CN113125635B - 一种大气污染预警方法、装置及可读存储介质 - Google Patents
一种大气污染预警方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113125635B CN113125635B CN201911415162.0A CN201911415162A CN113125635B CN 113125635 B CN113125635 B CN 113125635B CN 201911415162 A CN201911415162 A CN 201911415162A CN 113125635 B CN113125635 B CN 113125635B
- Authority
- CN
- China
- Prior art keywords
- stations
- atmospheric pollution
- station
- data
- assessment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012911 target assessment Methods 0.000 claims abstract description 107
- 238000003915 air pollution Methods 0.000 claims abstract description 75
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000009286 beneficial effect 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
- 230000006870 function Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical class [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 229910052815 sulfur oxide Inorganic materials 0.000 description 1
Images
Classifications
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种大气污染预警方法、装置及可读存储介质，包括：获取N个考核站和M个监测站采集的大气污染数据和气象数据，考核站和监测站通称为站点；基于获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，所述关联网络用于表示所述站点之间的关联；将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于输入数据得到目标考核站的大气污染预测值，目标考核站为所述N个考核站中的考核站；基于目标考核站的大气污染预测值及大气污染真实值进行预警。由于建立了包括考核站和监测站的关联网络，可以利用目标考核站及其关联的站点的大气污染数据和气象数据预警，提高了现有的大气污染预警方法可靠性。
Description
技术领域
本发明实施例涉及环保领域，尤其涉及一种大气污染预警方法、装置及可读存储介质。
背景技术
随着经济的发展，环保问题愈发受到重视。一般来说，现有的大气污染预测通过计算气象因子、物理因子和历史数据得到，且采用直接预警方式，由于大气污染物的传播和扩散过程很复杂，导致基于预测的直接预警方式准确性较差。因此，现有大气污染预警方法可靠性较差。
发明内容
本发明实施例的目的在于提供一种大气污染预警方法、装置及可读存储介质，解决了现有大气污染预警方法可靠性较差的问题。
为了达到上述目的，本发明是这样实现的：
第一方面，本发明实施例提供一种大气污染预警方法，包括：
获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；
基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联；
将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站；
基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。
第二方面，本发明实施例提供一种大气污染预警装置，包括：
获取模块，用于获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；
关联模块，用于基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联；
预测模块，用于将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站点所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站；
预警模块，用于基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。
第三方面，本发明实施例提供一种大气污染预警装置，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的大气污染预警方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的大气污染预警方法中的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果：
在本发明实施例中，获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联；将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站；基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。由于建立了包括考核站和监测站的关联网络，可以利用目标考核站及其关联的站点的大气污染数据和气象数据预警，提高了现有的大气污染预警方法可靠性。
附图说明
图1为本发明实施例提供的一种大气污染预警方法的流程图；
图2为本发明实施例提供的另一种大气污染预警方法的流程图；
图3为本发明实施例提供的一种大气污染预测值与真实值比较图；
图4为本发明实施例提供的一种大气污染来源方向判断方法的示意图；
图5为本发明实施例提供的一种监测站与目标考核站的气象数据比较示意图；
图6为本发明实施例提供的一种大气污染预警装置的结构示意图；
图7为本发明实施例提供的另一种大气污染预警装置的结构示意图；
图8为本发明实施例提供的另一种大气污染预警装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，图1为本发明实施例提供的一种大气污染预警方法的流程图，如图1所示，包括以下步骤：
步骤101、获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点。
其中，所述考核站和所述监测站可以是人为设定的，且所述考核站和所述监测站均具备采集大气污染数据和气象数据的功能，相邻的所述考核站之间存在一定的距离，例如：5千米，相邻的所述监测站之间存在一定的距离，例如：500米。
其中，所述考核站和所述监测站均具备全球定位系统(Global PositioningSystem，GPS)功能。
其中，所述大气污染数据包括直径小于或等于2.5μm的颗粒物(ParticulateMatter，PM2.5)、硫氧化物、碳氧化物和氮氧化物，所述气象数据包括风力、风向、温度和湿度。
步骤102、基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联。
其中，基于所述获取的大气污染数据和所述气象数据中的至少一项指标，建立所述关联网络，例如：考核站1采集到PM2.5指标超标或其浓度升高，同时，考核站1方圆4千米内的采集到PM2.5指标超标或其浓度升高的监测站或考核站与考核站1建立关联。
其中，所述关联可以是考核站与监测站之间的关联，也可以是考核站与考核站之间的关联。
其中，所述关联网络为动态关联网络，例如：在上午九点到十点之间，存在污染源排放大气污染物，该污染物被考核站1和监测站1同时监测到，则考核站1与该监测站1在该时段有关联，利用这种方式建立动态关联网络。
步骤103、将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站。
其中，所述将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据可以是将目标考核站及利用网络聚类方法从所述关联网络得到与目标考核站同类站点的大气污染数据和气象数据作为输入数据。
其中，所述目标考核站的大气污染预测值可以是对该目标考核站的大气污染数据中的至少一项指标进行预测得到的值。
步骤104、基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。
其中，所述大气污染的预测值的预测时间在所述大气污染真实值的采集时间之前。
其中，所述预警方式可以是混合预警方式，可以根据所述目标考核站的大气污染预测值、大气污染真实值及预设的阈值来选取预警方式。
在本发明实施例中，获取N个考核站和M个监测站采集的大气污染数据和气象数据，基于所述获取的大气污染数据和气象数据，建立包括所述N个考核站和所述M个监测站的关联网络，将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。这样，由于建立了包括考核站和监测站的关联网络，可以利用目标考核站及其关联的站点的大气污染数据和气象数据预警，提高了现有的大气污染预警方法可靠性。
如图2所示，图2为本发明实施例提供的另一种大气污染预警方法的流程图，如图2所示，包括以下步骤：
步骤201、获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点。
步骤202、基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联。
可选的，所述基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，包括：
引入关联激活算法，且通过所述获取的大气污染数据中的至少一项指标建立所述关联网络。
其中，所述关联激活算法可以理解为将没有直接的关联关系的所述站点在特定时间段内建立间接的关联关系，例如：若上午九点到十点，由于地点A的污染源排放大气污染物PM2.5，且考核站1、考核站2、监测站1和监测站2均监测到PM2.5浓度升高，则考核站1、考核站2、监测站1和监测站2两两之间建立关联关系。
其中，所述关联激活算法也可以基于所述气象数据建立所述站点的关联网络。
该实施方式中，引入关联激活算法，且通过所述获取的大气污染数据中的至少一项指标建立所述关联网络，进一步提高了大气污染预警方法的精确度。
步骤203、将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站。
可选的，所述将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，包括：
引入网络聚类算法LFM，通过设置所述网络聚类算法LFM中的常量参数α的值将所述关联网络中的所述站点分成不同的类，且所述不同的类中至少包含一个所述考核站。
其中，通过设置所述网络聚类算法(Lancichinetti and Fortunato Method，简称LFM)中的常量参数α的值将所述关联网络中建立关联关系的站点划分为相同的类，例如：考核站1和考核站2之间因PM2.5存在关联关系，考核站1和监测站1之间因PM2.5存在关联关系，则考核站1、考核站2和监测站1在同一类。
其中，同一类中可以有多个考核站，所述目标考核站可以是同一类中的考核站中的一个，在同一类中，若所述目标考核站选定，则所述同一类中的其他站点可以称为监测站。
其中，所述常量参数α的取值范围为0.8≤α≤1.5。
该实施方式中，引入网络聚类算法LFM，通过设置所述网络聚类算法LFM中的常量参数α的值将所述关联网络中的所述站点分成不同的类，为大气污染预测提供基础，进一步提高了大气污染预警方法的精确度。
可选的，所述基于所述输入数据得到所述目标考核站的大气污染预测值，包括：
所述目标考核站的大气污染预测采用长短期记忆网络算法(Long Short TermMemory，简称LSTM)，通过设置所述长短期记忆网络算法LSTM中的时间步、细胞单元数量以及所述输入数据的数量进行大气污染预测。
其中，所述时间步的取值范围为大于等于1且小于等于24，所述时间步可以理解为将24小时均分为24个时间段。
其中，所述细胞单元数量的取值范围为大于等于5且小于等于100，所述细胞单元数量可以理解为所述长短期记忆网络算法LSTM进行运算的基本单元数量。
其中，所述输入数据的数量的取值范围为大于等24且小于等于144，所述输入数据的数量可以理解为一次导入所述长短期记忆网络算法LSTM的所述输入数据的数量，若所述输入数据的数量过多，可以分批次进行导入。
另外，所述大气污染预警方法采用所述关联激活算法建立所述站点的关联网络、运用网络聚类算法LFM将所述站点分类和整合所述目标考核站及其所在类的站点的大气污染数据与气象数据，采用长短期记忆网络算法LSTM，建立深度学习预测模型，可以使得预测精准度达到85％以上，如图3所示，图中黑色实线为目标考核站的PM2.5真实值，灰色色虚线为考核站的PM2.5的预测值，倒置黑色三角形为报警点，所报警点也可以理解为预警点，横坐标为时间刻度，纵坐标为PM2.5值的刻度。
该实施方式中，所述目标考核站的大气污染预测采用长短期记忆网络算法LSTM、设置所述长短期记忆网络算法LSTM中的时间步、细胞单元数量以及所述输入数据的数量进行大气污染预测，进一步提高了大气污染预警方法的精确度。
步骤204、基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。
可选的，所述基于所述目标考核站的大气污染预测值及大气污染真实值进行预警，包括：
若所述大气污染预测值大于阈值一，则采用第一预警方式；
若所述大气污染真实值大于所述阈值二，且所述大气污染真实值与所述大气污染预测值的差值大于阈值三，且所述差值与所述大气污染真实值的比值大于阈值四，则采用第二预警方式。
其中，所述阈值一可以是所述大气污染数据中的指标的值，例如：PM2.5的值为80微克/立方米。
其中，所述阈值二可以是大气污染数据和气象数据中的指标的值，例如：PM2.5的值为60微克/立方米或风力的值为17米/秒。
其中，所述阈值三是大气污染数据中的指标的真实值与预测值的差值，例如：所述阈值三可以是PM2.5的真实值与预测值的差值的取值范围为大于等于5微克/立方米且小于等于30微克/立方米。
其中，所述阈值四为百分数，其取值范围为大于等于1％小于等于25％。
其中，采用第二预警方式可以理解为气象数据中的大气污染物的指标的浓度呈上升趋势，且所述上升趋势可以使得所述大气污染物的指标的浓度在下一时间步时超过所述阈值一，例如：上午九点，所述目标考核站对上午十点的所述目标考核站所在区域的PM2.5进行预测，若PM2.5未超标，但PM2.5呈上升趋势，且在上午十点时，PM2.5真实值指标超标，则采用第二预警方式。
该实施方式中，若所述大气污染预测值大于阈值一，则采用第一预警方式；若所述大气污染真实值大于所述阈值二，且所述大气污染真实值与所述大气污染预测值的差值大于阈值三，且所述差值与所述大气污染真实值的比值大于阈值四，则采用第二预警方式。这样，采用混合预警方式，且所述第二预警方式为动态预警，进一步提高了所述大气污染预警方法的精准度。
步骤205、基于所述目标考核站及其同类的站点的大气污染数据和气象数据得到与所述目标考核站同类的站点对所述目标考核站的影响力指数，且根据所述影响力指数，判断污染源方向。
其中，所述影响力指数可以是根据风力、风向及PM2.5的时空梯度合成的指数，用于量化所述目标考核站所在类的站点对所述目标考核站的大气污染物变化的影响。
其中，所述根据所述影响力指数，判断污染源方向可以是，取所述目标考核站周围k千米(k的取值范围：0≤k≤5)内所有的监测站，取影响力指数排在前n(n的取值范围为1≤n≤6)的微站，取n个多边形的重心或加权中心作为参考点，该参考点所在方向，判断为考核站的污染物来源方向，如图4所示。
另外，也可以直接通过所述目标考核站所在类的监测站对所述目标考核站的影响力指数来判断污染源方向，如图5所示，其中，监测站1对目标考核站1的影响力指数大于其它除目标考核站1以外的在同一类的监测站(图中未示)，因此可判断监测站1所在方向是目标考核站1的污染来源方向。
另外，所述目标考核站所在类的站点对所述目标考核站的影响力指数来判断污染源方向可以在地图上进行显示，可以精准定位污染源的位置和名称。例如：在地图上显示污染源为电厂，且显示所述电厂的具体名称。
该实施方式中，基于所述目标考核站及其同类的站点的大气污染数据和气象数据得到所述目标考核站所在类的站点对所述目标考核站的影响力指数，且根据所述影响力指数，判断污染源方向。这样，可以通过所述目标考核站所在类的站点对所述目标考核站的影响力指数确定污染物来源方向，进一步提高了大气污染预警方法的精准度。
在本实施例中，在图1所示的实施例的基础上增加了多种可选的实施方式，且均可以进一步提高大气污染预警方法的精准度。
如图6所示，图6为本发明实施例提供的一种大气污染预警装置的结构示意图，如图6所示，大气污染预警装置600包括：
获取模块601，用于获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；
关联模块602，用于基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述目标考核站所在的类由所述关联网络得到，所述关联网络用于表示所述站点之间的关联；
预测模块603，用于将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站为所述N个考核站中的考核站；
预警模块604，用于基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。
可选的，所述关联模块602引入关联激活算法，且通过所述获取的大气污染数据中的至少一项指标建立所述关联网络。
可选的，所述预测模块603引入网络聚类算法LFM，通过设置所述网络聚类算法LFM中的常量参数α的值将所述关联网络中的所述站点分成不同的类，且所述不同的类中至少包含一个所述考核站。
可选的，所述预测模块603对所述目标考核站的大气污染预测采用长短期记忆网络算法LSTM，通过设置所述长短期记忆网络算法LSTM中的时间步、细胞单元数量以及所述输入数据的数量进行大气污染预测。
可选的，若所述大气污染预测值大于阈值一，则采用所述预警模块604的第一预警方式；
若所述大气污染真实值大于所述阈值二，且所述大气污染真实值与所述大气污染预测值的差值大于阈值三，且所述差值与所述大气污染真实值的比值大于阈值四，则采用所述预警模块604的第二预警方式。
可选的，如图7所示，所述大气污染预警装置还包括：
溯源模块605，用于基于所述目标考核站及其同类的站点的大气污染数据和气象数据得到与所述目标考核站同类的站点对所述目标考核站的影响力指数，且根据所述影响力指数，判断污染源方向。
本发明实施例提供的大气污染预警装置能够实现图1和图2的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
如图8所示，图8为本发明实施例提供的另一种大气污染预警装置的结构示意图，如图8所示，大气污染预警装置800包括：
处理器801、存储器802及存储在所述存储器802上并可在所述处理器上运行的计算机程序。
其中，所述计算机程序被所述处理801执行时实现如下步骤：
获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；
基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联；
将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站；
基于所述目标考核站的大气污染预测值及大气污染真实值进行预警。
可选的，所述处理器801执行的所述基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，包括：
引入关联激活算法，且通过所述获取的大气污染数据中的至少一项指标建立所述关联网络。
可选的，所述处理器801执行的所述将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，包括：
引入网络聚类算法LFM，通过设置所述网络聚类算法LFM中的常量参数α的值将所述关联网络中的所述站点分成不同的类，且所述不同的类中至少包含一个所述考核站。
可选的，所述基于所述输入数据得到所述目标考核站的大气污染预测值，包括：
所述目标考核站的大气污染预测采用长短期记忆网络算法LSTM，通过设置所述长短期记忆网络算法LSTM中的时间步、细胞单元数量以及所述输入数据的数量进行大气污染预测。
可选的，所述处理器801执行的所述基于所述目标考核站的大气污染预测值及大气污染真实值进行预警，包括：
若所述大气污染预测值大于阈值一，则采用第一预警方式；
若所述大气污染真实值大于所述阈值二，且所述大气污染真实值与所述大气污染预测值的差值大于阈值三，且所述差值与所述大气污染真实值的比值大于阈值四，则采用第二预警方式。
可选的，所述基于所述目标考核站的大气污染预测值及大气污染真实值进行预警之后，所述处理器801还用于：
基于所述目标考核站及其同类的站点的大气污染数据和气象数据得到与所述目标考核站同类的站点对所述目标考核站的影响力指数，且根据所述影响力指数，判断污染源方向。
本发明实施例提供的大气污染预警装置能够实现图1和图2的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现所述大气污染预警方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，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，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。
所述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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
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，包括若干指令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、只读存储记忆体(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种大气污染预警方法，其特征在于，包括：
获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；
基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联；
将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站点所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站；
基于所述目标考核站的大气污染预测值及大气污染真实值进行预警，引入网络聚类算法LFM，通过设置所述网络聚类算法LFM中的常量参数α的值将所述关联网络中的所述站点分成不同的类，且所述不同的类中至少包含一个所述考核站。
2.如权利要求1所述的大气污染预警方法，其特征在于，所述基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，包括：
引入关联激活算法，且通过所述获取的大气污染数据中的至少一项指标建立所述关联网络，所述关联激活算法用于在所述站点间建立关联关系。
3.如权利要求1所述的大气污染预警方法，其特征在于，所述基于所述输入数据得到所述目标考核站的大气污染预测值，包括：
所述目标考核站的大气污染预测采用长短期记忆网络算法LSTM，通过设置所述长短期记忆网络算法LSTM中的时间步、细胞单元数量以及所述输入数据的数量进行大气污染预测。
4.如权利要求1所述的大气污染预警方法，其特征在于，所述基于所述目标考核站的大气污染预测值及大气污染真实值进行预警，包括：
若所述大气污染预测值大于阈值一，则采用第一预警方式；
若所述大气污染真实值大于所述阈值二，且所述大气污染真实值与所述大气污染预测值的差值大于阈值三，且所述差值与所述大气污染真实值的比值大于阈值四，则采用第二预警方式。
5.如权利要求1所述的大气污染预警方法，其特征在于，所述基于所述目标考核站的大气污染预测值及大气污染真实值进行预警之后，所述方法还包括：
基于所述目标考核站及其同类的站点的大气污染数据和气象数据得到与所述目标考核站同类的站点对所述目标考核站的影响力指数，且根据所述影响力指数，判断污染源方向。
6.一种大气污染预警装置，其特征在于，包括：
获取模块，用于获取N个考核站和M个监测站采集的大气污染数据和气象数据，其中，所述N为大于或者等于1的整数，所述M为大于1的整数，所述考核站和所述监测站通称为站点；
关联模块，用于基于所述获取的大气污染数据和气象数据，建立包括N个考核站和M个监测站的关联网络，其中，所述关联网络用于表示所述站点之间的关联；
预测模块，用于将目标考核站及其所在类的站点的大气污染数据和气象数据作为输入数据，基于所述输入数据得到所述目标考核站的大气污染预测值，其中，所述目标考核站所在的类由所述关联网络得到，所述目标考核站为所述N个考核站中的考核站；
预警模块，用于基于所述目标考核站的大气污染预测值及大气污染真实值进行预警，引入网络聚类算法LFM，通过设置所述网络聚类算法LFM中的常量参数α的值将所述关联网络中的所述站点分成不同的类，且所述不同的类中至少包含一个所述考核站。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
溯源模块，用于基于所述目标考核站及其同类的站点的大气污染数据和气象数据得到与所述目标考核站同类的站点对所述目标考核站的影响力指数，且根据所述影响力指数，判断污染源方向。
8.一种大气污染预警装置，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的大气污染预警方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的大气污染预警方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911415162.0A CN113125635B (zh) | 2019-12-31 | 2019-12-31 | 一种大气污染预警方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911415162.0A CN113125635B (zh) | 2019-12-31 | 2019-12-31 | 一种大气污染预警方法、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113125635A CN113125635A (zh) | 2021-07-16 |
| CN113125635B true CN113125635B (zh) | 2023-04-28 |
Family
ID=76770486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911415162.0A Active CN113125635B (zh) | 2019-12-31 | 2019-12-31 | 一种大气污染预警方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113125635B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295589B (zh) * | 2021-07-28 | 2021-11-02 | 西安多普多信息科技有限公司 | 一种扬尘监测方法、装置和系统 |
| CN113777223B (zh) * | 2021-08-12 | 2024-04-30 | 北京金水永利科技有限公司 | 一种大气污染物溯源方法及系统 |
| CN114280239B (zh) * | 2021-12-22 | 2023-06-16 | 中科三清科技有限公司 | 确定城市空气情况的方法、装置、电子设备及介质 |
| CN115561408B (zh) * | 2022-11-17 | 2023-04-28 | 河北先河环保科技股份有限公司 | 空气污染预警方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11195125B2 (en) * | 2016-04-27 | 2021-12-07 | International Business Machines Corporation | Pollution prediction |
| CN107943928B (zh) * | 2017-11-21 | 2018-10-30 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
| CN109685246B (zh) * | 2018-11-13 | 2024-04-23 | 平安科技（深圳）有限公司 | 环境数据预估方法、装置及存储介质、服务器 |
| CN110263479B (zh) * | 2019-06-28 | 2022-12-27 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
| CN110361505B (zh) * | 2019-07-25 | 2021-06-22 | 中南大学 | 一种车外大气污染环境下列车乘员健康预警系统的方法 |
-
2019
- 2019-12-31 CN CN201911415162.0A patent/CN113125635B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113125635A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113125635B (zh) | 一种大气污染预警方法、装置及可读存储介质 | |
| Xie et al. | Use of real-world connected vehicle data in identifying high-risk locations based on a new surrogate safety measure | |
| US9113298B2 (en) | Geofence with kalman filter | |
| CN110567510A (zh) | 大气污染监测方法、系统、计算机设备和存储介质 | |
| CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
| CN110687255A (zh) | 一种空气污染物的溯源方法、装置、设备和存储介质 | |
| CN110426493B (zh) | 空气质量监测数据校准方法、装置、设备和存储介质 | |
| CN107409146B (zh) | 传感器数据可视化装置和方法 | |
| CN113360850B (zh) | 一种大气污染物线源溯源分析方法 | |
| CN111753426B (zh) | 颗粒物污染的源解析方法和装置 | |
| CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
| CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
| KR101607878B1 (ko) | 가상센서와 관측센서를 통합한 대기질 정보 서비스 시스템 및 방법 | |
| CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN116048129A (zh) | 污染物排放的监测方法、装置、电子设备和存储介质 | |
| US20200117840A1 (en) | Injection of simulated sources in a system of networked sensors | |
| CN109856321A (zh) | 异常高值点位的确定方法 | |
| CN109978026A (zh) | 一种基于lstm网络的电梯位置检测方法及系统 | |
| CN106161553A (zh) | 社区应用信息推送方法和系统 | |
| CN112182132A (zh) | 一种地铁用户的识别方法、系统、设备和存储介质 | |
| CN116342107A (zh) | 一种轨道检测的方法、装置、电子设备及介质 | |
| CN114414446B (zh) | 基于卫星遥感的近地面颗粒物浓度估算方法、装置和设备 | |
| CN116067436A (zh) | 一种环境监测系统及监测方法 | |
| CN112257354B (zh) | 一种动态风场条件下的空气污染源逆向定位方法 | |
| Liu et al. | How much information is lost when sampling driving behavior data? Indicators to quantify the extent of information loss |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230608 Address after: 630, 6th Floor, Building 3, Yard 2, Qingheying East Road, Chaoyang District, Beijing, 100012 Patentee after: Beijing Xingyang Huasheng Environmental Technology Co.,Ltd. Address before: 100011 405-012, block a, 4th floor, 138 andingmenwai street, Dongcheng District, Beijing Patentee before: BEIJING WAMING HUAQING ENVIRONMENTAL PROTECTION TECHNOLOGY Co.,Ltd. |