CN113901714A - 基于人工智能的臭氧层预报算法 - Google Patents

基于人工智能的臭氧层预报算法 Download PDF

Info

Publication number
CN113901714A
CN113901714A CN202111175211.5A CN202111175211A CN113901714A CN 113901714 A CN113901714 A CN 113901714A CN 202111175211 A CN202111175211 A CN 202111175211A CN 113901714 A CN113901714 A CN 113901714A
Authority
CN
China
Prior art keywords
ozone
neural network
monitoring station
concentration
predicted
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
Application number
CN202111175211.5A
Other languages
English (en)
Other versions
CN113901714B (zh
Inventor
汪浩笛
史剑
杜辉
张文
郭海龙
曾智
张雪艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111175211.5A priority Critical patent/CN113901714B/zh
Priority to PCT/CN2021/129850 priority patent/WO2023056682A1/zh
Publication of CN113901714A publication Critical patent/CN113901714A/zh
Application granted granted Critical
Publication of CN113901714B publication Critical patent/CN113901714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于人工智能的臭氧层预报算法，包括以下步骤：S1.建立臭氧浓度监测站点；S2.收集、获取历史气象数据；S3.选取影响因子；S4.对一天O3‑8h值进行初步预测；S5.建立新的超混沌系统；S6.建立人工神经网络；S7.建立混沌人工神经网络；S8.利用混沌人工神经网络进行长短期预报。本发明有助于简化传统数值天气预报方法的研究过程，传统数值天气预报方法往往比较复杂，计算要求较高，本发明采用CANN操作与其他神经网络的相似之处在于它不依赖于参数和输出之间的复杂关系，但它依赖于权值的不断变化，使参数与输出紧密关联，避免了繁琐的数学建模。

Description

基于人工智能的臭氧层预报算法
技术领域
本发明属于臭氧层预报技术领域，具体涉及基于人工智能的臭氧层预报算法。
背景技术
臭氧层是大气层的平流层中臭氧浓度高的层次。浓度最大的部分位于20—25公里的高度处。若把臭氧层的臭氧校订到标准情况，则其厚度平均仅为3毫米左右。臭氧含量随纬度、季节和天气等变化而不同。紫外辐射在高空被臭氧吸收，对大气有增温作用，同时保护了地球上的生物免受远紫外辐射的伤害，透过的少量紫外辐射，有杀菌作用，对生物大有裨益。
随着结构性减排措施的不断深入，环保技术的大面积推广，以及清洁能源的逐渐普及，颗粒物浓度实现了逐年下降。然而，臭氧污染却“不降反升”，成为下阶段大气污染防治工作亟待解决的难题。大气臭氧污染成因复杂，给现实治理工作带来很大困难。
目前现有的基于人工智能的臭氧层预报算法还存在一些问题：数学建模过程比较繁琐，不方便对臭氧浓度进行准确的预报，不利于环境保护，为此我们提出基于人工智能的臭氧层预报算法。
发明内容
本发明的目的在于提供基于人工智能的臭氧层预报算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于人工智能的臭氧层预报算法，包括以下步骤：
S1.建立臭氧浓度监测站点：选取对周围环境和活性污染物的排放没有影响的位置作为臭氧浓度监测站点；
S2.收集、获取历史气象数据：获取每一臭氧浓度监测站点历史每天的日浓度数据、每一臭氧浓度监测站点历史每天预测的日浓度数据和所述每一臭氧浓度监测站点历史每天对应的参考结果，所述每一臭氧浓度监测站点历史每天对应的参考结果为每一臭氧浓度监测站点历史每天预测的日浓度数据与每一臭氧浓度监测站点历史每天的日浓度数据之差；
S3.选取影响因子：选取昨日O3-8h值、PM2.5日均浓度、NO2日均浓度、预测的日平均气压、日平均风速和日平均气温作为影响因子；
S4.对一天O3-8h值进行初步预测：通过拟合的方式，将气象参数的预测值和实测值代入预测方程中，通过求取方程来对每一臭氧浓度监测站点的要预测的那一天的O3-8h值进行预测；
S5.建立新的超混沌系统：提出新的超混沌系统及其相应的复杂系统，以生成神经网络输入层和隐含层之间的连接权重值、隐含层中的神经元阈值，实现更好的预测结果；
S6.建立人工神经网络：网络分为三个部分：输入层，隐藏层和输出层，在网络中，输入层，隐藏层和输出层的神经元完全连接；
S7.建立混沌人工神经网络：所述混沌人工神经网络是将新的超混沌系统与人工神经网络混合，且所述混沌人工神经网络是通过人工神经网络、BP和多元线性回归模型对臭氧浓度进行预测；
S8.利用混沌人工神经网络进行长短期预报。
优选的，所述S1中的污染物浓度数据包括二氧化硫SO2、二氧化氮NO2、O3、O3-8h、空气动力学直径为2.5微米或更小的细颗粒物PM2.5和空气动力学直径为10微米或更小的细颗粒物PM10。
优选的，所述S2中收集、获取历史气象数据还包括获取每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征，所述每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征通过以下步骤获取：
S101.获取敏感区域，所述敏感区域包括与所述每一臭氧浓度监测站点所在的城市接壤的所有城市；
S102.将所述敏感区域划分为若干个相同的矩形，获取所述每一矩形对应的点源排放子特征，根据所述每一矩形的点源排放子特征，获得所述点源排放特征。
优选的，所述S4中通过拟合的方式的拟合的预测方程为：
Figure BDA0003294773090000031
其中，c为要预测的那一天的O3-8h预测值，x1，x2，……，x6分别表示要预测那一天的NO2平均浓度、平均气温、平均气压、平均风速、PM2.5平均浓度的预测值，以及要预测那一天的昨日O3-8h的预测值或实测值，a0，a1，……，a6是回归系数。
优选的，所述S5中的新的超混沌系统由以下公式描述：
Figure BDA0003294773090000032
其中，a、b、c和d表示实常数，而ξ1、ξ2、ξ3和ξ4表示实变量，符号上的点表示相对于时间t的导数；
相应的超混沌复杂系统由下式给出：
Figure BDA0003294773090000041
其中，η1＝u1+ju2，η2＝u3+ju4，η3＝u5，η4＝u6+ju7表示复变量，j＝-1-0.5，变量上方的条形代表变量的复共轭；
系统的真实版本如下：
Figure BDA0003294773090000042
优选的，所述S8利用混沌人工神经网络进行长短期预报的公式如下：
Figure BDA0003294773090000051
Figure BDA0003294773090000052
其中，n表示样本数量，xobs,i表示观测值，xpre,i表示预测值，Var表示样本方差。
优选的，所述S7中的混沌人工神经网络采用CANN操作，所述CANN操作通常分为两个步骤：第一，设置参数，选择激活函数和操作模式，对于激活函数，使用sigmoid函数，并且将操作模式设置为回归；第二，选择70％-80％的样本数据进行训练，其余作为测试数据，权重和阈值在CANN中自动设置。
优选的，还包括臭氧污染预警，所述臭氧污染预警包括预警模块，所述预警模块用于对臭氧污染进行预警，确定臭氧污染的区间和污染等级。
优选的，所述臭氧污染预警的方法包括以下步骤：
S201.通过分析大气臭氧生成的外部条件，得到影响大气臭氧污染的敏感物理参量；所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度；
S202.根据大气臭氧生成条件确定S201每一项所述物理参量的拐点值，并利用拐点值进行区间划分后对每一个区间进行赋值；
S203.获取臭氧浓度监测站点地区在一段时间内的所述物理参量的历史数据，利用Logistic回归模型，得到每一项物理参量的权值；
S204.根据S202的区间赋值以及S203所述物理参量的权值，计算臭氧浓度影响因素结果值，并确定预警区间和相应的预警等级。
与现有技术相比，本发明的有益效果是：
(1)本发明采用CANN操作与其他神经网络的相似之处在于它不依赖于参数和输出之间的复杂关系，但它依赖于权值的不断变化，使参数与输出紧密关联，避免了繁琐的数学建模。
(2)本发明具有较高的泛化性，能够在减少一些输入参数的同时保持较高的预测精度，在长期和短期的臭氧预测中都能取得良好的效果，且能准确高效地预测臭氧浓度，有利于对环境进行保护。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1，本发明提供一种技术方案：基于人工智能的臭氧层预报算法，包括以下步骤：
S1.建立臭氧浓度监测站点：选取对周围环境和活性污染物的排放没有影响的位置作为臭氧浓度监测站点；
S2.收集、获取历史气象数据：获取每一臭氧浓度监测站点历史每天的日浓度数据、每一臭氧浓度监测站点历史每天预测的日浓度数据和所述每一臭氧浓度监测站点历史每天对应的参考结果，所述每一臭氧浓度监测站点历史每天对应的参考结果为每一臭氧浓度监测站点历史每天预测的日浓度数据与每一臭氧浓度监测站点历史每天的日浓度数据之差；
S3.选取影响因子：选取昨日O3-8h值、PM2.5日均浓度、NO2日均浓度、预测的日平均气压、日平均风速和日平均气温作为影响因子；
S4.对一天O3-8h值进行初步预测：通过拟合的方式，将气象参数的预测值和实测值代入预测方程中，通过求取方程来对每一臭氧浓度监测站点的要预测的那一天的O3-8h值进行预测；
S5.建立新的超混沌系统：提出新的超混沌系统及其相应的复杂系统，以生成神经网络输入层和隐含层之间的连接权重值、隐含层中的神经元阈值，实现更好的预测结果；
S6.建立人工神经网络：网络分为三个部分：输入层，隐藏层和输出层，在网络中，输入层，隐藏层和输出层的神经元完全连接；
S7.建立混沌人工神经网络：所述混沌人工神经网络是将新的超混沌系统与人工神经网络混合，且所述混沌人工神经网络是通过人工神经网络、BP和多元线性回归模型对臭氧浓度进行预测；
S8.利用混沌人工神经网络进行长短期预报。
本实施例中，优选的，所述S1中的污染物浓度数据包括二氧化硫SO2、二氧化氮NO2、O3、O3-8h、空气动力学直径为2.5微米或更小的细颗粒物PM2.5和空气动力学直径为10微米或更小的细颗粒物PM10。
本实施例中，优选的，所述S2中收集、获取历史气象数据还包括获取每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征，所述每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征通过以下步骤获取：
S101.获取敏感区域，所述敏感区域包括与所述每一臭氧浓度监测站点所在的城市接壤的所有城市；
S102.将所述敏感区域划分为若干个相同的矩形，获取所述每一矩形对应的点源排放子特征，根据所述每一矩形的点源排放子特征，获得所述点源排放特征。
本实施例中，优选的，所述S4中通过拟合的方式的拟合的预测方程为：
Figure BDA0003294773090000081
其中，c为要预测的那一天的O3-8h预测值，x1，x2，……，x6分别表示要预测那一天的NO2平均浓度、平均气温、平均气压、平均风速、PM2.5平均浓度的预测值，以及要预测那一天的昨日O3-8h的预测值或实测值，a0，a1，……，a6是回归系数。
本实施例中，优选的，所述S5中的新的超混沌系统由以下公式描述：
Figure BDA0003294773090000082
其中，a、b、c和d表示实常数，而ξ1、ξ2、ξ3和ξ4表示实变量，符号上的点表示相对于时间t的导数；
相应的超混沌复杂系统由下式给出：
Figure BDA0003294773090000083
其中，η1＝u1+ju2，η2＝u3+ju4，η3＝u5，η4＝u6+ju7表示复变量，j＝-1-0.5，变量上方的条形代表变量的复共轭；
系统的真实版本如下：
Figure BDA0003294773090000091
本实施例中，优选的，所述S8利用混沌人工神经网络进行长短期预报的公式如下：
Figure BDA0003294773090000092
Figure BDA0003294773090000093
其中，n表示样本数量，xobs,i表示观测值，xpre,i表示预测值，Var表示样本方差。
本实施例中，优选的，所述S7中的混沌人工神经网络采用CANN操作，所述CANN操作通常分为两个步骤：第一，设置参数，选择激活函数和操作模式，对于激活函数，使用sigmoid函数，并且将操作模式设置为回归；第二，选择70％-80％的样本数据进行训练，其余作为测试数据，权重和阈值在CANN中自动设置。
本实施例中，优选的，还包括臭氧污染预警，所述臭氧污染预警包括预警模块，所述预警模块用于对臭氧污染进行预警，确定臭氧污染的区间和污染等级。
本实施例中，优选的，所述臭氧污染预警的方法包括以下步骤：
S201.通过分析大气臭氧生成的外部条件，得到影响大气臭氧污染的敏感物理参量；所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度；
S202.根据大气臭氧生成条件确定S201每一项所述物理参量的拐点值，并利用拐点值进行区间划分后对每一个区间进行赋值；
S203.获取臭氧浓度监测站点地区在一段时间内的所述物理参量的历史数据，利用Logistic回归模型，得到每一项物理参量的权值；
S204.根据S202的区间赋值以及S203所述物理参量的权值，计算臭氧浓度影响因素结果值，并确定预警区间和相应的预警等级。
本发明的原理及优点：本发明采用CANN操作与其他神经网络的相似之处在于它不依赖于参数和输出之间的复杂关系，但它依赖于权值的不断变化，使参数与输出紧密关联，避免了繁琐的数学建模；本发明具有较高的泛化性，能够在减少一些输入参数的同时保持较高的预测精度，在长期和短期的臭氧预测中都能取得良好的效果，且能准确高效地预测臭氧浓度，有利于对环境进行保护。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.基于人工智能的臭氧层预报算法，其特征在于，包括以下步骤：
S1.建立臭氧浓度监测站点：选取对周围环境和活性污染物的排放没有影响的位置作为臭氧浓度监测站点；
S2.收集、获取历史气象数据：获取每一臭氧浓度监测站点历史每天的日浓度数据、每一臭氧浓度监测站点历史每天预测的日浓度数据和所述每一臭氧浓度监测站点历史每天对应的参考结果，所述每一臭氧浓度监测站点历史每天对应的参考结果为每一臭氧浓度监测站点历史每天预测的日浓度数据与每一臭氧浓度监测站点历史每天的日浓度数据之差；
S3.选取影响因子：选取昨日O3-8h值、PM2.5日均浓度、NO2日均浓度、预测的日平均气压、日平均风速和日平均气温作为影响因子；
S4.对一天O3-8h值进行初步预测：通过拟合的方式，将气象参数的预测值和实测值代入预测方程中，通过求取方程来对每一臭氧浓度监测站点的要预测的那一天的O3-8h值进行预测；
S5.建立新的超混沌系统：提出新的超混沌系统及其相应的复杂系统，以生成神经网络输入层和隐含层之间的连接权重值、隐含层中的神经元阈值，实现更好的预测结果；
S6.建立人工神经网络：网络分为三个部分：输入层，隐藏层和输出层，在网络中，输入层，隐藏层和输出层的神经元完全连接；
S7.建立混沌人工神经网络：所述混沌人工神经网络是将新的超混沌系统与人工神经网络混合，且所述混沌人工神经网络是通过人工神经网络、BP和多元线性回归模型对臭氧浓度进行预测；
S8.利用混沌人工神经网络进行长短期预报。
2.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S1中的污染物浓度数据包括二氧化硫SO2、二氧化氮NO2、O3、O3-8h、空气动力学直径为2.5微米或更小的细颗粒物PM2.5和空气动力学直径为10微米或更小的细颗粒物PM10。
3.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S2中收集、获取历史气象数据还包括获取每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征，所述每一臭氧浓度监测站点的任一历史时刻对应的点源排放特征通过以下步骤获取：
S101.获取敏感区域，所述敏感区域包括与所述每一臭氧浓度监测站点所在的城市接壤的所有城市；
S102.将所述敏感区域划分为若干个相同的矩形，获取所述每一矩形对应的点源排放子特征，根据所述每一矩形的点源排放子特征，获得所述点源排放特征。
4.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S4中通过拟合的方式的拟合的预测方程为：
Figure FDA0003294773080000021
其中，c为要预测的那一天的O3-8h预测值，x1，x2，……，x6分别表示要预测那一天的NO2平均浓度、平均气温、平均气压、平均风速、PM2.5平均浓度的预测值，以及要预测那一天的昨日O3-8h的预测值或实测值，a0，a1，……，a6是回归系数。
5.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S5中的新的超混沌系统由以下公式描述：
Figure FDA0003294773080000031
其中，a、b、c和d表示实常数，而ξ1、ξ2、ξ3和ξ4表示实变量，符号上的点表示相对于时间t的导数；
相应的超混沌复杂系统由下式给出：
Figure FDA0003294773080000032
其中，η1＝u1+ju2，η2＝u3+ju4，η3＝u5，η4＝u6+ju7表示复变量，j＝-1-0.5，变量上方的条形代表变量的复共轭；
系统的真实版本如下：
Figure FDA0003294773080000041
6.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S8利用混沌人工神经网络进行长短期预报的公式如下：
Figure FDA0003294773080000042
Figure FDA0003294773080000043
其中，n表示样本数量，xobs,i表示观测值，xpre,i表示预测值，Var表示样本方差。
7.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：所述S7中的混沌人工神经网络采用CANN操作，所述CANN操作通常分为两个步骤：第一，设置参数，选择激活函数和操作模式，对于激活函数，使用sigmoid函数，并且将操作模式设置为回归；第二，选择70％-80％的样本数据进行训练，其余作为测试数据，权重和阈值在CANN中自动设置。
8.根据权利要求1所述的基于人工智能的臭氧层预报算法，其特征在于：还包括臭氧污染预警，所述臭氧污染预警包括预警模块，所述预警模块用于对臭氧污染进行预警，确定臭氧污染的区间和污染等级。
9.根据权利要求8所述的基于人工智能的臭氧层预报算法，其特征在于：所述臭氧污染预警的方法包括以下步骤：
S201.通过分析大气臭氧生成的外部条件，得到影响大气臭氧污染的敏感物理参量；所述物理参量包括气温、太阳总辐射辐照度、云量、颗粒物浓度以及氮氧化物浓度；
S202.根据大气臭氧生成条件确定S201每一项所述物理参量的拐点值，并利用拐点值进行区间划分后对每一个区间进行赋值；
S203.获取臭氧浓度监测站点地区在一段时间内的所述物理参量的历史数据，利用Logistic回归模型，得到每一项物理参量的权值；
S204.根据S202的区间赋值以及S203所述物理参量的权值，计算臭氧浓度影响因素结果值，并确定预警区间和相应的预警等级。
CN202111175211.5A 2021-10-09 2021-10-09 基于人工智能的臭氧层预报算法 Active CN113901714B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111175211.5A CN113901714B (zh) 2021-10-09 2021-10-09 基于人工智能的臭氧层预报算法
PCT/CN2021/129850 WO2023056682A1 (zh) 2021-10-09 2021-11-10 基于人工智能的臭氧层预报算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111175211.5A CN113901714B (zh) 2021-10-09 2021-10-09 基于人工智能的臭氧层预报算法

Publications (2)

Publication Number Publication Date
CN113901714A true CN113901714A (zh) 2022-01-07
CN113901714B CN113901714B (zh) 2022-08-23

Family

ID=79190607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111175211.5A Active CN113901714B (zh) 2021-10-09 2021-10-09 基于人工智能的臭氧层预报算法

Country Status (2)

Country Link
CN (1) CN113901714B (zh)
WO (1) WO2023056682A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291319A (zh) * 2023-11-27 2023-12-26 新禾数字科技(无锡)有限公司 一种基于机器学习的o3余量预测方法
CN117706045A (zh) * 2024-02-06 2024-03-15 四川省德阳生态环境监测中心站 基于物联网实现大气臭氧监测设备的联合控制方法及系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776745B (zh) * 2023-08-18 2023-10-24 南昌云宜然科技有限公司 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统
CN117265251B (zh) * 2023-09-20 2024-04-09 索罗曼(广州)新材料有限公司 一种钛扁条氧含量在线监测系统及其方法
CN117113089B (zh) * 2023-10-16 2024-01-23 北京英视睿达科技股份有限公司 基于一氧化碳的甲烷数据补全方法、装置、设备及介质
CN117879789B (zh) * 2024-03-13 2024-05-14 数盾信息科技股份有限公司 基于高速加密的卫星通信报文数据传输方法
CN117972593B (zh) * 2024-03-27 2024-06-04 中科三清科技有限公司 一种典型重污染历史案例库分析的长期预报预警方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106019409A (zh) * 2016-05-11 2016-10-12 北京市环境保护监测中心 一种臭氧浓度的分区预测方法及系统
CN112684118A (zh) * 2020-12-31 2021-04-20 南京信息工程大学 一种大气臭氧污染的便捷预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109257159A (zh) * 2018-11-07 2019-01-22 中南大学 新型高维超混沌系统的构造方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106019409A (zh) * 2016-05-11 2016-10-12 北京市环境保护监测中心 一种臭氧浓度的分区预测方法及系统
CN112684118A (zh) * 2020-12-31 2021-04-20 南京信息工程大学 一种大气臭氧污染的便捷预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石灵芝等: "基于BP人工神经网络的大气颗粒物PM_(10)质量浓度预测", 《中南大学学报(自然科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291319A (zh) * 2023-11-27 2023-12-26 新禾数字科技(无锡)有限公司 一种基于机器学习的o3余量预测方法
CN117291319B (zh) * 2023-11-27 2024-02-20 新禾数字科技(无锡)有限公司 一种基于机器学习的o3余量预测方法
CN117706045A (zh) * 2024-02-06 2024-03-15 四川省德阳生态环境监测中心站 基于物联网实现大气臭氧监测设备的联合控制方法及系统
CN117706045B (zh) * 2024-02-06 2024-05-10 四川省德阳生态环境监测中心站 基于物联网实现大气臭氧监测设备的联合控制方法及系统

Also Published As

Publication number Publication date
WO2023056682A1 (zh) 2023-04-13
CN113901714B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN113901714B (zh) 基于人工智能的臭氧层预报算法
Wang et al. Regional prediction of ground-level ozone using a hybrid sequence-to-sequence deep learning approach
Srbinovska et al. The effect of small green walls on reduction of particulate matter concentration in open areas
CN108388956B (zh) 考虑辐射衰减的光伏功率预测方法
Srivastava et al. Estimation of air pollution in Delhi using machine learning techniques
Cai et al. A combined filtering strategy for short term and long term wind speed prediction with improved accuracy
Yousif et al. Analysis and forecasting of weather conditions in Oman for renewable energy applications
Yesilbudak et al. A review of data mining and solar power prediction
CN111260126B (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
CN113777236B (zh) 基于排放源的空气质量监控方法和装置
CN114048896B (zh) 光伏发电数据的预测方法、系统、设备及介质
CN112529240A (zh) 一种大气环境数据的预测方法、系统、装置及存储介质
Patel et al. Solar radiation and solar energy estimation using ANN and Fuzzy logic concept: A comprehensive and systematic study
CN105787594A (zh) 基于多元时间序列及回归分析的辐照预测方法
CN113570163A (zh) 基于数学模型的大气臭氧浓度预测方法、系统和装置
Shah et al. A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach
Bakar et al. Prediction of multivariate air quality time series data using long short-term memory network
Bamisile et al. Long-term prediction of solar radiation using XGboost, LSTM, and machine learning algorithms
CN117787744A (zh) 一种基于预测算法的发电量异常检测系统及方法
CN109085296A (zh) 判断臭氧生成敏感性与前体物控制方法、装置、存储介质、终端
Li et al. Multi-model ensemble forecast method of PM2. 5 concentration based on wavelet neural networks
TW201740296A (zh) 再生能源發電量預測方法與系統
CN115912334A (zh) 风电场出力保证率的预测模型创建方法及预测方法
Faruq et al. River water level forecasting for flood warning system using deep learning long short-term memory network
CN113723670A (zh) 变时间窗口的光伏发电功率短期预测方法

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