CN113888381A - 污染物浓度预报方法及装置 - Google Patents
污染物浓度预报方法及装置 Download PDFInfo
- Publication number
- CN113888381A CN113888381A CN202111122604.XA CN202111122604A CN113888381A CN 113888381 A CN113888381 A CN 113888381A CN 202111122604 A CN202111122604 A CN 202111122604A CN 113888381 A CN113888381 A CN 113888381A
- Authority
- CN
- China
- Prior art keywords
- model
- concentration
- specified
- periods
- pollutants
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 145
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 145
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 38
- 229910052698 phosphorus Inorganic materials 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 14
- 238000007637 random forest analysis Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 239000000356 contaminant Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 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
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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"
Abstract
本发明公开了一种污染物浓度预报方法及装置，其中该方法包括：获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度，将H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由第一监督学习的非线性模型预报第一时段C1的指定污染物的浓度。通过本发明解决了现有技术中对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题，实现了对臭氧浓度的准确预报。
Description
技术领域
本发明涉及环境预报技术领域，尤其涉及污染物浓度预报方法及装置。
背景技术
臭氧是大气中的痕量气体，约90％以上的臭氧分布在大气平流层，不到10％的臭氧处于对流层内。臭氧具有强氧化性，环境空气中短期高浓度臭氧暴露会对人体的心血管系统和呼吸系统等造成严重的危害。此外，高浓度环境空气臭氧还会损害植物的生长和繁殖、降低农作物的产量和生物多样性等。
在PM10和PM2.5浓度显著下降的大背景下，臭氧浓度的大气污染成为了治理中的重点关注对象，获得某行政区域内年际臭氧平均浓度的准确预报值，对于科学制定长期的臭氧防控策略，评估防控效果具有极其重要的意义。而由于臭氧加入大气污染物常规观测时间较晚，时间序列较短，特定区域内不同站点的建设时间不同，导致数据不平衡。时间序列短，数据不平衡成为了制约机器学习技术在区域臭氧年平均浓度预报的主要瓶颈。
现阶段我国国控大气污染物监测站点、地方大气污染物监测站点逐渐增多，时间序列逐渐增加，数据源得到了很大的提升。某一行政区域中臭氧年平均浓度预报问题，可以描述为通过前几年该区域内臭氧浓度的变化情况，预报今后几年臭氧的年平均浓度。现阶段主要的行政区域内臭氧年平均浓度的预报方法为灰度模型算法。通过某一行政区域内前n年的臭氧年平均浓度，确定灰度模型参数，进而对该区域内的今后几年的逐年臭氧平均浓度进行预报，但是该方法只能捕捉臭氧年际变化的大体趋势，无法捕捉臭氧浓度年际变化的非线性特征。
针对现有技术中，对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明实施例提供了一种污染物浓度预报方法及装置，以解决现有技术中对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题。
为此，本发明实施例提供了如下技术方案：
本发明第一方面，提供了一种污染物浓度预报方法，包括：
获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度；
将所述H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由所述第一监督学习的非线性模型预报所述第一时段C1的指定污染物的浓度；
其中，所述第一监督学习的非线性模型通过如下训练数据训练得到：
其中，
表示所述预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。
可选地，所述方法还包括：
根据所述训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度；
随机选取所述前n个时段的指定污染物的平均浓度和所述第n+1时段的指定污染物的浓度对M个随机森林模型进行训练，得到M个第二监督学习的非线性模型：
{model1,model2,…,modelM}；
获取第二时段C2之前的H2个时段对应的H2个指定污染物的平均浓度；
将所述H2个时段对应的H2个指定污染物的平均浓度分别输入至所述M个第二监督学习的非线性模型，由所述M个第二监督学习的非线性模型预报M个第二时段C2的指定污染物的浓度；
根据所述M个第二时段C2的指定污染物的浓度获取所述第二时段C2的指定污染物的浓度变化范围：
〔min[Predict{c2}:{model1(X),model2(X),…,modelM(X)}],
max[Predict{C2}:{model1(X),model2(X),…,modelM(X)}]〕；
其中，H2、M为正整数，modelM(X)中X表示modelM的输入。
可选地，在所述第二时段C2为多个时段时，所述方法还包括：
获取多个第二时段C2的指定污染物的浓度：
Predict{1:r}:{model1(X),model2(X),…,modelM(X)}；
根据所述多个第二时段C2的指定污染物的浓度获取多个第二时段C2的指定污染物的浓度变化范围：
[min(Predict{1:r}),max(Predict{1:r})]；
其中，r表示需要预报的时段的数量。
可选地，所述指定污染物为臭氧；所述第一时段为年份。
本发明第二方面，提供了一种污染物浓度预报装置，包括：
第一获取模块，用于获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度；
第一预报模块，用于将所述H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由所述第一监督学习的非线性模型预报所述第一时段C1的指定污染物的浓度；
其中，所述第一监督学习的非线性模型通过如下训练数据训练得到：
其中，
表示所述预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。
可选地，所述装置还包括：
第二获取模块，用于根据所述训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度；
训练模块，用于随机选取所述前n个时段的指定污染物的平均浓度和所述第n+1时段的指定污染物的浓度对M个监督学习的非线性模型进行训练，得到M个第二监督学习的非线性模型：
{model1,model2,…,modelM}；
第三获取模块，用于获取第二时段C2之前的H2个时段对应的H2个指定污染物的平均浓度；
第二预报模块，用于将所述H2个时段对应的H2个指定污染物的平均浓度分别输入至所述M个第二监督学习的非线性模型，由所述M个第二监督学习的非线性模型预报M个第二时段C2的指定污染物的浓度；
第四获取模块，用于根据所述M个第二时段C2的指定污染物的浓度获取所述第二时段C2的指定污染物的浓度变化范围：
〔min[Predict{C2}:{model1(X),model2(X),…,modelM(X)}],
max[Predict{C2}:{model1(X),model2(X),…,modelM(X)}]〕；
其中，H2、M为正整数，modelM(X)中X表示modelM的输入。
可选地，在所述第二时段C2为多个时段时，所述装置还包括：
第五获取模块，用于获取多个第二时段C2的指定污染物的浓度：
Predict{1:}:{model1(X),model2(X),…,modelM(X)}；
第六获取模块，用于根据所述多个第二时段C2的指定污染物的浓度获取多个第二时段C2的指定污染物的浓度变化范围：
[min(Predoct{1:r}),max(Predict{1:r})]；
其中，r表示需要预报的时段的数量。
可选地，所述指定污染物为臭氧；所述第一时段为年份。
本发明第三方面，提供了一种电子设备，包括：
处理器；以及
存储程序的存储器，
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述第一方面中任一项所述的方法。
本发明第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据上述第一方面中任一项所述的方法。
本发明第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面中任一项所述的方法。
本发明实施例技术方案，具有如下优点：
本发明实施例提供了一种污染物浓度预报方法及装置，其中该方法包括：获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度，将H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由第一监督学习的非线性模型预报第一时段C1的指定污染物的浓度；其中，第一监督学习的非线性模型通过如下训练数据训练得到：
解决了现有技术中对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题，实现了对臭氧浓度的准确预报。
附图说明
在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：
图1示出了根据本公开示例性实施例的污染物浓度预报方法的流程图；
图2示出了根据本公开示例性实施例的污染物浓度预报方法的另一流程图；
图3示出了根据本公开示例性实施例的区域臭氧年平均预报技术路线图；
图4示出了根据本公开示例性实施例的污染物浓度预报装置的示意性框图；
图5示出了能够用于实现本发明的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
现阶段我国国控大气污染物监测站点、地方大气污染物监测站点逐渐增多，时间序列逐渐增加，数据源得到了很大的提升。对区域内多站点数据进行重新构建，训练机器学习算法，进而进行区域内臭氧年平均浓度的预报，从而为臭氧污染的科学防控提供更有力的支撑。基于此在本实施例中提供了一种污染物浓度预报方法，可用于任何智能终端设备，图1是根据本发明实施例的污染物浓度预报方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度。具体地，该指定污染物可以是臭氧、二氧化氮、一氧化碳，二氧化硫等。时段可以是按月或者按年计算，在按年计算的情况下，例如第一时段C1可以是2021年，H1可以是5年，2021年之前的5年为2020年、2019年、2018年、2017年、2016年，对应的5个指定污染物的浓度可以是2020年的臭氧浓度、2019年的臭氧浓度、2018年的臭氧浓度、2017年的臭氧浓度、2016年的臭氧浓度。本领域技术人员应当知晓，上述对指定污染物和时段的说明并非用于限制本实施例，根据实际需要选用其他污染物和时段亦在本实施例的保护范围之内。
步骤S102，将H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由该第一监督学习的非线性模型预报第一时段C1的指定污染物的浓度。监督学习的非线性模型可以为随机森林算法，决策树、极限梯度树(XGboost)、梯度下降树(GBDT)等基于树模型的方法，神经网络、支持向量机回归等方法也可以实现该步骤。
其中，该第一监督学习的非线性模型通过如下训练数据训练得到，具体地，单一站点SP，采用站点前n年数据作为输入数据，第n+1年数据作为输出数据，作为一个独立样本：
其中，
表示该预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。按上述方式可以得到单一站点的训练数据集
集合多站点的训练数据集得到
可以扩大训练数据集的样本量对算法进行训练，逐站点建立训练数据集，最大限度的利用已有观测数据，并将多站点训练数据集合并，使用训练数据集对随机森林算法进行训练并确定参数。
在步骤S102中，具体地，将连续n年(对应H1个时段)的区域臭氧年平均浓度值作为第一监督学习的非线性模型的输入，预报得到第n+1年的预报值，将后n-1年与预报得到的n+1年区域臭氧平均浓度值作为输入，得到第n+2年的臭氧浓度预报值，具体流程如下：
其中
表示臭氧的年平均浓度，
表示第一随机森林算法的臭氧浓度预报值，通过多次迭代得到多年臭氧年平均的浓度预报值。
将随机森林算法应用于行政区域臭氧年平均浓度预报，通过集合预定区域内多观测站点的臭氧观测数据，建立训练数据集，对随机森林算法进行训练，确定算法参数，在预定区域年际臭氧平均浓度预测中，将前n年的区域平均浓度作为输入，循环逐年预报今后几年的臭氧平均浓度。
通过上述实施例，创新性的将监督学习的非线性模型应用于对臭氧的预报，由于监督学习的非线性模型可以捕捉臭氧浓度年际变化的非线性特征，进而可以在臭氧浓度出现时高时低时，也能准确预报臭氧浓度，相比于现有技术中通过灰度模型算法预报臭氧浓度，由于其参数的变化趋势一致，在臭氧浓度出现波动时，其预测能力受到限制，不能准确预报，本实施例解决了现有技术中对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题，实现了对臭氧浓度的准确预报。
图2示出了根据本公开示例性实施例的污染物浓度预报方法的另一流程图，如图2所示，包括如下步骤：
步骤S201，根据训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度。
步骤S202，随机选取前n个时段的指定污染物的平均浓度和第n+1时段的指定污染物的浓度对M个监督学习的非线性模型进行训练，得到M个第二监督学习的非线性模型：
步骤S203，获取第二时段C2之前的H2个时段对应的H2个指定污染物的平均浓度。时段可以是按月或者按年计算，在按年计算的情况下，例如第一时段C2可以是2021年，H2可以是5年，2021年之前的5年为2020年、2019年、2018年、2017年、2016年，对应的5个指定污染物的浓度可以是2020年的臭氧平均浓度、2019年的臭氧平均浓度、2018年的臭氧平均浓度、2017年的臭氧平均浓度、2016年的臭氧平均浓度。本领域技术人员应当知晓，上述对指定污染物和时段的说明并非用于限制本实施例，根据实际需要选用其他污染物和时段亦在本实施例的保护范围之内。
步骤S204，将该H2个时段对应的H2个指定污染物的平均浓度分别输入至该M个第二监督学习的非线性模型，由M个第二监督学习的非线性模型预报M个第二时段C2的指定污染物的浓度；
步骤S205，根据M个第二时段C2的指定污染物的浓度获取该第二时段C2的指定污染物的浓度变化范围：
〔min[Predict{C2}:{model1(X),model2(X),…,modelM(X)}],
max[Predict{C2}:{model1(X),model2(X),…,modelM(X)}]〕；
其中，H2、M为正整数，modelM(X)中X表示modelM的输入。
通过本实施例，通过多次训练获得多个监督学习的非线性模型，对多个监督学习的非线性模型的不同年份预报结果进行分析，给出不同年份臭氧浓度的变化范围，使得用户全面了解将来臭氧浓度分布情况，目前该算法在区域臭氧年平均预报领域的应用无人涉足。
在一个可选实施例中，在第二时段C2为多个时段时，获取多个第二时段C2的指定污染物的浓度：
Predict{1:r}:{model1(X),model2(X),…,modelM(X)}；
根据该多个第二时段C2的指定污染物的浓度获取多个第二时段C2的指定污染物的浓度变化范围：[min(Predict{1:r}),max(Predict{1:r})]；其中，r表示需要预报的时段的数量。从而可以使用户对比较长时段内污染物分布情况有整体了解。
下面结合一个完整的可选实施例进行详细描述，图3示出了根据本公开示例性实施例的区域臭氧年平均预报技术路线图，如图3所示，包括如下步骤：
步骤S301，获取区域多站点年平均臭氧观测数据以及对应的时间作为训练数据集；
步骤S302，使用步骤S301得到的训练数据集对随机森林算法模型进行训练；
步骤S303，采集区域年平均臭氧观测数据输入至训练好的随机森林算法模型；
步骤S304，通过训练好的随机森林算法模型输出区域年平均臭氧预报数据；并将预报的区域年平均臭氧数据作为训练好的随机森林算法模型的输入进行下一次预报；
步骤S305，使用步骤S301得到的训练数据集对多个随机森林算法模型进行训练；
步骤S306，采集区域年平均臭氧观测数据输入至多个训练好的随机森林算法模型；
步骤S307，通过训练好的多个随机森林算法模型输出区域年平均臭氧预报数据；
步骤S308，输出臭氧平均值变化范围预报。
在本实施例中还提供了一种污染物浓度预报装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”为可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种污染物浓度预报装置，如图4示，包括：
第一获取模块41，用于获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度；
第一预报模块42，用于将该H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由该第一监督学习的非线性模型预报该第一时段C1的指定污染物的浓度；
其中，该第一监督学习的非线性模型通过如下训练数据训练得到：
其中，
表示该预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。
可选地，该装置还包括：
第二获取模块，用于根据该训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度；
训练模块，用于随机选取该前n个时段的指定污染物的平均浓度和该第n+1时段的指定污染物的浓度对M个监督学习的非线性模型进行训练，得到M个第二监督学习的非线性模型：
{model1,model2,…,modelM}；
第三获取模块，用于获取第二时段C2之前的H2个时段对应的H2个指定污染物的平均浓度；
第二预报模块，用于将该H2个时段对应的H2个指定污染物的平均浓度分别输入至该M个第二监督学习的非线性模型，由该M个第二监督学习的非线性模型预报M个第二时段C2的指定污染物的浓度；
第四获取模块，用于根据该M个第二时段C2的指定污染物的浓度获取该第二时段C2的指定污染物的浓度变化范围：
〔min[Predict{C2}:{model1(X),model2(X),…,modelM(X)}],
max[Predict{C2}:{model1(X),model2(X),…,modelM(X)}]〕；
其中，H2、M为正整数，modelM(X)中X表示modelM的输入。
可选地，在该第二时段C2为多个时段时，该装置还包括：
第五获取模块，用于获取多个第二时段C2的指定污染物的浓度：
Predict{1:r}:{model1(X),model2(X),…,modelM(X)}；
第六获取模块，用于根据该多个第二时段C2的指定污染物的浓度获取多个第二时段C2的指定污染物的浓度变化范围：
[min(Predict{1:r}),max(Predict{1:r})]；
其中，r表示需要预报的时段的数量。
可选地，该指定污染物为臭氧；该第一时段为年份。
本实施例中的一种污染物浓度预报装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应方法实施例相同，在此不再赘述。
本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元504可以包括但不限于磁盘、光盘。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理。例如，在一些实施例中，污染物浓度预报方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。在一些实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行污染物浓度预报方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
Claims (10)
1.一种污染物浓度预报方法，其特征在于，包括：
获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度；
将所述H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由所述第一监督学习的非线性模型预报所述第一时段C1的指定污染物的浓度；
其中，所述第一监督学习的非线性模型通过如下训练数据训练得到：
其中，
表示所述预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。
2.根据权利要求1所述的污染物浓度预报方法，其特征在于，所述方法还包括：
根据所述训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度；
随机选取所述前n个时段的指定污染物的平均浓度和所述第n+1时段的指定污染物的浓度对M个监督学习的非线性模型进行训练，得到M个第二监督学习的非线性模型：
{model1,model2,…,modelM}；
获取第二时段C2之前的H2个时段对应的H2个指定污染物的平均浓度；
将所述H2个时段对应的H2个指定污染物的平均浓度分别输入至所述M个第二监督学习的非线性模型，由所述M个第二监督学习的非线性模型预报M个第二时段C2的指定污染物的浓度；
根据所述M个第二时段C2的指定污染物的浓度获取所述第二时段C2的指定污染物的浓度变化范围：
〔min[Predict{C2}:{model1(X),model2(X),…,modelM(X)}],
max[Predict{C2}:{model1(X),model2(X),…,modelM(X)}]〕；
其中，H2、M为正整数，modelM(X)中X表示modelM的输入。
3.根据权利要求2所述的污染物浓度预报方法，其特征在于，在所述第二时段C2为多个时段时，所述方法还包括：
获取多个第二时段C2的指定污染物的浓度：
Predict{1:r}:{model1(X),model2(X),…,modelM(X)}；
根据所述多个第二时段C2的指定污染物的浓度获取多个第二时段C2的指定污染物的浓度变化范围：
[min(Predict{1:r}),max(Predict{1:r})]；
其中，r表示需要预报的时段的数量。
4.根据权利要求1至3中任一项所述的污染物浓度预报方法，其特征在于，所述指定污染物为臭氧；所述第一时段为年份。
5.一种污染物浓度预报装置，其特征在于，包括：
第一获取模块，用于获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度；
第一预报模块，用于将所述H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由所述第一监督学习的非线性模型预报所述第一时段C1的指定污染物的浓度；
其中，所述第一监督学习的非线性模型通过如下训练数据训练得到：
其中，
表示所述预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。
6.根据权利要求5所述的污染物浓度预报装置，其特征在于，所述装置还包括：
第二获取模块，用于根据所述训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度；
训练模块，用于随机选取所述前n个时段的指定污染物的平均浓度和所述第n+1时段的指定污染物的浓度对M个监督学习的非线性模型进行训练，得到M个第二监督学习的非线性模型：
{model1,model2,…,modelM}；
第三获取模块，用于获取第二时段C2之前的H2个时段对应的H2个指定污染物的平均浓度；
第二预报模块，用于将所述H2个时段对应的H2个指定污染物的平均浓度分别输入至所述M个第二监督学习的非线性模型，由所述M个第二监督学习的非线性模型预报M个第二时段C2的指定污染物的浓度；
第四获取模块，用于根据所述M个第二时段C2的指定污染物的浓度获取所述第二时段C2的指定污染物的浓度变化范围：
〔min[Predict{C2}:{model1(X),model2(X),…,modelM(X)}],
max[Predict{C2}:{model1(X),model2(X),…,modelM(X)}]〕；
其中，H2、M为正整数，modelM(X)中X表示modelM的输入。
7.根据权利要求6所述的污染物浓度预报装置，其特征在于，在所述第二时段C2为多个时段时，所述装置还包括：
第五获取模块，用于获取多个第二时段C2的指定污染物的浓度：
Predict{1:r}:{model1(X),model2(X),…,modelM(X)}；
第六获取模块，用于根据所述多个第二时段C2的指定污染物的浓度获取多个第二时段C2的指定污染物的浓度变化范围：
[min(Predict{1:r}),max(Predict{1:r})]；
其中，r表示需要预报的时段的数量。
8.根据权利要求5至7中任一项所述的污染物浓度预报装置，其特征在于，所述指定污染物为臭氧；所述第一时段为年份。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储程序的存储器，
其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122604.XA CN113888381B (zh) | 2021-09-24 | 2021-09-24 | 污染物浓度预报方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111122604.XA CN113888381B (zh) | 2021-09-24 | 2021-09-24 | 污染物浓度预报方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113888381A true CN113888381A (zh) | 2022-01-04 |
| CN113888381B CN113888381B (zh) | 2023-08-29 |
Family
ID=79006597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111122604.XA Active CN113888381B (zh) | 2021-09-24 | 2021-09-24 | 污染物浓度预报方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888381B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485174A (zh) * | 2023-03-14 | 2023-07-25 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
| CN116504327A (zh) * | 2022-09-26 | 2023-07-28 | 中国疾病预防控制中心环境与健康相关产品安全所 | 近地面o3人群暴露的时空精细化分析评估方法及系统 |
| CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心（珠江三角洲环境气象预报预警中心） | 基于动态有监督机器学习的臭氧污染风险预报方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
| CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
| CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
| US20210116143A1 (en) * | 2019-10-17 | 2021-04-22 | Honeywell International Inc. | Apparatuses and methods for air quality maintenance |
| 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 |
-
2021
- 2021-09-24 CN CN202111122604.XA patent/CN113888381B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
| CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
| CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
| CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
| US20210116143A1 (en) * | 2019-10-17 | 2021-04-22 | Honeywell International Inc. | Apparatuses and methods for air quality maintenance |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 丁愫;陈报章;王瑾;陈龙;张晨雷;孙少波;黄丛吾;: "基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究", 环境科学学报, no. 08 * |
| 孙宝磊: "基于BP神经网络的大气污染物浓度预测", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504327A (zh) * | 2022-09-26 | 2023-07-28 | 中国疾病预防控制中心环境与健康相关产品安全所 | 近地面o3人群暴露的时空精细化分析评估方法及系统 |
| CN116504327B (zh) * | 2022-09-26 | 2024-01-30 | 中国疾病预防控制中心环境与健康相关产品安全所 | 近地面o3人群暴露的时空精细化分析评估方法及系统 |
| CN116485174A (zh) * | 2023-03-14 | 2023-07-25 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
| CN116485174B (zh) * | 2023-03-14 | 2023-09-19 | 中山大学 | 一种臭氧污染对作物减产风险评估方法和装置 |
| CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心（珠江三角洲环境气象预报预警中心） | 基于动态有监督机器学习的臭氧污染风险预报方法 |
| CN117174197B (zh) * | 2023-08-17 | 2024-02-13 | 广东省生态气象中心（珠江三角洲环境气象预报预警中心） | 基于动态有监督机器学习的臭氧污染风险预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113888381B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113888381B (zh) | 污染物浓度预报方法及装置 | |
| CN109697207B (zh) | 时序数据的异常监控方法及系统 | |
| CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
| CN114492831B (zh) | 联邦学习模型的生成方法及其装置 | |
| CN116882321B (zh) | 气象影响量化评估方法、装置、存储介质及电子设备 | |
| CN112801423B (zh) | 空气质量监测数据的异常识别方法及装置、存储介质 | |
| CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
| CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
| CN114282721B (zh) | 污染物预报模型训练方法、装置、电子设备及存储介质 | |
| CN111680761B (zh) | 信息反馈方法、装置和电子设备 | |
| CN114494815A (zh) | 神经网络训练方法、目标检测方法、装置、设备和介质 | |
| CN116776073B (zh) | 一种污染物浓度的评估方法和装置 | |
| CN111144477A (zh) | 一种钢材表面缺陷的训练样本生成方法、系统及电子设备 | |
| CN113641804A (zh) | 预训练模型获取方法、装置、电子设备及存储介质 | |
| CN111797822A (zh) | 文字对象评价方法、装置和电子设备 | |
| CN116070923A (zh) | 大气污染情景模拟方法、装置和电子设备 | |
| CN114298389A (zh) | 一种臭氧浓度预报方法及装置 | |
| CN114241157A (zh) | 一种空气质量可视化显示方法、装置和设备 | |
| CN110458743B (zh) | 基于大数据分析的社区治理方法、装置、设备及存储介质 | |
| CN113627507A (zh) | 臭氧生成贡献率分析方法及装置 | |
| CN115239843B (zh) | 空气质量分布图的绘制方法、装置、电子设备和存储介质 | |
| CN117423406B (zh) | Ekma曲线图生成方法、装置、电子设备及存储介质 | |
| CN114662611B (zh) | 颗粒物组分数据的修复方法、装置、电子设备及存储介质 | |
| CN116757555B (zh) | 确定污染特征类型的方法、装置、电子设备和存储介质 | |
| CN115640467B (zh) | 确定天气状态的方法、特征数据库构建方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |