CN112580898A - 一种污染预测方法以及污染预测模型训练方法 - Google Patents
一种污染预测方法以及污染预测模型训练方法 Download PDFInfo
- Publication number
- CN112580898A CN112580898A CN202011644582.9A CN202011644582A CN112580898A CN 112580898 A CN112580898 A CN 112580898A CN 202011644582 A CN202011644582 A CN 202011644582A CN 112580898 A CN112580898 A CN 112580898A
- Authority
- CN
- China
- Prior art keywords
- data
- moment
- area
- pollution
- moments
- 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 73
- 238000012549 training Methods 0.000 title claims abstract description 22
- 238000003915 air pollution Methods 0.000 claims abstract description 166
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 description 14
- 238000011109 contamination Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种污染预测方法以及污染预测模型训练方法。该污染预测方法包括:获取当前时刻及其之前的H个时刻的预设区域的环境数据;获取当前时刻的后P个时刻的目标区域的气象数据;将所述预设区域的环境数据以及所述目标区域的气象数据输入至预先训练好的污染预测模型中,得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据。通过该方式便于工作人员直接根据目标区域的空气污染预测数据以及可控区域的空气污染预测数据的联系实现目标区域的污染的优化控制,也即,便于工作人员根据可控区域的空气污染预测数据制定对应的污染优化策略来对目标区域的污染进行控制。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种污染预测方法以及污染预测模型训练方法。
背景技术
空气污染,又称为大气污染,按照国际标准化组织的定义,空气污染通常是指:由于人类活动或自然过程引起某些物质进入大气中,呈现出足够的浓度,达到足够的时间,并因此危害了人类的舒适、健康和福利或环境的现象。
现有的空气污染预测手段主要是使用空气质量模式的预报结果预报未来空气质量的变化趋势。需要说明的是,空气质量模式主要是基于天气、污染的物理性质或化学性质来预报未来空气质量的变化趋势,比如风向、污染的化学元素组成等。该方式,计算量大,对服务器存储空间等资源要求非常高。此外,现有的预测手段大多只针对目标区域进行预测,最终由专业人员来基于预测结果分析减排策略。也即,现有的预测手段缺少对目标区域如何进行优化的关注。
发明内容
本申请实施例的目的在于提供一种污染预测方法以及污染预测模型训练方法,以改善“现有的预测手段计算量大,对服务器存储空间等资源要求非常高,且缺少对目标区域如何进行优化的关注”的问题。
本发明是这样实现的:
第一方面,本申请实施例提供一种污染预测方法,包括:获取当前时刻及其之前的H个时刻的预设区域的环境数据;其中,所述环境数据包括所述预设区域的空气污染数据和气象数据;获取当前时刻的后P个时刻的目标区域的气象数据;其中,所述目标区域为所述预设区域中的部分区域;将所述当前时刻及其之前的H个时刻的预设区域的环境数据、所述当前时刻及其之前的H个时刻的目标区域的空气污染数据以及所述当前时刻的后P个时刻的目标区域的气象数据输入至预先训练好的污染预测模型中,得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据;其中,所述可控区域为所述预设区域中与所述目标区域相关联的区域。
在本申请实施例中,预先构建好污染预测模型,使得当获取到当前时刻及其之前的H个时刻的预设区域的环境数据,以及当前时刻的后P个时刻的目标区域的气象数据后,能够通过构建的污染预测模型,预测出目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据,进而便于工作人员直接根据目标区域的空气污染预测数据以及可控区域的空气污染预测数据的联系实现目标区域的污染的优化控制,也即,便于工作人员根据可控区域的空气污染预测数据制定对应的污染优化策略来对目标区域的污染进行控制。此外,通过构建污染预测模型,相较于现有技术中的采用空气质量模式的预测手段,计算量小,效率较高。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,在所述得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据之后,所述方法还包括:判断所述目标区域的后P个时刻的空气污染预测数据是否超过预设污染阈值;当所述目标区域的后P个时刻的空气污染预测数据超过预设污染阈值时,则确定所述可控区域的空气污染预测数据的调整数值。
在本申请实施例中,在获取到目标区域的预测数据之后,判断目标区域的空气污染预测数据是否超过预测污染阈值,当超过时,则确定出可控区域的空气污染预测数据的调整数值。通过该方式,能够提供直观的可控区域的调整参数,使得用户可以直接根据调整参数来制定污染优化策略来对目标区域的污染进行控制。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述确定所述可控区域的空气污染预测数据的调整数值,包括:基于所述可控区域的后P个时刻中的第一个时刻的空气污染预测数据,通过遗传算法,确定出使得预设的目标函数最小的所述可控区域的第一个时刻的污染优化预测数据;基于所述可控区域的第一个时刻的污染优化预测数据,以及所述目标区域的后P个时刻中的第一个时刻的空气污染预测数据,确定出所述可控区域的后P个时刻中的第二个时刻的污染更新预测数据,以及所述目标区域的后P个时刻中的第二个时刻的污染优化预测数据;基于所述可控区域的后P个时刻中的第二个时刻的污染更新预测数据,通过遗传算法,确定出使得所述预设的目标函数最小的所述可控区域的第二个时刻的污染优化预测数据;基于所述可控区域的第二个时刻的污染优化预测数据,以及所述目标区域的后P个时刻中的第二个时刻的污染优化预测数据,确定出所述可控区域的后P个时刻中的第三个时刻的污染更新预测数据,以及所述目标区域的后P个时刻中的第三个时刻的污染优化预测数据;以此类推,直至确定出所述可控区域的后P个时刻中的每个时刻的污染优化预测数据;其中,所述可控区域的后P个时刻中的每个时刻的污染优化预测数据为所述可控区域的空气污染预测数据的调整数值。
在本申请实施例中,通过遗传算法以及预设的目标函数能够确定出可控区域的每个时刻合理且可靠的污染优化预测数据,进而使得用户可以直接根据污染优化预测数据来制定污染优化策略来对目标区域的污染进行控制。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,在所述确定出所述可控区域的后P个时刻中的每个时刻的污染优化预测数据之后,所述方法还包括:将所述可控区域的后P个时刻中的每个时刻的污染优化预测数据与对应时刻的空气污染预测数据进行比较;输出差异大于预设阈值的时刻对应的可控区域的污染优化预测数据;其中,所述差异大于预设阈值的时刻对应的可控区域的污染优化预测数据表征需要在该时刻对该可控区域的污染进行优化控制。
在本申请实施例中,通过输出差异大于预设阈值的时刻对应的可控区域的污染优化预测数据,进而使得用户直接根据差异大于预设阈值的时刻对应的可控区域的污染优化预测数据来制定污染优化策略。通过该方式,能够在保证实现目标区域的污染有效控制的情况下,减小工作量。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述预设的目标函数的表达式为:其中,Y表示所述预设的目标函数;AT+1表示T时刻的下一时刻的目标区域的空气污染预测数据,AT+1与相关联;表示T时刻的可控区域的污染优化预测数据;conT表示T时刻的可控区域的空气污染预测数据,MAE表示平均绝对误差。
在本申请实施例中,T时刻的可控区域的污染优化预测数据与T时刻的可控区域的空气污染预测数据的平均绝对误差表征优化的代价,其值越小,则表征优化的合理性和可选性更好,因此,预设的目标函数为AT+1与之间的和,当其最小时,则表征在控制优化的同时保证数据的合理性。因此,通过上述方式,提高了确定出的污染优化预测数据的合理性。
第二方面,本申请实施例提供一种污染预测模型训练方法,包括:获取样本数据;其中,所述样本数据包括预设历史时刻及其之前的H个时刻的预设区域的环境数据以及预设历史时刻的后P个时刻的目标区域的气象数据;所述环境数据包括所述预设区域的空气污染数据和气象数据;所述目标区域为所述预设区域中的部分区域;获取比对数据;其中,所述比对数据包括所述目标区域的后P个时刻的实际空气污染数据以及所述可控区域的后P个时刻的实际空气污染数据;其中,所述可控区域为所述预设区域中与所述目标区域相关联的区域;将所述预设历史时刻及其之前的H个时刻的预设区域的环境数据、所述预设历史时刻及其之前的H个时刻的目标区域的空气污染数据以及所述预设历史时刻的后P个时刻的目标区域的气象数据输入至初始模型中,得到预测数据;其中,所述预测数据包括所述目标区域的后P个时刻的空气污染预测数据以及所述可控区域的后P个时刻的空气污染预测数据;基于所述比对数据以及所述预测数据计算损失值,并基于所述损失值对所述初始模型的网络参数进行更新,得到所述污染预测模型。
在本申请实施例中,通过包含预设历史时刻及其之前的H个时刻的预设区域的环境数据和预设历史时刻的后P个时刻的目标区域的气象数据的样本数据,以及包含目标区域的后P个时刻的实际空气污染数据和可控区域的后P个时刻的实际空气污染数据的比对数据来对模型进行训练,进而使得该模型能够准确的预测出目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据。
结合上述第二方面提供的技术方案,在一些可能的实现方式中,所述获取样本数据,包括:获取第一地图;对所述第一地图进行网格划分,确定出所述第一地图中的预设区域以及目标区域;获取所述预设区域的预设历史时刻及其之前的H个时刻的环境数据以及所述目标区域的预设历史时刻的后P个时刻的气象数据。
在本申请实施例中,通过对第一地图进行网格划分,能够便于确定出预设区域以及目标区域的范围,也便于统计各区域的检测数据。
第三方面,本申请实施例提供一种污染预测模型,包括:第一注意力模块,用于接收并根据时刻顺序,依次处理第一时刻及其之前的H个时刻的预设区域的环境数据以及第一时刻及其之前的H个时刻的目标区域的空气污染数据;其中,所述第一注意力模块每次处理一个时刻的预设区域的环境数据以及该时刻的目标区域的空气污染数据;编码器单元,与所述第一注意力模块连接;所述编码器单元用于根据时刻顺序,依次对所述第一注意力模块输出的第一时刻及其之前的H个时刻的预设区域的环境数据以及所述第一注意力模块输出的第一时刻及其之前的H个时刻的目标区域的空气污染数据进行编码;所述编码器单元每次对一个时刻的预设区域的环境数据以及该时刻的目标区域的空气污染数据进行编码,并将该时刻的编码结果用于对下一时刻的编码以及发送至所述第一注意力模块,以使所述第一注意力模块基于该时刻的编码结果对下一时刻的数据进行处理;第二注意力模块,与所述编码器单元连接;所述第二注意力模块用于接收所述编码器单元的编码结果,并根据时刻顺序,依次处理第一时刻的后P个时刻的目标区域的气象数据;其中,所述第二注意力模块每次处理一个时刻的目标区域的气象数据;解码器单元,与所述第二注意力模块连接;所述解码器单元用于根据时刻顺序,依次对所述第二注意力模块输出的处理结果进行解码;所述解码器单元每次对一个时刻的第二注意力模块输出的处理结果进行解码,并将解码结果用于对下一时刻第二注意力模块输出的处理结果进行解码;全连接层;与所述解码器单元连接,所述全连接层的输出层的预测结果为第一时刻的后P个时刻的目标区域的空气污染预测数据以及第一时刻的后P个时刻的可控区域的空气污染预测数据;其中,所述全连接层还用于将每一个时刻的预测结果发送至所述第二注意力模块,以使所述第二注意力模块基于该时刻的预测结果对下一时刻的数据进行处理。
第四方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于调用存储在所述存储器中的程序,执行如上述第一方面实施例和/或第二方面实施例提供的方法。
第五方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种污染预测模型训练方法的步骤流程图。
图3为本申请实施例提供的一种第一地图的网格划分的示意图。
图4为本申请实施例提供的一种污染预测模型的模型示意图。
图5为本申请实施例提供的一种污染预测方法的步骤流程图。
图6为本申请实施例提供的一种污染预测装置的模块框图。
图7为本申请实施例提供的一种污染预测模型训练装置的模块框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
鉴于现有的预测手段计算量大,对服务器存储空间等资源要求非常高,且缺少对目标区域如何进行优化的关注等问题,本申请发明人经过研究探索,提出以下实施例以解决上述问题。
