CN110633449A - 一种基于改进熵权法的空气质量评价方法 - Google Patents
一种基于改进熵权法的空气质量评价方法 Download PDFInfo
- Publication number
- CN110633449A CN110633449A CN201910884694.2A CN201910884694A CN110633449A CN 110633449 A CN110633449 A CN 110633449A CN 201910884694 A CN201910884694 A CN 201910884694A CN 110633449 A CN110633449 A CN 110633449A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- weight
- air quality
- factor
- index
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 19
- 231100000719 pollutant Toxicity 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000007613 environmental effect Effects 0.000 claims description 12
- 239000013618 particulate matter Substances 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 2
- 238000013459 approach Methods 0.000 abstract description 2
- 239000003570 air Substances 0.000 description 52
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008846 dynamic interplay Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
Abstract
本发明涉及一种基于改进熵权法的空气质量评价方法,本发明充分考虑各污染物之间的相互作用关系和众多因素相互动态作用的影响,得到的结论更加符合实际;考虑到各因素对整个评价体系的贡献程度不同,本方法基于改进熵权法确定污染因子的权重,传统的熵权法在计算熵值时未考虑各指标熵值趋近于1的情况,本发明运用改进熵权法公式可以避免此类指标权重的成倍变化,且确定权重仅依赖于数据离散性,突出各评价因子的局部差异,通过分析离散程度以及指标信息量客观地确定指标权重,进而突出主要污染物的重要性,充分考虑不同污染物在不同限值下的差异性,从而在一定程度上避免了受专家主观因素的影响,可为制定有效的区域污染控制措施提供理论依据。
Description
技术领域
本发明涉及大气环境空气质量综合评价技术领域,具体是一种空气质量综合评价方法。
背景技术
近年来,我国的工业化、机动化进程得到了快速的发展,各类能源资源消耗持续增加,由于工业生产和交通运输等人为因素造成的大气污染日趋严重,以颗粒物等多种污染物为特征污染物的复合型区域性大气环境问题日益突出。由于大气环境是一个包含了复杂物质能量交换过程且相对动态的耦合系统,且大气污染状况易受天气情况和地域转移等不确定因素和水平的影响,增加大气污染治理的难度和准度。因此,对空气质量状况进行准确、客观的综合评价和分析,可为制定有效的区域污染控制措施及评估污染控制措施成效提供理论依据。
当前,传统的空气污染指数(API)和修正后的环境空气质量指数(AQI)法应用较广泛,评价结果简明方便,但是此方法仅适用于评价短期内空气质量状况且忽略了各个污染物对空气质量的影响程度。因而也有学者运用主成分分析法、层次分析法、灰色聚类关联分析法、人工神经网络模型、分形模型、秩相关系数法、单因子指数法、格林大气污染综合指数法等方法评价空气质量。虽然这些方法呈现结果简单明了,但是适用范围较局限,评价因素不全面且易受主观因素影响,应用需要有较强的数学背景,无法完全适用于全面客观的空气质量评价,例如授权公布号为CN105550515B的“一种对空气质量数据进行多级综合评判的方法”专利申请中公开了一种技术方案,其中记载到“一种对空气质量数据进行多级综合评判的方法,其特征在于,包括以下步骤:a根据空气质量数据确定评判因子,并参照国家空气质量标准建立评判标准集;b根据空气质量数据确定各评判因子对评判标准相邻两级的隶属度,并根据各隶属度建立模糊关系矩阵;c根据计算得到的模糊关系矩阵,利用熵值法确定各评判因子所占权重; d根据模糊关系矩阵以及各评判因子所占权重计算单级评判结果;e根据单级评判结果计算得到多级评判结果......”技术方案中还对具体的步骤进行了描述,此现有技术虽然大大减少了由于主观因素和数据对评判结果的影响,使评判结果更符合实际,但是,此方案在原有单级评判方法的基础上进行拓展,建立多级模糊综合评判法,将单级评判矩阵作为多级模糊评判关系矩阵,然后根据建立的模糊评判方法求出多级综合评判矩阵,从而对空气质量数据进行综合评判,此种方案将单级评判矩阵作为多级模糊评判关系矩阵的过程中,没有充分考虑各污染物之间的相互作用关系和众多因素相互动态作用影响的问题,使得评判结果不够精确,因此,我们在此基础上进行了优化改进,提出了一种基于改进熵权法的空气质量评价方法用以解决以上问题。
