CN111489015A - 基于多种模型对比和优化的大气o3浓度预测方法 - Google Patents
基于多种模型对比和优化的大气o3浓度预测方法 Download PDFInfo
- Publication number
- CN111489015A CN111489015A CN202010203240.7A CN202010203240A CN111489015A CN 111489015 A CN111489015 A CN 111489015A CN 202010203240 A CN202010203240 A CN 202010203240A CN 111489015 A CN111489015 A CN 111489015A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- neural network
- concentration
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 15
- 231100000719 pollutant Toxicity 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于大气污染预测模型构建领域，具体为一种基于多种模型对比的大气O3浓度预测方法。本发明包括如下步骤：(1)获取目标城市污染物浓度数据及相关气象数据；(2)对原始数据作预处理；(3)确定预测模型性能评价标准；(4)对目标城市O3分别构建相应的O3‑多元线性回归模型、时间序列模型以及BP神经网络模型，选择BP神经网络模型；(5)对BP神经网络作进一步优化，确定最优BP神经网络模型；(6)对最优BP神经网络模型作敏感性分析。
Description
技术领域
本发明属于大气污染预测模型构建领域，涉及一种基于多种模型对比的大气O3浓度预测方法。
背景技术
随着经济的快速发展以及机动车、工业企业数量的增长，不可避免的需要消耗更多的化石能源和自然资源，这直接导致了空气质量的变化。同时，大气污染对人体健康造成的损害以及历史文物、植被和古迹等的破坏更是无法估量的。目前，我国每年仅由酸雨导致的经济损失高达数百亿元。环境监测和预警是环境保护的基本工作，其不仅关系到科学决策，更关系到长远发展。为协助公众保持健康和改善生活质量，我国迫切需要建立一个稳定、准确且简便的空气质量监测及预警系统，对污染物浓度进行长期且大范围的监测，加深对污染特征和形成机理的认识
发明内容
本发明的目的是提供一种基于多种模型对比的大气O3浓度预测方法，通过使用这种方法，我们可以对目标城市的O3情况更好地进行预测。
本发明所提供的基于多种模型对比的大气O3浓度预测方法,包括如下步骤：
(1)获取目标城市各项大气常规污染物浓度数据及气象数据，大气常规污染物数据主要包括PM2.5、O3、PM10、SO2、CO、NO2，气象数据主要包括气温、风力、天气，并在获取数据之后，对上述各项数据进行数据库的建立；
(2)从数据库中读取目标城市中的各项大气常规污染物浓度数据及气象数据，并对以上数据进行预处理；
(3)确定模型预测性能评价标准；
(4)对目标城市的O3进行多元线性回归模型、BP神经网络模型以及时间序列模型的建立，选择预测性能较好的BP神经网络模型；
(5)对BP神经网络模型作参数调整，确定最优BP神经网络模型；
(6)对最优模型作敏感性分析，确定模型对各变量变化的敏感程度。
上述方法步骤(1)中，目标城市中空气质量数据，均来源于中国环境监测总站(http://www.cnemc.cn/)和中国空气质量在线监测分析平台(https://www.aqistudy.cn/historydata/)。
上述方法步骤(1)中，数据库的建立使用Excel软件。
上述方法步骤(2)中，对于多元线性回归模型和时间序列的数据预处理方法包括使用SPSS对所得数据进行一致性检查、对无效值和缺失值的替代；使用Excel对上述数据进行归一化的处理，将数据归一化到[0，1]，其公式为：
为得到真实的预测值，随后使用公式
重新换算预测值。
上述方法步骤(2)中，对于BP神经网络模型的数据预处理采用在Python中插入预处理函数代码进行一致性检查、对无效值和缺失值的替代或其他合理处理以及使用归一化到[0，1]的步骤，同时利用reindex函数对数据进行随机重排。
上述方法步骤(3)中，模型预测性能评价标准包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R2)，其计算公式如下，同时对各模型的评价综合考虑各个指标的数值大小以确定最终选用的模型。
上述方法步骤(4)中，其所使用的数据来自目标城市所选取时间内的全部大气常规污染物浓度数据及气象数据，利用软件SPSS进行多元线性回归模型的构建，使用逐步回归方法，剔除条件使用F概率为0.05-0.1。
上述方法步骤(4)中，同样利用SPSS软件构建时间序列模型，并采用结构为(p,d,q)的ARIMA模型。
上述方法步骤(4)中，基于Python构建BP神经网络模型，结构为：使用全样本进入模型，每次进入模型的样本(batch size)为将训练集、测试集和验证集的比例设为6：2：2，采用单隐层结构加速O3-BP神经网络的训练，输入层节点数为输入变量数8，输出层节点数为1，使用探测法分别确定隐藏层节点数、学习率和最大迭代次数，在神经网络的隐藏层和输出层中，分别采用ReLU和Purelin这两类激活函数。
上述方法步骤(5)中，基于Python对BP神经网络模型参数进行设置和调整，以提升BP神经网络模型的预测性能。其中输入层节点数取决于输入的预测变量个数为8，隐藏层个数为1，输出层个数为1；所需调整的模型参数包括隐藏层节点数、学习率和迭代次数，各参数范围分别为1-10、0.0001-0.1、1000-10000。
上述方法步骤(6)中，使用单因素敏感性分析方法对O3-最优模型作敏感性分析。具体方法为根据下述公式计算变量改变前后模型模拟结果的差异S，并通过对某一个变量增加或减少10％，计算差异S，并对两种情况下的差异值求平均值，即为模型对该变量的敏感性。
式中：n为模型模拟天数；xt为变量i未改变时，第t天的输出值；xi,t为变量i改变时，第t天的输出值。
附图说明
图1为本发明的方法流程图。
图2为三个模型的各项指标性能对比统计。
图3(a)、(b)、(c)分别为使用多元线性回归模型、时间序列模型以及BP神经网络模型时的O3实测-预测散点图。
图4为O3-BP神经网络模型与O3-最优BP神经网络模型的各项指标对比。
图5为最优BP神经网络模型O3实测-预测散点图。
图6为敏感性分析表。
具体实施方式
下面通过具体实施例对本发明进行说明,但本发明并不局限于此。
以北京市为例建模，应用模型对北京市2018年1月1日到2018年12月31日的O3进行了建模，具体方法流程如图1。
各项大气常规污染物浓度数据及气象数据由中国环境监测中心以及气象局网站提供。
1.获取数据和建立数据库
收集北京市的各项大气常规污染物浓度数据及气象数据，大气常规污染物数据包括PM2.5、O3、PM10、SO2、CO、NO2，气象数据包括气温、风力、天气。
在获取数据之后，利用Excel对上述各项数据进行数据库的建立；
2.数据的预处理
从数据库中读取北京市的各项大气常规污染物浓度数据及气象数据，并对以上数据进行预处理。对于多元线性回归模型和时间序列的数据预处理方法包括使用SPSS对所得数据进行一致性检查、对无效值和缺失值的替代或其他合理处理以及使用归一化到[0，1]的方法对上述数据进行归一化的处理，其公式为：
而为了得到真实的预测值，我们可以在接下来使用公式
重新换算回我们所需要的预测值。
对于BP神经网络模型的数据预处理采用在Python中插入预处理函数代码进行一致性检查、对无效值和缺失值的替代或其他合理处理以及使用归一化到[0，1]的步骤，同时利用reindex函数对数据进行随机重排。
3.确定模型预测性能评价标准
预测性能评价标准包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R2)。
4.预测模型的建立
大气常规污染物浓度数据及气象数据，利用软件SPSS进行多元线性回归模型的构建，使用逐步回归方法，使用F概率为0.05-0.1的剔除条件。
同样利用SPSS软件构建时间序列模型，并采用结构为(8,1,1)的ARIMA模型。
基于Python构建BP神经网络模型，结构为：使用全样本进入模型，每次进入模型的样本(batch size)中训练集、测试集和验证集的比例设为219：73：73，采用单隐层的O3-BP神经网络结构；在神经网络的隐藏层和输出层中，分别采用ReLU和Purelin这两类激活函数；设置输入层节点数为8，隐藏层个数为1，输出层个数为1。隐藏层节点数、最大迭代次数、学习率初步设置为2、3000、0.01。
如图2，所得北京O3-多元线性回归模型、时间序列模型和BP神经网络模型各项指标(RMSE、MAE、MAPE、R2)分别为24.13、24.32、36.05％、0.68，24.03、23.79、35.43％、0.68和19.07、12.91、19.76％、0.88；图3为各模型实测-预测散点图。显然BP神经网络模型预测性能优于其他模型，选择BP神经网络模型作优化，确定最优BP神经网络模型。
5.基于Python对BP神经网络模型作参数调整
经探测法确定最优BP神经网络隐藏层节点数为6，最大迭代次数6000，学习率0.005。如图4，最优BP神经网络各项数据分别为：17.92、9.90、11.41％、0.90；图5为最优BP神经网络模型O3实测-预测散点图。经对比，最优BP神经网络模型相较原模型各项参数均有一定提升，对O3拟合度显著优于原模型。
6.最优BP神经网络模型敏感性分析
如图6所示，对于不同变量数值的变化，该模型表现出不同程度的敏感性；气温和NO2浓度对模型的模拟结果改变量较大，敏感度分别为7.89％和7.64％；天气的敏感度最低，仅2.59％；其他5个变量敏感度相近，均在4-6％之间；上述各变量数值改变后所得预测值与原预测值差异S均低于8％，远低于100％。因此，北京市最优O3-BP神经网络模型对各模型变量变化的敏感程度较低，模型稳定性较好。
Claims (7)
1.基于多种模型对比和优化的大气O3浓度预测方法，其特征在于，包括如下步骤：
(1)获取目标城市各项大气常规污染物浓度数据及气象数据，大气常规污染物数据主要包括PM2.5、O3、PM10、SO2、CO、NO2，气象数据主要包括气温、风力、天气，并在获取数据之后，对上述各项数据进行数据库的建立；
(2)从数据库中读取目标城市中的各项大气常规污染物浓度数据及气象数据，并对以上数据进行预处理；
(3)确定模型预测性能评价标准；
(4)对目标城市的O3进行多元线性回归模型、BP神经网络模型以及时间序列模型的建立，选择预测性能较好的BP神经网络模型；
(5)对BP神经网络模型作参数调整，确定最优BP神经网络模型；
(6)对最优BP神经网络模型作敏感性分析，确定模型对各变量变化的敏感程度。
2.根据权利要求1所述的基于多种模型对比和优化的大气O3浓度预测方法，其特征在于，步骤(1)中，目标城市中空气质量数据，均来源于中国环境监测总站和中国空气质量在线监测分析平台数据库的建立使用Excel软件。
3.根据权利要求1所述的基于多种模型对比和优化的大气O3浓度预测方法，其特征在于，步骤(2)中，对于多元线性回归模型和时间序列的数据预处理方法包括使用SPSS对所得数据进行一致性检查、对无效值和缺失值的替代；使用Excel对上述数据进行归一化的处理，将数据归一化到[0，1]，其公式为：
为得到真实的预测值，随后使用公式
重新换算预测值。
对于BP神经网络模型的数据预处理采用在Python中插入预处理函数代码进行一致性检查、对无效值和缺失值的替代或其他合理处理以及使用归一化到[0，1]的步骤，同时利用reindex函数对数据进行随机重排。
4.根据权利要求1所述的基于多种模型对比和优化的大气O3浓度预测方法，其特征在于：步骤(3)中，模型预测性能评价标准包括均方根误差、平均绝对误差、平均绝对百分比误差和决定系数，其计算公式如下，同时对各模型的评价综合考虑各个指标的数值大小以确定最终选用的模型：
5.根据权利要求1所述的基于多种模型对比和优化的大气O3浓度预测方法，其特征在于：步骤(4)中，其所使用的数据来自目标城市所选取时间内的全部大气常规污染物浓度数据及气象数据，利用软件SPSS进行多元线性回归模型的构建，使用逐步回归方法，剔除条件使用F概率为0.05-0.1；
同样利用SPSS软件构建时间序列模型，并采用结构为(p,d,q)的ARIMA模型；
基于Python构建BP神经网络模型，结构为：使用全样本进入模型，每次进入模型的样本(batch size)为将训练集、测试集和验证集的比例设为6：2：2，采用单隐层结构加速O3-BP神经网络的训练，输入层节点数为输入变量数8，输出层节点数为1，使用探测法分别确定隐藏层节点数、学习率和最大迭代次数，在神经网络的隐藏层和输出层中，分别采用ReLU和Purelin这两类激活函数。
6.根据权利要求1所述的基于多种模型对比和优化的大气O3浓度预测方法，其特征在于：步骤(5)中，基于Python对该模型参数进行设置和调整，以提升BP神经网络模型的预测性能，其中输入层节点数取决于输入的预测变量个数为8，隐藏层个数为1，输出层个数为1；
所需调整的模型参数包括隐藏层节点数、学习率和迭代次数，各参数范围分别为1-10、0.0001-0.1、1000-10000。
7.根据权利要求1所述的基于多种模型对比和优化的大气O3浓度预测方法，其特征在于：步骤(6)中，使用单因素敏感性分析方法对O3-最优模型作敏感性分析：
具体方法为根据下述公式计算变量改变前后模型模拟结果的差异S，并通过对某一个变量增加或减少10％，计算差异S，并对两种情况下的差异值求平均值，即为模型对该变量的敏感性，
式中：n为模型模拟天数；xt为变量i未改变时，第t天的输出值；xi,t为变量i改变时，第t天的输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203240.7A CN111489015A (zh) | 2020-03-20 | 2020-03-20 | 基于多种模型对比和优化的大气o3浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010203240.7A CN111489015A (zh) | 2020-03-20 | 2020-03-20 | 基于多种模型对比和优化的大气o3浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111489015A true CN111489015A (zh) | 2020-08-04 |
Family
ID=71798941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010203240.7A Pending CN111489015A (zh) | 2020-03-20 | 2020-03-20 | 基于多种模型对比和优化的大气o3浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111489015A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070156A (zh) * | 2020-09-07 | 2020-12-11 | 广东电科院能源技术有限责任公司 | 一种由gru网络的气体排放浓度预测方法及系统 |
| CN112131751A (zh) * | 2020-09-29 | 2020-12-25 | 天津大学 | 一种基于hydrus-1d的参数预测方法 |
| CN113537515A (zh) * | 2021-07-27 | 2021-10-22 | 江苏蓝创智能科技股份有限公司 | Pm2.5预测方法、系统、装置及存储介质 |
| CN114280239A (zh) * | 2021-12-22 | 2022-04-05 | 中科三清科技有限公司 | 确定城市空气情况的方法、装置、电子设备及介质 |
| CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
| CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
| CN115840793A (zh) * | 2022-12-12 | 2023-03-24 | 四川大学 | 基于随机森林的气象空间归一化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| 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
- 2020-03-20 CN CN202010203240.7A patent/CN111489015A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| TZVETAN OSTROMSKY ET AL.: "On the Performance, Scalability and Sensitivity Analysis of a Large Air Pollution Model", 《PROCEDIA COMPUTER SCIENCE》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070156A (zh) * | 2020-09-07 | 2020-12-11 | 广东电科院能源技术有限责任公司 | 一种由gru网络的气体排放浓度预测方法及系统 |
| CN112131751A (zh) * | 2020-09-29 | 2020-12-25 | 天津大学 | 一种基于hydrus-1d的参数预测方法 |
| CN112131751B (zh) * | 2020-09-29 | 2022-06-07 | 天津大学 | 一种基于hydrus-1d的参数预测方法 |
| CN113537515A (zh) * | 2021-07-27 | 2021-10-22 | 江苏蓝创智能科技股份有限公司 | Pm2.5预测方法、系统、装置及存储介质 |
| CN114280239A (zh) * | 2021-12-22 | 2022-04-05 | 中科三清科技有限公司 | 确定城市空气情况的方法、装置、电子设备及介质 |
| CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
| CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
| CN115840793A (zh) * | 2022-12-12 | 2023-03-24 | 四川大学 | 基于随机森林的气象空间归一化方法及系统 |
| CN115840793B (zh) * | 2022-12-12 | 2024-05-07 | 四川大学 | 基于随机森林的气象空间归一化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
| CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
| CN112465243B (zh) | 一种空气质量预报方法及系统 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
| CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
| CN111339092B (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
| CN113570163B (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
| CN114897250B (zh) | 融合空间和统计特征的cnn-gru臭氧浓度预测模型建立方法、预测方法及模型 | |
| CN108802856B (zh) | 一种基于ai的源数据动态修正预报系统及其工作方法 | |
| 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 | |
| CN113537515A (zh) | Pm2.5预测方法、系统、装置及存储介质 | |
| CN117171546A (zh) | 一种结合污染扩散指数的城市空气质量预测方法 | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN114741972A (zh) | 一种空气污染物浓度季节性预测模型的构建方法 | |
| CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
| CN110852493A (zh) | 基于多种模型对比的大气pm2.5浓度预测方法 | |
| CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
| CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
| CN114235653A (zh) | 基于端云协同的大气颗粒污染物时空预测云平台 | |
| CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
| CN115639628A (zh) | 一种基于空间分组建模的bp神经网络空气质量预报方法 | |
| CN115829113A (zh) | 基于能源消费数据的碳排放估算方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200804 |