CN111289414A - Pm2.5污染监测与预测方法 - Google Patents
Pm2.5污染监测与预测方法 Download PDFInfo
- Publication number
- CN111289414A CN111289414A CN202010171044.6A CN202010171044A CN111289414A CN 111289414 A CN111289414 A CN 111289414A CN 202010171044 A CN202010171044 A CN 202010171044A CN 111289414 A CN111289414 A CN 111289414A
- Authority
- CN
- China
- Prior art keywords
- concentration
- time
- monitoring
- detector
- linear regression
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000000809 air pollutant Substances 0.000 claims abstract description 46
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 46
- 238000012417 linear regression Methods 0.000 claims abstract description 29
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000003915 air pollution Methods 0.000 claims 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000011149 sulphuric acid Nutrition 0.000 description 1
- 239000001117 sulphuric acid Substances 0.000 description 1
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dispersion Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及环境监测中PM2.5的预测领域，具体公开了一种PM2.5污染监测与预测方法，首先，将过去的一段时间根据设定的时间间隔划分成各个时间节点；其次，获取监测站点在所述过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；再次，使用线性回归模型对当前时刻PM2.5的浓度进行预测；根据某个区域内不同地点的空气污染物的检测值来预测具体地点的PM2.5浓度；最后，将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。
Description
技术领域
本发明涉及环境监测领域，特别涉及一种PM2.5污染监测与预测方法。
背景技术
雾霾，顾名思义是就是雾和霾，但是，雾和霾的区别很大，空气中的灰尘、硫酸、硝酸等颗粒物组成的气溶胶系统造成视觉障碍的叫霾。霾就是灰霾。雾霾对人体呼吸道的危害是极大的，如果在雾霾的天气没有及时进行防范，则很有会将人体的呼吸道感染，对人体造成伤害，因此，人们对于雾霾的防范和预测是非常重要的。
雾霾是多种其他和颗粒物的组合物质，其中，人们较为关心的就是雾霾中的PM2.5的含量，在目前对PM2.5的预测中，通常都是根据以往天气中的雾霾值对未来的天气中的PM2.5进行预测，这样虽然可以得到PM2.5的指数，但是由于天气的变化有非常所的因素所决定，因此这样的指数并没有实际的精准，会造成较大的误差。
发明内容
本发明的目的是克服上述现有技术中存在的问题，提供一种PM2.5污染监测与预测方法，通过对PM2.5和其他空气污染物的浓度数据进行训练，得到预测的模型，在通过当前的数据和已经训练好的模型进行PM2.5的预测，这样通过科学的数据处理方法对PM2.5实现精准的预测。
为此，本发明提供了一种PM2.5污染监测与预测方法，包括如下步骤：
S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；
S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；
S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；
S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；
S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。
进一步，所述监测站点包括架设在监测区域内的多个且每一个用于检测一个空气污染物的空气污染物检测仪和用于检测PM2.5的浓度的PM2.5检测仪。
更进一步，在步骤S3中，训练线性回归模型的方法，包括如下步骤：
S3-1：构造线性回归模型的输入特征
X＝[1,x1,x2,...,xi]，i＝1,2,...,b
其中，xi＝wiai，
其中，wi为第i个空气污染物检测仪到PM2.5检测仪之间的距离的倒数，ai为第i个空气污染物检测仪检测到的空气污染物的浓度；b为的空气污染物检测仪个数；
S3-2：建立线性回归模型
给定训练集T＝{(X1,y1),(X2,y2),....(Xn,yn)}，n＝1,2,...,c，其中，Xn表示输入特征，即第n个时间点的输入特征，yn表示PM2.5检测仪在所述设定的过去的一段时间内第n个时间点所采集的PM2.5的浓度值，c表示所述设定的过去的一段时间内时间点的个数，线性回归模型的函数表达式如下:
yn＝hθ(Xn)＝θ0+θ1Xn+θ2Xn+...+θkXn，k＝1,2,...,n (1)
等价于
yn＝hθ(x)＝ΘTZ (2)
式(1)中，yn表示目标监测站点在第n个时间点所采集的PM2.5的值；
式(2)中，Z＝[1,X1,X2,...,Xn]T，
Θ＝[θ0,θ1,...,θk]T是k+1维未知回归系数向量。
