CN110598953A - 一种时空相关的空气质量预测方法 - Google Patents
一种时空相关的空气质量预测方法 Download PDFInfo
- Publication number
- CN110598953A CN110598953A CN201910900378.XA CN201910900378A CN110598953A CN 110598953 A CN110598953 A CN 110598953A CN 201910900378 A CN201910900378 A CN 201910900378A CN 110598953 A CN110598953 A CN 110598953A
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- model
- training
- prediction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种时空相关的空气质量预测方法。本发明将城市划分成大小相同的网格,每个网格受相邻区域网格影响,按照网格内是否有空气监测站分为预测区域和估计区域;获取影响空气质量数据相关时序数据,对时序数据采用循环神经网络和空间深度学习进行特征提取,进行时序模型训练。获取影响空气质量数据相关非时序数据,对非时序数据采用卷积神经网络进行特征提取,进行空间模型训练;将时序模型训练和空间训练模型进行协同训练,得到预测模型;利用训练好的协同训练模型进行预测区域的训练,得到预测区域空气质量数据;利用训练好的协同训练模型进行估计网格区域的训练,得到估计区域空气质量数据。
Description
技术领域
本发明涉及空气质量预测技术领域,是一种时空相关的空气质量预测方法。
背景技术
近年来,随着人口的剧增、经济的高速发展,汽车尾气和工厂企业排放的污染物排放到空气中,由此引发的空气污染问题成为社会关心的热点问题,因此精准的空气质量预测数据可以为空气污染治理提供可靠地依据。为了掌握空气的污染情况,政府建立了空气监测站实时监测地区的空气质量,但是空气监测站数量有限,无法进行全范围的覆盖监测,同时监测站不能对未来空气质量情况进行预测以及对造成的空气污染进行溯源分析。因此,对于空气质量的预测、估计研究能够弥补空气监测站功能上的缺失,通过科学可靠地分析数据为空气污染的预防和治理提供有效的方法。
随着神经网络和深度学习在各个领域的广泛使用,人们尝试用数据挖掘的方法预测空气质量数据。现有的预测方法存在对于影响空气质量因素考虑不充分,特征提取采用经验主义抽取和人工定义,传统的神经网络没有考虑到局部空间特征,以及站点数量有限且间隔较远,导致训练样本缺失和说服力不强等一系列问题。
发明内容
本发明针对影响空气质量因素考虑不充分,特征提取采用经验主义抽取和人工定义,传统的神经网络没有考虑到局部空间特征问题的问题,本发明提供了一种时空相关的空气质量预测方法,本发明提供了以下技术方案:
一种时空相关的空气质量预测方法,包括以下步骤:
步骤1:将城市划分为大小相同的网格,根据网格内是否有空气检测站分为预测区域和估计区域;
步骤2:获取影响空气质量数据相关的时序数据,所述获取影响空气质量数据相关的时序数据包括:历史空气质量数据、气象数据、天气预报数据、工厂排放污染物数据以及交通流量数据;
步骤3:采用神经网络对所述时序数据进行特征提取,建立时序模型,采用深度学习对时序数据进行特征构建,得到空间训练模型;
步骤4:获取空气质量的非时序数据,所述空气质量的非时序数据包括:城市的路网结构数据、城市的兴趣点数据,采用卷积神经网络对所述空气质量的非时序数据进行特征提取,将提取的结果用于时序模型和空间训练模型的预测和估计任务,对时序模型和空间训练模型进行训练;
步骤5:将所述时间模型和空间模型进行协同训练,得到空气质量预测模型,根据空气质量预测模型对预测区域进行训练,得到预测区域内的空气质量数据;根据空气质量预测模型对估计区域进行训练,得到估计区域的空气质量数据。
优选地,所述步骤1具体为:
步骤1.1:将城市进行网格区域划分,将城市区域划分为边长为c的相互不相交的正方形网格Ri,每个网格区域与它相邻的八个网络区域构成影响区域;
步骤1.2:将每个网格区域的中心经纬度作为网格的坐标,所述网格坐标作为预测的基本单元。
优选地,所述步骤2具体为:
步骤2.1:采用爬虫程序定时对中国天气网的天气数据进行爬取,获得城市检测站历史空气质量数据,将爬取得到的历史空气质量数据持久化至数据库存储,记网格区域Ri的历史空气质量数据为
步骤2.2:采用爬虫程序定时对中国天气网的天气数据进行爬取,获取城市的气象数据,将爬取得到的气象数据持久化至数据库存储,所述气象数据包括历史气象数据和实时气象数据,所述气象数据具体为:温度、湿度、风速以及风向,记t时刻网格区域Ri的实时气象数据为历史气象数据为
步骤2.3:采用爬虫程序定时对中国天气网的天气数据进行爬取,获取天气预测数据,将爬取得到的天气预测数据持久化至数据库存储,记t时刻网格区域Ri天气预测数据为
步骤2.4:通过分表记电在线监管平台数据库中记录的城区大型工厂污染物排放数据,从而获取城市的企业污染排放数据,所述企业污染排放数据包括各种污染物的浓度值,记t时刻网格区域Ri的企业污染排放数据为
步骤2.5:采用政府公共数据平台获取城市的交通流量数据,所述交通流量数据包括车流量、速度以及拥挤程度,记t时刻网格区域Ri的交通流量数据为
优选地,所述步骤3具体为:
步骤3.1:采用循环神经网络RNN对时序数据进行特征构建,得到时序模型;
步骤3.2:根据时序数据长期短期特征以及周期变化,采用空间深度学习ConvLSTM对时序数据的时间空间依赖序列进行特征构建,从而得到空间训练模型。
优选地,所述步骤4具体为:
步骤4.1:获取城市的路网结构数据,所述路网结构数据包括道路的条数、长度和类别,记网格区域Ri的路网结构数据为
步骤4.2:获取城市的兴趣点数据,所述兴趣点数据包括特定点的集合和属性集,所述集合包括学校、医院和商场,所述属性集包括名称、类别和坐标,记网格区域Ri的城市兴趣点数据为
步骤4.3:采用卷积神经网络CNN对所述空气质量的非时序数据进行特征提取,将提取的结果用于时序模型和空间训练模型的预测和估计任务,对时序模型和空间训练模型进行训练。
本发明具有以下有益效果:
本发明针对传统的神经网络没有考虑到局部空间特征问题,与现有研究相比,本发明具有本质上的创新和改进,能够空气质量预测的精度。本发明从时间和空间两个维度考虑与空气质量相关的影响信息,利用ConvLSTM长短期记忆网络对时序数据进行特征构建,利用卷积神经网络提取非时序特征,进而通过预测模型进行空气质量的预测和估计,提高预测的精度。
本发明能够为城市提供细粒度的区域空气质量预测和估计数据,弥补空气监测站数量少、功能上的缺失,通过科学可靠地分析数据为空气污染的预防和治理提供有效的方法
附图说明
图1是基于时空相关的空气质量预测流程图;
图2是时空相关的空气质量预测模型框架图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
按照图1所示,本发明提供一种时空相关的空气质量预测方法,包括以下步骤:
步骤1:将城市划分为大小相同的网格,根据网格内是否有空气检测站分为预测区域和估计区域;
对网格划分的具体方法为:
将城市进行网格区域划分,把城市整体区域划分成边长为c的互不相交的正方形网格Ri,其中每个子网格属于城市总网格的一部分即Ri∈R,每一个网格区域与它相邻的八个网络区域构成影响区域,每个网格的中心经纬度作为网格的坐标,网格即为估计预测的基本单元。
步骤2:获取影响空气质量数据相关的时序数据,所述获取影响空气质量数据相关的时序数据包括:历史空气质量数据、气象数据、天气预报数据、工厂排放污染物数据以及交通流量数据;
(1)利用爬虫程序定时对中国天气网的天气数据进行爬取,获取城市的监测站历史空气质量数据。本文应用到的城市范围内空气监测站点的历史空气质量数据。网格区域Ri的历史空气质量数据
(2)利用爬虫程序定时对中国天气网的天气数据进行爬取,将获取的气象数据持久化到数据库存储。本文应用到城市的历史以及实时气象数据包括温度、湿度、风速以及风向。记t时刻,网格区域Ri的实时气象历史气象
(3)利用爬虫程序定时对中国天气网的天气数据进行爬取,将获取的天气预测数据持久化到数据库存储。本文应用到城市的天气数据包括温度、湿度、风速以及风向。记t时刻,网格区域Ri的天气预测数据
(4)通过获取分表记电在线监管平台数据库中记录的城区大型工厂污染物排放数据,从而获取城市的企业污染排放数据。本文应用到城市的企业排放数据,包括各种污染物浓度值。记t时刻,网格区域Ri的企业排放数据
(5)利用政府公共数据平台获取城市的交通流量数据。本文应用到城市的交通流量数据,包括车流量、速度以及拥挤程度。t时刻,网格区域Ri的交通流量数据
步骤3:采用神经网络对所述时序数据进行特征提取,建立时序模型,采用深度学习对时序数据进行特征构建,得到空间训练模型;
采用RNN循环神经网络处理时序数据(气象数据、历史空气质量数据),考虑到企业污染排放数据、交通流量数据还包含一定的空间依赖性以及长期变化特性,因此考虑采用ConvLSTM长短期记忆网络用于对这类长时间空间依赖序列进行建模,分析结果用于模型的预测和估计任务。
步骤4:获取空气质量的非时序数据,所述空气质量的非时序数据包括:城市的路网结构数据、城市的兴趣点数据,采用卷积神经网络对所述空气质量的非时序数据进行特征提取,将提取的结果用于时序模型和空间训练模型的预测和估计任务,对时序模型和空间训练模型进行训练;
(1)通过太乐地图软件,根据限定城市及路网级别,获取城市的路网结构数据。本文应用到城市的路网结构数据,路网属性分为道路的条数、长度和类别。网格区域Ri的路网结构数据
(2)通过太乐地图软件,根据限定城市及城市兴趣点类型获取城市的兴趣点数据。本文应用到城市的兴趣点数据,包括特定点的集合,例如学校、医院和商场等,属性集包括名称、类别和坐标。网格区域Ri的城市兴趣点POI数据
利用卷积神经网络对区域内非时序信息(路网结构数据、POI点数据)进行处理来提取潜在的局部特征,将提取结果用于模型的预测和估计任务。
步骤5:将所述时间模型和空间模型进行协同训练,得到空气质量预测模型,根据空气质量预测模型对预测区域进行训练,得到预测区域内的空气质量数据;根据空气质量预测模型对估计区域进行训练,得到估计区域的空气质量数据。
以上所述仅是一种时空相关的空气质量预测方法的优选实施方式,一种时空相关的空气质量预测方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (5)
1.一种时空相关的空气质量预测方法,其特征是:包括以下步骤:
步骤1:将城市划分为大小相同的网格,根据网格内是否有空气检测站分为预测区域和估计区域;
步骤2:获取影响空气质量数据相关的时序数据,所述获取影响空气质量数据相关的时序数据包括:历史空气质量数据、气象数据、天气预报数据、工厂排放污染物数据以及交通流量数据;
步骤3:采用神经网络对所述时序数据进行特征提取,建立时序模型,采用深度学习对时序数据进行特征构建,得到空间训练模型;
步骤4:获取空气质量的非时序数据,所述空气质量的非时序数据包括:城市的路网结构数据和城市的兴趣点数据,采用卷积神经网络对所述空气质量的非时序数据进行特征提取,将提取的结果用于时序模型和空间训练模型的预测和估计任务,对时序模型和空间训练模型进行训练;
步骤5:将所述时间模型和空间模型进行协同训练,得到空气质量预测模型,根据空气质量预测模型对预测区域进行训练,得到预测区域内的空气质量数据;根据空气质量预测模型对估计区域进行训练,得到估计区域的空气质量数据。
2.根据权利要求1所述的一种时空相关的空气质量预测方法,其特征是:所述步骤1具体为:
