CN115130747A - 一种基于云模型的空气污染物浓度预测方法及系统 - Google Patents

一种基于云模型的空气污染物浓度预测方法及系统 Download PDF

Info

Publication number
CN115130747A
CN115130747A CN202210742476.7A CN202210742476A CN115130747A CN 115130747 A CN115130747 A CN 115130747A CN 202210742476 A CN202210742476 A CN 202210742476A CN 115130747 A CN115130747 A CN 115130747A
Authority
CN
China
Prior art keywords
data
air quality
cloud
quality data
air
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.)
Pending
Application number
CN202210742476.7A
Other languages
English (en)
Inventor
张晓霞
陈熠
胡峰
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210742476.7A priority Critical patent/CN115130747A/zh
Publication of CN115130747A publication Critical patent/CN115130747A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于空气污染监测技术领域和可解释机器学习领域，具体涉及一种基于云模型的空气污染物浓度预测方法及系统，所述方法包括：实时获取气象监测站点的空气质量数据；采用云模型对空气质量数据进行处理，生成空气质量云滴数据；将空气质量云滴数据与空气质量数据一同输入构建好的LSTM监测模型，得到监测结果；通过提取历史空气质量数据的内涵表示与新产生的空气质量数据的内涵表示，对比可以查看新产生数据是否发生概念偏移，达到监测异常空气质量的目的。

Description

一种基于云模型的空气污染物浓度预测方法及系统
技术领域
本发明属于空气污染监测技术领域和可解释机器学习领域，具体涉及一种基于云模型的空气污染物浓度预测方法及系统。
背景技术
随着国家工业化、城市化的进程加速，越来越多的环境污染问题引起了大众的关注，其中空气污染是影响居民生活健康的一个重要环境污染源。为了监测与防治空气污染，许多城市都建立了自己的空气质量监测站点，监测站点会实时获取城市的空气污染物浓度，通过分析与研究城市的空气污染物浓度，科研机构可以有效的辅助政府制定符合公众利益的环保政策。
网格化监测需要获取监测区域完整的空间数据。由于各空气质量监测站点覆盖区域有限、分布稀疏，导致无法完全覆盖一个城市，因此采用各种空间插值算法来将稀疏的站点监测数据推广到整个城市平面，这个过程被称作空间分辨率提高。这些算法主要分为两类，一类是统计学算法，包括Kriging插值和反距离加权(Inverse Distance Weighted)等；另一类是机器学习算法，包括随机森林(Random Forest)、多层感知机(MultilayerPerceptron)和神经网络等。距离与空气污染物浓度具有相关性是统计学算法的一个基本的假设，这种简单的假设不能很好的反映空气污染物空间分布的机理，并且往往无法考虑空气污染物浓度的时变特征。机器学习算法可以结合空气污染物的历史浓度，以及融合多种空气污染物浓度来提高空气污染物浓度的空间分辨率。但由于机器学习算法注重于拟合数据以及其不直观的内部机理，使得机器学习模型中的计算复杂度较高，并且机器学习算法结合空气污染物的历史数据往往只是简单的作为模型的输入，空气污染物的时变规律无法被直接描述，且机器学习模型具有黑盒性质对外不具有透明性，这使得提高空气污染物浓度的空间分辨率和分析空气污染物浓度的时变特性成为相互独立的两个问题。
发明内容
为解决上述问题，本发明提供了一种基于云模型的空气污染物浓度预测方法及系统，所述方法包括：实时获取气象监测站点的空气质量数据；采用云模型对空气质量数据进行处理，生成空气质量云滴数据；将空气质量云滴数据与空气质量数据一同输入构建好的LSTM监测模型，得到预测结果；根据预测结果对气象监测站点进行标记，方便后续空间分布数据的操作；
其中，采用云模型对空气质量数据进行处理的过程为：
S1.将空气质量数据进行标准化表示，标准化数据表示包括该空气质量数据所属气象监测站点的空间分布数据、污染物浓度的时间序列数据和污染物浓度数据；
S2.根据标准化表示后的空气质量数据，采用逆向云发生器生成空气质量数据的概念内涵，概念内涵包括期望Ex、熵En和超熵He；
S3.根据概念内涵，采用正向云发生器迭代生成空气质量云滴数据。
进一步的，步骤S2生成空气质量数据的概念内涵的过程包括：
S11.计算空气质量数据每一维度的均值
Figure BDA0003718581730000021
得到空气质量数据的期望
Figure BDA0003718581730000022
表示为：
Figure BDA0003718581730000023
S12.将空气质量数据中的所有数据随机分为p组，每组有r条数据，计算每组数据的组方差，表示为：
Figure BDA0003718581730000024
Figure BDA0003718581730000025
S13.根据组方差估计空气质量数据的熵En和超熵He，表示为：
Figure BDA0003718581730000031
Figure BDA0003718581730000032
Figure BDA0003718581730000033
Figure BDA0003718581730000034
其中，
Figure BDA0003718581730000035
X表示空气质量数据，
Figure BDA0003718581730000036
表示空气质量数据中的第k条数据的第m维度值，n表示空气质量数据的总条数，
Figure BDA0003718581730000037
表示空气质量数据第m维度的均值，
Figure BDA0003718581730000038
表示第i组的组方差，xij表示第i组的第j条数据，
Figure BDA0003718581730000039
表示每组数据的均值，
Figure BDA00037185817300000310
表示空气质量数据的均值，
Figure BDA00037185817300000311
表示空气质量数据的方差。
进一步的，使用正向云发生器生成空气质量云滴数据的过程包括：
S21.生成一个以En为期望值、He2为方差的正态随机数zi＝RN(En,He)；
S22.生成一个以Ex为期望值、
Figure BDA00037185817300000312
为方差的正态随机数xi＝RN(Ex,zi)；
S23.根据S21和S22的数据计算xi的确定度
Figure BDA00037185817300000313
S24.具有确定度的xi成为数据域的一个云滴；
S25.判断是否生成N个云滴，若不是，则返回步骤S21。
进一步的，构建LSTM监测模型的优化问题，表示为：
Figure BDA00037185817300000314
Figure BDA00037185817300000315
ot＝σ(Wσ·[ht-1,xt]+bo)；
Figure BDA00037185817300000316
Figure BDA00037185817300000317
it＝σ(Wi·[ht-1,xt]+bi)；
ft＝σ(Wf·[ht-1,xt]+bf)；
其中，
Figure BDA0003718581730000041
表示预测结果，h表示真实值，ot表示输出门的输出，Ct表示t时刻的细胞状态方程，it表示输入门的输出，ft表示遗忘门的输出，Wσ、WC、Wi和Wf分别表示输出门、细胞状态、输入门和遗忘门的参数矩阵，tanh()表示激活函数，σ()表示sigmoid函数。
一种基于云模型的空气污染物浓度预测系统，包括：
数据获取模块，用于获取气象监测站点的空气质量数据，并将获取的空气质量数据输入到逆向云发生器内涵提取模块；
逆向云发生器内涵提取模块，用于提取空气质量数据的内涵表示，将内涵表示输入到正向云发生器云滴生成模块；
正向云发生器云滴生成模块，用于根据内涵表示迭代生成云滴数据，将云滴数据输入到LSTM整合数据预测输出模块；
LSTM整合数据预测输出模块，用于将数据获取模块获取的空气质量数据与云滴数据整合，对整合数据进行处理得到预测结果，并将预测结果可视化。
本发明的有益效果：
云模型通过正向云变换和逆向云变换实现定性概念及其定量表示之间的相互映射，提供了从数据到知识以及从知识到数据的双向认知通道；主要解决了空气污染物浓度预测中存在的不可解释以及预测不精准的问题。本发明提供了一种基于云模型的空气污染物浓度预测方法，通过云模型中逆向云发生器提取空气质量数据的数据内涵，了解数据的分布情况，再使用正向云发生器产生与空气质量数据同分布的云滴数据，从数据层面对模型训练进行了一定的补充，采用云模型提取空气质量数据的数据内涵，是对数据整体进行的概括描述，对后续模型产生的结果具有一定的可解释性，通过提取历史空气质量数据的内涵表示与新产生的空气质量数据的内涵表示，对比可以查看新产生数据是否发生概念偏移，达到监测异常空气质量的目的。最后将空气质量数据与云滴数据整合输入模型训练，得到了高准确性的预测结果。
附图说明
图1为本发明的基于云模型的空气污染物浓度预测系统的总流程图；
图2为本发明的逆向云发生器的概念内涵转换图；
图3为本发明的正向云发生器的概念外延转换图；
图4为本发明的空气质量云滴数据生成过程图；
图5为本发明的空气质量云滴数据的内外包络曲线可视化图；
图6为本发明的空气质量云滴数据的二维可视化图；
图7为本发明的空气质量云滴数据的三维可视化图；
图8为本发明的数据流与总体技术架构图。
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。
本发明旨在使用云模型的正向云发生器生成的概念外延与逆向发生器生成的概念内涵对机器学习黑盒模型提供一定的可解释性。空气质量的概念内涵本身也是一个重要的指标，通过对比空气质量数据的概念内涵是否发生漂移提供了一种异常监测的手段，实现城市的空气污染物的时空网格化监测，提供了高精度的空气质量污染物预测结果。
一种基于云模型的空气污染物浓度预测方法，所述方法包括：实时获取气象监测站点的空气质量数据；采用云模型对空气质量数据进行处理，生成空气质量云滴数据；将空气质量云滴数据与空气质量数据一同输入构建好的LSTM监测模型，得到监测结果；根据监测结果对气象监测站点进行标记；本发明通过融合多源数据和时空空气污染物浓度数据进行预测，且结果具有一定的可解释性。
其中，如图1所示，采用云模型对空气质量数据进行处理，根据处理后的数据进行预测的过程为：
S1.将空气质量数据进行标准化表示得到标准化数据表示，标准化数据表示包括该空气质量数据所属气象监测站点的空间分布数据、污染物浓度的时间序列数据和污染物浓度数据；
S2.根据标准化表示后的空气质量数据，采用逆向云发生器生成空气质量数据的概念内涵，概念内涵包括期望Ex、熵En和超熵He；
S3.根据概念内涵，采用正向云发生器迭代生成空气质量云滴数据；
S4.将空气质量云滴数据与标准化表示后的空气质量数据整合，将整合后的数据输入构建好的LSTM监测模型；
S5.通过LSTM监测模型得到预测结果，并将预测结果可视化输出。
在一实施例中，如图2所示，使用逆向云发生器生成空气质量数据的概念内涵的过程包括：
S11.计算空气质量数据每一维度的均值
Figure BDA0003718581730000061
根据空气质量数据所有维度的均值得到空气质量数据的期望
Figure BDA0003718581730000062
表示为：
Figure BDA0003718581730000063
S12.将空气质量数据中的所有数据随机分为p组，每组有r条数据(n＝pr且n,p,r都是正整数)，计算每组数据的组方差，表示为：
Figure BDA0003718581730000064
Figure BDA0003718581730000065
根据正向云发生器，可以认为y1,y2,...,yp是来自以En为期望，He2为方差的正太分布N(En,He2)的一组样本；
S13.根据组方差估计空气质量数据的熵En和超熵He，表示为：
Figure BDA0003718581730000071
Figure BDA0003718581730000072
Figure BDA0003718581730000073
Figure BDA0003718581730000074
其中，
Figure BDA0003718581730000075
X表示空气质量数据，X∈RN×M，其中N、M分别表示空气质量数据的条数和每条数据的维度，
Figure BDA0003718581730000076
表示空气质量数据中的第k条数据的第m维度值，n表示空气质量数据的总条数，
Figure BDA0003718581730000077
表示空气质量数据第m维度的均值，
Figure BDA0003718581730000078
表示第i组的组方差，xij表示第i组的第j条数据，
Figure BDA0003718581730000079
表示每组数据的均值，
Figure BDA00037185817300000710
表示空气质量数据的均值，
Figure BDA00037185817300000711
表示空气质量数据的方差。
具体地，如图3、4所示，使用正向云发生器生成空气质量云滴数据的过程包括：
S21.生成一个以En为期望值、He2为方差的正态随机数zi＝RN(En,He)；
S22.生成一个以Ex为期望值、
Figure BDA00037185817300000715
为方差的正态随机数xi＝RN(Ex,zi)；
S23.根据S21和S22的数据计算xi的确定度
Figure BDA00037185817300000712
S24.具有确定度的xi成为数据域的一个云滴；
S25.判断是否生成N个云滴，若不是，则返回步骤S21。
将空气质量云滴数据与标准化表示的空气质量数据合并，表示为：
Figure BDA00037185817300000713
其中，
Figure BDA00037185817300000714
表示空气质量云滴数据，X表示空气质量数据，X′表示空气质量数据与空气质量云滴数据的合并结果，作为LSTM监测模型的输入。
在一实施例中，将与云滴数据合并后的空气质量数据输入到LSTM监测模型进行预测，构建该LSTM监测模型预测的优化问题，表示为：
Figure BDA0003718581730000081
