CN112001520A - 天气预报方法、装置、计算机设备及存储介质 - Google Patents
天气预报方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112001520A CN112001520A CN202010503575.0A CN202010503575A CN112001520A CN 112001520 A CN112001520 A CN 112001520A CN 202010503575 A CN202010503575 A CN 202010503575A CN 112001520 A CN112001520 A CN 112001520A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- training
- initial
- atmospheric
- different
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 495
- 231100000719 pollutant Toxicity 0.000 claims abstract description 495
- 238000012549 training Methods 0.000 claims description 236
- 238000000034 method Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 23
- 239000000356 contaminant Substances 0.000 claims description 19
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 150000004767 nitrides Chemical class 0.000 claims description 4
- 150000002825 nitriles Chemical class 0.000 claims description 4
- 230000003094 perturbing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
Abstract
本申请公开了一种天气预报方法、装置、计算机设备及存储介质,涉及气象预测技术领域。该天气预报方法包括获取多个大气参数集合,大气参数集合中包括大气气象数据和污染物排放数据,根据每个大气参数集合进行初始污染物浓度预测得到每个大气参数集合对应的初始污染物浓度预测结果。将多个大气参数集合对应的初始污染物浓度预测结果组成一个集合,即初始预测结果集合,将初始预测结果集合作为一个整体分别输入到不同的污染物模型中,不同的污染物模型可以对不同类型的污染物浓度进行预测,这样就可以得到多个污染物模型输出的各污染物模型对应的污染物的浓度,实现了对目标区域的大气中的污染物浓度进行预测的目的。
Description
技术领域
本申请涉及气象预测技术领域,特别是涉及一种天气预报方法、装置、计算机设备及存储介质。
背景技术
近年来,随着我国的工业、交通运输业以及农业活动等快速发展,排放到大气中的污染物越来越多,导致我国的大气环境问题愈加突出,大气污染事件频繁发生。而当污染物在大气中呈现较高的浓度以及持续较长的时间时,会对人类的健康造成危害。因此,有必要对大气中污染物进行预测和监控。
发明内容
基于此,本申请提供一种天气预报方法、装置、计算机设备及存储介质。
一种天气预报方法,该方法包括:
获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;
将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
在一个实施例中,获取多个大气参数集合,包括:
获取目标区域的历史污染物排放数据,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据;
获取目标区域在当前时刻的大气气象数据;
将大气气象数据分别与每个污染物排放数据组合,得到多个大气参数集合。
在一个实施例中,历史污染物排放数据包括多个类型的污染物的排放量,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据,包括:
对于每个污染物的排放量,对排放量进行高斯扰动后得到污染物的排放量范围;
对于每个污染物的排放量范围,对污染物的排放量范围进行采样得到污染物的多个采样后的排放量;
根据每个污染物的采样后的排放量生成多个污染物排放数据,不同污染物排放数据包括的每个类型的污染物的排放量不同。
在一个实施例中,污染物排放数据包括多个类型的污染物的排放量,将初始预测结果集合分别输入到多个不同的污染物模型中之前,该方法还包括:
从污染物排放数据中提取多个目标类型的污染物;
对于每个目标类型的污染物,建立目标类型的污染物对应的污染物模型。
在一个实施例中,建立目标类型的污染物对应的污染物模型,包括:
获取训练样本集,训练样本集包括多个训练样本,训练样本包括多个训练初始污染物浓度预测结果和目标类型的污染物的真实浓度;
通过训练样本集对机器学习模型进行训练,得到目标类型的污染物对应的污染物模型。
在一个实施例中,获取训练样本的过程包括:
获取多个训练集合,训练集合包括多个训练大气参数集合,训练大气参数集合包括训练污染物排放数据和训练大气气象数据;其中,不同训练集合中的训练大气参数集合包括的训练大气气象数据不同,同一训练集合中的不同训练大气参数集合包括的训练污染物排放数据不同;
对每个训练集合,根据训练集合中的每个训练大气参数集合进行初始污染物浓度预测,得到训练集合对应的训练初始预测结果集合,训练初始预测结果集合包括每个训练大气参数集合对应的训练初始污染物浓度预测结果;
对每个训练集合,将训练集合对应的训练初始预测结果集合中包括的多个训练初始污染物浓度预测结果与目标类型的污染物的真实浓度组合起来,得到训练样本。
在一个实施例中,不同类型污染物包括二氧化硫、二氧化碳、氮化物、氰化物、一氧化碳以及一氧化硫中的至少两种。
一种天气预报装置,该装置包括:
获取模块,用于获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
初始预测模块,用于分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;
污染物预测模块,用于将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该计算机程序被该处理器执行时实现以下步骤:
获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;
将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
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时实现以下步骤:
获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;
将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
本申请实施例提供的技术方案带来的有益效果至少包括:
上述天气预报方法、装置、计算机设备及存储介质,可以对大气中的污染物进行预测和监控。该天气预报方法中,计算机设备可以获取多个大气参数集合,大气参数集合中包括大气气象数据和污染物排放数据,根据每个大气参数集合进行初始污染物浓度预测得到每个大气参数集合对应的初始污染物浓度预测结果。将多个大气参数集合对应的初始污染物浓度预测结果组成一个集合,即初始预测结果集合,将初始预测结果集合作为一个整体分别输入到不同的污染物模型中,不同的污染物模型可以对不同类型的污染物浓度进行预测,这样就可以得到多个污染物模型输出的各污染物模型对应的污染物的浓度,实现了对目标区域的大气中的污染物浓度进行预测的目的。
附图说明
图1为本申请实施例提供的一种计算机设备的模块图;
图2为本申请实施例提供的一种天气预报方法的流程图;
图3为本申请实施例提供的一种获取多个大气参数集合的方法的流程图;
图4为本申请实施例提供的另一种天气预报方法的流程图;
图5为本申请实施例提供的一种建立污染物模型的方法的流程图;
图6为本申请实施例提供的一种天气预报装置的模块图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
数值天气预报是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法。目前,已经有很多国家或者地区把数值天气预报作为日常预报的主要方法。数值天气预报的预报项目一般包含有气压、湿度、温度、风、云和降水量。
近年来,随着我国的工业、交通运输业以及农业活动等快速发展,排放到大气中的污染物越来越多,导致我国的大气环境问题愈加突出,大气污染事件频繁发生。而当污染物在大气中呈现较高的浓度以及持续较长的时间时,会对人类的健康造成危害。因此,有必要对大气中污染物进行预测和监控。然而,现有的数值天气预报中并不能很好地对大气中的污染物浓度进行预测。
本申请实施例提供的天气预报方法包括获取多个大气参数集合,大气参数集合中包括大气气象数据和污染物排放数据,根据每个大气参数集合进行初始污染物浓度预测得到每个大气参数集合对应的初始污染物浓度预测结果。将多个大气参数集合对应的初始污染物浓度预测结果组成一个集合,即初始预测结果集合,将初始预测结果集合作为一个整体分别输入到不同的污染物模型中,不同的污染物模型可以对不同类型的污染物浓度进行预测,这样就可以得到多个污染物模型输出的各污染物模型对应的污染物的浓度,实现了对目标区域的大气中的污染物浓度进行预测的目的。
本申请实施例提供的天气预报方法可以应用于如图1所示的计算机设备中,该计算机设备可以是服务器或者终端,该终端可以是台式电脑、平板电脑、笔记本电脑、智能手机、可穿戴设备、车载设备等。该服务器可以是一台服务器或者多台服务器组成的服务器群组。
该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种天气预报方法。该数据库可以用于存储预先建立好的污染物模型和空气质量模型。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
请参考图2,其示出了本申请实施例提供的一种天气预报方法的流程图,该天气预报方法可以应用于图1所示实施环境中的计算机设备中,如图2所示,该天气预报方法可以包括以下步骤:
步骤201,计算机设备获取多个大气参数集合。
其中,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据。其中,大气气象数据包括温度、气压、湿度、风速、降水量等。污染物排放数据可以包括大气中多种类型的污染物的排放量。
可选的,污染物排放数据中的不同类型的污染物可以包括二氧化硫、二氧化碳、氮化物、氰化物、一氧化碳以及一氧化硫中的至少两种。
