CN111507533A - 空气污染物浓度预测方法、装置、电子设备及存储介质 - Google Patents
空气污染物浓度预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111507533A CN111507533A CN202010322792.XA CN202010322792A CN111507533A CN 111507533 A CN111507533 A CN 111507533A CN 202010322792 A CN202010322792 A CN 202010322792A CN 111507533 A CN111507533 A CN 111507533A
- Authority
- CN
- China
- Prior art keywords
- data
- preset time
- meteorological
- time unit
- environmental monitoring
- 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.)
- Granted
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种空气污染物浓度预测方法、装置、电子设备及存储介质,该方法包括:获取预设时间段内的环境监测历史数据和气象历史数据;根据预设时间段内的环境监测数据和气象数据,训练预先创建的编码‑解码网络结构,得到编码‑解码结构模型;获取第一预设时间单位内的环境监测数据和气象数据;根据第一预设时间单位内的环境监测数据和气象数据,通过编码‑解码结构模型预测未来第二预设时间单位内的空气污染物浓度。本申请将编码‑解码结构用于空气质量预测,无需进行气象预测,就能预测出空气污染物浓度,预测过程简单快速,效率和准确率都很高。且能对多种环境特征和气象特征进行深层次分析,有效利用环境大数据,实现环境管理水平的提升。
Description
技术领域
本申请属于环境保护技术领域,具体涉及一种空气污染物浓度预测方法、装置、电子设备及存储介质。
背景技术
空气污染物包括PM2.5、PM10、二氧化氮、二氧化硫等,这些空气污染物对人体健康和大气环境都有恶劣影响。因此对空气污染物的浓度进行预测,对空气污染物的治理及人类活动有重要的指导意义。
相关技术中提出了一种空气污染物浓度的预测方法,首先根据天气实况分析图和预报图,分析气象条件对空气污染物扩散的影响。其次考虑外来污染输入情况,根据周边城市空气质量实况、区域空气质量实况以及变化态势等,对上风向城市制作前向轨迹图,对未来气团传输轨迹情况进行预测。以及,参考往年气象情况及往年空气质量指数,根据近几年对应时间段的气象条件及空气质量指数,与往年同期相似天气形势案例进行对比分析。另外,还要结合政策因素、未来关键气象因素、预测模型等多方面的因素,最终预测出未来一段时间内各空气污染物的浓度。
但上述相关技术必须进行气象预测,才能预测出空气污染物的浓度,预测过程复杂,准确率低。
发明内容
本申请提出一种空气污染物浓度预测方法、装置、电子设备及存储介质,将编码-解码结构用于空气质量预测,无需进行气象预测,就能预测出空气污染物浓度,预测过程简单快速,效率和准确率都很高。
本申请第一方面实施例提出了一种空气污染物浓度预测方法,所述方法包括;
获取预设时间段内的环境监测历史数据和气象历史数据;
根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型;
获取第一预设时间单位内的环境监测数据和气象数据;
根据所述第一预设时间单位内的环境监测数据和气象数据,通过所述编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度。
在本申请的一些实施例中,所述根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型,包括:
将所述预设时间段内的环境监测历史数据和气象历史数据划分为多个时长为第一预设时间单位的切片数据;
从所述预设时间段内的环境监测历史数据中,分别获取每个切片数据对应的截止时刻之后第二预设时间单位内的空气污染物浓度;
将切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将获得的多个数据组构成训练集;
通过所述训练集对预先创建的编码-解码网络结构进行训练,得到编码-解码结构模型。
在本申请的一些实施例中,所述将所述预设时间段内的环境监测历史数据和气象历史数据划分为多个时长为第一预设时间单位的切片数据,包括:
将所述预设时间段划分为多个时长为第一预设时间单位的时间段;
将每个时间段对应的环境监测历史数据和气象历史数据分别确定为每个时间段对应的切片数据。
在本申请的一些实施例中,所述将所述预设时间段划分为多个时长为第一预设时间单位的时间段,包括:
以第一预设时间单位为切割窗口,以预设时长为所述切割窗口的滑动步长,将所述预设时间段切割为多个时间段,所述预设时长小于所述第一预设时间单位。
在本申请的一些实施例中,所述将切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将获得的多个数据组构成训练集,包括:
