CN113139673A - 一种预测空气质量的方法、装置、终端及存储介质 - Google Patents
一种预测空气质量的方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113139673A CN113139673A CN202011217917.9A CN202011217917A CN113139673A CN 113139673 A CN113139673 A CN 113139673A CN 202011217917 A CN202011217917 A CN 202011217917A CN 113139673 A CN113139673 A CN 113139673A
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- seasonal
- time period
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000001932 seasonal effect Effects 0.000 claims abstract description 144
- 238000004458 analytical method Methods 0.000 claims description 47
- 238000012795 verification Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 86
- 238000010586 diagram Methods 0.000 description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 8
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005291 chaos (dynamical) Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 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 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于计算机技术领域，提供了一种预测空气质量的方法、装置、终端及存储介质，包括：基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；获取历史空气质量数据；基于所述历史空气质量数据确定与所述目标时间段对应的季节因子；基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。上述方式，通过历史空气质量数据确定的与所要预测的目标时间段相对应的季节因子，并基于该季节因子对初始预测结果进行修正，考虑到了季节因素对空气质量数据的影响，使预测得到的目标时间段的空气质量数据对应的最终预测结果更准确。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种预测空气质量的方法、预测空气质量的装置、预测空气质量的终端及存储介质。
背景技术
近年来，随着经济快速发展，我国工业化、城镇化进程加快，大气污染难以避免，空气质量问题日益突出，尤其是可吸入颗粒物(fine particulate matter，简称PM2.5)严重影响人们的身体健康。因此，空气质量的精准预测对人们的生活、生产极为重要。
现有的PM2.5浓度预测方法主要为线性回归、非参数回归、神经网络、支持向量机、神经模糊推理系统、混沌理论、小波分析等方法。由于PM2.5浓度与季节的变化存在强相关性，而现有技术中采用的这些预测方法均未考虑到季节变化对PM2.5浓度的影响，导致预测出的PM2.5数据不准确。
发明内容
有鉴于此，本申请实施例提供了一种预测空气质量的方法、预测空气质量的装置、预测空气质量的终端及存储介质，以解决现有技术中采用的空气质量数据预测方法未考虑到季节变化影响，导致预测出的空气质量数据不准确的问题。
本申请实施例的第一方面提供了一种预测空气质量的方法，包括：
基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；
获取历史空气质量数据；
基于所述历史空气质量数据确定与所述目标时间段对应的季节因子；
基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。
本申请实施例，终端基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；基于获取到的历史空气质量数据确定与所该目标时间段对应的季节因子；基于该季节因子对初始预测结果进行修正，得到目标时间段的空气质量数据对应的最终预测结果。由于是通过历史空气质量数据确定的与所要预测的目标时间段相对应的季节因子，并基于该季节因子对初始预测结果进行修正，考虑到了季节因素对空气质量数据的影响，使预测得到的目标时间段的空气质量数据对应的最终预测结果更准确。
可选地，所述基于所述历史空气质量数据确定与所述目标时间段对应的季节因子，包括：
对所述历史空气质量数据进行预处理，得到第一数据；
获取所述第一数据中的第一季节特征数据，所述第一季节特征数据用于表征所述历史空气质量数据中与季节强相关的空气质量数据；
在所述第一季节特征数据中获取第二数据，并基于所述第二数据确定所述季节因子；所述第二数据为所述第一季节特征数据中与所述目标时间段对应的历史同时期的数据。
上述方式中，基于目标时间段对应的历史同时期的数据确定季节因子，这样得到的季节因子与目标时间段的空气质量数据更匹配，采用该季节因子对目标时间段的空气质量数据对应的初始预测结果修正时，可使修正后的最终预测结果更准确。
可选地，所述对所述历史空气质量数据进行预处理，得到第一数据，包括：
对所述历史空气质量数据进行插值处理，得到插值数据；
对所述插值数据进行去噪处理，得到所述第一数据。
可选地，所述获取所述第一数据中的第一季节特征数据，包括：
将所述第一数据划分为多个单元组数据；
确定每个单元组数据对应的属性值；所述属性值包括方差；
获取属性值大于预设阈值的单元组数据作为所述第一季节特征数据。
可选地，所述基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果之前，所述方法还包括：
获取所述第一数据中的第二季节特征数据，所述第二季节特征数据用于表征所述历史空气质量数据中与季节弱相关的空气质量数据；
将所述第二季节特征数据转换为平稳非白噪声数据；
基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数；
基于所述参数以及预设函数构建所述空气质量预测模型。
上述方式中，在历史空气质量数据中选取与季节弱相关的空气质量数据作为第二季节特征数据，基于第二季节特征数据确定构建空气质量预测模型所需的参数，进而构建空气质量预测模型。相当于构建该空气质量预测模型时剔除了与季节强相关的空气质量数据，这样可使构建得到的空气质量预测模型预测的初始预测结果，更加拟合平时的空气质量数据特征，进而后续再通过季节因子对初始预测结果进行修正时，不会有其他干扰因素，使最终预测结果更准确；且通过空气质量预测模型对空气质量数据进行预测，提升了预测效率。
可选地，所述基于所述参数以及预设函数构建所述空气质量预测模型之后，所述方法还包括：
获取验证数据集；
基于所述验证数据集对所述空气质量预测模型进行验证，并根据验证结果调整所述空气质量预测模型的参数。
可选地，所述基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数，包括：
对所述平稳非白噪声数据进行自相关分析，得到第一分析结果；
对所述平稳非白噪声数据进行偏自相关分析，得到第二分析结果；
基于所述第一分析结果以及所述第二分析结果确定所述参数。
本申请实施例的第二方面提供了一种预测空气质量的装置，包括：
预测单元，用于基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；
获取单元，用于获取历史空气质量数据；
确定单元，用于基于所述历史空气质量数据确定与所述目标时间段对应的季节因子；
修正单元，用于基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。
可选地，所述确定单元包括：
处理单元，用于对所述历史空气质量数据进行预处理，得到第一数据；
第一季节特征数据获取单元，用于获取所述第一数据中的第一季节特征数据，所述第一季节特征数据用于表征所述历史空气质量数据中与季节强相关的空气质量数据；
第二数据获取单元，用于在所述第一季节特征数据中获取第二数据，并基于所述第二数据确定所述季节因子；所述第二数据为所述第一季节特征数据中与所述目标时间段对应的历史同时期的数据。
可选地，所述第一季节特征数据获取单元具体用于：
对所述历史空气质量数据进行插值处理，得到插值数据；
对所述插值数据进行去噪处理，得到所述第一数据。
可选地，所述第二数据获取单元具体用于：
将所述第一数据划分为多个单元组数据；
确定每个单元组数据对应的属性值；所述属性值包括方差；
获取属性值大于预设阈值的单元组数据作为所述第一季节特征数据。
可选地，所述装置还包括：
第二季节特征数据获取单元，用于获取所述第一数据中的第二季节特征数据，所述第二季节特征数据用于表征所述历史空气质量数据中与季节弱相关的空气质量数据；
转换单元，用于将所述第二季节特征数据转换为平稳非白噪声数据；
参数确定单元，用于基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数；
构建单元，用于基于所述参数以及预设函数构建所述空气质量预测模型。
可选地，所述装置还包括：
第一验证单元，用于获取验证数据集；
第二验证单元，用于基于所述验证数据集对所述空气质量预测模型进行验证，并根据验证结果调整所述空气质量预测模型的参数。
可选地，所述参数确定单元具体用于：
对所述平稳非白噪声数据进行自相关分析，得到第一分析结果；
对所述平稳非白噪声数据进行偏自相关分析，得到第二分析结果；
基于所述第一分析结果以及所述第二分析结果确定所述参数。
本申请实施例的第三方面提供了一种预测空气质量的终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的预测空气质量的方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的预测空气质量的方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在预测空气质量的终端上运行时，使得预测空气质量的终端执行上述第一方面所述的预测空气质量的方法的步骤。
本申请实施例提供的一种预测空气质量的方法、预测空气质量的装置、预测空气质量的终端及存储介质，具有以下有益效果：
本申请实施例，终端基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；基于获取到的历史空气质量数据确定与所该目标时间段对应的季节因子；基于该季节因子对初始预测结果进行修正，得到目标时间段的空气质量数据对应的最终预测结果。由于是通过历史空气质量数据确定的与所要预测的目标时间段相对应的季节因子，并基于该季节因子对初始预测结果进行修正，考虑到了季节因素对空气质量数据的影响，使预测得到的目标时间段的空气质量数据对应的最终预测结果更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种预测空气质量的方法的实现流程图；
图2是本申请另一实施例提供的一种预测空气质量的方法的实现流程图；
图3为本申请提供的历史空气质量数据示意图；
图4为本申请提供的对比图；
图5为本申请提供的自相关图以及偏自相关图；
图6为本申请提供的模型验证图；
图7是本申请一实施例提供的一种预测空气质量的装置的示意图；
图8是本申请另一实施例提供的一种预测空气质量的终端的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
现有技术中，通过线性回归、非参数回归、神经网络、支持向量机、神经模糊推理系统、混沌理论、小波分析等方法对空气质量数据进行预测。由于大多数空气质量数据与季节的变化存在强相关性，而现有技术中采用的这些预测方法均未考虑到季节变化对空气质量数据的影响，导致预测出的空气质量数据不准确。
有鉴于此，本申请提供了一种预测空气质量的方法，该方法中，终端基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；基于获取到的历史空气质量数据确定与所该目标时间段对应的季节因子；基于该季节因子对初始预测结果进行修正，得到目标时间段的空气质量数据对应的最终预测结果。由于是通过历史空气质量数据确定的与所要预测的目标时间段相对应的季节因子，并基于该季节因子对初始预测结果进行修正，考虑到了季节因素对空气质量数据的影响，使预测得到的目标时间段的空气质量数据对应的最终预测结果更准确。
