CN115018348A - 基于人工智能的环境分析方法、系统、设备及存储介质 - Google Patents
基于人工智能的环境分析方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115018348A CN115018348A CN202210700171.XA CN202210700171A CN115018348A CN 115018348 A CN115018348 A CN 115018348A CN 202210700171 A CN202210700171 A CN 202210700171A CN 115018348 A CN115018348 A CN 115018348A
- Authority
- CN
- China
- Prior art keywords
- pollutant
- air
- information
- monitoring information
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 177
- 231100000719 pollutant Toxicity 0.000 claims abstract description 177
- 238000012544 monitoring process Methods 0.000 claims abstract description 108
- 239000000809 air pollutant Substances 0.000 claims abstract description 88
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000013145 classification model Methods 0.000 claims abstract description 50
- 238000013441 quality evaluation Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 23
- 239000000356 contaminant Substances 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011109 contamination Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000137 annealing Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000003891 environmental analysis Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000003915 air pollution Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 239000002245 particle Substances 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biochemistry (AREA)
- Combustion & Propulsion (AREA)
- Operations Research (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种基于人工智能的环境分析方法、系统、设备及存储介质。包括基于物联网环境监控系统获取目标区域的空气污染物监测信息;根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别;基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数。本公开的方法能够监控目标区域的空气污染物,并且对空气污染物进行分类,从而能够针对性了解每种空气污染物的污染情况;此外,结合目标区域的气象信息进行空气质量评估,能够准确地了解目标区域的气象信息对空气污染的影响,从而得出的空气质量指数接近实际值。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种基于人工智能的环境分析方法、系统、设备及存储介质。
背景技术
大气环境是生态环境中非常重要的一环,现如今空气质量的好坏成为衡量一个城市是否宜居的重要指标,是城市发展的“软实力”。因此,通过提取空气质量的历史数据,进行合理有效的分析和评价从而对未来空气质量的发展趋势做出较为精准的预测,有助于做出科学的管理措施和决策,并对人们的生产生活有着重要的指导意义。
空气污染物主要以二氧化硫和可吸入颗粒物为主,此外,空气污染物之间互相作用滋生了雾霾、光化学烟雾等二次污染。当前的空气污染物监控手段,往往是单独检测某一种污染物,例如可吸入颗粒物,然后将几种单独检测污染物汇总进行分析,不仅效率低下、成本高,而且无法做出综合性空气质量评估。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种基于人工智能的环境分析方法、装置、设备及存储介质,能够至少解决现有技术中的部分问题。
本公开实施例的第一方面,
提供一种基于人工智能的环境分析方法,所述方法应用于物联网环境监控系统,所述方法包括:
基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量。