分别计算每个切片数据对应的第二预设时间单位内的空气污染物浓度的平均值;
根据每个切片数据对应的平均值,从所述每个切片数据中选取满足预设均衡条件的切片数据;
将选取的切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将组成的多个数据组构成训练集。
在本申请的一些实施例中,所述根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构之前,还包括:
将第一全连接层、第二全连接层和第三全连接层串联,得到第一自编码器;所述第一全连接层包括的神经节点数目与所述环境监测历史数据中环境特征的数目相等;
将第四全连接层、第五全连接层和第六全连接层串联,得到第二自编码器;所述第四全连接层包括的神经节点数目与所述气象历史数据中气象特征的数目相等;
将所述第一自编码器和所述第二自编码器并联,并与拼接层和预设数目个第一循环神经网络层串联,得到编码器;
将第二循环神经网络层、第七全连接层和第八全连接层串联,得到解码器;
将所述编码器和所述解码器串联,得到编码-解码网络结构。
在本申请的一些实施例中,所述根据所述第一预设时间单位内的环境监测数据和气象数据,通过所述编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度,包括:
通过所述第一自编码器提取所述第一预设时间单位内的环境监测数据中的环境特征;
通过所述第二自编码器提取所述第一预设时间单位内的气象数据中的气象特征;
通过所述拼接层对所述环境特征和所述气象特征进行时域拼接;
通过所述第一循环神经网络层和所述解码器对拼接的所述环境特征和所述气象特征进行预测,获得未来第二预设时间单位内的空气污染物浓度。
本申请第二方面的实施例提供了一种空气污染物浓度预测装置,所述装置包括;
第一获取模块,用于获取预设时间段内的环境监测历史数据和气象历史数据;
模型训练模块,用于根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型;
第二获取模块,用于获取第一预设时间单位内的环境监测数据和气象数据;
预测模块,用于根据所述第一预设时间单位内的环境监测数据和气象数据,通过所述编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度。
本申请第三方面的实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案,至少具有如下技术效果或优点:
本申请实施例将编码-解码结构用于空气质量预测,只要将过去第一预设时间单位内的环境监测数据和气象数据输入编码-解码结构模型中,即可得到未来第二预设时间单位内的空气污染物浓度。无需进行气象预测,即可得到空气污染物浓度的预测结果,预测过程简单快速,效率和准确率都很高。而且能够对多种环境特征和气象特征进行深层次的分析,有效利用环境大数据,实现环境管理水平的提升。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了本申请一实施例所提供的一种空气污染物浓度预测方法的流程图;
图2示出了本申请一实施例所提供的编码-解码网络结构的示意图;
图3示出了本申请一实施例所提供的一种空气污染物浓度预测装置的结构示意图;
图4示出了本申请一实施例所提供的一种电子设备的结构示意图;
图5示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述根据本申请实施例提出的一种空气污染物浓度预测方法、装置、电子设备及存储介质。
本申请实施例提供了一种空气污染物浓度预测方法,该方法将编码器-解码器结构用于空气质量预测,能够对环境监测数据包括的PM2.5浓度、PM10浓度、二氧化氮浓度等环境特征及气象数据包括的温度、气压、风速、风向等气象特征进行深层次的分析,有效利用环境大数据,预测各种空气污染物浓度,实现环境管理水平的提升。
参见图1,该方法具体包括以下步骤;
步骤101:获取预设时间段内的环境监测历史数据和气象历史数据。
上述预设时间段可以为1年、3年或5年等,为了提供充足的数据来训练编码-解码结构模型,该预设时间段可以取更长时间。环境监测历史数据包括PM2.5浓度、PM10浓度、二氧化氮浓度等。气象历史数据包括的温度、气压、风速、风向等。
本申请实施例收集预设时间段内的环境监测历史数据和气象历史数据,以一定的时间间隔将收集的数据整理为多条数据,每条数据的结构组成为时间区间、该时间区间内的环境监测历史数据和气象历史数据。上述时间区间对应的时长即为上述一定的时间间隔,该时间间隔可以为1小时或2小时等。
通过上述方式获取到预设时间段内的环境监测历史数据和气象历史数据之后,还对获取的数据进行数据预处理,如进行缺失值处理、归一化处理、冗杂特征去除处理等。其中,缺失值处理指,若环境监测历史数据或气象历史数据中某个时刻的某项数据缺失,则可以该时刻缺失的数据补充为与该时刻相邻的其他时刻下该项数据的值。若一定的时间间隔内缺失了的数据的数目超过了一定量,则可以直接将该时间间隔内的环境监测历史数据和气象历史数据删除。归一化处理是指将环境监测历史数据和气象历史数据中的一些特征值转换到统一的数值标准下,如将不同时间的气压均转换到0-1之间。冗杂特征去除处理是指,将与需要预测的空气污染物浓度关联小的特征去除,以及将相似性高的多个特征中保留一个特征,去除其他的。例如,需要预测的空气污染物浓度PM2.5浓度,则去除与PM2.5浓度关联小的紫外线指数等;对于气压与海平面压强这种相似性高的特征,可以去除海平面压强,只保留气压。
