CN109738972A - 空气污染物预报方法、装置及电子设备 - Google Patents
空气污染物预报方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109738972A CN109738972A CN201811653821.XA CN201811653821A CN109738972A CN 109738972 A CN109738972 A CN 109738972A CN 201811653821 A CN201811653821 A CN 201811653821A CN 109738972 A CN109738972 A CN 109738972A
- Authority
- CN
- China
- Prior art keywords
- mode
- forecast
- result
- current
- cmaq
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种空气污染物预报方法、装置及电子设备，涉及空气质量预报的技术领域，包括获取多个预报模式生成的多个当前预报结果；所述每个预报模式生成一个当前预报结果；确定每个预报模式对应的本土化参数，得到多个本土化参数；根据所述多个本土化参数，优化集成预报模型；将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果。本发明能够提高集合结果的准确率。
Description
技术领域
本发明涉及空气质量预报技术领域，尤其是涉及一种空气污染物预报方法、装置及电子设备。
背景技术
日益严峻的空气污染增加了健康风险，合理的空气质量预报能够对人们进行提醒，限制人为污染物的排放量，降低污染物的排放。在相关技术中，通常采用多模式集合预报的方式进行，多模式集合预报就是综合多种预报模式的结果，加权平均的得到一个综合的预报结果。
然而，权重集成算法能够有效的区分模式的预报的优劣，但由于污染过程本身的复杂性，各模式性能在时间上和空间上存在一定的波动性，在部分区域和时段，难以找到具有明显优势的数值模式，特别是对于复杂的重污染过程，降低了集合结果的准确率。
发明内容
有鉴于此，本发明的目的在于提供空气污染物预报方法、装置及电子设备，提高集合结果的准确率。
第一方面，本发明实施例提供了一种空气污染物预报方法，包括：
获取多个预报模式生成的多个当前预报结果；所述每个预报模式生成一个当前预报结果；
确定每个预报模式对应的本土化参数，得到多个本土化参数；
根据所述多个本土化参数，优化集成预报模型；
将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述多个预报模式包括以下预报模式的至少两种：NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，当所述多个预报模式包括NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述多个本土化参数，优化集成预报模型的步骤，包括：
从所述集成预报模型中获取预报模式对应的原始权重值；
逐一将原始权重值和预报模式对应的本土化参数输入到归一化函数中，得到优化权重值，以优化集成预报模型。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果的步骤之前，所述方法还包括：
构建训练集；所述训练集中包括：所述多个预报模式生成的历史预报结果和对应的实际监测数据；
根据所述训练集，计算多个预报模式中每个预报模式的偏差值；
根据所述每个预报模式的偏差值，逐一矫正多个当前预报结果。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，历史预报结果和实际监测数据包含的内容为PM2.5、PM10、SO2、NO2、CO、O3的浓度。
第二方面，本发明实施例还提供一种空气污染物预报装置，包括：
获取模块，用于获取多个预报模式生成的多个当前预报结果；
确定模块，用于确定每个预报模式对应的本土化参数，得到多个本土化参数；
优化模块，用于根据所述多个本土化参数，优化集成预报模型；
集合预报模块，用于将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述多个预报模式包括以下预报模式的至少两种：NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述实施例任一项所述的方法的步骤。
第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述实施例任一所述方法。
本发明实施例带来了以下有益效果：可以通过获取多个预报模式生成的多个当前预报结果，每个预报模式生成一个当前预报结果，确定每个预报模式对应的本土化参数，得到多个本土化参数，根据多个本土化参数，优化集成预报模型，将多个当前预报结果输入到优化后的集成预报模型中，得到集合结果，本发明能够充分考虑本土化的因素，优化集成预报模型，提高了集合结果的准确率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明实施例提供的空气污染物预报方法的流程图；
图2为本发明实施例提供的空气污染物预报方法的步骤S130中的流程图；
图3为本发明实施例提供的空气污染物预报方法的工作过程图；
图4为本发明实施例提供的空气污染物预报装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
日益严峻的空气污染增加了健康风险，合理的空气质量预报能够对人们进行提醒，限制人为污染物的排放量，降低污染物的排放。在相关技术中，通常采用多模式集合预报的方式进行，多模式集合预报就是综合多种预报模式的结果，加权平均的得到一个综合的预报结果。
然而，权重集成算法能够有效的区分模式的预报的优劣，但由于污染过程本身的复杂性，各模式性能在时间上和空间上存在一定的波动性，在部分区域和时段，难以找到具有明显优势的数值模式，特别是对于复杂的重污染过程，降低了集合结果的准确率。
基于此，本发明实施例提供的一种空气污染物预报方法、装置及电子设备，可以通过获取多个预报模式生成的多个当前预报结果，每个预报模式生成一个当前预报结果，确定每个预报模式对应的本土化参数，得到多个本土化参数，根据多个本土化参数，优化集成预报模型，将多个当前预报结果输入到优化后的集成预报模型中，得到集合结果，本发明能够充分考虑本土化的因素，优化集成预报模型，提高了集合结果的准确率。
以下进行详细介绍：
本发明实施例提供了一种空气污染物预报方法，结合图1所示，包括：
S110：获取多个预报模式生成的多个当前预报结果。
其中，多个预报模式包括以下预报模式的至少两种：NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式。
NAQPMS模式为中国科学院大气物理研究所开发的嵌套网格空气质量预报模式系统、CMAQ模式为美国环保署开发的、CAMx为美国Environ公司的空气质量综合模拟系统、WRF-Chem模式为美国大气海洋局(NOAA)预报系统实验室(FSL)开发的。通过NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式均能得到的预报结果可以包含的内容为PM2.5、PM10、SO2、NO2、CO、O3的浓度。
本发明可以通过上述介绍的四种预报模式进行排列组合的方式介绍以下示例：
第一示例，当多个预报模式包括NAQPMS模式、CMAQ模式时，获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果。
第二示例，当多个预报模式包括NAQPMS模式、CAMx模式时，获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果。
第三示例，当多个预报模式包括NAQPMS模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
第四示例，当多个预报模式包括CMAQ模式、CAMx模式时，获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果。
第五示例，当多个预报模式包括CMAQ模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
第六示例，当多个预报模式包括CAMx模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过CAMx模式，获取CAMx模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
第七示例，当所述多个预报模式包括NAQPMS模式、CMAQ模式、CAMx模式时，获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果。
第八示例，当所述多个预报模式包括NAQPMS模式、CMAQ模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
第九示例，当所述多个预报模式包括CMAQ模式、CAMx模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
第十示例，当所述多个预报模式包括NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
此外，术语“第一”、“第二”、“第三”、“第四”、“第五”、“第六”、“第七”、“第八”、“第九”、“第十”仅仅用于描述目的，而不能理解为指示或暗示相对重要性。
S120：确定每个预报模式对应的本土化参数，得到多个本土化参数。
可以理解为，利用多个预报模式进行集合预测时，每种预报模式得到的预报结果并不同，而且每种预报模式可能会因为地区的不同，造成预报结果的不同，所以，本发明为了解决上述问题，本发明可以通过向用户展示添加本土化参数页面，接收用户输入的本土化参数，即确定预报模式对应的本土化参数，其中，每个预报模式对应有一个本土化参数。
以第一示例中的情况作为介绍为例，当多个预报模式包括NAQPMS模式、CMAQ模式时，NAQPMS模式具有用户输入的本土化参数，CMAQ模式具有用户输入的本土化参数。
S130：根据多个本土化参数，优化集成预报模型。
结合图2所示，步骤S130可以按照如下步骤执行：
S1301：从集成预报模型中获取预报模式对应的原始权重值。其中，集成预报模型为综合多个预报模型得到的多个预报结果生成的，每个预报结果对应具有不同的权重，得到集合预报结果。
示例性的，集合预报结果为NAQPMS模式、CMAQ模式两个预报模式综合得到，则集成预报模型可以包括以下算式，算式为集合预报结果＝NAQPMS模式对应的原始权重值乘以NAQPMS模式生成的预报结果+CMAQ模式对应的原始权重值乘以CMAQ模式生成的预报结果。
S1302：逐一将原始权重值和预报模式对应的本土化参数输入到归一化函数中，得到优化权重值，以优化集成预报模型。
以下算式为归一化函数，得到优化权重值：
其中，ri为第i个预报模式对应的原始权重值，r为第i个预报模式对应的本土化参数，wi为第i个优化权重值。
则计算出优化参数值后，优化的集成预报模型可以为集合预报结果＝NAQPMS模式对应的优化权重值乘以NAQPMS模式生成的预报结果+CMAQ模式对应的优化权重值乘以CMAQ模式生成的预报结果。
由于每个预报模型得到的预报结果可能存在偏差，所以结合图3所示，在将多个当前预报结果输入到优化后的集成预报模型中，得到集合结果的步骤之前，所述方法还包括：
构建训练集。其中，训练集中包括：多个预报模式生成的历史预报结果和对应的实际监测数据。
实际监测数据为预报模式中预报的某地某时段对应的实际监测数据，主要可以验证预报模式中预报的某地某时段的预报结果与实际监测数据之间的差距，说明该预报模式的在某地某时段的预测的准确性，实际监测数据可以包含的内容为PM2.5、PM10、SO2、NO2、CO、O3的浓度。
在本发明具有两个预报模式时，以第一示例中的情况作为介绍，训练集可以为NAQPMS模式生成的历史NAQPMS模式预报结果和针对历史NAQPMS模式预报结果的实际监测数据，和CMAQ模式生成的历史CMAQ模式预报结果和针对历史CMAQ模式预报结果的实际监测数据。对于第二示例到第六示例的情况类似，均可以建立包含有两组不同预报模式下的数据。
在本发明具有三个预报模式时，以第七示例中的情况作为介绍，训练集可以为NAQPMS模式生成的历史NAQPMS模式预报结果和针对历史NAQPMS模式预报结果的实际监测数据，和CMAQ模式生成的历史CMAQ模式预报结果和针对历史CMAQ模式预报结果的实际监测数据，和CAMx模式生成的历史CAMx模式预报结果和针对历史CAMx模式预报结果的实际监测数据。对于第八示例、第九示例的情况类似，均可以建立包含有三组不同预报模式下的数据。
在本发明具有四个预报模式时，以第十示例中的情况作为介绍，训练集可以为NAQPMS模式生成的历史NAQPMS模式预报结果和针对历史NAQPMS模式预报结果的实际监测数据，和CMAQ模式生成的历史CMAQ模式预报结果和针对历史CMAQ模式预报结果的实际监测数据，和WRF-Chem模式生成的历史WRF-Chem模式预报结果和针对历史WRF-Chem模式预报结果的实际监测数据。
根据训练集，计算多个预报模式中每个预报模式的偏差值。可以理解为：同一预报模式下多次历史预报误差求平均值，为了使得偏差更具代表性，采用鲁棒性较强的统计量来表征训练期平均偏差，公式如下：
bi＝(bi1+bi2×2+bi3)÷4 (2)
式中:i为第i个模式，bi为第i个模式在训练期的平均偏差，bi1、bi2和bi3分别为训练器误差排序后的较小四分位数、中位数和较大分位数。
根据每个预报模式的偏差值，逐一矫正多个当前预报结果。可以理解为，将当前预报结果减去生成当前预报结果对应的预报模式的偏差值，得到矫正后的当前预报结果，然后将矫正后的当前结果输入到优化后的集成预报模型中，得到预报结果。
采用适量的近期观测的实际监测数据和预报模式生成的历史预报结果，对各模式的预报能力进行动态判别，并对各模式可能的系统偏差进行实时矫正，能够改进预报效果，同时，根据多个本土化参数，优化集成预报模型，使得矫正后的当前结果输入到优化后的集成预报模型中，得到预报结果，提高了预报的准确性。
S140：将多个当前预报结果输入到优化后的集成预报模型中，得到集合结果。
其中，集成预报模型中包括有以下算式，每个预报模式对应的当前预报结果可以利用以下算式计算得到集合子结果，然后将多个子结果相加得到集合结果。
其中，Ft为预报模式下的集合子结果，为预报模式的优化权重值，为预报模式对应的当前预报结果，为预报模式的偏差值。
在本发明具有两个预报模式时，以第一示例中的情况作为介绍，将NAQPMS模式的当前预报结果、NAQPMS模式的优化权重值、NAQPMS模式的偏差输入到算式(3)中，得到NAQPMS模式的集合子结果，将CMAQ模式的当前预报结果、CMAQ模式的优化权重值、CMAQ模式的偏差输入到算式(3)中，得到CMAQ模式的集合子结果，然后将NAQPMS模式的集合子结果和CMAQ模式的集合子结果相加，得到集合结果。
与上述的方法相对应的，本发明实施例还提供一种空气污染物预报装置，结合图4所示，包括：
获取模块410，用于获取多个预报模式生成的多个当前预报结果；
确定模块420，用于确定每个预报模式对应的本土化参数，得到多个本土化参数；
优化模块430，用于根据所述多个本土化参数，优化集成预报模型；
集合预报模块440，用于将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果。
在一些实施例中，所述多个预报模式包括以下预报模式的至少两种：NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式。
在一些实施例中，当所述多个预报模式包括NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式时，所述获取模块，具体用于：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
在一些实施例中，所述优化模块，具体用于：
从所述集成预报模型中获取预报模式对应的原始权重值；
逐一将原始权重值和预报模式对应的本土化参数输入到归一化函数中，得到优化权重值，以优化集成预报模型。
在一些实施例中，所述装置还包括：
构建模块，用于构建训练集；所述训练集中包括：所述多个预报模式生成的历史预报结果和对应的实际监测数据；
计算模块，用于根据所述训练集，计算多个预报模式中每个预报模式的偏差值；
矫正模块用于根据所述每个预报模式的偏差值，逐一矫正多个当前预报结果。
在一些实施例中，历史预报结果和实际监测数据包含的内容为PM2.5、PM10、SO2、NO2、CO、O3的浓度。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例任一项所述的方法的步骤。
其中，存储器可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器中，或者由处理器实现。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、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该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行所述实施例任一所述方法。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。
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。
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，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种空气污染物预报方法，其特征在于，包括：
获取多个预报模式生成的多个当前预报结果；所述每个预报模式生成一个当前预报结果；
确定每个预报模式对应的本土化参数，得到多个本土化参数；
根据所述多个本土化参数，优化集成预报模型；
将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果。
2.根据权利要求1所述的空气污染物预报方法，其特征在于，所述多个预报模式包括以下预报模式的至少两种：NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式。
3.根据权利要求2所述的空气污染物预报方法，其特征在于，当所述多个预报模式包括NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式时，所述获取多个预报模式生成的多个当前预报结果的步骤，包括：
通过NAQPMS模式，获取NAQPMS模式当前预报结果；
通过CMAQ模式，获取CMAQ模式当前预报结果；
通过CAMx模式，获取CAMx模式当前预报结果；
通过WRF-Chem模式，获取WRF-Chem模式当前预报结果。
4.根据权利要求1所述的空气污染物预报方法，其特征在于，所述根据所述多个本土化参数，优化集成预报模型的步骤，包括：
从所述集成预报模型中获取预报模式对应的原始权重值；
逐一将原始权重值和预报模式对应的本土化参数输入到归一化函数中，得到优化权重值，以优化集成预报模型。
5.根据权利要求4所述的空气污染物预报方法，其特征在于，所述将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果的步骤之前，所述方法还包括：
构建训练集；所述训练集中包括：所述多个预报模式生成的历史预报结果和对应的实际监测数据；
根据所述训练集，计算多个预报模式中每个预报模式的偏差值；
根据所述每个预报模式的偏差值，逐一矫正多个当前预报结果。
6.根据权利要求1所述的空气污染物预报方法，其特征在于，历史预报结果和实际监测数据包含的内容为PM2.5、PM10、SO2、NO2、CO、O3的浓度。
7.一种空气污染物预报装置，其特征在于，包括：
获取模块，用于获取多个预报模式生成的多个当前预报结果；
确定模块，用于确定每个预报模式对应的本土化参数，得到多个本土化参数；
优化模块，用于根据所述多个本土化参数，优化集成预报模型；
集合预报模块，用于将所述多个当前预报结果输入到优化后的所述集成预报模型中，得到集合结果。
8.根据权利要求7所述的空气污染物预报装置，其特征在于，所述多个预报模式包括以下预报模式的至少两种：NAQPMS模式、CMAQ模式、CAMx模式、WRF-Chem模式。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-6任一所述方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811653821.XA CN109738972B (zh) | 2018-12-29 | 2018-12-29 | 空气污染物预报方法、装置及电子设备 |
| PCT/CN2019/130122 WO2020135886A1 (zh) | 2018-12-29 | 2019-12-30 | 空气污染物预报方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811653821.XA CN109738972B (zh) | 2018-12-29 | 2018-12-29 | 空气污染物预报方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109738972A true CN109738972A (zh) | 2019-05-10 |
| CN109738972B CN109738972B (zh) | 2020-01-03 |
Family
ID=66363064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811653821.XA Active CN109738972B (zh) | 2018-12-29 | 2018-12-29 | 空气污染物预报方法、装置及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109738972B (zh) |
| WO (1) | WO2020135886A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110989038A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
| WO2020135886A1 (zh) * | 2018-12-29 | 2020-07-02 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
| CN111369057A (zh) * | 2020-03-05 | 2020-07-03 | 电子科技大学 | 一种基于深度学习的空气质量预测优化方法及系统 |
| CN113642223A (zh) * | 2021-10-13 | 2021-11-12 | 中科三清科技有限公司 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808948A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488317B (zh) * | 2014-09-17 | 2018-11-16 | 日本电气株式会社 | 用于预测空气质量的系统和方法 |
| CN104850913B (zh) * | 2015-05-28 | 2019-03-26 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及系统 |
| CN105760970A (zh) * | 2016-03-21 | 2016-07-13 | 重庆灵狐科技股份有限公司 | 空气质量指数的预测方法 |
| US11195125B2 (en) * | 2016-04-27 | 2021-12-07 | International Business Machines Corporation | Pollution prediction |
| CN108491970B (zh) * | 2018-03-19 | 2021-09-10 | 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 |
| CN109738972B (zh) * | 2018-12-29 | 2020-01-03 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
-
2018
- 2018-12-29 CN CN201811653821.XA patent/CN109738972B/zh active Active
-
2019
- 2019-12-30 WO PCT/CN2019/130122 patent/WO2020135886A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808948A (zh) * | 2016-03-08 | 2016-07-27 | 中国水利水电科学研究院 | 一种自动修正的多模式数值降雨集合预报方法 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴剑斌 等: "最优化集成方法在城市臭氧数值预报中的应用研究", 《中国环境监测》 * |
| 姚文强: "基于数值预报的空气质量预测模型的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020135886A1 (zh) * | 2018-12-29 | 2020-07-02 | 中科三清科技有限公司 | 空气污染物预报方法、装置及电子设备 |
| CN110989038A (zh) * | 2019-11-22 | 2020-04-10 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
| CN110989038B (zh) * | 2019-11-22 | 2022-03-04 | 北京中科锐景科技有限公司 | 一种近地面颗粒浓度估算方法及系统 |
| CN111369057A (zh) * | 2020-03-05 | 2020-07-03 | 电子科技大学 | 一种基于深度学习的空气质量预测优化方法及系统 |
| CN113642223A (zh) * | 2021-10-13 | 2021-11-12 | 中科三清科技有限公司 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
| CN113642223B (zh) * | 2021-10-13 | 2022-05-06 | 中科三清科技有限公司 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020135886A1 (zh) | 2020-07-02 |
| CN109738972B (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109738972A (zh) | 空气污染物预报方法、装置及电子设备 | |
| US20210285994A1 (en) | Phase identification in power distribution systems | |
| CN107194430A (zh) | 一种样本筛选方法及装置，电子设备 | |
| CN108573355A (zh) | 模型更新后替换运行的方法、装置、及业务服务器 | |
| CN107547154A (zh) | 一种建立视频流量预测模型的方法及装置 | |
| CN110225453A (zh) | 移动终端定位方法、装置、电子设备及存储介质 | |
| CN107689628B (zh) | 一种电网环路检测方法 | |
| CN106656662A (zh) | 异常带宽确定方法、系统及电子设备 | |
| Zaefferer et al. | A case study on multi-criteria optimization of an event detection software under limited budgets | |
| CN109064212A (zh) | 商品价格预测方法及装置 | |
| CN107909141A (zh) | 一种基于灰狼优化算法的数据分析方法及装置 | |
| CN110097098A (zh) | 基于基分类器的数据分类方法及装置、介质和电子设备 | |
| CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
| Lu et al. | Stagnation-aware breakout tabu search for the minimum conductance graph partitioning problem | |
| CN109636020A (zh) | 一种预测目的地地址的方法及系统 | |
| CN115915364A (zh) | 通信基站的节能方法、装置、计算机可读介质及设备 | |
| CN104254083B (zh) | 预测业务热点的方法及装置 | |
| Zhang et al. | A dynamic web service composition algorithm based on TOPSIS | |
| CN110348717A (zh) | 基于栅格粒度的基站价值评分方法和装置 | |
| CN103530583B (zh) | 定位终端、定位方法、定位系统以及电子设备 | |
| CN113408804A (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
| Zhang et al. | DS-DSE: Domain-specific design space exploration for streaming applications | |
| CN108133485A (zh) | Gis栅格化连片问题区域识别方法、装置、终端和介质 | |
| CN108345620A (zh) | 品牌信息处理方法、装置、存储介质及电子设备 | |
| CN112115668A (zh) | Fpga布局方法、装置、电子设备和计算机可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190510 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2022980012305 Denomination of invention: Air pollutant forecast method, device and electronic equipment Granted publication date: 20200103 License type: Common License Record date: 20220815 |