CN111144625A - 基于邻近空间数据主成分要素的空气质量预测方法和系统 - Google Patents

基于邻近空间数据主成分要素的空气质量预测方法和系统 Download PDF

Info

Publication number
CN111144625A
CN111144625A CN201911260912.1A CN201911260912A CN111144625A CN 111144625 A CN111144625 A CN 111144625A CN 201911260912 A CN201911260912 A CN 201911260912A CN 111144625 A CN111144625 A CN 111144625A
Authority
CN
China
Prior art keywords
data
predicted
monitoring data
air quality
area
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
Application number
CN201911260912.1A
Other languages
English (en)
Inventor
王璐璐
华思洋
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.)
Beijing Frogming Information Technology Development Co Ltd
Original Assignee
Beijing Frogming Information Technology Development 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 Beijing Frogming Information Technology Development Co Ltd filed Critical Beijing Frogming Information Technology Development Co Ltd
Priority to CN201911260912.1A priority Critical patent/CN111144625A/zh
Publication of CN111144625A publication Critical patent/CN111144625A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于邻近空间数据主成分要素的空气质量预测方法和系统，首先获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与所述待预测区域的当前空气质量数据之间映射关系的合理性和准确性，再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。

Description

基于邻近空间数据主成分要素的空气质量预测方法和系统
技术领域
本发明涉及空气质量预测技术领域，尤其涉及一种基于邻近空间数据主成分要素的空气质量预测方法和系统。
背景技术
近年来，随着人们对生活环境关注程度的不断提升，空气质量预报已经成为和天气预报一样重要程度的生活出行指南，同时精确的空气质量预报信息可以指导有关部门合理应对可能出现的极端天气情况，避免严重的经济损失和恶劣的社会影响发生的情况。
具体地，空气质量预测与天气预测需要考虑的因素不尽相同，简单来说，天气预测需要从跨区域、跨国别这样的大尺度范围来评估天气的变化情况，局部的区域属性对于天气变化情况产生的影响程度很小。但空气质量预测不需要做跨国别、甚至是跨省份这样尺度的信息分析，相对应的，待预测区域的空气质量变化更加能够反映待预测区域的空气质量的变化趋势，具有合理性。
因此，如何通过相邻区域来精确地对待预测区域的空气质量进行预测是亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供了一种基于邻近空间数据主成分要素的空气质量预测方法和系统。
本发明的一种基于邻近空间数据主成分要素的空气质量预测方法的技术方案如下：
包括如下步骤：
S1、预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据；
S2、将所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；
S3、将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；
所述监测数据至少包括所述当前空气质量数据。
本发明的一种基于邻近空间数据主成分要素的空气质量预测方法的有益效果如下：
首先获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与所述待预测区域的当前空气质量数据之间映射关系的合理性和准确性，再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。
在上述方案的基础上，本发明的一种基于邻近空间数据主成分要素的空气质量预测方法还可以做如下改进。
进一步，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。
采用上述进一步方案的有益效果是：通过具有多个种类的监测数据，提高所构建出的映射关系的准确性。
进一步，S2具体包括如下步骤：
S20、将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；
S21、根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。
采用上述进一步方案的有益效果是：给出了具体通过多层感知神经网络结构进行模型训练后得到映射关系的过程。
进一步，S20中还包括如下步骤：利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练；
S3中还包括如下步骤：利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。
