CN111443163A - 一种臭氧缺失数据的插补方法、装置及插补设备 - Google Patents
一种臭氧缺失数据的插补方法、装置及插补设备 Download PDFInfo
- Publication number
- CN111443163A CN111443163A CN202010160941.7A CN202010160941A CN111443163A CN 111443163 A CN111443163 A CN 111443163A CN 202010160941 A CN202010160941 A CN 202010160941A CN 111443163 A CN111443163 A CN 111443163A
- Authority
- CN
- China
- Prior art keywords
- data
- ozone
- monitoring station
- air quality
- meteorological
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 331
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 285
- 230000001419 dependent effect Effects 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000012216 screening Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 239000000809 air pollutant Substances 0.000 description 5
- 231100001243 air pollutant Toxicity 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0039—Specially adapted to detect a particular component for O3
-
- G01N33/0068—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0073—Control unit therefor
- G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
Abstract
本申请适用于计算机技术领域,提供了一种臭氧缺失数据的插补方法,包括:获取第一空气质量监测站的待补全的第一臭氧数据;获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补。上述方案,以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,建立多元回归模型,通过模型计算出第一臭氧数据中缺失的臭氧检测数据,在对臭氧数据进行插补时,考虑各监测站之间的相关联系和气象数据对臭氧数据的影响,能够提高臭氧缺失数据插补的准确度。
Description
技术领域
本申请属于计算机技术领域,尤其涉及一种臭氧缺失数据的插补方法、装置、插补设备及计算机存储介质。
背景技术
臭氧是空气中的主要污染物之一,通过空气污染物数据掌握空气污染物的含量及变化趋势,评估各地区的空气质素,为各地区调整、制定大气污染的防控策略,持续改善空气质量具有一定指导作用。因此掌握各地区臭氧变化趋势及预测对各地区污染调控及社会的可持续发展具有极其重要的意义,然而研究臭氧等污染物往往需要更加准确的监测数据。在臭氧浓度分析预测工作中数据缺失的情况普遍存在,如果处理不当,会对臭氧浓度的统计预测工作产生不利的影响。
现有的臭氧缺失数据插补方法主要是从统计和数学角度来分析已有臭氧监测数据之间的统计联系和规律,最终插补缺失的臭氧数据。但是,现有的插补方法只考虑臭氧监测数据的变化情况,从而导致臭氧缺失数据插补的准确度低。
发明内容
本申请实施例提供了一种臭氧缺失数据的插补方法、装置、插补设备及计算机存储介质,可以解决臭氧缺失数据插补的准确度低的问题。
第一方面,本申请实施例提供了一种臭氧缺失数据的插补方法,包括:
获取第一空气质量监测站的待补全的第一臭氧数据;
获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;
以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;
基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
进一步地,所述获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据,包括:
将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为第二空气质量监测站,将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为第一气象监测站,获取所述第二空气质量监测站的第二臭氧数据和所述第一气象监测站的第一气象数据。
进一步地,所述获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据,包括:
将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为候选空气质量监测站;
将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为候选气象监测站;
获取各个所述候选空气质量监测站的候选臭氧数据以及各个所述候选气象监测站的候选气象数据;
将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站;
将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,所述将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站,包括:
将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为预选臭氧数据;
根据所述预选臭氧数据与所述第一臭氧数据建立第一线性回归模型,计算所述第一线性回归模型的效用信息;
将满足第一预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。进一步地,所述将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站包括:
将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为预选气象数据;
根据所述预选气象数据与所述第一臭氧数据建立第二线性回归模型,计算所述第二线性回归模型的效用信息;
将满足第二预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,所述计算所述第一线性回归模型的效用信息包括:
根据所述第一臭氧数据计算所述第一线性回归模型的误差信息。
进一步地,所述计算所述第二线性回归模型的效用信息包括:
根据所述第一臭氧数据计算所述第二线性回归模型的误差信息。
第二方面,本申请实施例提供了一种臭氧缺失数据的插补装置,包括:
第一获取单元,用于获取第一空气质量监测站的待补全的第一臭氧数据;
第二获取单元,用于获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;
构建单元,用于以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;
第一处理单元,用于基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
进一步地,所述第二获取单元,具体用于:
将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为第二空气质量监测站,将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为第一气象监测站,获取所述第二空气质量监测站的第二臭氧数据和所述第一气象监测站的第一气象数据。
进一步地,所述第二获取单元,包括:
第二处理单元,用于将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为候选空气质量监测站;
第三处理单元,用于将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为候选气象监测站;
第三获取单元,用于获取各个所述候选空气质量监测站的候选臭氧数据以及各个所述候选气象监测站的候选气象数据;
第四处理单元,用于将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站;
第五处理单元,用于将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,所述第四处理单元,包括:
第六处理单元,用于将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为预选臭氧数据;
第一计算单元,用于根据所述预选臭氧数据与所述第一臭氧数据建立第一线性回归模型,计算所述第一线性回归模型的效用信息;
第七处理单元,用于将满足第一预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
进一步地,所述第五处理单元,包括:
第八处理单元,用于将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为预选气象数据;
第二计算单元,用于根据所述预选气象数据与所述第一臭氧数据建立第二线性回归模型,计算所述第二线性回归模型的效用信息;
第九处理单元,用于将满足第二预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,所述第一计算单元,具体用于:
根据所述第一臭氧数据计算所述第一线性回归模型的误差信息。
进一步地,所述第二计算单元,具体用于:
根据所述第一臭氧数据计算所述第二线性回归模型的误差信息。
第三方面,本申请实施例提供了一种臭氧缺失数据的插补设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的臭氧缺失数据的插补方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的臭氧缺失数据的插补方法。
本申请实施例中,获取第一空气质量监测站的待补全的第一臭氧数据;获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。上述方案,获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据,以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,建立多元回归模型,通过模型计算出第一臭氧数据中缺失的臭氧检测数据,从而进行插补,由于臭氧的形成和其他气象数据也存在一定的关系,所以本方案在对臭氧数据进行插补时,考虑各监测站之间的相关联系和气象数据对臭氧数据的影响,能够提高臭氧缺失数据插补的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种臭氧缺失数据的插补方法的示意流程图;
图2是本申请第一实施例提供的一种臭氧缺失数据的插补方法中S102的细化的示意流程图;
图3是本申请第一实施例提供的一种臭氧缺失数据的插补方法中S1024的细化的示意流程图;
图4是本申请第一实施例提供的一种臭氧缺失数据的插补方法中S1025的细化的示意流程图;
图5是本申请第二实施例提供的臭氧缺失数据的插补装置的示意图;
图6是本申请第三实施例提供的臭氧缺失数据的插补设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参见图1,图1是本申请第一实施例提供的一种臭氧缺失数据的插补方法的示意流程图。本实施例中一种臭氧缺失数据的插补方法的执行主体为具有臭氧缺失数据的插补功能的设备,设备包括但不限于台式电脑、服务器等。如图1所示的臭氧缺失数据的插补方法可包括:
S101:获取第一空气质量监测站的待补全的第一臭氧数据。
臭氧是空气中的主要污染物之一,通过空气污染物数据掌握空气污染物的含量及变化趋势,评估各地区的空气质素,为各地区调整、制定大气污染的防控策略,持续改善空气质量具有一定指导作用。因此掌握各地区臭氧变化趋势及预测对各地区污染调控及社会的可持续发展具有极其重要的意义。空气质量监测站可以监测空气中的臭氧数据,空气质量监测站一般通过一些设备测得空气污染物数据,为改善空气质量提供数据支持。空气质量监测设备有时会受到外界环境的影响,或者当遇到监测仪器校零、校标等日常维护行为,或出现仪器故障、通信故障、停电等情况时,可能导致个别点位出现监测数据缺失现象。
设备获取第一空气质量监测站的待补全的第一臭氧数据。其中,第一空气质量监测站为臭氧数据缺失的空气质量监测站,待补全的第一臭氧数据为第一空气质量监测站获取到的臭氧数据,臭氧数据包括臭氧数值及其对应的时间信息,第一臭氧数据可以为指定时间段内的第一空气质量监测站获取到的所有的臭氧数据。
S102:获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据。
设备获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据。其中,第二空气质量监测站为第一空气质量监测站的相关联的空气质量监测站,也就是说,通过第二空气质量监测站获取到的第二臭氧数据对于第一空气质量监测站缺失的臭氧数据是具有参考性的。第一气象监测站为第一空气质量监测站的相关联的气象监测站,也就是说,通过第一气象监测站获取到的第一气象数据对于第一空气质量监测站缺失的臭氧数据是具有参考性的。第一气象数据可以包括但并不限于温度数据、湿度数据、风速数据、风向数据等。
第二空气质量监测站为指定的空气质量监测站,也可以通过预设策略从所有空气质量监测站中选取;第一气象监测站可以为指定的气象监测站,也可以通过预设策略从所有气象监测站中选取,此处不做限定。
一种实施方式中,S102可以包括:将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为第二空气质量监测站,将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为第一气象监测站,获取所述第二空气质量监测站的第二臭氧数据和所述第一气象监测站的第一气象数据。
在本实施例中,通过第一空气质量监测站和其他空气质量监测站之间的距离来筛选第二空气质量监测站,第一空气质量监测站和其他空气质量监测站之间的距离可以通过地理空间距离计算公式来确定,地理空间距离计算公式如下:
设备中预先存储第一距离阈值,第一距离阈值用于筛选第二空气质量监测站,当空气质量监测站与第一空气质量监测站之间的距离小于第一距离阈值,将该空气质量监测站作为第二空气质量监测站。
在本实施例中,通过第一空气质量监测站和其他气象监测站之间的距离来筛选第一气象监测站,第一空气质量监测站和其他气象监测站之间的距离可以通过上述的地理空间距离计算公式来确定,此处不在赘述。设备中预先存储第二距离阈值,第二距离阈值用于筛选第一气象监测站,当气象监测站与第一空气质量监测站之间的距离小于第二距离阈值时,将改气象监测站作为第一气象监测站。
设备确定了第二空气质量监测站和第一气象监测站后,获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据。
另一种实施方式中,在基于站点距离进行筛选的基础上,通过对站点的数据相关度的计算来确定第二空气质量监测站和第一气象监测站,从而提升第二空气质量监测站和第一气象监测站选取的准确度,S102可以包括S1021~S1025,如图2所示,S1021~S1025具体如下:
S1021:将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为候选空气质量监测站。
在S1021中,选取候选空气质量监测站的方法与上述“将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为第二空气质量监测站”这一步骤中确定第二空气质量监测站的方法相同,具体可以参阅上述的相关描述,此处不在赘述。
S1022:将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为候选气象监测站。
在S1021中,选取候选气象监测站的方法与上述“将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为第一气象监测站”这一步骤中确定第一气象监测站的方法相同,具体可以参阅上述的相关描述,此处不在赘述。
S1023:获取各个所述候选空气质量监测站的候选臭氧数据以及各个所述候选气象监测站的候选气象数据。
设备获取各个候选空气质量监测站的臭氧数据作为候选臭氧数据,设备获取各个候选气象监测站的气象数据作为候选气象数据。
S1024:将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
在本实施例中,设备从候选臭氧数据中筛选出第二臭氧数据,其中,设备中预先存储第一预设相关度条件,第二臭氧数据与第一臭氧数据的线性相关度需要满足第一预设相关度条件。设备计算候选臭氧数据与第一臭氧之间的线性相关度,将与第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据。举例来说,设备可以通过逐步回归方法进行筛选,以第一臭氧数据为因变量,候选臭氧数据为自变量,将自变量一个一个引入,每引入一个新的自变量后,对已入选回归模型的变量逐个进行检验,将经检验认为不显著的自变量删除,以保证所得自变量子集中每一个变量都是显著的。其中,显著的和不显著的区别可以根据需求设置具体的阈值,并且可以进行调整。此过程经过若干步直到不能再引入新变量为止。这时回归模型中所有自变量对因变量都是显著的,即回归模型中的自变量就是第二臭氧数据。
