CN111797918A - 大气污染源识别方法、装置、计算机设备及存储介质 - Google Patents
大气污染源识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111797918A CN111797918A CN202010616052.7A CN202010616052A CN111797918A CN 111797918 A CN111797918 A CN 111797918A CN 202010616052 A CN202010616052 A CN 202010616052A CN 111797918 A CN111797918 A CN 111797918A
- Authority
- CN
- China
- Prior art keywords
- pollution
- matrix
- source
- pollution source
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 251
- 238000001228 spectrum Methods 0.000 claims abstract description 103
- 238000013507 mapping Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 39
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000012806 monitoring device Methods 0.000 claims description 24
- 239000003344 environmental pollutant Substances 0.000 claims description 16
- 231100000719 pollutant Toxicity 0.000 claims description 16
- 238000003915 air pollution Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000011109 contamination Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 101100058681 Drosophila melanogaster Btk29A gene Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能,提供一种大气污染源识别方法、装置、计算机设备及存储介质,包括:获取多个污染源的多种大气污染成分并构建污染成分矩阵,初始化第一目标函数为:污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵;通过梯度下降算法迭代计算残差矩阵小于阈值时,根据残差矩阵计算污染成分贡献矩阵和污染成分含量矩阵;根据污染成分矩阵和污染成分含量矩阵计算每个污染源贡献的质量浓度,进而确定每个污染源的源谱;根据污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。本发明能够精准的识别出大气污染成分的各个来源。此外,本发明还涉及区块链,所述映射关系存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种大气污染源识别方法、装置、计算机设备及存储介质。
背景技术
大气污染俨然已成为影响经济社会发展的重大瓶颈制约和潜在风险隐患,是目前最大的短板之一,大气污染受污染源位置和高度、城市地形、大气稳定度、天气以及人口、燃料构成等多方面的影响,对大气污染物的有效预测对于打好“蓝天保卫战”,有效应对重污染天气有重要意义。
人工神经网络预测方法是近年来国际上人工智能领域研究的重点,人工神经网络预测方法不需要明确的输入、输出之间的函数关系,主要通过对大量的数据训练、学习来完成模拟过程,并利用训练好的网络来对新输入的数据进行预测。但神经网络只能通过目前的影响因素的状态来预测大气的污染程度,无法有效的预测出污染的来源。
因此,有必要提供一种大气污染源识别方法。
发明内容
鉴于以上内容,有必要提出一种大气污染源识别方法、装置、计算机设备及存储介质,能够精准的识别出大气污染的来源。
本发明的第一方面提供一种大气污染源识别方法,所述方法包括:
获取监测装置采集的多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵;
初始化第一目标函数及约束条件,其中,所述第一目标函数为:所述污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵;
通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算,并当迭代计算得到的残差矩阵小于预设阈值时,根据所述残差矩阵计算所述污染成分贡献矩阵和所述污染成分含量矩阵;
根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度,并根据所述每个污染源贡献的质量浓度确定所述每个污染源的源谱;
根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。
根据本发明的一个可选的实施例,所述约束条件为:所述污染成分贡献矩阵及所述污染成分含量矩阵均为非负矩阵,所述通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算包括:
初始化所述污染成分贡献矩阵为第一矩阵及初始化所述污染成分含量矩阵为第二矩阵;
计算所述第一矩阵和所述第二矩阵的乘积得到第三矩阵;
计算所述污染成分矩阵与所述第三矩阵的差值得到残差矩阵;
通过梯度下降算法重复上述过程计算所述残差矩阵,直到所述残差矩阵小于所述预设阈值。
根据本发明的一个可选的实施例,所述根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度包括:
根据所述污染成分矩阵计算大气污染成分的总质量浓度矩阵;
初始化第二目标函数,其中,所述第二目标函数为:大气污染成分的总质量浓度矩阵=所述污染成分含量矩阵*污染源贡献的质量浓度矩阵;
通过梯度下降算法对所述污染源贡献的质量浓度矩阵进行迭代计算,并在迭代计算结果达到局部最优解时得到污染源贡献的质量浓度矩阵;
根据所述污染源贡献的质量浓度矩阵计算每个污染源贡献的质量浓度。
根据本发明的一个可选的实施例,所述根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型包括:
计算每个污染源的源谱与预设关系数据库中的每个标准源谱之间的相似度;
将最大相似度对应的标准源谱确定为所述污染源的目标源谱,及根据所述映射关系确定所述目标源谱对应的目标污染源类型,并将所述目标污染源类型确定为所述污染源的污染源类型。
根据本发明的一个可选的实施例,在获取监测装置采集的多个污染源在监测时段内的多种大气污染成分之前,所述方法还包括:
获取多种类型的污染源的多种历史大气污染成分;
根据所述多种历史大气污染成分计算每种类型的污染源贡献的质量浓度,并根据所述质量浓度和所述多种历史大气污染成分确定每种类型的污染源的标准源谱;
建立污染源的标准源谱与污染源类型之间的映射关系。
根据本发明的一个可选的实施例,所述方法还包括:
获取风向传感器采集的所述监测时段内的风向数据;
根据所述风向数据计算最大风向频率;
确定每个污染源类型对应的污染贡献的质量浓度;
关联显示污染贡献的质量浓度最大的污染源类型对应的污染源及所述最大风向频率。
根据本发明的一个可选的实施例,所述方法还包括:
获取每个污染源的地理位置信息;
确定所述最大风向频率对应的目标地理位置信息;
向所述目标地理位置信息对应的管理者发送警告提示。
本发明的第二方面提供一种大气污染源识别装置,所述装置包括:
获取模块,用于获取监测装置采集的多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵;
构建模块,用于初始化第一目标函数及约束条件,其中,所述第一目标函数为:所述污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵;
迭代模块,用于通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算,并当迭代计算得到的残差矩阵小于预设阈值时,根据所述残差矩阵计算所述污染成分贡献矩阵和所述污染成分含量矩阵;
计算模块,用于根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度,并根据所述每个污染源贡献的质量浓度确定所述每个污染源的源谱;
识别模块,用于根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。
本发明的第三方面提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述大气污染源识别方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述大气污染源识别方法。
综上所述,本发明所述的大气污染源识别方法、装置、计算机设备及存储介质,通过监测装置采集多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵,从而计算出污染成分贡献矩阵和污染成分含量矩阵,并根据污染成分矩阵和污染成分含量矩阵计算出每个污染源贡献的质量浓度,从而确定出了每个污染源的源谱,最后根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。本实施能够精准的识别出大气污染的来源,解决了恶臭污染溯源的难题,能更快更省力地在线解析待测点位大气中污染成分的来源情况,具有重要的意义和良好的产业化应用前景。
附图说明
图1是本发明实施例一提供的大气污染源识别方法的流程图。
图2是本发明实施例提供的不同类型的污染源的标准源谱的示意图。
图3是本发明实施例提供的污染源在监测时段内的贡献比例的示意图
图4是本发明实施例二提供的大气污染源识别装置的结构图。
图5是本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
图1是本发明实施例一提供的大气污染源识别方法的流程图。所述大气污染源识别方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,获取监测装置采集的多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵。
用户若要监测某个地区的大气污染情况,需要先选取污染源的监测点,在所述监测点处布设监测装置,通过监测装置采集监测点周围的每个污染源释放出的大气污染成分,如各类金属离子等。可以将监测点选取在城市内部,且距离城市中各类污染源远近适中的位置,以便监测装置能够均匀的采集到每一个污染源释放的大气污染成分。
计算机设备获取监测装置采集的多个大气污染成分,基于获取到的多个大气污染成分构建出一个污染成分矩阵。示例性的,假设计算机设备获取监测装置采集的p个污染源在Tn时间段内释放的m种大气污染成分,则构建的污染成分矩阵为X={I1、I2、…、Im-1、Im}(1~n),X为n×m矩阵,Ii为某一时刻第i种大气污染成分,i∈(1,m)。
S12,初始化第一目标函数及约束条件,其中,所述第一目标函数为:所述污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵。
由于监测装置仅能采集到p个污染源在某一时刻释放的每一种大气污染成分的总和,无法确定哪一个污染源释放了多少污染成分。为了识别出最大的污染源,计算机设备中预先设置第一目标函数及约束条件,通过约束条件对所述第一目标函数进行计算污染成分贡献矩阵和污染成分含量矩阵。其中,所述污染成分贡献矩阵表示的是每个污染源在每个时刻对大气污染的相对贡献,所述污染成分含量矩阵表示的是每个污染源中各类污染成分的含量。
在一个可选的实施例中,所述约束条件为所述污染成分贡献矩阵为非负矩阵,且所述污染成分含量矩阵为非负矩阵。即,所述污染成分贡献矩阵中的元素值为非负,且所述污染成分含量矩阵中的元素值为非负。
假设,污染成分贡献矩阵用G表示,污染成分含量矩阵用F表示,则所述第一目标函数为X=G*F+E,其中G为n×p矩阵,F为p×m矩阵,p为污染源的数量,E为残差矩阵。所述第一目标函数表示如下:
其中,xij表示第i时刻、第j类大气污染成分的浓度;gik是第k个污染源在第i时刻对大气污染的相对贡献;fkj是第k个污染源中第j类大气污染成分的含量;eij是残差矩阵。
由于在所述第一目标函数中,X为已知量,G、F及E均为未知量,则需要通过迭代计算E(E=X-G*F)来求解出G和F。
S13,通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算,并当迭代计算得到的残差矩阵小于预设阈值时,根据所述残差矩阵计算所述污染成分贡献矩阵和所述污染成分含量矩阵。
计算机设备中预先设置阈值,例如,10-6,当通过梯度下降算法迭代计算残差矩阵E<10-6时,停止迭代计算。
在一个可选的实施例中,所述通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算包括:
初始化所述污染成分贡献矩阵为第一矩阵及初始化所述污染成分含量矩阵为第二矩阵;
计算所述第一矩阵和所述第二矩阵的乘积得到第三矩阵;
计算所述污染成分矩阵与所述第三矩阵的差值得到残差矩阵;
通过梯度下降算法重复上述过程计算所述残差矩阵,直到所述残差矩阵小于所述预设阈值。
以G和F中的元素非负且残差矩阵为约束条件,通过梯度下降法求解使残差矩阵小于预设阈值为优,最终求解出污染成分贡献矩阵G和污染成分含量矩阵F。其中,残差矩阵小于预设阈值是指残差矩阵的模长小于预设阈值。
S14,根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度,并根据所述每个污染源贡献的质量浓度确定所述每个污染源的源谱。
矩阵F可以理解为监测时段Tn内的污染源谱数据,即每类污染源包含的各大气污染成分的含量,通过分析单一污染源中各成分的含量大小,可以定性该单一污染源是什么,如交通源、工业源或餐饮源等。
只要给出任意时刻的大气污染成分{I1、I2、…、Im-1、Im}和污染源的源谱,即可以得出任意时刻所有污染源的贡献比例。
在一个可选的实施例中,所述根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度包括:
根据所述污染成分矩阵计算大气污染成分的总质量浓度矩阵;
初始化第二目标函数,其中,所述第二目标函数为:大气污染成分的总质量浓度矩阵=所述污染成分含量矩阵*污染源贡献的质量浓度矩阵;
通过梯度下降算法对所述污染源贡献的质量浓度矩阵进行迭代计算,并在迭代计算结果达到局部最优解时得到污染源贡献的质量浓度矩阵;
根据所述污染源贡献的质量浓度矩阵计算每个污染源贡献的质量浓度。
假设大气污染物的总物质浓度I为每一类污染源贡献的浓度值的线性加和,表示如下:
其中,p为污染源的数量,Sk为第k个污染源贡献的质量浓度。
对于某类成分Ij的浓度,用公式表示如下:
其中,I为大气污染物的总物质浓度,Sk为第k类污染源贡献的质量浓度,p为污染源数量,Fjk为第k类污染源排放的污染物中第j类成分的浓度值,是求解出的矩阵F的转置。当m≥p时,以上方程有最优解。
S15,根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。
计算机设备中预先存储有关系数据库,所述关系数据库中记录了多个污染源的源谱,每个污染源的源谱对应一个污染源类型,通过污染源的源谱与污染源类型之间的映射关系做污染源类型自动识别。
在一个可选的实施例中,所述根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型包括:
计算每个污染源的源谱与预设关系数据库中的每个标准源谱之间的相似度;
将最大相似度对应的标准源谱确定为所述污染源的目标源谱,及根据所述映射关系确定所述目标源谱对应的目标污染源类型,并将所述目标污染源类型确定为所述污染源的污染源类型。
该可选的实施例中,计算机设备可以通过计算每个污染源的源谱与预设关系数据库中的每个标准源谱之间的余弦夹角得到相似度。针对每个污染源的源谱,将对应的相似度从大到小进行排序,将排序在第一位的相似度对应的标准源谱确定为所述污染源的目标源谱,再根据所述映射关系确定出污染源类型。
在一个可选的实施例中,在获取监测装置采集的多个污染源在监测时段内的多种大气污染成分之前,所述方法还包括:
获取多种类型的污染源的多种历史大气污染成分;
根据所述多种历史大气污染成分计算每种类型的污染源贡献的质量浓度,并根据所述质量浓度和所述多种历史大气污染成分确定每种类型的污染源的标准源谱;
建立污染源的标准源谱与污染源类型之间的映射关系。
由于计算机设备计算出的污染源的源谱是从数据上表现污染源中各大气污染成分的含量,但并不能知道其属于哪一种类型的污染源。因此,需要提前建立污染源的源谱与污染源类型之间的映射关系。当有新的未识别的源谱,利用相似度匹配方法,找出和关系数据库中相似度最高的标准源谱,自动识别污染源类型。
参阅图2所示,为本发明实施例提供的6种类型的污染源,污染源Src1、污染源Src2、污染源Src3、污染源Src4、污染源Src5、污染源Src6,每一种类型的污染源对应有一个标准源谱,显示了污染源中各种大气污染成分的含量。
一并参阅图3所示,显示了这6种类型的污染源在监测时段内(例如,23小时内)每个小时对大气污染的贡献比例。
在一个可选的实施例中,所述方法还包括:
获取风向传感器采集的所述监测时段内的风向数据;
根据所述风向数据计算最大风向频率;
确定每个污染源类型对应的污染贡献的质量浓度;
关联显示污染贡献的质量浓度最大的污染源类型对应的污染源及所述最大风向频率。
该可选的实施例中,所述风向频率是指在一定时间内各种风向出现的次数占所有观察次数的百分比。最大风向频率表明在所述监测时段内风向出现的次数占所有观察系数的百分比最大,最大风向频率对应的风向即为污染源的方向。分析所述监测时段内污染贡献的质量浓度,得出污染贡献的质量浓度最大的污染源类型。即可得出所述监测时段内来自最大风向频率的方向处的某一类或几类污染源为重点污染源,实现了污染源的有效排查。
在一个可选的实施例中,所述方法还包括:
获取每个污染源的地理位置信息;
确定所述最大风向频率对应的目标地理位置信息;
向所述目标地理位置信息对应的管理者发送警告提示。
该可选的实施例中,计算机设备中预先存储每个污染源所在的地理位置位置,确定出最大风向评率即可得知风向为何方,再匹配出在这个方位的目标地理位置,即可得知最大的污染源。向最大的污染源的企业或单位的负责人发送警告提示,使其整改污染排放,避免一刀切的方式迁移所有的污染源。如果发送警告提示之后,后期监测到该企业或单位仍是最大的污染源,则可以依法进行处罚。
本实施例所述的大气污染源识别方法,通过监测装置采集多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵,从而计算出污染成分贡献矩阵和污染成分含量矩阵,并根据污染成分矩阵和污染成分含量矩阵计算出每个污染源贡献的质量浓度,从而确定出了每个污染源的源谱,最后根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。本实施能够精准的识别出大气污染的来源,解决了恶臭污染溯源的难题,能更快更省力地在线解析待测点位大气中污染成分的来源情况,具有重要的意义和良好的产业化应用前景。
需要强调的是,为进一步保证上述污染源的源谱与污染源类型之间的映射关系的私密性和安全性,上述污染源的源谱与污染源类型之间的映射关系可存储于区块链的节点中。
此外,本发明所述的大气污染源识别装置能够应用于智慧环保中,用以解决环境污染问题,促进智慧城市的发展。
图4是本发明实施例二提供的大气污染源识别装置的结构图。
在一些实施例中,所述大气污染源识别装置40可以包括多个由计算机程序段所组成的功能模块。所述大气污染源识别装置40中的每个程序段的计算机程序可以存储于计算机设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)大气污染源识别的功能。
本实施例中,所述大气污染源识别装置40根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块401、构建模块402、迭代模块403、计算模块404、识别模块405、构建模块406、关联模块407及告警模块408。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述获取模块401,用于获取监测装置采集的多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵。
用户若要监测某个地区的大气污染情况,需要先选取污染源的监测点,在所述监测点处布设监测装置,通过监测装置采集监测点周围的每个污染源释放出的大气污染成分,如各类金属离子等。可以将监测点选取在城市内部,且距离城市中各类污染源远近适中的位置,以便监测装置能够均匀的采集到每一个污染源释放的大气污染成分。
计算机设备获取监测装置采集的多个大气污染成分,基于获取到的多个大气污染成分构建出一个污染成分矩阵。示例性的,假设计算机设备获取监测装置采集的p个污染源在Tn时间段内释放的m种大气污染成分,则构建的污染成分矩阵为X={I1、I2、…、Im-1、Im}(1~n),X为n×m矩阵,Ii为某一时刻第i种大气污染成分,i∈(1,m)。
所述构建模块402,用于初始化第一目标函数及约束条件,其中,所述第一目标函数为:所述污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵。
由于监测装置仅能采集到p个污染源在某一时刻释放的每一种大气污染成分的总和,无法确定哪一个污染源释放了多少污染成分。为了识别出最大的污染源,计算机设备中预先设置第一目标函数及约束条件,通过约束条件对所述第一目标函数进行计算污染成分贡献矩阵和污染成分含量矩阵。其中,所述污染成分贡献矩阵表示的是每个污染源在每个时刻对大气污染的相对贡献,所述污染成分含量矩阵表示的是每个污染源中各类污染成分的含量。
在一个可选的实施例中,所述约束条件为所述污染成分贡献矩阵为非负矩阵,且所述污染成分含量矩阵为非负矩阵。即,所述污染成分贡献矩阵中的元素值为非负,且所述污染成分含量矩阵中的元素值为非负。
假设,污染成分贡献矩阵用G表示,污染成分含量矩阵用F表示,则所述第一目标函数为X=G*F+E,其中G为n×p矩阵,F为p×m矩阵,p为污染源的数量,E为残差矩阵。所述第一目标函数表示如下:
其中,xij表示第i时刻、第j类大气污染成分的浓度;gik是第k个污染源在第i时刻对大气污染的相对贡献;fkj是第k个污染源中第j类大气污染成分的含量;eij是残差矩阵。
由于在所述第一目标函数中,X为已知量,G、F及E均为未知量,则需要通过迭代计算E(E=X-G*F)来求解出G和F。
所述迭代模块403,用于通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算,并当迭代计算得到的残差矩阵小于预设阈值时,根据所述残差矩阵计算所述污染成分贡献矩阵和所述污染成分含量矩阵。
计算机设备中预先设置阈值,例如,10-6,当通过梯度下降算法迭代计算残差矩阵E<10-6时,停止迭代计算。
在一个可选的实施例中,所述约束条件为:残差矩阵小于预设阈值。例如,eij<10-6。
在一个可选的实施例中,所述迭代模块403通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算包括:
初始化所述污染成分贡献矩阵为第一矩阵及初始化所述污染成分含量矩阵为第二矩阵;
计算所述第一矩阵和所述第二矩阵的乘积得到第三矩阵;
计算所述污染成分矩阵与所述第三矩阵的差值得到残差矩阵;
通过梯度下降算法重复上述过程计算所述残差矩阵,直到所述残差矩阵小于所述预设阈值。
以G和F中的元素非负且残差矩阵为约束条件,通过梯度下降法求解使残差矩阵小于预设阈值为优,最终求解出污染成分贡献矩阵G和污染成分含量矩阵F。其中,残差矩阵小于预设阈值是指残差矩阵的模长小于预设阈值。
所述计算模块404,用于根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度,并根据所述每个污染源贡献的质量浓度确定所述每个污染源的源谱。
矩阵F可以理解为监测时段Tn内的污染源谱数据,即每类污染源包含的各大气污染成分的含量,通过分析单一污染源中各成分的含量大小,可以定性该单一污染源是什么,如交通源、工业源或餐饮源等。
只要给出任意时刻的大气污染成分{I1、I2、…、Im-1、Im}和污染源的源谱,即可以得出任意时刻所有污染源的贡献比例。
在一个可选的实施例中,所述计算模块404根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度包括:
根据所述污染成分矩阵计算大气污染成分的总质量浓度矩阵;
初始化第二目标函数,其中,所述第二目标函数为:大气污染成分的总质量浓度矩阵=所述污染成分含量矩阵*污染源贡献的质量浓度矩阵;
通过梯度下降算法对所述污染源贡献的质量浓度矩阵进行迭代计算,并在迭代计算结果达到局部最优解时得到污染源贡献的质量浓度矩阵;
根据所述污染源贡献的质量浓度矩阵计算每个污染源贡献的质量浓度。
假设大气污染物的总物质浓度I为每一类污染源贡献的浓度值的线性加和,表示如下:
其中,p为污染源的数量,Sk为第k个污染源贡献的质量浓度。
对于某类成分Ij的浓度,用公式表示如下:
其中,I为大气污染物的总物质浓度,Sk为第k类污染源贡献的质量浓度,p为污染源数量,Fjk为第k类污染源排放的污染物中第j类成分的浓度值,是求解出的矩阵F的转置。当m≥p时,以上方程有最优解。
所述识别模块405,用于根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。
计算机设备中预先存储有关系数据库,所述关系数据库中记录了多个污染源的源谱,每个污染源的源谱对应一个污染源类型,通过污染源的源谱与污染源类型之间的映射关系做污染源类型自动识别。
在一个可选的实施例中,所述识别模块405根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型包括:
计算每个污染源的源谱与预设关系数据库中的每个标准源谱之间的相似度;
将最大相似度对应的标准源谱确定为所述污染源的目标源谱,及根据所述映射关系确定所述目标源谱对应的目标污染源类型,并将所述目标污染源类型确定为所述污染源的污染源类型。
该可选的实施例中,计算机设备可以通过计算每个污染源的源谱与预设关系数据库中的每个标准源谱之间的余弦夹角得到相似度。针对每个污染源的源谱,将对应的相似度从大到小进行排序,将排序在第一位的相似度对应的标准源谱确定为所述污染源的目标源谱,再根据所述映射关系确定出污染源类型。
所述构建模块406,用于建立污染源的标准源谱与污染源类型之间的映射关系。
具体实施时,所述构建模块406建立污染源的标准源谱与污染源类型之间的映射关系包括:
获取多种类型的污染源的多种历史大气污染成分;
根据所述多种历史大气污染成分计算每种类型的污染源贡献的质量浓度,并根据所述质量浓度和所述多种历史大气污染成分确定每种类型的污染源的标准源谱;
建立污染源的标准源谱与污染源类型之间的映射关系。
由于计算机设备计算出的污染源的源谱是从数据上表现污染源中各大气污染成分的含量,但并不能知道其属于哪一种类型的污染源。因此,需要提前建立污染源的源谱与污染源类型之间的映射关系。当有新的未识别的源谱,利用相似度匹配方法,找出和关系数据库中相似度最高的标准源谱,自动识别污染源类型。
参阅图2所示,为本发明实施例提供的6种类型的污染源,污染源Srcl、污染源Src2、污染源Src3、污染源Src4、污染源Src5、污染源Src6,每一种类型的污染源对应有一个标准源谱,显示了污染源中各种大气污染成分的含量。
一并参阅图3所示,显示了这6种类型的污染源在监测时段内(例如,23小时内)每个小时对大气污染的贡献比例。
所述关联模块407,用于获取风向传感器采集的所述监测时段内的风向数据;根据所述风向数据计算最大风向频率;确定每个污染源类型对应的污染贡献的质量浓度;关联显示污染贡献的质量浓度最大的污染源类型对应的污染源及所述最大风向频率。
该可选的实施例中,所述风向频率是指在一定时间内各种风向出现的次数占所有观察次数的百分比。最大风向频率表明在所述监测时段内风向出现的次数占所有观察系数的百分比最大,最大风向频率对应的风向即为污染源的方向。分析所述监测时段内污染贡献的质量浓度,得出污染贡献的质量浓度最大的污染源类型。即可得出所述监测时段内来自最大风向频率的方向处的某一类或几类污染源为重点污染源,实现了污染源的有效排查。
所述告警模块408,用于获取每个污染源的地理位置信息;确定所述最大风向频率对应的目标地理位置信息;向所述目标地理位置信息对应的管理者发送警告提示。
该可选的实施例中,计算机设备中预先存储每个污染源所在的地理位置位置,确定出最大风向评率即可得知风向为何方,再匹配出在这个方位的目标地理位置,即可得知最大的污染源。向最大的污染源的企业或单位的负责人发送警告提示,使其整改污染排放,避免一刀切的方式迁移所有的污染源。如果发送警告提示之后,后期监测到该企业或单位仍是最大的污染源,则可以依法进行处罚。
本实施例所述的大气污染源识别装置40,通过监测装置采集多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵,从而计算出污染成分贡献矩阵和污染成分含量矩阵,并根据污染成分矩阵和污染成分含量矩阵计算出每个污染源贡献的质量浓度,从而确定出了每个污染源的源谱,最后根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。本实施能够精准的识别出大气污染的来源,解决了恶臭污染溯源的难题,能更快更省力地在线解析待测点位大气中污染成分的来源情况,具有重要的意义和良好的产业化应用前景。
需要强调的是,为进一步保证上述污染源的源谱与污染源类型之间的映射关系的私密性和安全性,上述污染源的源谱与污染源类型之间的映射关系可存储于区块链的节点中。
此外,本发明所述的大气污染源识别装置能够应用于智慧环保中,用以解决环境污染问题,促进智慧城市的发展。
参阅图5所示,为本发明实施例三提供的计算机设备的结构示意图。在本发明较佳实施例中,所述计算机设备5包括存储器51、至少一个处理器52、至少一条通信总线53及收发器54。
本领域技术人员应该了解,图5示出的计算机设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述计算机设备5还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述计算机设备5是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的计算机设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备5还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述计算机设备5仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器51中存储有计算机程序,所述计算机程序被所述至少一个处理器52执行时实现如所述的大气污染源识别方法中的全部或者部分步骤。所述存储器51包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(ProgrammableRead-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器52是所述计算机设备5的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备5的每个部件,通过运行或执行存储在所述存储器51内的程序或者模块,以及调用存储在所述存储器51内的数据,以执行计算机设备5的各种功能和处理数据。例如,所述至少一个处理器52执行所述存储器中存储的计算机程序时实现本发明实施例中所述的大气污染源识别方法的全部或者部分步骤;或者实现大气污染源识别装置的全部或者部分功能。所述至少一个处理器52可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线53被设置为实现所述存储器51以及所述至少一个处理器52等之间的连接通信。
尽管未示出,所述计算机设备5还可以包括给每个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器52逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备5还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,计算机设备,或者网络设备等)或处理器(processor)执行本发明每个实施例所述方法的部分。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明每个实施例中的各功能模块可以集成在一个处理单元中,也可以是每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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种大气污染源识别方法,其特征在于,所述方法包括:
获取监测装置采集的多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵;
初始化第一目标函数及约束条件,其中,所述第一目标函数为:所述污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵;
通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算,并当迭代计算得到的残差矩阵小于预设阈值时,根据所述残差矩阵计算所述污染成分贡献矩阵和所述污染成分含量矩阵;
根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度,并根据所述每个污染源贡献的质量浓度确定所述每个污染源的源谱;
根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。
2.如权利要求1所述的大气污染源识别方法,其特征在于,所述约束条件为:所述污染成分贡献矩阵及所述污染成分含量矩阵均为非负矩阵,所述通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算包括:
初始化所述污染成分贡献矩阵为第一矩阵及初始化所述污染成分含量矩阵为第二矩阵;
计算所述第一矩阵和所述第二矩阵的乘积得到第三矩阵;
计算所述污染成分矩阵与所述第三矩阵的差值得到残差矩阵;
通过梯度下降算法重复上述过程计算所述残差矩阵,直到所述残差矩阵小于所述预设阈值。
3.如权利要求1所述的大气污染源识别方法,其特征在于,所述根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度包括:
根据所述污染成分矩阵计算大气污染成分的总质量浓度矩阵;
初始化第二目标函数,其中,所述第二目标函数为:大气污染成分的总质量浓度矩阵=所述污染成分含量矩阵*污染源贡献的质量浓度矩阵;
通过梯度下降算法对所述污染源贡献的质量浓度矩阵进行迭代计算,并在迭代计算结果达到局部最优解时得到污染源贡献的质量浓度矩阵;
根据所述污染源贡献的质量浓度矩阵计算每个污染源贡献的质量浓度。
4.如权利要求1所述的大气污染源识别方法,其特征在于,所述根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型包括:
计算每个污染源的源谱与预设关系数据库中的每个标准源谱之间的相似度;
将最大相似度对应的标准源谱确定为所述污染源的目标源谱,及根据所述映射关系确定所述目标源谱对应的目标污染源类型,并将所述目标污染源类型确定为所述污染源的污染源类型。
5.如权利要求1至4中任意一项所述的大气污染源识别方法,其特征在于,在获取监测装置采集的多个污染源在监测时段内的多种大气污染成分之前,所述方法还包括:
获取多种类型的污染源的多种历史大气污染成分;
根据所述多种历史大气污染成分计算每种类型的污染源贡献的质量浓度,并根据所述质量浓度和所述多种历史大气污染成分确定每种类型的污染源的标准源谱;
建立污染源的标准源谱与污染源类型之间的映射关系。
6.如权利要求1至4中任意一项所述的大气污染源识别方法,其特征在于,所述方法还包括:
获取风向传感器采集的所述监测时段内的风向数据;
根据所述风向数据计算最大风向频率;
确定每个污染源类型对应的污染贡献的质量浓度;
关联显示污染贡献的质量浓度最大的污染源类型对应的污染源及所述最大风向频率。
7.如权利要求6所述的大气污染源识别方法,其特征在于,所述方法还包括:
获取每个污染源的地理位置信息;
确定所述最大风向频率对应的目标地理位置信息;
向所述目标地理位置信息对应的管理者发送警告提示。
8.一种大气污染源识别装置,其特征在于,所述装置包括:
获取模块,用于获取监测装置采集的多个污染源在监测时段内的多种大气污染成分,并基于所述多种大气污染成分构建污染成分矩阵;
构建模块,用于初始化第一目标函数及约束条件,其中,所述第一目标函数为:所述污染成分矩阵=污染成分贡献矩阵*污染成分含量矩阵+残差矩阵;
迭代模块,用于通过梯度下降算法在所述约束条件下对所述残差矩阵进行迭代计算,并当迭代计算得到的残差矩阵小于预设阈值时,根据所述残差矩阵计算所述污染成分贡献矩阵和所述污染成分含量矩阵;
计算模块,用于根据所述污染成分矩阵和所述污染成分含量矩阵计算每个污染源贡献的质量浓度,并根据所述每个污染源贡献的质量浓度确定所述每个污染源的源谱;
识别模块,用于根据预设污染源的源谱与污染源类型之间的映射关系识别出每个污染源的源谱对应的污染源类型。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述大气污染源识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,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中任意一项所述大气污染源识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616052.7A CN111797918B (zh) | 2020-06-29 | 2020-06-29 | 大气污染源识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616052.7A CN111797918B (zh) | 2020-06-29 | 2020-06-29 | 大气污染源识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797918A true CN111797918A (zh) | 2020-10-20 |
CN111797918B CN111797918B (zh) | 2024-04-16 |
Family
ID=72810800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010616052.7A Active CN111797918B (zh) | 2020-06-29 | 2020-06-29 | 大气污染源识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797918B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595834A (zh) * | 2020-12-03 | 2021-04-02 | 农业农村部环境保护科研监测所 | 一种土壤重金属溯源及污染途径确定方法 |
CN113552289A (zh) * | 2021-07-14 | 2021-10-26 | 清华苏州环境创新研究院 | 一种基于高斯模式的大气污染溯源方法 |
CN113984968A (zh) * | 2021-10-26 | 2022-01-28 | 上海建科环境技术有限公司 | 一种工业园区大气VOCs溯源方法 |
CN116628598A (zh) * | 2023-05-15 | 2023-08-22 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065198A (zh) * | 2012-12-17 | 2013-04-24 | 天津市环境保护科学研究院 | 大气恶臭污染精细源解析方法 |
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN108956881A (zh) * | 2018-07-16 | 2018-12-07 | 南开大学 | Sdabb源解析方法、系统、终端设备及计算机可读存储介质 |
-
2020
- 2020-06-29 CN CN202010616052.7A patent/CN111797918B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065198A (zh) * | 2012-12-17 | 2013-04-24 | 天津市环境保护科学研究院 | 大气恶臭污染精细源解析方法 |
KR20150031577A (ko) * | 2013-09-16 | 2015-03-25 | 주식회사 에니텍 | 대기오염물질 배출량 역산출 방법 |
CN108956881A (zh) * | 2018-07-16 | 2018-12-07 | 南开大学 | Sdabb源解析方法、系统、终端设备及计算机可读存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595834A (zh) * | 2020-12-03 | 2021-04-02 | 农业农村部环境保护科研监测所 | 一种土壤重金属溯源及污染途径确定方法 |
CN112595834B (zh) * | 2020-12-03 | 2022-11-04 | 农业农村部环境保护科研监测所 | 一种土壤重金属溯源及污染途径确定方法 |
CN113552289A (zh) * | 2021-07-14 | 2021-10-26 | 清华苏州环境创新研究院 | 一种基于高斯模式的大气污染溯源方法 |
CN113552289B (zh) * | 2021-07-14 | 2024-01-23 | 清华苏州环境创新研究院 | 一种基于高斯模式的大气污染溯源方法 |
CN113984968A (zh) * | 2021-10-26 | 2022-01-28 | 上海建科环境技术有限公司 | 一种工业园区大气VOCs溯源方法 |
CN116628598A (zh) * | 2023-05-15 | 2023-08-22 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
CN116628598B (zh) * | 2023-05-15 | 2024-03-12 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种基于大数据和nmf模型的二噁英来源解析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111797918B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797918B (zh) | 大气污染源识别方法、装置、计算机设备及存储介质 | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN110727717B (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
CN111462917A (zh) | 基于空间地理分析和机器学习的疫情预警方法及系统 | |
CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
CN111754110A (zh) | 基于人工智能的经营指标评价方法、装置、设备及介质 | |
Mahajan et al. | An empirical study of PM2. 5 forecasting using neural network | |
CN111738778B (zh) | 用户画像生成方法、装置、计算机设备及存储介质 | |
CN113727214A (zh) | 大气污染的巡查方法、装置、设备及存储介质 | |
CN113139743A (zh) | 污水排放指标分析方法、装置、电子设备及存储介质 | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN113256108A (zh) | 人力资源分配方法、装置、电子设备及存储介质 | |
CN114778774A (zh) | 基于人工智能的温室气体监测方法及相关设备 | |
CN112651782B (zh) | 基于缩放点积注意力的行为预测方法、装置、设备及介质 | |
Wallace et al. | Automation of the validation, anonymization, and augmentation of big data from a multi-year driving study | |
CN112818028A (zh) | 数据指标筛选方法、装置、计算机设备及存储介质 | |
CN112801357A (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
CN115630834B (zh) | 案件派遣方法、装置、电子设备及计算机可读存储介质 | |
CN115760486A (zh) | 临建规模评估方法、装置、设备和可读存储介质 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN115913763A (zh) | 流量异常检测方法、装置、设备及介质 | |
CN112819593B (zh) | 基于位置信息的数据分析方法、装置、设备及介质 | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114240677A (zh) | 医疗数据风险识别方法、装置、电子设备及存储介质 |
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 |