CN112836862A - 一种基于机器学习算法的集合预报方法、系统及介质 - Google Patents
一种基于机器学习算法的集合预报方法、系统及介质 Download PDFInfo
- Publication number
- CN112836862A CN112836862A CN202110057355.4A CN202110057355A CN112836862A CN 112836862 A CN112836862 A CN 112836862A CN 202110057355 A CN202110057355 A CN 202110057355A CN 112836862 A CN112836862 A CN 112836862A
- Authority
- CN
- China
- Prior art keywords
- data
- pollutant concentration
- forecast
- optimization model
- machine learning
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 82
- 231100000719 pollutant Toxicity 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 239000000356 contaminant Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 1
- 238000001556 precipitation Methods 0.000 abstract description 5
- 230000032683 aging Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Atmospheric Sciences (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于机器学习算法的集合预报方法、系统及介质，涉及空气质量预报技术领域，该方法包括：步骤1：依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；步骤2：利用多种机器学习方法耦合优化模型搭建；步骤3：将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。本发明能够引入气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，同时耦合了多种机器学习算法，提高空气质量模式的预报准确率。
Description
技术领域
本发明涉及空气质量预报技术领域，具体地，涉及一种基于机器学习算法的集合预报方法、系统及介质。
背景技术
近年来，空气污染问题严峻，引起了广泛的关注。合理的空气质量预报能够帮助有关部门制定相应决策，以限制人为排放，同时引导公众规避污染峰值期。目前区域空气质量数值模式已经成为短时临近和中期预报的主要手段。数值预报的不确定性主要来源于大气初始状态的不确定性和预报模式的不确定性，大气运动的非线性特征决定了无论来自于初始场还是来自模式本身极小的误差在模式积分过程中将被放大，导致模式在一定时间后失去可预报性。因此相对于单模式预报，集合预报能够能体现模式初始条件和输入参数的不确定性在模式积分中的传播，从而可以了解由这些不确定性导致的预报不确定性，提供预报的可靠性和可预报性信息，此外，集合预报可以提供不同事件发生的概率，预报不再过分依赖某一个初始条件和参数值，预报信息更加丰富和全面。
目前的集合预报方法主要是将不同模式、不同区域、不同时效的预报均看做不同的模式，由于各单模式在给定站点的预报性能存差异，为了区别对待不同的模式预报结果，基于单模式在历史一段时间内的表现，评估模式对未来预报值的可信度或权重，得出集合模式的预报结果。
针对上述现有技术，目前主流的集合模式算法能够集合不同单模式的优缺点，但难以考虑气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，同时对单个模式的历史表现的评估难以做到全面和精准。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于机器学习算法的集合预报方法、系统及介质，能够引入气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，同时耦合了多种机器学习算法，提高空气质量模式的预报准确率。
根据本发明提供的一种基于机器学习算法的集合预报方法、系统及介质，所述方案如下：
第一方面，提供了一种基于机器学习算法的集合预报方法，所述方法包括：
依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；
利用多种机器学习方法耦合优化模型搭建；
将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。
优选的，所述构建模型的训练数据包括：
污染物浓度预报数据：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物浓度预报数据，得到M1*N1个成员的时序数据；
气象预报数据：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；
污染物浓度观测数据：选取一段时间H1内污染物浓度的实际观测数据。
优选的，所述利用多种机器学习方法耦合优化模型搭建包括：
单模式优化模型搭建：对于污染物浓度预报数据中的每一个成员的数据，分别构建第一优化模型，对其进行优化；具体方法为：