步骤1.1:将城市进行网格区域划分,将城市区域划分为边长为c的相互不相交的正方形网格Ri,每个网格区域与它相邻的八个网络区域构成影响区域;
步骤1.2:将每个网格区域的中心经纬度作为网格的坐标,所述网格坐标作为预测的基本单元。
3.根据权利要求1所述的一种时空相关的空气质量预测方法,其特征是:所述步骤2具体为:
步骤2.1:采用爬虫程序定时对中国天气网的天气数据进行爬取,获得城市检测站历史空气质量数据,将爬取得到的历史空气质量数据持久化至数据库存储,记网格区域Ri的历史空气质量数据为
步骤2.2:采用爬虫程序定时对中国天气网的天气数据进行爬取,获取城市的气象数据,将爬取得到的气象数据持久化至数据库存储,所述气象数据包括历史气象数据和实时气象数据,所述气象数据具体为:温度、湿度、风速以及风向,记t时刻网格区域Ri的实时气象数据为历史气象数据为
步骤2.3:采用爬虫程序定时对中国天气网的天气数据进行爬取,获取天气预测数据,将爬取得到的天气预测数据持久化至数据库存储,记t时刻网格区域Ri天气预测数据为
步骤2.4:通过分表记电在线监管平台数据库中记录的城区大型工厂污染物排放数据,从而获取城市的企业污染排放数据,所述企业污染排放数据包括各种污染物的浓度值,记t时刻网格区域Ri的企业污染排放数据为
步骤2.5:采用政府公共数据平台获取城市的交通流量数据,所述交通流量数据包括车流量、速度以及拥挤程度,记t时刻网格区域Ri的交通流量数据为
4.根据权利要求1所述的一种时空相关的空气质量预测方法,其特征是:所述步骤3具体为:
步骤3.1:采用循环神经网络RNN对时序数据进行特征构建,得到时序模型;
步骤3.2:根据时序数据长期短期特征以及周期变化,采用空间深度学习ConvLSTM对时序数据的时间空间依赖序列进行特征构建,从而得到空间训练模型。
5.根据权利要求1所述的一种时空相关的空气质量预测方法,其特征是:所述步骤4具体为:
步骤4.1:获取城市的路网结构数据,所述路网结构数据包括道路的条数、长度和类别,记网格区域Ri的路网结构数据为
步骤4.2:获取城市的兴趣点数据,所述兴趣点数据包括特定点的集合和属性集,所述集合包括学校、医院和商场,所述属性集包括名称、类别和坐标,记网格区域Ri的城市兴趣点数据为
步骤4.3:采用卷积神经网络CNN对所述空气质量的非时序数据进行特征提取,将提取的结果用于时序模型和空间训练模型的预测和估计任务,对时序模型和空间训练模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900378.XA CN110598953A (zh) | 2019-09-23 | 2019-09-23 | 一种时空相关的空气质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900378.XA CN110598953A (zh) | 2019-09-23 | 2019-09-23 | 一种时空相关的空气质量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598953A true CN110598953A (zh) | 2019-12-20 |
Family
ID=68862462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900378.XA Pending CN110598953A (zh) | 2019-09-23 | 2019-09-23 | 一种时空相关的空气质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598953A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310103A (zh) * | 2020-02-27 | 2020-06-19 | 谢国宇 | 生态环境监测数据的稠密化处理方法 |
CN111340288A (zh) * | 2020-02-25 | 2020-06-26 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
CN111460733A (zh) * | 2020-04-01 | 2020-07-28 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN111461423A (zh) * | 2020-03-30 | 2020-07-28 | 四川国蓝中天环境科技集团有限公司 | 一种高精度网格化空气质量推断方法、系统、终端设备及存储介质 |
CN111723940A (zh) * | 2020-05-22 | 2020-09-29 | 第四范式(北京)技术有限公司 | 基于机器学习服务系统提供预估服务的方法、装置及设备 |
CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
CN111814956A (zh) * | 2020-06-23 | 2020-10-23 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
CN112085295A (zh) * | 2020-09-21 | 2020-12-15 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
CN112183871A (zh) * | 2020-10-10 | 2021-01-05 | 扬州大学 | 基于空气指数的城市交通诱导系统 |
CN112241853A (zh) * | 2020-12-16 | 2021-01-19 | 中电科新型智慧城市研究院有限公司 | 一种区域间空气质量影响的评估方法及评估装置 |
CN112288156A (zh) * | 2020-10-26 | 2021-01-29 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
CN112541302A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
CN112561191A (zh) * | 2020-12-22 | 2021-03-26 | 北京百度网讯科技有限公司 | 预测模型的训练、预测方法、装置、设备、程序和介质 |
CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112765229A (zh) * | 2020-12-25 | 2021-05-07 | 哈尔滨工程大学 | 一种基于多层注意力机制的空气质量推断方法 |
CN112882131A (zh) * | 2021-03-05 | 2021-06-01 | 艾沙江·艾力 | 一种灰霾和沙尘天气的预报方法及预报系统 |
CN112906941A (zh) * | 2021-01-21 | 2021-06-04 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及系统 |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN113077089A (zh) * | 2021-04-08 | 2021-07-06 | 中山大学 | 一种多因素对空气质量影响的评价方法和装置 |
CN113159358A (zh) * | 2020-01-22 | 2021-07-23 | 广东毓秀科技有限公司 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
CN113283614A (zh) * | 2021-04-29 | 2021-08-20 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113496305A (zh) * | 2020-04-03 | 2021-10-12 | 浙江大学 | 数据处理方法及装置 |
CN113777224A (zh) * | 2021-08-12 | 2021-12-10 | 北京金水永利科技有限公司 | 一种网格化空气质量评估数据的生成方法及系统 |
CN114511087A (zh) * | 2022-04-19 | 2022-05-17 | 四川国蓝中天环境科技集团有限公司 | 一种基于双模型的空气质量空间推断方法及系统 |
CN115656446A (zh) * | 2022-12-26 | 2023-01-31 | 沃客森信息科技(常州)有限公司 | 一种基于物联网的空气质量检测系统及方法 |
CN116070500A (zh) * | 2022-08-03 | 2023-05-05 | 中国环境科学研究院 | 一种基于深度学习空气质量浓度场模拟仿真器 |
CN116384754A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994014014A1 (en) * | 1992-12-07 | 1994-06-23 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | System for assessing air quality |
CN104834944A (zh) * | 2015-05-26 | 2015-08-12 | 杭州尚青科技有限公司 | 一种基于协同训练的城市区域空气质量估计方法 |
-
2019
- 2019-09-23 CN CN201910900378.XA patent/CN110598953A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994014014A1 (en) * | 1992-12-07 | 1994-06-23 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | System for assessing air quality |
CN104834944A (zh) * | 2015-05-26 | 2015-08-12 | 杭州尚青科技有限公司 | 一种基于协同训练的城市区域空气质量估计方法 |
Non-Patent Citations (1)
Title |
---|
丁怡芳: "基于深度多任务学习的城市AQI预测与AQI等级估计", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159358A (zh) * | 2020-01-22 | 2021-07-23 | 广东毓秀科技有限公司 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
CN111340288A (zh) * | 2020-02-25 | 2020-06-26 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
CN111340288B (zh) * | 2020-02-25 | 2024-04-05 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
CN111310103A (zh) * | 2020-02-27 | 2020-06-19 | 谢国宇 | 生态环境监测数据的稠密化处理方法 |
CN111461423A (zh) * | 2020-03-30 | 2020-07-28 | 四川国蓝中天环境科技集团有限公司 | 一种高精度网格化空气质量推断方法、系统、终端设备及存储介质 |
CN111461423B (zh) * | 2020-03-30 | 2020-12-18 | 四川国蓝中天环境科技集团有限公司 | 一种高精度网格化空气质量推断方法、系统、终端设备及存储介质 |
CN111460733A (zh) * | 2020-04-01 | 2020-07-28 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN111460733B (zh) * | 2020-04-01 | 2023-10-03 | 成都卡普数据服务有限责任公司 | 一种基于深度学习的山火预警方法 |
CN113496305A (zh) * | 2020-04-03 | 2021-10-12 | 浙江大学 | 数据处理方法及装置 |
CN111723940A (zh) * | 2020-05-22 | 2020-09-29 | 第四范式(北京)技术有限公司 | 基于机器学习服务系统提供预估服务的方法、装置及设备 |
CN111723940B (zh) * | 2020-05-22 | 2023-08-22 | 第四范式(北京)技术有限公司 | 基于机器学习服务系统提供预估服务的方法、装置及设备 |
CN111814956B (zh) * | 2020-06-23 | 2022-04-08 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
CN111814956A (zh) * | 2020-06-23 | 2020-10-23 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
CN111798051B (zh) * | 2020-07-02 | 2023-11-10 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
CN112085163A (zh) * | 2020-08-26 | 2020-12-15 | 哈尔滨工程大学 | 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法 |
CN112085295A (zh) * | 2020-09-21 | 2020-12-15 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112085295B (zh) * | 2020-09-21 | 2021-09-21 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN112183871B (zh) * | 2020-10-10 | 2024-09-06 | 扬州大学 | 基于空气指数的城市交通诱导系统 |
CN112183871A (zh) * | 2020-10-10 | 2021-01-05 | 扬州大学 | 基于空气指数的城市交通诱导系统 |
CN112288156A (zh) * | 2020-10-26 | 2021-01-29 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
CN112241853A (zh) * | 2020-12-16 | 2021-01-19 | 中电科新型智慧城市研究院有限公司 | 一种区域间空气质量影响的评估方法及评估装置 |
CN112241853B (zh) * | 2020-12-16 | 2021-05-11 | 中电科新型智慧城市研究院有限公司 | 一种区域间空气质量影响的评估方法及评估装置 |
CN112561191A (zh) * | 2020-12-22 | 2021-03-26 | 北京百度网讯科技有限公司 | 预测模型的训练、预测方法、装置、设备、程序和介质 |
CN112561191B (zh) * | 2020-12-22 | 2024-02-27 | 北京百度网讯科技有限公司 | 预测模型的训练、预测方法、装置、设备、程序和介质 |
CN112541302A (zh) * | 2020-12-23 | 2021-03-23 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
CN112541302B (zh) * | 2020-12-23 | 2024-02-06 | 北京百度网讯科技有限公司 | 空气质量预测模型训练方法、空气质量预测方法及装置 |
CN112990531A (zh) * | 2020-12-23 | 2021-06-18 | 山西大学 | 一种基于特征增强ConvLSTM的雾霾预测方法 |
CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
CN112765229A (zh) * | 2020-12-25 | 2021-05-07 | 哈尔滨工程大学 | 一种基于多层注意力机制的空气质量推断方法 |
CN112712695B (zh) * | 2020-12-30 | 2021-11-26 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112712695A (zh) * | 2020-12-30 | 2021-04-27 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112906941A (zh) * | 2021-01-21 | 2021-06-04 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及系统 |
CN112882131A (zh) * | 2021-03-05 | 2021-06-01 | 艾沙江·艾力 | 一种灰霾和沙尘天气的预报方法及预报系统 |
CN113077089A (zh) * | 2021-04-08 | 2021-07-06 | 中山大学 | 一种多因素对空气质量影响的评价方法和装置 |