在一种可选的实施方式中,
在根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别之前,所述方法还包括:
将所述空气污染物监测信息与预先确定的标准空气信息进行比较,确定所述空气污染物监测信息的信息类别以及信息数量是否分别与所述标准空气信息的标准类别以及标准数量相匹配,
若不匹配,则将所述空气污染物监测信息分解为本征信息和剩余信息,
将所述空气污染物监测信息中每个信息与均值参考信息进行比较,判断空气污染物监测信息中每个信息对应的值减去所述均值参考信息对应的值是否与所述本征信息对应的值相匹配,
若不同,则重复将空气污染物监测信息中每个信息对应的值减去所述均值参考信息,直至所述空气污染物监测信息的剩余信息为常态值序列,并将所述剩余信息插入空气污染物监测信息中对应位置,其中,
所述均值参考信息表示所述本征信息中最大值与最小值的平均值。
在一种可选的实施方式中,
所述污染物分类模型基于神经网络构建,所述污染物分类模型包括输入层、隐藏层以及输出层,
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别的方法包括:
将所述空气污染物监测信息中异常数据清除,并将异常数据清除后的空气污染物监测信息转换为向量序列;
将所述向量序列输入所述污染物分类模型,确定与所述向量序列对应的输入层与隐藏层之间的第一权重向量,通过预先确定的激活函数,以及所述隐藏层与输出层之间的第二权重向量,确定所述污染物类别。
在一种可选的实施方式中,
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类之前,所述方法还包括训练所述污染物分类模型,所述训练方法包括:
初始化所述污染物分类模型的输入层与隐藏层之间的第一权重向量、隐藏层与输出层之间的第二权重向量、第一调整系数与第二调整系数,其中,所述第一调整系数和所述第二调整系数用于优化所述污染物分类模型的激活函数的收敛参数;
根据所述污染物分类模型待优化的激活函数确定与所述第一调整系数对应的第一适应度和所述第二调整系数对应的第二适应度;
在预先确定的搜索空间中进行智能搜寻,通过所述第一调整系数对应的个体极值和群体极值更新所述第一适应度;
基于预先设定的稳定值,确定所述第二适应度与所述稳定值的差值,并对所述差值执行退火操作,直至所述第二适应度趋于所述稳定值;
根据更新后的第一适应度和趋于稳定值的第二适应度优化激活函数的收敛参数,以使所述污染物分类模型输出的类别接近实际类别。
在一种可选的实施方式中,
根据更新后的第一适应度和趋于稳定值的第二适应度优化激活函数的收敛参数的方法如下公式所示:
其中,g(x)表示激活函数,表示更新后的第一适应度,γi表示趋于稳定值的第二适应度,∝i表示学习因子,l表示神经元数量,K表示压缩因子,ωi表示输入层与隐藏层之间的第一权重向量,bi表示污染物分类模型的隐藏层神经元的阈值。
在一种可选的实施方式中,
所述空气质量指数包括一级到六级,
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数的方法包括:
根据所述污染物类别,以及污染物对应的污染物浓度,通过预先获取的目标区域的气象信息,确定相对污染度;
根据所述相对污染度以及不同类型的污染物对应的权重因子,根据所述空气质量评估模型确定空气质量指数。
在一种可选的实施方式中,
根据所述相对污染度以及不同类型的污染物对应的权重因子,根据所述空气质量评估模型确定空气质量指数的方法如下公式所示:
其中,
其中,Z表示空气质量指数,表示不同类型的污染物对应的权重因子,a表示影响因子,ρ表示微分方程系数,yi(t)表示中间输出结果, n表示污染物类型的数量,XDi表示相对污染度,m表示污染物的数量,umax表示第i个污染物对应的最大浓度,ui表示第i个污染物浓度,表示空气污染物监测信息对应的矩阵信息。
本公开实施例的第二方面,
提供一种基于人工智能的环境分析系统,所述系统与物联网环境监控系统连接,所述基于人工智能的环境大数据分析系统包括:
第一单元,用于基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
第二单元,用于根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
第三单元,用于基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量。
本公开实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述中任意一项所述的方法。
本公开实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述中任意一项所述的方法。
本公开提供一种基于人工智能的环境分析方法,所述方法应用于物联网环境监控系统,所述方法包括:
基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
可以通过物联网环境监控系统的感知层全面系统地获取目标区域各个维度的空气污染物监测信息,并且可以通过物联网环境监控系统的传输层将感知层所获取的信息传输至分析层,便于后续进行污染物分类和确定空气质量指数;
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
污染物分类模型能够确定空气污染物监测信息中各个污染物的类别,从而能够针对性了解每种空气污染物的污染情况,避免了现有技术中笼统进行分析,导致最后结论不准;
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量;
结合目标区域的气象信息进行空气质量评估,能够准确地了解目标区域的气象信息对空气污染的影响,从而得出的空气质量指数接近实际值。
附图说明
图1示例性地示出本公开实施例基于人工智能的环境分析方法的流程示意图;
图2示例性地示出本公开实施例污染物分类模型的结构示意图;
图3示例性地示出本公开实施例空气质量指数级别的示意图;
图4示例性地示出本公开实施例基于人工智能的环境分析系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、 B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3 个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A 与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出本公开实施例基于人工智能的环境分析方法的流程示意图,如图1所示,所述方法包括:
S101、基于物联网环境监控系统获取目标区域的空气污染物监测信息;
示例性地,本公开实施例的空气污染物监测信息可以包括污染物类别以及污染物浓度中至少一种;
其中,污染物类别可以包括细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等污染物;污染物浓度可以是污染物在一定空间范围内与空气的占比;
在实际应用中,通过物联网环境监控系统获取的空气污染物监测信息可能因为传感器布置的位置、传感器的类型不够丰富、以及目标区域的具体气象信息等原因,导致所获取的信息不够全面,从而导致对最后的分析不准。
在一种可选的实施方式中,
在根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别之前,所述方法还包括:
将所述空气污染物监测信息与预先确定的标准空气信息进行比较,确定所述空气污染物监测信息的信息类别以及信息数量是否分别与所述标准空气信息的标准类别以及标准数量相匹配,
若不匹配,则将所述空气污染物监测信息分解为本征信息和剩余信息,
将所述空气污染物监测信息中每个信息与均值参考信息进行比较,判断空气污染物监测信息中每个信息对应的值减去所述均值参考信息对应的值是否与所述本征信息对应的值相匹配,
若不同,则重复将空气污染物监测信息中每个信息对应的值减去所述均值参考信息,直至所述空气污染物监测信息的剩余信息为常态值序列,并将所述剩余信息插入空气污染物监测信息中对应位置,其中,
所述均值参考信息表示所述本征信息中最大值与最小值的平均值。
可以理解的是,数据缺失是进行数据挖掘时的常见问题,因此数据插补是数据预处理的重要内容。数据缺失可能是因为信息的滞后性导致的缺失、人为因素导致的数据遗漏、数据的采集或传输设备故障导致的数据缺失等。
数据集中,根据变量是否包含缺失值而将其分为不完全变量和完全变量。相应地,数据缺失可以分为完全随机缺失,即数据缺失不取决于任何变量;随机缺失,即数据缺失与缺失数据本身无关,取决于其他完全变量;非随机缺失,即数据缺失与不完全变量本身有关。
本公开实施例中,本公开实施例通过将所述空气污染物监测信息与预先确定的标准空气信息进行比较,确定所述空气污染物监测信息的信息类别以及信息数量是否分别与所述标准空气信息的标准类别以及标准数量相匹配;
示例性地,信息类别是否匹配可以包括空气污染物监测信息的信息类别是否与标准空气信息的信息类别相同,例如是否均含有6中常见的污染物;
示例性地,信息数量是否匹配可以包括空气污染物监测信息的信息数量的数量级是否与标准空气信息的信息数量的数量级相匹配,例如,以可吸入颗粒物为例,数量级是否均在同一个数量级。
若不匹配,则可以认为存在数据缺失,为了保证数据完整从而提高后续结果的准确性,可以进行数据补全,通过数据补全,能够找回有用信息、增加数据挖掘的确定性,并且提高最后分析结果的可靠性。
具体地,可以将所述空气污染物监测信息分解为本征信息和剩余信息,
将所述空气污染物监测信息中每个信息与均值参考信息进行比较,判断空气污染物监测信息中每个信息对应的值减去所述均值参考信息对应的值是否与所述本征信息对应的值相匹配,
若不同,则重复将空气污染物监测信息中每个信息对应的值减去所述均值参考信息,直至所述空气污染物监测信息的剩余信息为常态值序列,并将所述剩余信息插入空气污染物监测信息中对应位置,其中,
所述均值参考信息表示所述本征信息中最大值与最小值的平均值。
可选地,
进行数据补全的方法可以如下公式所示:
其中,X(t)表示原信号,IMFi(t)表示第i个本征模态函数,Rn(t)表示剩余项,为单调或常态值序列,n表示空气污染物监测信息的数量。
示例性地,本公开实施例进行数据补全的方法还可以包括插值算法、拟合算法等,本公开实施例对数据补全的方法并不进行限定。
S102、根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别;
在一种可选的实施方式中,
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别的方法包括:
将所述空气污染物监测信息中异常数据清除,并将异常数据清除后的空气污染物监测信息转换为向量序列;
将所述向量序列输入所述污染物分类模型,确定与所述向量序列对应的输入层与隐藏层之间的第一权重向量,通过预先确定的激活函数,以及所述隐藏层与输出层之间的第二权重向量,确定所述污染物类别。
可以理解的是,通过物联网环境监控系统所获取的数据会存在部分异常数据,例如部分值数据偏高、偏低或者远离正常数据值,以及所获取的数据中包含某些正常值,但是对于后续分析并没有作用的值,在确定污染物类别之前,为了降低计算压力和提高计算速度,可以先将空气污染物监测信息中异常数据清除,再将异常数据清除后的空气污染物监测信息转换为向量序列。
图2示例性地示出本公开实施例污染物分类模型的结构示意图,如图2 所示,污染物分类模型可以包括输入层、隐藏层以及输出层;
其中,ωi表示输入层与隐藏层之间的第一权重向量,bi表示隐藏神经元的阈值,g(x)表示激活函数,βi表示隐藏层与输出层之间的第二权重向量。
在实际应用中,可以确定隐藏层神经元的数量,再随机设定输入层和隐藏层的连接权重以及隐藏层的神经元阈值;
将无限可微函数作为隐藏层的激活函数,计算隐藏层对应的输出矩阵,并计算输出层的权重。
本公开实施例的污染物分类模型可以对新样本具有良好的适应性,泛化能力良好,且学习速度比传统的机器学习模型快许多倍。
在一种可选的实施方式中,
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类之前,所述方法还包括训练所述污染物分类模型,所述训练方法包括:
初始化所述污染物分类模型的输入层与隐藏层之间的第一权重向量、隐藏层与输出层之间的第二权重向量、第一调整系数与第二调整系数,其中,所述第一调整系数和所述第二调整系数用于优化所述污染物分类模型的激活函数的收敛参数;
根据所述污染物分类模型待优化的激活函数确定与所述第一调整系数对应的第一适应度和所述第二调整系数对应的第二适应度;
在预先确定的搜索空间中进行智能搜寻,通过所述第一调整系数对应的个体极值和群体极值更新所述第一适应度;
基于预先设定的稳定值,确定所述第二适应度与所述稳定值的差值,并对所述差值执行退火操作,直至所述第二适应度趋于所述稳定值;
根据更新后的第一适应度和趋于稳定值的第二适应度优化激活函数的收敛参数,以使所述污染物分类模型输出的类别接近实际类别。
示例性地,
通过所述第一调整系数对应的个体极值和群体极值更新所述第一适应度的方法如下公式所示:
其中,
基于预先设定的稳定值,确定所述第二适应度与所述稳定值的差值,并对所述差值执行退火操作的方法如下公式所示:
Δf=f(α′)-f(α)
其中,Δf表示第二适应度与稳定值的差值,f(α′)表示第二适应度,f(α)表示稳定值。
根据更新后的第一适应度和趋于稳定值的第二适应度优化激活函数的收敛参数的方法如下公式所示:
其中,g(x)表示激活函数,表示更新后的第一适应度,γi表示趋于稳定值的第二适应度,∝i表示学习因子,l表示神经元数量,K表示压缩因子,ωi表示输入层与隐藏层之间的第一权重向量,bi表示污染物分类模型的隐藏层神经元的阈值。
在一种可选的实施方式中,
根据更新后的第一适应度和趋于稳定值的第二适应度优化激活函数的收敛参数的方法如下公式所示:
其中,f(x)表示激活函数,表示更新后的第一适应度,γi表示趋于稳定值的第二适应度,∝i表示学习因子,l表示神经元数量,K表示压缩因子,ωi表示输入层与隐藏层之间的第一权重向量,b表示污染物分类模型的隐藏层神经元的阈值。
可以理解的是,通过个体极值和群体极值更新第一适应度、对第二适应度与稳定值的差值执行退火操作直至第二适应度趋于稳定值,能够有效避免本公开模型容易过早收敛陷入局部最优且搜索精度低的问题;并且通过第一调整系数和所述第二调整系数优化所述污染物分类模型的激活函数的收敛参数,能够提高本申请模型的全局搜索和局部搜索的能力,并且能够异步时变,使其在迭代初期即可实现全局搜索并在后期逐渐收敛至全局最优。
S103、基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数。
示例性地,本公开实施例的空气质量指数可以包括一级到六级,图3示例性地示出本公开实施例空气质量指数级别的示意图,如图3所示,空气质量指数(AQI指数)对应的数量值分布范围可以从0-300,中间每间隔50为一级,对应的空气质量状况可以为优、良、轻度污染、中度污染、重度污染和严重污染,相应地,对应的空气质量等级可以为一级到六级。
在一种可选的实施方式中,
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数的方法包括:
根据所述污染物类别,以及污染物对应的污染物浓度,通过预先获取的目标区域的气象信息,确定相对污染度;
根据所述相对污染度以及不同类型的污染物对应的权重因子,根据所述空气质量评估模型确定空气质量指数。
示例性地,确定相对污染度的方式可以如下公式所示:
其中,W表示相对污染度,N表示样本数量,Yi表示目标区域的气象信息, Oi表示污染物对应的污染物浓度,Y′表示目标区域的气象信息的平均值。
通过确定污染物的相对污染度,能够衡量在目标区域的气象信息的作用下,污染物的相对参考值,从而综合目标区域的气象信息这一重要的参考因素,使得后续计算结果更加准确。
在一种可选的实施方式中,根据所述相对污染度以及不同类型的污染物对应的权重因子,根据所述空气质量评估模型确定空气质量指数的方法如下公式所示:
其中,
其中,Z表示空气质量指数,表示不同类型的污染物对应的权重因子,a表示影响因子,ρ表示微分方程系数,yi(t)表示中间输出结果, n表示污染物类型的数量,XDi表示相对污染度,m表示污染物的数量,umax表示第i个污染物对应的最大浓度,ui表示第i个污染物浓度,表示空气污染物监测信息对应的矩阵信息。
通过确定空气质量指数,能够客观地反映目标区域的空气质量,并且能够有效地用于空气预报,使得目标区域的生产企业及时根据空气质量指数调整企业生产策略,做到保护环境的同时,保证企业效率。
本公开提供一种基于人工智能的环境分析方法,所述方法应用于物联网环境监控系统,所述方法包括:
基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
可以通过物联网环境监控系统的感知层全面系统地获取目标区域各个维度的空气污染物监测信息,并且可以通过物联网环境监控系统的传输层将感知层所获取的信息传输至分析层,便于后续进行污染物分类和确定空气质量指数;
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
污染物分类模型能够确定空气污染物监测信息中各个污染物的类别,从而能够针对性了解每种空气污染物的污染情况,避免了现有技术中笼统进行分析,导致最后结论不准;
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量;
结合目标区域的气象信息进行空气质量评估,能够准确地了解目标区域的气象信息对空气污染的影响,从而得出的空气质量指数接近实际值。
本公开实施例的第二方面,
图4示例性地示出本公开实施例基于人工智能的环境分析系统的结构示意图,所述系统与物联网环境监控系统连接,如图4所示,所述基于人工智能的环境大数据分析系统包括:
第一单元41,用于基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
第二单元42,用于根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
第三单元43,用于基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量。
本公开实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述中任意一项所述的方法。
本公开实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述中任意一项所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令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单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/ 或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种基于人工智能的环境分析方法,其特征在于,所述方法应用于物联网环境监控系统,所述方法包括:
基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量。
2.根据权利要求1所述的方法,其特征在于,在根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别之前,所述方法还包括:
将所述空气污染物监测信息与预先确定的标准空气信息进行比较,确定所述空气污染物监测信息的信息类别以及信息数量是否分别与所述标准空气信息的标准类别以及标准数量相匹配,
若不匹配,则将所述空气污染物监测信息分解为本征信息和剩余信息,
将所述空气污染物监测信息中每个信息与均值参考信息进行比较,判断空气污染物监测信息中每个信息对应的值减去所述均值参考信息对应的值是否与所述本征信息对应的值相匹配,
若不同,则重复将空气污染物监测信息中每个信息对应的值减去所述均值参考信息,直至所述空气污染物监测信息的剩余信息为常态值序列,并将所述剩余信息插入空气污染物监测信息中对应位置,其中,
所述均值参考信息表示所述本征信息中最大值与最小值的平均值。
3.根据权利要求2所述的方法,其特征在于,所述污染物分类模型基于神经网络构建,所述污染物分类模型包括输入层、隐藏层以及输出层,
根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别的方法包括:
将所述空气污染物监测信息中异常数据清除,并将异常数据清除后的空气污染物监测信息转换为向量序列;
将所述向量序列输入所述污染物分类模型,确定与所述向量序列对应的输入层与隐藏层之间的第一权重向量,通过预先确定的激活函数,以及所述隐藏层与输出层之间的第二权重向量,确定所述污染物类别。
4.根据权利要求3所述的方法,其特征在于,根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类之前,所述方法还包括训练所述污染物分类模型,所述训练方法包括:
初始化所述污染物分类模型的输入层与隐藏层之间的第一权重向量、隐藏层与输出层之间的第二权重向量、第一调整系数与第二调整系数,其中,所述第一调整系数和所述第二调整系数用于优化所述污染物分类模型的激活函数的收敛参数;
根据所述污染物分类模型待优化的激活函数确定与所述第一调整系数对应的第一适应度和所述第二调整系数对应的第二适应度;
在预先确定的搜索空间中进行智能搜寻,通过所述第一调整系数对应的个体极值和群体极值更新所述第一适应度;
基于预先设定的稳定值,确定所述第二适应度与所述稳定值的差值,并对所述差值执行退火操作,直至所述第二适应度趋于所述稳定值;
根据更新后的第一适应度和趋于稳定值的第二适应度优化激活函数的收敛参数,以使所述污染物分类模型输出的类别接近实际类别。
6.根据权利要求1所述的方法,其特征在于,
所述空气质量指数包括一级到六级,
基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数的方法包括:
根据所述污染物类别,以及污染物对应的污染物浓度,通过预先获取的目标区域的气象信息,确定相对污染度;
根据所述相对污染度以及不同类型的污染物对应的权重因子,根据所述空气质量评估模型确定空气质量指数。
8.一种基于人工智能的环境分析系统,其特征在于,所述系统与物联网环境监控系统连接,所述基于人工智能的环境大数据分析系统包括:
第一单元,用于基于物联网环境监控系统获取目标区域的空气污染物监测信息,其中,所述空气污染物监测信息包括污染物类别以及污染物浓度中至少一种;
第二单元,用于根据预先构建的污染物分类模型对所述空气污染物监测信息进行污染物分类,确定污染物类别,其中,所述污染物类别包括原始污染物、二次污染物以及区域污染物中至少一种;
第三单元,用于基于所述污染物类别,以及预先获取的目标区域的气象信息,为不同类型的污染物设定对应的权重因子,通过预先训练好的空气质量评估模型,确定空气质量指数,其中,所述空气质量指数用于评估所述目标区域的空气质量。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210700171.XA CN115018348B (zh) | 2022-06-20 | 2022-06-20 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210700171.XA CN115018348B (zh) | 2022-06-20 | 2022-06-20 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018348A true CN115018348A (zh) | 2022-09-06 |
CN115018348B CN115018348B (zh) | 2023-01-17 |
Family
ID=83077766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210700171.XA Active CN115018348B (zh) | 2022-06-20 | 2022-06-20 | 基于人工智能的环境分析方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018348B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115757576A (zh) * | 2022-11-14 | 2023-03-07 | 中科三清科技有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN116307279A (zh) * | 2023-05-18 | 2023-06-23 | 河北辉驰科技有限公司 | 基于大数据分析的城市大气环境管理方法及系统 |
CN116911662A (zh) * | 2023-06-25 | 2023-10-20 | 施勒智能科技(上海)股份有限公司 | 基于人工智能的空气品质优化方法及系统 |
CN117054616A (zh) * | 2023-09-20 | 2023-11-14 | 青岛熙正数字科技有限公司 | 一种基于人工智能的远程中台大气污染溯源系统 |
CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493109A (zh) * | 2013-06-05 | 2016-04-13 | 微软技术许可有限责任公司 | 使用多个数据源的空气质量推断 |
CN105631537A (zh) * | 2015-12-23 | 2016-06-01 | 南京信息工程大学 | 基于气象服务平台的空气质量预报业务系统 |
US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
WO2017182920A1 (en) * | 2016-04-20 | 2017-10-26 | Meo Limited | Air quality monitoring device |
CN107609731A (zh) * | 2017-07-31 | 2018-01-19 | 贵州大学 | 一种环境空气质量评价方法 |
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 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
CN110633449A (zh) * | 2019-09-19 | 2019-12-31 | 郑州航空工业管理学院 | 一种基于改进熵权法的空气质量评价方法 |
US20200013024A1 (en) * | 2013-03-15 | 2020-01-09 | Compology, Inc. | Method and system for contamination assessment |
CN111461167A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN111985567A (zh) * | 2020-08-21 | 2020-11-24 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
CN112183950A (zh) * | 2020-09-08 | 2021-01-05 | 西安建筑科技大学 | 一种空气质量评价模型、模型构建方法及其应用 |