本申请实施例还通过如下操作创建编码-解码网络结构,具体包括:
将第一全连接层、第二全连接层和第三全连接层串联,得到第一自编码器;第一全连接层包括的神经节点数目与环境监测历史数据中环境特征的数目相等;将第四全连接层、第五全连接层和第六全连接层串联,得到第二自编码器;第四全连接层包括的神经节点数目与气象历史数据中气象特征的数目相等;将第一自编码器和第二自编码器并联,并与拼接层和预设数目个第一循环神经网络层串联,得到编码器;将第二循环神经网络层、第七全连接层和第八全连接层串联,得到解码器;将编码器和解码器串联,得到编码-解码网络结构。
如图2所示的编码-解码网络结构,图2中的箭头表示数据传输的方向。该编码-解码网络结构包括编码器和解码器,编码器的输出作为解码器的输入。编码器包括第一自编码器、第二自编码器、拼接层和预设数目个第一循环神经网络层。其中,第一自编码器和第二自编码器并联之后,与拼接层和预设数目个第一循环神经网络层依次串联。拼接层用于拼接第一自编码器和第二自编码器的输出,第一循环神经网络层可以为LSTM(Long Short-Term Memory,长短期记忆网络)层、RNN(Recurrent Neural Network,循环神经网络)层或GUR(Gated Recurrent Unit,门控循环单元)层等,每个第一循环神经网络层中的神经节点的数目均为256。
第一自编码器由第一全连接层、第二全连接层和第三全连接层串联而成,第一全连接层包括的神经节点数目与环境监测历史数据中环境特征的数目相等,第二全连接层包括的神经节点数目为128,第三全连接层包括的神经节点数目为256。第二自编码器由第四全连接层、第五全连接层和第六全连接层串联而成。第四全连接层包括的神经节点数目与气象历史数据中气象特征的数目相等,第五全连接层包括的神经节点数目为128,第六全连接层包括的神经节点数目为256。
解码器由第二循环神经网络层、第七全连接层和第八全连接层串联而成,第二循环神经网络层可以为LSTM层、RNN层或GUR层等,上述编码器的输出结果作为第二循环神经网络层的输入,第二循环神经网络层中神经节点的数量为256,第七全连接层和第八全连接层中神经节点的数量分别为256和24。
本申请实施例还设置上述编码-解码网络结构的模型损失函数为如公式(1)所示的RMSE(Root Mean Squared Error,均方根误差):
在公式(1)中,N为步骤101中获取的数据总条数,i为数据的序号,Oi为第i条数据的实际值,Pi为第i条数据的预测值。
通过上述操作获取过去预设时间段内的环境监测历史数据和气象历史数据,并创建出编码-解码网络结构,之后通过如下步骤102的操作来训练编码-解码结构模型。
步骤102:根据预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型。
本申请实施例具体通过如下步骤S1-S4的操作来训练编码-解码结构模型,具体包括:
S1:将预设时间段内的环境监测历史数据和气象历史数据划分为多个时长为第一预设时间单位的切片数据。
上述第一预设时间单位可以为48小时、72小时、96小时等。首先将预设时间段划分为多个时长为第一预设时间单位的时间段。
本申请实施例中,可以将预设时间段均分为多个第一预设时间单位的时间段,任意相邻的两个时间段中前一个时间段的截止时刻与后一个时间段的开始时刻相同。
或者,本申请实施例还可以对预设时间段内的环境监测历史数据和气象历史数据进行有重叠的窗口滑动切片。具体地,以第一预设时间单位为切割窗口,以预设时长为切割窗口的滑动步长,将预设时间段切割为多个时间段,预设时长小于第一预设时间单位。其中,上述预设时长可以为1个小时或2个小时等。通过上述切割窗口以预设时长为滑动步长进行切割后,得到的多个时间段中任意相邻的两个时间段中存在一段重合时间,该重合时间的时长为第一预设时间单位与上述预设时长之间的差值。例如,假设预设时长为1小时,第一预设时间单位为72小时,则切割出的相邻的两个时间段之间存在71个小时的重合时间。
通过上述任意方式将预设时间段划分为多个时长为第一预设时间单位的时间段之后,将每个时间段对应的环境监测历史数据和气象历史数据分别确定为每个时间段对应的切片数据。
S2:从预设时间段内的环境监测历史数据中,分别获取每个切片数据对应的截止时刻之后第二预设时间单位内的空气污染物浓度。
上述第二预设时间单位可以为24小时或48小时等。
对于每个切片数据,确定该切片数据对应的时间段的截止时刻。根据该截止时刻,确定从该截止时刻起经过第二预设时间单位这段时间对应的时刻范围。从预设时间段内的环境监测历史数据中获取上述确定时刻范围内的环境监测历史数据。从获取的环境监测历史数据中获取所需要的特定的空气污染物浓度。其中,需要使用本申请实施例提供的方法预测哪种空气污染物浓度,则此处就获取的哪种空气污染物浓度。如若需要使用本申请实施例提供的方法预测PM2.5浓度,则此处就需要获取切片数据对应的第二预设时间单位内的PM2.5浓度。
例如,假设需要获取PM2.5浓度,第二时间单位为24小时,切片数据对应的时间段为72小时,假设某个切片数据对应的时间段的截止时刻为2019年1月1日1:00,则先获取2019年1月1日1:00至2019年1月2日1:00之间的环境监测历史数据,然后从这段时间内的环境监测历史数据中获取这24个小时内的PM2.5浓度,若过去环境监测过程中每个小时记录一次PM2.5浓度,则将获取到24个PM2.5浓度。
S3:将切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将获得的多个数据组构成训练集。
分别将切片数据与该切片数据对应的第二预设时间单位内的空气污染物浓度组成一个数据组。例如,假设第一时间单位为72小时,第二预设时间单位为24小时,且使用本申请实施例提供的方法预测PM2.5浓度,则将72小时内的切片数据与该72小时之后的24小时内的PM2.5浓度组成一个数据组。
本申请实施例可以将组成的所有数据组构成训练集。本申请实施例还可以设置预设均衡条件,根据预设均衡条件从所有切片数据中均衡的选取切片数据,以避免训练集包括的数据组中空气污染物浓度过于集中,进而提高后续利用训练集训练的编码-解码结构模型的预测准确率。预设均衡条件规定了空气污染物的不同浓度区间及浓度区间对应的切片数据的数量,如PM2.5浓度区间[0,50]对应的切片数据的数量为1000,区间(50,100]对应的切片数据的数量为1000等。
具体地,分别计算每个切片数据对应的第二预设时间单位内的空气污染物浓度的平均值;根据每个切片数据对应的平均值,从每个切片数据中选取满足预设均衡条件的切片数据。即对于每个切片数据,首先分别计算每个切片数据之后第二预设时间单位内的空气污染物浓度的平均值,确定每个切片数据对应的平均值所在的空气污染物的浓度区间,根据预设均衡条件,从平均值属于某个浓度区间的所有切片数据中,随机选取该浓度区间对应的数量个切片数据。
例如,假设PM2.5浓度区间[0,50]对应的切片数据的数量为1000,区间(50,100]对应的切片数据的数量为1000。对于数据组“72小时的切片数据与72小时之后的24小时内的PM2.5浓度”,计算72小时之后的24个PM2.5浓度的平均值。对于每个切片数据均计算出其对应的24个PM2.5浓度的平均值之后,从平均值在[0,50]内的切片数据中选取1000个切片数据,以及从平均值在(50,100]的切片数据中选取1000个切片数据。
通过上述方式均衡的选取出多个切片数据之后,将选取的切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将组成的多个数据组构成训练集。
本申请实施例还可以将组成的所有数据组划分为训练集、验证集和测试集。训练集、验证集和测试集包括的数据组占有所数据集的比例可以分别为60%、20%和20%。
S4:通过训练集对预先创建的编码-解码网络结构进行训练,得到编码-解码结构模型。
在训练时,从训练集中每次随机选取一定数量的数据组,将选取的数据组输入至上述创建的编码-解码网络结构中进行训练学习,对于每个数据组,通过编码-解码网络结构进行训练过程中都计算该数据组对应的均方根误差,当计算的均方根误差小于预设阈值时,停止训练,得到训练好的编码-解码结构模型。其中,上述一定数量设定为大于1的自然数。
通过训练集训练得到编码-解码结构模型之后,还可以将验证集输入训练得到的编码-解码结构模型中进行验证,若验证出均方根误差大于或等于预设阈值,则可以对编码-解码结构模型中第一循环神经网络和/或第二循环神经网络的层数及各层的神经节点的数目等参数进行调整,以使最终的编码-解码结构模型对应的均方根误差小于预设阈值。
通过上述步骤101和102的操作训练出编码-解码结构模型后,即可通过如下步骤103和104的操作来预测未来第二预设时间单位内的空气污染物浓度。
步骤103:获取第一预设时间单位内的环境监测数据和气象数据。
其中,第一预设时间单位为48小时、72小时或96小时等。
步骤104:根据第一预设时间单位内的环境监测数据和气象数据,通过编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度。
将获取的第一预设时间单位内的环境监测数据和气象数据输入训练好的编码-解码结构模型包括的编码器中。其中,第一预设时间单位内的环境监测数据输入编码器中的第一自编码器,第一自编码器包括的第一全连接层包括的神经节点数目与环境监测数据中环境特征的数目相等,通过第一自编码器提取出第一预设时间单位内的环境监测数据中的环境特征。第一预设时间单位内的气象数据输入编码器中的第二自编码器中。第二自编码器包括的第四全连接层包括的神经节点数目与气象数据中气象特征的数目相等,通过第二自编码器提取第一预设时间单位内的气象数据中的气象特征。
然后通过编码器中的拼接层对环境特征和气象特征进行时域拼接,即将同一时刻的环境特征和气象特征进行关联,使环境特征和气象特征在时域上对齐。之后通过编码器中的预设数目个第一循环神经网络层和解码器中的第二循环神经网络层、第七全连接层和第八全连接层依次对拼接好的环境特征和气象特征进行预测分析,输出未来第二预设时间单位内的空气污染物浓度。
本申请实施例提供的方法可适用于对PM2.5、PM10、二氧化氮等任意空气污染物的浓度进行预测。
本申请实施例将编码-解码结构用于空气质量预测,只要将过去第一预设时间单位内的环境监测数据和气象数据输入编码-解码结构模型中,即可得到未来第二预设时间单位内的空气污染物浓度。无需进行气象预测,即可得到空气污染物浓度的预测结果,预测过程简单快速,效率和准确率都很高。而且能够对多种环境特征和气象特征进行深层次的分析,有效利用环境大数据,实现环境管理水平的提升。
本申请实施例提供了一种空气污染物浓度预测装置,该装置用于执行上述实施例所述的空气污染物浓度预测方法,如图3所示,该装置包括;
第一获取模块301,用于获取预设时间段内的环境监测历史数据和气象历史数据;
模型训练模块302,用于根据预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型;
第二获取模块303,用于获取第一预设时间单位内的环境监测数据和气象数据;
预测模块304,用于根据第一预设时间单位内的环境监测数据和气象数据,通过编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度。
上述模型训练模块302包括:
数据划分单元,用于将预设时间段内的环境监测历史数据和气象历史数据划分为多个时长为第一预设时间单位的切片数据;
获取单元,用于从预设时间段内的环境监测历史数据中,分别获取每个切片数据对应的截止时刻之后第二预设时间单位内的空气污染物浓度;
训练集获得单元,用于将切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将获得的多个数据组构成训练集;
训练单元,用于通过训练集对预先创建的编码-解码网络结构进行训练,得到编码-解码结构模型。
上述数据划分单元,用于将预设时间段划分为多个时长为第一预设时间单位的时间段;将每个时间段对应的环境监测历史数据和气象历史数据分别确定为每个时间段对应的切片数据。
上述数据划分单元,具体用于以第一预设时间单位为切割窗口,以预设时长为切割窗口的滑动步长,将预设时间段切割为多个时间段,预设时长小于第一预设时间单位。
上述训练集获得单元,用于分别计算每个切片数据对应的第二预设时间单位内的空气污染物浓度的平均值;根据每个切片数据对应的平均值,从每个切片数据中选取满足预设均衡条件的切片数据;将选取的切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将组成的多个数据组构成训练集。
该装置还包括:编码-解码网络结构创建模块,用于将第一全连接层、第二全连接层和第三全连接层串联,得到第一自编码器;第一全连接层包括的神经节点数目与环境监测历史数据中环境特征的数目相等;将第四全连接层、第五全连接层和第六全连接层串联,得到第二自编码器;第四全连接层包括的神经节点数目与气象历史数据中气象特征的数目相等;将第一自编码器和第二自编码器并联,并与拼接层和预设数目个第一循环神经网络层串联,得到编码器;将第二循环神经网络层、第七全连接层和第八全连接层串联,得到解码器;将编码器和解码器串联,得到编码-解码网络结构。
预测模块304,用于通过第一自编码器提取第一预设时间单位内的环境监测数据中的环境特征;通过第二自编码器提取第一预设时间单位内的气象数据中的气象特征;通过拼接层对环境特征和气象特征进行时域拼接;通过第一循环神经网络层和解码器对拼接的环境特征和气象特征进行预测,获得未来第二预设时间单位内的空气污染物浓度。
本申请的上述实施例提供的空气污染物浓度预测装置与本申请实施例提供的空气污染物浓度预测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的空气污染物浓度预测方法对应的电子设备,以执行上空气污染物浓度预测方法。本申请实施例不做限定。
请参考图4,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图4所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的空气污染物浓度预测方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述空气污染物浓度预测方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的空气污染物浓度预测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的空气污染物浓度预测方法对应的计算机可读存储介质,请参考图5,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的空气污染物浓度预测方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的空气污染物浓度预测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种空气污染物浓度预测方法,其特征在于,所述方法包括;
获取预设时间段内的环境监测历史数据和气象历史数据;
根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型;
获取第一预设时间单位内的环境监测数据和气象数据;
根据所述第一预设时间单位内的环境监测数据和气象数据,通过所述编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型,包括:
将所述预设时间段内的环境监测历史数据和气象历史数据划分为多个时长为第一预设时间单位的切片数据;
从所述预设时间段内的环境监测历史数据中,分别获取每个切片数据对应的截止时刻之后第二预设时间单位内的空气污染物浓度;
将切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将获得的多个数据组构成训练集;
通过所述训练集对预先创建的编码-解码网络结构进行训练,得到编码-解码结构模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述预设时间段内的环境监测历史数据和气象历史数据划分为多个时长为第一预设时间单位的切片数据,包括:
将所述预设时间段划分为多个时长为第一预设时间单位的时间段;
将每个时间段对应的环境监测历史数据和气象历史数据分别确定为每个时间段对应的切片数据。
4.根据权利要求3所述的方法,其特征在于,所述将所述预设时间段划分为多个时长为第一预设时间单位的时间段,包括:
以第一预设时间单位为切割窗口,以预设时长为所述切割窗口的滑动步长,将所述预设时间段切割为多个时间段,所述预设时长小于所述第一预设时间单位。
5.根据权利要求2所述的方法,其特征在于,所述将切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将获得的多个数据组构成训练集,包括:
分别计算每个切片数据对应的第二预设时间单位内的空气污染物浓度的平均值;
根据每个切片数据对应的平均值,从所述每个切片数据中选取满足预设均衡条件的切片数据;
将选取的切片数据及其对应的第二预设时间单位内的空气污染物浓度组成数据组,将组成的多个数据组构成训练集。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构之前,还包括:
将第一全连接层、第二全连接层和第三全连接层串联,得到第一自编码器;所述第一全连接层包括的神经节点数目与所述环境监测历史数据中环境特征的数目相等;
将第四全连接层、第五全连接层和第六全连接层串联,得到第二自编码器;所述第四全连接层包括的神经节点数目与所述气象历史数据中气象特征的数目相等;
将所述第一自编码器和所述第二自编码器并联,并与拼接层和预设数目个第一循环神经网络层串联,得到编码器;
将第二循环神经网络层、第七全连接层和第八全连接层串联,得到解码器;
将所述编码器和所述解码器串联,得到编码-解码网络结构。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一预设时间单位内的环境监测数据和气象数据,通过所述编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度,包括:
通过所述第一自编码器提取所述第一预设时间单位内的环境监测数据中的环境特征;
通过所述第二自编码器提取所述第一预设时间单位内的气象数据中的气象特征;
通过所述拼接层对所述环境特征和所述气象特征进行时域拼接;
通过所述第一循环神经网络层和所述解码器对拼接的所述环境特征和所述气象特征进行预测,获得未来第二预设时间单位内的空气污染物浓度。
8.一种空气污染物浓度预测装置,其特征在于,所述装置包括;
第一获取模块,用于获取预设时间段内的环境监测历史数据和气象历史数据;
模型训练模块,用于根据所述预设时间段内的环境监测历史数据和气象历史数据,训练预先创建的编码-解码网络结构,得到编码-解码结构模型;
第二获取模块,用于获取第一预设时间单位内的环境监测数据和气象数据;
预测模块,用于根据所述第一预设时间单位内的环境监测数据和气象数据,通过所述编码-解码结构模型预测未来第二预设时间单位内的空气污染物浓度。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322792.XA CN111507533B (zh) | 2020-04-22 | 2020-04-22 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322792.XA CN111507533B (zh) | 2020-04-22 | 2020-04-22 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507533A true CN111507533A (zh) | 2020-08-07 |
CN111507533B CN111507533B (zh) | 2021-03-19 |
Family
ID=71876785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010322792.XA Active CN111507533B (zh) | 2020-04-22 | 2020-04-22 | 空气污染物浓度预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507533B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128780A (zh) * | 2021-04-29 | 2021-07-16 | 平安普惠企业管理有限公司 | Pm2.5浓度的预测方法、装置、计算机设备及存储介质 |
CN113469146A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市海清视讯科技有限公司 | 目标检测方法及设备 |
CN113743648A (zh) * | 2021-07-30 | 2021-12-03 | 中科三清科技有限公司 | 空气质量集合预报方法、装置、设备和可读存储介质 |
CN114063197A (zh) * | 2021-11-16 | 2022-02-18 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
CN114757429A (zh) * | 2022-04-27 | 2022-07-15 | 北京清创美科环境科技有限公司 | 一种pm2.5浓度目标获取方法及装置 |
CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
CN116484995A (zh) * | 2022-09-19 | 2023-07-25 | 北京城市气象研究院 | 一种快速预报区域大气气溶胶浓度的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2797041A1 (en) * | 2013-04-26 | 2014-10-29 | Università Del Salento - Dipartimento Di Ingegneria Dell'Innovazione | Method for estimating pollutant concentration of urban environments using fluid-dynamics clustering |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
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 |
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 |
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 |
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 |
-
2020
- 2020-04-22 CN CN202010322792.XA patent/CN111507533B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2797041A1 (en) * | 2013-04-26 | 2014-10-29 | Università Del Salento - Dipartimento Di Ingegneria Dell'Innovazione | Method for estimating pollutant concentration of urban environments using fluid-dynamics clustering |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
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 |
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 |
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 |
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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128780A (zh) * | 2021-04-29 | 2021-07-16 | 平安普惠企业管理有限公司 | Pm2.5浓度的预测方法、装置、计算机设备及存储介质 |
CN113743648A (zh) * | 2021-07-30 | 2021-12-03 | 中科三清科技有限公司 | 空气质量集合预报方法、装置、设备和可读存储介质 |
CN113469146A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市海清视讯科技有限公司 | 目标检测方法及设备 |
CN114063197A (zh) * | 2021-11-16 | 2022-02-18 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
CN114757429A (zh) * | 2022-04-27 | 2022-07-15 | 北京清创美科环境科技有限公司 | 一种pm2.5浓度目标获取方法及装置 |
CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
CN116484995A (zh) * | 2022-09-19 | 2023-07-25 | 北京城市气象研究院 | 一种快速预报区域大气气溶胶浓度的方法及系统 |
CN116484995B (zh) * | 2022-09-19 | 2023-10-27 | 北京城市气象研究院 | 一种快速预报区域大气气溶胶浓度的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111507533B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507533B (zh) | 空气污染物浓度预测方法、装置、电子设备及存储介质 | |
Reed et al. | Forecasted attribution of the human influence on Hurricane Florence | |
CN109541730A (zh) | 一种大气污染物浓度预测的方法及设备 | |
US20180239057A1 (en) | Forecasting air quality | |
Nguyen et al. | Development of the typical driving cycle for buses in Hanoi, Vietnam | |
CN112362816A (zh) | 一种基于观测数据的臭氧来源分析方法及装置 | |
CN103399820A (zh) | 一种基于事件树的序列和后果分析的故障判断系统及方法 | |
JP2019503540A (ja) | ローカライズ型のテンポラルモデル予測 | |
CN106845714A (zh) | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 | |
CN110909826A (zh) | 一种能源设备的诊断监测方法、装置及电子设备 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
KR102065280B1 (ko) | 상세기상 예측정보 산출모델 실시간 검증 방법 및 시스템 | |
CN116937541A (zh) | 基于CNN-GRU-Attention的光伏短期功率区间预测方法及相关设备 | |
CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
Song et al. | Spatial-temporal transformer network for multi-year ENSO prediction | |
CN113155063B (zh) | 一种列车过桥时的轨道桥梁形变数据的确定方法及装置 | |
Mkrtchyan et al. | Impact of climate change on the subjective well-being of households in Russia | |
CN114626605A (zh) | 基于模态分解的混合模型的空气污染物浓度预测方法 | |
CN113807454A (zh) | 能见度确定方法、装置、计算机设备及可读存储介质 | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
CN114387991A (zh) | 用于识别野外环境音的音频数据处理方法、设备及介质 | |
CN113807556A (zh) | 一种旅游指标预测方法、装置、设备及介质 | |
CN113496305A (zh) | 数据处理方法及装置 | |
CN110889491A (zh) | 一种基于天气因素的电力负荷的预测方法和预测系统 | |
CN117114502A (zh) | 空气质量反弹情况预测方法、终端及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200807 Assignee: Beijing Zhongke Sanqing Environmental Technology Co.,Ltd. Assignor: 3CLEAR TECHNOLOGY Co.,Ltd. Contract record no.: X2022980012305 Denomination of invention: Air pollutant concentration prediction method, device, electronic device and storage medium Granted publication date: 20210319 License type: Common License Record date: 20220815 |
|
EE01 | Entry into force of recordation of patent licensing contract |