CN112149887A - 一种基于数据时空特征的pm2.5浓度预测方法 - Google Patents
一种基于数据时空特征的pm2.5浓度预测方法 Download PDFInfo
- Publication number
- CN112149887A CN112149887A CN202010932562.5A CN202010932562A CN112149887A CN 112149887 A CN112149887 A CN 112149887A CN 202010932562 A CN202010932562 A CN 202010932562A CN 112149887 A CN112149887 A CN 112149887A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- concentration
- model
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000004994 reproductive system Anatomy 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal 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
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明公开了一种基于数据时空特征的PM2.5浓度预测方法，包括采集所有监测站点的PM2.5以及天气数据；对采集到的所有数据进行清洗；进行相关性分析并设置阈值，融合待预测站点与相关系数≥阈值的相邻站点的数据构建模型输入数据；对输入数据进行归一化，将数据序列按照时间步长T滑动切段，得到多个数据分量。基于可以提取数据空间特征的CNN以及时间特征的双向LSTM搭建PM2.5浓度预测模型；使用训练集对模型进行训练，并通过网格搜索法优化得到最佳参数；使用训练好的模型进行PM2.5预测。与现有技术相比，本发明提出的模型在提高了预测精度的同时，也增加了预测的稳定性，对异常值的鲁棒性更高。
Description
技术领域
本发明专利涉及一种PM2.5的浓度预测方法，尤其是涉及一种考虑数据时空特征的PM2.5浓度预测方法。
背景技术
近年来，环境污染问题受到了广泛关注。特别是由于PM2.5引起的空气污染，已经并将在未来很长一段时间内持续成为亟待解决的重大健康危害。长期生活在严重污染的环境下，人的呼吸系统、心血管系统、生殖系统都会逐渐发生病变。同时这些空气污染物能够散射和吸收可见光，使大气能见度下降进而多诱发交通事故，也影响着人们的正常生活。因此，准确的、稳定的空气质量预测对提前进行区域预警以及减少安全事故至关重要。
为了预测PM2.5的浓度，此前，在空气质量预测中主要采用确定性方法和统计方法。确定性方法主要是基于大气的物理和化学模型，采用数学方法建立大气污染浓度的迁移或扩散模型，再通过计算模拟大气污染物浓度的动态变化，最终达到预测浓度的目的。常用的模型比如社区多尺度空气质量模型、WRFChem模型、嵌套式空气质量预测模型系统(NAQPMS)等。然而，这些的模型需要非常丰富的信息数据，而获得这些数据的实际难度较大，单靠经验估计又会对性能产生较大的影响。而且针对某些特定情况的模型又无法适用于其他的场景，这极大的限制了这些模型的应用推广。如今，统计预测方法凭借其优势受到了广大研究者们的热爱。与确定性方法相比，这类模型只需要给定足够的历史数据，通过模型结构以及参数的选取就能达到预测目的，而这些历史数据恰恰是研究者们手中最容易获得的信息。同时通过提供不同的历史数据也让其适用场景更加广泛。常用的统计方法主要包括多元线性回归(MLR)方法、自回归滑动平均(ARMA)方法、支持向量回归(SVR)方法。但是这些传统的统计方法所包含的线性假设条件不符合现实中大气浓度的非线性特征，尽管回归分析的建模速度很快，但是对于非线性的数据则表现出了较差的性能。为了解决这个问题，研究人员们开始采用非线性机器学习方法，例如多层感知机，随机森林(RF)以及人工神经网络(ANN)来预测空气质量，在这些机器学习方法中，神经网络方法能够很好地实现大气现象的非线性机理，具有很高的预测性能，因此在大气污染物浓度预测研究中得到了广泛的应用。
在实际情况中，某一时刻的大气污染会对未来状态产生短期或长期影响。因此，在预测大气污染物浓度时，考虑时序特征是提高预测精度必须的手段。循环神经网络(RNN)、以及为解决长期依赖问题而提出的长短期循环神经网络(LSTM)和其他深度学习模型已在先前的研究中应用于空气污染预测。但是，这些模型均只应用于单个监测站点的数据研究，而由于大气存在高度流通性，相邻的多个站点之间污染物数据除了在某些时刻存在个体的突变性一般都存在某种联系，这些模型在预测时并不能很好的利用这种联系。
发明内容
本发明的目的就是为了解决上述现有技术存在的不足而提供的一种考虑数据时空特征的PM2.5浓度预测方法，综合考虑相邻站点间的数据空间特征以及长期历史数据的时间特征，更加准确的预测城市的空气质量。
本发明的目的可以通过以下技术方案来实现：
一种考虑数据时空特征的PM2.5浓度预测方法，其特征在于，包括以下步骤：
步骤S1：采集市区内包括待预测站点的所有监测站点的PM2.5以及天气数据。
步骤S2：对采集到的所有数据进行清洗。
步骤S3：进行相关性分析并设置阈值，融合与待预测站点相关系数≥阈值的相邻站点的数据构建模型输入数据。
步骤S4：对输入数据进行归一化，将数据序列按照时间步长T滑动切段，得到多个数据分量。并按比例划分为训练集、验证集、测试集。
步骤S5：基于可以提取数据空间特征的CNN以及时间特征的双向LSTM搭建PM2.5浓度预测模型。
步骤S6：使用训练集对模型进行训练，并通过网格搜索法优化得到最佳参数。
步骤S7：使用训练好的模型进行PM2.5预测。
进一步的，所述数据清洗过程包括对于连续超过5个小时的数据缺失或者异常的情况，直接剔除数据；对于小于5个小时的数据缺失或异常使用上一时刻的值进行填充。
进一步的，步骤S3所述的相关系数，是通过计算待预测站点与其他站点PM2.5数据的Pearson相关系数得到的，其计算公式为：
其中，X,Y表示待预测站点以及待比较站点的PM2.5数据序列，E(·)表示对数据序列求期望操作。
进一步的，所述输入数据的种类包括PM2.5，设备所在地的温度、湿度、气压、风速、风向，以及月份信息。并最终按照时间步长、数据种类、多站点数据的维度顺序转换成三维数据矩阵。同时归一化方法均采用最大最小值归一化。
进一步的，所述的PM2.5浓度预测模型，其包括一层用于提取数据空间特征2D卷积层，一层用于提取数据时间特征的双向LSTM层，以及三层用于提高模型非线性表达能力全连接层。
进一步的，步骤S6所述的训练过程中，将处理好的训练数据输入网络进行训练。通过网格搜索法，确定CNN卷积核个数、LSTM单元节点数、全连接层的神经单元数、时间步长、批尺寸、训练轮数以及相关性阈值。通过计算在测试集上的MAE、RMSE、MAPE来评价模型，得到效果最好的那组模型参数。
进一步的，步骤S7所述的预测过程具体为，将包含当前时间往前共T个时间点的数据处理后输入训练得到的模型，将输出的值反归一化后即可得到未来一小时的PM2.5预测值；再将该预测值结合天气预报中的天气状况信息，重复进行预测操作即可得到未来多个小时的PM2.5预测值。
附图说明
图1为本发明方法的主要步骤示意图
图2为待预测站点与其他站点数据相关性与地理距离折线图
图3本发明所构建的预测模型结构图
具体实施方式
下面结合附图1和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种考虑数据时空特征的PM2.5浓度预测方法，如图1～图3所示，包括：
步骤S1：采集市区内包括待预测站点的所有监测站点的PM2.5以及天气数据：
收集来自甲方在辽宁省抚顺市区部署的40处大气监测站点设备提供的PM2.5和天气情况的小时数据，气象数据包括设备所在地的温度、湿度、气压、风速、风向。使用2019年1月-2019年12月的总共40(设备数)*8760(小时数)条数据作为研究数据集。
步骤S2：对采集到的所有数据进行清洗：
包括对于连续超过5个小时的数据缺失或者异常的情况，直接剔除数据；对于小于5个小时的数据缺失或异常使用上一时刻的值进行填充。
步骤S3：进行相关性分析并设置阈值，融合与待预测站点相关系数≥阈值的相邻站点的数据构建模型输入数据：
通过计算待预测站点与其他所有站点PM2.5数据的Pearson相关系数得到的，皮尔森相关系数(Pearson Correlation Coefficient)是衡量两个事物(在数据中则称之为变量)线性关联性的程度。其计算公式如式所示：
其中，X,Y表示待预测站点以及待比较站点的pm2.5数据序列，E(·)表示对数据序列求期望操作。
图2显示了待预测站点与抚顺市区其他共39个站点的相关系数，其中，横坐标为通过设备所安装地点的经纬度求得站点之间的实际地理距离，单位为千米(KM),纵坐标为求得的相关系数，其中纵坐标的下限为0.6。相关性阈值初始值为1，通过后续实验确定最佳值。
步骤S4：对输入数据进行归一化，将数据序列按照时间步长T滑动切段，得到多个数据分量。并按比例划分为训练集、验证集、测试集：
步骤S41：输入数据的种类包括PM2.5浓度，设备所在地的温度、湿度、气压、风速、风向，以及月份信息共7类，处理后的输入数据尺寸为(8760，7，k)，其中k为大于阈值的相邻站点数。设置时间窗口长度为T，在数据的第一维度进行滑动，滑动步长为1，每次滑动生成一条尺寸为(T，7，k)的数据。最终得到的数据为(8756，T，7，k)。
步骤S42：由于每种数据种类的单位与数量级都有很大差别，因此需要对输入数据进行归一化处理以提高模型训练速度以及预测准确度，本实施例中选取最大最小归一化方法：
其中，X为需要归一化的数据，X*为归一化后的值，Xmax和Xmin分别表示原数据中的最大最小值。
步骤S43：对处理好的数据，按照7：1：2的比例划分为训练集、验证集、测试集。
步骤S5：基于可以提取数据空间特征的CNN以及时间特征的双向LSTM搭建PM2.5浓度预测模型：
网络结构如图3所示，主要包括三个部分：卷积层进行数据空间特征的提取；双向LSTM用于从提取到的包含多个时间步长的特征向量中提取时间特征；全连接层将得到的特征向量融合最终输出一个预测值。
网络的具体运算过程是：输入的单条数据先通过一层卷积核大小为(1，7)的2D卷积层，该卷积层用于提取数据的空间特征，包括不同站点数据之间的特征以及输入中每个种类数据之间的特征，最终计算得到一个多通道特征矩阵,每个特征矩阵尺寸为(t，1)。然后将得到的特征矩阵按时间维度拼接，输入一层双向LSTM层提取到包含前后数据信息的时间特征,尺寸为(t，u)，其中u为LSTM层单元数。最终通过三层全连接层，将前面得到的特征向量整合成一个用于表示PM2.5浓度的值，此处使用多层全连接层可以提高模型非线性表达能力。
步骤S6：使用训练集对模型进行训练，并通过网格搜索法优化得到最佳参数：
步骤S61：将处理好的训练数据输入网络进行训练。通过网格搜索法，确定CNN卷积核个数、LSTM单元节点数、全连接层的神经单元数、时间步长、批尺寸、训练轮数以及相关性阈值。通过计算在测试集上的MAE、RMSE、R2来评价模型，获得效果使模型效果最好的参数组合。其计算公式为：
上式中，N为样本数量，reali代表为i时刻的真实值，
为其均值；predicti代表i时刻的预测值。
步骤S62：本实施例对相关阈值的选取做了进一步的实验对比，分析讨论设置不同相关系数阈值对模型精度的影响，实验结果如表1所示。在相似度阈值选取的过高或者过低时，最终的模型效果都会变差，但是其效果均好于相似度阈值为0.95时即不使用任何相邻站点时得到的模型。可以得出：加入相邻站点的数据会增加一些重要特征数量，预测时可以提高模型的精度，但是在增加了过多站点后，由于其数据量越来越庞大，会导致不相关数据的也越来越多从而降低模型精度。这验证了本发明提出的想法即考虑相邻站点数据的合理性。
表1：不同相关系数阈值下，模型预测效果对比
步骤S63：对得到的最佳预测模型进行性能评估，经过实验分析和对比结果如表2所示，相对于已有的LSTM以及CNN网络，本发明提出的模型具有最好的预测效果，同时预测模型的RMSE有了明显的减小，表明了在使用相邻站点数据后对异常值有更强的鲁棒性。
表2：不同模型预测效果对比
步骤S7：使用训练好的模型进行PM2.5预测：
预测具体过程为将包含当前时间往前共T个时间点的数据处理后输入训练得到的模型，将输出的值反归一化后即可得到未来一小时的PM2.5预测值；同时可再将该预测值结合天气预报中的天气状况信息，重复进行预测操作即可得到未来多个小时的PM2.5预测值。
综上所述，本发明所构建的一种基于数据时空特征的预测模型，是充分建立在已有研究上的，即大气具有很强的空间与时间关联性，同时利用CNN与LSTM网络的特点和优势，充分提取这些特征，建立一种可以预测目标区域未来一定时间内的PM2.5浓度的模型。本法明针对以往研究存在的不足，在考虑数据时间上的联系的同时充分考虑了相邻站点间数据的空间关系，根据最终的比较分析可以看出，本发明提出的模型在提高了预测精度的同时，也增加了预测的稳定性，对异常值的鲁棒性更高，因此具有实际性的应用前景。
Claims (7)
1.一种考虑数据时空特征的PM2.5浓度预测方法，其特征在于，包括以下步骤：
步骤S1：采集市区内包括待预测站点的所有监测站点的PM2.5以及天气数据；
步骤S2：对步骤S1中采集到的所有监测站点的PM2.5以及天气数据进行清洗；
步骤S3：进行相关性分析并设置阈值，融合与待预测站点相关系数≥阈值的相邻站点的数据构建模型输入数据；
步骤S4：对输入数据进行归一化，将数据序列按照时间步长T滑动切段，得到多个数据分量；并按比例划分为训练集、验证集、测试集；
步骤S5：基于提取数据空间特征的CNN以及时间特征的双向LSTM搭建PM2.5浓度预测模型；
步骤S6：使用训练集对PM2.5浓度预测模型进行训练，并通过网格搜索法优化得到最佳参数；
步骤S7：使用训练好的模型进行PM2.5预测。
2.根据权利要求1所述的考虑数据时空特征的PM2.5浓度预测方法，其特征在于：所述数据清洗过程包括对于连续超过5个小时的数据缺失或者异常的情况，直接剔除数据；对于小于5个小时的数据缺失或异常我们使用上一时刻的值进行填充。