US20210042648A1 (en) * | 2019-08-06 | 2021-02-11 | International Business Machines Corporation | Abnormal air pollution emission prediction |
CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
CN112557598A (zh) * | 2020-12-03 | 2021-03-26 | 周进 | 一种基于物联网的城市空气质量监控管理方法 |
CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
CN113554052A (zh) * | 2021-05-10 | 2021-10-26 | 北京数汇通信息技术有限公司 | 一种城市空气质量评估诊断系统 |
CN113777236A (zh) * | 2021-09-08 | 2021-12-10 | 中科三清科技有限公司 | 基于排放源的空气质量监控方法和装置 |
CN114372318A (zh) * | 2021-06-07 | 2022-04-19 | 中国科学院工程热物理研究所 | 设计参数确定方法、装置、电子设备及可读存储介质 |
US20220157408A1 (en) * | 2020-11-13 | 2022-05-19 | Wynd Technologies, Inc. | Pollution type sensing |
-
2022
- 2022-06-20 CN CN202210700171.XA patent/CN115018348B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200013024A1 (en) * | 2013-03-15 | 2020-01-09 | Compology, Inc. | Method and system for contamination assessment |
CN105493109A (zh) * | 2013-06-05 | 2016-04-13 | 微软技术许可有限责任公司 | 使用多个数据源的空气质量推断 |
US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
CN105631537A (zh) * | 2015-12-23 | 2016-06-01 | 南京信息工程大学 | 基于气象服务平台的空气质量预报业务系统 |
WO2017182920A1 (en) * | 2016-04-20 | 2017-10-26 | Meo Limited | Air quality monitoring device |
CN107609731A (zh) * | 2017-07-31 | 2018-01-19 | 贵州大学 | 一种环境空气质量评价方法 |
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 |
CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
US20210042648A1 (en) * | 2019-08-06 | 2021-02-11 | International Business Machines Corporation | Abnormal air pollution emission prediction |
CN110633449A (zh) * | 2019-09-19 | 2019-12-31 | 郑州航空工业管理学院 | 一种基于改进熵权法的空气质量评价方法 |
CN111461167A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 基于大数据的污染源定位方法、装置、设备及存储介质 |
CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
CN111985567A (zh) * | 2020-08-21 | 2020-11-24 | 河北先河环保科技股份有限公司 | 一种基于机器学习的污染源类型自动识别方法 |
CN112183950A (zh) * | 2020-09-08 | 2021-01-05 | 西安建筑科技大学 | 一种空气质量评价模型、模型构建方法及其应用 |
CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
US20220157408A1 (en) * | 2020-11-13 | 2022-05-19 | Wynd Technologies, Inc. | Pollution type sensing |
CN112557598A (zh) * | 2020-12-03 | 2021-03-26 | 周进 | 一种基于物联网的城市空气质量监控管理方法 |
CN113554052A (zh) * | 2021-05-10 | 2021-10-26 | 北京数汇通信息技术有限公司 | 一种城市空气质量评估诊断系统 |
CN114372318A (zh) * | 2021-06-07 | 2022-04-19 | 中国科学院工程热物理研究所 | 设计参数确定方法、装置、电子设备及可读存储介质 |
CN113777236A (zh) * | 2021-09-08 | 2021-12-10 | 中科三清科技有限公司 | 基于排放源的空气质量监控方法和装置 |
Non-Patent Citations (1)
Title |
---|
万永权等: "融合气象参数及污染物浓度的空气质量预测方法", 《计算机应用与软件》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115757576A (zh) * | 2022-11-14 | 2023-03-07 | 中科三清科技有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN116307279A (zh) * | 2023-05-18 | 2023-06-23 | 河北辉驰科技有限公司 | 基于大数据分析的城市大气环境管理方法及系统 |
CN116307279B (zh) * | 2023-05-18 | 2023-08-11 | 河北辉驰科技有限公司 | 基于大数据分析的城市大气环境管理方法及系统 |
CN116911662A (zh) * | 2023-06-25 | 2023-10-20 | 施勒智能科技(上海)股份有限公司 | 基于人工智能的空气品质优化方法及系统 |
CN116911662B (zh) * | 2023-06-25 | 2024-04-16 | 施勒智能科技(上海)股份有限公司 | 基于人工智能的空气品质优化方法及系统 |
CN117054616A (zh) * | 2023-09-20 | 2023-11-14 | 青岛熙正数字科技有限公司 | 一种基于人工智能的远程中台大气污染溯源系统 |
CN117054616B (zh) * | 2023-09-20 | 2024-03-26 | 青岛熙正数字科技有限公司 | 一种基于人工智能的远程中台大气污染溯源系统 |
CN117129638A (zh) * | 2023-10-26 | 2023-11-28 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
CN117129638B (zh) * | 2023-10-26 | 2024-01-12 | 江西怡杉环保股份有限公司 | 一种区域空气环境质量监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115018348B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018348B (zh) | 基于人工智能的环境分析方法、系统、设备及存储介质 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN105740228A (zh) | 一种互联网舆情分析方法 | |
Chan et al. | On-road sensor configuration design for traffic flow prediction using fuzzy neural networks and taguchi method | |
CN111914090A (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
Palachy | Detecting stationarity in time series data | |
CN113011796A (zh) | 一种基于“层次分析-神经网络”的食用油安全预警方法 | |
CN112257935B (zh) | 一种基于lstm—rbf神经网络模型的航空安全预测方法 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
CN112085384A (zh) | 一种基于模糊推理与lstm结合的邮寄物风险评价方法与系统 | |
CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
CN115565038A (zh) | 内容审核、内容审核模型的训练方法及相关装置 | |
Putra et al. | Classification model of air quality in Jakarta using decision tree algorithm based on air pollutant standard index | |
Garcia de Alford et al. | Reducing age bias in machine learning: An algorithmic approach | |
CN111861032A (zh) | 基于深度学习的大宗资源类矿产品放行风险预测方法 | |
CN116930759A (zh) | 动力电池电压时间序列异常检测方法、电子设备、存储介质 | |
CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
Pislaru et al. | NEURO-FUZZY MODEL FOR ENVIRONMENTAL IMPACT ASSESSMENT. | |
CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
CN111160419B (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
CN113008998A (zh) | 一种基于pcnn的隐蔽工程内部缺陷判断方法 | |
CN111027318A (zh) | 基于大数据的行业分类方法、装置、设备及存储介质 |
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 |