更进一步，在步骤S3-1中，通过GPS获取所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标，再根据所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标计算所述监测区域内PM2.5检测仪与各个空气污染物检测仪之间的距离的倒数。
更进一步，在步骤S4中，使用线性回归模型的函数进行预测，
给定输入特征Xc+1，将Xc+1代入到式(2)中，得到
yc+1＝ΘTXc+1 (3)
式(3)中，yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值，Xc+1是第c+1个时间点的输入特征。
本发明提供的一种PM2.5污染监测与预测方法，具有如下有益效果：
1、通过对PM2.5和其他空气污染物的浓度数据进行训练，得到预测的模型，在通过当前的数据和已经训练好的模型进行PM2.5的预测，这样通过科学的数据处理方法对PM2.5实现精准的预测。
附图说明
图1为本发明提供的一种PM2.5污染监测与预测方法的整体流程示意图；
图2为本发明提供的一种PM2.5污染监测与预测方法在使用线性回归模型的整体流程示意图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
在本申请文件中，未经明确的部件型号以及结构，均为本领域技术人员所公知的现有技术，本领域技术人员均可根据实际情况的需要进行设定，在本申请文件的实施例中不做具体的限定。
具体的，如图1所示，本发明提供了一种PM2.5污染监测与预测方法，包括如下步骤：
S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；这里的时间节点，指的是各个相等时间间隔的起始时刻，可以是每一个小时的起始时刻，也可以是每一分钟的起始时刻，也可以是每一周的一个设定时间，例如每周周一的早上9点钟的时刻。
S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；这里所描述的多个空气污染物，是指空气中所存在的其他，例如空气中的SO2、SO3、氮氧化物、NO2、CO、可吸入颗粒物、O3以及PM10等各个空气污染物，分别使用其相应的检测仪检测器在空气中的浓度值。需要说明的是，本发明所描述的浓度值，均为空气污染物的浓度值。
S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；
S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；
S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。
具体的，所述监测站点包括架设在监测区域内的多个且每一个用于检测一个空气污染物的空气污染物检测仪和用于检测PM2.5的浓度的PM2.5检测仪。
更具体的，在步骤S3中，训练线性回归模型的方法，包括如下步骤：
S3-1：构造线性回归模型的输入特征
X＝[1,x1,x2,...,xi]，i＝1,2,...,b
其中，xi＝wiai，
其中，wi为第i个空气污染物检测仪到PM2.5检测仪之间的距离的倒数，ai为第i个空气污染物检测仪检测到的空气污染物的浓度；b为的空气污染物检测仪个数；
S3-2：建立线性回归模型
给定训练集T＝{(X1,y1),(X2,y2),....(Xn,yn)}，n＝1,2,...,c，其中，Xn表示输入特征，即第n个时间点的输入特征，yn表示PM2.5检测仪在所述设定的过去的一段时间内第n个时间点所采集的PM2.5的浓度值，c表示所述设定的过去的一段时间内时间点的个数，线性回归模型的函数表达式如下:
yn＝hθ(Xn)＝θ0+θ1Xn+θ2Xn+...+θkXn，k＝1,2,...,n (1)
等价于
yn＝hθ(x)＝ΘTZ (2)
式(1)中，yn表示目标监测站点在第n个时间点所采集的PM2.5的值；
式(2)中，Z＝[1,X1,X2,...,Xn]T，
Θ＝[θ0,θ1,...,θk]T是k+1维未知回归系数向量。
更具体的，在步骤S3-1中，通过GPS获取所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标，再根据所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标计算所述监测区域内PM2.5检测仪与各个空气污染物检测仪之间的距离的倒数。
更具体的，在步骤S4中，使用线性回归模型的函数进行预测，
给定输入特征Xc+1，将Xc+1代入到式(2)中，得到
yc+1＝ΘTXc+1 (3)
式(3)中，yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值，Xc+1是第c+1个时间点的输入特征。
综上所述，本发明公开了一种PM2.5污染监测与预测方法，包括如下步骤：S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。本发明通过对PM2.5和其他空气污染物的浓度数据进行训练，得到预测的模型，在通过当前的数据和已经训练好的模型进行PM2.5的预测，这样通过科学的数据处理方法对PM2.5实现精准的预测。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (5)
1.一种PM2.5污染监测与预测方法，其特征在于，包括如下步骤：
S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；
S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；
S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；
S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；
S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。
2.如权利要求1所述的一种PM2.5污染监测与预测方法，其特征在于，所述监测站点包括架设在监测区域内的多个且每一个用于检测一个空气污染物的空气污染物检测仪和用于检测PM2.5的浓度的PM2.5检测仪。
3.如权利要求2所述的一种PM2.5污染监测与预测方法，其特征在于，在步骤S3中，训练线性回归模型的方法，包括如下步骤：
S3-1：构造线性回归模型的输入特征
X＝[1,x1,x2,...,xi]，i＝1,2,...,b
其中，xi＝wiai，
其中，wi为第i个空气污染物检测仪到PM2.5检测仪之间的距离的倒数，ai为第i个空气污染物检测仪检测到的空气污染物的浓度；b为的空气污染物检测仪个数；
S3-2：建立线性回归模型
给定训练集T＝{(X1,y1),(X2,y2),....(Xn,yn)}，n＝1,2,...,c，其中，Xn表示输入特征，即第n个时间点的输入特征，yn表示PM2.5检测仪在所述设定的过去的一段时间内第n个时间点所采集的PM2.5的浓度值，c表示所述设定的过去的一段时间内时间点的个数，线性回归模型的函数表达式如下:
yn＝hθ(Xn)＝θ0+θ1Xn+θ2Xn+...+θkXn，k＝1,2,...,n (1)
等价于
yn＝hθ(x)＝ΘTZ (2)
式(1)中，yn表示目标监测站点在第n个时间点所采集的PM2.5的值；
式(2)中，Z＝[1,X1,X2,...,Xn]T，
Θ＝[θ0,θ1,...,θk]T是k+1维未知回归系数向量。
4.如权利要求3所述的一种PM2.5污染监测与预测方法，其特征在于，在步骤S3-1中，通过GPS获取所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标，再根据所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标计算所述监测区域内PM2.5检测仪与各个空气污染物检测仪之间的距离的倒数。
5.如权利要求3所述的一种PM2.5污染监测与预测方法，其特征在于，在步骤S4中，使用线性回归模型的函数进行预测，
给定输入特征Xc+1，将Xc+1代入到式(2)中，得到
yc+1＝ΘTXc+1 (3)
式(3)中，yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值，Xc+1是第c+1个时间点的输入特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171044.6A CN111289414A (zh) | 2020-03-12 | 2020-03-12 | Pm2.5污染监测与预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171044.6A CN111289414A (zh) | 2020-03-12 | 2020-03-12 | Pm2.5污染监测与预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111289414A true CN111289414A (zh) | 2020-06-16 |
Family
ID=71017232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171044.6A Pending CN111289414A (zh) | 2020-03-12 | 2020-03-12 | Pm2.5污染监测与预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111289414A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113804595A (zh) * | 2021-09-15 | 2021-12-17 | 汉威科技集团股份有限公司 | 一种多参数空气质量监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
| CN106126909A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于无迹卡尔曼神经网络的pm2.5浓度预测方法 |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| CN107169277A (zh) * | 2017-05-09 | 2017-09-15 | 北京理工大学 | 一种pm2.5浓度的数据分析和预测模型建立方法 |
| CN109146161A (zh) * | 2018-08-07 | 2019-01-04 | 河海大学 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
| CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
| CN110378520A (zh) * | 2019-06-26 | 2019-10-25 | 浙江传媒学院 | 一种pm2.5浓度预测和预警方法 |
| CN110751345A (zh) * | 2019-10-30 | 2020-02-04 | 四川华跃融智信息技术有限公司 | 一种基于距离特征的目标地点的pm2.5的值的预测方法 |
| CN110852493A (zh) * | 2019-10-25 | 2020-02-28 | 天津大学 | 基于多种模型对比的大气pm2.5浓度预测方法 |
-
2020
- 2020-03-12 CN CN202010171044.6A patent/CN111289414A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
| US20160091474A1 (en) * | 2014-09-29 | 2016-03-31 | Tanguy Griffon | Method and a System for Determining at Least One Forecasted Air Quality Health Effect Caused in a Determined Geographical Area by at Least One Air Pollutant |
| CN106126909A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于无迹卡尔曼神经网络的pm2.5浓度预测方法 |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| CN107169277A (zh) * | 2017-05-09 | 2017-09-15 | 北京理工大学 | 一种pm2.5浓度的数据分析和预测模型建立方法 |
| CN109146161A (zh) * | 2018-08-07 | 2019-01-04 | 河海大学 | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 |
| CN110378520A (zh) * | 2019-06-26 | 2019-10-25 | 浙江传媒学院 | 一种pm2.5浓度预测和预警方法 |
| CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
| CN110852493A (zh) * | 2019-10-25 | 2020-02-28 | 天津大学 | 基于多种模型对比的大气pm2.5浓度预测方法 |
| CN110751345A (zh) * | 2019-10-30 | 2020-02-04 | 四川华跃融智信息技术有限公司 | 一种基于距离特征的目标地点的pm2.5的值的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李敏 等: "上海市大气环境中PM2.5与其他污染物相关性研究", 《西南大学学报》 * |
| 杨洋 等: "合肥市空气中PM2.5的计量分析", 《河北北方学院学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113804595A (zh) * | 2021-09-15 | 2021-12-17 | 汉威科技集团股份有限公司 | 一种多参数空气质量监测系统 |
| CN113804595B (zh) * | 2021-09-15 | 2024-04-05 | 汉威科技集团股份有限公司 | 一种多参数空气质量监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Catalano et al. | Improving the prediction of air pollution peak episodes generated by urban transport networks | |
| CN110427533B (zh) | 基于时序粒子跟踪的污染传播模式可视分析方法及系统 | |
| CN109885804A (zh) | 一种基于监测车的大气污染监测和源辨识方法 | |
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| CN112182064A (zh) | 一种污染物来源分析方法、装置、电子设备及存储介质 | |
| CN109165779B (zh) | 一种基于多源大数据与长短期记忆神经网络模型的人口数量预测方法 | |
| CN114755367B (zh) | 一种环保污染监测方法、系统、设备及介质 | |
| Kingsy et al. | Air pollution analysis using enhanced K-Means clustering algorithm for real time sensor data | |
| CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
| Gao et al. | Prediction of vertical PM 2.5 concentrations alongside an elevated expressway by using the neural network hybrid model and generalized additive model | |
| CN116518504A (zh) | 一种室内空气环境空间分布分析系统 | |
| Poston et al. | A framework for occupancy tracking in a building via structural dynamics sensing of footstep vibrations | |
| CN114757687A (zh) | 一种基于大数据技术的大气污染物溯源系统及方法 | |
| CN111289414A (zh) | Pm2.5污染监测与预测方法 | |
| CN108732313A (zh) | 城市空气污染物浓度智能观测系统 | |
| CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
| Lin et al. | A machine learning model for predicting PM2. 5 and nitrate concentrations based on long-term water-soluble inorganic salts datasets at a road site station | |
| KR102313465B1 (ko) | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 | |
| Hamid et al. | Short term prediction of PM10 concentrations using seasonal time series analysis | |
| CN117540229B (zh) | 一种基于聚类算法的大气环境监测方法 | |
| CN111272950B (zh) | 一种智能污染物追踪系统 | |
| CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
| Cassard et al. | High-resolution air quality prediction using low-cost sensors | |
| Yoshida et al. | Incident alert by an anomaly indicator of probe trajectories | |
| CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 |
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 |
Application publication date: 20200616 |
|
| RJ01 | Rejection of invention patent application after publication |