CN112529240A - 一种大气环境数据的预测方法、系统、装置及存储介质 - Google Patents

一种大气环境数据的预测方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN112529240A
CN112529240A CN202010960767.4A CN202010960767A CN112529240A CN 112529240 A CN112529240 A CN 112529240A CN 202010960767 A CN202010960767 A CN 202010960767A CN 112529240 A CN112529240 A CN 112529240A
Authority
CN
China
Prior art keywords
error
concentration
target
correction model
error correction
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
Application number
CN202010960767.4A
Other languages
English (en)
Other versions
CN112529240B (zh
Inventor
许睿
邓晓灵
李建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202010960767.4A priority Critical patent/CN112529240B/zh
Publication of CN112529240A publication Critical patent/CN112529240A/zh
Application granted granted Critical
Publication of CN112529240B publication Critical patent/CN112529240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0039—O3
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • 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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0042—SO2 or SO3
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Dispersion Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (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

本发明公开了一种大气环境数据的预测方法、系统及装置及存储介质。该方法包括以下步骤：获取目标污染物的误差时间序列及影响因素；将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。本发明通过误差修正模型来获取输入的误差时间序列和影响因素对于目标污染物浓度的误差预测结果的影响，从而使得误差预测结果更加准确、贴近实际情况，再利用误差预测结果以及目标污染物浓度的估算值，从而获得目标污染物浓度的真实值，最终达到修复缺失数据的目的。本发明可广泛应用于大气环境监测技术领域。

Description

一种大气环境数据的预测方法、系统、装置及存储介质
技术领域
本发明涉及大气环境监测技术领域，尤其是一种大气环境数据的预测方法、系统、装置及存储介质。
背景技术
空气污染在日常生活中受到广泛的关注，特别是如PM2.5这样粒径小、面积大、活性强、易附带重金属、微生物等有害物质，PM2.5在大气中难被消除、传播距离远的污染物，更是被重点关注的对象。
而如今随着公众健康意识的增强，许多城市都建立了空气质量监测站来检测区域空气质量，大气环境质量在线监测数据是区域大气质量的直观反映，大气环境质量在线监测数据常出现偏离正常和缺失的情况，这就对区域大气质量分析带来严重的影响，因此，当前形势下，面对种类繁多的空气污染源、污染物及日益增加的环境监测数据，为了实现对这些大数据的充分利用，需要对大气污染数据进行清洗与修复，从而提高后续大气质量监测研究的准确性。
目前，国内外许多技术都对大气环境质量数据的清洗与修复方法进行了研究，但大多使用的仍为比较传统的数据修复方法，如使用简单的线性插值、反向距离加权插值、土地使用回归模型和克里金方法对缺失的污染物浓度数据进行插值计算。这些传统的数据修复方法曾在该类工作中有着突出的表现，但传统的大气环境数据修复方法的工作通常是在历史数据和人的经验的长期积累的基础上进行的，不能很好地预测出多变的空气污染情况，而且，传统的大气环境数据修复方法并未考虑到在时间、空间维度上的因素对污染物浓度的影响。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于：提供一种大气环境数据的预测方法、系统、装置及存储介质。