CN113283614B (zh) * | 2021-04-29 | 2023-09-12 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113283614A (zh) * | 2021-04-29 | 2021-08-20 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113777224A (zh) * | 2021-08-12 | 2021-12-10 | 北京金水永利科技有限公司 | 一种网格化空气质量评估数据的生成方法及系统 |
CN113777224B (zh) * | 2021-08-12 | 2024-04-30 | 北京金水永利科技有限公司 | 一种网格化空气质量评估数据的生成方法及系统 |
CN114511087B (zh) * | 2022-04-19 | 2022-07-01 | 四川国蓝中天环境科技集团有限公司 | 一种基于双模型的空气质量空间推断方法及系统 |
CN114511087A (zh) * | 2022-04-19 | 2022-05-17 | 四川国蓝中天环境科技集团有限公司 | 一种基于双模型的空气质量空间推断方法及系统 |
CN116070500A (zh) * | 2022-08-03 | 2023-05-05 | 中国环境科学研究院 | 一种基于深度学习空气质量浓度场模拟仿真器 |
CN116070500B (zh) * | 2022-08-03 | 2023-11-28 | 中国环境科学研究院 | 一种基于深度学习空气质量浓度场模拟仿真器 |
CN115656446A (zh) * | 2022-12-26 | 2023-01-31 | 沃客森信息科技(常州)有限公司 | 一种基于物联网的空气质量检测系统及方法 |
CN116384754B (zh) * | 2023-06-02 | 2023-08-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
CN116384754A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598953A (zh) | 一种时空相关的空气质量预测方法 | |
CN109522603B (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
Kang et al. | Air quality prediction: Big data and machine learning approaches | |
WO2018214060A1 (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
CN106600960B (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
CN112418609A (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
CN108280789B (zh) | 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法 | |
CN112819340B (zh) | 一种基于多源数据的城市洪涝灾害动态评估方法 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN110346518B (zh) | 一种交通排放污染可视化预警方法及其系统 | |
Po et al. | TRAFAIR: understanding traffic flow to improve air quality | |
CN111696369A (zh) | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
CN113092684A (zh) | 一种基于时空矩阵分解的空气质量推断方法 | |
Tecer et al. | Impact of urbanization on local air quality: differences in urban and rural areas of Balikesir, Turkey | |
CN115412857A (zh) | 一种居民出行信息预测方法 | |
Zhang et al. | Distribution patterns and influencing factors of population exposure risk to particulate matters based on cell phone signaling data | |
CN117649048A (zh) | 一种河湖生态空间重点监管对象的监测方法及装置 | |
CN113077089A (zh) | 一种多因素对空气质量影响的评价方法和装置 | |
CN116662935A (zh) | 基于空气质量监测网络的大气污染物空间分布预测方法 | |
Bianchi et al. | An innovational digital tool in GIS procedure: Mapping adriatic coast in abruzzo region to support design of slow mobility routes | |
Bora et al. | Gang networks, neighborhoods and holidays: Spatiotemporal patterns in social media |
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 |