发明内容
本发明将提供一种基于改进熵权法的空气质量综合评价方法,以解决现有技术中无法充分考虑各污染物之间的相互作用关系和众多因素相互动态作用影响的问题,本发明通过以下技术方案解决上述问题:一种基于改进熵权法的空气质量评价方法,其特征在于,包括以下几个步骤:
a选取空气质量评价因子,构建污染因子评价因素集U;
b参考国家标准,将空气质量分为m个等级,构建评价标准集V;
c根据第i(1≤i≤n)个评价因子的实测值xi和第j(1≤j≤m)级标准值Sij,选取降半阶梯形隶属度函数建立共i个评价因子相对应的污染等级为j级的隶属度 rij(0≤rij≤1),确定各评价因子与各级评价标准之间的模糊关系矩阵R=(rij);
d利用改进熵权法确定各评价因子权重,构建因子权重集ω;
e将上述步骤得到的模糊关系矩阵R和指标权重集ω选用加权平均算子进行矩阵复合运算,构建模糊综合评判矩阵B;
f根据最大隶属度原则,确定区域空气质量等级;
所述的步骤c具体为:
c1、建立的降半阶梯形隶属度函数公式如下,其中i(1≤i≤n),j(1≤j≤m):
当j=1时,即各评判因子对第Ⅰ级的隶属度函数:
当j=2,3...m-1时,即第Ⅱ、Ⅲ、...、m-1级的隶属度函数:
当j=m时,即第m级隶属度函数:
由此得到模糊综合评价矩阵R=(rij);
所述的步骤d具体为:
d1、将各个指标的数据进行标准化处理;
d2、计算第j项指标下,第i个评价因子的所占比重;
式中,i=1,2,K,n;j=1,2,K,m;xij为模糊关系矩阵R中的元素;
d3、计算第j项指标的熵值;
式中,且当pij=0时,pijlnpij=0;
d4、改进熵权法确定各指标权重;
所述步骤e具体为:
优选的,所述的步骤a具体为:
参考《环境空气质量标准》(GB 3095-2012)与《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)的规定,选取的评价因子为:PM2.5、PM10、SO2、 NO2、CO、O3,其中,PM2.5、PM10、SO2和NO2四种污染物以月均浓度为标准, CO以日均值第95百分位数浓度为标准,O3以日最大8小时滑动平均值的第90 百分位数浓度为标准。因此,建立的污染因子评价因素集为:
U={PM2.5,PM10,SO2,NO2,CO-95per,O3-8H-90per}。
优选的,所述的步骤b具体为:
为了更明确地表达区域污染程度,参考国家标准并结合区域大气实际污染情况,将两级标准拓展为四级标准,即Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级,它们分别代表环境空气质量状况中的优、良、轻度污染、重度污染,因此,建立的环境空气质量评价标准集为:
V={Ⅰ级,Ⅱ级,Ⅲ级,Ⅳ级}。
本发明包括以下有益效果:将模糊综合评判运用到环境空气质量评价领域,该方法以模糊数学理论为基础,综合模糊变换理论和隶属度函数,充分考虑了各污染物之间的相互作用关系和众多因素相互动态作用的影响,评价结果更综合的反映不同时空下空气质量状况和各污染物对空气质量的影响程度,得到的结论更加符合实际情况;考虑到各因素对整个评价体系的贡献程度不同,本发明基于改进熵权法确定污染因子的权重,由于传统的熵权法在计算熵值时未考虑各指标熵值趋近于1的情况,本发明运用改进熵权法公式可以避免此类指标权重的成倍变化,且确定权重时仅依赖于数据本身的离散性,突出各评价因子的局部差异,通过分析指标间的离散程度以及指标所提供的信息量能够客观地确定指标权重,进而突出了在空气质量评价中主要污染物的重要性,充分考虑了不同污染物在不同限值下的差异性,从而在一定程度上避免了受专家主观因素的影响,可为制定有效的区域污染控制措施及评估污染控制措施成效提供理论依据。
附图说明
图1为本发明评价流程图。
图2为汾渭平原地区城市群的空气质量模糊关系矩阵。
图3为汾渭平原地区城市群的空气污染因子的权重集。
图4为汾渭平原地区城市群的空气质量评价结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明的具体实施方式作进一步详细说明。
步骤1:选取空气质量评价因子,构建污染因子评价因素集U;
参考《环境空气质量标准》(GB 3095-2012)与《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)的规定,选取的评价因子为:PM2.5、PM10、SO2、 NO2、CO、O3。其中,PM2.5、PM10、SO2和NO2四种污染物以月均浓度为标准, CO以日均值第95百分位数浓度为标准,O3以日最大8小时滑动平均值的第90 百分位数浓度为标准。因此,建立的污染因子评价因素集为:
U={PM2.5,PM10,SO2,NO2,CO-95per,O3-8H-90per}
步骤2:参考国家标准,将空气质量分为m个等级,构建评价标准集V;
为了更明确地表达区域污染程度,参考国家标准并结合区域大气实际污染情况,将两级标准拓展为四级标准,即Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级,它们分别代表环境空气质量状况中的优、良、轻度污染、重度污染。因此,建立的环境空气质量评价标准集为:
V={Ⅰ级,Ⅱ级,Ⅲ级,Ⅳ级}
环境空气质量等级标准及对应污染物的浓度限值参见《环境空气质量标准》 (GB3095-2012)。
步骤3:根据第i(1≤i≤n)个评价因子的实测值xi和第j(1≤j≤m)级标准值Sij,选取降半阶梯形隶属度函数建立共i个评价因子相对应的污染等级为j级的隶属度rij(0≤rij≤1),确定各评价因子与各级评价标准之间的模糊关系矩阵R=(rij);
其中,本发明选取的降半阶梯形隶属度函数公式如下:
当j=1时,即第Ⅰ级:
当j=2,3时,即第Ⅱ、Ⅲ级:
当j=4时,即第Ⅳ级:
步骤4:利用改进熵权法确定各评价因子权重,构建因子权重集ω;计算步骤如下:
1)将各个指标的数据进行标准化处理;
2)计算第j项指标下,第i个评价因子的所占比重;
式中,i=1,2,K,n;j=1,2,K,m;xij为模糊关系矩阵R中的元素。
3)计算第j项指标的熵值;
4)改进熵权法确定各指标权重;
式中,为所有熵值不为1的平均值。
由此得到权重矢量:ω=[ω1,ω2,ω3,ω4,ω5,ω6]。
步骤5:将上述步骤得到的模糊关系矩阵R和指标权重集ω选用加权平均算子进行矩阵复合运算,构建模糊综合评判矩阵B;
步骤6:根据最大隶属度原则,确定区域空气质量等级。
其中,隶属度最大值所对应的等级即为评价区域的空气质量等级。
为了验证本发明的效果,给出如下实验事例:
以中国环境监测总站(http://www.cnemc.cn/)发布的《全国城市空气质量报告》数据为依据,选取汾渭平原11个城市2019年1月、4月空气污染物的月均浓度监测值,经过统计汇总处理后,依照上文提出的评价系统对该区域空气质量状况进行模糊综合评价。其中,3月~5月为春季,12月~翌年2月为冬季。详细步骤如下:
1)选取PM2.5、PM10、SO2、NO2、CO、O3六项污染物作为评价因子,建立的汾渭平原城市群环境空气质量评价因素集为:
U={PM2.5,PM10,SO2,NO2,CO-95per,O3-8H-90per}
2)建立的汾渭平原城市群环境空气质量评价标准集为:
V={Ⅰ级,Ⅱ级,Ⅲ级,Ⅳ级}
3)根据步骤3中的隶属度函数公式,计算出各评价因子对各级标准的隶属度,构建2019年1月、4月汾渭平原地区城市群的空气质量模糊关系矩阵,具体结果见附图2;
4)根据步骤4中的改进熵权法权重系数计算公式,分别算得各评价因子的权重值,构建2019年1月、4月汾渭平原地区城市群的空气污染因子的权重集,具体结果见附图3;
5)将上述得到的模糊关系矩阵和指标权重集运用M(·,+)算子进行矩阵复合运算,得到模糊综合评判矩阵,具体结果见附图4;
6)依据最大隶属度原则可得结论:汾渭平原城市群各污染因子的权重存在较为显著的季节性差异,其中在春季O3污染位居首位,其次占比较高的污染物是PM2.5和PM10;在冬季,各城市PM10和PM2.5的权重明显高于其他三个季节且均为主要污染物,SO2在吕梁市、晋中市和临汾市冬季污染因子中所占权重也远高于其他城市。
根据空气质量综合评价结果可知,在春季汾渭平原所有城市空气质量均为Ⅱ级,空气质量状况较好;而在冬季,吕梁市、晋中市、咸阳市、宝鸡市、铜川市、渭南市这5个城市空气质量为Ⅲ级,其余6个城市空气质量均为Ⅳ级,属于重度污染,汾渭平原地区城市群总体空气质量较差,亟需改善。该评价结果与实际情况相符,本发明改进的熵权法可以使熵值趋于1的指标在计算权重时避免微小变化而引起的熵权的成倍数变化,能准确、客观的评价区域空气质量,步骤简洁,效果显著,可为促进污染源控制、实现区域空气质量快速有效改善提供科学依据。
附图1、2、3、4
汾渭平原地区城市群四季空气质量模糊关系矩阵
汾渭平原地区城市群四季各污染因子权重集
汾渭平原地区城市群空气质量评价结果
Claims (3)
1.一种基于改进熵权法的空气质量评价方法,其特征在于,包括以下几个步骤:
a选取空气质量评价因子,构建污染因子评价因素集U;
b参考国家标准,将空气质量分为m个等级,构建评价标准集V;
c根据第i(1≤i≤n)个评价因子的实测值xi和第j(1≤j≤m)级标准值Sij,选取降半阶梯形隶属度函数建立共i个评价因子相对应的污染等级为j级的隶属度rij(0≤rij≤1),确定各评价因子与各级评价标准之间的模糊关系矩阵R=(rij);
d利用改进熵权法确定各评价因子权重,构建因子权重集ω;
e将上述步骤得到的模糊关系矩阵R和指标权重集ω选用加权平均算子进行矩阵复合运算,构建模糊综合评判矩阵B;
f根据最大隶属度原则,确定区域空气质量等级;
所述的步骤c具体为:
c1、建立的降半阶梯形隶属度函数公式如下,其中i(1≤i≤n),j(1≤j≤m):
当j=1时,即各评判因子对第Ⅰ级的隶属度函数:
当j=2,3...m-1时,即第Ⅱ、Ⅲ、...、m-1级的隶属度函数:
当j=m时,即第m级隶属度函数:
由此得到模糊综合评价矩阵R=(rij);
所述的步骤d具体为:
d1、将各个指标的数据进行标准化处理;
d2、计算第j项指标下,第i个评价因子的所占比重;
式中,i=1,2,K,n;j=1,2,K,m;xij为模糊关系矩阵R中的元素;
d3、计算第j项指标的熵值;
d4、改进熵权法确定各指标权重;
所述步骤e具体为:
