CN112598178B - 一种基于贝叶斯框架下的大气污染物浓度预测方法 - Google Patents
一种基于贝叶斯框架下的大气污染物浓度预测方法 Download PDFInfo
- Publication number
- CN112598178B CN112598178B CN202011536273.XA CN202011536273A CN112598178B CN 112598178 B CN112598178 B CN 112598178B CN 202011536273 A CN202011536273 A CN 202011536273A CN 112598178 B CN112598178 B CN 112598178B
- Authority
- CN
- China
- Prior art keywords
- atmospheric
- concentration
- pollutant concentration
- time
- space
- 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.)
- Active
Links
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"
Abstract
本发明公开了一种基于贝叶斯框架下的大气污染物浓度预测方法,在贝叶斯框架下预测大气污染物浓度。在此框架下,先验信息和观测值能够妥善地结合起来,获得大气污染物浓度的后验分布。为了克服后验分布的不解析形式,本发明采用MCMC方法抽取后验分布的随机样本点,用样本数字特征来近似总体数字特征。在华北大气污染物浓度和气象学变量数据上评估了分层贝叶斯方法。结果说明了与非线性回归和时空克里金两种方法相比,本发明提出的方法在有效性,精确度和鲁棒性方法都展现出了良好的性能。
Description
技术领域
本发明属于大气污染数据分析技术领域,涉及一种基于贝叶斯框架下的大气污染物浓度预测方法。
背景技术
分层贝叶斯理论在很多领域内取得了巨大成功,尤其适用于复杂的大规模数据计算。时空依赖性建模能够获得更为精确的预测值,被广泛应用于时空大气污染数据分析中。针对时空克里金和非线性回归的不尽如人意的效果,本发明提出在贝叶斯框架下预测大气污染物浓度。在此框架下,先验信息和观测值能够妥善地结合起来,获得大气污染物浓度的后验分布。为了克服后验分布的不解析形式,本发明采用MCMC方法抽取后验分布的随机样本点,用样本数字特征来近似总体数字特征。
发明内容
本发明的目的在于提供一种基于贝叶斯框架下的大气污染物浓度预测方法,该方法利用偏正态分布描述大气污染物浓度与气象因素之间回归残差,提高了大气污染浓度预测鲁棒性。
其具体技术方案为:
一种基于贝叶斯框架下的大气污染物浓度预测方法,包括以下步骤:
步骤1、时空克里金预测,需要获取大气污染监测站点坐标,研究时间区间内各种大气污染物浓度序列,主要是给出大气污染物浓度预测的初始值;
步骤2、偏正态非线性回归,需要大气污染物浓度时间序列和气象学变量时间序列,利用带有偏正态噪声的非线性多元线性回归方法建立浓度和气象学变量之间的关系,估计出回归参数;
步骤3、在分层贝叶斯框架下,将时空克里金方法给出的预测值作为先验分布,然后将偏正态非线性回归获得的方程作为似然函数,从而利用气象学变量修正时空克里金方法所给出的预测值,获得精度更高的大气污染浓度预测值;
步骤4、在分层贝叶斯框架下,获得的后验分布不解析,我们采用包含有Metropolis-Hastings方法的Gibbs采样方法对后验分布抽样 ,获得后验分布的样本值,从而对参数进行估计,获得最终大气污染物浓度预测值。
进一步,步骤1中,所述时空克里金预测过程中包括以下步骤:
1)、对大气污染物浓度做去季节化处理;
2)、根据监测站处大气污染物浓度变量的时空自相关性对未监测点处的大气污染物浓度做出估计,首先计算样本半方差函数,选择有效的时空半方差函数模型;
3)、根据计算出的样本半方差函数和选择的时空半方差模型,拟合出变量的半方差;
4)、根据样本点的地理坐标和时间坐标,估计出未监测点处大气污染物浓度。
进一步,步骤2中,确定影响大气污染物浓度的风速、气温、地表温度等等气象因素;
应用偏正态分布多元线性回归方法拟合噪声偏正态分布参数;
进一步,步骤3中,确定先验正态分布的方差参数;确定似然函数的各项参数;应用MCMC方法获取后验分布的样本点。
进一步,使用R中的package mcmc函数选择先验分布和似然函数,在后验分布的解析形式无法获得的情况下,通过,mcmc采样方法获得后验分布的样本值,利用样本量估计真实后验分布的数字特征。
与现有技术相比,本发明的有益效果:
本发明能够充分应用大气污染物浓度在时空维度信息特征以及气象学变量信息,提高大气污染物浓度预测的精度。在华北大气污染物浓度和气象学变量数据上评估了分层贝叶斯方法。结果说明了与非线性回归和时空克里金两种方法相比,本发明提出的方法在有效性,精确度和鲁棒性方法都展现出了良好的性能。
1、利用时空克里金方法预测大气污染物浓度;时空克里金插值能够充分大气污染物浓度在时空域中的特征,充分考虑时空演变特性。
2、应用带有偏正态分布噪声的线性回归方法建立气象学变量和大气污染物浓度之间的关系。
3、建立分层贝叶斯模型,充分整合时空克里金和偏正态回归之间的关系,应用MCMC 获得大气污染物浓度精确的估计。
4、本发明的技术方案中通过实验获知对于大气污染数据来说,预测的残差无法用一般正态分布描述而改用偏正态分布来描述,提高了建模的精确度。
5、本发明采用分层贝叶斯模型提高了先验分布选择的鲁棒性和代表性,提高了预测的精度和鲁棒性。
具体实施方式
下面结合实施例对本发明的技术方案作进一步详细地说明。
表1:2016-2017年华北地区六种大气污染物浓度基本描述性统计量
表2:2017年元月份非线性线性回归、时空克里金及分层贝叶斯方法对一氧化碳预测性能表
表3:2017年元月份非线性线性回归、时空克里金及分层贝叶斯方法对臭氧预测性能表
由表1-表3所示,三种方法一氧化碳(CO)的预测精度,可以看出分层贝叶斯(HBM)方法显著提高了预测的精度和鲁棒性。
在华北大气污染物浓度和气象学变量数据上评估了分层贝叶斯方法。结果说明了与非线性回归和时空克里金两种方法相比,我们提出的方法在有效性,精确度和鲁棒性方法都展现出了良好的性能。
本发明的研究目的是收集宁夏和华北某地区污染物浓度和气象学变量的基础上,利用极端学习机和人工神经网络、分层贝叶斯等方法对某地区污染物浓度作出预报,并得出气象学变量对污染物浓度的影响规律。采用先进神经网络技术,以风速、风向、降雨量、相对湿度、气压、观测站海拔高度、露点温度、温度为输入数据,通过对神经系统优化设计、各种气象参数在时间域变化等关键技术展开研究,提出并设计一种新型极端学习机神经系统,实现对污染物如PM2.5、NO2、O3、SO2等参数的精确估计;展开相关实验,实现对宁夏地区的污染物浓度的精确估计和预测,研究上述气象参数与污染物浓度的精确耦合关系,并对该地区天气进行分析研究和监测,为银川地区精细大气污染物浓度预报及自然灾害预警预报提供实时、精细精确有效的大气监测数据,为大气环境科学研究等特殊气象服务提供一条有效的技术途径。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (4)
1.一种基于贝叶斯框架下的大气污染物浓度预测方法,其特征在于,包括以下步骤:
步骤1、时空克里金预测,需要获取大气污染监测站点坐标,研究时间区间内各种大气污染物浓度序列,给出大气污染物浓度预测的初始值;
步骤2、偏正态非线性回归,需要大气污染物浓度时间序列和气象学变量时间序列,利用带有偏正态噪声的非线性多元线性回归方法建立浓度和气象学变量之间的关系,估计出回归参数;
步骤3、在分层贝叶斯框架下,将时空克里金方法给出的预测值作为先验分布,然后将偏正态非线性回归获得的方程作为似然函数,从而利用气象学变量修正时空克里金方法所给出的预测值,获得精度更高的大气污染浓度预测值;
步骤4、在分层贝叶斯框架下,获得的后验分布不解析,采用包含有Metropolis-Hastings方法的Gibbs采样方法对后验分布抽样,获得后验分布的样本值,从而对参数进行估计,获得最终大气污染物浓度预测值。
2.根据权利要求1所述的基于贝叶斯框架下的大气污染物浓度预测方法,其特征在于,
步骤1中,所述时空克里金预测过程中包括以下步骤:
1)、对大气污染物浓度做去季节化处理;
2)、根据监测站处大气污染物浓度变量的时空自相关性对未监测点处的大气污染物浓度做出估计,首先计算样本半方差函数,选择有效的时空半方差函数模型;
3)、根据计算出的样本半方差函数和选择的时空半方差模型,拟合出变量的半方差;
4)、根据样本点的地理坐标和时间坐标,估计出未监测点处大气污染物浓度。
3.根据权利要求1所述的基于贝叶斯框架下的大气污染物浓度预测方法,其特征在于,
步骤2中,确定影响大气污染物浓度的风速、气温、地表温度;
应用偏正态分布多元线性回归方法拟合噪声偏正态分布参数。
4.根据权利要求1所述的基于贝叶斯框架下的大气污染物浓度预测方法,其特征在于,
步骤3中,确定先验正态分布的方差参数;确定似然函数的各项参数;应用MCMC方法获取后验分布的样本点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536273.XA CN112598178B (zh) | 2020-12-23 | 2020-12-23 | 一种基于贝叶斯框架下的大气污染物浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536273.XA CN112598178B (zh) | 2020-12-23 | 2020-12-23 | 一种基于贝叶斯框架下的大气污染物浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598178A CN112598178A (zh) | 2021-04-02 |
CN112598178B true CN112598178B (zh) | 2022-03-29 |
Family
ID=75200271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536273.XA Active CN112598178B (zh) | 2020-12-23 | 2020-12-23 | 一种基于贝叶斯框架下的大气污染物浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598178B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486295B (zh) * | 2021-07-30 | 2023-05-30 | 生态环境部华南环境科学研究所 | 基于傅里叶级数的臭氧总量变化预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5539704A (en) * | 1995-06-23 | 1996-07-23 | Western Atlas International, Inc. | Bayesian sequential Gaussian simulation of lithology with non-linear data |
AU2012200140A1 (en) * | 2011-05-06 | 2012-11-22 | Heintzmann Corporation | Yieldable cambered arch support assembly |
CN108563829A (zh) * | 2018-03-14 | 2018-09-21 | 天津大学 | 一种基于贝叶斯鲁棒函数回归的多步风速预报方法 |
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
CN109540089A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 |
CN109784557A (zh) * | 2019-01-07 | 2019-05-21 | 深圳航天智慧城市系统技术研究院有限公司 | 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7565334B2 (en) * | 2006-11-17 | 2009-07-21 | Honda Motor Co., Ltd. | Fully bayesian linear regression |
-
2020
- 2020-12-23 CN CN202011536273.XA patent/CN112598178B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5539704A (en) * | 1995-06-23 | 1996-07-23 | Western Atlas International, Inc. | Bayesian sequential Gaussian simulation of lithology with non-linear data |
AU2012200140A1 (en) * | 2011-05-06 | 2012-11-22 | Heintzmann Corporation | Yieldable cambered arch support assembly |
CN108563829A (zh) * | 2018-03-14 | 2018-09-21 | 天津大学 | 一种基于贝叶斯鲁棒函数回归的多步风速预报方法 |
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
CN109540089A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 |
CN109784557A (zh) * | 2019-01-07 | 2019-05-21 | 深圳航天智慧城市系统技术研究院有限公司 | 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质 |
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 (3)
Title |
---|
An effective Bayesian model for lithofacies estimation using;Jinsong Chen;《WATER RESOURCES RESEARCH》;20030507;全文 * |
基于Pair-copula的贝叶斯空间预测模型及其在雾霾监测中的应用;郭益敏;《中国优秀硕士论文全文数据库 工程科技Ⅰ辑》;20180315;全文 * |
基于贝叶斯推断的改进Kriging元建模方法研究;周辰;《万方数据知识服务平台》;20140918;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112598178A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110567510B (zh) | 大气污染监测方法、系统、计算机设备和存储介质 | |
Pataki et al. | Inferring biogenic and anthropogenic carbon dioxide sources across an urban to rural gradient | |
Shao et al. | Estimating daily ground-level PM2. 5 in China with random-forest-based spatiotemporal kriging | |
Kyselý et al. | Estimating extremes in climate change simulations using the peaks-over-threshold method with a non-stationary threshold | |
Chiodo et al. | Insignificant influence of the 11-year solar cycle on the North Atlantic Oscillation | |
Gimeno et al. | The growing importance of oceanic moisture sources for continental precipitation | |
Zhang et al. | Forecasting PM2. 5 and PM10 concentrations using GMCN (1, N) model with the similar meteorological condition: Case of Shijiazhuang in China | |
Jiang et al. | A Municipal PM2. 5 Forecasting Method Based on Random Forest and WRF Model. | |
CN112598178B (zh) | 一种基于贝叶斯框架下的大气污染物浓度预测方法 | |
Xiao et al. | Identifying the impacts of climate on the regional transport of haze pollution and inter-cities correspondence within the Yangtze River Delta | |
CN116223395A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Li et al. | Combining spatial pyramid pooling and long short-term memory network to predict PM2. 5 concentration | |
Sheng et al. | Sensitivity of typhoon wind hazard in coastal region to the track modelling and the considered historical best track database | |
Yang et al. | Critical transitions in the hydrological system: early-warning signals and network analysis | |
CN114840616A (zh) | 一种基于时空插值的动态大气自然环境建模方法 | |
CN111104639B (zh) | 一种点面融合的时序pm2.5空间分布估算方法 | |
CN116341763B (zh) | 一种空气质量预测方法 | |
Mahajan et al. | Fidelity of precipitation extremes in high resolution global climate simulations | |
CN109615239B (zh) | 基于社会化网络媒体数据的城市空气质量的评估方法 | |
Padilla et al. | Air quality prediction using recurrent air quality predictor with ensemble learning | |
CN108169316A (zh) | 基于支持向量机和树叶磁学的大气重金属污染评估方法 | |
Gupta et al. | Meteorological trends over Satluj River Basin in Indian Himalaya under climate change scenarios | |
CN114943189B (zh) | 一种基于XGboost的声速剖面反演方法及系统 | |
Kalantari et al. | Evaluating traditional versus ensemble machine learning methods for predicting missing data of daily PM10 concentration | |
Liu | Establishment of a Box-Jenkins multivariate time-series model to simulate ground-level peak daily one-hour ozone concentrations at Ta-Liao in Taiwan |
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 |