采用上述进一步方案的有益效果是：一方面，利用主成分分析方法对总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，缩短模型训练的时间，能快速地构建出映射关系；另一方面，利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，减小计算量，能快速预测出待预测区域在未来第一预设时间内的空气质量数据。
进一步，所述多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。
采用上述进一步方案的有益效果是：一方面，在多层感知神经网络结构使用三层隐含层，可降低误差；另一方面，设置三层隐含层中的隐藏节点分别为20个、10个和5个，可避免出现“过拟合”，且可满足精度要求。
本发明的一种基于邻近空间数据主成分要素的空气质量预测系统的技术方案如下：
包括构建模块和预测模块；所述构建模块用于预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据，将用于所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；
所述预测模块用于将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；所述监测数据至少包括所述当前空气质量数据。
本发明的一种基于邻近空间数据主成分要素的空气质量预测系统的有益效果如下：
首先构建模块获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与所述待预测区域的当前空气质量数据之间映射关系的合理性和准确性，预测模块再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。
在上述方案的基础上，本发明的一种基于邻近空间数据主成分要素的空气质量预测系统还可以做如下改进。
进一步，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。
采用上述进一步方案的有益效果是：通过具有多个种类的监测数据，提高所构建出的映射关系的准确性。
进一步，还包括：还包括：所述构建模块将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；且所述根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。
采用上述进一步方案的有益效果是：给出了具体通过多层感知神经网络结构进行模型训练后得到映射关系的过程。
进一步，还包括预处理模块，所述预处理模块利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练，所述预处理模块还利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。
采用上述进一步方案的有益效果是：一方面，预处理模块利用主成分分析方法对总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，缩短模型训练的时间，能快速地构建出映射关系；另一方面，预处理模块利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，减小计算量，能快速预测出待预测区域在未来第一预设时间内的空气质量数据。
进一步，所述多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20各、10个和5个，并采用反向梯度传播算法进行模型训练。
采用上述进一步方案的有益效果是：一方面，在多层感知神经网络结构使用三层隐含层，可降低误差；另一方面，设置三层隐含层中的隐藏节点分别为20个、10个和5个，可避免出现“过拟合”，且可满足精度要求。
附图说明
图1为本发明实施例的一种基于邻近空间数据主成分要素的空气质量预测方法的流程示意图；
图2为本发明实施例的一种基于邻近空间数据主成分要素的空气质量预测方法中通过映射关系进行预测的示意图；
图3为本发明实施例的一种基于邻近空间数据主成分要素的空气质量预测系统的结构示意图；
具体实施方式
如图1所示，本发明实施例的一种基于邻近空间数据主成分要素的空气质量预测方法，包括如下步骤：
S1、预选待预测区域，并在待预测区域的预设距离范围内获取相邻区域，并获取各相邻区域的监测数据，记为总监测数据；
S2、将待预测区域的监测数据与总监测数据通过多层感知神经网络结构进行模型训练后，构建出总监测数据与待预测区域的当前空气质量数据之间的映射关系；
S3、将待预测区域的监测数据和总监测数据通过映射关系预测出待预测区域在未来第一预设时间内的空气质量数据；
监测数据至少包括当前空气质量数据。
首先获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与待预测区域的当前空气质量数据之间映射关系的合理性和准确性，再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。
其中，待预测区域包括样本区域，第一预设时间可为1小时、6小时、12小时、24小时、48小时等，预设距离可为100千米、200千米等，在以待预测区域为中心的预设距离如200千米内可存在数量为10个、20个、30个、35个、40个相邻区域，各相邻区域内可通过监测站点来回传监测数据。
较优地，在上述技术方案中，监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。
通过具有多个种类的监测数据，提高所构建出的映射关系的准确性，其中，第二预设时间可为6小时、12小时等，气象数据包括风力、风速、风向、降雨量、湿度等参数。
较优地，在上述技术方案中，S2具体包括如下步骤：
S20、将总监测数据输入多层感知神经网络结构，预测出待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；
S21、根据当前空气数据预测值与待预测区域的当前空气质量数据进行模型训练，构建出映射关系。
给出了具体通过多层感知神经网络结构进行模型训练后得到映射关系的过程。
较优地，在上述技术方案中，S20中还包括如下步骤：利用主成分分析方法对总监测数据进行预处理后再将其输入至多层感知神经网络进行模型训练；
S3中还包括如下步骤：利用主成分分析方法将待预测区域的监测数据和总监测数据进行预处理后，再通过映射关系预测出待预测区域在未来第一预设时间内的空气质量数据。
一方面，利用主成分分析方法对总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，缩短模型训练的时间，能快速地构建出映射关系；另一方面，利用主成分分析方法将待预测区域的监测数据和总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，减小计算量，能快速预测出待预测区域在未来第一预设时间内的空气质量数据。
较优地，在上述技术方案中，多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。
一方面，在多层感知神经网络结构使用三层隐含层，可降低误差；另一方面，设置三层隐含层中的隐藏节点分别为20个、10个和5个，可避免出现“过拟合”，且可满足精度要求。
其中，邻近空间数据是指各相邻区域的监测数据，邻近空间数据主要要素成分是指经主成分分析方法对总监测数据以及待预测区域的监测数据进行预处理后所留下的数据。
下面通过一个例子即应用对本申请中的一种基于邻近空间数据主成分要素的空气质量预测方法对待预测区域进行PM2.5预测，以便于更详细地对本申请的技术方案进行阐述：
首先选择一个待预测区域，在预设距离如200千米的范围内，存在34个相邻区域，设置第二预设时间为12小时，获取待预测区域和各相邻区域过去12小时内的历史空气质量数据，历史气象数据以及当前空气质量数据和当前气象数据，
此时，各相邻区域回传的监测数据均包括18维的数据信息，包括：12维每个小时内的历史气象数据、1维当前空气质量数据和5维气象数据：风力、风速、风向、降雨量、湿度，则各相邻区域的监测数据共有34×18＝612维，对于多层感知器神经网络结构来说，由于模型训练的限制，如果选用卷积神经网络，则会增加无意义的模型训练的资源浪费，而且输入多层感知器神经网络结构中的监测数据中的会影响最终预测结果的关键信息不会完全分布在这612维的数据信息中，此时，可利用主成分分析方法对这612维的数据信息进行预处理以精简输入维度后，再将其输入至多层感知神经网络结构进行模型训练，其中，多层感知神经网络结构包括三层隐含层，且其隐藏节点分别为20各、10个和5个，并采用反向梯度传播算法，并根据样本待监测站点的监测的当前空气质量数据进行模型训练和优化，构建出准确的映射关系，具体为：
将总监测数据即各相邻区域过去12小时内的历史空气质量数据，历史气象数据以及当前空气质量数据和当前气象数据输入多层感知神经网络结构，预测出待预测区域的当前的空气质量的预测值，即当前空气数据预测值；根据当前空气数据预测值与待预测区域的当前空气质量数据进行不断的对比和对映射关系不断进行优化，即进行模型训练，构建出更加精确的映射关系，映射关系具体为经模型训练后所得到的具有精确b1、b2和b3的值的多层感知神经网络结构，然后将待预测区域的监测数据和总监测数据通过映射关系预测出待预测区域在未来第一预设时间内的空气质量数据，如可利用各相邻区域的前6个小时的监测数据可预测样本区域未来1～6小时、7～12小时、13～24小时和25～48小时的PM2.5，如图2所示，具体地：
由于待预测区域的监测数据也均包括18维的数据信息，与各相邻区域的监测数据共有35×18＝630维，参照上文内容，利用主成分分析方法对这630维的数据信息进行预处理以精简输入维度后，再将其输入至具有精确b1、b2和b3的值的多层感知神经网络结构，即通过映射关系预测出待预测区域在未来1～6小时、7～12小时、13～24小时和25～48小时的PM2.5的空气质量数据。
其中，M1、AQI1分别表示第1个训练监测站点的气象数据和空气质量数据，以此类推，Mn、AQIn分别表示第n个训练监测站点的气象数据和空气质量数据，x1至xd为经过主成分分析方法降维和距离加权后的中间数据，且和b1为第一隐含层表，对第一隐含层进行处理后得到
Figure BDA0002311563880000091
至
Figure BDA0002311563880000092
且和b2为第二隐含层表，对第二隐含层进行处理后得到
Figure BDA0002311563880000093
至
Figure BDA0002311563880000094
且和b3为第三隐含层，对第三隐含层处理后得到样本待监测站点的预测的空气质量数据AQIpred，W1表示从第一隐含层到第二隐含层的处理过程，W2表示从第二隐含层到第三隐含层的处理过程，W2表示从第三隐含层到预测出预测结果的过程，其预测结果与基准结果如下表1所示：
表1：
1-6小时 7-12小时 13-24小时 25-48小时
本发明 0.738 0.623 0.568 0.53
微软 0.742 0.587 0.471 0.384
其中，基准结果来自于微软的工作“Forecasting Fine-Grained Air QualityBased on Big Data”中所提的利用空间信息得到的预测结果。根据误差率公式：
Figure BDA0002311563880000101
其中，m为正整数，在本实施例中m＝1、2、3、4，ym表示第m个基准结果，
Figure BDA0002311563880000102
为第m个本发明的预测结果，很明显看出，本发明能精确预测1～6小时的空气质量数据。
此外，以此类推，也可根据映射关系根据其它待预测区域的在未来第一预设时间内的空气质量数量。
如图3所示，本发明实施例的一种基于邻近空间数据主成分要素的空气质量预测系统200，包括构建模块210和预测模块220；
构建模块210用于预选待预测区域，并在待预测区域的预设距离范围内获取相邻区域，并获取相邻区域集合中的各相邻区域的监测数据，记为总监测数据，将用于待预测区域的监测数据与总监测数据通过多层感知神经网络结构进行模型训练后，构建出总监测数据与待预测区域的当前空气质量数据之间的映射关系；
预测模块220用于将待预测区域的监测数据和总监测数据通过映射关系预测出待预测区域在未来第一预设时间内的空气质量数据；监测数据至少包括当前空气质量数据。
首先构建模块210获取待预测区域的监测数和各相邻区域的监测数据，然后通过多层感知神经网络结构对其进行模型训练，保证所构建出的总监测数据与待预测区域的当前空气质量数据之间映射关系的合理性和准确性，预测模块220再将待预测区域的监测数据和总监测数据通过映射关系就能准确地预测出待预测区域在未来第一预设时间内的空气质量数据。
较优地，在上述技术方案中，监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。
较优地，在上述技术方案中，还包括：构建模块210将总监测数据输入多层感知神经网络结构，预测出待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；且根据当前空气数据预测值与待预测区域的当前空气质量数据进行模型训练，构建出映射关系。给出了具体通过多层感知神经网络结构进行模型训练后得到映射关系的过程。
较优地，在上述技术方案中，还包括预处理模块，预处理模块利用主成分分析方法对总监测数据进行预处理后再将其输入至多层感知神经网络进行模型训练，预处理模块还利用主成分分析方法将待预测区域的监测数据和总监测数据进行预处理后，再通过映射关系预测出待预测区域在未来第一预设时间内的空气质量数据。
一方面，预处理模块利用主成分分析方法对总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，缩短模型训练的时间，能快速地构建出映射关系；另一方面，预处理模块利用主成分分析方法将待预测区域的监测数据和总监测数据进行预处理后，在保证总监测数据的信息量的同时，还能实现对其进行降维，减小计算量，能快速预测出待预测区域在未来第一预设时间内的空气质量数据。
较优地，在上述技术方案中，多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。
一方面，在多层感知神经网络结构使用三层隐含层，可降低误差；另一方面，设置三层隐含层中的隐藏节点分别为20个、10个和5个，可避免出现“过拟合”，且可满足精度要求。
上述关于本发明的一种基于邻近空间数据主成分要素的空气质量预测系统200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种基于邻近空间数据主成分要素的空气质量预测方法的实施例中的各参数和步骤，在此不做赘述。
在本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，包括如下步骤：
S1、预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据；
S2、将所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；
S3、将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；
所述监测数据至少包括所述当前空气质量数据。
2.根据权利要求1所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。
3.根据权利要求2所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，S2具体包括如下步骤：
S20、将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；
S21、根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。
4.根据权利要求3所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，
S20中还包括如下步骤：利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练；
S3中还包括如下步骤：利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。
5.根据权利要求1至4任一项所述的一种基于邻近空间数据主成分要素的空气质量预测方法，其特征在于，所述多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。
6.一种基于邻近空间数据主成分要素的空气质量预测系统，其特征在于，包括构建模块和预测模块；
所述构建模块用于预选待预测区域，并在所述待预测区域的预设距离范围内获取相邻区域，并获取各所述相邻区域的监测数据，记为总监测数据，将用于所述待预测区域的监测数据与所述总监测数据通过多层感知神经网络结构进行模型训练后，构建出所述总监测数据与所述待预测区域的当前空气质量数据之间的映射关系；
所述预测模块用于将所述待预测区域的监测数据和所述总监测数据通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据；
所述监测数据至少包括所述当前空气质量数据。
7.根据权利要求6所述的一种基于邻近空间数据主成分要素的空气质量预测系统，其特征在于，所述监测数据包括当前气象数据以及在过去第二预设时间内的历史空气质量数据、历史气象数据。
8.根据权利要求7所述的一种基于邻近空间数据主成分要素的空气质量预测系统，其特征在于，还包括：所述构建模块将所述总监测数据输入所述多层感知神经网络结构，预测出所述待预测区域的当前的空气质量的预测值，记为当前空气数据预测值；且所述根据所述当前空气数据预测值与所述待预测区域的当前空气质量数据进行模型训练，构建出所述映射关系。
9.根据权利要求8所述的一种基于邻近空间数据主成分要素的空气质量预测系统，其特征在于，还包括预处理模块，所述预处理模块利用主成分分析方法对所述总监测数据进行预处理后再将其输入至所述多层感知神经网络进行模型训练，所述预处理模块还利用所述主成分分析方法将所述待预测区域的监测数据和所述总监测数据进行预处理后，再通过所述映射关系预测出所述待预测区域在未来第一预设时间内的空气质量数据。
10.根据权利要求1至4任一项所述的一种基于邻近空间数据主成分要素的空气质量预测系统，其特征在于，所述多层感知神经网络结构包括三层隐含层，且各所述隐含层的隐藏节点分别为20个、10个和5个，并采用反向梯度传播算法进行模型训练。
CN201911260912.1A 2019-12-10 2019-12-10 基于邻近空间数据主成分要素的空气质量预测方法和系统 Pending CN111144625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911260912.1A CN111144625A (zh) 2019-12-10 2019-12-10 基于邻近空间数据主成分要素的空气质量预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911260912.1A CN111144625A (zh) 2019-12-10 2019-12-10 基于邻近空间数据主成分要素的空气质量预测方法和系统