3.根据权利要求1所述的考虑数据时空特征的PM2.5浓度预测方法，其特征在于：步骤S3所述的相关系数，是通过计算待预测站点与其他所有站点PM2.5数据的Pearson相关系数得到的，其计算公式为：
其中，X,Y表示待预测站点以及待比较站点的PM2.5数据序列，E(·)表示对数据序列求期望操作。
4.根据权利要求1所述的考虑数据时空特征的PM2.5浓度预测方法，其特征在于：输入数据的种类包括PM2.5，设备所在地点的温度、湿度、气压、风速、风向，以及月份信息；并最终按照时间步长、数据种类、多站点数据的维度顺序转换成数据矩阵；同时归一化方法均采用最大最小值归一化。
5.根据权利要求1所述的考虑数据时空特征的PM2.5浓度预测方法，其特征在于：所述的PM2.5浓度预测模型，其包括一层用于提取数据空间特征2D卷积层，一层用于提取数据时间特征的双向LSTM层，以及三层用于提高模型非线性表达能力全连接层。
6.根据权利要求1所述的考虑数据时空特征的PM2.5浓度预测方法，其特征在于：步骤S6的训练过程中，将处理好的训练数据输入网络进行训练；通过网格搜索法，确定CNN卷积核个数、LSTM单元节点数、全连接层的神经单元数、时间步长、批尺寸、训练轮数以及相关性阈值。
7.根据权利要求1所述的考虑数据时空特征的PM2.5浓度预测方法，其特征在于：步骤S7所述的预测过程具体为，将包含当前时间往前共T个时间点的数据处理后输入训练得到的模型，然后将输出的值反归一化后即可得到未来一小时的PM2.5预测值；再将该预测值结合天气预报中的天气状况信息，完成一次预测操作；重复进行预测操作即可得到未来多个小时的PM2.5预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010932562.5A CN112149887A (zh) | 2020-09-08 | 2020-09-08 | 一种基于数据时空特征的pm2.5浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010932562.5A CN112149887A (zh) | 2020-09-08 | 2020-09-08 | 一种基于数据时空特征的pm2.5浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149887A true CN112149887A (zh) | 2020-12-29 |
Family
ID=73889205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010932562.5A Pending CN112149887A (zh) | 2020-09-08 | 2020-09-08 | 一种基于数据时空特征的pm2.5浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149887A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037106A (zh) * | 2020-08-07 | 2020-12-04 | 汉威科技集团股份有限公司 | 一种基于特征互相关性和概率密度的数据异常分析方法 |
| CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
| CN113361199A (zh) * | 2021-06-09 | 2021-09-07 | 成都之维安科技股份有限公司 | 基于时间序列的多维污染物排放强度预测方法 |
| CN113408191A (zh) * | 2021-05-31 | 2021-09-17 | 上海师范大学 | 一种基于图自监督学习的pm2.5预测方法及存储介质 |
| CN113962489A (zh) * | 2021-11-27 | 2022-01-21 | 北京工业大学 | 一种基于st-ccn-pm2.5的pm2.5浓度细粒度预测方法 |
| CN114021778A (zh) * | 2021-10-15 | 2022-02-08 | 金茂数字科技有限公司 | 一种基于智慧物联的智慧环境管理方法和系统 |
| CN114609008A (zh) * | 2022-03-30 | 2022-06-10 | 中国科学院地理科学与资源研究所 | 一种气体浓度预测模型的训练方法和气体浓度预测方法 |
| CN114626283A (zh) * | 2021-02-18 | 2022-06-14 | 海南省气象科学研究所 | 一种数值模式预报产品释用方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110414738A (zh) * | 2019-08-01 | 2019-11-05 | 吉林高分遥感应用研究院有限公司 | 一种农作物产量预测方法及系统 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
-
2020
- 2020-09-08 CN CN202010932562.5A patent/CN112149887A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110414738A (zh) * | 2019-08-01 | 2019-11-05 | 吉林高分遥感应用研究院有限公司 | 一种农作物产量预测方法及系统 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037106A (zh) * | 2020-08-07 | 2020-12-04 | 汉威科技集团股份有限公司 | 一种基于特征互相关性和概率密度的数据异常分析方法 |
| CN112037106B (zh) * | 2020-08-07 | 2023-12-15 | 汉威科技集团股份有限公司 | 一种基于特征互相关性和概率密度的数据异常分析方法 |
| CN114626283A (zh) * | 2021-02-18 | 2022-06-14 | 海南省气象科学研究所 | 一种数值模式预报产品释用方法及相关装置 |
| CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
| CN113408191A (zh) * | 2021-05-31 | 2021-09-17 | 上海师范大学 | 一种基于图自监督学习的pm2.5预测方法及存储介质 |
| CN113361199A (zh) * | 2021-06-09 | 2021-09-07 | 成都之维安科技股份有限公司 | 基于时间序列的多维污染物排放强度预测方法 |
| CN114021778A (zh) * | 2021-10-15 | 2022-02-08 | 金茂数字科技有限公司 | 一种基于智慧物联的智慧环境管理方法和系统 |
| CN113962489A (zh) * | 2021-11-27 | 2022-01-21 | 北京工业大学 | 一种基于st-ccn-pm2.5的pm2.5浓度细粒度预测方法 |
| CN114609008A (zh) * | 2022-03-30 | 2022-06-10 | 中国科学院地理科学与资源研究所 | 一种气体浓度预测模型的训练方法和气体浓度预测方法 |
| CN114609008B (zh) * | 2022-03-30 | 2023-09-01 | 中国科学院地理科学与资源研究所 | 一种气体浓度预测模型的训练方法和气体浓度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN106507315B (zh) | 基于网络社交媒体数据的城市交通事故预测方法和系统 | |
| CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
| CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
| CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
| CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
| CN116976702B (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
| CN106526710A (zh) | 一种雾霾预测方法及装置 | |
| CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN106845080A (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
| CN115237896A (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN117875190A (zh) | 极端暴雨事件中交通网络功能状态的时空预测方法 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
| CN117975131A (zh) | 基于深度学习和密度聚类的城市道路交通事故黑点预测方法及系统 | |
| CN117556312A (zh) | 一种极端天气下的电网输电线路故障预测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |