CN110189026B - 空气质量改善措施的评估方法及装置、介质、电子设备 - Google Patents

空气质量改善措施的评估方法及装置、介质、电子设备 Download PDF

Info

Publication number
CN110189026B
CN110189026B CN201910465562.6A CN201910465562A CN110189026B CN 110189026 B CN110189026 B CN 110189026B CN 201910465562 A CN201910465562 A CN 201910465562A CN 110189026 B CN110189026 B CN 110189026B
Authority
CN
China
Prior art keywords
air quality
meteorological
characteristic
feature
measures
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.)
Active
Application number
CN201910465562.6A
Other languages
English (en)
Other versions
CN110189026A (zh
Inventor
张钧波
郑宇�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN201910465562.6A priority Critical patent/CN110189026B/zh
Publication of CN110189026A publication Critical patent/CN110189026A/zh
Application granted granted Critical
Publication of CN110189026B publication Critical patent/CN110189026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例是关于一种空气质量改善措施的评估方法及装置、介质、电子设备，属于大数据处理技术领域，该方法包括：提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征；对第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；在确定第二预设时间段内的实际质量等级与预测质量等级之间的差异大于预设阈值时，对第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施和/或无效措施；根据有效措施以及无效措施在待评估空气质量改善措施中的占比，对待评估空气质量改善措施进行评估。该方法提高了空气质量改善措施的精确度。

Description

空气质量改善措施的评估方法及装置、介质、电子设备
技术领域
本发明实施例涉及大数据处理技术领域，具体而言，涉及一种空气质量改善措施的评估方法、空气质量改善措施的评估装置、计算机可读存储介质以及电子设备。
背景技术
随着社会的发展，重工业以及汽车数量的增长，全球的气候在变暖，空气质量也在逐年下降。因此，如何提高空气质量成了亟需解决的难题。
在现有的空气质量评估方法中，是采用简单的基于积累(Aggregation)的方法进行评估的。比如，通过每年的平均空气质量指数(AQI，Air Quality Index)以及年优良天数进行评估等等。当得到平均空气质量指数以及年优良天数以后，再根据该平均空气质量指数以及年优良天数制定所需要采取的空气质量改善措施。
但是，上述方法存在如下缺陷：一方面，并未对空气质量改善措施进行进一步的评估，导致该空气质量改善措施的精确度较低；另一方面，通过平均空气质量指数以及年优良天数会因为一些特殊季节的特殊气象因素，进一步导致该空气质量改善措施的精确度较低，进而导致空气质量较低。
因此，需要提供一种新的空气质量改善措施的评估方法及装置。
需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种空气质量改善措施的评估方法、空气质量改善措施的评估装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的空气质量改善措施的精确度较低的问题。
根据本公开的一个方面，提供一种空气质量改善措施的评估方法，包括：
提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征；
对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；
在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；
根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
在本公开的一种示例性实施例中，对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级包括：
利用LSTM网络模型中的编码器对所述第一气象特征以及第一空气质量特征进行重新编码；
利用LSTM网络模型中的重构器对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第一预设时间段内的第二气象特征以及第二空气质量特征；
利用LSTM网络模型中的预测器对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到所述第二预设时间段内的预测空气质量等级；
其中，所述第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征。
在本公开的一种示例性实施例中，对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到所述第二预设时间段内的预测空气质量等级；包括：
对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测得到多个预测等级，以及与各所述预测等级对应的预测概率；
将所述预测概率最大的预测等级作为所述第二预设时间段内的预测空气质量等级。
在本公开的一种示例性实施例中，在对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第一预设时间段内的第二气象特征以及第二空气质量特征的过程中，采用的损失函数为所述重构器的输出数据与所述编码器的输入数据之间的均方误差。
在本公开的一种示例性实施例中，提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征包括：
获取任一区域的历史天气数据，并以所述任一区域的中心位置为圆心，得到多个不同半径的区域；
根据各所述区域的风向标准将每个不同半径的区域划分为多个子区域，并提取每个子区域的历史天气数据得到该子区域的第一子气象特征以及第一子空气质量特征；
根据每个不同半径的区域对应的子区域的第一子气象特征以及第一子空气质量特征的均值得到每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征；
对每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征进行拼接，得到所述任一区域的第一气象特征以及第一空气质量特征。
在本公开的一种示例性实施例中，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施包括：
通过聚类算法将所述第二气象特征以及第二空气质量特征相似的时间点进行聚类，得到多个集合；
结合所述实际质量等级对各所述集合进行分析，得到影响空气质量的有效措施以及无效措施。
在本公开的一种示例性实施例中，在对所述待评估空气质量改善措施进行评估之后，所述空气质量改善措施的评估方法还包括：
获取所述历史天气数据中第三预设时间段内的第一空气优良天数，以及采用所述空气质量改善措施后的第三预设时间段内的第二空气优良天数；
在确定所述第一空气优良天数小于所述第二空气优良天数时，确定所述空气质量改善措施为有效措施。
根据本公开的一个方面，提供一种空气质量改善措施的评估装置，包括：
特征提取模块，用于提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征；
特征处理模块，用于对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；
特征分析模块，用于在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；
评估模块，用于根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的空气质量改善措施的评估方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任一所述的空气质量改善措施的评估方法。
本发明实施例一种空气质量改善措施的评估方法，一方面，通过根据历史天气数据得到第一气象特征以及第一空气质量特征；然后对第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；再在确定第二预设时间段内的实际质量等级与预测质量等级之间的差异大于预设阈值时，结合实际质量等级对第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；最后根据有效措施以及无效措施在待评估空气质量改善措施中的占比，对待评估空气质量改善措施进行评估；解决了现有技术中未对空气质量改善措施进行进一步的评估，导致该空气质量改善措施的精确度较低的问题，提高了空气质量改善措施的精确度；另一方面，通过对第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；再在确定第二预设时间段内的实际质量等级与预测质量等级之间的差异大于预设阈值时，结合实际质量等级对第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施，使得空气质量管理部门可以及时的对空气质量等级进行预测，进而及时的改进空气质量改善措施并对其进行评估，解决了现有技术中因为一些特殊季节的特殊气象因素，进一步导致该空气质量改善措施的精确度较低，进而导致空气质量较低的问题，提高空气质量；再一方面，提高了有效措施以及无效措施的准确率，进一步的提升了空气质量改善措施的精确度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示意性示出本公开示例实施例的一种空气质量改善措施的评估方法的流程图。
图2示意性示出根据本公开示例实施例的一种对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级的方法流程图。
图3示意性示出根据本公开示例实施例的一种LSTM网络模型的应用场景示例图。
图4示意性示出根据本公开示例实施例的一种空气质量改善措施的评估方法效果示例图。
图5示意性示出根据本公开示例实施例的一种提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征的方法流程图。
图6示意性示出根据本公开示例实施例的一种空气质量改善措施的评估方法的系统框图。
图7示意性示出根据本公开示例实施例的一种空气质量改善措施的评估装置的框图。
图8示意性示出根据本公开示例实施例的用于实现上述空气质量改善措施的评估方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在一些空气质量评估方法中，一方面，忽略了气象因素(主要是反常天气，如XX年来最热/冷，XX年一遇的大雨和风力因素)、外部地区污染(污染物迁移造成的本地污染)以及国际性大事件对评价指标的影响，导致空气质量评估的准确性较低；另一方面，空气质量的评估对数据完整性、正确性要求高，但是工厂数量、污染物排放等数据可获取性低(如能耗数据，通常只有年报、季报；再如机动车辆排放数据)和可信度不高(瞒报、造假等)；同时，并不是所有区域都可以获得这样的数据(如北京市燃气站消耗数据)，因此也导致空气质量评估的准确性较低；再一方面，现有的算法在统计中基本使用的数据粒度比较粗(空间粒度一般为城市，时间粒度一般是天、月、年)，进而进一步的导致空气质量评估的准确性较低，进而导致空气质量改善措施的精确度较低。
本示例实施方式中首先提供了一种空气质量改善措施的评估方法，如该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该空气质量改善措施的评估方法可以包括以下步骤：
步骤S110.提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征。
步骤S120.对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级。
步骤S130.在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施。
步骤S140.根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
上述空气质量改善措施的评估方法中，一方面，通过根据历史天气数据得到第一气象特征以及第一空气质量特征；然后对第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；再在确定第二预设时间段内的实际质量等级与预测质量等级之间的差异大于预设阈值时，结合实际质量等级对第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；最后根据有效措施以及无效措施在待评估空气质量改善措施中的占比，对待评估空气质量改善措施进行评估；解决了现有技术中未对空气质量改善措施进行进一步的评估，导致该空气质量改善措施的精确度较低的问题，提高了空气质量改善措施的精确度；另一方面，通过对第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；再在确定第二预设时间段内的实际质量等级与预测质量等级之间的差异大于预设阈值时，结合实际质量等级对第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施，使得空气质量管理部门可以及时的对空气质量等级进行预测，进而及时的改进空气质量改善措施并对其进行评估，解决了现有技术中因为一些特殊季节的特殊气象因素，进一步导致该空气质量改善措施的精确度较低，进而导致空气质量较低的问题，提高空气质量；再一方面，提高了有效措施以及无效措施的准确率，进一步的提升了空气质量改善措施的精确度。
下面，将结合附图对本示例实施例中的空气质量改善措施的评估方法中的各步骤进行详细的解释以及说明。
在步骤S110中，提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征。
在本示例实施例中，可以通过以自动收集、存储的方式获取国家空气质量监测站每小时发布的空气质量以及各地气象站每小时定时发布的气象信息作为历史天气数据；其中，空气质量监测站所包括的因子为：污染极细颗粒物(PM2.5，PM10)，臭氧，二氧化硫，一氧化碳，硫化氢，氮氧化物，挥发性有机污染物，总悬浮颗粒物，铅，苯，气象参数，能见度等；气象站所包括的因子可以为：环境温度、相对湿度、露点、风向、风速、降水量、大气压力、太阳辐射、光照度、直接辐射、日照时数、光合有效、紫外辐射、蒸发、二氧化碳、地温、土壤湿度；进一步的，空气质量监测站所包括的因子可以作为上述第一空气质量特征；气象站所包括的因子可以作为上述第一气象特征；也可以通过其他的方法得到上述第一气象特征以及第一空气质量特征，本示例对此不做特殊限制。
在步骤S120中，对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级。
在本示例实施例中，首先，对LSTM网络模型进行解释以及说明。LSTM(长短期记忆模型，long-short term memory)是一种特殊的RNN(循环神经网络，Recurrent NeuralNetwork)模型，可以用于解决RNN模型梯度弥散的问题；还可以解决RNN网络中当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果的问题。
进一步的，参考图2所示，对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级可以包括步骤S210-步骤S230，以下进行详细说明。
在步骤S210中，利用所述LSTM网络模型中的编码器对所述第一气象特征以及第一空气质量特征进行重新编码。
在步骤S220中，利用所述LSTM网络模型中的重构器对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第一预设时间段内的第二气象特征以及第二空气质量特征，其中，所述第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征。
在步骤S230中，利用所述LSTM网络模型中的预测器对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到所述第二预设时间段内的预测空气质量等级。
下面，结合图3对上述步骤S210-步骤S230进行解释说明。本示例实施例中涉及的LSTM网络模型可以包括编码(Encoder)-解码(Decoder)模型以及多任务学习机制；其中，通过编码-解码模型可以用于对第一气象特征以及第一空气质量特征中的信息进行编码，然后在提取、压缩再解码得到一维度相对较低的向量；多任务学习机制可以用于根据解码后的第一气象特征以及第一空气质量特征进行空气质量等级预测(Predicted air qualityin the future)以及数据重构(Reconstructed data)。
具体的，首先，利用LSTM网络模型中的编码器对第一气象特征以及第一空气质量特征(例如，可以参考图3中的x0,x1,x2,x3所示)进行重新编码；
然后，利用LSTM网络模型中的重构器对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到第一预设时间段(比如过去的八小时等等)内的第二气象特征以及第二空气质量特征(例如，可以参考图3中的
Figure GDA0003184963710000101
所示)；其中，第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征；并且，在对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第二气象特征以及第二空气质量特征的过程中，采用的损失函数为所述重构器的输出数据与所述编码器的输入数据之间的均方误差(mean-square error,MSE)；譬如，当第二气象特征以及第二空气质量特征与第一气象特征以及第一空气质量特征之间的均方误差小于误差值时，可以认为该第二气象特征以及第二空气质量特征有效。
最后，利用LSTM网络模型中的预测器对编码后的第一气象特征、第一空气质量特征以及LSTM网络模型的上一个时间片的输出进行预测，得到第一预设时间内的预测空气质量等级(例如，可以参考图3中的
Figure GDA0003184963710000102
所示)；具体的，可以对编码后的第一气象特征以及第一空气质量特征以及LSTM网络模型的上一个时间片的输出进行预测得到多个预测等级以及与各预测等级对应的预测概率；再将预测概率最大的预测等级作为第二预设时间段内的预测空气质量等级；譬如，以北京市为例，通过预测，可以得到北京市在接下来的第二预设时间段内(例如四小时内)的空气质量等级及其对应的概率；比如，空气良好的概率为0.6；空气优良的概率为0.4；轻度污染的概率为0.85；重度污染的概率为0.3等等，则可以将轻度污染作为预测空气质量等级；需要说明的是，由于存在一些特殊因素，比如外部地区污染(污染物迁移造成的本地污染)，可能会存在一些特殊情况发生，因此会有不同预测空气质量等级的情况发生；通过该方式，可以提高预测空气质量等级的精确度，进而提高空气质量改善措施的准确性；
进一步的，需要补充说明的是，首先，上述第一预设时间段大于第二预设时间段，并且第一预设时间段为历史预设时间段，第二预设时间段为未来预设时间段；进一步的，由于在对第一气象特征以及第一空气质量特征进行编码的过程中进行了压缩处理，因此第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征；并且，图3中示出的x0,x1,x2,x3以及
Figure GDA0003184963710000111
仅仅起到示例性作用，并不表示实际的例子。
在步骤S130中，在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施。
在本示例实施例中，首先，在间隔上述第二预设时间段后，获取该第二预设时间段的实际质量等级，然后计算上述实际质量等于与预测质量等级之间的差异，如果差异小于预设阈值(例如可以为0.1等等)，则可以确定相同；如果大于预设阈值，则可以结合实际质量等级对第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；具体的可以包括：首先，通过聚类算法将所述第二气象特征以及第二空气质量特征相似的时间点进行聚类，得到多个集合；然后，再结合实际质量等级对各所述集合进行分析，得到影响空气质量的有效措施以及无效措施。譬如，可以通过聚类算法(例如Xmeans聚类算法)把状态相似(第二气象特征以及第二空气质量特征相似)的天聚成一类，然后结合际质量等级进行分析，得到影响空气质量的有效措施以及无效措施。
在步骤S140中，根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
在本示例实施例中，譬如，当有效措施的占比大于无效措施的占比时，可以判断该待评估空气质量改善措施有效；当有效措施的占比小于无效措施的占比时，可以判断该待评估空气质量改善措施无效；通过该方法，可以帮助政府找出措施有效的天和措施不怎么起作用的天。例如，图4中的矩形圈出了2015～2017期间政府措施比较有效的污染天(污染类中2017年的天数明显减少)。
图5示意性示出根据本公开示例实施例的一种提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征的方法流程图。参考图5所示，获取历史天气数据，并根据所述历史天气数据得到第一气象特征以及第一空气质量特征可以包括步骤S510-步骤S540，以下进行详细说明。
在步骤S510中，获取任一区域的历史天气数据，并以所述任一区域的中心位置为圆心，得到多个不同半径的区域。
在步骤S520中，根据各所述区域的风向标准将每个不同半径的区域划分为多个子区域，并提取每个子区域的历史天气数据得到该子区域的第一子气象特征以及第一子空气质量特征。
在步骤S530中，根据每个不同半径的区域对应的子区域的第一子气象特征以及第一子空气质量特征的均值得到每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征。
在步骤S540中，对每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征进行拼接，得到所述任一区域的第一气象特征以及第一空气质量特征。
下面，将对步骤S510-步骤S540进行解释以及说明。首先，可以获取任一区域(以北京市为例)的过去8小时的历史天气数据，然后以北京市的中心位置为圆心，得到多个不同半径的区域；例如，以北京市的中心位置为圆心，分别得到半径0～100km、100～200km以及200～300km的三个大区域；然后，每个区域可以按照气象数据8个风向的标准划分为8个小区域，然后根据每个小区域的历史天气数据得到该小区域的第一子气象特征以及第一子空气质量特征；进一步的，可以将每个小区域内所有站点的第一子气象特征以及第一子空气质量特征的均值作为该区域的第一区域气象特征以及第一区域空气质量特征；最后，再对每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征进行拼接，得到北京市的第一气象特征以及第一空气质量特征。
进一步的，为了可以对空气质量改善措施有一个较为全面的评估，该空气质量改善措施评估方法还可以包括：获取所述历史天气数据中第三预设时间段内的第一空气优良天数，以及采用所述待评估空气质量改善措施后的第三预设时间段内的第二空气优良天数；在确定所述第一空气优良天数小于所述第二空气优良天数时，确定所述待评估空气质量改善措施为有效措施。譬如，可以简单的统计在三个月或者半年内的重污染天改善类和优良天增加类来简单地判断这段时间内的空气质量是否有改善。更复杂的说，该方法可以帮助政府部门找出它的措施有效天的聚类以及无效天的聚类，帮助政府定位污染原因(不利于污染物扩散的气象条件或者周围城市的污染物迁移引起的)，更好的制定特别的政策和措施用来应对污染。
下面，将结合图6对本示例实施例中的空气质量改善措施的评估方法进行进一步的解释以及说明。参考图6所示，空气质量改善措施的评估方法可以包括如下步骤：
步骤S101，从数据库610中获取历史天气数据，然后利用特征提取模块620从该历史天气数据中提取第一气象特征以及第一空气质量特征；
步骤S102，基于LSTM网络模型630对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；
步骤S103，基于第二气象特征以及第二空气质量特征形成潜在特征库640；
步骤S104，在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，通过聚类算法将潜在特征库630中的第二气象特征以及第二空气质量特征相似的时间点进行聚类，得到多个集合650；
步骤S105，结合实际质量等级对各集合进行分析，得到影响空气质量的有效措施以及无效措施的数据库660。
本公开还提供了一种空气质量改善措施的评估装置。参考图7所示，该空气质量改善措施的评估装置可以包括特征提取模块710、特征处理模720、特征分析模块730以及评估模块740。其中：
特征提取模块710可以用于提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征。
特征处理模块720可以用于对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级。
特征分析模块730可以用于在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施。
评估模块740可以用于根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
在本公开的一种示例性实施例中，特征处理模720还可以被配置为：利用所述LSTM网络模型中的编码器对所述第一气象特征以及第一空气质量特征进行重新编码；利用所述LSTM网络模型中的重构器对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第一预设时间段内的第二气象特征以及第二空气质量特征；利用所述LSTM网络模型中的预测器对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到所述第二预设时间段内的预测空气质量等级；其中，所述第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征。
在本公开的一种示例性实施例中，特征处理模720还可以被配置为：对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测得到多个预测等级，以及与各所述预测等级对应的预测概率；将所述预测概率最大的预测等级作为所述第二预设时间段内的预测空气质量等级。
在本公开的一种示例性实施例中，在对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第一预设时间段内的第二气象特征以及第二空气质量特征的过程中，采用的损失函数为所述重构器的输出数据与所述编码器的输入数据之间的均方误差。
在本公开的一种示例性实施例中，特征分析模块710还可以被配置为：获取任一区域的历史天气数据，并以所述任一区域的中心位置为圆心，得到多个不同半径的区域；根据各所述区域的风向标准将每个不同半径的区域划分为多个子区域，并根据每个子区域的历史天气数据得到该子区域的第一子气象特征以及第一子空气质量特征；根据每个不同半径的区域对应的子区域的第一子气象特征以及第一子空气质量特征的均值得到每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征；对每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征进行拼接，得到所述任一区域的第一气象特征以及第一空气质量特征。
在本公开的一种示例性实施例中，特征分析模块730还可以被配置为：通过聚类算法将所述第二气象特征以及第二空气质量特征相似的时间点进行聚类，得到多个集合；结合所述实际质量等级对各所述集合进行分析，得到影响空气质量的有效措施以及无效措施。
在本公开的一种示例性实施例中，所述空气质量改善措施的评估装置还可以包括：
数据获取模块，可以用于获取所述历史天气数据中第三预设时间段内的第一空气优良天数，以及采用所述空气质量改善措施后的第三预设时间段内的第二空气优良天数；
确定模块，可以用于在确定所述第一空气优良天数小于所述第二空气优良天数时，确定所述空气质量改善措施为有效措施。
上述空气质量改善措施的评估装置中各模块的具体细节已经在对应的空气质量改善措施的评估方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S110：提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征；步骤S120：对所述第一气象特征以及第一空气质量特征进行处理，得到第一预设时间段内的第二气象特征、第二空气质量特征，以及第二预设时间段内的预测质量等级；步骤S130：在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；步骤S140：根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备870(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
进一步的，根据本发明的实施方式的用于实现上述方法的程序产品，可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (9)

1.一种空气质量改善措施的评估方法，其特征在于，包括：
提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征；其中，所述第一空气质量特征为空气质量监测站所包括的因子，所述第一气象特征为气象站所包括的因子；
利用LSTM网络模型中的编码器对所述第一气象特征以及第一空气质量特征进行重新编码；利用LSTM网络模型中的重构器对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到第一预设时间段内的第二气象特征以及第二空气质量特征；利用LSTM网络模型中的预测器对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到第二预设时间段内的预测空气质量等级；其中，所述第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征；
在确定第二预设时间段内的实际质量等级与预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；
根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
2.根据权利要求1所述的空气质量改善措施的评估方法，其特征在于，对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到所述第二预设时间段内的预测空气质量等级；包括：
对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测得到多个预测等级，以及与各所述预测等级对应的预测概率；
将所述预测概率最大的预测等级作为所述第二预设时间段内的预测空气质量等级。
3.根据权利要求1所述的空气质量改善措施的评估方法，其特征在于，在对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到所述第一预设时间段内的第二气象特征以及第二空气质量特征的过程中，采用的损失函数为所述重构器的输出数据与所述编码器的输入数据之间的均方误差。
4.根据权利要求1所述的空气质量改善措施的评估方法，其特征在于，提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征包括：
获取任一区域的历史天气数据，并以所述任一区域的中心位置为圆心，得到多个不同半径的区域；
根据各所述不同半径的区域的风向标准将每个不同半径的区域划分为多个子区域，并提取每个子区域的历史天气数据得到该子区域的第一子气象特征以及第一子空气质量特征；
根据每个不同半径的区域对应的子区域的第一子气象特征以及第一子空气质量特征的均值，得到每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征；
对每个不同半径的区域的第一区域气象特征以及第一区域空气质量特征进行拼接，得到所述任一区域的第一气象特征以及第一空气质量特征。
5.根据权利要求1所述的空气质量改善措施的评估方法，其特征在于，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施包括：
通过聚类算法将所述第二气象特征以及第二空气质量特征相似的时间点进行聚类，得到多个集合；
结合所述实际质量等级对各所述集合进行分析，得到影响空气质量的有效措施以及无效措施。
6.根据权利要求1所述的空气质量改善措施的评估方法，其特征在于，在对所述待评估空气质量改善措施进行评估之后，所述空气质量改善措施的评估方法还包括：
获取所述历史天气数据中第三预设时间段内的第一空气优良天数，以及采用所述空气质量改善措施后的第三预设时间段内的第二空气优良天数；
在确定所述第一空气优良天数小于所述第二空气优良天数时，确定所述空气质量改善措施为有效措施。
7.一种空气质量改善措施的评估装置，其特征在于，包括：
特征提取模块，用于提取历史天气数据中的特征，得到第一气象特征以及第一空气质量特征；其中，所述第一空气质量特征为空气质量监测站所包括的因子，所述第一气象特征为气象站所包括的因子；
特征处理模块，用于利用LSTM网络模型中的编码器对所述第一气象特征以及第一空气质量特征进行重新编码；利用LSTM网络模型中的重构器对编码后的第一气象特征以及第一空气质量特征进行重新构造，得到第一预设时间段内的第二气象特征以及第二空气质量特征；利用LSTM网络模型中的预测器对编码后的第一气象特征、第一空气质量特征以及所述LSTM网络模型的上一个时间片的输出进行预测，得到第二预设时间段内的预测空气质量等级；其中，所述第二气象特征以及第二空气质量特征的维度小于所述第一气象特征以及第一空气质量特征；
特征分析模块，用于在确定第二预设时间段内的实际质量等级与所述预测质量等级之间的差异大于预设阈值时，结合所述实际质量等级对所述第二气象特征以及第二空气质量特征进行分析，得到影响空气质量的有效措施以及无效措施；
评估模块，用于根据所述有效措施和/或无效措施在待评估空气质量改善措施中的占比，对所述待评估空气质量改善措施进行评估。
8.一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，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的空气质量改善措施的评估方法。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的空气质量改善措施的评估方法。
CN201910465562.6A 2019-05-30 2019-05-30 空气质量改善措施的评估方法及装置、介质、电子设备 Active CN110189026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465562.6A CN110189026B (zh) 2019-05-30 2019-05-30 空气质量改善措施的评估方法及装置、介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465562.6A CN110189026B (zh) 2019-05-30 2019-05-30 空气质量改善措施的评估方法及装置、介质、电子设备

Publications (2)

Publication Number Publication Date
CN110189026A CN110189026A (zh) 2019-08-30
CN110189026B true CN110189026B (zh) 2021-11-12

Family

ID=67719136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465562.6A Active CN110189026B (zh) 2019-05-30 2019-05-30 空气质量改善措施的评估方法及装置、介质、电子设备

Country Status (1)

Country Link
CN (1) CN110189026B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230280173A1 (en) * 2022-03-07 2023-09-07 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111596012A (zh) * 2020-07-02 2020-08-28 中科三清科技有限公司 空气质量的监控方法、装置、设备及存储介质
CN112182858B (zh) * 2020-09-14 2024-06-14 新誉轨道交通科技有限公司 标准动车组空调制冷系统不良预测方法及系统
US11512864B2 (en) * 2021-04-14 2022-11-29 Jiangnan University Deep spatial-temporal similarity method for air quality prediction
CN113537563B (zh) * 2021-06-10 2022-08-02 中科三清科技有限公司 污染应急管控效果评估方法及装置
CN115481929B (zh) * 2022-10-17 2023-11-24 四川大学华西医院 改造措施效度评估方法、装置、终端设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100684294B1 (ko) * 2005-08-30 2007-02-20 김미순 실내 공기질 관리를 위한 원격 통신 제어용 이산화탄소(co2) 가스 측정장치 및 그 제어방법
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
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
CN108490115A (zh) * 2018-02-08 2018-09-04 浙江大学 一种基于分布式在线主成分分析的空气质量异常检测方法
CN109063908A (zh) * 2018-07-30 2018-12-21 浙江鸿程计算机系统有限公司 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法
CN109492907A (zh) * 2018-11-08 2019-03-19 成都市环境保护科学研究院 基于cmaq模型的空气质量措施评估方法、系统、存储介质和终端
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100684294B1 (ko) * 2005-08-30 2007-02-20 김미순 실내 공기질 관리를 위한 원격 통신 제어용 이산화탄소(co2) 가스 측정장치 및 그 제어방법
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
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
CN108490115A (zh) * 2018-02-08 2018-09-04 浙江大学 一种基于分布式在线主成分分析的空气质量异常检测方法
CN109063908A (zh) * 2018-07-30 2018-12-21 浙江鸿程计算机系统有限公司 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法
CN109492907A (zh) * 2018-11-08 2019-03-19 成都市环境保护科学研究院 基于cmaq模型的空气质量措施评估方法、系统、存储介质和终端
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于TensorFlow的LSTM模型在太原空气质量AQI指数预测中的应用;张春露,白艳萍;《重庆理工大学学报(自然科学)》;20180831;第32卷(第8期);第137-141页 *
基于季节性时间序列模型的合肥地区空气质量分析及预测;敖希琴,张怡文,陈家丽,费久龙;《合肥学院学报(综合版)》;20181031;第35卷(第5期);第33-39页 *
天津市2016年冬季一次重污染天气过程应急措施效果评估;李敏姣,李怀明,尹立峰,王兴,张雷波,郭健;《环境污染与防治》;20181130;第40卷(第11期);第1256-1261页 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230280173A1 (en) * 2022-03-07 2023-09-07 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses
US11859991B2 (en) * 2022-03-07 2024-01-02 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses

Also Published As

Publication number Publication date
CN110189026A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110189026B (zh) 空气质量改善措施的评估方法及装置、介质、电子设备
Bhatti et al. Time series analysis and forecasting of air pollution particulate matter (PM 2.5): an SARIMA and factor analysis approach
Chang-Hoi et al. Development of a PM2. 5 prediction model using a recurrent neural network algorithm for the Seoul metropolitan area, Republic of Korea
Torres et al. Detection of outliers in gas emissions from urban areas using functional data analysis
US10534361B2 (en) Industrial asset health model update
He et al. Numerical model-based artificial neural network model and its application for quantifying impact factors of urban air quality
CN105334551A (zh) 基于数值天气预报模式的电网气象预测预警系统
CN113071497B (zh) 一种驾驶场景判断方法、装置、设备及存储介质
CN114329245A (zh) 一种空气污染的溯源方法、装置、服务器及存储介质
CN114594532A (zh) 一种寒潮天气预测方法、装置、电子设备及计算机可读介质
CN111815098A (zh) 基于极端天气的交通信息处理方法、装置、存储介质和电子设备
Nebenzal et al. Long-term forecasting of nitrogen dioxide ambient levels in metropolitan areas using the discrete-time Markov model
CN113777236A (zh) 基于排放源的空气质量监控方法和装置
Li et al. Prediction of power outage quantity of distribution network users under typhoon disaster based on random forest and important variables
CN113570163A (zh) 基于数学模型的大气臭氧浓度预测方法、系统和装置
CN115237896A (zh) 一种基于深度学习预报空气质量的数据前处理方法及系统
CN114063197A (zh) 一种预测环境污染的方法和装置
Wan et al. A spatio‐temporal model for the analysis and prediction of fine particulate matter concentration in Beijing
CN116384627A (zh) 一种基于机器学习的地质灾害评价方法
CN114235653A (zh) 基于端云协同的大气颗粒污染物时空预测云平台
CN116629460B (zh) 一种基于ST-RANet模型的地铁客流预测方法
Passow et al. A rigorous statistical assessment of recent trends in intensity of heavy precipitation over Germany
Qi et al. Multi-model Evaluation and Bayesian Model Averaging in Quantitative Air Quality Forecasting in Central China
CN116776263A (zh) 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统
CN117035149A (zh) 一种基于深度学习的多模式地面气象要素网格订正方法和装置

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