本申请实施例中,不同大气参数集合中的污染物排放数据不同,具体的:该多个大气参数集合中,每个大气参数集合中包括的大气气象数据相同,且都是目标区域当前时刻的大气气象数据。不同大气参数集合中包括的污染物排放数据不同,具体的,不同大气参数集合中包括的污染物排放数据中的污染物类型相同,但每种污染物的排放量不同。
步骤202,计算机设备分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合。
本申请实施例中,计算机设备可以调用数据库中预先存储的空气质量模型。其中,空气质量模型用数学方法来模拟影响大气污染物的扩散和反应的物理和化学过程的模型,空气质量模型可以基于输入的污染物排放数据和大气气象数据模拟直接排入大气的一次污染物浓度和由于复杂的化学反应形成的二次污染物的浓度。
将大气参数集合输入到空气质量模型中进行初始污染物浓度预测,得到空气质量模型输出的初始污染物浓度预测结果。其中,初始污染物浓度预测结果表示目标区域的在未来时间段的污染物浓度预测结果,初始污染物浓度预测结果可以包括污染物排放数据中包括的所有类型的污染物的浓度的预测结果。可选的,初始污染物浓度预测结果还可以包括大气气象数据中包括的所有类型的大气气象数据的参数,例如风速、降水量等等。
需要说明的是,本申请实施例中,对不同大气参数集合进行初始污染物浓度预测时,空气质量模型所采用的气象初始场和边界条件是相同的。其中,气象初始场和边界条件可以使用与传统数值型天气预报模型相同的天气变量,例如温度、气压、风速和降水量等。
本申请实施例中,将多个大气参数集合分别进行初始污染物浓度预测,可以得到每个大气参数集合对应的初始污染物浓度预测结果。将多个初始污染物浓度预测结果组合成初始预测结果集合。
步骤203,计算机设备将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果。
其中,污染物模型用于对不同类型污染物的浓度进行预测。每一种污染物模型可以预测一种类型的污染物的浓度。例如污染物模型A可以预测二氧化硫这种类型的污染物的浓度。污染物模型B可以预测一氧化碳这种类型的污染物的浓度。可选的,本申请实施例中,多个不同的污染物模型可以包括污染物排放数据中包括的所有类型的污染物对应的污染物模型。
每一种污染物模型的输入数据都是初始预测结果集合,但每一种污染物模型的输出并不相同,例如污染物模型A输出的是二氧化硫这种类型的污染物的浓度,污染物模型B输出的是一氧化碳这种类型的污染物的浓度。
在一种可选的实现方式中,由于初始预测结果集合中包括的每个初始污染物浓度预测结果中可能包括几百种污染物,因此数据量较大。为了减小数据运算量,本申请实施例中,可以从初始预测结果集合中的每个初始污染物浓度预测结果中提取多个特定类型的污染物的预测结果,计算机设备可以将每个初始污染物浓度预测结果中的多个特定类型的污染物的预测结果组合得到初始预测结果子集。其中,该些特定类型的污染物是指对大气环境影响较大,并且在大气环境中污染物排放量所占比例较大的污染物。计算机设备可以将初始预测结果子集分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果。
本申请实施例中,可以根据各个污染物模型输出的污染物浓度预测结果预测目标区域在未来时间段的污染物浓度。
本申请实施例提供的天气预报方法中,计算机设备可以获取多个大气参数集合,大气参数集合中包括大气气象数据和污染物排放数据,根据每个大气参数集合进行初始污染物浓度预测得到每个大气参数集合对应的初始污染物浓度预测结果。将多个大气参数集合对应的初始污染物浓度预测结果组成一个集合,即初始预测结果集合,将初始预测结果集合作为一个整体分别输入到不同的污染物模型中,不同的污染物模型可以对不同类型的污染物浓度进行预测,这样就可以得到多个污染物模型输出的各污染物模型对应的污染物的浓度,实现了对目标区域的大气中的污染物浓度进行预测的目的。
在本申请的一个实施例中,如图3所示,步骤201还包括以下内容:
步骤301,计算机设备获取目标区域的历史污染物排放数据,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据。
本申请实施例中,目标区域的历史污染物排放数据可以是指上一年度目标区域的日平均污染物排放数据。其中,历史污染物排放数据包括多个类型的污染物的排放量。可选的,目标区域的历史污染物排放数据可以来自于目标区域的大气污染源排放清单。
多个污染物排放数据中的每个污染物排放数据中包括的污染物的类型相同。
本申请实施例中,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据的过程可以包括以下步骤:
步骤A1:对于每个污染物的排放量,计算机设备对排放量进行高斯扰动后得到污染物的排放量范围。
高斯扰动是指具有高斯分布的随机扰动,高斯分布是指正太分布。
本申请实施例中,计算机设备对历史污染物排放数据中的每个类型的污染物的排放量进行高斯扰动的过程可以包括,首先设定扰动范围,例如扰动范围为±10%。以从历史污染物排放数据中得到的污染物排放量作为中心点,进行±10%的扰动,得到污染物的排放量范围,污染物的排放量范围为历史污染物排放数据中的排放量的90%~110%的范围。例如二氧化硫的排放量为4单位,那么经过扰动后,二氧化硫的排放量范围为3.6单位-4.4单位。
经过扰动处理,可以得到每个类型的污染物的排放量范围。
步骤A2:对于每个污染物的排放量范围,计算机设备对污染物的排放量范围进行采样得到污染物的多个采样后的排放量。
本申请实施例中,计算机设备可以分别对每个类型的污染物的排放量范围进行采样,不同类型的污染物的采样频率可以相同也可以不同。
采样后,每个类型的污染物的采样后的排放量对应至少两个数值。并且,采样后,不同类型的污染物的采样后的排放量的数量可以相同也可以不同。
步骤A3:计算机设备根据每个污染物的采样后的排放量生成多个污染物排放数据。
本申请实施例中,计算机设备可以对多种类型的污染物的采样后的排放量进行排列组合,得到多个污染物排放数据,多个污染物排放数据中包括的污染物的类型与历史污染物排放数据中包括的污染物的类型相同,但不同的污染物排放数据中包括的同一类型的污染物的采样后的排放量不同。
通过对历史污染物排放数据进行高斯扰动,扩大了污染物排放数据的范围,然后对每个污染物的排放量范围进行采样,得到每个污染物的可能的排放量。对每个污染物的采样后的排放量进行组合,得到多个污染物排放数据,该多个污染物排放数据包括了目标区域的污染物排放量的所有可能情况,因此包含有该多个污染物排放数据的多个大气参数集合可以更加准确地描述目标区域中的大气状态,从而提高了初始污染物浓度的预测精度。
步骤302,计算机设备获取目标区域在当前时刻的大气气象数据。
当前时刻的大气气象数据对于未来时间段的大气污染物浓度具有非常大的影响。具体的,污染物排放数据一般情况下,在某一段时期内的变化是非常微小的,因此可以认为平均每天排放到大气中的污染物的类型以及各类型的污染物的排放量是不变的。然而,大气中每时每刻的气象状态都处于变化之中,在污染物排放数据中各污染物排放量固定的情况下,不同的大气环境会导致大气中的各类型的污染物浓度不同。例如,在风速较大的天气状态下,污染物被吹散,因此浓度较低。在温度较低的天气环境中,大气流动速度较慢,污染物容易聚集,因此浓度较高。
步骤303,计算机设备将大气气象数据分别与每个污染物排放数据组合,得到多个大气参数集合。
本申请实施例中,可以将一个污染物排放数据与当前时刻的大气气象数据进行组合,得到一个大气参数集合。每个大气参数集合中的污染物排放数据不同。
结合步骤301公开的内容可知,多个大气参数集合可以包括目标区域的大气中的污染物排放量的所有可能情况,因此,采用大气参数集合进行初始污染物浓度预测得到的初始污染物浓度预测结果更准确。
在本申请的一个实施例中,如图4所示,本申请实施例提供另一种天气预报方法,该方法包括以下步骤:
步骤401,计算机设备获取多个大气参数集合。
步骤402,计算机设备分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合。
步骤403,计算机设备从污染物排放数据中提取多个目标类型的污染物。
由于污染物排放数据中的污染物的类型可以由几百甚至上千种,若对每一种类型的污染物建立污染物模型,会导致污染物模型的数量巨大,并且数据运算量巨大。
在实际中,一部分污染物对大气环境的影响较大,而大部分污染物对大气的影响是比较微小的,本申请实施例中,可以将对大气环境影响较大的污染物的类型提取出来,作为目标类型的污染物。
需要说明的是,不同的目标区域的目标类型的污染物可以是不同的。
步骤404,对于每个目标类型的污染物,计算机设备建立该目标类型的污染物对应的污染物模型。
本申请实施例中,如图5所示,计算机设备建立目标类型的污染物对应的污染物模型的过程可以包括以下步骤:
步骤501,计算机设备获取训练样本集。
训练样本集包括多个训练样本,训练样本包括多个训练初始污染物浓度预测结果和目标类型的污染物的真实浓度。
本申请实施例中,以目标类型的污染物为A污染物为例进行说明。
训练样本集为A污染物对应的训练样本集。其中A污染物对应的训练样本集中每个训练样本包括的目标类型的污染物的真实浓度为A污染物的真实浓度。
本申请实施例中,获取A污染物对应的训练样本集中每个训练样本的过程可以包括以下步骤:
步骤B1,获取多个训练集合。
本申请实施例中,计算机设备可以获取M种大气气象数据,该M种大气气象数据用于表示不同的天气状态,称为M种训练大气气象数据。其中,训练大气气象数据为历史数据,每种训练大气气象数据对应的获取时间点是不同的。
本申请实施例中,计算机设备可以获取污染物排放数据,并采用步骤301公开的内容对污染物排放数据进行扰动处理,得到N种污染物排放数据,称为N种训练污染物排放数据。
本申请实施例中,可以将一种训练大气气象数据分别与N种训练污染物排放数据组合,得到N个训练大气参数集合,N个训练大气参数集合可以组成一个训练集合。其中,同一训练集合中的N个训练大气参数集合包括的训练污染物排放数据不同,包括的训练大气气象数据相同。
对其他训练大气气象数据采用与上述相同的方法进行处理,可以得到M个训练集合。其中,不同训练集合中的训练大气参数集合包括的训练大气气象数据不同。
步骤B2,对每个训练集合,根据训练集合中的每个训练大气参数集合进行初始污染物浓度预测,得到训练集合对应的训练初始预测结果集合。
可选的,本申请实施例中,可以预先设置多组不同的初始污染物浓度预测边界条件和气象初始场。例如有K种边界条件和气象初始场。
以一个训练集合为例,采用K种边界条件和气象初始场中的一种对该训练集合中包括的N个训练大气参数集合分别进行初始污染物浓度预测,得到N个训练大气参数集合对应的N个训练初始污染物浓度预测结果,将N个训练初始污染物浓度预测结果作为该训练集合对应的一个训练初始预测结果集合。
相应的,K种边界条件和气象初始场下,一个训练集合可以对应K个训练初始预测结果集合。M个训练集合可以得到M×K个训练初始预测结果集合。
步骤B3,对每个训练集合,将训练集合对应的训练初始预测结果集合中包括的多个训练初始污染物浓度预测结果与目标类型的污染物的真实浓度组合起来,得到训练样本。
本申请实施例中,例如一个训练集合中的训练大气气象数据是在H时间点获得的,利用H时间点获得的训练大气气象数据组成的多个训练大气参数集合,在进行初始污染物浓度预测时,得到的训练初始预测结果集合可以是指在H时间点之后的L时间点的训练初始预测结果集合。其中,H时间点和L时间点均为历史时间点。
相应的,计算机设备可以获取在L时间点通过实际检测得到的A污染物的真实浓度。
将L时间点的训练初始预测结果集合和L时间点A污染物的真实浓度组合起来,形成一个训练样本。
同理可以得到其他训练样本,将多个训练样本组合起来得到训练样本集。
在一种可选的实现方式中,对应于步骤203中公开的将初始预测结果子集分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果。本申请实施例中,获取训练样本的过程还可以包括以下内容:
对于一个训练初始预测结果集合,从每个训练初始污染物浓度预测结果中提取出多个特定类型的污染物的预测结果作为一个特定类型预测结果,将多个特定类型预测结果组合起来得到训练初始预测结果集合对应的训练初始预测结果子集。
将训练初始预测结果子集和A污染物的真实浓度组合起来,形成一个训练样本。
步骤502,计算机设备通过训练样本集对机器学习模型进行训练,得到目标类型的污染物对应的污染物模型。
本申请实施例中,机器学习模型可以是xgboost模型,机器学习模型的参数可以通过hyperopt模型进行调参。
本申请实施例中,可以分别根据每一种类型的污染物的训练样本集训练得到该类型的污染物对应的污染物模型。
本申请实施例中,通过在训练样本集中获取多种不同的训练大气气象数据可以对多种不同的大气状态进行学习,从而保证了污染物模型的精度。
步骤405,计算机设备将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果。
可选的,本申请实施例中,计算机设备可以根据各污染物模型输出的污染物浓度预测结果对目标区域在未来时间段的污染物浓度进行预测。
可选的,本申请实施例中,可以将目标类型的污染物之外污染物称为其他污染物,对于其他污染物,可以通过初始预测结果集合中包括的多个初始污染物浓度预测结果中对应的各个其他污染物的数据求平均,将平均值作为各个其他污染物的污染物浓度预测结果。然后将污染物模型输出的各目标类型的污染物的污染物浓度预测结果与各个其他污染物的污染物浓度预测结果组合起来,对目标区域在未来时间段的污染物浓度进行预测。
请参考图6,其示出了本申请实施例提供的一种天气预报装置的模块图,该天气预报装置可以配置在图1所示实施环境中的计算机设备中。如图6所示,该天气预报装置可以包括获取模块601、初始预测模块602和污染物预测模块603,其中:
获取模块601用于获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
初始预测模块602用于分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;
污染物预测模块603用于将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
在一个实施例中,获取模块601还用于获取目标区域的历史污染物排放数据,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据;获取目标区域在当前时刻的大气气象数据;将大气气象数据分别与每个污染物排放数据组合,得到多个大气参数集合。
在一个实施例中,历史污染物排放数据包括多个类型的污染物的排放量,获取模块601还用于对于每个污染物的排放量,对排放量进行高斯扰动后得到污染物的排放量范围;对于每个污染物的排放量范围,对污染物的排放量范围进行采样得到污染物的多个采样后的排放量;根据每个污染物的采样后的排放量生成多个污染物排放数据,不同污染物排放数据包括的每个类型的污染物的排放量不同。
在一个实施例中,污染物排放数据包括多个类型的污染物的排放量,污染物预测模块603还用于从污染物排放数据中提取多个目标类型的污染物;对于每个目标类型的污染物,建立目标类型的污染物对应的污染物模型。
在一个实施例中,污染物预测模块603还用于获取训练样本集,训练样本集包括多个训练样本,训练样本包括多个训练初始污染物浓度预测结果和目标类型的污染物的真实浓度;通过训练样本集对机器学习模型进行训练,得到目标类型的污染物对应的污染物模型。
在一个实施例中,污染物预测模块603还用于获取多个训练集合,训练集合包括多个训练大气参数集合,训练大气参数集合包括训练污染物排放数据和训练大气气象数据;其中,不同训练集合中的训练大气参数集合包括的训练大气气象数据不同,同一训练集合中的不同训练大气参数集合包括的训练污染物排放数据不同;对每个训练集合,根据训练集合中的每个训练大气参数集合进行初始污染物浓度预测,得到训练集合对应的训练初始预测结果集合,训练初始预测结果集合包括每个训练大气参数集合对应的训练初始污染物浓度预测结果;对每个训练集合,将训练集合对应的训练初始预测结果集合中包括的多个训练初始污染物浓度预测结果与目标类型的污染物的真实浓度组合起来,得到训练样本。
在一个实施例中,不同类型污染物包括二氧化硫、二氧化碳、氮化物、氰化物、一氧化碳以及一氧化硫中的至少两种。
关于天气预报装置的具体限定可以参见上文中对于天气预报方法的限定,在此不再赘述。上述天气预报装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标区域的历史污染物排放数据,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据;获取目标区域在当前时刻的大气气象数据;将大气气象数据分别与每个污染物排放数据组合,得到多个大气参数集合。
在本申请的一个实施例中,历史污染物排放数据包括多个类型的污染物的排放量,处理器执行计算机程序时还实现以下步骤:对于每个污染物的排放量,对排放量进行高斯扰动后得到污染物的排放量范围;对于每个污染物的排放量范围,对污染物的排放量范围进行采样得到污染物的多个采样后的排放量;根据每个污染物的采样后的排放量生成多个污染物排放数据,不同污染物排放数据包括的每个类型的污染物的排放量不同。
在本申请的一个实施例中,污染物排放数据包括多个类型的污染物的排放量,处理器执行计算机程序时还实现以下步骤:从污染物排放数据中提取多个目标类型的污染物;对于每个目标类型的污染物,建立目标类型的污染物对应的污染物模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取训练样本集,训练样本集包括多个训练样本,训练样本包括多个训练初始污染物浓度预测结果和目标类型的污染物的真实浓度;通过训练样本集对机器学习模型进行训练,得到目标类型的污染物对应的污染物模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个训练集合,训练集合包括多个训练大气参数集合,训练大气参数集合包括训练污染物排放数据和训练大气气象数据;其中,不同训练集合中的训练大气参数集合包括的训练大气气象数据不同,同一训练集合中的不同训练大气参数集合包括的训练污染物排放数据不同;对每个训练集合,根据训练集合中的每个训练大气参数集合进行初始污染物浓度预测,得到训练集合对应的训练初始预测结果集合,训练初始预测结果集合包括每个训练大气参数集合对应的训练初始污染物浓度预测结果;对每个训练集合,将训练集合对应的训练初始预测结果集合中包括的多个训练初始污染物浓度预测结果与目标类型的污染物的真实浓度组合起来,得到训练样本。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个大气参数集合,每个大气参数集合包括目标区域的污染物排放数据和目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;分别根据每个大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,初始预测结果集合包括每个大气参数集合对应的初始污染物浓度预测结果;将初始预测结果集合分别输入到多个不同的污染物模型中,得到各污染物模型输出的污染物浓度预测结果,污染物模型用于对不同类型污染物的浓度进行预测。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取目标区域的历史污染物排放数据,对历史污染物排放数据进行扰动处理,得到目标区域的多个污染物排放数据;获取目标区域在当前时刻的大气气象数据;将大气气象数据分别与每个污染物排放数据组合,得到多个大气参数集合。
在本申请的一个实施例中,历史污染物排放数据包括多个类型的污染物的排放量,计算机程序被处理器执行时还可以实现以下步骤:对于每个污染物的排放量,对排放量进行高斯扰动后得到污染物的排放量范围;对于每个污染物的排放量范围,对污染物的排放量范围进行采样得到污染物的多个采样后的排放量;根据每个污染物的采样后的排放量生成多个污染物排放数据,不同污染物排放数据包括的每个类型的污染物的排放量不同。
在本申请的一个实施例中,污染物排放数据包括多个类型的污染物的排放量,计算机程序被处理器执行时还可以实现以下步骤:从污染物排放数据中提取多个目标类型的污染物;对于每个目标类型的污染物,建立目标类型的污染物对应的污染物模型。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取训练样本集,训练样本集包括多个训练样本,训练样本包括多个训练初始污染物浓度预测结果和目标类型的污染物的真实浓度;通过训练样本集对机器学习模型进行训练,得到目标类型的污染物对应的污染物模型。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取多个训练集合,训练集合包括多个训练大气参数集合,训练大气参数集合包括训练污染物排放数据和训练大气气象数据;其中,不同训练集合中的训练大气参数集合包括的训练大气气象数据不同,同一训练集合中的不同训练大气参数集合包括的训练污染物排放数据不同;对每个训练集合,根据训练集合中的每个训练大气参数集合进行初始污染物浓度预测,得到训练集合对应的训练初始预测结果集合,训练初始预测结果集合包括每个训练大气参数集合对应的训练初始污染物浓度预测结果;对每个训练集合,将训练集合对应的训练初始预测结果集合中包括的多个训练初始污染物浓度预测结果与目标类型的污染物的真实浓度组合起来,得到训练样本。
本申请实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种天气预报方法,其特征在于,所述方法包括:
获取多个大气参数集合,每个所述大气参数集合包括目标区域的污染物排放数据和所述目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
分别根据每个所述大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,所述初始预测结果集合包括每个所述大气参数集合对应的初始污染物浓度预测结果;
将所述初始预测结果集合分别输入到多个不同的污染物模型中,得到各所述污染物模型输出的污染物浓度预测结果,所述污染物模型用于对不同类型污染物的浓度进行预测。
2.根据权利要求1所述的方法,其特征在于,所述获取多个大气参数集合,包括:
获取所述目标区域的历史污染物排放数据,对所述历史污染物排放数据进行扰动处理,得到所述目标区域的多个污染物排放数据;
获取所述目标区域在当前时刻的大气气象数据;
将所述大气气象数据分别与每个所述污染物排放数据组合,得到多个所述大气参数集合。
3.根据权利要求2所述的方法,其特征在于,所述历史污染物排放数据包括多个类型的污染物的排放量,所述对所述历史污染物排放数据进行扰动处理,得到所述目标区域的多个污染物排放数据,包括:
对于每个污染物的排放量,对所述排放量进行高斯扰动后得到所述污染物的排放量范围;
对于每个污染物的排放量范围,对所述污染物的排放量范围进行采样得到所述污染物的多个采样后的排放量;
根据每个污染物的采样后的排放量生成多个所述污染物排放数据,不同污染物排放数据包括的每个类型的污染物的排放量不同。
4.根据权利要求1所述的方法,其特征在于,所述污染物排放数据包括多个类型的污染物的排放量,所述将所述初始预测结果集合分别输入到多个不同的污染物模型中之前,所述方法还包括:
从所述污染物排放数据中提取多个目标类型的污染物;
对于每个所述目标类型的污染物,建立所述目标类型的污染物对应的污染物模型。
5.根据权利要求4所述的方法,其特征在于,所述建立所述目标类型的污染物对应的污染物模型,包括:
获取训练样本集,所述训练样本集包括多个训练样本,所述训练样本包括多个训练初始污染物浓度预测结果和所述目标类型的污染物的真实浓度;
通过所述训练样本集对机器学习模型进行训练,得到所述目标类型的污染物对应的污染物模型。
6.根据权利要求5所述的方法,其特征在于,获取训练样本的过程包括:
获取多个训练集合,所述训练集合包括多个训练大气参数集合,所述训练大气参数集合包括训练污染物排放数据和训练大气气象数据;其中,不同训练集合中的训练大气参数集合包括的训练大气气象数据不同,同一训练集合中的不同训练大气参数集合包括的训练污染物排放数据不同;
对每个所述训练集合,根据所述训练集合中的每个所述训练大气参数集合进行初始污染物浓度预测,得到所述训练集合对应的训练初始预测结果集合,所述训练初始预测结果集合包括每个所述训练大气参数集合对应的训练初始污染物浓度预测结果;
对每个所述训练集合,将所述训练集合对应的训练初始预测结果集合中包括的多个训练初始污染物浓度预测结果与所述目标类型的污染物的真实浓度组合起来,得到所述训练样本。
7.根据权利要求1所述的方法,其特征在于,所述不同类型污染物包括二氧化硫、二氧化碳、氮化物、氰化物、一氧化碳以及一氧化硫中的至少两种。
8.一种天气预报装置,其特征在于,所述装置包括:
获取模块,用于获取多个大气参数集合,每个所述大气参数集合包括目标区域的污染物排放数据和所述目标区域在当前时刻的大气气象数据,不同大气参数集合中的污染物排放数据不同;
初始预测模块,用于分别根据每个所述大气参数集合进行初始污染物浓度预测,得到初始预测结果集合,所述初始预测结果集合包括每个所述大气参数集合对应的初始污染物浓度预测结果;
污染物预测模块,用于将所述初始预测结果集合分别输入到多个不同的污染物模型中,得到各所述污染物模型输出的污染物浓度预测结果,所述污染物模型用于对不同类型污染物的浓度进行预测。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503575.0A CN112001520A (zh) | 2020-06-05 | 2020-06-05 | 天气预报方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010503575.0A CN112001520A (zh) | 2020-06-05 | 2020-06-05 | 天气预报方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001520A true CN112001520A (zh) | 2020-11-27 |
Family
ID=73466603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010503575.0A Pending CN112001520A (zh) | 2020-06-05 | 2020-06-05 | 天气预报方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001520A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469090A (zh) * | 2021-07-09 | 2021-10-01 | 王晓东 | 水质污染预警方法、装置及存储介质 |
CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
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 |
CN113777236A (zh) * | 2021-09-08 | 2021-12-10 | 中科三清科技有限公司 | 基于排放源的空气质量监控方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
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 |
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 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
-
2020