Publications (1)

Publication Number Publication Date
CN111144625A true CN111144625A (zh) 2020-05-12

Family

ID=70517964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911260912.1A Pending CN111144625A (zh) 2019-12-10 2019-12-10 基于邻近空间数据主成分要素的空气质量预测方法和系统

Country Status (1)

Country Link
CN (1) CN111144625A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488317A (zh) * 2014-09-17 2016-04-13 日本电气株式会社 用于预测空气质量的系统和方法
CN105488316A (zh) * 2014-09-17 2016-04-13 日本电气株式会社 用于预测空气质量的系统和方法
CN105956691A (zh) * 2016-04-25 2016-09-21 北京市环境保护监测中心 预测区域不同方位、观测点pm2.5背景浓度计算方法
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
CN109214592A (zh) * 2018-10-17 2019-01-15 北京工商大学 一种多模型融合的深度学习的空气质量预测方法
CN109613178A (zh) * 2018-11-05 2019-04-12 广东奥博信息产业股份有限公司 一种基于递归神经网络预测空气污染的方法及系统
CN110147877A (zh) * 2019-05-24 2019-08-20 福州大学 基于卷积长短时网络的pm2.5预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488317A (zh) * 2014-09-17 2016-04-13 日本电气株式会社 用于预测空气质量的系统和方法
CN105488316A (zh) * 2014-09-17 2016-04-13 日本电气株式会社 用于预测空气质量的系统和方法
CN105956691A (zh) * 2016-04-25 2016-09-21 北京市环境保护监测中心 预测区域不同方位、观测点pm2.5背景浓度计算方法
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
CN109214592A (zh) * 2018-10-17 2019-01-15 北京工商大学 一种多模型融合的深度学习的空气质量预测方法
CN109613178A (zh) * 2018-11-05 2019-04-12 广东奥博信息产业股份有限公司 一种基于递归神经网络预测空气污染的方法及系统
CN110147877A (zh) * 2019-05-24 2019-08-20 福州大学 基于卷积长短时网络的pm2.5预测方法

Similar Documents

Publication Publication Date Title
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN101771758B (zh) 一种性能指标值正常波动范围的动态确定方法及其装置
JP4807565B2 (ja) 流量予測装置
Amin et al. Backpropagation Neural Network to estimate pavement performance: dealing with measurement errors
CN101964998B (zh) 一种电信网络普通节日话务量的预测方法及其装置
Huang et al. Medical service demand forecasting using a hybrid model based on ARIMA and self-adaptive filtering method
CN110533239B (zh) 一种智慧城市空气品质高精度测量方法
CN114611778B (zh) 一种基于入库流量的水库水位预警方法及系统
CN111695722A (zh) 一种城市轨道交通车站节假日短时客流预测方法
JP7297816B2 (ja) 資産の予測健全性解析を実行するための方法およびコンピューティングシステム
CN113610329B (zh) 一种双流卷积长短期记忆网络的短时临近降雨预报方法
El Bakali et al. Day-ahead seasonal solar radiation prediction, combining VMD and STACK algorithms
CN106980874A (zh) 一种面向配网大数据的多时态维度数据融合方法
CN109523077A (zh) 一种风电功率预测方法
CN108648449A (zh) 基于卡尔曼滤波和nar神经网络组合的车位预测方法
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
Li et al. Automated integration of infrastructure component status for real-time restoration progress control: Case study of highway system in Hurricane Harvey
CN111144625A (zh) 基于邻近空间数据主成分要素的空气质量预测方法和系统
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN112861925A (zh) 基于深度学习网络的多区域车辆需求预测方法及系统
CN115391746B (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN116706888A (zh) 基于联邦学习的智能电网负荷预测方法
CN115293465B (zh) 一种人群密度预测方法及系统
CN113344290B (zh) 基于U-Net网络的次季节降水气象预报订正方法

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: 20200512