CN110793896B - 一种尾气中粉尘浓度短期预测方法 - Google Patents
一种尾气中粉尘浓度短期预测方法 Download PDFInfo
- Publication number
- CN110793896B CN110793896B CN201911220733.5A CN201911220733A CN110793896B CN 110793896 B CN110793896 B CN 110793896B CN 201911220733 A CN201911220733 A CN 201911220733A CN 110793896 B CN110793896 B CN 110793896B
- Authority
- CN
- China
- Prior art keywords
- prediction
- dust concentration
- data
- model
- exponential smoothing
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Abstract
本发明涉及空气质量监测技术领域,公开了一种尾气中粉尘浓度短期预测方法,包括以下步骤:(1)在第一次进行粉尘浓度预测前,首先在线采集一定量的粉尘浓度数据,用于计算粉尘浓度动态预测模型的模型融合参数以及用于建立粉尘浓度动态预测模型。(2)在得到模型融合参数后,建立粉尘浓度动态预测模型,并对后续时刻的粉尘浓度进行预测,根据预测值分析粉尘浓度的变化趋势。(3)在采集到预测时刻的粉尘浓度测量值后,将预测值与测量值进行对比,若预测误差超过阈值,则根据最新得到的数据重新计算模型融合参数,根据重新计算后的模型融合参数建立新的粉尘浓度动态预测模型用于粉尘浓度的下一次预测。
Description
技术领域
本发明涉及空气质量监测技术领域,具体为一种尾气中粉尘浓度短期预测方法。
背景技术
随着我国工业化和城镇化进程的不断推进,环境问题逐渐显现。空气质量成为人们关心的重要问题,近年来我国频繁出现雾霾天气,造成极大不良影响。企业生产过程中排放尾气的粉尘颗粒,是雾霾的主要来源之一。目前,缺乏有效的粉尘浓度测量和变化趋势分析手段,给尾气粉尘排放的主动控制带来了严重困难。
现有的尾气粉尘浓度监测系统大多是单一的测量仪器,测量结果通过显示面板读取或者存储在本地,即只能结合测量装置测量实际情况简单写一下监测到的现状。缺乏对粉尘浓度变化趋势的分析和预测,因此难以有效的对尾气中的粉尘浓度进行主动控制。为了实现对生产过程中尾气粉尘浓度的主动控制,需要对粉尘浓度短期内的变化情况进行预测,并根据粉尘浓度的变化趋势对生产过程进行主动调节。工业生产过程中尾气的粉尘浓度受生产工艺参数、尾气流速、温度、压力、等多方面因素影响,难以根据其他因素建立尾气粉尘浓度变化趋势的预测模型。因此,只能根据先前获得的粉尘浓度数据对粉尘浓度对的变化趋势进行预测。此外,实际工业生产过程中,粉尘浓度存在明显的波动,从大时间尺度上来看变化剧烈,只有在较短时间内才呈现一定的变化规律。因此,常用的基于概率统计或机器学习的时间序列预测方法难以满足尾气中粉尘浓度的预测需求。指数平滑和灰色理论是常用的两种小样本时间序列预测方法,但这两种方法得到的预测模型形式较为固定,难以适应尾气中粉尘浓度的剧烈变化,无法直接应用于尾气粉尘浓度的预测。
发明内容
本发明的目的在于提供一种尾气中粉尘浓度短期预测方法,解决了现有技术中不能对尾气中粉尘浓度短期预测的问题。
灰色理论是一门研究信息部分清楚、部分不清楚并带有不确定性现象的应用数学学科。
指数平滑法(Exponential Smoothing,ES)是布朗(Robert G..Brown)所提出,布朗认为时间序列的态势具有稳定性或规则性,所以时间序列可被合理地顺势推延;他认为最近的过去态势,在某种程度上会持续到未来,所以将较大的权数放在最近的资料。是生产预测中常用的一种方法。也用于中短期经济发展趋势预测。
为实现上述目的,本发明提供如下技术方案:一种尾气中粉尘浓度短期预测方法,包括以下步骤:
(1)在第一次进行粉尘浓度预测前,首先在线采集一定量的粉尘浓度数据,用于计算粉尘浓度动态预测模型的模型融合参数以及用于建立粉尘浓度动态预测模型。
(2)在得到模型融合参数后,建立粉尘浓度动态预测模型,并对后续时刻的粉尘浓度进行预测,根据预测值分析粉尘浓度的变化趋势。
(3)在采集到预测时刻的粉尘浓度测量值后,将预测值与测量值进行对比,若预测误差超过阈值,则根据最新得到的数据重新计算模型融合参数,根据重新计算后的模型融合参数建立新的粉尘浓度动态预测模型用于粉尘浓度的下一次预测。
优选的,所述粉尘浓度动态预测模型的模型融合参数计算过程为:
(1)准备建模数据:读入最新采集到的L1个粉尘浓度测量值,记为X0={x(1),x(2),…,x(L1)},其中,x1为采集到的第一个粉尘浓度测量值,L1为预设的建立粉尘浓度预测模型需要的数据量;
(2)获取指数平滑预测结果:对于读入的L1个粉尘浓度数据,首先利用第1~L2个数据建立指数平滑预测模型,对第L2+1个数据进行预测,并记预测结果为e(L2+1),L2是预设的建立指数平滑模型需要的数据量且L2<L1;接下来,利用第2~L2+1个数据,对第L2+2个数据进行预测;以此类推,直至完成对第L1个数据的预测,并记录所有预测结果;
(3)获取灰色理论预测结果:对于读入的L1个粉尘浓度数据,首先利用第1~L2个数据建立GM(1,1)灰色预测模型,对第L2+1个数据进行预测,并记预测结果为g(L2+1);接下来,利用第2~L2+1个数据,对第L2+2个数据进行预测;以此类推,直至完成对第L1个数据的预测,并记录所有预测结果;
(4)求解模型融合参数:记对于第L2+1~L1个粉尘浓度数据的测量值矩阵X1以及对应的指数平滑预测矩阵E和灰色理论预测矩阵G分别如下
记预测矩阵为D=[E,G],模型融合参数矩阵为P=[α,β]T,则由最小二乘法可求得模型融合参数为
优选的,所述粉尘浓度动态预测模型的建立过程为:
(1)准备建模数据:记当前最新采集到的粉尘浓度数据为x(t),读入最新采集到的L2个粉尘浓度数据X={x(t-L2+1),x(t-L2+2),…,x(t-1),x(t)};
(2)建立指数平滑预测模型:利用读入的L2个粉尘浓度数据建立指数平滑预测模型,对第t+1个粉尘浓度数据进行预测,得到指数平滑预测结果e(t+1);
(3)建立灰色理论预测模型:利用读入的L2个粉尘浓度数据建立GM(1,1)灰色预测模型,对第t+1个粉尘浓度数据进行预测,得到灰色理论预测结果g(t+1);
(4)建立粉尘浓度动态预测模型:根据之前所述的指数平滑预测结果e(t+1)、灰色理论预测结果g(t+1)和模型融合参数α,β,建立粉尘浓度动态预测模型
优选的,所述指数平滑模型的建立过程为:
(1)准备建模数据:若此次共得到了n个数据用于指数平滑建模,将建模数据记为Xn={x(1),x(2),…,x(n-1),x(n)};
(2)进行一次指数平滑预测:按照下式递推计算建模数据的一次指数平滑预测结果:
s1(n)=λx(n)+(1-λ)s1(n-1)
式中,s1(n)是对Xn的一次指数平滑预测,λ是加权系数;
一般取s1(1)=x(1),则对x(n)下一时刻的数据进行一次指数平滑预测的结果为
(3)进行二次指数平滑预测:在得到一次指数平滑预测结果后,按照下式递推计算二次指数平滑预测结果:
s2(n)=λs1(n)+(1-λ)s2(n-1)
式中,s2(n)是对Xn的二次指数平滑预测,一般取s2(1)=x(1);
(4)进行三次指数平滑预测:在得到二次指数平滑预测结果后,按照下式递推计算三次指数平滑预测结果:
s3(n)=λs2(n)+(1-λ)s3(n-1)
式中,s3(n)是对Xn的三次指数平滑预测,一般取s3(1)=x(1);此处取三次指数平滑结果作为对x(n)下一时刻数据的指数平滑预测结果,即e(n+1)=s3(n)。
优选的,所述灰色理论预测模型的建立过程为:
(1)准备建模数据:若此次共得到了n个数据用于灰色预测建模,将建模数据记为Xn={x(1),x(2),...,x(n-1),x(n)};
(2)对粉尘浓度数据进行一阶累加生成:计算粉尘浓度数据的一阶累加生成序列如下:
(3)对粉尘浓度数据进行紧邻均值生成:计算粉尘浓度数据的紧邻均值生成序列如下:
Z(1)={z(1)(2),z(1)(3),...,z(1)(n)}
(4)计算GM(1,1)模型参数:按如下公式计算GM(1,1)模型的参数a,b:
[a,b]T=(BTB)-1BTY
(5)计算灰色理论模型预测结果:对x(n)下一时刻数据的灰色理论模型预测结果为
附图说明
图1为本发明预测算法工作流程示意图;
图2为本发明模型融合参数计算流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明提供了一种尾气中粉尘浓度短期预测方法,主要思路为:工厂尾气中的粉尘浓度受生产工艺参数、尾气流速、温度、压力、等多方面因素影响,难以根据其他因素建立尾气粉尘浓度变化趋势的预测模型。因此,只能根据先前获得的粉尘浓度数据对粉尘浓度对的变化趋势进行预测。
实际工业生产过程中,粉尘浓度变化剧烈,只有在较短时间内才呈现一定的变化规律。因此,常用的基于概率统计(如ARIMA模型)或机器学习(如神经网络)的预测方法难以满足尾气中粉尘浓度的预测需求。
指数平滑和灰色理论是常用的两种小样本时间序列预测方法,但这两种方法得到的预测模型形式较为固定,难以适应尾气中粉尘浓度的剧烈变化,将这两种方法直接应用于尾气粉尘浓度的预测时效果较差。
指数平滑和灰色理论这两种方法得到的预测结果有各自的特征,考虑到尾气粉尘浓度预测的实际需求,我们设计了一组模型融合参数,将这两种模型得到的结果进行融合,得到更好的预测结果(通过最小二乘拟合来保证融合后的结果不比单独的预测结果差)。当预测结果不能满足实际需求时,我们利用最近的数据,通过最小二乘法计算新的模型融合参数,对预测模型进行动态调整。
请参阅图1-2,本发明提供了一种尾气中粉尘浓度短期预测方法,包括以下步骤:
(1)在第一次进行粉尘浓度预测前,首先在线采集一定量的粉尘浓度数据,用于计算粉尘浓度动态预测模型的模型融合参数以及用于建立粉尘浓度动态预测模型。
(2)在得到模型融合参数后,建立粉尘浓度动态预测模型,并对后续时刻的粉尘浓度进行预测,根据预测值分析粉尘浓度的变化趋势。
(3)在采集到预测时刻的粉尘浓度测量值后,将预测值与测量值进行对比,若预测误差超过阈值,则根据最新得到的数据重新计算模型融合参数,根据重新计算后的模型融合参数建立新的粉尘浓度动态预测模型用于粉尘浓度的下一次预测。
优选的,所述粉尘浓度动态预测模型的模型融合参数计算过程为:
(1)准备建模数据:读入最新采集到的L1个粉尘浓度测量值,记为X0={x(1),x(2),…,x(L1)},其中,x1为采集到的第一个粉尘浓度测量值,L1为预设的建立粉尘浓度预测模型需要的数据量;
(2)获取指数平滑预测结果:对于读入的L1个粉尘浓度数据,首先利用第1~L2个数据建立指数平滑预测模型,对第L2+1个数据进行预测,并记预测结果为e(L2+1),L2是预设的建立指数平滑模型需要的数据量且L2<L1;接下来,利用第2~L2+1个数据,对第L2+2个数据进行预测;以此类推,直至完成对第L1个数据的预测,并记录所有预测结果;
(3)获取灰色理论预测结果:对于读入的L1个粉尘浓度数据,首先利用第1~L2个数据建立GM(1,1)灰色预测模型,对第L2+1个数据进行预测,并记预测结果为g(L2+1);接下来,利用第2~L2+1个数据,对第L2+2个数据进行预测;以此类推,直至完成对第L1个数据的预测,并记录所有预测结果;
(4)求解模型融合参数:记对于第L2+1~L1个粉尘浓度数据的测量值矩阵X1以及对应的指数平滑预测矩阵E和灰色理论预测矩阵G分别如下
记预测矩阵为D=[E,G],模型融合参数矩阵为P=[α,β]T,则由最小二乘法可求得模型融合参数为
优选的,所述粉尘浓度动态预测模型的建立过程为:
(1)准备建模数据:记当前最新采集到的粉尘浓度数据为x(t),读入最新采集到的L2个粉尘浓度数据X={x(t-L2+1),x(t-L2+2),…,x(t-1),x(t)};
(2)建立指数平滑预测模型:利用读入的L2个粉尘浓度数据建立指数平滑预测模型,对第t+1个粉尘浓度数据进行预测,得到指数平滑预测结果e(t+1);
(3)建立灰色理论预测模型:利用读入的L2个粉尘浓度数据建立GM(1,1)灰色预测模型,对第t+1个粉尘浓度数据进行预测,得到灰色理论预测结果g(t+1);
(4)建立粉尘浓度动态预测模型:根据之前所述的指数平滑预测结果e(t+1)、灰色理论预测结果g(t+1)和模型融合参数α,β,建立粉尘浓度动态预测模型
优选的,所述指数平滑模型的建立过程为:
(1)准备建模数据:若此次共得到了n个数据用于指数平滑建模,将建模数据记为Xn={x(1),x(2),…,x(n-1),x(n)};
(2)进行一次指数平滑预测:按照下式递推计算建模数据的一次指数平滑预测结果:
s1(n)=λx(n)+(1-λ)s1(n-1)
式中,s1(n)是对Xn的一次指数平滑预测,λ是加权系数;
一般取s1(1)=x(1),则对x(n)下一时刻的数据进行一次指数平滑预测的结果为
(3)进行二次指数平滑预测:在得到一次指数平滑预测结果后,按照下式递推计算二次指数平滑预测结果:
s2(n)=λs1(n)+(1-λ)s2(n-1)
式中,s2(n)是对Xn的二次指数平滑预测,一般取s2(1)=x(1);
(4)进行三次指数平滑预测:在得到二次指数平滑预测结果后,按照下式递推计算三次指数平滑预测结果:
s3(n)=λs2(n)+(1-λ)s3(n-1)
式中,s3(n)是对Xn的三次指数平滑预测,一般取s3(1)=x(1);此处取三次指数平滑结果作为对x(n)下一时刻数据的指数平滑预测结果,即e(n+1)=s3(n)。
优选的,所述灰色理论预测模型的建立过程为:
(1)准备建模数据:若此次共得到了n个数据用于灰色预测建模,将建模数据记为Xn={x(1),x(2),…,x(n-1),x(n)};