请参阅图1,本申请实施例提供的一种应用污染预测方法和/或污染预测模型训练方法的电子设备100的示意性结构框图。本申请实施例中,电子设备100可以是,但不限于计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。在结构上,电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。污染预测装置和/或污染预测模型训练装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System,OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块,例如,污染预测装置所包括的软件功能模块及计算机程序等,以实现污染预测方法,又例如污染预测模型训练装置所包括的软件功能模块及计算机程序等,以实现污染预测模型训练方法。处理器110可以在接收到执行指令后,执行计算机程序。
其中,处理器110可以是一种集成电路芯片,具有信号处理能力。处理器110也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器120用于存储程序,处理器110在接收到执行指令后,执行该程序。
应当理解,图1所示的结构仅为示意,本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件,或是具有与图1所示不同的配置。此外,图1所示的各组件可以通过软件、硬件或其组合实现。
为了便于说明本方案,首先对本申请实施例所提供的污染预测模型的训练过程进行说明。
请参阅图2,本申请实施例提供一种污染预测模型训练方法。该方法应用于图1所示的电子设备100中。需要说明的是,本申请实施例提供的污染预测模型训练方法不以图2及以下所示的顺序为限制,该方法包括:步骤S101-步骤S104。
步骤S101:获取样本数据;其中,样本数据包括预设历史时刻及其之前的H个时刻的预设区域的环境数据以及预设历史时刻的后P个时刻的目标区域的气象数据;环境数据包括预设区域的空气污染数据和气象数据;目标区域为预设区域中的部分区域。
上述的样本数据均为历史数据,样本数据来源于污染检测站点以及气象检测站点;其中污染检测站点可以包括工地扬尘监测站、城市小型污染物监测站、国控站或省控站。样本数据包括污染检测站点检测的预设区域的环境数据以及气象检测站点检测的目标区域的气象数据。
具体的,各项数据可以参考表1:
也即,于本申请实施例中,空气污染数据包括PM2.5浓度、PM10浓度、二氧化硫浓度、二氧化氮浓度、臭氧浓度以及一氧化碳浓度。气象数据包括湿度、相对湿度、气压、风速以及风向。相应的,每项数据均包括观测的时间,比如表1中,数据观测时间包括观测数据时的月份、星期以及小时。
需要说明的是,以上的数据仅作为示例,在其他实施中,各项数据可以包括更多或者更少的组成,本申请不作限定。
具体的,于本步骤中,以预设历史时刻作为基准时刻来选取样本数据。示例性的,以2020年1月10日12点作为预设历史时刻。然后,获取该时刻及其之前的H个时刻的预设区域的环境数据以及预设历史时刻的后P个时刻的目标区域的气象数据。于本申请实施例中,样本数据的选择以小时为标准,上述的H和P的数值可以根据实际情况而定,示例性的,H的数值选择4,P的数值选择5,则样本数据则为2020年1月10日12点及其之前的4个小时的预设区域的环境数据(也即9点、10点、11点和12点的预设区域的环境数据),以及2020年1月10日12点之后的5个小时的目标区域的气象数据(也即13点、14点、15点、16点和17点的目标区域的气象数据)。
当然在其他实施例中,样本数据的选择还可以以天为标准,或者以多个小时作为间隔获取H个时刻以及P个时刻的数据。比如以三个小时作为间隔,则H个时刻的环境数据中的每个时刻之间的差值为三个小时。当然,每个时刻之间的间隔也可以不相等,对此,本申请均不作限定。
可选地,为了便于确定出预设区域以及目标区域的范围,也便于统计各区域的检测数据,于本申请实施例中,获取样本数据可以具体包括:获取第一地图;对第一地图进行网格划分,确定出第一地图中的预设区域以及目标区域;获取预设区域的预设历史时刻及其之前的H个时刻的环境数据以及目标区域的预设历史时刻的后P个时刻的气象数据。
具体的,请参阅图3,其中,第一地图可以是完整的省市地图,也可以是部分的省市地图。在获取到第一地图后,通过网格将第一地图进行划分,然后根据优化目的以及区域特性,标记出第一地图中的预设区域以及目标区域。比如,图3中的阴影部分即为标记出的预设区域,预设区域中的一块填充黑色区域的方块区域即为目标区域。于本申请实施例中,目标区域可以是目标城市,也可以是污染检测站点所在的区域,本申请不作限定。在确定好预设区域以及目标区域后,从预设区域中的污染检测站点以及气象检测站点来获取预设区域的预设历史时刻及其之前的H个时刻的环境数据以及目标区域的预设历史时刻的后P个时刻的气象数据。需要说明的是,当同一个网格包含多个站点时,数据取各站点的平均值。
上述的网格划分可以采用3km*3km(千米)的网格进行划分、也可以是1km*1km或者9km*9km的网格进行划分,对此,本申请不作限定。后续实施例均以网格划分的方式进行说明。
当然,在其他实施例中,上述的预设区域以及目标区域还可以根据不同区域的地形的轮廓进行划分。
步骤S102:获取比对数据;其中,比对数据包括目标区域的后P个时刻的实际空气污染数据以及可控区域的后P个时刻的实际空气污染数据;其中,可控区域为预设区域中与目标区域相关联的区域。
上述的比对数据也均为历史数据。比对数据也来源于污染检测站点,比对数据中的实际空气污染数据与上述样本数据中的组成相同,此处不作赘述。
需要说明的是,上述的可控区域是与目标区域相关联,且该区域的污染可以进行调控的区域。比如目标区域为市区A,则可控区域为市区A周围的化工厂,或者重工业园区等等。当采用网格划分的方式确定出预设区域以及可控区域时,采用同样的方式确定出可控区域。比如图3中,可控区域在地图中位于市区A的下方,需要说明的是,一个目标区域可以有多个可控区域,预设区域中也可以包括多个目标区域,本申请也不作限定。
步骤S103:将预设历史时刻及其之前的H个时刻的预设区域的环境数据、预设历史时刻及其之前的H个时刻的目标区域的空气污染数据以及预设历史时刻的后P个时刻的目标区域的气象数据输入至初始模型中,得到预测数据;其中,预测数据包括目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据。
需要说明的是,于本申请实施例中,模型的输入数据包括三部分:
1.预设历史时刻及其之前的H个时刻的预设区域的环境数据,其表式为:X_gridt={feat-H+1,feat-H+2,...,feat};其中,X_gridt表示预设历史时刻及其之前的H个时刻的预设区域的环境数据,feaT表示预设区域的T时刻的环境数据,T为t-H+1,t-H+2,...,t;feaT={pfT,i,wfT,i,tfT,i|i∈[0,M)},M表示网格的总数,i表示第i个网格,pfT,i第i个网格的T时刻的空气污染数据,空气污染数据包括PM2.5浓度、PM10浓度、二氧化硫浓度、二氧化氮浓度、臭氧浓度以及一氧化碳浓度;wfT,i表示第i个网格的T时刻的气象数据,气象数据包括湿度、相对湿度、气压、风速以及风向;tfT,i表示第i个网格的T时刻的时间特征,包括月份、星期、小时。
2.预设历史时刻及其之前的H个时刻的目标区域的空气污染数据,其表达式为:X_tart={tart-H+1,tart-H+2,...,tart};其中,X_tart表示预设历史时刻及其之前的H个时刻的目标区域的空气污染数据;tarT表示目标区域T时刻的气象数据;T为t-H+1,t-H+2,...,t;tarT={pfT,i|i∈目标区域的网格};i表示第i个网格,pfT,i第i个网格的T时刻的空气污染数据。
3.预设历史时刻的后P个时刻的目标区域的气象数据,其表达式为:X_foret={fea_foret+1,fea_foret+2,...,fea_foret+p};其中,X_foret表示预设历史时刻的后P个时刻的目标区域的气象数据;fea_foreT表示目标区域的T时刻的气象数据,T为t+1,t+2,...,t+p,fea_foreT={wfT,i,tfT,i|i∈目标区域的网格};其中,wfT,i表示第i个网格的T时刻的气象数据,气象数据包括湿度、相对湿度、气压、风速以及风向;tfT,i表示第i个网格的T时刻的时间特征,包括月份、星期、小时。
然后将上述三部分数据输入至初始模型中,得到预测数据。模型输出的预测数据包括两部分:
1.目标区域的后P个时刻的空气污染预测数据,其表达式为:其中,表示目标区域的后P个时刻的空气污染预测数据,表示目标区域的T时刻的空气污染预测数据;T为t+1,t+2,...,t+p,i表示第i个网格,第i个网格的T时刻的空气污染预测数据。
2.可控区域的后P个时刻的空气污染预测数据,其表达式为:其中,表示可控区域的后P个时刻的空气污染预测数据,表示可控区域的T时刻的空气污染预测数据;T为t+1,t+2,...,t+p,i表示第i个网格,第i个网格的T时刻的空气污染预测数据。
步骤S104:基于比对数据以及预测数据计算损失值,并基于损失值对初始模型的网络参数进行更新,得到污染预测模型。
然后,基于预测数据与比对数据计算损失值,需要说明的是,比对数据包括两部分:
1.目标区域的后P个时刻的实际空气污染数据,其表达式为:Y_tart={tart+1,tart+2,...,tart+p};其中,Y_tart表示目标区域的后P个时刻的实际空气污染数据,tarT表示目标区域的T时刻的实际空气污染数据;T为t+1,t+2,...,t+p,tarT={pfT,i|i∈目标区域的网格};i表示第i个网格,pfT,i第i个网格的T时刻的实际空气污染数据。
2.可控区域的后P个时刻的实际空气污染数据,其表达式为:Y_cont={cont+1,cont+2,...,cont+p};其中,Y_cont表示可控区域的后P个时刻的实际空气污染数据,conT表示可控区域的T时刻的实际空气污染数据;T为t+1,t+2,...,t+p,conT={pfT,i|i∈可控区域的网格};i表示第i个网格,pfT,i第i个网格的T时刻的实际空气污染数据。
其中,实际空气污染数据来源与气象监测站点的检测数据。
污染预测模型的具体结构如图4所示,该模型包括:第一注意力模块(图中标记为spatial attention)、编码器单元(图中标记为cell A)、第二注意力模块(图中标记为temporal attention)、解码器单元(图中标记为cell B)以及全连接层(图中标记为fc)。
第一注意力模块,用于接收并根据时刻顺序,依次处理第一时刻及其之前的H个时刻的预设区域的环境数据以及第一时刻及其之前的H个时刻的目标区域的空气污染数据;其中,所述第一注意力模块每次处理一个时刻的预设区域的环境数据以及该时刻的目标区域的空气污染数据。
需要说明的是,上述的第一时刻在模型训练时,表示的是预设历史时刻,而在模型实际应用时,则表示当前时刻。
具体的,上述第一注意力模块具体包括第一注意力子模块(图中标记为featureattention)和第二注意力子模块(图中标记为grid attention)。第一注意力子模块用于对第一时刻及其之前的H个时刻的目标区域的空气污染数据进行加权输入;第二注意力子模块用于对第一时刻及其之前的H个时刻的预设区域的环境数据进行加权输入。图示中标记为hidden state的模块表示模型的隐形状态参数。
编码器单元,与所述第一注意力模块连接;所述编码器单元用于根据时刻顺序,依次对所述第一注意力模块输出的第一时刻及其之前的H个时刻的预设区域的环境数据以及所述第一注意力模块输出的第一时刻及其之前的H个时刻的目标区域的空气污染数据进行编码;所述编码器单元每次对一个时刻的预设区域的环境数据以及该时刻的目标区域的空气污染数据进行编码,并将该时刻的编码结果用于对下一时刻的编码以及发送至所述第一注意力模块,以使所述第一注意力模块基于该时刻的编码结果对下一时刻的数据进行处理。
于申请实施例中,编码器单元为GRU(Gate Recurrent Unit,门控循环单元)模型。
第二注意力模块,与所述编码器单元连接;所述第二注意力模块用于接收所述编码器单元的编码结果,并根据时刻顺序,依次处理第一时刻的后P个时刻的目标区域的气象数据;其中,所述第二注意力模块每次处理一个时刻的目标区域的气象数据。
解码器单元,与所述第二注意力模块连接;所述解码器单元用于根据时刻顺序,依次对所述第二注意力模块输出的处理结果进行解码;所述解码器单元每次对一个时刻的第二注意力模块输出的处理结果进行解码,并将解码结果用于对下一时刻第二注意力模块输出的处理结果进行解码。
于申请实施例中,解码器单元也为GRU模型。
全连接层;与所述解码器单元连接,所述全连接层的输出层的预测结果(output)为第一时刻的后P个时刻的目标区域的空气污染预测数据以及第一时刻的后P个时刻的可控区域的空气污染预测数据;其中,所述全连接层还用于将每一个时刻的预测结果发送至所述第二注意力模块,以使所述第二注意力模块基于该时刻的预测结果对下一时刻的数据进行处理。
需要解释的是,图4中所示的污染预测模型,H的数值为4,P的数值为5,也即该模型可以用于通过历史的4个时刻的数据来预测未来5个时刻的污染数据。当然,污染预测模型的H的数值和P的数值还可以任意设定,本申请不作限定。而为了便于理解,所以图4中将第一注意力模块划分为四个模块、表示依次执行四个时刻的数据、相应的,编码器单元也划分为了四个模块;第二注意力模块、解码器单元以及全连接层划分为了五个模块。
下面对上述的污染预测模型的应用进行说明,请参阅图5,本申请实施例提供一种污染预测方法,该方法应用于图1所示的电子设备100中。需要说明的是,本申请实施例提供的污染预测方法不以图5及以下所示的顺序为限制,该方法包括:步骤S201-步骤S203。
步骤S201:获取当前时刻及其之前的H个时刻的预设区域的环境数据;其中,环境数据包括预设区域的空气污染数据和气象数据。
步骤S202:获取当前时刻的后P个时刻的目标区域的气象数据;其中,目标区域为预设区域中的部分区域。
需要说明的是,在实际应用时,当前时刻的后P个时刻的目标区域的气象数据为气象检测站点的天气预报数据。
步骤S203:将当前时刻及其之前的H个时刻的预设区域的环境数据、当前时刻及其之前的H个时刻的目标区域的空气污染数据以及当前时刻的后P个时刻的目标区域的气象数据输入输入至预先训练好的污染预测模型中,得到目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据;其中,可控区域为预设区域中与目标区域相关联的区域。
在构建好污染预测模型中,即可直接利用该模型对未来时刻的目标区域以及可控区域的空气污染进行预测。需要说明的是,污染预测模型在应用时,其输入的数据需与训练时的输入数据对应,比如训练时,H的数值为4,P的数值为5,则在实际应用是,H的数值也为4,P的数值也为5。
上述的当前时刻可以是目前实际的时刻也可以是历史时刻,比如,目前实际的时刻为下午五点,则将五点作为当前时刻,当然,也可以将四点、三点作为当前时刻,本申请不作限定。
需要说明的是,由于模型的应用中输入的数据与训练时输入的数据一致,此处不作重复赘述,相同部分互相参考即可。
综上,在本申请实施例中,预先构建好污染预测模型,使得当获取到当前时刻及其之前的H个时刻的预设区域的环境数据,以及当前时刻的后P个时刻的目标区域的气象数据后,能够通过构建的污染预测模型,预测出目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据,进而便于工作人员直接根据目标区域的空气污染预测数据以及可控区域的空气污染预测数据的联系实现目标区域的污染的优化控制,也即,便于工作人员根据可控区域的空气污染预测数据制定对应的污染优化策略来对目标区域的污染进行控制。此外,通过构建污染预测模型,相较于现有技术中的采用空气质量模式的预测手段,计算量小,效率较高。
可选地,在步骤S203得到目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据之后,该方法还包括:判断目标区域的后P个时刻的空气污染预测数据是否超过预设污染阈值;当目标区域的后P个时刻的空气污染预测数据超过预设污染阈值时,则确定可控区域的空气污染预测数据的调整数值。
其中,预设污染阈值可以与污染检测站点所定的指标对应,当然,也可以根据不同的环境情况而定,本申请不作限定。当目标区域的后P个时刻的空气污染预测数据超过预设污染阈值时,则说明目标区域空气污染超标,此时确定出可控区域的空气污染预测数据的调整数值。通过该方式,能够提供直观的可控区域的调整参数,使得用户可以直接根据调整参数来制定污染优化策略来对目标区域的污染进行控制。
作为一种确定调整参数的方式,上述确定可控区域的空气污染预测数据的调整数值,包括:基于可控区域的后P个时刻中的第一个时刻的空气污染预测数据,通过遗传算法,确定出使得预设的目标函数最小的可控区域的第一个时刻的污染优化预测数据;基于可控区域的第一个时刻的污染优化预测数据,以及目标区域的后P个时刻中的第一个时刻的空气污染预测数据,确定出可控区域的后P个时刻中的第二个时刻的污染更新预测数据,以及目标区域的后P个时刻中的第二个时刻的污染优化预测数据;基于可控区域的后P个时刻中的第二个时刻的污染更新预测数据,通过遗传算法,确定出使得预设的目标函数最小的可控区域的第二个时刻的污染优化预测数据;基于可控区域的第二个时刻的污染优化预测数据,以及目标区域的后P个时刻中的第二个时刻的污染优化预测数据,确定出可控区域的后P个时刻中的第三个时刻的污染更新预测数据,以及目标区域的后P个时刻中的第三个时刻的污染优化预测数据;以此类推,直至确定出可控区域的后P个时刻中的每个时刻的污染优化预测数据;其中,可控区域的后P个时刻中的每个时刻的污染优化预测数据为所述可控区域的空气污染预测数据的调整数值。
也即,当目标区域的后P个时刻的空气污染预测数据超过时,首先对后P个时刻中的第一个时刻的可控区域的空气污染数据进行优化。通过遗传算法迭代,将不同数值的可控区域的空气污染数据输入至污染预测模型中,直到找到使得预设函数最小的可控区域的第一个时刻的数值,该数值即为污染优化预测数据。然后再将第一时刻的污染优化预测数据和目标区域的后P个时刻中的第一个时刻的空气污染预测数据,确定出可控区域的后P个时刻中的第二个时刻的污染更新预测数据,以及目标区域的后P个时刻中的第二个时刻的污染优化预测数据。然后采用相同的方式,继续得到第二个时刻的污染优化预测数据、第三个时刻的污染优化预测数据……
在本申请实施例中,通过遗传算法以及预设的目标函数能够确定出可控区域的每个时刻合理且可靠的污染优化预测数据,进而使得用户可以直接根据污染优化预测数据来制定污染优化策略来对目标区域的污染进行控制。
其中,上述预设的目标函数的表达式为:其中,Y表示预设的目标函数;AT+1表示T时刻的下一时刻的目标区域的空气污染预测数据,AT+1与相关联;表示T时刻的可控区域的污染优化预测数据;conT表示T时刻的可控区域的空气污染预测数据,MAE表示平均绝对误差。
需要说明的是,T时刻的可控区域的污染优化预测数据与T时刻的可控区域的空气污染预测数据的平均绝对误差表征优化的代价,其值越小,则表征优化的合理性和可选性更好,因此,预设的目标函数为AT+1与之间的和,当其最小时,则表征在控制优化的同时保证数据的合理性。因此,通过上述方式,提高了确定出的污染优化预测数据的合理性。
利用遗传算法,不断将不同的数值的可控区域的污染优化预测数据输入至污染预测模型中,直到找到使得预设的目标函数最小的污染优化预测数据前式中,cont+1等于最后确定的使预设的目标函数最小的即为第一个时刻的污染优化预测数据,然后,将第一个时刻的污染优化预测数据和在结合历史数据输入至污染预测模型中,得到可控区域的后P个时刻中的第二个时刻的污染更新预测数据以及目标区域的后P个时刻中的第二个时刻的污染优化预测数据
当然,在其他实施例中,预设的目标函数也可以是:Y=AT+1。对此,本申请不作限定。
可选地,在确定出可控区域的后P个时刻中的每个时刻的污染优化预测数据之后,该方法还包括:将可控区域的后P个时刻中的每个时刻的污染优化预测数据与对应时刻的空气污染预测数据进行比较;输出差异大于预设阈值的时刻对应的可控区域的污染优化预测数据;其中,差异大于预设阈值的时刻对应的可控区域的污染优化预测数据表征需要在该时刻对该可控区域的污染进行优化控制。
示例性的,将污染预测模型输出的预测结果与可控区域的污染优化预测数据进行比较。预设阈值可以是比例值,比如10%、20%。当可控区域的后P个时刻中的每个时刻的污染优化预测数据与对应时刻的空气污染预测数据的差异比例大于上述比例值,则认为该可控区域需要限制排放,此时,制定对应的污染优化策略。
在本申请实施例中,通过输出差异大于预设阈值的时刻对应的可控区域的污染优化预测数据,进而使得用户直接根据差异大于预设阈值的时刻对应的可控区域的污染优化预测数据来制定污染优化策略。通过该方式,能够在保证实现目标区域的污染有效控制的情况下,减小工作量。
请参阅图6,基于同一发明构思,本申请实施例还提供一种污染预测装置,包括:第一获取模块201、第二获取模块202以及预测模块203。
第一获取模块201,用于获取当前时刻及其之前的H个时刻的预设区域的环境数据;其中,所述环境数据包括所述预设区域的空气污染数据和气象数据。
第二获取模块202,用于获取当前时刻的后P个时刻的目标区域的气象数据;其中,所述目标区域为所述预设区域中的部分区域。
预测模块203,将所述当前时刻及其之前的H个时刻的预设区域的环境数据、所述当前时刻及其之前的H个时刻的目标区域的空气污染数据以及所述当前时刻的后P个时刻的目标区域的气象数据输入至预先训练好的污染预测模型中,得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据;其中,所述可控区域为所述预设区域中与所述目标区域相关联的区域。
可选地,该装置还包括:判断模块204以及确定模块205。
判断模块204用于在所述得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据之后,判断所述目标区域的后P个时刻的空气污染预测数据是否超过预设污染阈值。
确定模块205用于当所述目标区域的后P个时刻的空气污染预测数据超过预设污染阈值时,则确定所述可控区域的空气污染预测数据的调整数值。
可选地,确定模块205具体用于基于所述可控区域的后P个时刻中的第一个时刻的空气污染预测数据,通过遗传算法,确定出使得预设的目标函数最小的所述可控区域的第一个时刻的污染优化预测数据;基于所述可控区域的第一个时刻的污染优化预测数据,以及所述目标区域的后P个时刻中的第一个时刻的空气污染预测数据,确定出所述可控区域的后P个时刻中的第二个时刻的污染更新预测数据,以及所述目标区域的后P个时刻中的第二个时刻的污染优化预测数据;基于所述可控区域的后P个时刻中的第二个时刻的污染更新预测数据,通过遗传算法,确定出使得所述预设的目标函数最小的所述可控区域的第二个时刻的污染优化预测数据;基于所述可控区域的第二个时刻的污染优化预测数据,以及所述目标区域的后P个时刻中的第二个时刻的污染优化预测数据,确定出所述可控区域的后P个时刻中的第三个时刻的污染更新预测数据,以及所述目标区域的后P个时刻中的第三个时刻的污染优化预测数据;以此类推,直至确定出所述可控区域的后P个时刻中的每个时刻的污染优化预测数据;其中,所述可控区域的后P个时刻中的每个时刻的污染优化预测数据为所述可控区域的空气污染预测数据的调整数值。
可选地,该装置还包括:输出模块206。
输出模块206用于在所述确定出所述可控区域的后P个时刻中的每个时刻的污染优化预测数据之后,将所述可控区域的后P个时刻中的每个时刻的污染优化预测数据与对应时刻的空气污染预测数据进行比较;输出差异大于预设阈值的时刻对应的可控区域的污染优化预测数据;其中,所述差异大于预设阈值的时刻对应的可控区域的污染优化预测数据表征需要在该时刻对该可控区域的污染进行优化控制。
请参阅图7,基于同一发明构思,本申请实施例还提供一种污染预测模型训练装置300,包括:第一获取模块301、第二获取模块302、输入模块303以及训练模块304。
第一获取模块301用于获取样本数据;其中,所述样本数据包括预设历史时刻及其之前的H个时刻的预设区域的环境数据以及预设历史时刻的后P个时刻的目标区域的气象数据;所述环境数据包括所述预设区域的空气污染数据和气象数据;所述目标区域为所述预设区域中的部分区域;
第二获取模块302用于获取比对数据;其中,所述比对数据包括所述目标区域的后P个时刻的实际空气污染数据以及所述可控区域的后P个时刻的实际空气污染数据;其中,所述可控区域为所述预设区域中与所述目标区域相关联的区域;
输入模块303将所述预设历史时刻及其之前的H个时刻的预设区域的环境数据、所述预设历史时刻及其之前的H个时刻的目标区域的空气污染数据以及所述预设历史时刻的后P个时刻的目标区域的气象数据输入至初始模型中,得到预测数据;其中,所述预测数据包括所述目标区域的后P个时刻的空气污染预测数据以及所述可控区域的后P个时刻的空气污染预测数据;
训练模块304用于基于所述比对数据以及所述预测数据计算损失值,并基于所述损失值对所述初始模型的网络参数进行更新,得到所述污染预测模型。
可选地,第一获取模块301具体用于获取第一地图;对所述第一地图进行网格划分,确定出所述第一地图中的预设区域以及目标区域;获取所述预设区域的预设历史时刻及其之前的H个时刻的环境数据以及所述目标区域的预设历史时刻的后P个时刻的气象数据。
需要说明的是,由于所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,本申请实施例还提供一种存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种污染预测方法,其特征在于,包括:
获取当前时刻及其之前的H个时刻的预设区域的环境数据;其中,所述环境数据包括所述预设区域的空气污染数据和气象数据;
获取当前时刻的后P个时刻的目标区域的气象数据;其中,所述目标区域为所述预设区域中的部分区域;
将所述当前时刻及其之前的H个时刻的预设区域的环境数据、所述当前时刻及其之前的H个时刻的目标区域的空气污染数据以及所述当前时刻的后P个时刻的目标区域的气象数据输入至预先训练好的污染预测模型中,得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据;其中,所述可控区域为所述预设区域中与所述目标区域相关联的区域。
2.根据权利要求1所述的污染预测方法,其特征在于,在所述得到所述目标区域的后P个时刻的空气污染预测数据以及可控区域的后P个时刻的空气污染预测数据之后,所述方法还包括:
判断所述目标区域的后P个时刻的空气污染预测数据是否超过预设污染阈值;
当所述目标区域的后P个时刻的空气污染预测数据超过预设污染阈值时,则确定所述可控区域的空气污染预测数据的调整数值。
3.根据权利要求2所述的污染预测方法,其特征在于,所述确定所述可控区域的空气污染预测数据的调整数值,包括:
基于所述可控区域的后P个时刻中的第一个时刻的空气污染预测数据,通过遗传算法,确定出使得预设的目标函数最小的所述可控区域的第一个时刻的污染优化预测数据;
基于所述可控区域的第一个时刻的污染优化预测数据,以及所述目标区域的后P个时刻中的第一个时刻的空气污染预测数据,确定出所述可控区域的后P个时刻中的第二个时刻的污染更新预测数据,以及所述目标区域的后P个时刻中的第二个时刻的污染优化预测数据;
基于所述可控区域的后P个时刻中的第二个时刻的污染更新预测数据,通过遗传算法,确定出使得所述预设的目标函数最小的所述可控区域的第二个时刻的污染优化预测数据;
基于所述可控区域的第二个时刻的污染优化预测数据,以及所述目标区域的后P个时刻中的第二个时刻的污染优化预测数据,确定出所述可控区域的后P个时刻中的第三个时刻的污染更新预测数据,以及所述目标区域的后P个时刻中的第三个时刻的污染优化预测数据;以此类推,直至确定出所述可控区域的后P个时刻中的每个时刻的污染优化预测数据;
其中,所述可控区域的后P个时刻中的每个时刻的污染优化预测数据为所述可控区域的空气污染预测数据的调整数值。
4.根据权利要求3所述的污染预测方法,其特征在于,在所述确定出所述可控区域的后P个时刻中的每个时刻的污染优化预测数据之后,所述方法还包括:
将所述可控区域的后P个时刻中的每个时刻的污染优化预测数据与对应时刻的空气污染预测数据进行比较;
输出差异大于预设阈值的时刻对应的可控区域的污染优化预测数据;其中,所述差异大于预设阈值的时刻对应的可控区域的污染优化预测数据表征需要在该时刻对该可控区域的污染进行优化控制。
6.一种污染预测模型训练方法,其特征在于,包括:
获取样本数据;其中,所述样本数据包括预设历史时刻及其之前的H个时刻的预设区域的环境数据以及预设历史时刻的后P个时刻的目标区域的气象数据;所述环境数据包括所述预设区域的空气污染数据和气象数据;所述目标区域为所述预设区域中的部分区域;
获取比对数据;其中,所述比对数据包括所述目标区域的后P个时刻的实际空气污染数据以及所述可控区域的后P个时刻的实际空气污染数据;其中,所述可控区域为所述预设区域中与所述目标区域相关联的区域;
将所述预设历史时刻及其之前的H个时刻的预设区域的环境数据、所述预设历史时刻及其之前的H个时刻的目标区域的空气污染数据以及所述预设历史时刻的后P个时刻的目标区域的气象数据输入至初始模型中,得到预测数据;其中,所述预测数据包括所述目标区域的后P个时刻的空气污染预测数据以及所述可控区域的后P个时刻的空气污染预测数据;
基于所述比对数据以及所述预测数据计算损失值,并基于所述损失值对所述初始模型的网络参数进行更新,得到所述污染预测模型。
7.根据权利要求6所述的污染预测模型训练方法,其特征在于,所述获取样本数据,包括:
获取第一地图;
对所述第一地图进行网格划分,确定出所述第一地图中的预设区域以及目标区域;
获取所述预设区域的预设历史时刻及其之前的H个时刻的环境数据以及所述目标区域的预设历史时刻的后P个时刻的气象数据。
8.一种污染预测模型,其特征在于,包括:
第一注意力模块,用于接收并根据时刻顺序,依次处理第一时刻及其之前的H个时刻的预设区域的环境数据以及第一时刻及其之前的H个时刻的目标区域的空气污染数据;其中,所述第一注意力模块每次处理一个时刻的预设区域的环境数据以及该时刻的目标区域的空气污染数据;
编码器单元,与所述第一注意力模块连接;所述编码器单元用于根据时刻顺序,依次对所述第一注意力模块输出的第一时刻及其之前的H个时刻的预设区域的环境数据以及所述第一注意力模块输出的第一时刻及其之前的H个时刻的目标区域的空气污染数据进行编码;所述编码器单元每次对一个时刻的预设区域的环境数据以及该时刻的目标区域的空气污染数据进行编码,并将该时刻的编码结果用于对下一时刻的编码以及发送至所述第一注意力模块,以使所述第一注意力模块基于该时刻的编码结果对下一时刻的数据进行处理;
第二注意力模块,与所述编码器单元连接;所述第二注意力模块用于接收所述编码器单元的编码结果,并根据时刻顺序,依次处理第一时刻的后P个时刻的目标区域的气象数据;其中,所述第二注意力模块每次处理一个时刻的目标区域的气象数据;
解码器单元,与所述第二注意力模块连接;所述解码器单元用于根据时刻顺序,依次对所述第二注意力模块输出的处理结果进行解码;所述解码器单元每次对一个时刻的第二注意力模块输出的处理结果进行解码,并将解码结果用于对下一时刻第二注意力模块输出的处理结果进行解码;
全连接层;与所述解码器单元连接,所述全连接层的输出层的预测结果为第一时刻的后P个时刻的目标区域的空气污染预测数据以及第一时刻的后P个时刻的可控区域的空气污染预测数据;其中,所述全连接层还用于将每一个时刻的预测结果发送至所述第二注意力模块,以使所述第二注意力模块基于该时刻的预测结果对下一时刻的数据进行处理。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求1-5中任一项所述的方法,和/或执行如权利要求6-7中任一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求1-5中任一项所述的方法,和/或执行如权利要求6-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011644582.9A CN112580898B (zh) | 2020-12-30 | 2020-12-30 | 一种污染预测方法以及污染预测模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011644582.9A CN112580898B (zh) | 2020-12-30 | 2020-12-30 | 一种污染预测方法以及污染预测模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580898A true CN112580898A (zh) | 2021-03-30 |
CN112580898B CN112580898B (zh) | 2023-11-03 |
Family
ID=75145676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011644582.9A Active CN112580898B (zh) | 2020-12-30 | 2020-12-30 | 一种污染预测方法以及污染预测模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580898B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016125941A1 (ko) * | 2015-02-05 | 2016-08-11 | (주)유엔이 | 환경 오염 예측 시스템 및 방법 |
US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
CN107194139A (zh) * | 2016-03-14 | 2017-09-22 | 日电(中国)有限公司 | 大气污染源分级方法及计算设备 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN109657842A (zh) * | 2018-11-27 | 2019-04-19 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法及装置、电子设备 |
CN109934379A (zh) * | 2019-01-21 | 2019-06-25 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法、装置及电子设备 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
-
2020
- 2020-12-30 CN CN202011644582.9A patent/CN112580898B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016125941A1 (ko) * | 2015-02-05 | 2016-08-11 | (주)유엔이 | 환경 오염 예측 시스템 및 방법 |
US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
CN107194139A (zh) * | 2016-03-14 | 2017-09-22 | 日电(中国)有限公司 | 大气污染源分级方法及计算设备 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN109657842A (zh) * | 2018-11-27 | 2019-04-19 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法及装置、电子设备 |
CN109934379A (zh) * | 2019-01-21 | 2019-06-25 | 平安科技(深圳)有限公司 | 空气污染物浓度的预测方法、装置及电子设备 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
KUO-JEN LIAO,等: "Optimization of multipollutant air quality management strategies: A case study for five cities in the United States", 《JOURNAL OF AIR&WASTE MANAGEMENT ASSOCIATION》, vol. 65, no. 6, pages 732 - 742 * |
YU-TING BAI,等: "Spatio-Temporal Prediction for the Monitoring-Blind Area of Industrial Atmosphere Based on the Fusion Network", 《INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH》, vol. 16, no. 20, pages 1 - 15 * |
邹国建: "基于时空特征学习的区域空气污染物扩散趋势预测研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 7, pages 009 - 35 * |
雍睿涵: "基于集成神经网络的空气污染物区域关联预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 8, pages 027 - 324 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112580898B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ouyang et al. | A combined multivariate model for wind power prediction | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN114324780B (zh) | 大气污染物排放通量处理方法、存储介质以及计算机终端 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN114063197A (zh) | 一种预测环境污染的方法和装置 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN114841438B (zh) | 预评估排放源对空气质量影响的方法、装置和电子设备 | |
CN114819696A (zh) | 确定污染物浓度影响因素的方法、装置及电子设备 | |
CN118350678B (zh) | 基于物联网与大数据的水环境监测数据处理方法及系统 | |
CN112580898A (zh) | 一种污染预测方法以及污染预测模型训练方法 | |
CN118114165A (zh) | 污染源贡献浓度的确定方法与装置 | |
CN114037364B (zh) | 基于人工智能的虚拟电厂运行风险检测方法 | |
CN118115180A (zh) | 识别高贡献浓度的热点网格的方法与装置 | |
CN117252436B (zh) | 一种土地利用变化生态风险分区的方法和系统 | |
CN117932470A (zh) | 一种基于动态贝叶斯网络的月径流预报方法 | |
CN116739388B (zh) | 减排措施评估方法、装置及存储介质 | |
JP2020091171A (ja) | 気象予測システム、気象予測方法、および気象予測プログラム | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN112580845A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN114066059B (zh) | 一种预测环境污染的方法和装置 | |
CN117951201B (zh) | 一种碳排放清单建立方法、装置、电子设备及存储介质 | |
CN114528768B (zh) | 近海单点海温智能预报方法、装置及计算机可读存储介质 | |
CN112560325A (zh) | 换电业务的预测方法、系统、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 |