本发明一方面所采取的技术方案是：
一种大气环境数据的预测方法，包括以下步骤：
获取目标污染物的误差时间序列及影响因素；
将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；
利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。
进一步，一种大气环境数据的预测方法还包括建立误差修正模型的训练步骤，所述建立误差修正模型的训练步骤包括以下步骤：
获取误差时间序列以及影响因素；
将所述误差时间序列以及所述影响因素输入至所述误差修正模型产生预测值；
利用预测值与真实值计算损失函数；
利用损失函数对所述误差修正模型的权值进行校正。
进一步，所述建立误差修正模型的训练步骤，还包括以下步骤：
采用L2正则化纠正损失函数过拟合。
进一步，所述误差修正模型包括隐藏层，所述建立误差修正模型的训练步骤，还包括以下步骤：
利用网格搜索方法确定隐藏层参数。
进一步，所述获取误差时间序列这一步骤，包括以下步骤：
获取参考站点的参考污染物浓度数据；
采用多源点高斯扩散模型对所述参考污染物浓度数据进行处理得到目标污染物浓度；
利用所述目标站点污染物浓度及其真实值计算得到目标污染物浓度偏差，多个目标站点污染物浓度偏差根据预设的时间间隔组成所述误差时间序列。
进一步，所述影响因素包括参考污染物类型以及气象影响因素。
本发明另一方面所采取的技术方案是：
一种大气环境数据的预测系统，包括：
获取模块，用于获取目标污染物的误差时间序列及影响因素；
预测模块，用于将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；
计算模块，用于利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。
进一步，所述大气环境数据的预测系统还包括模型训练模块，所述模型训练模块包括：
获取单元，用于获取误差时间序列以及影响因素；
预测单元，用于将所述误差时间序列以及所述影响因素输入至所述误差修正模型产生预测值；
计算单元，用于利用预测值与真实值计算损失函数；
训练单元，用于利用损失函数对所述误差修正模型的权值进行校正。
本发明另一方面所采取的技术方案是：
一种大气环境数据的预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的一种大气环境数据的预测方法。
本发明另一方面所采取的技术方案是：
一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现所述的一种大气环境数据的预测方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
本发明实施例通过误差修正模型来获取输入的误差时间序列和影响因素对于目标污染物浓度的误差预测结果的影响，从而使得误差预测结果更加准确、贴近实际情况，再利用误差预测结果以及目标污染物浓度的估算值，从而获得目标污染物浓度的真实值，最终达到修复缺失数据的目的。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明一种大气环境数据的预测方法具体实施例的流程示意图；
图2为本发明一种大气环境数据的预测系统具体实施例的结构示意图；
图3为本发明一种大气环境数据的预测装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
下面参照附图详细描述根据本发明实施例提出的一种大气环境数据的预测方法、系统装置及存储介质，首先将参照附图描述根据本发明实施例提出的一种大气环境数据的预测方法。
参照图1，本发明实施例中的一种大气环境数据的预测方法主要包括以下步骤：
S1、训练误差修正模型；
S2、获取目标污染物的误差时间序列及影响因素；
S3、将误差时间序列和影响因素输入至误差修正模型中，得到目标污染物浓度的误差预测结果；
S4、利用误差预测结果和目标污染物浓度的估算值计算目标污染物浓度的真实值。
具体地，影响因素包括参考污染物类型以及气象影响因素，污染物类型包括PM2.5、O3、 CO、PM10、SO2和NO2等，气象影响因素包括大气温度、湿度、风速、气压、雨量和风向等，这些污染物种类以及气象温度作为空间影响因素会对目标污染物的测算造成一定的影响，本申请中的目标污染物是指要进行数据修复的污染物。而误差时间序列作为目标污染物测算的主要参考数据，一般是来源于历史数据进行整合后得到的数据，这些数据作为已有的数据，带有一定的时间属性，对于预测目标污染物具有重大的参考意义。
本申请正是通过将空间因素(影响因素)和时间因素(误差时间序列)均输入至误差修正模型中，该误差修正模型是利用深度学习原理进行训练得到的。该误差修正模型能够考量空间因素和时间因素对于误差修正模型的误差预测结果的影响，从而得出预测更加精准的误差预测结果，该误差预测结果是指估算值与真实值之间的偏差数值，再利用该误差预测结果与目标站点处的目标污染物的估算值，从而确定目标站点处的目标污染物的真实值，其中，估算值是利用多点源高斯扩散模型得到的。
相较于传统的数据修复方法只是利用单一的历史数据来预测缺失的数据，本申请在预测目标污染物的误差预测结果时，不仅考虑到时间因素的影响，还考虑到空间因素，从而使得误差预测结果更加准确、更加贴近真实状况，进而使得目标污染物的缺失数据更加符合真实情况。
进一步作为可选的实施方式，步骤S1包括以下步骤S11-S14：
S11、获取误差时间序列以及影响因素；
S12、将误差时间序列以及影响因素输入至误差修正模型产生预测值；
S13、利用预测值与真实值计算损失函数；
S14、利用损失函数对误差修正模型的权值进行校正。
具体地，本申请的误差修正模型包括一层输入层、多层隐藏层、一层全连接层和一层输出层，每一层的激活函数均采用ReLU函数。其中，隐藏层用于提取输入的误差时间序列以及影响因素的特征。
损失函数用于衡量预测值与真实值之间的差距，损失函数的损失值越小越好，本申请的损失函数采用均方误差来实现，如下式所示：
Figure RE-GDA0002941907920000051
其中，yi为误差修正模型预测的目标污染物的浓度值，y’i为目标污染物浓度的真实值。
利用损失函数对输入层网络节点与隐藏层网络节点之间的权值、隐藏层网络节点与输出端网络节点之间的权值、隐藏层节点阈值与输出端节点阈值的初始值进行修正，并采用小批量随机梯度下降算法来更新误差修正模型中的参数。
利用测试集检测误差修正模型的预测准确度，当误差修正模型输出的目标污染物的预测值与真实值之间的误差在允许范围内时，则认为误差修正模型训练完毕。
进一步作为可选的实施方式，步骤S1还包括以下步骤S15：
采用L2正则化纠正损失函数过拟合。
具体地，L2正则化用于提高误差修正模型的泛化能力，降低过拟合的风险。L2正则化的公式如下：
Figure RE-GDA0002941907920000052
其中，λ就是正则化系数，它是一个超参数，可以对其进行优化从而获得更好的结果； m是训练集样本数；w是误差修正模型的权重系数。
对L2正则化的公式求导后，权重w前的系数为1-ηλ/m，由于η、λ、m都大于0，所以 1-ηλ/m小于1，w是不断减小的，所以L2正则化也被称为权重衰减。
进一步作为可选的实施方式，步骤S1还包括以下步骤S16：
利用网格搜索方法确定隐藏层参数。
具体地，隐藏层用于隐藏层用于提取输入的误差时间序列以及影响因素的特征，因此，需要确定隐藏层的各个参数，从而达到更好地提取特征的目的。
Figure RE-GDA0002941907920000053
其中，stepk表示隐含层的遍历步长，stepL表示窗口长度的遍历步长。
K表示隐含层的层数，L表示对应的窗口长度大小，N表示神经元的数目，这三个参数构成了一个三维的遍历空间，采用网格搜索方法由内到外分别对N、L和K进行网格遍历。首先固定误差修正模型的其它的非重要参数，如学习率、优化算法和激活函数等，然后将三维遍历空间控制在较小的搜索空间内对其遍历，最内层为对对应的参数进行构造模型并计算出该搜索参数下的预测误差，最后根据预测误差对相应的参数进行排序。该算法可以人为控制时间，将参数控制在较小范围内，以缩短寻优时间。预测误差较小的参数列表就是最优参数。
进一步作为可选的实施方式，获取误差时间序列步骤S2还包括以下步骤S21-S23：
S21、获取参考站点的参考污染物浓度数据；
S22、采用多源点高斯扩散模型对参考污染物浓度数据进行处理得到目标污染物浓度；
S23、利用目标站点污染物浓度及其真实值计算得到目标污染物浓度偏差，多个目标站点污染物浓度偏差根据预设的时间间隔组成误差时间序列。
具体地，误差时间序列是由不同时间的多个污染物浓度偏差值组成，该浓度偏差值具有时间属性，在本实施例中，以目标污染物为PM2.5为例，例如，该误差时间序列可以是某一天的10:00时刻的PM2.5浓度、11:00时刻的PM2.5浓度、12:00时刻的PM2.5浓度……23:00 时刻的PM2.5浓度。
每一个目标污染物浓度偏差的计算涉及到目标站点周围存在的污染源，也即是参考站点的参考污染物浓度。
首先获取目标站点的周围的各个参考站点的PM2.5的数据，需要对参考站点的PM2.5的数据进行预处理，该预处理主要包括：
过滤明显错误的数据，例如，负值明显是错误的数据；
去除数据量丢失严重的数据，例如，由于每隔五分钟采集一次污染物浓度数据，因此，若一天的丢失数据量达到一天的总数据的10％，或许连续丢失的数据超过5％，则将丢弃整天的数据；
去除偏差较大的数据，由于天气因素和监测设备等因素，收集到的大气污染数据可能会偏离正常的数值，这些偏差过大的数据会影响后续的大气预测和分类的研究，利用高斯分布的3σ原则识别和过滤异常数据。
对预处理后的参考污染物浓度数据进行归一化的预处理以提高模型的训练速度和预测精度，选取Z-score标准化方法进行归一化处理。如下式：
Figure RE-GDA0002941907920000061
其中，μ为原始数据均值，σ为原始数据标准差，x为参考污染物浓度数据，x′为归一化处理后的参考污染物浓度数据。
接着，利用多点源高斯扩散模型对参考污染物浓度数据进行处理得到误差时间序列。
统一目标站点在各个参考站点的坐标。由于目标站点在不同的参考站点的风轴坐标系下的坐标容易受风的影响，因此，需要进行坐标转换，将目标站点的地面坐标转换为参考站点下的风轴坐标，具体转换公式如下：
X＝(EA-EO)cosθ+(NA-NO)sinθ
Y＝(NA-NO)cosθ-(EA-EO)sinθ
其中，(EO,NO)为该参考站点的地面坐标，(EA,NA)为目标站点的地面坐标，θ为地面坐标系的E轴和风轴坐标值的X轴的夹角。
同理，计算目标站点在剩余的参考站点下的风轴坐标。
统一目标站点在各个参考站点的坐标系后，通过判断目标站点与参考站点的距离与预设距离的关系，以及风向来判断当前参考站点处的污染物浓度是否会对目标站点处的PM2.5浓度造成影响。
例如，当S>10Km并且参考站点在目标站点的下风向，则判断该参考站点的PM2.5不会对目标站点的PM2.5浓度造成影响；
当S>10Km并且参考站点在目标站点的上风向，则判断该参考站点的PM2.5不会对目标站点的PM2.5浓度造成影响；
当S<10Km并且参考站点在目标站点的下风向，则判断该参考站点的PM2.5不会对目标站点的PM2.5浓度造成影响；
当S<10Km并且参考站点在目标站点的上风向，则判断该参考站点的PM2.5会对目标站点的PM2.5浓度造成影响。
按照相同的方式，判断其他参考站点处的PM2.5浓度对目标站点处的PM2.5的浓度的影响。
当确定参考站点会对目标站点的PM2.5造成影响后，将获取的目标站点的X、Y坐标、扩散参数及参考站点参数代入高斯扩散表达式，可以得到污染点源在目标站点处的污染物浓度。
根据P-G法计算高斯扩散表达式中的扩散参数，根据云况、日射以及地面风速，将大气扩散能力分级，然后根据扩散曲线读取不同下风距离处的扩散参数。
当风速>＝1.5m/s，判断为有风；当风速<1.5m/s，判断为为小风或静风。
有风条件下，扩散参数如式：
Figure RE-GDA0002941907920000081
Figure RE-GDA0002941907920000082
其中，x表示参考站点下风向内目标站点到参考站点中心的距离。
小风、静风时，扩散参数由特纳尔提出的指数函数表达式计算得出：
σt＝γta
其中，t表示PM2.5扩散的时间，单位为秒。
上述三个式子中，γ1、γ2、a1、a2、γ和a的取值由稳定度等级和下风距离决定，查找基于大量扩散实验的扩散参数表格可以得到。
利用高斯扩散表达式计算该参考站点在目标站点出的PM2.5浓度，高斯扩散表达式如下：
Figure RE-GDA0002941907920000083
其中，C(x,y,z)为下风向x米、横向y米、地面上方z米处扩散的PM2.5浓度，单位是kg/m3；σy、σz分别为y、z轴上的扩散参数，单位为m；u为平均风速，单位为m/s；Q为源强。
按照同样的方式，计算其余参考站点处的PM2.5浓度在目标站点处的PM2.5浓度。
所有的参考站点在目标站点出的PM2.5浓度计算完毕后，求取目标站点处的PM2.5浓度，目标站点处的PM2.5浓度的计算公式如下：
Figure RE-GDA0002941907920000084
其中，Cp表示目标站点处的污染物浓度的估算值，Ci表示第i个污染点源对目标站点处的污染浓度，M表示参考站点的个数。
利用上述的多点源高斯扩散模型每隔预定的间隔时间，例如，每隔一个小时计算出该目标站点处的目标污染物浓度的估算值，计算该估算值与该估算值对应的目标污染物的实际值的浓度偏差，可采用均方偏差公式来计算浓度偏差，如下：
Figure RE-GDA0002941907920000085
其中，
Figure RE-GDA0002941907920000091
为多点源高斯扩散模型计算的目标站点处的目标污染物浓度的估算值，yk为与目标污染物对应的实际值，该实际值来源于原始数据记录。
计算出多个带有时间属性的浓度误差，该多个带有时间属性的浓度误差组成误差时间序列。
其次，参照附图描述根据本发明实施例提出的一种大气环境数据的预测系统。
图2是本发明一个实施例的一种大气环境数据的预测系统结构示意图。
该系统具体包括：
获取模块201，用于获取目标污染物的误差时间序列及影响因素；
预测模块202，用于将误差时间序列和影响因素输入至误差修正模型中，得到目标污染物浓度的误差预测结果；
计算模块203，用于利用误差预测结果和目标污染物浓度的估算值计算目标污染物浓度的真实值。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3，本发明实施例提供了一种大气环境数据的预测装置，包括：
至少一个处理器301；
至少一个存储器302，用于存储至少一个程序；
当至少一个程序被至少一个处理器301执行时，使得至少一个处理器301实现的一种大气环境数据的预测方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干程序用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种大气环境数据的预测方法，其特征在于，包括以下步骤：
获取目标污染物的误差时间序列及影响因素；
将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；
利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。
