CN111814964A - 基于空气质量状况预报的空气污染处理方法及存储介质 - Google Patents
基于空气质量状况预报的空气污染处理方法及存储介质 Download PDFInfo
- Publication number
- CN111814964A CN111814964A CN202010701052.7A CN202010701052A CN111814964A CN 111814964 A CN111814964 A CN 111814964A CN 202010701052 A CN202010701052 A CN 202010701052A CN 111814964 A CN111814964 A CN 111814964A
- Authority
- CN
- China
- Prior art keywords
- air quality
- data
- value
- default
- neural network
- 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
Images
Classifications
-
- 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
- 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
-
- 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请公开了一种基于空气质量状况预报的空气污染处理方法及存储介质,该方法包括:预测未来的空气质量状况;获取污染排放信息;根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施。本申请提供的方法,能够预测未来的空气质量状况、获取污染排放信息,根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施,从而能够辅助工作人员不断调整空气质量治理的措施和规划,大大提高了空气质量治理的工作效率,降低了工作人员的工作量。
Description
技术领域
本申请涉及环境保护技术领域,具体涉及一种基于空气质量状况预报的空气污染处理方法及存储介质。
背景技术
随着经济的发展,大气污染问题已经显现,区域性和复合型大气污染问题十分突出,成因来源机制十分复杂,空气质量改善面临巨大困难和挑战。目前形势下,大气污染防控难度大,亟需得到监测和预报预警等技术支持,以及为大气污染应急处置的精细化管理提供更加及时、全面的技术支持。同时,由于监测仪器发生故障导致空气质量数据出现缺失的情况比较常见,部分监测仪器获取的监测结果中常存在大量缺省值。如何获得准确、可靠的数据以为空气质量状况预报以及空气污染处理提供有力支撑也是需解决的重要课题。面对新型复杂大气污染问题,亟需构建监测数据优化处理、空气质量监预报以及空气污染处理的体系,以便满足环境管理与决策的需求。
发明内容
本申请的目的是提供一种基于空气质量状况预报的空气污染处理方法及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
根据本申请实施例的一个方面,提供一种基于空气质量状况预报的空气污染处理方法,包括:
预测未来的空气质量状况;
获取污染排放信息;
根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施;
进一步地,所述预测未来的空气质量状况,包括:
获取当前气象数据、历史空气质量数据和历史气象数据;
对所述历史空气质量数据进行修复及归一化处理;
构建单因子预测模型和多因子预测模型;
将经过修复及归一化处理之后的历史空气质量数据输入所述单因子预测模型得到第一预测结果,将所述经过修复及归一化处理之后的历史空气质量数据和所述历史气象数据输入所述多因子预测模型得到第二预测结果;
将所述第一预测结果、所述第二预测结果以及所述当前气象数据进行回归计算,得到最终的空气质量状况的数据预测值。
进一步地,所述对所述历史空气质量数据进行修复,包括:
利用空气质量历史观测数据分别对自编码神经网络和循环门控神经网络进行训练;所述历史空气质量数据包括若干单一时次空气质量数据;
判断单一时次空气质量数据的缺省值所属的类型;
若所述缺省值属于零星缺省类型,则依次通过均值修复法和训练好的自编码神经网络对所述缺省值进行修复;
若所述缺省值属于系统性缺省类型,则利用训练好的循环门控神经网络对所述缺省值进行修复。
进一步地,所述依次通过均值修复法和训练好的自编码神经网络对所述缺省值进行修复,包括:
利用均值修复法获得所述缺省值的初始填补值;
利用训练好的自编码神经网络对所述初始填补值进行优化处理得到优化填补值;
利用所述优化填补值填补所述缺省值。
进一步地,所述利用均值修复法获得所述缺省值的初始填补值,包括:
从所述历史空气质量数据中查找出所述缺省值所属日期之前若干天中与所述缺省值时次相同的单一时次空气质量数据;
计算所有所述与所述缺省值时次相同的单一时次空气质量数据的平均值,利用所述平均值作为所述缺省值的初始填补值。
进一步地,所述利用训练好的循环门控神经网络对所述缺省值进行修复,包括:
判断所述缺省值是否位于连续时次缺省值序列中;
若否,则将所述缺省值前若干个时次的空气质量数据输入到训练好的循环门控神经网络中进行处理,得到所述缺省值的修复值;
若是,则利用训练好的循环门控神经网络对所述连续时次缺省值序列中的各缺省值按照时次顺序进行修复。
进一步地,所述利用空气质量历史观测数据分别对自编码神经网络和循环门控神经网络进行训练,包括:
通过百分位阈值法,确定所述空气质量历史观测数据中各组分浓度数据的异常阈值和正常数据;其中,异常阈值包括异常高值阈值和异常低值阈值;
利用所述正常数据构建训练数据集,通过所述训练数据集分别对自编码神经网络和循环门控神经网络进行训练。
进一步地,所述获取污染排放信息,包括:
获得所监测区域的地理位置信息和实时空气质量信息;
获得空气质量等级区间;
将所述实时空气质量信息和所述空气质量等级区间进行对比,确定空气质量等级;
将所述空气质量等级、所述实时空气质量信息和所述地理位置信息,作为污染排放信息。
进一步地,所述实时空气质量信息包括空气污染成分和空气污染浓度。
进一步地,所述将所述实时空气质量信息和所述空气质量等级区间进行对比为:将所述空气污染浓度和所述空气质量等级区间进行对比。
进一步地,所述将所述空气质量等级、所述实时空气质量信息和所述地理位置信息,作为污染排放信息为:将所述空气质量等级、空气污染成分和所述地理位置信息,作为污染排放信息。
根据本申请实施例的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以实现上述的基于空气质量状况预报的空气污染处理方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果:
本申请实施例提供的基于空气质量状况预报的空气污染处理方法,能够预测未来的空气质量状况、获取污染排放信息,根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施,从而能够辅助工作人员不断调整空气质量治理的措施和规划,大大提高了空气质量治理的工作效率,降低了工作人员的工作量。同时,本申请实施例选取均值修复法、训练好的自编码神经网络和训练好的循环门控神经网络,根据缺省值的不同类型,对历史空气质量数据进行修复,修复值准确度高,修复效果好,可以极大提高历史空气质量数据的质量,使得预测的未来空气质量状况更加准确,有利于更精准地采取相应的空气污染治理措施。
本申请的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者,部分特征和优点可以从说明书中推知或毫无疑义地确定,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请的一个实施例的空气污染处理方法流程图;
图2示出了本申请的一个实施例中的预测未来的空气质量状况的流程图;
图3示出了本申请的一个实施例中的获取污染排放信息的步骤流程图;
图4示出了本申请的一个实施例的空气污染处理系统结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,下面结合附图和具体实施例对本申请做进一步说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
如图1所示,本申请的一个实施例提供了一种基于空气质量状况预报的空气污染处理方法,包括:
S1、预测未来的空气质量状况;
S2、获取污染排放信息;
S3、根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施。
如图2所示,在某些实施方式中,预测未来的空气质量状况,包括:
S101、获取当前气象数据、历史空气质量数据和历史气象数据;
S102、对历史空气质量数据进行修复及归一化处理;
由于监测仪器发生故障导致历史空气质量数据的最终数据出现缺失的情况比较常见,所以在把历史空气质量数据输入到预测模型之前,需要先进行历史空气质量数据的修复;
然后对经过修复之后的数据进行归一化处理,归一化处理能够将数据缩小在一定的范围内,并能够加快预测模型求解的收敛速度;归一化处理可以采用min-max归一化方法进行;
S103、构建单因子预测模型;单因子预测模型可以为基于序列到序列模型的深度学习模型;
S104、构建多因子预测模型;多因子预测模型可以为基于双注意力机制的序列到序列深度学习模型;
S105、将经过修复及归一化处理的历史空气质量数据输入单因子预测模型得到第一预测结果,将经过修复及归一化处理的历史空气质量数据和历史气象数据输入多因子预测模型得到第二预测结果;
S106、将第一预测结果、第二预测结果以及当前气象数据融入到梯度提升模型的提升树中进行回归计算,得到最终的空气质量状况的数据预测值。梯度提升模型可以为极梯度提升模型(extreme gradient boosting)。
在某些实施方式中,对所述历史空气质量数据进行修复,包括:
S1021、利用空气质量历史观测数据分别对自编码神经网络和循环门控神经网络进行训练;所述历史空气质量数据包括若干单一时次空气质量数据。
在某些实施方式中,利用空气质量历史观测数据分别对自编码神经网络和循环门控神经网络进行训练,包括:
S10211、通过百分位阈值法,确定空气质量历史观测数据中各组分浓度数据的异常阈值和正常数据;其中,异常阈值包括异常高值阈值和异常低值阈值。收集过去一段时间(例如一年的时间)的空气质量历史观测数据。空气质量历史观测数据中包括各组分的含量。通过该步骤筛选出正常数据,能实现对空气质量历史观测数据的初步质量控制。
具体地,对空气质量历史观测数据中的各组分浓度按升序排列(不考虑0以下的值,0以下的值可能是由于监测仪器故障导致的),得到序列。该序列中的各数据称为数据项,每个数据项在序列中的位置序号称为数据项序号。
例如,对于升序排列得到的序列{a1,a2,a3,……,an,……a100},其中,a1<a2<a3<……<an<……<a100,每一个数据项的下标1、2、3、……、n、……100即代表位置序号,即数据项序号。
设定所述各组分浓度的异常值百分位数。
根据空气质量历史观测数据的概率分布特征(正态分布)和各百分位数的数据量梯度变化,设定各个组分的含量异常值百分位数(异常小和异常大)。例如,异常高值百分位数可以设定为95%,异常低值百分位数可以设定为5%。
计算异常值百分位数所对应的数据。
在某些实施方式中,计算异常值百分位数所对应的数据,包括:
计算异常值百分位数所对应的数据项序号;
将序列的数据个数与异常值百分位数相乘,计算得到数值;
当异常值百分位数计算得到的数值为整数时,则将与该数值相等的数据项序号所对应的数据作为所述异常值百分位数所对应的数据;
例如,收集两年时间的空气质量历史观测数据,将每次观测的乙炔含量观测数据按升序排列,得到一个序列,该序列中共有24×365×2个数据。当异常值百分位数所对应的数值为整数时,例如异常高值百分位数设定为95%,异常低值百分位数设定为5%,则第95百分位数所对应的数值为24×365×2×95%=16644,第5百分位数所对应的数值为24×365×2×5%=876,异常高值阈值为第16644个数据的值,异常低值阈值为第876个数据的值,则将第876和第16644个数据之间的数据确定为正常数据,其他数据确定为异常数据。
当异常值百分位数计算得到的数值为非整数时,则对该非整数的数值进行取整,将与该取整数值相等的数据项序号所对应的数据作为所述异常值百分位数所对应的数据;或者,
当异常值百分位数计算得到的数值为非整数时,则计算该非整数数值相邻的前一数据项序号和后一数据项序号分别所对应的数据的平均值,以所述平均值作为所述异常值百分位数所对应的数据。
具体地,当异常值百分位数所对应的数值为非整数时,例如异常高值百分位数设定为97%,异常低值百分位数设定为3%,则第97百分位数所对应的数值为24×365×2×97%=16994.4,第3百分位数所对应的数值为24×365×2×3%=525.6,则对数值进行取整处理,可以为向上取整(16994.4向上取整后为16995,525.6向上取整后为526)也可以为向下取整(16994.4向下取整后为16994,525.6向下取整后为525),也可以为四舍五入法取整(16994.4四舍五入取整后为16994,525.6四舍五入取整后为526)。以四舍五入法取整为例,则异常高值阈值为第16994个数据的值,异常低值阈值为第526个数据的值。或者,分别计算16994.4与525.6相邻的前一数据项序号和后一数据项序号所对应的数据的平均值,即以第16994个数据的值和第16995个数据的值的平均值作为第97百分位数所对应的数据的值(即异常高值阈值),以第525个数据的值和第526个数据的值的平均值作为第3百分位数所对应的数据的值(即异常低值阈值)。
通过异常值百分位数所对应的数据,确定各组分浓度的异常低值阈值和异常高值阈值。
将在异常低值阈值和异常高值阈值之间的数据确定为正常数据,将该序列中除了正常数据之外的其他数据确定为异常数据。
通过确定空气质量历史观测数据的异常阈值、异常数据和正常数据,实现对空气质量历史观测数据的初步质量控制。
S10212、利用所述正常数据构建训练数据集,通过所述训练数据集分别对自编码神经网络和循环门控神经网络进行训练。
利用空气质量历史观测数据的正常数据构建训练数据集和检验数据集,通过训练数据集分别对自编码神经网络(AED)和循环门控神经网络(GRU)进行训练;利用检验数据集检验训练后的AED和GRU是否达到预设标准。
对自编码神经网络(AED)进行训练的步骤,包括:
将空气质量历史观测数据进行归一化处理;
对归一化处理后的数据进行加噪处理,以便提高AED的泛化能力;
将加噪处理后的数据输入AED中进行梯度下降训练后,输出数据;
对从AED输出的数据进行反归一化处理,得到反归一化后的数据;
将检验数据集输入AED中处理,根据AED对检验数据集的处理效果检验该AED的参数是否达到预定标准;
如果经过训练后的AED的参数达到预定标准,则确定训练完成;
否则,继续训练AED,直至训练完成为止。预定标准是根据经验预先设定的。
经过多轮梯度下降训练后,确定符合标准的AED参数,得到训练好的AED。
对循环门控神经网络(GRU)进行训练的步骤,包括:
从标准化处理后的训练样本集中,选取若干小时(例如3小时)时间的连续数据;
将所述若干小时时间的连续数据作为GRU的输入,输出某一小时(例如第4小时)的预测数据;
将所述某一小时(例如第4小时)的预测数据与所述某一小时的真实数据进行对比;真实数据从训练样本集中获得;
若差值达到预设阈值,则训练完成;预设阈值是根据经验预先设定的;
否则,继续训练,直至训练完成为止。
利用每种组分的数据对GRU模型进行训练,经过多轮梯度下降训练,得到符合预设标准要求的GRU参数,得到训练好的GRU。预设标准要求是根据经验预先设定的。
S1022、判断单一时次空气质量数据的缺省值所属的类型。
缺省值的类型有零星缺省类型和系统性缺省类型两种。
在某些实施方式中,步骤S1022包括:若单一时次空气质量数据中,存在缺省值的组分种类数量小于等于组分种类总数量的预设占比阈值,则确定所述缺省值属于零星缺省类型;否则,确定所述缺省值属于系统性缺省类型。
在某些实施方式中,步骤S1022包括:
根据单一时次空气质量数据的缺省状况,判断该单一时次空气质量数据的缺省类型;
若该单一时次空气质量数据中,存在缺省值的组分种类数量小于等于组分种类总数量的预设占比阈值(预设占比阈值例如可以为20%或根据经验预先设定的其他值),则确定该单一时次空气质量数据的缺省值的缺省类型属于零星缺省类型;
若该单一时次空气质量数据中,存在缺省值的组分种类数量大于组分种类总数量的预设占比阈值(预设占比阈值例如可以为20%或根据经验预先设定的其他值),则确定该单一时次空气质量数据的缺省值的缺省类型属于系统性缺省类型。
S1023、若所述缺省值属于零星缺省类型,则依次通过均值修复法和训练好的自编码神经网络对所述缺省值进行修复。
在某些实施方式中,依次通过均值修复法和训练好的自编码神经网络对所述缺省值进行修复,包括:
S10231、利用均值修复法获得所述缺省值的初始填补值;
在某些实施方式中,所述利用均值修复法获得所述缺省值的初始填补值,包括:
从历史空气质量数据中查找出所述缺省值所属日期之前若干天中与所述缺省值时次相同的单一时次空气质量数据;
计算所有所述与所述缺省值时次相同的单一时次空气质量数据的平均值,利用所述平均值作为所述缺省值的初始填补值。
具体地,对单一时次的缺省值进行均值填补,采用的均值修复法为7日(或者大于7日的天数,例如30天、40天等)周期计算法,具体执行为:采用缺省组分的前七天(或者大于七天的天数,例如30天、40天等)的同一时次的观测数据的平均值填补缺省的单一时次观测数据。
例如,当时次为m时,若第n天的m时观测数据缺省,则取第n-1天、第n-2天、第n-3天、……第n-7天的m时观测数据的平均值,作为第n天的m时观测数据。其中,m与n均为整数。
S10232、利用训练好的自编码神经网络对所述初始填补值进行优化处理得到优化填补值;具体地,将采用均值修复法获得的初始填补值,输入到训练好的AED模型中进行优化处理,生成优化填补值。
S10233、利用所述优化填补值填补所述缺省值。
具体地,利用优化填补值填补所述单一时次空气质量数据的缺省值,从而实现了对单一时次空气质量数据进行缺省值实时动态修复。
S1024、若所述缺省值属于系统性缺省类型,则利用训练好的循环门控神经网络对所述缺省值进行修复。
在某些实施方式中,利用训练好的循环门控神经网络对所述缺省值进行修复,包括:
S10241、判断所述缺省值是否位于连续时次缺省值序列中。
S10242、若否,则将所述缺省值前若干个时次的空气质量数据输入到训练好的循环门控神经网络中进行处理,得到所述缺省值的修复值。
具体地,若该缺省值不位于连续时次缺省值序列中,则将该缺省值前若干个(例如可以为3个)时次的观测数据输入到训练好的GRU中,即可输出该缺省值的修复值。
S10243、若是,则利用训练好的循环门控神经网络对所述连续时次缺省值序列中的各缺省值按照时次顺序进行修复。
具体地,若该缺省值位于连续时次缺省值序列中,则利用训练好的循环门控神经网络对该连续时次缺省值序列中的各缺省值按照时次顺序进行修复。
利用训练好的循环门控神经网络对所述连续时次缺省值序列中的各缺省值按照时次顺序进行修复,包括:
针对所述连续时次缺省值序列中时次顺序上的第一个缺省值,将所述第一个缺省值前若干个(例如可以为3个)时次的观测数据输入到所述训练好的循环门控神经网络中,输出所述第一个缺省值的修复值;
利用所述第一个缺省值的修复值填补所述第一个缺省值;
采用修复所述第一个缺省值的方法,按照时次顺序对所述连续时次缺省值序列中剩余的缺省值进行修复,直至该连续时次缺省值序列中剩余的缺省值均修复完成为止,从而实现了对单一时次空气质量数据进行缺省值实时动态修复。
自编码神经网络(AED)、门控循环神经网络(GRU)属于深度学习算法,在本实施例中该两种网络模型利用了空气质量数据的时间依赖性和周期性特点,对空气质量数据中的缺省值进行修复,修复效果好。
选取均值修复法、训练好的自编码神经网络和训练好的循环门控神经网络,根据缺省值的不同类型,对历史空气质量数据进行修复,修复值准确度高,修复效果好,可以极大提高历史空气质量数据的质量,可以为未来空气质量状况的预测提供更加准确的数据输入,从而获取更准确的空气质量状况预测结果,有利于更精准地采取相应的空气污染治理措施。
在某些实施方式中,如图3所示,获取污染排放信息,包括:
S201、通过空气质量监测系统获得所监测区域的地理位置信息和实时空气质量信息;所述实时空气质量信息包括空气污染成分和空气污染浓度;
S202、获得空气质量等级区间;
S203、根据所述空气污染浓度和所述空气质量等级区间进行对比,确定空气质量等级;所述空气污染浓度落入哪个空气质量等级区间,则该空气污染浓度所对应的就是哪个空气质量等级;
S204、将所述空气质量等级、所述空气污染成分和所述地理位置信息,作为污染排放信息。
根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施,包括:从数据库中存储的污染治理措施信息(行业生产率与污染排放量的关系数据以及污染排放量与空气质量状况以及污染排放信息的关联性关系等等数据)中,查找出与预测得到的未来的空气质量状况以及获取的污染排放信息相对应的空气污染治理措施(例如降低哪些行业的污染排放量等),组合成为最终的污染治理措施。
如图4所示,本申请的另一个实施例提供了一种基于空气质量状况预报的空气污染处理系统,包括:
污染形势研判模块,用于预测未来的空气质量状况;
获取模块,用于获取污染排放信息;
选取模块,用于根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施。
在某些实施方式中,所述污染形势研判模块,包括:
第一子模块,用于获取当前气象数据、历史空气质量数据和历史气象数据;
第二子模块,用于对所述历史空气质量数据进行修复及归一化处理;
第三子模块,用于构建单因子预测模型和多因子预测模型;
第四子模块,用于将经过修复及归一化处理之后的历史空气质量数据输入所述单因子预测模型得到第一预测结果,将所述经过修复及归一化处理之后的历史空气质量数据和所述历史气象数据输入所述多因子预测模型得到第二预测结果;
第五子模块,用于将所述第一预测结果、所述第二预测结果以及所述当前气象数据进行回归计算,得到最终的空气质量状况的数据预测值。
本申请的另一个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,所述处理器执行所述程序,以实现上述的基于空气质量状况预报的空气污染处理方法。
本申请的另一个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,该程序被处理器执行,以实现上述的基于空气质量状况预报的空气污染处理方法。
本申请实施例提供的基于空气质量状况预报的空气污染处理方法,能够预测未来的空气质量状况、获取污染排放信息,根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施,从而能够辅助工作人员不断调整空气质量治理的措施和规划,大大提高了空气质量治理的工作效率,降低了工作人员的工作量。同时,本申请实施例选取均值修复法、训练好的自编码神经网络和训练好的循环门控神经网络,根据缺省值的不同类型,对历史空气质量数据进行修复,修复值准确度高,修复效果好,可以极大提高历史空气质量数据的质量,使得预测的未来空气质量状况更加准确,有利于更精准地采取相应的空气污染治理措施。
需要说明的是:
术语“模块”并非意图受限于特定物理形式。取决于具体应用,模块可以实现为硬件、固件、软件和/或其组合。此外,不同的模块可以共享公共组件或甚至由相同组件实现。不同模块之间可以存在或不存在清楚的界限。
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。
类似地,应当理解,为了精简本公开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。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例仅表达了本申请的实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于空气质量状况预报的空气污染处理方法,其特征在于,包括:
预测未来的空气质量状况;
获取污染排放信息;
根据预测得到的未来的空气质量状况以及获取的污染排放信息,选取相应的污染治理措施;
所述预测未来的空气质量状况,包括:
获取当前气象数据、历史空气质量数据和历史气象数据;
对所述历史空气质量数据进行修复及归一化处理;
构建单因子预测模型和多因子预测模型;
将经过修复及归一化处理之后的历史空气质量数据输入所述单因子预测模型得到第一预测结果,将所述经过修复及归一化处理之后的历史空气质量数据和所述历史气象数据输入所述多因子预测模型得到第二预测结果;
将所述第一预测结果、所述第二预测结果以及所述当前气象数据进行回归计算,得到最终的空气质量状况的数据预测值。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史空气质量数据进行修复,包括:
利用空气质量历史观测数据分别对自编码神经网络和循环门控神经网络进行训练;所述历史空气质量数据包括若干单一时次空气质量数据;
判断单一时次空气质量数据的缺省值所属的类型;
若所述缺省值属于零星缺省类型,则依次通过均值修复法和训练好的自编码神经网络对所述缺省值进行修复;
若所述缺省值属于系统性缺省类型,则利用训练好的循环门控神经网络对所述缺省值进行修复。
3.根据权利要求2所述的方法,其特征在于,所述依次通过均值修复法和训练好的自编码神经网络对所述缺省值进行修复,包括:
利用均值修复法获得所述缺省值的初始填补值;
利用训练好的自编码神经网络对所述初始填补值进行优化处理得到优化填补值;
利用所述优化填补值填补所述缺省值。
4.根据权利要求3所述的方法,其特征在于,所述利用均值修复法获得所述缺省值的初始填补值,包括:
从所述历史空气质量数据中查找出所述缺省值所属日期之前若干天中与所述缺省值时次相同的单一时次空气质量数据;
计算所有所述与所述缺省值时次相同的单一时次空气质量数据的平均值,利用所述平均值作为所述缺省值的初始填补值。
5.根据权利要求2所述的方法,其特征在于,所述利用训练好的循环门控神经网络对所述缺省值进行修复,包括:
判断所述缺省值是否位于连续时次缺省值序列中;
若否,则将所述缺省值前若干个时次的空气质量数据输入到训练好的循环门控神经网络中进行处理,得到所述缺省值的修复值;
若是,则利用训练好的循环门控神经网络对所述连续时次缺省值序列中的各缺省值按照时次顺序进行修复。
6.根据权利要求2所述的方法,其特征在于,所述利用空气质量历史观测数据分别对自编码神经网络和循环门控神经网络进行训练,包括:
通过百分位阈值法,确定所述空气质量历史观测数据中各组分浓度数据的异常阈值和正常数据;其中,异常阈值包括异常高值阈值和异常低值阈值;
利用所述正常数据构建训练数据集,通过所述训练数据集分别对自编码神经网络和循环门控神经网络进行训练。
7.根据权利要求1所述的方法,其特征在于,所述获取污染排放信息,包括:
获得所监测区域的地理位置信息和实时空气质量信息;
获得空气质量等级区间;
将所述实时空气质量信息和所述空气质量等级区间进行对比,确定空气质量等级;
将所述空气质量等级、所述实时空气质量信息和所述地理位置信息,作为污染排放信息;所述实时空气质量信息包括空气污染成分和空气污染浓度。
8.根据权利要求7所述的方法,其特征在于,所述将所述实时空气质量信息和所述空气质量等级区间进行对比为:将所述空气污染浓度和所述空气质量等级区间进行对比。
9.根据权利要求7所述的方法,其特征在于,所述将所述空气质量等级、所述实时空气质量信息和所述地理位置信息,作为污染排放信息为:将所述空气质量等级、空气污染成分和所述地理位置信息,作为污染排放信息。
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,该程序被处理器执行,以实现如权利要求1-9中任一所述的基于空气质量状况预报的空气污染处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701052.7A CN111814964A (zh) | 2020-07-20 | 2020-07-20 | 基于空气质量状况预报的空气污染处理方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701052.7A CN111814964A (zh) | 2020-07-20 | 2020-07-20 | 基于空气质量状况预报的空气污染处理方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814964A true CN111814964A (zh) | 2020-10-23 |
Family
ID=72866590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701052.7A Pending CN111814964A (zh) | 2020-07-20 | 2020-07-20 | 基于空气质量状况预报的空气污染处理方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814964A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112362816A (zh) * | 2020-11-16 | 2021-02-12 | 中科三清科技有限公司 | 一种基于观测数据的臭氧来源分析方法及装置 |
CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
CN113537563A (zh) * | 2021-06-10 | 2021-10-22 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
CN113642263A (zh) * | 2021-10-18 | 2021-11-12 | 中科三清科技有限公司 | 基于北斗网格的空气质量预警方法和装置 |
CN114511434A (zh) * | 2022-04-18 | 2022-05-17 | 天津天融环境科技发展有限公司 | 一种环境监测的方法、装置、电子设备及存储介质 |
CN114580572A (zh) * | 2022-04-07 | 2022-06-03 | 中科三清科技有限公司 | 一种异常值的识别方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6029139A (en) * | 1998-01-28 | 2000-02-22 | Ncr Corporation | Method and apparatus for optimizing promotional sale of products based upon historical data |
KR101382507B1 (ko) * | 2012-10-19 | 2014-04-10 | 사단법인대기환경모델링센터 | 대기질 예측 및 관리 시스템 |
US20180239057A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Forecasting air quality |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN110070224A (zh) * | 2019-04-20 | 2019-07-30 | 北京工业大学 | 一种基于多步骤递归预测的空气质量预测方法 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN110457295A (zh) * | 2019-07-05 | 2019-11-15 | 国网浙江省电力有限公司电力科学研究院 | 基于社会关系感知的时序数据补全系统 |
CN110531029A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
-
2020
- 2020-07-20 CN CN202010701052.7A patent/CN111814964A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6029139A (en) * | 1998-01-28 | 2000-02-22 | Ncr Corporation | Method and apparatus for optimizing promotional sale of products based upon historical data |
KR101382507B1 (ko) * | 2012-10-19 | 2014-04-10 | 사단법인대기환경모델링센터 | 대기질 예측 및 관리 시스템 |
US20180239057A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Forecasting air quality |
CN109214592A (zh) * | 2018-10-17 | 2019-01-15 | 北京工商大学 | 一种多模型融合的深度学习的空气质量预测方法 |
CN110070224A (zh) * | 2019-04-20 | 2019-07-30 | 北京工业大学 | 一种基于多步骤递归预测的空气质量预测方法 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN110457295A (zh) * | 2019-07-05 | 2019-11-15 | 国网浙江省电力有限公司电力科学研究院 | 基于社会关系感知的时序数据补全系统 |
CN110531029A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于环保物联网大数据预测空气质量趋势的装置 |
Non-Patent Citations (1)
Title |
---|
陈振民: "《实用环境质量评价》", 华东理工大学出版社, pages: 117 - 119 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112362816A (zh) * | 2020-11-16 | 2021-02-12 | 中科三清科技有限公司 | 一种基于观测数据的臭氧来源分析方法及装置 |
CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
CN113537563A (zh) * | 2021-06-10 | 2021-10-22 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
CN113537563B (zh) * | 2021-06-10 | 2022-08-02 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
CN113642263A (zh) * | 2021-10-18 | 2021-11-12 | 中科三清科技有限公司 | 基于北斗网格的空气质量预警方法和装置 |
CN113642263B (zh) * | 2021-10-18 | 2023-07-28 | 中科三清科技有限公司 | 基于北斗网格的空气质量预警方法和装置 |
CN114580572A (zh) * | 2022-04-07 | 2022-06-03 | 中科三清科技有限公司 | 一种异常值的识别方法、装置、电子设备及存储介质 |
CN114511434A (zh) * | 2022-04-18 | 2022-05-17 | 天津天融环境科技发展有限公司 | 一种环境监测的方法、装置、电子设备及存储介质 |
CN114511434B (zh) * | 2022-04-18 | 2023-04-07 | 天津天融环境科技发展有限公司 | 一种环境监测的方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
CN104966141B (zh) | 更新用于生成工业资产健康状况简档的模型的方法和系统 | |
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
DE102010052998A1 (de) | Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen | |
CN111860645B (zh) | 挥发性有机物观测数据中缺省值的修复方法及装置 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
CN115511136B (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
KR20200013146A (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及系统 | |
CN116149895A (zh) | 大数据集群性能预测方法、装置和计算机设备 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
CN113822441B (zh) | 决策模型训练方法、装置、终端设备及存储介质 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
Felsberger et al. | Cost and availability improvements for fault-tolerant systems through optimal load-sharing policies | |
CN111061254B (zh) | 一种phm系统性能的评价方法及系统 | |
Pievatolo et al. | Bayesian modelling of train door reliability | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
Freitag et al. | A concept for the dynamic adjustment of maintenance intervals by analysing heterogeneous data | |
Weyuker et al. | Comparing negative binomial and recursive partitioning models for fault prediction | |
CN117609927B (zh) | 排碳机构的生产状态确定方法、装置与电子设备 | |
Hilton | Visualization Techniques for Simulation-Based Dependent Failure Analysis | |
US20230083876A1 (en) | Data analysis device and method | |
EP4092537A1 (en) | Computer-implemented method for updating a model parameter for a model |
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 |