2.根据权利要求1所述的一种基于改进熵权法的空气质量评价方法,其特征在于:
所述的步骤a具体为:
参考《环境空气质量标准》(GB 3095-2012)与《环境空气质量指数(AQI)技术规定(试行)》(HJ 633-2012)的规定,选取的评价因子为:PM2.5、PM10、SO2、NO2、CO、O3,其中,PM2.5、PM10、SO2和NO2四种污染物以月均浓度为标准,CO以日均值第95百分位数浓度为标准,O3以日最大8小时滑动平均值的第90百分位数浓度为标准。因此,建立的污染因子评价因素集为:
U={PM2.5,PM10,SO2,NO2,CO-95per,O3-8H-90per}。
3.根据权利要求1所述的一种基于改进熵权法的空气质量评价方法,其特征在于:
所述的步骤b具体为:
为了更明确地表达区域污染程度,参考国家标准并结合区域大气实际污染情况,将两级标准拓展为四级标准,即Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级,它们分别代表环境空气质量状况中的优、良、轻度污染、重度污染,因此,建立的环境空气质量评价标准集为:
V={Ⅰ级,Ⅱ级,Ⅲ级,Ⅳ级} 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884694.2A CN110633449A (zh) | 2019-09-19 | 2019-09-19 | 一种基于改进熵权法的空气质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884694.2A CN110633449A (zh) | 2019-09-19 | 2019-09-19 | 一种基于改进熵权法的空气质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633449A true CN110633449A (zh) | 2019-12-31 |
Family
ID=68971657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910884694.2A Withdrawn CN110633449A (zh) | 2019-09-19 | 2019-09-19 | 一种基于改进熵权法的空气质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633449A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314882A (zh) * | 2020-02-20 | 2020-06-19 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111563645A (zh) * | 2020-03-23 | 2020-08-21 | 成都信息工程大学 | 健康舒适度信息检测方法、系统、存储介质、智能终端 |
CN111626624A (zh) * | 2020-05-29 | 2020-09-04 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
CN111751498A (zh) * | 2020-07-03 | 2020-10-09 | 天津理工大学 | 一种基于移动平台的有毒环境中毒气分布检测系统及方法 |
CN112183950A (zh) * | 2020-09-08 | 2021-01-05 | 西安建筑科技大学 | 一种空气质量评价模型、模型构建方法及其应用 |
CN112926223A (zh) * | 2021-03-30 | 2021-06-08 | 南京信息工程大学 | 一种人工影响天气的作业效果评估方法 |
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115267070A (zh) * | 2022-07-25 | 2022-11-01 | 济源职业技术学院 | 基于单片机的室内空气质量在线监测系统 |
CN117829675A (zh) * | 2024-01-05 | 2024-04-05 | 聊城市茌平区环境监控中心 | 一种基于大数据分析的环境与评级系统 |
-
2019
- 2019-09-19 CN CN201910884694.2A patent/CN110633449A/zh not_active Withdrawn
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314882B (zh) * | 2020-02-20 | 2021-10-15 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111314882A (zh) * | 2020-02-20 | 2020-06-19 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111563645A (zh) * | 2020-03-23 | 2020-08-21 | 成都信息工程大学 | 健康舒适度信息检测方法、系统、存储介质、智能终端 |
CN111626624A (zh) * | 2020-05-29 | 2020-09-04 | 四川省环境政策研究与规划院 | 一种空气质量改善评价方法 |
CN111751498A (zh) * | 2020-07-03 | 2020-10-09 | 天津理工大学 | 一种基于移动平台的有毒环境中毒气分布检测系统及方法 |
CN112183950A (zh) * | 2020-09-08 | 2021-01-05 | 西安建筑科技大学 | 一种空气质量评价模型、模型构建方法及其应用 |
CN112183950B (zh) * | 2020-09-08 | 2023-09-26 | 西安建筑科技大学 | 一种空气质量评价模型、模型构建方法及其应用 |
CN112926223A (zh) * | 2021-03-30 | 2021-06-08 | 南京信息工程大学 | 一种人工影响天气的作业效果评估方法 |
CN115018348A (zh) * | 2022-06-20 | 2022-09-06 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115018348B (zh) * | 2022-06-20 | 2023-01-17 | 北京北投生态环境有限公司 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
CN115267070A (zh) * | 2022-07-25 | 2022-11-01 | 济源职业技术学院 | 基于单片机的室内空气质量在线监测系统 |
CN115267070B (zh) * | 2022-07-25 | 2024-04-30 | 济源职业技术学院 | 基于单片机的室内空气质量在线监测系统 |
CN117829675A (zh) * | 2024-01-05 | 2024-04-05 | 聊城市茌平区环境监控中心 | 一种基于大数据分析的环境与评级系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633449A (zh) | 一种基于改进熵权法的空气质量评价方法 | |
CN112580864B (zh) | 结合多元数据应用价值提升的村镇生活垃圾产量预测系统 | |
CN107679676A (zh) | 一种基于数值模拟的城市低影响开发优化配置方法 | |
CN112016175A (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN110619419B (zh) | 城市轨道交通的客流预测方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN109272179A (zh) | 一种太阳能发电投资效益综合评价系统实现方法 | |
CN111539657B (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN115496301A (zh) | 一种面向国土空间规划的土地利用与交通协同评价方法 | |
CN117314266B (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
CN113392877B (zh) | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 | |
CN114970956A (zh) | 一种基于ols和qoic人口关联分析及预测方法 | |
CN112417286A (zh) | 区域性文化产业集聚的影响因素分析方法和系统 | |
CN112884013A (zh) | 基于数据挖掘技术的能耗分区方法 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN116416090A (zh) | 火电行业碳排放效率的空间关联网络特征获取方法及系统 | |
CN112712213B (zh) | 一种集中空调住宅深度迁移学习能耗预测方法及系统 | |
CN112765549B (zh) | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 | |
CN115049136A (zh) | 一种变压器负荷预测方法 | |
CN113469440B (zh) | 一种预测月尺度生活需水量的方法 | |
CN115392387A (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN114612800A (zh) | 一种核算城市群建筑物质存量及时空变化的方法、系统 | |
CN114187471A (zh) | 一种基于Canopy+FCM聚类的设备故障率模糊分类方法 | |
CN112052430A (zh) | 一种基于改进topsis的光伏场站相关性综合评估系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191231 |
|
WW01 | Invention patent application withdrawn after publication |