CN113627529A - 空气质量预测方法、装置、电子设备及存储介质 - Google Patents
空气质量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113627529A CN113627529A CN202110918016.0A CN202110918016A CN113627529A CN 113627529 A CN113627529 A CN 113627529A CN 202110918016 A CN202110918016 A CN 202110918016A CN 113627529 A CN113627529 A CN 113627529A
- Authority
- CN
- China
- Prior art keywords
- prediction
- pollution
- model
- data
- air quality
- 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
Images
Classifications
-
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Atmospheric Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (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)
Abstract
本申请提供一种空气质量预测方法、装置、电子设备及存储介质。方法包括:获取第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据;将其输入到WRF‑CMAQ模型,获得目标区域内的在第二未来时间段的第一空气质量预测结果;获取第一历史时间段内目标区域的气象观测数据和污染观测数据,并将气象观测数据、污染观测数据和第一气象预测结果输入机器学习预测模型中,获得第二污染预测结果;将第一空气污染预测结果和第二污染预测结果进行耦合,获得最终污染预测结果。本申请通过耦合的方式对WRF‑CMAQ模型输出的第一污染预测结果和机器学习模型输出的最终污染预测结果进行校正,从而提高了污染预测的准确性。
Description
技术领域
本申请涉及气象、污染预测技术领域,具体而言,涉及一种空气质量预测方法、装置、电子设备及存储介质。
背景技术
空气质量预测主要包括污染物浓度预测和气象预测,污染物主要包括PM2.5、PM10、二氧化硫SO2、二氧化氮NO2、臭氧O3和一氧化碳CO;气象预测包括温度、风速和风向等。
空气历史质量预测为人们的日常工作和生活带来了便利,现有技术中,通过机器学习的方法实现对空气质量的预测。即,预先构建机器学习模型,将过去一段时间的气象数据和污染数据输入到机器学习模型中,机器学习模型输出未来空气质量数据。这种采用机器学习模型进行空气质量预测的误差会随着预测时长的增加而增大。
发明内容
本申请实施例的目的在于提供一种空气质量预测方法、装置、电子设备及存储介质,用以提高空气质量预测的准确性。
第一方面,本申请实施例提供一种空气质量预测方法,包括:获取第一未来时间段内初始空气质量预报数据,所述第一未来数据包括第一预设区域的初始气象预报数据和初始污染预报数据;以及获取目标区域的污染源排放清单数据;将所述第一未来数据和所述排放清单输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果;将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成第二空气质量预测结果。
本申请实施例中,分别利用WRF-CMAQ模型和机器学习预测模型对第二未来时间段内的空气质量进行预测,并将二者的预测结果进行浅耦合,通过耦合的方式对WRF-CMAQ模型输出的第一污染预测结果和机器学习模型输出的第二污染预测结果进行校正,从而提高了空气质量预测的准确性。
在任一实施例中,所述将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果,包括:获取所述第一污染预测结果对应的第一权重,以及所述第二污染预测结果对应的第二权重;根据所述第一权重、所述第一污染预测结果、所述第二权重和所述第二污染预测结果获得所述最终污染预测结果。
本申请实施例通过对第一污染预测结果和第二污染预测结果赋予对应的权重,通过加权求和的方式对第一污染预测结果和第二污染预测结果进行校正,提高了预测的准确性。
在任一实施例中,所述获取所述第一污染预测结果对应的第一权重,以及所述第二污染预测结果对应的第二权重,包括:获取第一耦合特征,所述第一耦合特征包括第一气象预报数据、所述第一气象预报数据对应的预测时刻,以及所述预测时刻与当前时刻的时间差;将所述第一耦合特征输入权重预测模型中,获得所述权重预测模型输出的所述第一权重和所述第二权重。
本申请实施例利用权重预测模型获得合理的第一权重和第二权重,从而利用第一权重和第二权重进行污染物浓度的融合预测,以提高预测的准确性。
在任一实施例中,所述将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果,包括:获取第二耦合特征;所述第二耦合特征包括第一气象预报数据、所述第一气象预报数据对应的预测时刻、所述预测时刻与当前时刻的时间差、所述第一污染预测结果和所述第二污染预测结果;将所述第二耦合特征输入第一耦合预测模型中,获得所述第一耦合预测模型输出的所述最终污染预测结果;其中,所述第一耦合预测模型为预先通过第二历史时间段内所述WRF-CMAQ模型输出的第一空气质量结果、机器学习预测模型输出的历史第二污染预测结果以及真实观测结果训练获得。
本申请实施例利用第一耦合预测模型对第一污染预测结果和第二污染预测结果进行耦合校正,提高了对空气质量预测的准确性。
在任一实施例中,所述方法还包括:获取训练样本,所述训练样本包括历史污染数据和历史气象数据;将所述历史空气质量数据输入待训练的机器学习预测模型中,获得所述机器学习预测模型输出的预测结果;根据所述预测结果和所述污染观测数据构建损失函数;根据所述损失函数对所述待训练的机器学习预测模型中的参数进行优化,获得训练完成的所述机器学习预测模型。
第二方面,本申请实施例提供另一种空气质量预测方法,包括:获取第一未来时间段内初始空气质量预报数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;对所述第一空气质量预测结果进行特征提取,获得特征张量;将所述特征张量、所述气象观测数据和所述污染观测数据输入第二耦合模型,获得所述第二耦合模型输出的最终污染预测结果。
本申请实施例中,分别利用WRF-CMAQ模型和机器学习预测模型对第二未来时间段内的空气质量进行预测,并将二者的预测结果进行深度耦合,通过耦合的方式对WRF-CMAQ模型输出的第一污染预测结果和机器学习模型输出的第二污染预测结果进行校正,从而提高了空气质量预测的准确性。
在任一实施例中,所述WRF-CMAQ模型包括WRF模型、气象-化学接口模块MCIP、初始边界模块ICON、侧/顶边界模块BCON和化学传输模型;所述将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果,包括:将所述初始气象预报数据输入所述WRF模型中,获得所述WRF模型输出的所述目标区域的第一气象预报结果;根据所述第一气象预报结果、所述初始污染预报数据,通过气象-化学接口模块MCIP、初始边界模块ICON和侧/顶边界模块BCON,获取气象预报临时结果、初始场文件和边界场文件;将所述气象预报临时结果、所述初始场文件、所述边界场文件和所述目标区域的排放源清单数据输入所述化学传输模型中,获得所述化学传输模型输出的所述第一污染预测结果;其中,所述第一气象预测结果和第一污染预测结果构成第一空气质量预测结果。
第三方面,本申请实施例提供一种空气质量预测装置,包括:数据获取模块,用于:获取第一未来时间段内第一预设区域的初始空气质量预报数据、目标区域的污染物观测结果和气象观测结果,以及目标区域的排放源清单数据;第一预测模块,用于:将所述第一预设区域的初始预报数据及目标区域的排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域在第二未来时间段的第一空气质量预测结果;第二预测模块,用于:将所述目标区域的污染物真实观测结果和气象真实观测结果输入预先构建的机器学习预测模型中,获得所述机器学习预测模型输出的所述第二未来时间段的第二污染预测结果;耦合模块,用于:将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成目标空气质量预测结果。
第四方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线,其中,所述处理器和所述存储器通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面或第二方面的方法。
第五方面,本申请实施例提供一种非暂态计算机可读存储介质,包括:所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面或第二方面的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种空气质量预测方法流程示意图;
图2为本申请实施例提供的WRF-CMAQ模型的工作原理图;
图3为本申请实施例提供的机器学习预测模型的训练流程示意图;
图4为本申请实施例提供的浅耦合的预测方法流程示意图;
图5为本申请实施例提供的深耦合的预测方法流程示意图;
图6为本申请实施例提供的一种空气质量预测装置结构示意图;
图7为本申请实施例提供的一种空气质量预测装置结构示意图;
图8为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
可以理解的是,本申请实施例提供的模型训练方法以及空气质量的预测方法可以应用于终端设备(也可以称为电子设备)以及服务器;其中终端设备具体可以为智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assitant,PDA)等;服务器具体可以为应用服务器,也可以为Web服务器。另外,模型训练方法以及预测方法均可以是同一终端设备执行,也可以是不同终端设备执行。
为了便于理解,本申请实施例提供的技术方案,下面以终端设备作为执行主体为例,对本申请实施例提供的模型训练方法及预测方法的应用场景进行介绍。
图1为本申请实施例提供的一种空气质量预测方法流程示意图,如图1所示,该方法包括:
步骤101:获取第一未来时间段内初始空气质量预报数据,所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;以及获取目标区域的污染源排放清单数据。
其中,第一未来时间段为预先设定的一个历史时间段,例如:可以是一周、两周或其他。该未来时间段是相对于当前时刻来说的,以未来时间段为一周为例:若当前时刻为2021年7月18日,那么第一未来时间段可以是2021年7月19日-2021年7月25日。第一预设区域可以是全球区域也可以是指定区域范围。目标区域是指要对其进行空气质量预测的区域,例如:可以是某个城市,某个城市内的行政区等。
初始气象预报数据是指当前时刻对未来某个时间段预测的气象数据,例如:当前时刻为2021年7月18日,气象预报数据为2021年7月19日至2021年7月25日的气象数据。
初始污染预报数据是当前时刻对未来某个时间段预测的污染物数据,例如:当前时刻为2021年7月18日,历史气象预报数据为2021年7月19日至2021年7月25日的污染物数据。
污染源排放清单数据是指人类各种活动所向大气排放的污染数据,如工业排放、交通排放、生活排放等。
步骤102:将所述初始空气质量预报数据和目标区域的污染源排放清单数据输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果。
其中,WRF-CMAQ模型为一种空气质量模型,是运用大气物理、大气化学等原理,用数学方法模拟大气运动规律和化学反应过程,得到主要气象要素及环境空气中主要污染物浓度在未来时间段的变化结果。WRF-CMAQ模型的输入为初始空气质量预报数据和目标区域的污染源排放清单数据,输出为目标区域对应的第一空气质量预测结果。其中第二未来时间段可以是未来一天、未来一周,未来15天等。第一污染预测结果为第二未来时间段内的污染物预测数据;第一气象预测结果为第二未来时间段内的气象预测数据。
步骤103:获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果。
其中,第一历史时间段也为预先设定的,例如可以是一周,也可以是15天等。气象观测数据是指通过在气象监测装置获得的气象数据,污染观测数据是指通过污染物监测装置获得的污染物数据。
机器学习预测模型为预先构建并训练获得,在实际应用中,机器学习预测模型可以通过卷积神经网络等神经网络模型构建,也可以采用其他机器学习模型,本申请实施例对此不作具体限定。机器学习预测模型的输入包括气象观测数据、污染观测数据和第一气象预测结果,输出的是第二未来时间段的第二污染预测结果。
步骤104:将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成目标空气质量预测结果。
其中,采用不同的预测方法,对同一第二未来时间段的控制质量进行预测,由于WRF-CMAQ模型和机器学习预测模型都有各自的优缺点,将二者分别输出的第一控制质量预测结果和第二污染预测结果进行耦合能够提高最终获得第一空气质量预测结果的准确性。
下面介绍WRF-CMAQ模型的工作原理,如图2所示:
WRF-CMAQ模型包括WRF模型、气象-化学接口模块MCIP、初始边界模块ICON、侧/顶边界模块BCON和化学传输模型;
将初始气象预报数据和初始污染预报数据输入所述WRF模型中,获得所述WRF模型输出的目标区域的第一气象预报结果;
根据第一气象预报结果、历史污染预报结果,通过气象-化学接口模块MCIP、初始边界模块ICON和侧/顶边界模块BCON,获取气象预报临时结果、初始场文件和边界场文件;
将气象预报临时结果、初始场文件、边界场文件和目标区域的排放源清单数据输入化学传输模型中,获得化学传输模型输出的第一污染预测结果。
下面介绍机器学习预测模型的训练过程,如图3所示:
步骤301:获取训练样本,所述训练样本包括历史污染观测数据和历史气象观测数据;应当说明的是,所述历史污染观测数据构建的每一个样本都有输入部分和预测目标两个部分。输入部分对应的时间早于预测目标对应的时间,例如:输入部分对应的时间为2021年4月5日-4月7日,预测目标为2021年4月8日-10日。也就是说,用2021年4月5日-4月7日的历史污染数据来预测2021年4月8日-10日的污染数据。
表1为本申请实施例提供的气象数据和污染数据的具体参数,可以理解的是,表1中的参数只是一种示例,在实际应用中,可以根据实际情况增加或删除。
表1
步骤302:将所述历史空气质量数据输入待训练的机器学习预测模型中,获得所述机器学习预测模型输出的预测结果;其中,可以将训练样本按照预设数量进行划分成多个批,每次将一个批量的训练样本中的输入部分输入待训练的机器学习预测模型中。
步骤303:根据所述预测结果和所述预测目标构建损失函数;
步骤304:根据所述损失函数对所述待训练的机器学习预测模型中的参数进行优化,获得训练完成的所述机器学习预测模型。
在上述实施例的基础上,所述将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果,包括:
获取所述第一污染预测结果对应的第一权重,以及所述第二污染预测结果对应的第二权重;
根据所述第一权重、所述第一污染预测结果、所述第二权重和所述第二污染预测结果获得所述第二空气质量预测结果。
在具体的实施过程中,可以采用加权求和的方法对第一污染预测结果和第二污染预测结果进行耦合,如公式(1)所示:
Final_pred=α*Cmaq+(1-α)*dp (1)
其中,Final_pred为第二空气质量预测结果;α为第一权重;Cmaq为第一污染预测结果;(1-α)为第二权重;dp为第二污染预测结果。
可以理解的是,第一权重和第二权重可以根据历史经验设定,也可以通过如下方式确定:
第一步:获取第一耦合特征,所述第一耦合特征包括第一气象预报数据、所述第一气象预报数据对应的预测时刻,以及所述预测时刻与当前时刻的时间差。可以理解的是,第一气象预报数据为上述实施例中WRF-CMAQ模型预测输出的。预测时刻为第一气象预报数据对应的时间,例如:WRF-CMAQ模型输出的气象数据为未来5天内的预报数据,具体包括2021年7月19日、7月20日、7月21日、7月22日和7月23日,那么2021年7月19日的第一气象预报数据对应的第一预测时刻为2021年7月19日。
第二步:将所述第一耦合特征输入权重预测模型中,获得所述权重预测模型输出的所述第一权重和所述第二权重。
可以理解的是,权重预测模型为预先构建并训练获得,其也可以是神经网络模型或其他机器学习模型,训练该权重预测模型的训练样本包括历史时间段的训练耦合特征和对应的第一权重、第二权重。权重预测模型可以采用公式(2)所示的损失函数对内部的参数进行优化:
其中,n为训练样本的数量;targeti为第i个样本的真实污染值;Cmaqi为第i个训练样本对应的第一污染预测结果;dpi为第i个训练样本对应的第二污染预测结果。
本申请实施例利用权重预测模型获得合理的第一权重和第二权重,从而利用第一权重和第二权重进行空气质量的预测,以提高预测的准确性。
在上述实施例的基础上,所述将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得第二空气质量预测结果,包括:
获取第二耦合特征;所述第二耦合特征包括预测时刻,以及所述预测时刻与当前时刻的时间差、所述第一污染预测结果和所述第二污染预测结果;
将所述第二耦合特征输入第一耦合预测模型中,获得所述第一耦合预测模型输出的所述第二空气质量预测结果;
其中,所述第一耦合预测模型为预先通过第二历史时间段内所述WRF-CMAQ模型输出的历史第一空气质量结果、机器学习预测模型输出的第二污染预测结果以及真实观测结果训练获得。
在具体的实施过程中,图4为本申请实施例提供的浅耦合的预测方法流程示意图,如图4所示:
步骤401:获取第一未来数据;获取第一未来时间段内初始空气质量预报数据,所述第一未来时间段内初始空气质量预报数据包括第一预设区域的历史气象预报数据和历史污染预报数据;以及获取目标区域的污染源排放清单数据;应当说明的是,第一未来数据的相关解释参见上述实施例,此处不再赘述。
步骤402:将所述第一未来数据输入到WRF-CMAQ模型。
步骤403:获得空间分布、污染序列和气象序列;获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,空间分布和污染序列均代表第一污染预测结果,空间分布代表空间维度的污染物分布,污染序列代表时间维度的污染物分布;气象序列代表第一气象预测结果。
步骤404:获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据;应当说明的是,气象观测数据和污染观测数据的具体解释参见上述实施例。
步骤405:将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中。
步骤406:获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果。
步骤407:利用第一耦合预测模型进行耦合;获取第二耦合特征;所述第二耦合特征包括预测时刻,以及所述预测时刻与当前时刻的时间差、所述第一污染预测结果和所述第二污染预测结果;将所述第二耦合特征输入第一耦合预测模型中。应当说明的是,第一耦合预测模型为预先通过第二历史时间段内WRF-CMAQ模型输出的第一空气质量结果、机器学习预测模型输出的第二污染预测结果以及真实观测结果训练获得。
步骤408:获得所述第一耦合预测模型输出的所述最终污染预测结果。
本申请实施例利用第一耦合预测模型对第一污染预测结果和第二污染预测结果进行耦合校正,提高了对空气质量预测的准确性。
图5为本申请实施例提供的深耦合的预测方法流程示意图,如图5所示,该方法包括:
步骤501:获取第一未来时间段内初始空气质量预报数据、目标区域的污染源排放清单数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;应当说明的是,初始空气质量预报数据、污染源排放清单数据、气象观测数据和污染观测数据的具体解释参见上述实施例,为了便于描述,将初始空气质量预报数据称为第一未来数据。
步骤502:将所述第一未来数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果。
步骤503:对所述第一空气质量预测结果进行特征提取,获得特征张量;其中,第一空气质量预测结果可以用多维数组进行表示,例如:(batch_size,pred_len,feature_len,num_grid_x,num_grid_y,num_grid_z),各个维度分别表示样本数量、预测时长、特征种类、以及WRF-CMAQ的3维网格数量。提取特征张量的模型可以为传统的机器学习模型,也可以为神经网络。以多维卷积神经网络为例,类似图像卷积,以站点的网格数(num_grid_x,num_grid_y,num_grid_z)作为图像的像素点,以特征种类feature_len作为图像的通道,对每个时刻的数据分别利用三维卷积层进行处理,得到特征抽取结果。
步骤504:将特征张量、气象观测数据和污染观测数据输入第二耦合模型,获得第二耦合模型输出的最终污染预测结果。
其中,第二耦合模型可以是通过神经网络模型或其他机器学习模型构建并训练获得,其训练方法与上述实施例中针对机器学习预测模型的训练流程类似,不同的是训练样本。第二耦合模型的训练样本为历史时间段内第一空气质量预测结果对应的特征张量、目标区域的气象观测数据及污染观测数据。
本申请实施例中,分别利用WRF-CMAQ模型和机器学习预测模型对未来预设时间段内的空气质量进行预测,并将二者的预测结果进行深度耦合,通过耦合的方式对WRF-CMAQ模型输出的第一污染预测结果和机器学习模型输出的第二污染预测结果进行校正,从而提高了空气质量预测的准确性。
图6为本申请实施例提供的一种空气质量预测装置结构示意图,该装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。所述装置包括:数据获取模块601、第一预测模块602、第二预测模块603和耦合模块604,其中:
数据获取模块601用于获取第一未来时间段内初始空气质量预报数据,所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;获取目标区域的污染源排放清单数据;
第一预测模块602用于将所述初始空气质量预报数据和目标区域的污染源排放清单数据输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;
第二预测模块603用于获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果;
耦合模块604用于将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成第二空气质量预测结果。
在上述实施例的基础上,耦合模块604具体用于:
获取所述第一污染预测结果对应的第一权重,以及所述第二污染预测结果对应的第二权重;
根据所述第一权重、所述第一污染预测结果、所述第二权重和所述第二污染预测结果获得所述最终污染预测结果。
在上述实施例的基础上,耦合模块604具体用于:
获取第一耦合特征,所述第一耦合特征包括第一气象预报数据、所述第一气象预报数据对应的预测时刻,以及所述预测时刻与当前时刻的时间差;
将所述第一耦合特征输入权重预测模型中,获得所述权重预测模型输出的所述第一权重和所述第二权重。
在上述实施例的基础上,耦合模块604具体用于:
获取第二耦合特征;所述第二耦合特征包括:第一气象预报数据、所述第一气象预报数据对应的预测时刻、所述预测时刻与当前时刻的时间差、所述第一污染预测结果和所述第二污染预测结果;
将所述第二耦合特征输入第一耦合预测模型中,获得所述第一耦合预测模型输出的所述最终污染预测结果;
其中,所述第一耦合预测模型为预先通过第二历史时间段内所述WRF-CMAQ模型输出的历史第一空气质量结果、机器学习预测模型输出的第二污染预测结果以及真实观测结果训练获得。
在上述实施例的基础上,该装置还包括训练模块,用于:
获取训练样本,所述训练样本构建于历史空气质量数据;其中,所述历史空气质量数据包括历史污染观测数据和历史气象观测数据;
将所述历史污染数据和所述历史气象数据输入待训练的机器学习预测模型中,获得所述机器学习预测模型输出的预测结果;
根据所述预测结果和所述历史污染观测数据构建损失函数;
根据所述损失函数对所述待训练的机器学习预测模型中的参数进行优化,获得训练完成的所述机器学习预测模型。
图7为本申请实施例提供的一种空气质量预测装置结构示意图,该装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图5方法实施例对应,能够执行图5方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。所述装置包括:历史数据获取模块701、第三预测模块702、特征提取模块703和第四预测模块704,其中:
历史数据获取模块701用于获取第一未来时间段内初始空气质量预报数据、目标区域的污染源排放清单数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;
第三预测模块702用于将所述未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;可以理解的是,第三预测模块702与上述实施例中的第一预测模块602可以为同一个模块。
特征提取模块703用于对所述第一污染预测结果进行特征提取,获得特征张量;
第四预测模块704用于将所述特征张量、第一气象预测结果、所述气象观测数据和所述污染观测数据输入第二耦合模型,获得所述第二耦合模型输出的最终污染预测结果。
在上述实施例的基础上,所述WRF-CMAQ模型包括WRF模型、气象-化学接口模块MCIP、初始边界模块ICON、侧/顶边界模块BCON和化学传输模型;所述将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果,包括:
将所述初始气象预报数据输入所述WRF模型中,获得所述WRF模型输出的所述目标区域的第一气象预测结果;
根据所述第一气象预测结果、所述初始污染预报数据,通过气象-化学接口模块MCIP、初始边界模块ICON和侧/顶边界模块BCON,获取气象预报临时结果、初始场文件和边界场文件;
将所述气象预报临时结果、所述初始场文件、所述边界场文件和所述目标区域的排放源清单数据输入所述化学传输模型中,获得所述化学传输模型输出的所述第一污染预测结果;其中,所述第一气象预测结果和第一污染预测结果构成第一空气质量预测结果。
图8为本申请实施例提供的电子设备实体结构示意图,如图8所示,所述电子设备,包括:处理器(processor)801、存储器(memory)802和总线803;其中,
所述处理器801和存储器802通过所述总线803完成相互间的通信;
所述处理器801用于调用所述存储器802中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取第一未来时间段内初始空气质量预报数据,所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;获取目标区域的污染源排放清单数据;将所述初始空气质量预报数据和目标区域的污染源排放清单数据输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果;将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成第二空气质量预测结果。或
获取第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述第一未来时间段内初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;对所述第一空气质量预测结果进行特征提取,获得特征张量;将所述特征张量、所述第一气象预测结果、所述气象观测数据和所述污染观测数据输入第二耦合模型,获得所述第二耦合模型输出的所述最终污染预测结果。
处理器801可以是一种集成电路芯片,具有信号处理能力。上述处理器801可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。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。
存储器802可以包括但不限于随机存取存储器(RandomAccess Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)等。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取第一未来时间段内初始空气质量预报数据,所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;获取目标区域的污染源排放清单数据;将所述初始空气质量预报数据和目标区域的污染源排放清单数据输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果;将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成第二空气质量预测结果。或
获取第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述第一未来时间段内初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;对所述第一污染预测结果进行特征提取,获得特征张量;将所述特征张量、所述第一气象预测结果、所述气象观测数据和所述污染观测数据输入第二耦合模型,获得所述第二耦合模型输出的所述最终污染预测结果。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取第一未来时间段内初始空气质量预报数据,所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;获取目标区域的污染源排放清单数据;将所述初始空气质量预报数据和目标区域的污染源排放清单数据输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果;将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成第二空气质量预测结果。或
获取第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述第一未来时间段内初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;对所述第一空气质量预测结果进行特征提取,获得特征张量;将所述特征张量、所述第一气象预测结果、所述气象观测数据和所述污染观测数据输入第二耦合模型,获得所述第二耦合模型输出的所述最终污染预测结果。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种空气质量预测方法,其特征在于,包括:
获取第一未来时间段内初始空气质量预报数据,所述初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;获取目标区域的污染源排放清单数据;
将所述初始空气质量预报数据和目标区域的污染源排放清单数据输入到WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域内的在第二未来时间段的第一空气质量预测结果;其中,所述第一预设区域包含所述目标区域,所述第一未来时间段包含所述第二未来时间段,所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;
获取第一历史时间段内所述目标区域的气象观测数据和污染观测数据,并将所述气象观测数据、所述污染观测数据和所述第一气象预测结果输入预先构建的机器学习预测模型中,获得所述目标区域内所述机器学习预测模型输出的在所述第二未来时间段的第二污染预测结果;
将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果;其中,所述第一气象预测结果和所述最终污染预测结果构成第二空气质量预测结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果,包括:
获取所述第一污染预测结果对应的第一权重,以及所述第二污染预测结果对应的第二权重;
根据所述第一权重、所述第一污染预测结果、所述第二权重和所述第二污染预测结果获得所述最终污染预测结果。
3.根据权利要求2所述的方法,其特征在于,所述获取所述第一污染预测结果对应的第一权重,以及所述第二污染预测结果对应的第二权重,包括:
获取第一耦合特征,所述第一耦合特征包括第一气象预报数据、所述第一气象预报数据对应的预测时刻,以及所述预测时刻与当前时刻的时间差;
将所述第一耦合特征输入权重预测模型中,获得所述权重预测模型输出的所述第一权重和所述第二权重。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果,包括:
获取第二耦合特征;所述第二耦合特征包括:第一气象预报数据、所述第一气象预报数据对应的预测时刻、所述预测时刻与当前时刻的时间差、所述第一污染预测结果和所述第二污染预测结果;
将所述第二耦合特征输入第一耦合预测模型中,获得所述第一耦合预测模型输出的所述最终污染预测结果;
其中,所述第一耦合预测模型为预先通过第二历史时间段内所述WRF-CMAQ模型输出的历史第一空气质量结果、机器学习预测模型输出的第二污染预测结果以及真实观测结果训练获得。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取训练样本,所述训练样本包括历史空气质量数据;其中,所述历史空气质量数据包括历史污染观测数据和历史气象观测数据;
将所述历史污染观测数据和所述历史气象观测数据输入待训练的机器学习预测模型中,获得所述机器学习预测模型输出的预测结果;
根据所述预测结果和所述历史污染观测数据构建损失函数;
根据所述损失函数对所述待训练的机器学习预测模型中的参数进行优化,获得训练完成的所述机器学习预测模型。
6.一种空气质量预测方法,其特征在于,包括:
获取第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据,以及第一历史时间段内目标区域的气象观测数据和污染观测数据;所述第一未来时间段内初始空气质量预报数据包括第一预设区域的初始气象预报数据和初始污染预报数据;
将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果;所述第一空气质量预测结果包括第一污染预测结果和第一气象预测结果;
对所述第一空气质量预测结果进行特征提取,获得特征张量;
将所述特征张量、所述第一气象预测结果、所述气象观测数据和所述污染观测数据输入第二耦合模型,获得所述第二耦合模型输出的所述最终污染预测结果。
7.根据权利要求1或6所述的方法,其特征在于,所述WRF-CMAQ模型包括WRF模型、气象-化学接口模块MCIP、初始边界模块ICON、侧/顶边界模块BCON和化学传输模型;所述将所述第一未来时间段内初始空气质量预报数据及目标区域的污染源排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域的第一空气质量预测结果,包括:
将所述初始气象预报数据输入所述WRF模型中,获得所述WRF模型输出的所述目标区域的第一气象预测结果;
根据所述第一气象预测结果、所述初始污染预报数据,通过气象-化学接口模块MCIP、初始边界模块ICON和侧/顶边界模块BCON,获取气象预报临时结果、初始场文件和边界场文件;
将所述气象预报临时结果、所述初始场文件、所述边界场文件和所述目标区域的排放源清单数据输入所述化学传输模型中,获得所述化学传输模型输出的所述第一污染预测结果;其中,所述第一气象预测结果和第一污染预测结果构成第一空气质量预测结果。
8.一种空气质量预测装置,其特征在于,包括:
数据获取模块,用于获取第一未来时间段内第一预设区域的初始空气质量预报数据、目标区域的污染物观测结果和气象观测结果,以及目标区域的排放源清单数据;
第一预测模块,用于将所述第一预设区域的初始空气质量预报数据及目标区域的排放清单数据输入WRF-CMAQ模型,获得所述WRF-CMAQ模型输出的所述目标区域在第二未来时间段的第一空气质量预测结果;
第二预测模块,用于将所述目标区域的污染物真实观测结果和气象真实观测结果输入预先构建的机器学习预测模型中,获得所述机器学习预测模型输出的所述第二未来时间段的第二空气污染预测结果;
耦合模块,用于将所述第一污染预测结果和所述第二污染预测结果进行耦合,获得最终污染预测结果。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918016.0A CN113627529B (zh) | 2021-08-11 | 2021-08-11 | 空气质量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918016.0A CN113627529B (zh) | 2021-08-11 | 2021-08-11 | 空气质量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627529A true CN113627529A (zh) | 2021-11-09 |
CN113627529B CN113627529B (zh) | 2023-07-07 |
Family
ID=78384321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918016.0A Active CN113627529B (zh) | 2021-08-11 | 2021-08-11 | 空气质量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627529B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063197A (zh) * | 2021-11-16 | 2022-02-18 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
CN114757429A (zh) * | 2022-04-27 | 2022-07-15 | 北京清创美科环境科技有限公司 | 一种pm2.5浓度目标获取方法及装置 |
CN115237896A (zh) * | 2022-07-12 | 2022-10-25 | 四川大学 | 一种基于深度学习预报空气质量的数据前处理方法及系统 |
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 |
CN117408128A (zh) * | 2023-04-13 | 2024-01-16 | 华南理工大学 | 一种空气质量模拟与观测机器学习no2耦合预报方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130174646A1 (en) * | 2012-01-09 | 2013-07-11 | David Martin | Networked air quality monitoring |
CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
CN111832222A (zh) * | 2020-06-28 | 2020-10-27 | 成都佳华物链云科技有限公司 | 一种污染物浓度的预测模型训练方法、预测方法及装置 |
CN112001520A (zh) * | 2020-06-05 | 2020-11-27 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
CN112132336A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
US20210042648A1 (en) * | 2019-08-06 | 2021-02-11 | International Business Machines Corporation | Abnormal air pollution emission prediction |
CN112766454A (zh) * | 2020-12-04 | 2021-05-07 | 山东科技大学 | 一种空气pm2.5浓度预测方法、系统、终端及存储介质 |
CN112836862A (zh) * | 2021-01-15 | 2021-05-25 | 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) | 一种基于机器学习算法的集合预报方法、系统及介质 |
CN113011637A (zh) * | 2021-02-25 | 2021-06-22 | 上海眼控科技股份有限公司 | 空气质量的预测方法、装置、设备及存储介质 |
-
2021
- 2021-08-11 CN CN202110918016.0A patent/CN113627529B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130174646A1 (en) * | 2012-01-09 | 2013-07-11 | David Martin | Networked air quality monitoring |
CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
CN109615147A (zh) * | 2018-12-27 | 2019-04-12 | 浙江大学 | 一种未来72小时大气污染预报预警方法 |
US20210042648A1 (en) * | 2019-08-06 | 2021-02-11 | International Business Machines Corporation | Abnormal air pollution emission prediction |
CN110533248A (zh) * | 2019-09-02 | 2019-12-03 | 中科格物智信(天津)科技有限公司 | 融合机器学习和lstm的大气污染物浓度预测方法 |
CN112001520A (zh) * | 2020-06-05 | 2020-11-27 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备及存储介质 |
CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
CN111832222A (zh) * | 2020-06-28 | 2020-10-27 | 成都佳华物链云科技有限公司 | 一种污染物浓度的预测模型训练方法、预测方法及装置 |
CN112132336A (zh) * | 2020-09-22 | 2020-12-25 | 南京创蓝科技有限公司 | 一种pm2.5浓度的季度预测方法 |
CN112766454A (zh) * | 2020-12-04 | 2021-05-07 | 山东科技大学 | 一种空气pm2.5浓度预测方法、系统、终端及存储介质 |
CN112836862A (zh) * | 2021-01-15 | 2021-05-25 | 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) | 一种基于机器学习算法的集合预报方法、系统及介质 |
CN113011637A (zh) * | 2021-02-25 | 2021-06-22 | 上海眼控科技股份有限公司 | 空气质量的预测方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
QI LIAO等: "Deep Learning for Air Quality Forecasts: a Review", CURRENT POLLUTION REPORTS, pages 399 - 409 * |
XINYUE MO等: "A Novel Air Quality Early-Warning System Based on Artificial Intelligence", INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH, vol. 16, no. 19, pages 1 - 25 * |
刘星宇: "基于机器学习的空气质量分析与预测", 中国优秀硕士学位论文全文数据库 工程科技I辑, no. 4, pages 027 - 674 * |
危浩: "空气质量模拟与监测数据融合方法优化及应用", 中国优秀硕士学位论文全文数据库 工程科技I辑, no. 6, pages 027 - 267 * |
安俊岭等: "全耦合空气质量预报模式系统", 地球科学进展, vol. 33, no. 5, pages 445 - 454 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063197A (zh) * | 2021-11-16 | 2022-02-18 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
CN114757429A (zh) * | 2022-04-27 | 2022-07-15 | 北京清创美科环境科技有限公司 | 一种pm2.5浓度目标获取方法及装置 |
CN115237896A (zh) * | 2022-07-12 | 2022-10-25 | 四川大学 | 一种基于深度学习预报空气质量的数据前处理方法及系统 |
CN117408128A (zh) * | 2023-04-13 | 2024-01-16 | 华南理工大学 | 一种空气质量模拟与观测机器学习no2耦合预报方法 |
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 |
---|---|
CN113627529B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627529A (zh) | 空气质量预测方法、装置、电子设备及存储介质 | |
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 | |
CN111554408B (zh) | 城市内部登革热时空预测方法、系统及电子设备 | |
Huang et al. | An overview of air quality analysis by big data techniques: Monitoring, forecasting, and traceability | |
Monteleoni et al. | Climate informatics: accelerating discovering in climate science with machine learning | |
CN112001520A (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
CN115345390B (zh) | 一种行为轨迹预测方法、装置、电子设备及存储介质 | |
CN116087421A (zh) | 大气污染物监测溯源方法、装置、计算机设备和存储介质 | |
Jing et al. | A Multi-imputation method to deal with hydro-meteorological missing values by integrating chain equations and random forest | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN111428405B (zh) | 细颗粒物浓度仿真方法、装置、存储介质及电子设备 | |
Padilla et al. | Air quality prediction using recurrent air quality predictor with ensemble learning | |
CN112990530A (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
CN116757366A (zh) | 高污染排放污染源选址的方法、装置、介质及电子设备 | |
CN112001074A (zh) | 一种基于植被覆盖率的污染物治理方法、装置、存储介质 | |
CN111458770A (zh) | 降水量预报评估方法、装置、计算机设备及存储介质 | |
CN114819781A (zh) | 环境容量计算方法、装置、计算机设备及存储介质 | |
Dey et al. | CombineDeepNet: A Deep Network for Multistep Prediction of Near-Surface PM $ _ {2.5} $ Concentration | |
CN114676601A (zh) | 排放成本计算方法、装置、计算机设备及存储介质 | |
CN115549082A (zh) | 基于负荷挖掘和lstm神经网络的电力负荷预测方法 | |
CN113761806A (zh) | 一种基于神经网络的大气能见度预测方法 | |
CN107688878A (zh) | 空气质量预测方法及装置 | |
CN114492905A (zh) | 基于多模型融合的客诉率预测方法、装置和计算机设备 | |
CN115858506A (zh) | 炼化环境空气清洁度预测方法、装置、电子设备及存储介质 | |
CN115759413B (zh) | 一种气象预测方法、装置、存储介质及电子设备 |
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 |