(2)对粉尘浓度数据进行一阶累加生成:计算粉尘浓度数据的一阶累加生成序列如下:
(3)对粉尘浓度数据进行紧邻均值生成:计算粉尘浓度数据的紧邻均值生成序列如下:
Z(1)={z(1)(2),z(1)(3),…,z(1)(n)}
(4)计算GM(1,1)模型参数:按如下公式计算GM(1,1)模型的参数a,b:
[a,b]T=(BTB)-1BTY
(5)计算灰色理论模型预测结果:对x(n)下一时刻数据的灰色理论模型预测结果为
与现有技术相比,本发明的有益效果如下:
本发明提出基于排放尾气粉尘浓度检测方数据和基于指数平滑与灰色理论模型动态融合的粉尘浓度短期预测方法,通过将指数平滑与灰色理论模型进行动态融合来进行尾气粉尘浓度的短期预测,克服现有方法中无法对短期内的粉尘浓度变化规律进行在线建模或预测模型形式过于固定等问题,提高对尾气中粉尘浓度的短期预测精度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种尾气中粉尘浓度短期预测方法,其特征在于,包括以下步骤:
(1)在第一次进行粉尘浓度预测前,首先在线采集一定量的粉尘浓度数据,用于计算粉尘浓度动态预测模型的模型融合参数以及用于建立粉尘浓度动态预测模型;所述粉尘浓度动态预测模型的模型融合参数计算过程为:
a准备建模数据:读入最新采集到的L1个粉尘浓度测量值,记为X0={x(1),x(2),...,x(L1)},其中,x1为采集到的第一个粉尘浓度测量值,L1为预设的建立粉尘浓度预测模型需要的数据量;
b获取指数平滑预测结果:对于读入的L1个粉尘浓度数据,首先利用第1~L2个数据建立指数平滑预测模型,对第L2+1个数据进行预测,并记预测结果为e(L2+1),L2是预设的建立指数平滑预测模型需要的数据量且L2<L1;接下来,利用第2~L2+1个数据,对第L2+2个数据进行预测;以此类推,直至完成对第L1个数据的预测,并记录所有预测结果;
c获取灰色理论预测结果:对于读入的L1个粉尘浓度数据,首先利用第1~L2个数据建立GM(1,1)灰色理论预测模型,对第L2+1个数据进行预测,并记预测结果为g(L2+1);接下来,利用第2~L2+1个数据,对第L2+2个数据进行预测;以此类推,直至完成对第L1个数据的预测,并记录所有预测结果;
d求解模型融合参数:记对于第L2+1~L1个粉尘浓度数据的测量值矩阵X1以及对应的指数平滑预测矩阵E和灰色理论预测矩阵G分别如下
记预测矩阵为D=[E,G],模型融合参数矩阵为P=[α,β]Τ,则由最小二乘法可求得模型融合参数为
(2)在得到模型融合参数后,建立粉尘浓度动态预测模型,并对后续时刻的粉尘浓度进行预测,根据预测值分析粉尘浓度的变化趋势;
(3)在采集到预测时刻的粉尘浓度测量值后,将预测值与测量值进行对比,若预测误差超过阈值,则根据最新得到的数据重新计算模型融合参数,根据重新计算后的模型融合参数建立新的粉尘浓度动态预测模型用于粉尘浓度的下一次预测。
2.根据权利要求1所述的一种尾气中粉尘浓度短期预测方法,其特征在于:所述粉尘浓度动态预测模型的建立过程为:
(1)准备建模数据:记当前最新采集到的粉尘浓度数据为x(t),读入最新采集到的L2个粉尘浓度数据X={x(t-L2+1),x(t-L2+2),...,x(t-1),x(t)};
(2)建立指数平滑预测模型:利用读入的L2个粉尘浓度数据建立指数平滑预测模型,对第t+1个粉尘浓度数据进行预测,得到指数平滑预测结果e(t+1);
(3)建立灰色理论预测模型:利用读入的L2个粉尘浓度数据建立GM(1,1)灰色理论预测模型,对第t+1个粉尘浓度数据进行预测,得到灰色理论预测结果g(t+1);
(4)建立粉尘浓度动态预测模型:根据之前所述的指数平滑预测结果e(t+1)、灰色理论预测结果g(t+1)和模型融合参数α,β,建立粉尘浓度动态预测模型
3.根据权利要求1或2所述的一种尾气中粉尘浓度短期预测方法,其特征在于:所述指数平滑预测模型的建立过程为:
(1)准备建模数据:若此次共得到了n个数据用于指数平滑预测建模,将建模数据记为Xn={x(1),x(2),…,x(n-1),x(n)};
(2)进行一次指数平滑预测:按照下式递推计算建模数据的一次指数平滑预测结果:
s1(n)=λx(n)+(1-λ)s1(n-1)
式中,s1(n)是对Xn的一次指数平滑预测,λ是加权系数;
一般取s1(1)=x(1),则对x(n)下一时刻的数据进行一次指数平滑预测的结果为
(3)进行二次指数平滑预测:在得到一次指数平滑预测结果后,按照下式递推计算二次指数平滑预测结果:
s2(n)=λs1(n)+(1-λ)s2(n-1)
式中,s2(n)是对Xn的二次指数平滑预测,一般取s2(1)=x(1);
(4)进行三次指数平滑预测:在得到二次指数平滑预测结果后,按照下式递推计算三次指数平滑预测结果:
s3(n)=λs2(n)+(1-λ)s3(n-1)
式中,s3(n)是对Xn的三次指数平滑预测,一般取s3(1)=x(1);此处取三次指数平滑预测结果作为对x(n)下一时刻数据的指数平滑预测结果,即e(n+1)=s3(n)。
4.根据权利要求2所述的一种尾气中粉尘浓度短期预测方法,其特征在于:所述灰色理论预测模型的建立过程为:
(1)准备建模数据:若此次共得到了n个数据用于灰色理论预测建模,将建模数据记为Xn={x(1),x(2),…,x(n-1),x(n)};
(2)对粉尘浓度数据进行一阶累加生成:计算粉尘浓度数据的一阶累加生成序列如下:
(3)对粉尘浓度数据进行紧邻均值生成:计算粉尘浓度数据的紧邻均值生成序列如下:
Z(1)={z(1)(2),z(1)(3),...,z(1)(n)}
(4)计算GM(1,1)灰色理论预测模型参数:按如下公式计算GM(1,1)灰色理论预测模型的参数a,b:
[a,b]Τ=(BΤB)-1BΤY
(5)计算灰色理论预测模型预测结果:对x(n)下一时刻数据的灰色理论预测模型预测结果为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220733.5A CN110793896B (zh) | 2019-12-03 | 2019-12-03 | 一种尾气中粉尘浓度短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911220733.5A CN110793896B (zh) | 2019-12-03 | 2019-12-03 | 一种尾气中粉尘浓度短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110793896A CN110793896A (zh) | 2020-02-14 |
CN110793896B true CN110793896B (zh) | 2022-04-08 |
Family
ID=69447205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911220733.5A Active CN110793896B (zh) | 2019-12-03 | 2019-12-03 | 一种尾气中粉尘浓度短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110793896B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376331A (zh) * | 2021-08-16 | 2021-09-10 | 广东科凯达智能机器人有限公司 | 一种气体检测机器人系统和预警方法 |
CN115146526B (zh) * | 2022-04-22 | 2023-06-06 | 中煤科工集团重庆研究院有限公司 | 一种非平稳过程粉尘浓度预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1566993A (zh) * | 2003-06-13 | 2005-01-19 | 三菱重工业株式会社 | 扩散物质的扩散状况预测方法及扩散状况预测系统 |
CN105654197A (zh) * | 2015-12-29 | 2016-06-08 | 国家电网公司 | 一种基于灰色理论的综合计划投入总盘预测方法 |
CN106404620A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108629450A (zh) * | 2018-04-26 | 2018-10-09 | 东南大学 | 一种液化天然气公交车尾气排放预测方法 |
CN108775921A (zh) * | 2018-06-11 | 2018-11-09 | 深圳汇通智能化科技有限公司 | 工业烟气在线连续监测装置 |
CN109615082A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
-
2019
- 2019-12-03 CN CN201911220733.5A patent/CN110793896B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1566993A (zh) * | 2003-06-13 | 2005-01-19 | 三菱重工业株式会社 | 扩散物质的扩散状况预测方法及扩散状况预测系统 |
CN106404620A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 地统计插值与卫星遥感联合反演地面pm2.5的方法及系统 |
CN105654197A (zh) * | 2015-12-29 | 2016-06-08 | 国家电网公司 | 一种基于灰色理论的综合计划投入总盘预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108629450A (zh) * | 2018-04-26 | 2018-10-09 | 东南大学 | 一种液化天然气公交车尾气排放预测方法 |
CN108775921A (zh) * | 2018-06-11 | 2018-11-09 | 深圳汇通智能化科技有限公司 | 工业烟气在线连续监测装置 |
CN109615082A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
CN109978228A (zh) * | 2019-01-31 | 2019-07-05 | 中南大学 | 一种pm2.5浓度预测方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
考虑车辆尾气污染暴露的系统网络优化模型;谭宇 等;《交通运输系统工程与信息》;20181231;第18卷(第6期);第133-139页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110793896A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615226B (zh) | 一种运营指标异常监测方法 | |
Zhang et al. | A feature selection and multi-model fusion-based approach of predicting air quality | |
CN111144286A (zh) | 一种融合emd和lstm的城市pm2.5浓度预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110727665B (zh) | 物联网设备上报数据质量分析方法及系统 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN110793896B (zh) | 一种尾气中粉尘浓度短期预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111832222A (zh) | 一种污染物浓度的预测模型训练方法、预测方法及装置 | |
CN110706823A (zh) | 一种基于滞后分析和lstm的呼吸系统疾病发病人数预测方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN114036736A (zh) | 一种基于局部格兰杰因果分析的因果网络学习方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114444561A (zh) | 基于CNNs-GRU融合深度学习模型的PM2.5预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN107742131A (zh) | 金融资产分类方法和装置 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN113961818B (zh) | 一种基于长短期兴趣与社会影响力的群体需求预测方法 | |
CN114881506A (zh) | 一种基于室温和iba-lstm的供热需求负荷评估方法及系统 | |
CN111626465B (zh) | 一种新能源功率短期区间预测方法及系统 | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
CN112819244A (zh) | 一种基于气象因子的rf-hw水质指标混合预测方法 | |
Hu et al. | The early warning model of dust concentration in smart construction sites based on long short term memory network |
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 |