CN113159358A - 一种基于深度时空残差网络预测城市pm2.5的方法 - Google Patents
一种基于深度时空残差网络预测城市pm2.5的方法 Download PDFInfo
- Publication number
- CN113159358A CN113159358A CN202010073394.9A CN202010073394A CN113159358A CN 113159358 A CN113159358 A CN 113159358A CN 202010073394 A CN202010073394 A CN 202010073394A CN 113159358 A CN113159358 A CN 113159358A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- urban
- space
- residual error
- 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 40
- 238000012544 monitoring process Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003915 air pollution Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000004056 waste incineration 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于深度时空残差网络预测城市PM2.5的方法，利用所采集数据的时空属性以及深度学习方法强大的拟合能力，构建了基于深度时空残差网络，以预测特定时空下的城市PM2.5指数。通过城市PM2.5监测器的站点设备数据、气象数据、城市交通信息等数据，进行数据的深度时空残差网络训练，本发明能更加准确地对城市PM2.5指数进行预测，且算法数据要求少，克服了因资源有限导致监测器稀疏，数据采集不全，预测准确率低等现有问题。
Description
技术领域
本发明属于环境预测技术领域，涉及一种预测城市PM2.5的方法，具体是一种基于深度时空残差网络预测城市PM2.5的方法。
背景技术
空气污染作为严重的环境问题，引起了全世界的关注，全世界很多国家都在遭受空气污染，例如中国大部分区域的大气能见度水平在90年代后呈现出显著的下降趋势，因此对空气质量浓度的准确预测是加强空气污染防治，实现环境综合管理的重要手段，对于人们日常健康以及政府决策具有重要意义，空气质量指数(AQI)是衡量空气质量好坏的重要指数，它是依据空气中污染物浓度的高低来判断的，但是因为空气污染本身是一个较为复杂的现象，来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一，其中包括车辆、船舶、飞机的尾气、工业企业生产排放、居民生活和取暖、垃圾焚烧等。城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。
通常的预测方法分为数值预测和统计预测，其中统计预测分为非深度学习和深度学习的方法。数值预测方法存在大量参数需要经验估计，而非深度学习的统计预测方法无法从大量数据中提取特征值，导致上述两种方法对PM2.5的预测精度较低。
本发明提出一种用于城市PM2.5预测的新型时空深度学习模型，考虑PM2.5浓度的时空相关性，将特定时空的站点以及周边相关站点的历史浓度作为输入，采用三维卷积神经网络和深度残差网络提取时空特征，并加入PM2.5相关影响数据进行预测，以提高模型预测性能。
发明内容
针对现有技术的不足，本发明提供一种基于深度时空残差网络预测城市PM2.5的方法，使用了来自中国环保部公布的近两年全国1233个空气质量监测站的PM2.5浓度数据，对应区域交通情况，人流量情况，区域的POI的数目，商业化和工业化程度数据等，进行数据的深度时空残差网络训练，本发明能更加准确地对城市PM2.5进行预测，是对大气污染物进行有效控制和管理的重要前提之一，及时、准确地预测未来大气中的污染物浓度，也将有助于控制大气污染以及规划大气质量管理过程。
本发明的技术方案为：
基于深度时空残差网络预测城市PM2.5的方法，通过采集所需预测范围内的城市特定时间段内一定的时间间隔下的城市PM2.5的时空数据和外部条件数据，并构造基于深度时空残差网络结构；对基于深度时空残差网络中进行网络训练、验证和测试，得到的深度时空残差网络作为最终的城市PM2.5预测模型，将指定城市特定时间段内一定的时间间隔下的城市PM2.5的时空数据和外部条件数据输入最终的城市PM2.5预测模型，可得到未来某一时刻某区域的城市PM2.5预测结果。
基于深度时空残差网络预测城市PM2.5的方法在采集城市PM2.5时空数据时，具体为采集监测范围内所有监测点的数据，为保证模型训练的准确率需要采集所有监测点的历史时刻的全量时空数据。同时为提高深度时空残差网络的拟合效果，需要采集与城市PM2.5时空数据相同时间内的外部数据，如气象数据比如风速、风向、湿度，交通情况，人流量情况，区域的POI的数目，商业化和工业化程度等；
采集到原始数据后，需要先对原始数据进行预处理；由于城市PM2.5浓度监测点受资源限制和空间分布影响，导致在监测范围内存在分布不均的现象，做成模型训练拟合过程中存在部分样本数值缺失。为达到更好的拟合效果，需要使用均差牛顿插值法补充缺失的空间PM2.5数据。
通过插值得到完整的城市PM2.5的时空数据，需对数据进行网格化分类。根据经纬度将监测区域划分为长为L，宽为N的网格地图，其中一个网格表示一个区域；接着将每个网格所有监测点的前T时刻的归一化历史的城市PM2.5数据分类到网格单元中，由此得到N*L*T的时空矩阵数据。
基于深度时空残差网络预测城市PM2.5的方法中，通过计算N*L个网格范围内的全量监测点及邻近网格，选取前T时刻的归一化历史数据，通过三维卷积神经网络和深度残差网络进行特征提取得到K*1的特征向量，同时将归一化的外部条件数据(风速、风向、湿度，交通情况，人流量情况，区域的POI的数目，商业化和工业化程度)与得到的特征向量通过局部连接层进行合并，根据拟合效果，提取影响城市PM2.5的关键外部条件特征。以此达到拟合城市PM2.5的时空数据的时空残差网络、利用神经网络提取影响城市PM2.5具有拟合性较高的外部条件特征，拟合外部条件影响城市PM2.5的外部条件神经网络以及输出融合部分的目的。
外部条件神经网络中，输入为外部条件数据组成的特征向量Et，结构上将两个全连接层叠加在Et上，第一层可以看作是每个子因子的带激活函数的嵌入层，第二层用于将上一层的输出进行维度转化，以便于融合。
在构造时空残差网络时，拟合时间数据，将时间轴划分为三个片段，表示最近时间、稍远时间和遥远时间，每一个片段分别被输入到三个结构相同的时空残差子网络中来提取提取时间邻近性、周期性、趋势性；三个时间片段下的时空残差子网络结构相同，共L+2层，第1层为卷积层Conv1，第2层到第L层为残差单元，第L+2层为卷积层Conv2；最近时间、稍远时间和遥远时间三个时间片段的数据序列分别可由多个时间点的时空数据组合而成，再经过时空残差子网络后得到的输出分别为
在输出融合部分，最近时间、稍远时间和遥远时间三个时间片段下的时空残差子网络输出以及外部条件神经网络输出，经过加权融合后得到输出，融合方法按以下公式：
基于深度时空残差网络预测城市PM2.5的方法中，根据时间数据和空间数据重新激活，得到预测数据。另外在基于深度时空残差网络预测城市PM2.5的方法中，设立参照集以及验证集，对深度时空残差网络中进行验证和测试，评价预测值和实测值之间的差异，可以从预测值与实测值之间的偏差以及二者的一致性程度评价预测效果。根据评价效果，进行模型参数调整。调整参数后得到最终深度时空残差网络预测城市PM2.5模型。
预测过程中将需要预测的特定区域未来时间点，或缺乏监测器的地域特定时间上的条件输入深度残差网络得到预测结果。
本发明的有益效果为：本发明提供一种基于深度时空残差网络预测城市PM2.5的方法，通过PM2.5监测点采集城市PM2.5的时空数据，训练得到深度时空残差网络，由于同时考虑风速、风向、湿度，交通情况，人流量情况，区域的POI的数目，商业化和工业化程度等外部条件数据，本发明能更加准确地对城市PM2.5进行预测，克服了监测点有限，监测数据缺失等现有问题。
附图说明
图1为本发明城市PM2.5时空数据结构示意图。
图2为本发明基于深度时空残差网络结构示意图。
图3为本发明基于深度时空残差网络中的残差单位示意图。
具体实施方式
下面对本发明的具体实施方式作进一步说明：
本发明深度时空残差网络预测城市PM2.5的方法在采集城市PM2.5时空数据时，需要采集监测范围内所有监测点的历史时刻的全量时空数据。同时为提高深度时空残差网络的拟合效果，需要采集与城市PM2.5时空数据相同时间空间内的外部数据，如气象数据比如风速、风向、湿度，交通情况，人流量情况，区域的POI的数目，商业化和工业化程度等；
采集到原始数据后，需要先对原始数据进行预处理；为达到更好的拟合效果，需要使用均差牛顿插值法，补充因为缺失监测点的空间PM2.5数据。通过已知预测区域范围内的城市PM2.5数据，分析缺失数据的子网格邻近网格数据，通过格雷戈里-牛顿插值公式，由邻近网格数据f[x,x0,x1,…,xn]进行三阶均差计算，增加空白数据网格PM2.5数值Rn(x)。采用的牛顿均差插值公式如下：Rn(x)＝f[x,x0,x1,…,xn]ωn+1(x)，插值后可得到合理的缺失原本数据。
得到完整的城市PM2.5的全量时空数据后，对时空序列数据进行网格表达式表示。根据经纬度将监测区域按照等比距离划分为N*L份网格地图，其中一个网格表示一个区域；接着将每个网格所有监测点的前T时刻的归一化历史的城市PM2.5数据分类到网格单元中，由此得到N*L*T的时空矩阵数据。如附图1所示；
基于深度时空残差网络预测城市PM2.5的方法中，通过计算N*L个网格范围内的全量监测点及邻近网格，选取前T时刻的归一化历史数据，将归一化的外部条件数据(风速、风向、湿度，交通情况，人流量情况，区域的POI的数目，商业化和工业化程度)通过三维卷积神经网络进行特征提取得到K*1的特征向量，根据拟合效果，提取影响城市PM2.5的关键外部条件特征。以此达到拟合城市PM2.5的时间特征和空间特征的时空残差网络、提取影响城市PM2.5具有拟合性较高的外部条件特征，拟合外部条件影响城市PM2.5的外部条件神经网络以及输出融合部分的目的。
如附图2所示，基于深度时空残差网络预测城市PM2.5的方法中，基于深度时空残差网络结构包括拟合城市PM2.5的时间特征和空间特征的时空残差网络、拟合外部条件影响城市PM2.5的外部条件神经网络以及输出融合部分。在构造时空残差网络时，将时间轴划分为三个片段，表示最近时间、稍远时间和遥远时间，每一个片段分别被输入到三个结构相同的时空残差子网络中来提取提取时间邻近性、周期性、趋势性；三个时间片段下的时空残差子网络结构相同，共L+2层，第1层为卷积层Conv1，第2层到第L层为残差单元，第L+2层为卷积层Conv2；最近时间、稍远时间和遥远时间三个时间片段的数据序列分别可由多个时间点的时空数据组合而成，在本实施例中三个时间片段的数据序列分别采用了12个时间点的时空数据(比如最近时间片段数据可采用前1-12个时间点的数据，稍远时间片段数据可采用20天前12个时间点的数据，遥远时间片段数据可采用1年前12个时间点的数据)，再经过时空残差子网络后得到的输出分别为
其中第2层到第L层采用如图3所示的残差单元，为ReLu函数与卷积层Conv的组合。
外部条件神经网络中，输入为外部条件数据组成的特征向量Et，结构上将两个全连接层叠加在Et上，第一层可以看作是每个子因子的带激活函数的嵌入层，第二层用于将上一层的输出进行维度转化，以便于融合，如图1中的FCs表示两个全连接层。在输出融合部分，最近时间、稍远时间和遥远时间三个时间片段下的时空残差子网络输出以及外部条件神经网络，经过加权融合后输出，并和XExt重新激活后生成
融合方法按以下公式：
如图2所示，训练模型时，具体采用的损失函数Loss为均方误差MSE。
在基于深度时空残差网络预测城市PM2.5的方法中，将采集的数据集按照80％，20％的比例划分，其中20％作为参照集以及验证集，参照集以及验证集对基于深度时空残差网络进行网络训练、验证和测试，测试结果可对深度时空残差网络参数进行调整。
为更好地调整模型参数，评价预测值和实测值之间的差异，可以从预测值与实测值之间的偏差以及二者的一致性程度评价预测效果，由于本文研究的PM2.5预测属于回归问题，为了更好地评价预测值与实测值之间的差异，可以从预测值与实测值之间的偏差以及二者的一致性程度来评价预测效果。本文用均方根误差(root mean squared error，RMSE)、平均绝对误差(mean absolute error，MAE)以及拟合指数(index of agreement，IA)作为评价指标。RMSE可以很好地反映预测的精确度，MAE反映的是预测值误差的实际情况，IA的值在0～1，刻画的是预测值和实测值的分布相似程度，IA值越接近1，表明一致性越好，其计算公式分别为：
其中，ai和pi分别表示样本的实测值和预测值，
表示实测值的均值。
根据测试结果调整深度时空残差网络的调整训练参数，最终得到的深度时空残差网络作为最终的城市PM2.5预测模型。
在经过训练和调整得到最终的城市PM2.5预测模型后，可将指定范围内监测点的2020年前的PM2.5时空数据，和同时期外部条件数据输入最终的城市PM2.5预测模型，可得到2020年1月1日00:00后该范围内某地区某时刻PM2.5预测结果，该地区可不用按照监测点亦可完成预测。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (10)
1.基于深度时空残差网络预测城市PM2.5的方法，其特征在于，其具体步骤如下：
S1、采集监测范围内所有监测点历史时间段内一定的时间内的城市PM2.5浓度的站点时空数据
S2、采集PM2.5时空数据同时期同地域的外部条件数据
S3、对采集的PM2.5时空数据进行预处理
S3、基于采集的数据构造基于深度时空残差网络结构；
S4、设置参照集，对基于深度时空残差网络中进行网络训练、验证和测试，得到的深度时空残差网络作为最终的城市PM2.5预测模型
S5、将需要预测的监测范围内的城市PM2.5的历史时空数据和外部条件数据输入最终的城市PM2.5预测模型
S6、得到未来某一时刻监测范围内某区域的城市PM2.5预测结果。
2.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，所述的采集监测范围内所有监测点历史时间段内一定的时间间隔下的城市PM2.5浓度的时空数据和外部条件数据。
3.根据权利要求书1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，所需要采集的外部条件数据为，与所采集的城市PM2.5时空数据相同时间内的包括气象数据比如风速、风向、湿度，交通情况，人流量情况，区域的POI的数目，商业化和工业化程度等。
4.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，对数据进行预处理，由于PM2.5监测点受资源限制和空间分布影响导致存在部分样本数值缺失，为达到更好的拟合效果，使用均差牛顿插值法补充缺失空间数据。
5.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，处理时空数据，首先根据经纬度将监测区域划分为N*L份网格地图，其中网格表示一个区域，接着将每个网格所有监测点的前T时刻的归一化历史的城市PM2.5数据分类到网格单元中，由此可得到一个N*L*T的时空矩阵数据。
6.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，所述的基于深度时空残差网络结构，包括拟合城市PM2.5的时间特征和空间特征的时空残差网络、提取影响城市PM2.5具有拟合性较高的外部条件特征，拟合外部条件影响城市PM2.5的外部条件神经网络以及输出融合部分。
7.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，所述的时空残差网络，针对同一地理位置关于未来时间的预测，将时间轴划分为三个片段，表示最近时间、稍远时间和遥远时间，每一个片段分别被输入到三个结构相同的时空残差子网络中来提取时间邻近性、周期性、趋势性。
8.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，将所采集到的外部条件数据，利用神经网络拟合城市PM2.5数据曲线，提取有效外部条件数据特征值，并拟合到深度时空残差网络结构中。
9.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，将采集的数据集的20％作为参照集，对深度时空残差网络中进行验证和测试，根据测试结果调整深度时空残差网络的调整训练参数，最终得到的深度时空残差网络作为最终的城市PM2.5预测模型。
10.根据权利要求1中的基于深度时空残差网络预测城市PM2.5的方法，其特征在于，将需要预测的区域的历史时空数据和外部条件数据，输入深度残差网络预测模型得到该区域内未来某一时刻的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073394.9A CN113159358A (zh) | 2020-01-22 | 2020-01-22 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073394.9A CN113159358A (zh) | 2020-01-22 | 2020-01-22 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113159358A true CN113159358A (zh) | 2021-07-23 |
Family
ID=76881697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010073394.9A Pending CN113159358A (zh) | 2020-01-22 | 2020-01-22 | 一种基于深度时空残差网络预测城市pm2.5的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159358A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829083A (zh) * | 2022-11-02 | 2023-03-21 | 西南交通大学 | 区域车辆受交通政策影响的排放评估与优化方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090210081A1 (en) * | 2001-08-10 | 2009-08-20 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
| CN109165690A (zh) * | 2018-09-03 | 2019-01-08 | 安徽优思天成智能科技有限公司 | 一种城市路网尾气污染分布预测的方法及系统 |
| CN109214570A (zh) * | 2018-09-03 | 2019-01-15 | 安徽优思天成智能科技有限公司 | 一种基于深度时空修正模型的城市区域尾气污染预测方法 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN110147877A (zh) * | 2019-05-24 | 2019-08-20 | 福州大学 | 基于卷积长短时网络的pm2.5预测方法 |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
| CN110610258A (zh) * | 2019-08-20 | 2019-12-24 | 中国地质大学（武汉） | 融合多源时空数据的城市空气质量精细化估测方法及装置 |
-
2020
- 2020-01-22 CN CN202010073394.9A patent/CN113159358A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090210081A1 (en) * | 2001-08-10 | 2009-08-20 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
| CN109165690A (zh) * | 2018-09-03 | 2019-01-08 | 安徽优思天成智能科技有限公司 | 一种城市路网尾气污染分布预测的方法及系统 |
| CN109214570A (zh) * | 2018-09-03 | 2019-01-15 | 安徽优思天成智能科技有限公司 | 一种基于深度时空修正模型的城市区域尾气污染预测方法 |
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN110147877A (zh) * | 2019-05-24 | 2019-08-20 | 福州大学 | 基于卷积长短时网络的pm2.5预测方法 |
| CN110610258A (zh) * | 2019-08-20 | 2019-12-24 | 中国地质大学（武汉） | 融合多源时空数据的城市空气质量精细化估测方法及装置 |
| CN110598953A (zh) * | 2019-09-23 | 2019-12-20 | 哈尔滨工程大学 | 一种时空相关的空气质量预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829083A (zh) * | 2022-11-02 | 2023-03-21 | 西南交通大学 | 区域车辆受交通政策影响的排放评估与优化方法和系统 |
| CN115829083B (zh) * | 2022-11-02 | 2024-05-21 | 西南交通大学 | 区域车辆受交通政策影响的排放评估与优化方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
| CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
| CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
| CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
| CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
| CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
| CN110346518B (zh) | 一种交通排放污染可视化预警方法及其系统 | |
| CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测系统 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
| CN112926468B (zh) | 一种潮滩高程自动提取方法 | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN112232543A (zh) | 一种基于图卷积网络的多站点预测方法 | |
| CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
| CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
| CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| CN112215416A (zh) | 智能规划巡检航线系统及方法 | |
| CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
| CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN113159358A (zh) | 一种基于深度时空残差网络预测城市pm2.5的方法 | |
| CN108828332B (zh) | 一种计算雷电定位系统探测效率的方法 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
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 |