2.根据权利要求1所述的一种大气环境数据的预测方法，其特征在于，还包括建立误差修正模型的训练步骤，所述建立误差修正模型的训练步骤包括以下步骤：
获取误差时间序列以及影响因素；
将所述误差时间序列以及所述影响因素输入至所述误差修正模型产生预测值；
利用预测值与真实值计算损失函数；
利用损失函数对所述误差修正模型的权值进行校正。
3.根据权利要求2所述的一种大气环境数据的预测方法，其特征在于：所述建立误差修正模型的训练步骤，还包括以下步骤：
采用L2正则化纠正所述损失函数的过拟合。
4.根据权利要求2所述的一种大气环境数据的预测方法，其特征在于：所述误差修正模型包括隐藏层，所述建立误差修正模型的训练步骤，还包括以下步骤：
利用网格搜索方法确定所述隐藏层的参数。
5.根据权利要求2所述的一种大气环境数据的预测方法，其特征在于：所述获取误差时间序列这一步骤，包括以下步骤：
获取参考站点的参考污染物浓度数据；
采用多源点高斯扩散模型对所述参考污染物浓度数据进行处理得到目标污染物浓度；
利用所述目标站点污染物浓度及其真实值计算得到目标污染物浓度偏差，多个目标站点污染物浓度偏差根据预设的时间间隔组成所述误差时间序列。
6.根据权利要求1或2所述的一种大气环境数据的预测方法，其特征在于：所述影响因素包括参考污染物类型以及气象影响因素。
7.一种大气环境数据的预测系统，其特征在于，包括：
获取模块，用于获取目标污染物的误差时间序列及影响因素；
预测模块，用于将所述误差时间序列和所述影响因素输入至误差修正模型中，得到所述目标污染物浓度的误差预测结果；
计算模块，用于利用所述误差预测结果和所述目标污染物浓度的估算值计算所述目标污染物浓度的真实值。
8.根据权利要求7所述的一种大气环境数据的预测系统，其特征在于，所述大气环境数据的预测系统还包括模型训练模块，所述模型训练模块包括：
获取单元，用于获取误差时间序列以及影响因素；
预测单元，用于将所述误差时间序列以及所述影响因素输入至所述误差修正模型产生预测值；
计算单元，用于利用预测值与真实值计算损失函数；
训练单元，用于利用损失函数对所述误差修正模型的权值进行校正。
9.一种大气环境数据的预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6中任一项所述的一种大气环境数据的预测方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于：所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-6中任一项所述的一种大气环境数据的预测方法。
CN202010960767.4A 2020-09-14 2020-09-14 一种大气环境数据的预测方法、系统、装置及存储介质 Active CN112529240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010960767.4A CN112529240B (zh) 2020-09-14 2020-09-14 一种大气环境数据的预测方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010960767.4A CN112529240B (zh) 2020-09-14 2020-09-14 一种大气环境数据的预测方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112529240A true CN112529240A (zh) 2021-03-19
CN112529240B CN112529240B (zh) 2024-05-07

Family

ID=74978817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010960767.4A Active CN112529240B (zh) 2020-09-14 2020-09-14 一种大气环境数据的预测方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112529240B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113533644A (zh) * 2021-06-26 2021-10-22 西北工业大学 基于无人机的对面源常规大气污染物的监测方法
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
CN115018348A (zh) * 2022-06-20 2022-09-06 北京北投生态环境有限公司 基于人工智能的环境分析方法、系统、设备及存储介质
CN115062479A (zh) * 2022-06-24 2022-09-16 西南石油大学 一种基于贝叶斯网络的直井环空岩屑浓度修正方法
CN115638938A (zh) * 2022-10-28 2023-01-24 南京安全无忧网络科技有限公司 一种基于定位监测的泄漏防护距离测定系统及方法
CN115983495A (zh) * 2023-02-20 2023-04-18 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于RFR-Net的全球中性大气温度密度预测方法及设备
CN116124999A (zh) * 2023-01-07 2023-05-16 杭州谱育科技发展有限公司 一种大气污染物动态预警方法
CN116451853A (zh) * 2023-04-06 2023-07-18 湖南工商大学 一种大气质量监测方法、系统、电子设备及存储介质
CN117786618A (zh) * 2024-02-27 2024-03-29 四川国蓝中天环境科技集团有限公司 一种区域污染传输评估方法在环境管控的应用方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010000116A (ko) * 2000-05-06 2001-01-05 손원열 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법
JP2004156258A (ja) * 2002-11-05 2004-06-03 Hitachi Ltd トンネル換気制御方法および装置
CN105787594A (zh) * 2016-02-29 2016-07-20 南京航空航天大学 基于多元时间序列及回归分析的辐照预测方法
CN107091911A (zh) * 2017-04-17 2017-08-25 郑州大学环境技术咨询工程有限公司 一种河流水质预测方法
CN109142171A (zh) * 2018-06-15 2019-01-04 上海师范大学 基于特征扩张的融合神经网络的城市pm10浓度预测方法
KR20190091730A (ko) * 2018-01-29 2019-08-07 성균관대학교산학협력단 미세먼지의 농도 예측 방법 및 장치
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
CN111369057A (zh) * 2020-03-05 2020-07-03 电子科技大学 一种基于深度学习的空气质量预测优化方法及系统
CN111582534A (zh) * 2020-03-09 2020-08-25 华能四川水电有限公司 一种基于极限学习机的水力发电预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010000116A (ko) * 2000-05-06 2001-01-05 손원열 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법
JP2004156258A (ja) * 2002-11-05 2004-06-03 Hitachi Ltd トンネル換気制御方法および装置
CN105787594A (zh) * 2016-02-29 2016-07-20 南京航空航天大学 基于多元时间序列及回归分析的辐照预测方法
CN107091911A (zh) * 2017-04-17 2017-08-25 郑州大学环境技术咨询工程有限公司 一种河流水质预测方法
KR20190091730A (ko) * 2018-01-29 2019-08-07 성균관대학교산학협력단 미세먼지의 농도 예측 방법 및 장치
CN109142171A (zh) * 2018-06-15 2019-01-04 上海师范大学 基于特征扩张的融合神经网络的城市pm10浓度预测方法
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
CN111369057A (zh) * 2020-03-05 2020-07-03 电子科技大学 一种基于深度学习的空气质量预测优化方法及系统
CN111582534A (zh) * 2020-03-09 2020-08-25 华能四川水电有限公司 一种基于极限学习机的水力发电预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUI XU: "A deep learning method to repair atmospheric environmental quality data based on Gaussian diffusion", JOURNAL OF CLEANER PRODUCTION *
刘相阳: "时序型大气污染空间插值问题的深度学习理论与验证", 中国优秀硕士学位论文全文数据库 工程科技I辑 *
邓晓灵: "时序型大气污染扩散问题的深度学习理论与验证", 中国优秀硕士学位论文全文数据库 基础科学辑 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113533644A (zh) * 2021-06-26 2021-10-22 西北工业大学 基于无人机的对面源常规大气污染物的监测方法
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
CN115018348A (zh) * 2022-06-20 2022-09-06 北京北投生态环境有限公司 基于人工智能的环境分析方法、系统、设备及存储介质
CN115062479A (zh) * 2022-06-24 2022-09-16 西南石油大学 一种基于贝叶斯网络的直井环空岩屑浓度修正方法
CN115638938A (zh) * 2022-10-28 2023-01-24 南京安全无忧网络科技有限公司 一种基于定位监测的泄漏防护距离测定系统及方法
CN116124999A (zh) * 2023-01-07 2023-05-16 杭州谱育科技发展有限公司 一种大气污染物动态预警方法
CN115983495B (zh) * 2023-02-20 2023-08-11 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于RFR-Net的全球中性大气温度密度预测方法及设备
CN115983495A (zh) * 2023-02-20 2023-04-18 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于RFR-Net的全球中性大气温度密度预测方法及设备
CN116451853A (zh) * 2023-04-06 2023-07-18 湖南工商大学 一种大气质量监测方法、系统、电子设备及存储介质
CN116451853B (zh) * 2023-04-06 2023-12-15 湖南工商大学 一种大气质量监测方法、系统、电子设备及存储介质
CN117786618A (zh) * 2024-02-27 2024-03-29 四川国蓝中天环境科技集团有限公司 一种区域污染传输评估方法在环境管控的应用方法
CN117786618B (zh) * 2024-02-27 2024-05-07 四川国蓝中天环境科技集团有限公司 一种区域污染传输评估方法在环境管控的应用方法

Also Published As

Publication number Publication date
CN112529240B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN112529240B (zh) 一种大气环境数据的预测方法、系统、装置及存储介质
CN110531030B (zh) 一种基于物联网大数据大气污染物分析的方法及装置
CN112417721B (zh) 基于二维有限元法扩散模型的水污染溯源方法及系统
CN111832222B (zh) 一种污染物浓度的预测模型训练方法、预测方法及装置
CN111458471B (zh) 一种基于图神经网络的水域检测预警方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
KR102100739B1 (ko) 미세먼지 발생 예측방법
CN112036075A (zh) 一种基于环境监测数据关联关系的异常数据判定方法
CN102562469A (zh) 基于校正算法的短期风力发电机输出功率预测方法
CN109583035B (zh) 基于元胞自动机的城市面源污染物累积冲刷过程计算方法
CN115220133B (zh) 一种多气象要素降雨预测方法、装置、设备及存储介质
CN109492708A (zh) 一种基于ls-knn的管道漏磁内检测缺失数据插补方法
CN112732691A (zh) 一种基于多种模型对比的大气环境预测方法
CN113537515A (zh) Pm2.5预测方法、系统、装置及存储介质
CN114118613A (zh) 一种焦化土壤污染空间分布预测优化方法及系统
CN114611706B (zh) 基于Stacking多模型融合设计的空气污染物缺失值补充方法
CN116128039A (zh) 一种地表水体水质预测模型的构建方法和预测方法
CN115544919A (zh) 一种气流体污染物排放源的溯源方法及装置
CN117421616A (zh) 一种矿山竖井井筒检测系统及方法
Hrnjica et al. Application of deep learning neural networks for nitrate prediction in the Klokot River, Bosnia and Herzegovina
CN116823067B (zh) 管网水质清污状态的确定方法、装置及电子设备
Kim et al. Enhanced monitoring of water quality variation in Nakdong River downstream using multivariate statistical techniques
CN116090710B (zh) 一种企业排污许可的管理方法、系统、电子设备及介质
CN115081741A (zh) 一种基于神经网络的天然气计量检定智能预测的方法
CN115408646A (zh) 基于大数据的河流污染物监测方法及系统

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
GR01 Patent grant
GR01 Patent grant