- 2020-06-05 CN CN202010503575.0A patent/CN112001520A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
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 |
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 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469090A (zh) * | 2021-07-09 | 2021-10-01 | 王晓东 | 水质污染预警方法、装置及存储介质 |
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 |
CN113743648B (zh) * | 2021-07-30 | 2022-07-15 | 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 |
CN113627529A (zh) * | 2021-08-11 | 2021-11-09 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
CN113627529B (zh) * | 2021-08-11 | 2023-07-07 | 成都佳华物链云科技有限公司 | 空气质量预测方法、装置、电子设备及存储介质 |
CN113777236A (zh) * | 2021-09-08 | 2021-12-10 | 中科三清科技有限公司 | 基于排放源的空气质量监控方法和装置 |
CN113777236B (zh) * | 2021-09-08 | 2022-04-26 | 中科三清科技有限公司 | 基于排放源的空气质量监控方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001520A (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
CN111667010A (zh) | 基于人工智能的样本评估方法、装置、设备及存储介质 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN111754042A (zh) | 基于高斯回归的大气污染物浓度的预测方法及装置 | |
CN113627529B (zh) | 空气质量预测方法、装置、电子设备及存储介质 | |
CN113283630A (zh) | 空气质量预测方法、装置、设备和计算机可读存储介质 | |
CN110491106B (zh) | 基于知识图谱的数据预警方法、装置和计算机设备 | |
Zhang et al. | Time series estimation of gas sensor baseline drift using ARMA and Kalman based models | |
CN110852523A (zh) | 基于数值模式的天气预报方法、装置、设备和存储介质 | |
CN114112995A (zh) | 基于三维变分技术的气溶胶光学特性资料同化方法和装置 | |
CN116882321A (zh) | 气象影响量化评估方法、装置、存储介质及电子设备 | |
CN110737876A (zh) | 区域电网光伏功率预测优化方法和装置 | |
CN114019110A (zh) | 一种基于大数据的作业场所气体探测器端云一体化平台 | |
Reddy et al. | Global warming analysis and prediction using data science | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
Rautela et al. | Characterizing the spatio-temporal distribution, detection, and prediction of aerosol atmospheric rivers on a global scale | |
CN114217025A (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN111339500A (zh) | 空气污染溯源方法、装置、计算机设备和存储介质 | |
CN114648227B (zh) | 航空液压泵站时序异常检测方法、装置、设备及存储介质 | |
Li et al. | Effects of climate change on vegetation dynamics of the Qinghai-Tibet Plateau, a causality analysis using empirical dynamic modeling | |
Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory | |
Salami et al. | Application of neural networks modeling to environmentally global climate change at San Joaquin Old River Station | |
CN115436342A (zh) | 降低多批次样本间libs检测不确定性的方法及装置 |
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 |