CN109934379A - 空气污染物浓度的预测方法、装置及电子设备 - Google Patents
空气污染物浓度的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109934379A CN109934379A CN201910055033.9A CN201910055033A CN109934379A CN 109934379 A CN109934379 A CN 109934379A CN 201910055033 A CN201910055033 A CN 201910055033A CN 109934379 A CN109934379 A CN 109934379A
- Authority
- CN
- China
- Prior art keywords
- area
- time series
- data
- series data
- historical data
- 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
- 239000000809 air pollutant Substances 0.000 title claims abstract description 67
- 231100001243 air pollutant Toxicity 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000003915 air pollution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 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
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种空气污染物浓度的预测方法、装置及电子设备。该方法包括：获取第一区域的历史数据和第二区域的历史数据；对第一区域的历史数据和第二区域的历史数据进行分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系；基于已获取到的第一区域和/或第二区域的第二时序数据，并依据历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。本申请实施例实现了通过已获取的一个区域的气象数据，达到对不同区域的空气污染物浓度预测的目的，从而扩大了空气污染物浓度的预测方法的应用范围。
Description
技术领域
本申请涉及数据分析技术领域，具体而言，本申请涉及一种空气污染物浓度的预测方法、装置及电子设备。
背景技术
近年来，我国大部分地区频繁出现大面积的空气污染事件，空气污染问题已经严重影响到人民的正常生活生产。
现有的空气污染物浓度预测方法，如数值预报方法，需要对空气污染的物理化学转化机理进行详尽的了解和建模，且建模和应用过程复杂，不仅需要高性能的计算机集群，也需要高分辨率的气象数据和污染源清单数据作为支撑，这些都导致在一些检测水平较低的中小城市或区域较难实现。另外，现有的空气污染物浓度预测方法只能对某一特定地区的空气污染进行预测，应用范围较窄。
发明内容
本申请提供了一种空气污染物浓度的预测方法、装置及电子设备，可以解决上述技术问题。所述技术方案如下：
第一方面，本申请提供了一种空气污染物浓度的预测方法，该方法包括：
获取第一区域的历史数据和第二区域的历史数据，其中，历史数据包括针对空气污染物浓度的第一时序数据和针对气象数据的第二时序数据；
对第一区域的历史数据和第二区域的历史数据进行分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系；
基于已获取到的第一区域和/或第二区域的第二时序数据，并依据历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
进一步地，获取第一区域的历史数据和第二区域的历史数据之前，方法包括：
确定待检测区域；
按照预设的划分规则，将待检测区域划分处理，得到第一区域和至少一个第二区域。
进一步地，获取第一区域的历史数据和第二区域的历史数据，包括：
检测到第一区域的第一时序数据的数据条数和/或第二区域的第一时序数据的数据条数超过预定数量时，进行计算处理，以确定第一区域的一条第一时序数据和/或第二区域的一条第一时序数据。
进一步地，对第一区域的历史数据和第二区域的历史数据进行分析，包括：
将第一区域的历史数据、第二区域的历史数据输入至预设的分析模型，以得到历史数据关联关系。
进一步地，分析模型为seq2seq模型。
进一步地，当历史数据关联关系包括预定历史时间段内的第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的关联关系时，
获取已获取到的第一区域和/或所述第二区域的第二时序数据，并依据历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据，包括：基于预配置的待预测时间段内的已获取到的第一区域和/或第二区域的第二时序数据，并依据预定历史时间段内的历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
进一步地，该方法还包括：
将预测得到的第一时序数据和/或第二区域的第一时序数据中任一时间点对应空气污染物浓度与预设空气污染物浓度阈值比较，判断是否大于预设空气污染物浓度阈值；
若大于，生成相应的提示信息。
第二方面，本申请提供了一种空气污染物浓度的预测装置，该装置包括：
数据获取模块，用于获取第一区域的历史数据和第二区域的历史数据，其中，历史数据包括针对空气污染物浓度的第一时序数据和针对气象数据的第二时序数据；
关系分析模块，用于对第一区域的历史数据和第二区域的历史数据进行分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系；
数据预测模块，用于基于已获取到的第一区域和/或第二区域的第二时序数据，并依据历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
进一步地，数据获取模块获取第一区域的历史数据和第二区域的历史数据之前，还用于确定待检测区域；按照预设的划分规则，将待检测区域划分处理，得到第一区域和至少一个第二区域。
进一步地，数据获取模块用于检测到第一区域的第一时序数据的数据条数和/或第二区域的第一时序数据的数据条数超过预定数量时，进行计算处理，以确定第一区域的一条第一时序数据和/或第二区域的一条第一时序数据。
进一步地，关系分析模块用于将第一区域的历史数据、第二区域的历史数据输入至预设的分析模型，以得到历史数据关联关系。
进一步地，分析模型为seq2seq模型。
进一步地，数据预测模块中当历史数据关联关系包括预定历史时间段内的第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的关联关系时，用于基于预配置的待预测时间段内的已获取到的第一区域和/或第二区域的第二时序数据，并依据预定历史时间段内的历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
进一步地，数据预测模块还用于：
将预测得到的第一时序数据和/或第二区域的第一时序数据中任一时间点对应空气污染物浓度与预设空气污染物浓度阈值比较，判断是否大于预设空气污染物浓度阈值；
若大于，生成相应的提示信息。
第三方面，本申请提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置用于：执行上述空气污染物浓度的预测方法。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述空气污染物浓度的预测方法。
本申请实施例提供的技术方案带来的有益效果是：通过对获取到的第一区域的历史数据和第二区域的历史数据的分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系，为基于已获取到的第一区域和/或所述第二区域的第二时序数据，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据提供了判断基础，实现了通过已获取的一个区域的气象数据达到对不同区域的空气污染物浓度预测的目的，从而扩大了空气污染物浓度的预测方法的应用范围。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种空气污染物浓度的预测方法的流程示意图；
图2为本申请实施例提供的一种空气污染物浓度的预测方法中确定第一区域和第二区域的流程示意图；
图3为本申请实施例提供的另一种空气污染物浓度的预测方法的流程示意图；
图4为本申请实施例提供的一种空气污染物浓度的预测装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
现有的空气污染物预测方法都是应用在某一特定区域的，例如，只能对北京地区的空气污染物浓度进行预测，而无法在预测北京地区的空气污染物浓度的同时，实现预测北京的周边地区的空气污染物浓度的目的。
本申请提供的空气污染物浓度的预测方法、装置、电子设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
在一个实施例中，本申请实施例提供了一种空气污染物浓度的预测方法，如图1所示，该方法包括：步骤S110至步骤S130。
步骤S110、获取第一区域的历史数据和第二区域的历史数据，其中，历史数据包括针对空气污染物浓度的第一时序数据和针对气象数据的第二时序数据。
本申请实施例中，第二区域可以为第一区域附近一定距离范围内的区域。
实际应用时，第一区域的历史数据以及第二区域的历史数据均可以利用爬虫技术爬取获得，例如，通过网络爬虫获取空气污染物浓度检测中心存储的第一时序数据，通过气象局相关网站获得第二时序数据，或者其他能够提供历史空气污染物浓度数据的网站存储第一区域的第一时序数据或其他能够提供气象数据的网站存储的第一区域的第二时序数据。
实际应用时，还可以通过预先部署在第一区域、第二区域的检测站进行获取，例如第一区域部署有空气污染物浓度检测站1，第二区域部署有空气污染物浓度检测站2，通过空气污染物浓度检测站1获取第一区域的第一时序数据，通过空气污染物浓度检测站2获取第二区域的第一时序数据。
步骤S120、对第一区域的历史数据和第二区域的历史数据进行分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系。
步骤S130、基于已获取到的第一区域和/或第二区域的第二时序数据，并依据历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
本申请实施例，通过对获取到的第一区域的历史数据和第二区域的历史数据的分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系，为基于已获取到的第一区域和/或所述第二区域的第二时序数据，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据提供了判断基础，实现了通过已获取的一个区域的气象数据达到对不同区域的空气污染物浓度预测的目的，从而扩大空气污染物浓度的预测方法的应用范围。
在一个实现方式中，步骤S110中获取第一区域的历史数据和第二区域的历史数据之前，如图2所示，该方法还包括步骤S111和步骤S112。
步骤S111、确定待检测区域；
步骤S112、按照预设的划分规则，将待检测区域划分处理，得到第一区域和至少一个第二区域。
实际应用时，第二区域可以是以第一区域为中心对待检测区域进行划分得到，第一区域可以是以待检测区域的中心点为起点一定范围的区域。例如，若待检测区域的范围为以当前位置为起点，半径为1000公里的范围，假设当前位置为起点，半径为1000公里范围为第一区域，按照指南针上八个方向(东、西、南、北、东北、西北、东南、西南)对1000公里内的区域进行划分，那么得到8个第二区域；也可以划分为东西南北四个方向，那么得到4个第二区域。
本申请通过预设的划分规则将待检测区域划分为第一区域和第二区域的目的，以保证后续针对性的获取第一区域的历史数据和第二区域的历史数据。
在一个实现方式中，步骤S110获取第一区域的历史数据和第二区域的历史数据，包括：检测到第一区域的第一时序数据的数据条数和/或第二区域的第一时序数据的数据条数超过预定数量时，进行计算处理，以确定第一区域的一条第一时序数据和/或第二区域的一条第一时序数据。
实际应用时，预定数量一般设为1，若获取到的第一区域的第一时序数据或者第二区域的第一时序数据存在多条记录，为了保证后续确定的历史数据关联关系的准确性，本申请通过对计算处理，保证根据第一区域存在一条第一时序数据，第二区域存在一条第一时序数据。
例如，假设获取到两条第一区域的第一时序数据，可以将这两条第一区域的第一时序数据在每个时间点的数值的平均值作为对应时间点的数值，最终得到一条第一区域的第一时序数据。
在另一个实现方式中，步骤S120对第一区域的历史数据和第二区域的历史数据进行分析，包括：将第一区域的历史数据、第二区域的历史数据输入至预设的分析模型，以得到历史数据关联关系。
本申请实施例中，第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系都可以利用分析模型计算得到。具体地，分析模型可以设置为seq2seq模型。
实际应用时，将历史数据，即第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据作为训练数据输入至seq2seq模型，以得到训练好的seq2seq模型，以便利用训练好的seq2seq模型进行分析得到历史数据关联关系。预测阶段，由于本申请通过步骤S120在训练阶段得到了历史数据关联关系，因此本阶段只要获取到一个预测的气象数据，则可以预测得到第一区域的空气污染物浓度或第二区域的空气污染物浓度。
在另一个实现方式中，当历史数据关联关系包括预定历史时间段内的第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的关联关系时，步骤S130包括：基于预配置的待预测时间段内的已获取到的第一区域和/或第二区域的第二时序数据，并依据预定历史时间段内的历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
例如，假设当前时间为201X年9月10日，预定历史上时间段为201X年9月7日至201X年9月9日，若预配置的待预测时间段为201X年9月10日至201X年9月12日，那么依据201X年9月7日至201X年9月9日内的历史数据得到的历史数据关联关系，预测得到的是201X年9月10日至201X年9月12日内的第一区域的第一时序数据和/或第二区域的第一时序数据。
在又一个实现方式中，如图3所示，该方法包括步骤S210至步骤S250，其中，步骤S210、步骤S220、步骤S230分别与步骤S110、步骤S120、步骤S130的执行过程相同或相似，此处不再赘述。
步骤S240、将预测得到的第一时序数据和/或第二区域的第一时序数据中任一时间点对应空气污染物浓度与预设空气污染物浓度阈值比较，判断是否大于预设空气污染物浓度阈值；
步骤S250、若大于，生成相应的提示信息。
本申请实施例通过预测得到的第一时序数据和/或第二区域的第一时序数据为待预测时间段内空气污染物的变化趋势，将其与预设空气污染物浓度进行比较，以实现判断待预测时间段内空气质量的判断，从而确定是否生成提示信息，为出行的用户提供建议。
在另一个实施例中，本申请实施例提供了一种空气污染物浓度的预测装置，如图4所示，该空气污染物浓度的预测装置30可以包括：数据获取模块301、关系分析模块302和数据预测模块303，其中，
数据获取模块301，用于获取第一区域的历史数据和第二区域的历史数据，其中，历史数据包括针对空气污染物浓度的第一时序数据和针对气象数据的第二时序数据；
关系分析模块302，用于对第一区域的历史数据和第二区域的历史数据进行分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系；
数据预测模块303，用于基于已获取到的第一区域和/或第二区域的第二时序数据，并依据历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
本申请实施例，通过对获取到的第一区域的历史数据和第二区域的历史数据的分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系，为基于已获取到的第一区域和/或第二区域的第二时序数据，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据提供了判断基础，实现了通过已获取的一个区域的气象数据达到对不同区域的空气污染物浓度预测的目的，从而扩大空气污染物浓度的预测方法的应用范围。
进一步地，数据获取模块301获取第一区域的历史数据和第二区域的历史数据之前，还用于确定待检测区域；按照预设的划分规则，将待检测区域划分处理，得到第一区域和至少一个第二区域。本申请通过预设的划分规则将待检测区域划分为第一区域和第二区域的目的，以保证后续针对性的获取第一区域的历史数据和第二区域的历史数据。
进一步地，数据获取模块301用于检测到第一区域的第一时序数据的数据条数和/或第二区域的第一时序数据的数据条数超过预定数量时，进行计算处理，以确定第一区域的一条第一时序数据和/或第二区域的一条第一时序数据。本申请通过对计算处理，保证根据第一区域存在一条第一时序数据，第二区域存在一条第一时序数据，保证了后续确定的历史数据关联关系的准确性。
进一步地，关系分析模块302用于将第一区域的历史数据、第二区域的历史数据输入至预设的分析模型，以得到历史数据关联关系。
进一步地，分析模型为seq2seq模型。
进一步地，数据预测模块303中当历史数据关联关系包括预定历史时间段内的第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的关联关系时，用于基于预配置的待预测时间段内的已获取到的第一区域和/或第二区域的第二时序数据，并依据预定历史时间段内的历史数据关联关系，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据。
进一步地，数据预测模块303还用于：将预测得到的第一时序数据和/或第二区域的第一时序数据中任一时间点对应空气污染物浓度与预设空气污染物浓度阈值比较，判断是否大于预设空气污染物浓度阈值；若大于，生成相应的提示信息。
本实施例的空气污染物浓度的预测装置可执行本申请实施例提供的空气污染物浓度的预测方法，其实现原理相类似，此处不再赘述。
在又一个实施例中，本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备400包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。进一步地，电子设备400还可以包括收发器4004，收发器用于为电子设备提供与其他设备间的通信服务功能。需要说明的是，实际应用中收发器4004不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI总线或EISA总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现图4所示实施例提供的空气污染物浓度的预测装置的动作。
本申请提供的电子设备，通过对获取到的第一区域的历史数据和第二区域的历史数据的分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系，为基于已获取到的第一区域和/或所述第二区域的第二时序数据，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据提供了判断基础，实现了通过已获取的一个区域的气象数据达到对不同区域的空气污染物浓度预测的目的，从而扩大空气污染物浓度的预测方法的应用范围。
在又一个实施例中，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例提供的方法。
本申请实施例提供了一种计算机可读存储介质，与现有技术相比，通过对获取到的第一区域的历史数据和第二区域的历史数据的分析，得到第一区域的第一时序数据、第一区域的第二时序数据、第二区域的第一时序数据以及第二区域的第二时序数据中任两个之间的历史数据关联关系，为基于已获取到的第一区域和/或所述第二区域的第二时序数据，预测得到第一区域的第一时序数据和/或第二区域的第一时序数据提供了判断基础，实现了通过已获取的一个区域的气象数据达到对不同区域的空气污染物浓度预测的目的，从而扩大空气污染物浓度的预测方法的应用范围。
本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种空气污染物浓度的预测方法，其特征在于，包括：
获取第一区域的历史数据和第二区域的历史数据，其中，所述历史数据包括针对空气污染物浓度的第一时序数据和针对气象数据的第二时序数据；
对所述第一区域的历史数据和所述第二区域的历史数据进行分析，得到所述第一区域的第一时序数据、所述第一区域的第二时序数据、所述第二区域的第一时序数据以及所述第二区域的第二时序数据中任两个之间的历史数据关联关系；
基于已获取到的所述第一区域和/或所述第二区域的第二时序数据，并依据所述历史数据关联关系，预测得到所述第一区域的第一时序数据和/或所述第二区域的第一时序数据。
2.根据权利要求1所述的方法，其特征在于，所述获取第一区域的历史数据和第二区域的历史数据之前，所述方法包括：
确定待检测区域；
按照预设的划分规则，将所述待检测区域划分处理，得到所述第一区域和至少一个所述第二区域。
3.根据权利要求1所述的方法，其特征在于，所述获取第一区域的历史数据和第二区域的历史数据，包括：
检测到所述第一区域的第一时序数据的数据条数和/或所述第二区域的第一时序数据的数据条数超过预定数量时，进行计算处理，以确定所述第一区域的一条第一时序数据和/或所述第二区域的一条第一时序数据。
4.根据权利要求1所述的方法，其特征在于，所述对所述第一区域的历史数据和所述第二区域的历史数据进行分析，包括：
将所述第一区域的历史数据、所述第二区域的历史数据输入至预设的分析模型，以得到所述历史数据关联关系。
5.根据权利要求1所述的方法，其特征在于，当所述历史数据关联关系包括预定历史时间段内的所述第一区域的第一时序数据、所述第一区域的第二时序数据、所述第二区域的第一时序数据以及所述第二区域的第二时序数据中任两个之间的关联关系时，所述获取已获取到的所述第一区域和/或所述第二区域的第二时序数据，并依据所述历史数据关联关系，预测得到所述第一区域的第一时序数据和/或所述第二区域的第一时序数据，包括：
基于预配置的待预测时间段内的已获取到的所述第一区域和/或所述第二区域的第二时序数据，并依据预定历史时间段内的历史数据关联关系，预测得到所述第一区域的第一时序数据和/或所述第二区域的第一时序数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将预测得到的所述第一时序数据和/或所述第二区域的第一时序数据中任一时间点对应空气污染物浓度与预设空气污染物浓度阈值比较，判断是否大于所述预设空气污染物浓度阈值；
若大于，生成相应的提示信息。
7.一种空气污染物浓度的预测装置，其特征在于，包括：
数据获取模块，用于获取第一区域的历史数据和第二区域的历史数据，其中，历史数据包括针对空气污染物浓度的第一时序数据和针对气象数据的第二时序数据；
关系分析模块，用于对所述第一区域的历史数据和所述第二区域的历史数据进行分析，得到所述第一区域的第一时序数据、所述第一区域的第二时序数据、所述第二区域的第一时序数据以及所述第二区域的第二时序数据中任两个之间的历史数据关联关系；
数据预测模块，用于基于已获取到的所述第一区域和/或所述第二区域的第二时序数据，并依据所述历史数据关联关系，预测得到所述第一区域的第一时序数据和/或所述第二区域的第一时序数据。
8.根据权利要求7所述的装置，其特征在于，所述数据获取模块获取第一区域的历史数据和第二区域的历史数据之前，还用于确定待检测区域；按照预设的划分规则，将所述待检测区域划分处理，得到所述第一区域和至少一个所述第二区域。
9.一种电子设备，其特征在于，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序被配置用于：执行根据权利要求1～6任一项所述的空气污染物浓度的预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述的空气污染物浓度的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910055033.9A CN109934379A (zh) | 2019-01-21 | 2019-01-21 | 空气污染物浓度的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910055033.9A CN109934379A (zh) | 2019-01-21 | 2019-01-21 | 空气污染物浓度的预测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109934379A true CN109934379A (zh) | 2019-06-25 |
Family
ID=66985109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910055033.9A Pending CN109934379A (zh) | 2019-01-21 | 2019-01-21 | 空气污染物浓度的预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934379A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288256A (zh) * | 2019-06-28 | 2019-09-27 | 中科三清科技有限公司 | 情景分析方法及装置 |
| CN112446632A (zh) * | 2020-12-04 | 2021-03-05 | 中节能天融科技有限公司 | 一种计算骑行指标方法、系统及骑行指标查询装置 |
| 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 |
| CN114048614A (zh) * | 2021-11-16 | 2022-02-15 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103206958A (zh) * | 2012-01-17 | 2013-07-17 | 株式会社电装 | 路径预测系统、路径预测方法以及程序 |
| CN104881582A (zh) * | 2015-05-28 | 2015-09-02 | 象辑知源（武汉）科技有限公司 | 空气质量的预测方法和装置 |
| CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技（深圳）有限公司 | 一种基于历史数据的预测方法及装置 |
| 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 |
| CN108734342A (zh) * | 2018-04-28 | 2018-11-02 | 山东大学 | 区域天气预报用于地区电网架空线路热定值概率预测方法 |
| CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
-
2019
- 2019-01-21 CN CN201910055033.9A patent/CN109934379A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103206958A (zh) * | 2012-01-17 | 2013-07-17 | 株式会社电装 | 路径预测系统、路径预测方法以及程序 |
| CN104881582A (zh) * | 2015-05-28 | 2015-09-02 | 象辑知源（武汉）科技有限公司 | 空气质量的预测方法和装置 |
| CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技（深圳）有限公司 | 一种基于历史数据的预测方法及装置 |
| CN109031472A (zh) * | 2017-06-09 | 2018-12-18 | 阿里巴巴集团控股有限公司 | 一种用于气象预测的数据处理方法及装置 |
| 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 |
| CN108734342A (zh) * | 2018-04-28 | 2018-11-02 | 山东大学 | 区域天气预报用于地区电网架空线路热定值概率预测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288256A (zh) * | 2019-06-28 | 2019-09-27 | 中科三清科技有限公司 | 情景分析方法及装置 |
| CN110288256B (zh) * | 2019-06-28 | 2020-07-03 | 中科三清科技有限公司 | 情景分析方法及装置 |
| CN112446632A (zh) * | 2020-12-04 | 2021-03-05 | 中节能天融科技有限公司 | 一种计算骑行指标方法、系统及骑行指标查询装置 |
| 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 |
| 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 |
| CN114048614A (zh) * | 2021-11-16 | 2022-02-15 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
| CN114048614B (zh) * | 2021-11-16 | 2023-01-10 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934379A (zh) | 空气污染物浓度的预测方法、装置及电子设备 | |
| Ramírez-Moreno et al. | Sensors for sustainable smart cities: A review | |
| CN111860300A (zh) | 一种关键点检测方法、装置、终端设备及存储介质 | |
| CN111080976B (zh) | 一种温度变化场景下实时监测天然气泄漏的方法及装置 | |
| CN106828363A (zh) | 车辆工时检测方法及系统 | |
| Rollo et al. | Air quality sensor network data acquisition, cleaning, visualization, and analytics: a real-world IoT use case | |
| CN103616732A (zh) | 高空风资料的质量控制方法及其质量监控装置 | |
| Zhu et al. | Multi-sensing paradigm based urban air quality monitoring and hazardous gas source analyzing: a review | |
| CN116628959A (zh) | 一种携沙河流污染物迁移检测方法、装置及电子设备 | |
| CN113514612B (zh) | 区域内污染的溯源方法 | |
| CN112995893A (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
| CN115951170B (zh) | 输电线路故障监测方法、装置、计算机设备和存储介质 | |
| CN110688678A (zh) | 一种应用于区块链的数据处理方法、装置及设备 | |
| CN110057981A (zh) | 路网污染源排放识别方法和系统 | |
| CN102109363A (zh) | 基于灰色系统预测理论的汽车用传感器软故障主动预测方法 | |
| CN101651886A (zh) | 预测移动终端位置的方法及装置 | |
| JP2019537088A (ja) | 自律サービス作業妥当性確認のためのシステムおよび方法 | |
| CN107133295B (zh) | 一种基于记录仪管理平台的加速逆地址解析方法及装置 | |
| CN115552241A (zh) | 为预测在测量站的有害物质浓度而生成用于神经网络的训练数据的计算机辅助方法 | |
| CN111368474A (zh) | 海流流速预报方法、装置及电子设备 | |
| CN117686669B (zh) | 一种无组织排放源网格化监测方法、装置、设备和介质 | |
| Asakura et al. | A pedestrian-oriented map matching algorithm for map information sharing systems in disaster areas | |
| CN115420418B (zh) | 气压测量方法、装置、电子设备及可读存储介质 | |
| CN117706045B (zh) | 基于物联网实现大气臭氧监测设备的联合控制方法及系统 | |
| CN116577469B (zh) | 基于数据精度校准的大气环境监测系统、数据预测方法 |
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: 20190625 |