CN113361556B - 污染相似案例自动识别的方法和装置 - Google Patents
污染相似案例自动识别的方法和装置 Download PDFInfo
- Publication number
- CN113361556B CN113361556B CN202010155116.8A CN202010155116A CN113361556B CN 113361556 B CN113361556 B CN 113361556B CN 202010155116 A CN202010155116 A CN 202010155116A CN 113361556 B CN113361556 B CN 113361556B
- Authority
- CN
- China
- Prior art keywords
- pollution
- historical
- cases
- similarity
- meteorological
- 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 76
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000011109 contamination Methods 0.000 claims abstract description 14
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 8
- 231100000719 pollutant Toxicity 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种污染相似案例自动识别的方法和装置,所述方法包括:(1)获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;(2)计算不同历史污染案例的气象要素数据之间的相似度,获得历史相似气象特征大类;(3)计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类。本发明通过对污染过程相关气象数据和浓度曲线的特征提取,可以实现对污染相似案例的自动识别。
Description
技术领域
本发明属于环境监测技术领域,具体涉及一种污染相似案例自动识别的方法和装置。
背景技术
准确识别污染相似案例,分析不同特点天气形势下的气象条件对污染物传输扩散的影响,对于科学认识重污染形成机制,准确开展重污染预报具有指导意义。目前进行技术途径是根据预报员经验进行主观分析结合数值和统计预报,研究时段较短、样本个数较少,且存在个体差异。
发明内容
为了解决现有技术中存在的问题,本发明提出一种污染相似案例门动识别的方法和装置,可以实现对污染相似案例的门动识别,提升污染预报准确性。
为了达到上述目的,一方面,本发明提出一种污染相似案例门动识别的方法,包括:
(1)获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;
(2)计算不同历史污染案例的气象要素数据之间的相似度,获得历史相似气象特征大类;
(3)计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类。
在一些实施例中,步骤(2)包括:
基于动态时间规整方法对齐历史污染案例的污染过程;
获得全部历史污染案例的相似度矩阵,通过聚类算法获得历史相似气象特征大类。
在一些实施例中,获得全部历史污染案例的相似度矩阵的步骤包括:
提取污染过程中每个时刻的气象要素数据并进行降维;
计算任意两个历史污染案例中在某个时刻全部气象要素数据的相似度;
计算任意两个历史污染案例的相似度。
在一些实施例中,采用下式计算任意两个历史污染案例中在某个时刻全部气象要素数据的相似度:
其中,n为降维后气象要素特征向量维度;ui,vi分别为待比较的两个向量第i个维度分量,SIMangle和SIMdistance分别为待比较的某气象要素某时刻的空间距离与余弦角度,其最大最小值对应待比较气象要素所有时刻数据集的最大最小值,α为空间距离与余弦角度的权重,SIMi为最终的待比较的某气象要素某时刻的相似度,取值范围在[0,1];
某时刻全部气象要素的相似度为
其中,n为选取的气象要素总数,β为对应气象要素权重。
在一些实施例中,采用下式计算任意两个历史污染案例的相似度:
SIMab=0.5*SIMa-b+0.5*SIMb-a
其中,n为各历史污染案例划分的时刻数,SIMa-b为a案例对b案例的相似度,SIMb-a为b案例对a案例的相似度。
在一些实施例中,通过主成分分析(PCA)算法对气象要素数据进行降维。
在一些实施例中,步骤(3)包括采用动态时间规整DTW得到污染距离矩阵,通过计算最小距离得到最相似的历史污染案例。
在一些实施例中,所述气象要素数据包括:海平面气压、2m温度、2米比湿、2米相对湿度、海平面温度、10米风速风向、10米UV分量、850hPa温度、850hPa位势高度、850hPa与2米温差、850hPa三小时变温、500hPa位势高度中的一种或多种。
另一方面,本发明还提出一种污染相似案例自动识别的装置,包括:
数据获取模块,用于获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;
相似气象特征识别模块,用于计算不同历史污染案例的气象要素数据之间的相似度,获得历史相似气象特征大类;
相似污染浓度曲线识别模块,用于计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类。
又一方面,本发明还提出一种电子设备,包括:
处理器,
计算机可读介质,用于存储计算机程序;
其中,当所述计算机程序被所述处理器执行时,使得所述处理器执行所述方法。
又一方面,本发明还提出一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时使处理器执行所述方法。
与现有技术相比,本发明具有以下有益效果:
本发明利用大数据技术挖掘历史案例特征,发挥大样本、自动化的优势,通过对污染过程相关气象数据和浓度曲线的特征提取,实现对污染相似案例的门动识别,本发明可以加深对污染过程的认识,提升污染预报准确性。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围。其中:
图1为本发明实施例中污染相似案例门动识别的方法流程图;
图2为本发明实施例中P1(2015年11月11日14时-15日22时)和P2(2015年12月18日23时-24日02时)浓度曲线;
图3为本发明实施例中等分特征时刻选取:参考过程P1过程(实线)特征点(方形)和P2过程(虚线)特征点(圆形);
图4为本发明实施例中归整前(左)和规整后的归一化浓度曲线;
图5为本发明实施例中规整路径及最优路径选;
图6为本发明实施例中最优路径上的特征时刻分布;
图7为本发明实施例中浓度距离矩阵;
图8为本发明实施例中污染相似案例自动识别的装置方框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
在本发明的说明书中,提及“一个实施例”时均意指在该实施例中描述的具体特征、结构或者参数、步骤等至少包含在根据本发明的一个实施例中。因而,在本发明的说明书中,若采用了诸如“根据本发明的一个实施例”、“在一个实施例中”等用语并不用于特指在同一个实施例中,若采用了诸如“在另外的实施例中”、“根据本发明的不同实施例”、“根据本发明另外的实施例”等用语,也并不用于特指提及的特征只能包含在特定的不同的实施例中。本领域的技术人员应该理解,在本发明说明书的一个或者多个实施例中公开的各具体特征、结构或者参数、步骤等可以以任何合适的方式组合。
如图1所示,本发明提出一种门动识别污染相似案例的方法,包括:
(1)获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;
(2)计算不同历史污染案例的气象要素数据之间的相似度(即气象场距离),获得历史相似气象特征大类(即气象场匹配结果I);
(3)计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类(即气象场匹配结果II)。
在一个实施例中,步骤(1)包括:将PM2.5浓度连续24h以上大于75μg/m3被判定为一次污染过程,对所有满足条件的污染过程进行1~n的编号,提取上述污染过程的小时级别浓度数据和气象要素数据。
气象要素数据可以包括:海平面气压、2m温度、2米比湿、2米相对湿度、海平面温度、10米风速风向、10米UV分量、850hPa温度、850hPa位势高度、850hPa与2米温差、850hPa三小时变温、500hPa位势高度等中的一个或多个。
在一个实施例中,步骤(2)包括:利用动态规整(DTW,Dynamic Time Warping,一种解决不同长度序列匹配的方法)的方法,从历史污染案例库中选出对应时间内的气象数据,相似历史案例匹配为基于空间余弦距离和欧氏距离函数得到气象场距离矩阵,再采用AP聚类(Affinity Propagation)(是基于数据点间的“信息传递”的一种聚类算法)方法得到历史相似案例,将n个历史污染过程分为A、B、C、...等几大类。
具体地,步骤(2)包括以下步骤:
2.1基于动态时间规整方法对齐历史污染案例的污染过程
动态时间规整在60年代由日本学者Itakura提出,把未知量伸长或缩短(压扩),直到与参考模板的长度一致,在这一过程中,未知量的时间轴会产生扭曲或弯折,以便其特征量与参考模板对应。
对于任意两个污染过程,它们的持续时间未必完全相同,为了计算两个序列的相似度,采用动态时间规整方法(DTW),使两两过程长度相同。
例如,待匹配过程共有1个时刻,而标准过程共有J个时刻,I和J不等,寻找一个时间规整函数j=W(i),它将待匹配过程的时间轴i非线性地映射到标准过程的时间轴j上,并使该函数W(i)满足:
第i个匹配时刻T(i)和第j个标准过程的R(j)之间的距离为D(i,j),在最优时间规整情况下,所有时刻的距离之和∑D(i,j)最小。
实现步骤:
给定两个时间序列Q和C,他们的长度分别是n和m:
Q=[q1,q2,...qn]
C=[c1,c2,..cm]
若m=n,可直接计算两个序列的距离;
若m≠n,则需要线性缩放,即把短的序列线性放大到和长序列一样的长度,或者把长的线性缩短到和短序列一样的长度。实践中,更多的是采用动态规划(dynamicprogramming)的方法,具体如下:
为对齐这两个序列,构造一个n×m的矩阵网格,矩阵(i,j)处的元素为qi和cj两个点的距离d(qi,cj)(即序列Q的每一个点和序列C的每一个点之间的距离,距离越小则相似度越高),一般采用欧式距离,即d(qi,cj)=(qi-cj)2。该DP方法可以归结为寻找一条通过此网格中若干格点的路径,路径通过的格点即为两个序列进行计算的对齐的点。
我们把这条路径定义为warping path规整路径,并用W来表示,W的第k个元素定义为W(i,j)k,
W=w1,w2,...,wk,...wK max(m,n)<=K<=m+n-1
规整代价最小的路径为:
同时我们认为Q,C规整代价最小的路径时的序列为长度相同的Q’,C’;此时我们将通过新序列Q’,C’来计算其他对应时刻要素场之间的相似度。
DTW举例:
图2为本发明实施例中的两个历史污染过程:参考过程P1:2015年11月11日14时-15日22时;测试污染过程(待匹配过程)P2:2015年12月18日23时-24日02时;其中P1持续时间104小时,P2持续时间123小时,这两个污染过程的持续时间不同。
首先通过等时间间隔分段选取参考过程P1和待匹配过程P2五个特征时刻点,特征时刻点分布如图3所示。
然后对两个不同时间长度的时间序列进行DTW计算得到两个新的序列(图4)和两个序列最小距离的最优路径(图5)。
如图6所示,通过最优路径的格点坐标优化后的待测过程特征时刻(五角星)分布不难发现,最优路径上的特征时刻对应的浓度特征具有更好、更相似的变化趋势特征。
2.2对每个历史污染案例的每一个时刻,提取其气象要素数据并进行降维,得到最相关的气象要素并统一气象要素的空间和时间分辨率,其具体方法为:提取数据中目标要素目标经纬度范围的区域数据,并通过主成分分析(PCA)算法将数据降维。
2.3分要素分时刻计算历史污染案例某要素某时刻的相似度。
这里的要素是指上述海平面气压、2m温度、2米比湿、2米相对湿度、海平面温度、10米风速风向等等各类气象要素数据。
关于时刻对,举例说明,若有3个历史污染案例,各自分为4个时刻,则共有以下36个时刻对:
1-1,1-2,1-3,1-4,经动态规整与其对应的2-1(1),2-2(1),2-3(1),2-4(1),3-1(1),3-2(1),3-3(1),3-4(1);其中,1-1表示第一历史污染案例的第一时刻,1-2表示第一历史污染案例的第二时刻,以此类推,2-1(1)表示与1-1对应的第二历史污染案例的第一时刻,2-2(1)表示与1-2对应的第二历史污染案例的第二时刻,以此类推;
2-1,2-2,2-3,2-4,经动态规整与其对应的1-1(2),1-2(2),1-3(2),1-4(2),3-1(2),3-2(2),3-3(2),3-4(2);
3-1,3-2,3-3,3-4,经动态规整与其对应的2-1(3),2-2(3),2-3(3),2-4(3),1-1(3),1-2(3),1-3(3),1-4(3);
上式中,n为降维后气象要素特征向量维度;ui,vi分别为待比较的两个向量第i个维度分量,SIMangle,SIMdistance分别为待比较的某要素某时刻的空间距离与余弦角度,其最大最小值对应待比较要素所有时刻数据集的最大最小值,α为空间距离与余弦角度的权重,SIMi为最终的待比较的某要素某时刻的相似度,其取值范围在[0,1]。
2.4计算某时刻全要素相似度
上式中,n为选取的总气象要素个数,β为对应气象要素权重。
2.5计算某两个历史污染案例(即全时刻全要素)的相似度
SIMab=0.5*SIMa-b+0.5*SIMb-a
式中,n为各历史污染案例划分的时刻数,SIMa-b为a案例对b案例的相似度,SIMb-a为b案例对a案例的相似度。
2.6最终获得如下格式的历史污染案例相似度矩阵,基于AP聚类算法对其进行分类获得历史相似气象特征大类。
SIMa-a | SIMa-b | SIMa-c | SIMa-d |
SIMb-a | SIMb-b | SIMb-c | SIMb-d |
SIMc-a | SIMc-b | SIMc-c | SIMc-d |
SIMd-a | SIMd-b | SIMd-c | SIMd-d |
在一个实施例中,为了得到在时间尺度上更为相似的历史污染案例,对于历史相似气象特征大类下的污染浓度曲线,采用动态时间规整DTW得到污染距离矩阵(如图7所示),污染距离矩阵的计算方法与历史污染案例相似度的计算方法相同。通过计算最小距离,最终得到最相似的两个历史污染案例(气象特征相似和污染过程曲线相似),生成每大类相似气象特征(A、B、...)下浓度曲线相似的各小类A(a1、a2、...)、B(b1、h2、...)。
在该步骤中,主要利用DTW计算出任意两个历史污染过程的距离,再以历史相似气象特征大类为限制比较同一大类下的各条污染浓度曲线距离,两两最近的为一组,分为小类。
2015~2016年北京市历史88个污染案例按照上述方法的分类如下表所示,按照气象特征相似分为16大类,并在此基础上根据污染曲线的相似进一步分出如下小类。
2015~2016年北京市88个污染过程浓度曲线的DTW距离矩阵
在一些实施例中,本发明还可以用于将未来污染过程与历史污染过程进行匹配。
首先获取根据预报的目标区域未来某时段内的气象要素和基于数值、统计预报的浓度时序数据;根据步骤(2)的方法,计算未来污染过程气象特征与各类气象特征的相似度,总相似度>0.7时,判断为与未来污染过程气象特征相似;再根据步骤(3)的方法,计算未来污染过程污染浓度曲线与该大类下各污染过程浓度曲线的距离,其中距离最小的污染过程被判定为识别出的相似案例,并对此未来污染过程进行归类。
相应地,本发明提出一种污染相似案例门动识别的装置,如图8所示,该装置包括:
数据获取模块,用于获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;
相似气象特征识别模块,用于计算不同历史污染案例的气象要素数据之间的相似度,获得历史相似气象特征大类;
相似污染浓度曲线识别模块,用于计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
根据本发明的实施例,根据本发明的方法流程可以被实现为计算机软件程序。例如,本发明的实施例包括一种电子设备,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行上述方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被处理器执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,所述装置可以通过计算机程序模块来实现。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读存储介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM和/或RAM和/或ROM和RAM以外的一个或多个存储器。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种污染相似案例自动识别的方法,其特征在于,包括:
(1)获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;
(2)计算不同历史污染案例的气象要素数据之间的相似度,获得历史相似气象特征大类;其中,计算所述不同历史污染案例的气象要素数据之间的相似度的方法包括:
基于动态时间规整方法对齐历史污染案例的污染过程;
获得全部历史污染案例的相似度矩阵,通过聚类算法获得历史相似气象特征大类;其中,
获得全部历史污染案例的相似度矩阵的步骤包括:
提取污染过程中每个时刻的气象要素数据并进行降维;
计算任意两个历史污染案例中在某个时刻全部气象要素数据的相似度;
计算任意两个历史污染案例的相似度;其中,
采用下式计算任意两个历史污染案例中在某个时刻全部气象要素数据的相似度:
其中,n为降维后气象要素特征向量维度;ui,vi分别为待比较的两个向量第i个维度分量,SIMangle和SIMdistance分别为待比较的某气象要素某时刻的空间距离与余弦角度,其最大最小值对应待比较气象要素所有时刻数据集的最大最小值,α为空间距离与余弦角度的权重,SIMi为最终的待比较的某气象要素某时刻的相似度,取值范围在[0,1];
某时刻全部气象要素的相似度为
其中,n为选取的气象要素总数,β为对应气象要素权重;
采用下式计算任意两个历史污染案例的相似度:
SIMab=0.5*SIMa-b+0.5*SIMb-a
其中,n为各历史污染案例划分的时刻数,SIMa-b为a案例对b案例的相似度,SIMb-a为b案例对a案例的相似度;
(3)计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类;其中,计算所述每个相似气象特征大类下的污染浓度曲线的相似度的方法包括:
采用动态时间规整DTW得到污染距离矩阵,通过计算最小距离得到最相似的历史污染案例。
2.根据权利要求1所述的方法,其中,所述气象要素数据包括:海平面气压、2m温度、2米比湿、2米相对湿度、海平面温度、10米风速风向、10米UV分量、850hPa温度、850hPa位势高度、850hPa与2米温差、850hPa三小时变温、500hPa位势高度中的一种或多种。
3.一种污染相似案例自动识别的装置,其中,所述装置用于实现如权利要求1所述的污染相似案例自动识别的方法,所述装置包括:
数据获取模块,用于获得目标区域历史污染案例,提取每个历史污染案例的污染物浓度数据和气象要素数据;
相似气象特征识别模块,用于计算不同历史污染案例的气象要素数据之间的相似度,获得历史相似气象特征大类;
相似污染浓度曲线识别模块,用于计算每个相似气象特征大类下的污染浓度曲线的相似度,获得污染浓度曲线小类;
其中,所述气象要素数据包括:海平面气压、2m温度、2米比湿、2米相对湿度、海平面温度、10米风速风向、10米UV分量、850hPa温度、850hPa位势高度、850hPa与2米温差、850hPa三小时变温、500hPa位势高度中的一种或多种。
4.一种电子设备,包括:
处理器,
计算机可读介质,用于存储计算机程序;
其中,当所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1或2任一项所述方法。
5.一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时使处理器执行权利要求1或2任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155116.8A CN113361556B (zh) | 2020-03-06 | 2020-03-06 | 污染相似案例自动识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155116.8A CN113361556B (zh) | 2020-03-06 | 2020-03-06 | 污染相似案例自动识别的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361556A CN113361556A (zh) | 2021-09-07 |
CN113361556B true CN113361556B (zh) | 2023-12-26 |
Family
ID=77524316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010155116.8A Active CN113361556B (zh) | 2020-03-06 | 2020-03-06 | 污染相似案例自动识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361556B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN106936129A (zh) * | 2017-03-23 | 2017-07-07 | 东北大学 | 基于多特征融合的电力负荷辨识方法及系统 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 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 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866630A (zh) * | 2019-09-27 | 2020-03-06 | 兰州大方电子有限责任公司 | 一种历史相似性天气分析方法 |
-
2020
- 2020-03-06 CN CN202010155116.8A patent/CN113361556B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN106936129A (zh) * | 2017-03-23 | 2017-07-07 | 东北大学 | 基于多特征融合的电力负荷辨识方法及系统 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 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 |
Non-Patent Citations (2)
Title |
---|
基于社区划分的空气质量指数(AQI)预测算法;袁燕;陈伯伦;朱国畅;花勇;于永涛;;南京大学学报(自然科学)(第01期);全文 * |
肇庆城区空气污染EOF分解及与气象要素的相关性分析;周义昌;翁佳烽;周静;甄国;;广东气象(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361556A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN107103754B (zh) | 一种道路交通状况预测方法及系统 | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN110598775B (zh) | 基于模糊聚类和bp神经网络的预测方法、系统及存储介质 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN113361556B (zh) | 污染相似案例自动识别的方法和装置 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN113034511A (zh) | 基于高分辨率遥感影像与深度学习的乡村建筑识别算法 | |
CN113743443A (zh) | 一种图像证据分类和识别方法及装置 | |
CN116757971A (zh) | 一种基于周围光的图像自动调整方法 | |
CN115082713B (zh) | 引入空间对比信息的目标检测框提取方法、系统及设备 | |
CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
CN116403071A (zh) | 基于特征重构的少样本混凝土缺陷检测方法及装置 | |
CN110751400A (zh) | 一种风险评估方法及装置 | |
CN115249329A (zh) | 一种基于深度学习的苹果叶片病害检测方法 | |
CN112243193A (zh) | 室内定位方法、装置、计算机设备和可读存储介质 | |
CN112598082A (zh) | 基于非校验集预测图像识别模型泛化误差的方法及系统 | |
CN107766972B (zh) | 一种能源流量延迟时间的获取方法和装置 | |
CN114723099A (zh) | 一种季节气候统计预测方法、系统、装置以及存储介质 | |
CN117577227B (zh) | 一种pm2.5点位高值识别方法、系统、设备及介质 | |
CN116385844A (zh) | 一种基于多教师模型的特征图蒸馏方法、系统和存储介质 | |
CN117648657B (zh) | 一种城市规划多源数据优化处理方法 | |
US20230214727A1 (en) | Degradation Estimation Device and Degradation Estimation Method |
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 |