请参见图1，图1是本申请实施例提供的一种预测空气质量的方法的示意流程图。本实施例中预测空气质量的方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assistant，PDA)等移动终端，还可以包括台式电脑、服务器等终端。如图1所示的预测空气质量的方法可包括S101～S104，具体如下：
S101：基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果。
该空气质量预测模型是基于历史空气质量数据构建得到的，用于对目标时间段的空气质量数据进行预测。目标时间段为想要预测空气质量数据的时间段，可以为大概的日期范围，也可以具体到时间点。例如，目标时间段可以为2020年10月1日至2020年12月1日、2021年3月1日至2021年3月21日、2020年10月1日早上9点至下午6点，此处仅为示例性说明，对此不做限定。
空气质量数据可以包括二氧化硫浓度数据、二氧化氮浓度数据、可吸入颗粒物(fine particulate matter，简称PM2.5)浓度数据等，本实施例中PM2.5浓度数据为例进行说明。
在本实施例中，终端中预先存储有预先构建好的空气质量预测模型。该空气质量预测模型是基于历史空气质量数据构建得到的。预设的空气质量预测模型可以为预先构建好的差分整合移动平均自回归(Autoregressive Integrated Moving Average model，ARIMA)模型。
示例性地，通过预设的ARIMA模型对目标时间段的PM2.5浓度数据进行预测，得到对应的初始预测结果。例如，将需要预测的目标时间段输入预设的ARIMA模型中进行预测处理，该ARIMA模型输出对应的初始预测结果。
S102：获取历史空气质量数据。
历史空气质量数据指当前时间之前的任意时间段、任意城市的空气质量数据。例如，历史空气质量数据可以包括往年任意时间段的PM2.5浓度数据、往年任意时间段的二氧化硫浓度数据、当前时间之前的PM2.5浓度数据等。
终端可以在网络中获取历史空气质量数据，例如在PM2.5历史数据库中获取任意时间段、任意城市的PM2.5浓度数据；也可以在本地数据库中获取历史空气质量数据，例如，本地数据库中预先存储有多个城市、多个时间段对应的历史空气质量数据，终端可根据想要预测的目标城市以及目标时间段，有选择的在本地数据库中选取历史空气质量数据；还可以由用户提前收集好上传至本终端，此处仅为示例性说明，对此不做限定。
示例性地，若想预测西安2021年3月1日至2021年3月21日的PM2.5浓度数据，获取的历史空气质量数据可以为西安城市2018年至2019年这两年所有的PM2.5浓度数据。
S103：基于所述历史空气质量数据确定与所述目标时间段对应的季节因子。
季节因子用于修正目标时间段的空气质量数据对应的初始预测结果。为了使目标时间段空气质量数据对应的最终预测结果更准确，对于不同的目标时间段、不同的城市，可确定不同的季节因子。
示例性地，根据需要预测的城市先获取到该城市的历史空气质量数据，在该历史空气质量数据中选取与目标时间段对应的历史同时期的空气质量数据，基于选取的历史同时期数据确定目标时间段对应的季节因子。
可选地，在一种可能的实现方式中，也可以是根据需要预测的城市先获取到该城市的历史空气质量数据，对该历史空气质量数据进行预处理，得到第一数据；获取第一数据中的第一季节特征数据；在第一季节特征数据中获取第二数据，并基于第二数据确定目标时间段对应的季节因子。
上述方式中，基于目标时间段对应的历史同时期的数据确定季节因子，这样得到的季节因子与目标时间段的空气质量数据更匹配，采用该季节因子对目标时间段的空气质量数据对应的初始预测结果修正时，可使修正后的最终预测结果更准确。
可选地，在一种可能的实现方式中，上述S103可包括S1031～S1033，具体如下：
S1031：对所述历史空气质量数据进行预处理，得到第一数据。
预处理可以包括插值处理和去噪处理。根据需要预测的城市获取到该城市的历史空气质量数据后，对该历史空气质量数据进行预处理，经过预处理后得到的数据即为第一数据。
历史空气质量数据中可能会存在空值，空值是指某个时间段没有记录到空气质量数据，插值处理用于填补历史空气质量数据中的空值。历史空气质量数据中还可能会存在非正常数据，例如数值过大、过小、负数等，去噪处理用于去除这些非正常数据。
示例性地，可先对历史空气质量数据进行插值处理，填补历史空气质量数据中的空值，在对插值处理后的历史空气质量数据进行去噪处理，去除非正常数据后得到第一数据。
S1032：获取所述第一数据中的第一季节特征数据，所述第一季节特征数据用于表征所述历史空气质量数据中与季节强相关的空气质量数据。
第一季节特征数据用于表征历史空气质量数据中与季节强相关的空气质量数据，可以理解为第一季节特征数据是受季节因素影响波动较大的空气质量数据。示例性地，可将第一数据中的单元组数据对应的属性值大于预设阈值的数据作为第一季节特征数据，即第一数据中的单元组数据对应的属性值大于预设阈值的数据就是与季节强相关的空气质量数据。具体地，可先将第一数据划分为多个单元组数据，确定每个单元组数据对应的属性值，将属性值大于预设阈值的单元组数据记为第一季节特征数据。其中，属性值可以包括方差、均值、最大值、最小值等。
S1033：在所述第一季节特征数据中获取第二数据，并基于所述第二数据确定所述季节因子；所述第二数据为所述第一季节特征数据中与所述目标时间段对应的历史同时期的数据。
第一季节特征数据由多个符合要求(属性值大于预设阈值的单元组数据)的单元组数据组成，获取这些单元组数据对应的时间段，并根据时间进行排序。根据排序结果，在这些单元组数据中选取第二数据，即与目标时间段对应的历史同时期的空气质量数据。例如，目标时间段为2020年10月1日至2020年12月1日，最初获取的历史空气质量数据为2018年至2019年所有时间段的空气质量数据，与目标时间段对应的历史同时期数据即为2018年10月1日至2018年12月1日的空气质量数据和/或2019年10月1日至2019年12月1日的空气质量数据。
基于获取到的第二数据确定与该目标时间段对应的季节因子。示例性地，可通过下述公式计算季节因子，公式如下：
其中，τt表示季节因子，μZ表示不同年份对应的第二数据的均值，t表示每个单元组数据中的空气质量数据对应的时间间隔。
可选地，在一种可能的实现方式中，上述S1031可包括S10311～S10312，具体如下：
S10311：对所述历史空气质量数据进行插值处理，得到插值数据。
获取历史空气质量数据中的空值，对空值进行插值处理，得到的数据为插值数据。示例性地，可通过计算机程序设计语言(Python)对历史空气质量数据进行筛选，获取到历史空气质量数据中的空值。可通过拉格朗日插值法、牛顿插值法、K最近邻(K-NearestNeighbor，KNN)分类算法等任一方法对筛选出的空值进行插值处理，得到插值数据。
本实施例中以牛顿插值法为例进行说明。牛顿插值法用到的插值函数如下：
Nn(x)＝Nn-1(x)+f[x0,x1,...,xn](x-x0)...(x-xn-1)
上述插值函数中，Nn(x)表示空值，即需要被填补的第n个历史空气质量数据，Nn-1(x)表示与Nn(x)相邻的前一个历史空气质量数据。
将各个历史空气质量数据对应代入上述插值函数中，可实现对该空值的插值处理。
S10312：对所述插值数据进行去噪处理，得到所述第一数据。
对进行插值处理后得到的插值数据进行去噪处理，得到的数据为第一数据。可预先设置历史空气质量数据所属的正常数据范围，将超出该正常数据范围的历史空气质量数据都剔除；也可预先设置一个阈值，将大于该阈值的历史空气质量数据剔除。考虑到历史空气质量数据会受到季节影响，可将正常数据范围设置宽泛一些，或将阈值设置大一些，以保留更多的第一特征数据，进而保证后续确定的季节因子更准确。
示例性地，比较每个历史空气质量数据是否在正常数据范围内，若在则保留，若超出正常数据范围则剔除。或者，比较每个历史空气质量数据是否大于预设的阈值，若小于或等于预设的阈值则保留，若大于预设的阈值则剔除。所有保留下来的历史空气质量数据组成第一数据。可选地，也可通过k均值聚类算法(k-means clustering algorithm)对插值数据进行去噪处理，得到第一数据。
可选地，在一种可能的实现方式中，上述S1032可包括S10321～S10323，具体如下：
S10321：将所述第一数据划分为多个单元组数据。
可通过STING聚类算法将第一数据划分为多个单元组数据，每个单元组数据中包括多个历史空气质量数据，对每个单元组数据中包含的历史空气质量数据的数量不做限定。当某个单元组数据中包含的历史空气质量数据较多时，还可以进一步对其进行划分。
S10322：确定每个单元组数据对应的属性值；所述属性值包括方差。
属性值可以包括方差、均值、最大值、最小值等。即确定每个单元组数据对应的方差、均值、最大值、最小值等。示例性地，针对一个单元组数据，获取该单元组数据中包含的每个历史空气质量数据，计算这些历史空气质量数据的方差、均值，以及确定这些历史空气质量数据中的最大与最小值。
值得说明的是，可依次确定划分好的每个单元组数据对应的属性值；也可以是每次随机选取单元组数据，计算该单元组数据对应的属性值，每次计算属性值后都需遍历所有的单元组数据，对未计算属性值的单元组数据进行计算，直至所有的单元组数据都处理完成。
S10323：获取属性值大于预设阈值的单元组数据作为所述第一季节特征数据。
比较每个单元组数据对应的属性值与预设阈值之间的大小，当单元组数据对应的属性值大于预设阈值时，将该单元组数据记为第一季节特征数据。
可选地，当单元组数据对应的属性值小于或等于预设阈值时，将该单元组数据记为第二季节特征数据。第二季节特征数据用于表征历史空气质量数据中与季节弱相关的空气质量数据，可以理解为第二季节特征数据是受季节因素影响波动较小的空气质量数据。示例性地，可将第一数据中的单元组数据对应的属性值小于或等于预设阈值的数据作为第二季节特征数据，即第一数据中的单元组数据对应的属性值小于或等于预设阈值的数据就是与季节弱相关的空气质量数据。
示例性地，可通过下述公式确定第一季节特征数据和第二季节特征数据，公式具体如下：
上述公式中，σi 2表示第i个单元组数据对应的方差，f表示预设阈值，N表示所有的历史空气质量数据对应的数量，X表示变量值，μ表示所有的历史空气质量数据对应的方差，α表示调节因子，可用每个单元组数据中的最大值减去最小值再对差值求平方计算得到。
S104：基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。
将季节因子与初始预测结果相乘，得到的结果即为目标时间段的空气质量数据对应的最终预测结果。示例性地，可将初始预测结果记为yp，季节因子为τt，最终预测结果记为yz，则yz＝yp×τt。
空气质量数据与季节之间存在强相关性，即季节的变化会对空气质量数据产生很大的影响。传统的空气质量预测没有考虑到季节因素，导致预测得到的空气质量数据不准确，而基于季节因子对初始预测结果进行修正，将季节因素考虑进去，使最终预测结果更准确。
上述实施例中，终端基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；基于获取到的历史空气质量数据确定与所该目标时间段对应的季节因子；基于该季节因子对初始预测结果进行修正，得到目标时间段的空气质量数据对应的最终预测结果。由于是通过历史空气质量数据确定的与所要预测的目标时间段相对应的季节因子，并基于该季节因子对初始预测结果进行修正，考虑到了季节因素对空气质量数据的影响，使预测得到的目标时间段的空气质量数据对应的最终预测结果更准确。
可选地，在一种可能的实现方式中，对历史空气质量数据进行预处理，得到第一数据之后，还可对第一数据进行趋势性、季节性、周期性分析，根据趋势性分析结果、季节性分析结果、周期性分析分析结果判断第一数据是否具备季节性特征。
示例性地，可采用中心化移动均值法判断第一数据的趋势性，公式如下：
其中，Tt为趋势项，f为时间序列频率，例如f可以为90，l为时间序列长度，当t超出下标的定义域时，其值为空值。
对计算得到的趋势项进行平均处理，得到第一数值，对第一数值进行中心化处理，得到第二数值。观察第二数值是否在0上下有周期性的波动变化，若有，则认为第一数据具备季节性特征，进而可计算季节因子，保证最终确定的季节因子更准确。若无，则认为第一数据不具备季节性特征，可重新获取历史空气质量数据。
可选地，在一种可能的实现方式中，在基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果之前，还可预先构建空气质量预测模型。请参见图2，图2为本申请另一实施例提供的一种预测空气质量的方法的示意流程图。如图2所示的预测空气质量的方法可包括S201～S208，本实施例中的S205～S208与图1对应的实施例中的S101～S104，可参考上述S101～S104的描述，本实施例中不再赘述，下面将具体对S201～S204进行描述。
S201：获取所述第一数据中的第二季节特征数据，所述第二季节特征数据用于表征所述历史空气质量数据中与季节弱相关的空气质量数据。
第二季节特征数据用于表征历史空气质量数据中与季节弱相关的空气质量数据，可以理解为第二季节特征数据是受季节因素影响波动较小的空气质量数据。示例性地，可将第一数据中的单元组数据对应的属性值小于或等于预设阈值的数据作为第二季节特征数据，即第一数据中的单元组数据对应的属性值小于或等于预设阈值的数据就是与季节弱相关的空气质量数据。
将第一数据划分为多个单元组数据；确定每个单元组数据对应的属性值；获取属性值小于或等于预设阈值的单元组数据作为第二季节特征数据。示例性地，比较每个单元组数据对应的属性值与预设阈值之间的大小，当单元组数据对应的属性值小于或等于预设阈值时，将该单元组数据记为第二季节特征数据。具体地获取方式可参考获取第一季节特征数据的过程，此处不再赘述。
S202：将所述第二季节特征数据转换为平稳非白噪声数据。
对第二季节特征数据进行平稳性检验以及白噪声检验，根据检验结果判断第二季节特征数据是否为平稳非白噪声数据。例如，先对第二季节特征数据进行平稳性检验，再对第二季节特征数据进行白噪声检验，当第二季节特征数据不是平稳非白噪声数据时，对第二季节特征数据进行n阶差分处理，将第二季节特征数据转换为平稳非白噪声数据。
示例性地，可通过平稳性检验函数检验第二季节特征数据是否平稳，平稳性检验函数如下：
上述平稳性检验函数中，
若i＝2或者i＝3，correla的值为0或者接近0，则判定该第二季节特征数据是平稳的。其中，i的值可根据第二季节特征数据进行调整，此处仅为示例性说明，对此不做限定。
若检验结果为第二季节特征数据不平稳，则对第二季节特征数据进行差分处理。示例性地，对第二季节特征数据进行n阶差分处理，直至第二季节特征数据平稳，其中n为正整数。例如，对第二季节特征数据进行一阶差分，判断一阶差分后的第二季节特征数据是否平稳，若是则停止差分处理，若否则进行二阶差分处理。判断二阶差分后的第二季节特征数据是否平稳，若是则停止差分处理，若否则进行三阶差分处理，以此类推，直至第二季节特征数据平稳。当第二季节特征数据平稳时，记录差分的阶数n。
S203：基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数。
当空气质量预测模型为ARIMA模型时，构建该ARIMA模型所需的参数分别为p、d、q。可对该平稳非白噪声数据进行自相关分析，得到第一分析结果；对该平稳非白噪声数据进行偏自相关分析，得到第二分析结果，基于第一分析结果以及第二分析结果确定p、q的值；基于差分的阶数n确定d的值。
可选地，在一种可能的实现方式中，上述S203可包括S2031～S12033，具体如下：
S2031：对所述平稳非白噪声数据进行自相关分析，得到第一分析结果。
对平稳非白噪声数据进行自相关分析，获取平稳非白噪声数据对应的自相关图。观察该自相关图中的拖尾、截尾、滞后值等。示例性地，如果该自相关图中始终有非零取值，不会在某个常数a后就恒等于0，或者在0附近随机波动，认为存在拖尾。如果该自相关图中在大于某个常数b后快速趋于0，认为存在截尾。滞后值即为判断拖尾以及截尾时确定的常数a和常数b。
S2032：对所述平稳非白噪声数据进行偏自相关分析，得到第二分析结果。
对平稳非白噪声数据进行偏自相关分析，获取平稳非白噪声数据对应的偏自相关图。观察该偏自相关图中的拖尾、截尾、滞后值等。示例性地，如果该偏自相关图中始终有非零取值，不会在某个常数a后就恒等于0，或者在0附近随机波动，认为存在拖尾。如果该偏自相关图中在大于某个常数b后快速趋于0，认为存在截尾。滞后值即为判断拖尾以及截尾时确定的常数a和常数b。
S2033：基于所述第一分析结果以及所述第二分析结果确定所述参数。
基于第一分析结果以及第二分析结果确定p、q的值；基于差分的阶数n确定d的值。示例性地，根据常数a和常数b确定参数p、q的值，可能根据常数a的值确定参数p的值，根据常数b的值确定参数q的值，也可能是根据常数a的值确定参数q的值，根据常数b的值确定参数p的值，根据实际的分析结果进行确定，对此不做限定。
S204：基于所述参数以及预设函数构建所述空气质量预测模型。
当空气质量预测模型为ARIMA模型时，该ARIMA模型所对应的函数为：
其中，Xt为时间序列，即需要预测的目标时间段，p、d、q为上述S203中确定的参数，Li为滞后算子，φi为自回归系数，θi为滑动平均系数，εt为白噪声冲击系数。
可选地，在一种可能的实现方式中，为了保证空气质量预测模型预测得到的初始预测结果更准确，在S204之后还可包括获取验证数据集；基于该验证数据集对空气质量预测模型进行验证，并根据验证结果调整空气质量预测模型的参数。
验证数据集包括验证时间段以及各个验证时间段对应的真实空气质量数据；其中，验证时间段为当前时间之前的任意时间段，即当前已经可以采集到空气质量数据的时间段。终端获取验证数据集。
通过该空气质量预测模型对各个验证时间段进行预测处理，得到每个验证时间段对应的预测结果，基于每个验证时间段对应的预测结果绘制标准残差图、密度估计图、QQ线性图、相关图等，观察这些图与验证时间段对应的真实空气质量数据是否相吻合。若这些图与验证时间段对应的真实空气质量数据不吻合，则调整该空气质量预测模型，并基于调整参数后的空气质量预测模型继续进行验证，直至这些图与验证时间段对应的真实空气质量数据相吻合。若这些图与验证时间段对应的真实空气质量数据相吻合，则证明当前的空气质量预测模型已经构建好，可以对目标时间段的空气质量数据进行预测了。
示例性地，这些图与验证时间段对应的真实空气质量数据是否相吻合，可通过下述方式进行确定。即当标准残差图、密度估计图近近似为正太分布，QQ线性图为直线拟合，相关图的值趋于0时，证明相关图，即得到了预测准确率高的空气质量预测模型。
若有其中任意一项不满足条件，即标准残差图、密度估计图近近似为正太分布，QQ线性图为直线拟合，相关图的值趋于0这几个条件中任一条件不满足，便调整空气质量预测模型的参数。例如，可对p、q的值单独进行修改，也可同时进行修改，修改时可每次将p、q的值加上正整数值，或减去正整数值。此处仅为示例性说明，对此不做限定。
上述方式中，在历史空气质量数据中选取与季节弱相关的空气质量数据作为第二季节特征数据，基于第二季节特征数据确定构建空气质量预测模型所需的参数，进而构建空气质量预测模型。相当于构建该空气质量预测模型时剔除了与季节强相关的空气质量数据，这样可使构建得到的空气质量预测模型预测的初始预测结果，更加拟合平时的空气质量数据特征，进而后续再通过季节因子对初始预测结果进行修正时，不会有其他干扰因素，使最终预测结果更准确；且通过空气质量预测模型对空气质量数据进行预测，提升了预测效率。
示例性地，本申请中提供一些图示帮助理解。图3为本申请提供的历史空气质量数据示意图，图3中从上到下(从右到左)第一个图的横坐标表示时间，纵坐标表示PM2.5浓度数值，第二个图的横坐标表示时间，纵坐标表示PM2.5浓度数值采用中心化移动均值法变换后的趋势项，第三个图的横坐标表示时间，纵坐标表示波动振幅的周期性变化，第四个图的横坐标表示时间，纵坐标表示线性残差。可明显看出该PM2.5浓度数据受到季节影响，尤其2月份至3月份的PM2.5浓度数据受季节影响波动较大。图4为本申请提供的对比图，横坐标表示时间，纵坐标表示PM2.5浓度数值，浅灰色的线条表示原始的历史空气质量数据对应的趋势，深色的线条表示剔除季节性特征后的趋势，即第二季节特征数据对应的趋势。图5为本申请提供的自相关图以及偏自相关图，图5中上半部分图(右边的图)为自相关图，横坐标表示数据量(根据需求可以设定为50、100、500等，对此不做限定)，纵坐标表示自相关系数；图5中下半部分图(左边的图)为偏自相关图。横坐标表示数据量(根据需求可以设定为20、40、60等，对此不做限定)，纵坐标表示偏自相关系数。图6为本申请提供的模型验证图，如图6所示从左到右、从上到下，依次为标准残差图(Standardized residual)、密度估计图(Histogram plus estimated density)、QQ线性图(Normal QQ)、相关图(Correlogram)。其中，标准残差图的横坐标表示数据量，纵坐标表示模型的残差；密度估计图的横坐标表示密度估计的核函数中心和宽度参数，纵坐标表示密度估计；QQ线性图的横坐标表示理论分位数，纵坐标表示样本分位数；相关图的横坐标表示数据量，纵坐标表示估计值的相关系数。
请参见图7，图7是本申请一实施例提供的一种预测空气质量的装置的示意图。该装置包括的各单元用于执行图1、图2对应的实施例中的各步骤。具体请参阅图1、图2各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图7，包括：
预测单元310，用于基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；
获取单元320，用于获取历史空气质量数据；
确定单元330，用于基于所述历史空气质量数据确定与所述目标时间段对应的季节因子；
修正单元340，用于基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。
可选地，所述确定单元330包括：
处理单元，用于对所述历史空气质量数据进行预处理，得到第一数据；
第一季节特征数据获取单元，用于获取所述第一数据中的第一季节特征数据，所述第一季节特征数据用于表征所述历史空气质量数据中与季节强相关的空气质量数据；
第二数据获取单元，用于在所述第一季节特征数据中获取第二数据，并基于所述第二数据确定所述季节因子；所述第二数据为所述第一季节特征数据中与所述目标时间段对应的历史同时期的数据。
可选地，所述第一季节特征数据获取单元具体用于：
对所述历史空气质量数据进行插值处理，得到插值数据；
对所述插值数据进行去噪处理，得到所述第一数据。
可选地，所述第二数据获取单元具体用于：
将所述第一数据划分为多个单元组数据；
确定每个单元组数据对应的属性值；所述属性值包括方差；
获取属性值大于预设阈值的单元组数据作为所述第一季节特征数据。
可选地，所述装置还包括：
第二季节特征数据获取单元，用于获取所述第一数据中的第二季节特征数据，所述第二季节特征数据用于表征所述历史空气质量数据中与季节弱相关的空气质量数据；
转换单元，用于将所述第二季节特征数据转换为平稳非白噪声数据；
参数确定单元，用于基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数；
构建单元，用于基于所述参数以及预设函数构建所述空气质量预测模型。
可选地，所述装置还包括：
第一验证单元，用于获取验证数据集；
第二验证单元，用于基于所述验证数据集对所述空气质量预测模型进行验证，并根据验证结果调整所述空气质量预测模型的参数。
可选地，所述参数确定单元具体用于：
对所述平稳非白噪声数据进行自相关分析，得到第一分析结果；
对所述平稳非白噪声数据进行偏自相关分析，得到第二分析结果；
基于所述第一分析结果以及所述第二分析结果确定所述参数.
请参见图8，图8是本申请另一实施例提供的一种预测空气质量的终端的示意图。如图8所示，该实施例的预测空气质量的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个预测空气质量的方法实施例中的步骤，例如图1所示的S101至S104。或者，所述处理器40执行所述计算机可读指令42时实现上述各实施例中各单元的功能，例如图7所示单元310至340功能。
示例性地，所述计算机可读指令42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述预测空气质量的终端4中的执行过程。例如，所述计算机可读指令42可以被分割为预测单元、获取单元、确定单元以及修正单元，各单元具体功能如上所述。
所述预测空气质量的终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图8仅仅是预测空气质量的终端4的示例，并不构成对预测空气质量的终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述预测空气质量的终端还可以包括输入输出终端、网络接入终端、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述预测空气质量的终端的内部存储单元，例如预测空气质量的终端的硬盘或内存。所述存储器41也可以是所述预测空气质量的终端的外部存储终端，例如所述预测空气质量的终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述预测空气质量的终端的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机可读指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种预测空气质量的方法，其特征在于，包括：
基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；
获取历史空气质量数据；
基于所述历史空气质量数据确定与所述目标时间段对应的季节因子；
基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。
2.如权利要求1所述的方法，其特征在于，所述基于所述历史空气质量数据确定与所述目标时间段对应的季节因子，包括：
对所述历史空气质量数据进行预处理，得到第一数据；
获取所述第一数据中的第一季节特征数据，所述第一季节特征数据用于表征所述历史空气质量数据中与季节强相关的空气质量数据；
在所述第一季节特征数据中获取第二数据，并基于所述第二数据确定所述季节因子；所述第二数据为所述第一季节特征数据中与所述目标时间段对应的历史同时期的数据。
3.如权利要求2所述的方法，其特征在于，所述对所述历史空气质量数据进行预处理，得到第一数据，包括：
对所述历史空气质量数据进行插值处理，得到插值数据；
对所述插值数据进行去噪处理，得到所述第一数据。
4.如权利要求2所述的方法，其特征在于，所述获取所述第一数据中的第一季节特征数据，包括：
将所述第一数据划分为多个单元组数据；
确定每个单元组数据对应的属性值；所述属性值包括方差；
获取属性值大于预设阈值的单元组数据作为所述第一季节特征数据。
5.如权利要求2至4任一项所述的方法，其特征在于，所述基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果之前，所述方法还包括：
获取所述第一数据中的第二季节特征数据，所述第二季节特征数据用于表征所述历史空气质量数据中与季节弱相关的空气质量数据；
将所述第二季节特征数据转换为平稳非白噪声数据；
基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数；
基于所述参数以及预设函数构建所述空气质量预测模型。
6.如权利要求5所述的方法，其特征在于，所述基于所述参数以及预设函数构建所述空气质量预测模型之后，所述方法还包括：
获取验证数据集；
基于所述验证数据集对所述空气质量预测模型进行验证，并根据验证结果调整所述空气质量预测模型的参数。
7.如权利要求5所述的方法，其特征在于，所述基于所述平稳非白噪声数据确定构建所述空气质量预测模型所需的参数，包括：
对所述平稳非白噪声数据进行自相关分析，得到第一分析结果；
对所述平稳非白噪声数据进行偏自相关分析，得到第二分析结果；
基于所述第一分析结果以及所述第二分析结果确定所述参数。
8.一种预测空气质量的装置，其特征在于，包括：
预测单元，用于基于预设的空气质量预测模型对目标时间段的空气质量数据进行预测，得到初始预测结果；
获取单元，用于获取历史空气质量数据；
确定单元，用于基于所述历史空气质量数据确定与所述目标时间段对应的季节因子；
修正单元，用于基于所述季节因子对所述初始预测结果进行修正，得到所述目标时间段的空气质量数据对应的最终预测结果。
9.一种预测空气质量的终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011217917.9A CN113139673A (zh) | 2020-11-04 | 2020-11-04 | 一种预测空气质量的方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011217917.9A CN113139673A (zh) | 2020-11-04 | 2020-11-04 | 一种预测空气质量的方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139673A true CN113139673A (zh) | 2021-07-20 |
Family
ID=76809863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011217917.9A Pending CN113139673A (zh) | 2020-11-04 | 2020-11-04 | 一种预测空气质量的方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139673A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290831A (zh) * | 2022-09-30 | 2022-11-04 | 南通乾升信息科技有限公司 | 一种空气质量检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020256A (zh) * | 2012-12-21 | 2013-04-03 | 电子科技大学 | 一种大规模数据的关联规则挖掘方法 |
| US20140122179A1 (en) * | 2012-11-01 | 2014-05-01 | Teradata Corporation | Method and system for determining long range demand forecasts for products including seasonal patterns |
| CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
| CN109657858A (zh) * | 2018-12-17 | 2019-04-19 | 杭州电子科技大学 | 基于不平衡修正半监督学习的道边空气污染预测方法 |
| US20190325334A1 (en) * | 2018-04-23 | 2019-10-24 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
| CN111143768A (zh) * | 2019-11-08 | 2020-05-12 | 昆明理工大学 | 一种基于arima-svm组合模型的空气质量预测算法 |
| CN111784047A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种季节因子的计算方法及相关装置 |
| CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
-
2020
- 2020-11-04 CN CN202011217917.9A patent/CN113139673A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140122179A1 (en) * | 2012-11-01 | 2014-05-01 | Teradata Corporation | Method and system for determining long range demand forecasts for products including seasonal patterns |
| CN103020256A (zh) * | 2012-12-21 | 2013-04-03 | 电子科技大学 | 一种大规模数据的关联规则挖掘方法 |
| CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
| US20190325334A1 (en) * | 2018-04-23 | 2019-10-24 | National Chung-Shan Institute Of Science And Technology | Method for predicting air quality with aid of machine learning models |
| CN109657858A (zh) * | 2018-12-17 | 2019-04-19 | 杭州电子科技大学 | 基于不平衡修正半监督学习的道边空气污染预测方法 |
| CN111143768A (zh) * | 2019-11-08 | 2020-05-12 | 昆明理工大学 | 一种基于arima-svm组合模型的空气质量预测算法 |
| CN111784047A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种季节因子的计算方法及相关装置 |
| CN111859800A (zh) * | 2020-07-15 | 2020-10-30 | 河海大学 | 用于pm2.5浓度分布的时空估算和预测的方法 |
Non-Patent Citations (6)
| Title |
|---|
| 何俊等: "季节指数修正GM(1, 1)模型在空气质量预测中的应用", 《河南科学》, vol. 27, no. 7, 31 July 2009 (2009-07-31), pages 2 - 3 * |
| 刘兰娟等: "《财经管理中的计算机应用》", 30 September 2020, 首都经济贸易大学出版社, pages: 179 - 209 * |
| 崔庆岳等: "基于改进灰色SGM(1, 1)模型的广州市空气质量变化趋势分析", 《数学的实践与认识》 * |
| 张叶娥等: "基于ARIMA模型的大同市空气质量预测研究", 《软件》, vol. 40, no. 12, 31 December 2019 (2019-12-31), pages 86 * |
| 张叶娥等: "基于ARIMA模型的大同市空气质量预测研究", 《软件》, vol. 40, no. 12, pages 86 * |
| 张静等: "基于时间序列分解法预测肾综合征出血热发病趋势和季节性", 《中国公共卫生》, vol. 34, no. 7, pages 1039 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290831A (zh) * | 2022-09-30 | 2022-11-04 | 南通乾升信息科技有限公司 | 一种空气质量检测方法 |
| CN115290831B (zh) * | 2022-09-30 | 2024-02-13 | 深圳市益清源环保科技有限公司 | 一种空气质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
| CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
| CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
| CN112633412B (zh) | 异常用电检测方法、设备及存储介质 | |
| CN111914090A (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
| CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN112990330A (zh) | 用户用能异常数据检测方法及设备 | |
| CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
| CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
| CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN118211882B (zh) | 一种基于大数据的产品质量管理系统及方法 | |
| CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
| CN110110339A (zh) | 一种日前水文预报误差校正方法及系统 | |
| CN113139673A (zh) | 一种预测空气质量的方法、装置、终端及存储介质 | |
| CN117763475A (zh) | 基于预测跟踪控制的电量波动异常识别方法及系统 | |
| CN111091194B (zh) | 一种基于cavwnb_kl算法的操作系统识别方法 | |
| CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
| CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
| CN117422195A (zh) | 水质评估方法、装置、计算机设备和存储介质 | |
| CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
| CN116701875A (zh) | 一种特高压交流输电线路可听噪声概率预测方法及系统 | |
| CN115170304B (zh) | 风险特征描述的提取方法和装置 |
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 |