选取污染物浓度预报数据中某个成员的时序数据，同时选取气象预报数据中M2*N2个成员的气象预报数据，以及污染物浓度观测数据中污染物浓度的观测数据，共同作为第一机器学习算法的训练集，训练得到第一优化模型；通过第一优化模型，得到污染物浓度预报数据中每个成员优化后的污染物浓度的预报数据；
基于多模式集合的优化模型搭建：选取单模式优化模型输出的每个成员优化后的污染物浓度的预报数据，同时选取污染物浓度观测数据，作为第二机器学习算法的训练集，构建第二优化模型，得到M1*N1个成员中每个成员的与真实观测值最为接近的概率；
最终结果输出：将单模式优化模型中输出的每个成员优化后的预报数据，与基于多模式集合的优化模型中输出的每个成员的与真实观测值最为接近的概率进行加权平均，得到最终输出。
优选的，所述未来时间段空气质量预报包括：
实际进行业务预报时，根据污染物浓度预报数据与气象预报数据中的数据结构，得到未来一段时间H2内，不同空气质量模式对于污染物浓度的预报数据，以及得到同时间段内气象模式关于各种气象要素的预报数据，作为利用多种机器学习方法耦合优化模型搭建步骤中搭建的多种机器学习方法耦合优化模型的输入，得到最终优化后的污染物浓度的预报数据。
第二方面，提供了一种基于机器学习算法的集合预报系统，所述系统包括：
模块1：依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；
模块2：利用多种机器学习方法耦合优化模型搭建；
模块3：将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。
优选的，所述模块1包括：
污染物浓度预报数据模块：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物浓度预报数据，得到M1*N1个成员的时序数据；
气象预报数据模块：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；
污染物浓度观测数据模块：选取一段时间H1内污染物浓度的实际观测数据。
优选的，所述模块2包括：
单模式优化模型搭建模块：对于污染物浓度预报数据模块中的每一个成员的数据，分别构建第一优化模型，对其进行优化；具体方法为：
选取污染物浓度预报数据模块中某个成员的时序数据，同时选取气象预报数据模块中M2*N2个成员的气象预报数据，以及污染物浓度观测数据模块中污染物浓度的观测数据，共同作为第一机器学习算法的训练集，训练得到第一优化模型；通过第一优化模型，得到污染物浓度预报数据模块中每个成员优化后的污染物浓度的预报数据；
基于多模式集合的优化模型搭建模块：选取单模式优化模型输出的每个成员优化后的污染物浓度的预报数据，同时选取污染物浓度观测数据模块中，作为第二机器学习算法的训练集，构建第二优化模型，得到M1*N1个成员中每个成员的与真实观测值最为接近的概率；
最终结果输出模块：将单模式优化模型中输出的每个成员优化后的预报数据，与基于多模式集合的优化模型中输出的每个成员的与真实观测值最为接近的概率进行加权平均，得到最终输出。
优选的，所述模块3包括：
实际进行业务预报时，根据污染物浓度预报数据模块与气象预报数据模块中的数据结构，得到未来一段时间H2内，不同空气质量模式对于污染物浓度的预报数据，以及得到同时间段内气象模式关于各种气象要素的预报数据，作为模块2中搭建的多种机器学习方法耦合优化模型的输入，得到最终优化后的污染物浓度的预报数据。
与现有技术相比，本发明具有如下的有益效果：
1、利用多种机器学习算法进行耦合，对单个空气质量模型的预报效果进行订正优化，同时融入对空气质量有较大影响的气象变量，从而减小模型预报的不确定性，提高空气质量模式的预报准确率；
2、空气质量的预报效果得到提高，能够帮助有关部门制定相应决策，以限制人为排放，同时引导公众规避污染峰值期，保护公众的健康。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的整体结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于机器学习算法的集合预报方法，参照图1所示，以优化某个站点空气污染物A浓度的预报数据为例，对应的预报时效为H，本实施例中的预报时效为H，如24h、48h、72h或96h，空气污染物A如PM2.、PM10、NO2或O3：
依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据：
污染物A浓度预报数据：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物A浓度预报数据，得到M1*N1个成员的时序数据，本实施例中的不同空气质量模式如CAMx、CMAQ、NAQPMS和WRFChem等，空间分辨率如27km、9km和3km。
气象预报数据：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；本实施例中的气象模式如WRF，气象要素如气压、温度、相对湿度、风速、风向、降水等。
污染物A浓度观测数据：选取一段时间H1内污染物A浓度的实际观测数据。
利用多种机器学习方法耦合优化模型搭建；
单模式优化模型搭建：对于污染物浓度预报数据中的每一个成员的数据，分别构建第一优化模型，对其进行优化；具体方法为：
选取污染物浓度A预报数据中某个成员的时序数据，同时选取气象预报数据中M2*N2个成员的气象预报数据，以及污染物A浓度观测数据中污染物A浓度的观测数据，共同作为第一机器学习算法的训练集，训练得到第一优化模型，本实施例中的第一机器学习算法如随机森林、极端随机树或梯度提升回归树；通过第一优化模型，得到污染物A浓度预报数据中每个成员优化后的污染物A浓度的预报数据。
基于多模式集合的优化模型搭建：选取单模式优化模型搭建输出的每个成员优化后的污染物A浓度的预报数据，同时选取污染物A浓度观测数据中污染物A浓度的观测数据，作为第二机器学习算法的训练集，第二机器学习算法如BPNN；构建第二优化模型，得到M1*N1个成员中每个成员的与真实观测值最为接近的概率。
最终结果输出：将单模式优化模型搭建中输出的每个成员优化后的预报数据，与基于多模式集合的优化模型搭建中输出的每个成员的与真实观测值最为接近的概率进行加权平均，得到最终输出。
将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。
实际进行业务预报时，根据污染物A浓度预报数据与气象预报数据中的数据结构，得到未来一段时间H2内，不同空气质量模式对于污染物A浓度的预报数据，以及得到同时间段内气象模式关于各种气象要素的预报数据，作为利用多种机器学习方法耦合优化模型搭建步骤中搭建的多种机器学习方法耦合优化模型的输入，得到最终优化后的污染物浓度A的预报数据。
实施原理举例说明：步骤1：为对某一站点的PM2.5浓度的24h预报值进行优化订正，选取以预报当日为终点，历史15天的逐小时CAMx、CMAQ、NAQPMS和WRFChem空气质量模型预报数据，预报时效为24h，使用三层网格嵌套，空间分辨率为27km、9km和3km，加入气象模型WRF对气压、温度、风速、风向、降水和相对湿度的预报数据，WRF同样采用三层嵌套，空间分辨率为27km、9km和3km，预报时效为24h，同时加入与历史15天每一时刻对应的PM2.5浓度观测数据，输入极端随机树(后简称ET)模型中，得出经ET优化后的CAMx、CMAQ、NAQPMS和WRFChem模型预报数据；
步骤2：将步骤1得出的优化后的单模式结果，结合与历史15天每一时刻对应的PM2.5浓度观测数据，输入反向神经网络(后简称BPNN)模型中，得出单个模式与真实观测时最为接近的概率，如图1所示，图1中的φ表示第i个成员优化后的预报值与真实观测值最为接近的概率。
步骤3：将步骤2中得出的概率进行加权平均，得出最终的PM2.5浓度24h预报值。
本发明实施例提供了一种基于机器学习算法的集合预报方法，利用多种机器学习算法进行耦合，对单个空气质量模型的预报效果进行订正优化，同时融入对空气质量有较大影响的气象变量，从而减小模型预报的不确定性，提高模式对空气质量的预报效果，帮助有关部门制定相应决策，以限制人为排放，同时引导公众规避污染峰值期，保护公众的健康。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (9)
1.一种基于机器学习算法的集合预报方法，其特征在于，所述方法包括：
步骤1：依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；
步骤2：利用多种机器学习方法耦合优化模型搭建；
步骤3：将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
污染物浓度预报数据：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物浓度预报数据，得到M1*N1个成员的时序数据；
气象预报数据：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；
污染物浓度观测数据：选取一段时间H1内污染物浓度的实际观测数据。
3.根据权利要求2所述的方法，其特征在于，所述步骤2包括：
单模式优化模型搭建：对于污染物浓度预报数据中的每一个成员的数据，分别构建第一优化模型，对其进行优化；具体方法为：
选取污染物浓度预报数据中某个成员的时序数据，同时选取气象预报数据中M2*N2个成员的气象预报数据，以及污染物浓度观测数据中污染物浓度的观测数据，共同作为第一机器学习算法的训练集，训练得到第一优化模型；通过第一优化模型，得到污染物浓度预报数据中每个成员优化后的污染物浓度的预报数据；
基于多模式集合的优化模型搭建：选取单模式优化模型输出的每个成员优化后的污染物浓度的预报数据，同时选取污染物浓度观测数据，作为第二机器学习算法的训练集，构建第二优化模型，得到M1*N1个成员中每个成员的与真实观测值最为接近的概率；
最终结果输出：将单模式优化模型中输出的每个成员优化后的预报数据，与基于多模式集合的优化模型中输出的每个成员的与真实观测值最为接近的概率进行加权平均，得到最终输出。
4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
实际进行业务预报时，根据步骤1中的数据结构，得到未来一段时间H2内，不同空气质量模式对于污染物浓度的预报数据，以及得到同时间段内气象模式关于各种气象要素的预报数据，作为步骤2中搭建的多种机器学习方法耦合优化模型的输入，得到最终优化后的污染物浓度的预报数据。
5.一种基于机器学习算法的集合预报系统，其特征在于，所述系统包括：
模块1：依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；
模块2：利用多种机器学习方法耦合优化模型搭建；
模块3：将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。
6.根据权利要求5所述的系统，其特征在于，所述模块1包括：
污染物浓度预报数据模块：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物浓度预报数据，得到M1*N1个成员的时序数据；
气象预报数据模块：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；
污染物浓度观测数据模块：选取一段时间H1内污染物浓度的实际观测数据。
7.根据权利要求6所述的系统，其特征在于，所述模块2包括：
单模式优化模型搭建模块：对于污染物浓度预报数据模块中的每一个成员的数据，分别构建第一优化模型，对其进行优化；具体方法为：
选取污染物浓度预报数据模块中某个成员的时序数据，同时选取气象预报数据模块中M2*N2个成员的气象预报数据，以及污染物浓度观测数据模块中污染物浓度的观测数据，共同作为第一机器学习算法的训练集，训练得到第一优化模型；通过第一优化模型，得到污染物浓度预报数据模块中每个成员优化后的污染物浓度的预报数据；
基于多模式集合的优化模型搭建模块：选取单模式优化模型输出的每个成员优化后的污染物浓度的预报数据，同时选取污染物浓度观测数据，作为第二机器学习算法的训练集，构建第二优化模型，得到M1*N1个成员中每个成员的与真实观测值最为接近的概率；
最终结果输出模块：将单模式优化模型中输出的每个成员优化后的预报数据，与基于多模式集合的优化模型中输出的每个成员的与真实观测值最为接近的概率进行加权平均，得到最终输出。
8.根据权利要求5所述的系统，其特征在于，所述模块3包括：
实际进行业务预报时，根据模块1中的数据结构，得到未来一段时间H2内，不同空气质量模式对于污染物浓度的预报数据，以及得到同时间段内气象模式关于各种气象要素的预报数据，作为模块2中搭建的多种机器学习方法耦合优化模型的输入，得到最终优化后的污染物浓度的预报数据。
9.一种存储有计算机程序的计算机可读存储介质，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4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110057355.4A CN112836862B (zh) | 2021-01-15 | 2021-01-15 | 一种基于机器学习算法的集合预报方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110057355.4A CN112836862B (zh) | 2021-01-15 | 2021-01-15 | 一种基于机器学习算法的集合预报方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112836862A true CN112836862A (zh) | 2021-05-25 |
| CN112836862B CN112836862B (zh) | 2024-05-31 |
Family
ID=75928430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110057355.4A Active CN112836862B (zh) | 2021-01-15 | 2021-01-15 | 一种基于机器学习算法的集合预报方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836862B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
| 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 |
| CN113642223A (zh) * | 2021-10-13 | 2021-11-12 | 中科三清科技有限公司 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
| CN113888381A (zh) * | 2021-09-24 | 2022-01-04 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
| CN114563834A (zh) * | 2022-04-27 | 2022-05-31 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
| CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心（珠江三角洲环境气象预报预警中心） | 基于动态有监督机器学习的臭氧污染风险预报方法 |
| CN117332906A (zh) * | 2023-12-01 | 2024-01-02 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5308560B1 (ja) * | 2012-06-13 | 2013-10-09 | 株式会社電力システムズ・インスティテュート | 太陽光発電における発電量予測方法及び装置 |
| CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
| CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
| WO2018226564A1 (en) * | 2017-06-08 | 2018-12-13 | Carrier Corporation | Air filter system and hvac system |
| CN110261547A (zh) * | 2019-07-04 | 2019-09-20 | 北京思路创新科技有限公司 | 一种空气质量预报方法和设备 |
| CN111239857A (zh) * | 2020-02-18 | 2020-06-05 | 潘新民 | 一种特殊地形强风预报方法 |
| WO2020138722A2 (ko) * | 2018-12-27 | 2020-07-02 | 주식회사 에이티앤에스그룹 | 공기질에 따른 유통 및 프로모션 관리시스템 및 방법 |
| CN111666646A (zh) * | 2020-05-25 | 2020-09-15 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 基于复杂网络的大气污染传输关键节点的识别方法及系统 |
-
2021
- 2021-01-15 CN CN202110057355.4A patent/CN112836862B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5308560B1 (ja) * | 2012-06-13 | 2013-10-09 | 株式会社電力システムズ・インスティテュート | 太陽光発電における発電量予測方法及び装置 |
| CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
| CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
| WO2018226564A1 (en) * | 2017-06-08 | 2018-12-13 | Carrier Corporation | Air filter system and hvac system |
| WO2020138722A2 (ko) * | 2018-12-27 | 2020-07-02 | 주식회사 에이티앤에스그룹 | 공기질에 따른 유통 및 프로모션 관리시스템 및 방법 |
| CN110261547A (zh) * | 2019-07-04 | 2019-09-20 | 北京思路创新科技有限公司 | 一种空气质量预报方法和设备 |
| CN111239857A (zh) * | 2020-02-18 | 2020-06-05 | 潘新民 | 一种特殊地形强风预报方法 |
| CN111666646A (zh) * | 2020-05-25 | 2020-09-15 | 上海市环境监测中心(上海长三角区域空气质量预测预报中心) | 基于复杂网络的大气污染传输关键节点的识别方法及系统 |
Non-Patent Citations (13)
| Title |
|---|
| 任万辉;苏枞枞;赵宏德;: "城市环境空气污染预报研究进展", 环境保护科学, no. 03 * |
| 何金梅;刘抗;王玉红;张培燕;: "CUACE模式在兰州城市空气质量预报中的检验订正", 干旱气象, no. 03, 15 June 2017 (2017-06-15) * |
| 冯琨;孙莉;: "山西省重污染天气监测预报预警系统设计", 当代化工研究, no. 06, 15 June 2016 (2016-06-15) * |
| 姚文强: "基于数值预报的空气质量预测模型的研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》, no. 7, pages 2 * |
| 安俊岭;陈勇;屈玉;陈琦;庄炳亮;张平文;吴其重;徐勤武;曹乐;姜海梅;陈学舜;郑捷;: "全耦合空气质量预报模式系统", 地球科学进展, no. 05, 10 May 2018 (2018-05-10) * |
| 张天航;迟茜元;张碧辉;张恒德;江琪;王继康;饶晓琴;谢超;吕梦瑶;安林昌;南洋;: "全国网格化多模式集成空气质量预报的初步建立", 气象, no. 03, 21 March 2020 (2020-03-21) * |
| 朱晏民;徐爱兰;孙强;: "基于深度学习的空气质量预报方法新进展", 中国环境监测, no. 03 * |
| 潘锦秀;晏平仲;孙峰;李云婷;刘保献;王占山;董瑞;: "多元线性回归方法对北京地区PM_(2.5)预报的改进应用", 中国环境监测, no. 02, 9 April 2019 (2019-04-09) * |
| 王自发等: "北京空气质量多模式集成预报系统的建立及初步应用", 《南京信息工程大学学报(自然科学版)》, vol. 1, no. 1, pages 19 - 26 * |
| 芦华等: "基于机器学习的成渝地区空气质量数值预报PM2.5订正方法研究", 《环境科学学报》, vol. 40, no. 12 * |
| 蒋争明;徐迅宇;陈吟晖;彭海辉;陈焕盛;黄晓波;黄向锋;麦健华;: "空气质量多模式预报系统在中山市的应用", 中国环境监测, no. 04, 30 July 2018 (2018-07-30) * |
| 马井会等: "深度学习方法在上海市PM2.5浓度预报中的应用", 《中国环境科学》, vol. 40, no. 2, pages 530 - 538 * |
| 黄丛吾;陈报章;马超群;王体健;: "基于极端随机树方法的WRF-CMAQ-MOS模型研究", 气象学报, no. 05, 15 October 2018 (2018-10-15) * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113610243B (zh) * | 2021-08-12 | 2023-10-13 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
| CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
| CN113888381B (zh) * | 2021-09-24 | 2023-08-29 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
| CN113888381A (zh) * | 2021-09-24 | 2022-01-04 | 中科三清科技有限公司 | 污染物浓度预报方法及装置 |
| CN113642223A (zh) * | 2021-10-13 | 2021-11-12 | 中科三清科技有限公司 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
| CN113642223B (zh) * | 2021-10-13 | 2022-05-06 | 中科三清科技有限公司 | 空气质量预报方法、装置、设备和计算机可读存储介质 |
| CN114563834B (zh) * | 2022-04-27 | 2022-07-26 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
| CN114563834A (zh) * | 2022-04-27 | 2022-05-31 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
| CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心（珠江三角洲环境气象预报预警中心） | 基于动态有监督机器学习的臭氧污染风险预报方法 |
| CN117174197B (zh) * | 2023-08-17 | 2024-02-13 | 广东省生态气象中心（珠江三角洲环境气象预报预警中心） | 基于动态有监督机器学习的臭氧污染风险预报方法 |
| CN117332906A (zh) * | 2023-12-01 | 2024-01-02 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
| CN117332906B (zh) * | 2023-12-01 | 2024-03-15 | 山东大学 | 基于机器学习的三维时空网格空气质量预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112836862B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112836862A (zh) | 一种基于机器学习算法的集合预报方法、系统及介质 | |
| 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 | |
| CN111461444B (zh) | 风电场的机组功率的预测方法、系统、介质及电子设备 | |
| CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
| CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
| CN114266200B (zh) | 二氧化氮浓度预测方法及系统 | |
| CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
| CN114841400A (zh) | 基于多任务时空图卷积的空气质量预测方法 | |
| CN115860286A (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
| CN115222251B (zh) | 一种基于混合分层强化学习的网约车调度方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
| CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
| CN116224473A (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
| Quang et al. | Applying Artificial Intelligence in Forecasting the Output of Industrial Solar Power Plant in Vietnam | |
| CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
| Wu et al. | Short-term electric load forecasting model based on PSO-BP | |
| CN114742298A (zh) | 一种风力发电用超短期功率预测方法 | |
| CN116384598A (zh) | 一种基于时序事件编码的风电过程预测方法及装置 | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
| CN115496128A (zh) | 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法 | |
| Hsu et al. | Short-term load forecasting by machine learning | |
| CN117271970A (zh) | 一种用于空气质量预报的订正方法 | |
| CN112149349A (zh) | 一种基于深层神经网络的台风路径预报方法 |
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 |