获取到第二臭氧数据后,将第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
进一步地,为了更准确的选取第二臭氧数据和第二空气质量监测站,从而更准确的对第一臭氧数据进行插补,S1024可以包括S10241~S10243,如图3所示,S10241~S10243具体如下:
S10241:将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为预选臭氧数据。
在本实施例中,经过了多次筛选,最终得到第二臭氧数据和第二空气质量监测站。设备从候选臭氧数据中筛选出预选臭氧数据,其中,设备中预先存储第一预设相关度条件,预选臭氧数据与第一臭氧数据的线性相关度需要满足第一预设相关度条件。设备计算候选臭氧数据与第一臭氧之间的线性相关度,将与第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为预选臭氧数据。
S10242:根据所述预选臭氧数据与所述第一臭氧数据建立第一线性回归模型,计算所述第一线性回归模型的效用信息。
设备根据预选臭氧数据与第一臭氧数据建立第一线性回归模型,设备获取不同的预选臭氧数据对应的空气质量监测站的组合,分别根据每组空气质量监测站对应的预选臭氧数据与第一臭氧数据建立第一线性回归模型,第一线性回归模型用于插补数据。
设备计算第一线性回归模型的效用信息,第一线性回归模型的效用信息标识插补效果,即通过效用信息可以确定得到的插补数据是否准确。可以通过第一线性回归模型计算得到的非数据缺失时刻的第一空气质量监测站的臭氧数据和该时刻的真实值来确定效用信息。
进一步地,为了准确的计算效用信息,计算所述第一线性回归模型的效用信息可以包括:根据所述第一臭氧数据计算所述第一线性回归模型的误差信息。设备根据第一臭氧数据计算第一线性回归模型的误差信息,将误差信息作为效用信息,误差信息可以包括平均绝对误差和均方根误差:
平均绝对误差(MAE)的计算公式如下:
均方根误差(RMSE)的计算公式如下:
平均绝对误差和均方根误差的大小反映了插补值和真实值之间的误差,其值越小表示插补值和真实值偏差小,说明插补效果越好。
S10243:将满足第一预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
设备中预设第一预设效用条件,第一预设效用条件用于筛选第二臭氧数据,设备将满足第一预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
S1025:将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
在本实施例中,设备从候选气象数据中筛选出第二气象数据,其中,设备中预先存储第二预设相关度条件,第二气象数据与第一臭氧数据的线性相关度需要满足第二预设相关度条件。设备计算候选气象数据与第一臭氧之间的线性相关度,将与第一臭氧数据的线性相关度满足第一预设相关度条件的候选气象数据作为第二气象数据。举例来说,设备可以通过逐步回归方法进行筛选,以第一臭氧数据为因变量,候选气象数据为自变量,将自变量一个一个引入,每引入一个新的自变量后,对已入选回归模型的变量逐个进行检验,将经检验认为不显著的自变量删除,以保证所得自变量子集中每一个变量都是显著的。其中,显著的和不显著的区别可以根据需求设置具体的阈值,并且可以进行调整。此过程经过若干步直到不能再引入新变量为止。这时回归模型中所有自变量对因变量都是显著的,即回归模型中的自变量就是第二气象数据。
获取到第二气象数据后,将第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,为了更准确的选取第二气象数据和第二气象监测站,从而更准确的对第一臭氧数据进行插补,S1025可以包括S10251~S10253,如图4所示,S10251~S10253具体如下:
S10251:将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为预选气象数据。
在本实施例中,经过了多次筛选,最终得到第二气象数据和第二气象监测站。设备从候选气象数据中筛选出预选气象数据,其中,设备中预先存储第二预设相关度条件,预选气象数据与第一臭氧数据的线性相关度需要满足第二预设相关度条件。设备计算候选气象数据与第一臭氧之间的线性相关度,将与第一臭氧数据的线性相关度满足第一预设相关度条件的候选气象数据作为预选气象数据。
S10252:根据所述预选气象数据与所述第一臭氧数据建立第二线性回归模型,计算所述第二线性回归模型的效用信息。
设备根据预选气象数据与第一臭氧数据建立第二线性回归模型,设备获取不同的预选气象数据对应的气象监测站的的组合,分别根据每组气象监测站对应的预选气象数据与第一臭氧数据建立第二线性回归模型,第二线性回归模型用于插补数据,即通过每组气象监测站对应的预选气象数据计算第一空气质量监测站的臭氧数据。
设备计算第二线性回归模型的效用信息,第二线性回归模型的效用信息标识插补效果,即通过效用信息可以确定得到的插补数据是否准确。可以通过第二线性回归模型计算得到的非数据缺失时刻的第一空气质量监测站的臭氧数据和该时刻的真实值来确定效用信息。
进一步地,为了准确的计算效用信息,计算所述第二线性回归模型的效用信息可以包括:根据所述第一臭氧数据计算所述第二线性回归模型的误差信息。设备根据第一臭氧数据计算第二线性回归模型的误差信息,将误差信息作为效用信息,误差信息可以包括平均绝对误差和均方根误差:
平均绝对误差(MAE)的计算公式如下:
均方根误差(RMSE)的计算公式如下:
平均绝对误差和均方根误差的大小反映了插补值和真实值之间的误差,其值越小表示插补值和真实值偏差小,说明插补效果越好。
S10253:将满足第二预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
设备中预设第二预设效用条件,第二预设效用条件用于筛选第二气象数据,设备将满足第二预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,另一种确定第二臭氧数据和第二气象数据的方式可以为:根据预选臭氧数据和预选气象数据两者与第一臭氧数据建立第三线性回归模型,即通过每组气象监测站和空气质量监测站分别对应的预选气象数据和预选臭氧数据计算第一空气质量监测站的臭氧数据,计算所述第三线性回归模型的效用信息,将满足第三预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。将满足第三预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二气象监测站。
S103:以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型。
设备以第一臭氧数据为因变量,以第二臭氧数据和第一气象数据自变量,构建多元回归模型。多元回归模型是用来进行回归分析的数学模型(含相关假设),其中只含有一个回归变量的回归模型称为一元回归模型,否则称为多元回归模型。举例来说,多元回归模型可以如下所示:
Y=aX1+bX2+cX3+...+dXm+eH1+fH2+...+gHn+ε
Y为第一空气质量监测站的缺失数据,X1,X2,X3,...,Xm为第二空气监测站的第二臭氧数据,H1,H2,...,Hn分别为第二气象站的第二气象数据,ε为常数项,a,b,c,d,e,f,g为各项的系数。
S104:基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
设备基于多元回归模型对第一臭氧数据中缺失的臭氧监测数据进行插补,基于第一臭氧数据中缺失的臭氧监测数据对应的时刻,分别将对应时刻的计算结果补全至第一臭氧数据,得到补全后的第一臭氧数据。
本申请实施例中,获取第一空气质量监测站的待补全的第一臭氧数据;获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。上述方案,获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据,以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,建立多元回归模型,通过模型计算出第一臭氧数据中缺失的臭氧检测数据,从而进行插补,由于臭氧的形成和其他气象数据也存在一定的关系,所以本方案在对臭氧数据进行插补时,考虑各监测站之间的相关联系和气象数据对臭氧数据的影响,能够提高臭氧缺失数据插补的准确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
请参见图5,图5是本申请第二实施例提供的臭氧缺失数据的插补装置的示意图。包括的各单元用于执行图1~图4对应的实施例中的各步骤。具体请参阅图1~图4各自对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图5,臭氧缺失数据的插补装置5包括:
第一获取单元510,用于获取第一空气质量监测站的待补全的第一臭氧数据;
第二获取单元520,用于获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;
构建单元530,用于以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;
第一处理单元540,用于基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
进一步地,第二获取单元520,具体用于:
将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为第二空气质量监测站,将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为第一气象监测站,获取所述第二空气质量监测站的第二臭氧数据和所述第一气象监测站的第一气象数据。
进一步地,第二获取单元520,包括:
第二处理单元,用于将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为候选空气质量监测站;
第三处理单元,用于将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为候选气象监测站;
第三获取单元,用于获取各个所述候选空气质量监测站的候选臭氧数据以及各个所述候选气象监测站的候选气象数据;
第四处理单元,用于将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站;
第五处理单元,用于将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,所述第四处理单元,包括:
第六处理单元,用于将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为预选臭氧数据;
第一计算单元,用于根据所述预选臭氧数据与所述第一臭氧数据建立第一线性回归模型,计算所述第一线性回归模型的效用信息;
第七处理单元,用于将满足第一预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
进一步地,所述第五处理单元,包括:
第八处理单元,用于将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为预选气象数据;
第二计算单元,用于根据所述预选气象数据与所述第一臭氧数据建立第二线性回归模型,计算所述第二线性回归模型的效用信息;
第九处理单元,用于将满足第二预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
进一步地,所述第一计算单元,具体用于:
根据所述第一臭氧数据计算所述第一线性回归模型的误差信息。
进一步地,所述第二计算单元,具体用于:
根据所述第一臭氧数据计算所述第二线性回归模型的误差信息。
图6是本申请第三实施例提供的臭氧缺失数据的插补设备的示意图。如图6所示,该实施例的臭氧缺失数据的插补设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如臭氧缺失数据的插补程序。所述处理器60执行所述计算机程序62时实现上述各个臭氧缺失数据的插补方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块510至540的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述臭氧缺失数据的插补设备6中的执行过程。例如,所述计算机程序62可以被分割成第一获取单元、第二获取单元、构建单元、第一处理单元,各单元具体功能如下:
第一获取单元,用于获取第一空气质量监测站的待补全的第一臭氧数据;
第二获取单元,用于获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;
构建单元,用于以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;
第一处理单元,用于基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
所述臭氧缺失数据的插补设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是臭氧缺失数据的插补设备6的示例,并不构成对臭氧缺失数据的插补设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述臭氧缺失数据的插补设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述臭氧缺失数据的插补设备6的内部存储单元,例如臭氧缺失数据的插补设备6的硬盘或内存。所述存储器61也可以是所述臭氧缺失数据的插补设备6的外部存储设备,例如所述臭氧缺失数据的插补设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述臭氧缺失数据的插补设备6还可以既包括所述臭氧缺失数据的插补设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述臭氧缺失数据的插补设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种臭氧缺失数据的插补方法,其特征在于,包括:
获取第一空气质量监测站的待补全的第一臭氧数据;
获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;
以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;
基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
2.如权利要求1所述的臭氧缺失数据的插补方法,其特征在于,所述获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据,包括:
将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为第二空气质量监测站,将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为第一气象监测站,获取所述第二空气质量监测站的第二臭氧数据和所述第一气象监测站的第一气象数据。
3.如权利要求1所述的臭氧缺失数据的插补方法,其特征在于,所述获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据,包括:
将与所述第一空气质量监测站的距离小于第一距离阈值的空气质量监测站作为候选空气质量监测站;
将与所述第一空气质量监测站的距离小于第二距离阈值的气象监测站作为候选气象监测站;
获取各个所述候选空气质量监测站的候选臭氧数据以及各个所述候选气象监测站的候选气象数据;
将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站;
将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
4.如权利要求3所述的臭氧缺失数据的插补方法,其特征在于,所述将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站,包括:
将与所述第一臭氧数据的线性相关度满足第一预设相关度条件的候选臭氧数据作为预选臭氧数据;
根据所述预选臭氧数据与所述第一臭氧数据建立第一线性回归模型,计算所述第一线性回归模型的效用信息;
将满足第一预设效用条件的效用信息对应的预选臭氧数据作为第二臭氧数据,将所述第二臭氧数据对应的候选空气质量监测站作为第二空气质量监测站。
5.如权利要求3所述的臭氧缺失数据的插补方法,其特征在于,所述将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测,站包括:
将与所述第一臭氧数据的线性相关度满足第二预设相关度条件的候选气象数据作为预选气象数据;
根据所述预选气象数据与所述第一臭氧数据建立第二线性回归模型,计算所述第二线性回归模型的效用信息;
将满足第二预设效用条件的效用信息对应的预选气象数据作为第二气象数据,将所述第二气象数据对应的候选气象监测站作为第二气象监测站。
6.如权利要求4所述的臭氧缺失数据的插补方法,其特征在于,所述计算所述第一线性回归模型的效用信息,包括:
根据所述第一臭氧数据计算所述第一线性回归模型的误差信息。
7.如权利要求5所述的臭氧缺失数据的插补方法,其特征在于,所述计算所述第二线性回归模型的效用信息,包括:
根据所述第一臭氧数据计算所述第二线性回归模型的误差信息。
8.一种臭氧缺失数据的插补装置,其特征在于,包括:
第一获取单元,用于获取第一空气质量监测站的待补全的第一臭氧数据;
第二获取单元,用于获取第二空气质量监测站的第二臭氧数据和第一气象监测站的第一气象数据;
构建单元,用于以所述第一臭氧数据为因变量,以所述第二臭氧数据和所述第一气象数据自变量,构建多元回归模型;
第一处理单元,用于基于所述多元回归模型对所述第一臭氧数据中缺失的臭氧监测数据进行插补,得到补全后的第一臭氧数据。
9.一种臭氧缺失数据的插补设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160941.7A CN111443163A (zh) | 2020-03-10 | 2020-03-10 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
PCT/CN2020/139335 WO2021179742A1 (zh) | 2020-03-10 | 2020-12-25 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010160941.7A CN111443163A (zh) | 2020-03-10 | 2020-03-10 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111443163A true CN111443163A (zh) | 2020-07-24 |
Family
ID=71627374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010160941.7A Pending CN111443163A (zh) | 2020-03-10 | 2020-03-10 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111443163A (zh) |
WO (1) | WO2021179742A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179742A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
CN114330146A (zh) * | 2022-03-02 | 2022-04-12 | 北京英视睿达科技股份有限公司 | 一种卫星气体数据补全方法和系统 |
CN115391746A (zh) * | 2022-10-28 | 2022-11-25 | 航天宏图信息技术股份有限公司 | 针对气象要素数据的插值方法、装置、电子设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631218B (zh) * | 2022-12-21 | 2023-04-11 | 广东中浦科技有限公司 | 一种基于普通克里金插值的臭氧传输变化分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
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 |
CN109685246A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技(深圳)有限公司 | 环境数据预估方法、装置及存储介质、服务器 |
CN109710659A (zh) * | 2018-12-16 | 2019-05-03 | 苏州城方信息技术有限公司 | 基于时空相关性的检测器缺失数据的填补方法 |
CN110134907A (zh) * | 2019-05-07 | 2019-08-16 | 中国科学院深圳先进技术研究院 | 一种降雨缺失数据填补方法、系统及电子设备 |
CN110147367A (zh) * | 2019-05-14 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 一种温度缺失数据填补方法、系统及电子设备 |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
CN110728411A (zh) * | 2019-10-18 | 2020-01-24 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881582B (zh) * | 2015-05-28 | 2017-10-24 | 象辑知源(武汉)科技有限公司 | 空气质量的预测方法和装置 |
CN105225486A (zh) * | 2015-10-09 | 2016-01-06 | 哈尔滨工业大学深圳研究生院 | 填补缺失浮动车数据的方法及系统 |
CN107451100A (zh) * | 2017-07-13 | 2017-12-08 | 南京信息工程大学 | 一种大气污染物浓度观测系统及其观测方法 |
US11775873B2 (en) * | 2018-06-11 | 2023-10-03 | Oracle International Corporation | Missing value imputation technique to facilitate prognostic analysis of time-series sensor data |
CN109298136B (zh) * | 2018-10-11 | 2019-10-15 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
CN110610295B (zh) * | 2019-08-14 | 2022-08-16 | 南京理工大学 | 资源环境负荷数据通用集成采集系统及方法 |
CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
-
2020
- 2020-03-10 CN CN202010160941.7A patent/CN111443163A/zh active Pending
- 2020-12-25 WO PCT/CN2020/139335 patent/WO2021179742A1/zh active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
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 |
CN109685246A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技(深圳)有限公司 | 环境数据预估方法、装置及存储介质、服务器 |
CN109710659A (zh) * | 2018-12-16 | 2019-05-03 | 苏州城方信息技术有限公司 | 基于时空相关性的检测器缺失数据的填补方法 |
CN110134907A (zh) * | 2019-05-07 | 2019-08-16 | 中国科学院深圳先进技术研究院 | 一种降雨缺失数据填补方法、系统及电子设备 |
CN110147367A (zh) * | 2019-05-14 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 一种温度缺失数据填补方法、系统及电子设备 |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
CN110728411A (zh) * | 2019-10-18 | 2020-01-24 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021179742A1 (zh) * | 2020-03-10 | 2021-09-16 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
CN114330146A (zh) * | 2022-03-02 | 2022-04-12 | 北京英视睿达科技股份有限公司 | 一种卫星气体数据补全方法和系统 |
CN114330146B (zh) * | 2022-03-02 | 2022-06-28 | 北京英视睿达科技股份有限公司 | 一种卫星气体数据补全方法和系统 |
CN115391746A (zh) * | 2022-10-28 | 2022-11-25 | 航天宏图信息技术股份有限公司 | 针对气象要素数据的插值方法、装置、电子设备及介质 |
CN115391746B (zh) * | 2022-10-28 | 2023-01-31 | 航天宏图信息技术股份有限公司 | 针对气象要素数据的插值方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021179742A1 (zh) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443163A (zh) | 一种臭氧缺失数据的插补方法、装置及插补设备 | |
Zhang et al. | Consensus forecasting of species distributions: The effects of niche model performance and niche properties | |
CN112613543B (zh) | 增强策略验证方法、装置、电子设备及存储介质 | |
US10216776B2 (en) | Variance based time series dataset alignment | |
CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN112383554A (zh) | 接口流量异常检测方法、装置、终端设备及存储介质 | |
CN111352794B (zh) | 异常检测方法、装置、计算机装置及存储介质 | |
CN112816959B (zh) | 用于车辆的聚类方法、装置、设备和存储介质 | |
CN111382687A (zh) | 人脸检测方法及系统 | |
CN113808015B (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
CN111259213B (zh) | 数据可视化的处理方法及装置 | |
CN112241853B (zh) | 一种区域间空气质量影响的评估方法及评估装置 | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN115080909A (zh) | 影响物联感知设备数据的分析方法、电子设备及存储介质 | |
CN114708239A (zh) | 胶宽检测方法、装置、电子设备及存储介质 | |
CN108599976B (zh) | 网络质量评估模型构建方法、装置及计算机设备 | |
CN112199418B (zh) | 一种工业对象的状态识别方法、装置及设备 | |
CN117526318B (zh) | 配电网状态评估方法、装置、电子设备、存储介质 | |
CN111510340B (zh) | 访问请求检测方法、装置、电子设备及可读存储介质 | |
CN111950225B (zh) | 一种芯片布局方法、装置、存储介质和电子设备 | |
CN117273260A (zh) | 基于大数据的多功能智能杆监管方法、装置、设备及介质 | |
CN110688812B (zh) | 一种基于小规模概率神经网络的电路故障诊断方法及装置 | |
CN112150447B (zh) | 基于位置服务的异常数据确定方法、装置和电子设备 | |
CN117150233B (zh) | 一种电网异常数据治理方法、系统、设备及介质 |
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: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |