
CN113689085A (zh) * | 2021-07-30 | 2021-11-23 | 深圳集智数字科技有限公司 | 一种多指标要素的特征属性信息处理方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109615239B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paull et al. | Airborne particulate matter accumulation on common green wall plants | |
Thuiller et al. | Large‐scale environmental correlates of forest tree distributions in Catalonia (NE Spain) | |
CN107563562A (zh) | 网格化城市大气污染物排放的评估方法及装置 | |
Adamala | An overview of big data applications in water resources engineering | |
CN112085241A (zh) | 一种基于机器学习的环境大数据分析和决策平台 | |
CN106339775A (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
CN108875002B (zh) | 一种基于遥感与gis的荒漠生态系统红色名录评估方法 | |
Douglas et al. | Determining broad scale associations between air pollutants and urban forestry: A novel multifaceted methodological approach | |
CN109615239A (zh) | 基于社会化网络媒体数据的城市空气质量的评估方法 | |
Jakob et al. | Empirical evidence shows that air quality changes during COVID-19 pandemic lockdown in Jakarta, Indonesia are due to seasonal variation, not restricted movements | |
CN115015486B (zh) | 一种基于回归树模型的碳排放量测算方法 | |
Merkens et al. | Using information on settlement patterns to improve the spatial distribution of population in coastal impact assessments | |
Jia et al. | Bibliometric analysis on global research trends of airborne microorganisms in recent ten years (2011-2020) | |
Nouri et al. | Effects of regional vegetation cover degradation and climate change on dusty weather types | |
De Luca et al. | Past and projected weather pattern persistence with associated multi-hazards in the British Isles | |
Bindajam et al. | Assessing landscape fragmentation due to urbanization in English Bazar Municipality, Malda, India, using landscape metrics | |
CN114519124A (zh) | 一种大气环境污染联防联控治理方法 | |
Aljanabi et al. | Comparison of multiple machine learning algorithms for urban air quality forecasting | |
Mangla et al. | Statistical analysis for air quality assessment and evaluation: a data mining approach | |
Chung et al. | Information extraction methodology by web scraping for smart cities | |
Yang | IoT-based air pollution monitoring system | |
CN107870376A (zh) | 一种多源气象数据二次采样整合方法 | |
CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
CN112598178A (zh) | 一种基于贝叶斯框架下的大气污染物浓度预测方法 | |
Yu et al. | Economy estimation of mainland china at county-level based on landsat images and multi-task deep learning framework |
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 |