其中：
Figure BDA0003718581730000082
ot＝σ(Wσ·[ht-1,xt]+bo)；
Figure BDA0003718581730000083
Figure BDA0003718581730000084
it＝σ(Wi·[ht-1,xt]+bi)；
ft＝σ(Wf·[ht-1,xt]+bf)；
其中，ot表示输出门的输出，Ct表示t时刻的细胞状态方程，it表示输入门的输出，ft表示遗忘门的输出，Wσ、WC、Wi和Wf分别表示输出门、细胞状态、输入门和遗忘门的参数矩阵，tanh()表示激活函数，σ()表示sigmoid函数。
在一实施例中，给出一种基于张量表示的空气污染物浓度精准化监测方法的具体实施方式，包括：
Step1.对空气质量数据进行标准化表示。空气质量数据通过多个气象监测站点获取的，气象监测站点分布在城市的各个区域，能够实时获取空气中的多种污染物浓度，包括PM2.5、PM10、臭氧等数据，由于不同的气象监测站点的数据之间具有差异性，故进行标准化以达到统一尺寸。
Step2.构建标准化后的空气质量数据中，每种污染物的数据内涵表示，即采用逆向云发生器处理标准化后的空气质量数据，刻画每种污染物的分布内涵表示，包括均值、熵和超熵。
Step3.根据step2中每种污染物的数据内涵表示，生成N个云滴，即根据获取的空气质量数据中记录的数据总条数设置云滴个数N，使用云正向发生器迭代生成云滴，并对生成的云滴进行检验，查看是否符合实际需求，即是否在云模型的上下包络曲线内，如图5所示，若是，则保留，否则舍弃该云滴，直到生成的云滴个数与数据总条数相同。
Step4.将step3生成的云滴数据与step1处理的标准化后的空气质量数据进行合并，输入到LSTM监测模型中进行预测。
Step5.将LSTM监测模型中LSTM每一层的隐层变量取出，并输入逆向云发生器生成隐层变量的概念内涵，根据该概念内涵生成与隐变量同等数量的隐变量云滴，将隐层变量与隐变量云滴合并，作为LSTM下一层的输入，每层都进行这样的操作，直到LSTM的输出层，得到预测结果。
具体地，在训练过程中，将隐层变量的概念内涵和隐变量云滴进行可视化，分析每层的隐变量与隐变量云滴之间的关系，分析每种污染物的概念内涵与PM2.5的概念内涵的关系，使得模型具有一定的可解释性且可以判断模型是否收敛。
在训练完成后，可以将得到的预测结果与测试数据进行比较，通过均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(MAPE)等评价指标来检验预测的效果。均方根误差公式为：
Figure BDA0003718581730000091
平均绝对误差公式为：
Figure BDA0003718581730000092
平均绝对百分比误差公式为：
Figure BDA0003718581730000093
其中，
Figure BDA0003718581730000094
表示预测值，yi表示真实值，n表示缺失数据的个数。
图6、7是空气质量数据生成的云滴的二维云图与三维云图可视化，通过可视化可以分析云滴的分布与不同污染物云滴之间的关系。
图8是整个系统的架构，从原始空气质量数据经过云模型生成云滴数据，进一步将云滴数据与原始数据合并，并且逐层进行云模型转化，最终生成预测结果。
一种基于云模型的空气污染物浓度预测系统，包括：
数据获取模块，用于获取气象监测站点的空气质量数据，并将获取的空气质量数据输入到逆向云发生器内涵提取模块；
逆向云发生器内涵提取模块，用于提取空气质量数据的内涵表示，将内涵表示输入到正向云发生器云滴生成模块；
正向云发生器云滴生成模块，用于根据内涵表示迭代生成云滴数据，将云滴数据输入到LSTM整合数据预测输出模块；
LSTM整合数据预测输出模块，用于将数据获取模块获取的空气质量数据与云滴数据整合，对整合数据进行处理得到预测结果，并将预测结果可视化。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
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 (6)

1.一种基于云模型的空气污染物浓度预测方法，其特征在于，所述方法包括：实时获取气象监测站点的空气质量数据；采用云模型对空气质量数据进行处理，生成空气质量云滴数据；将空气质量云滴数据与空气质量数据一同输入构建好的LSTM监测模型，得到预测结果；
其中，采用云模型对空气质量数据进行处理的过程为：
S1.将空气质量数据进行标准化表示，标准化数据表示包括该空气质量数据所属气象监测站点的空间分布数据、污染物浓度的时间序列数据和污染物浓度数据；
S2.根据标准化表示后的空气质量数据，采用逆向云发生器生成空气质量数据的概念内涵，概念内涵包括期望Ex、熵En和超熵He；
S3.根据概念内涵，采用正向云发生器迭代生成空气质量云滴数据。
2.根据权利要求1所述的一种基于云模型的空气污染物浓度预测方法，其特征在于，步骤S2生成空气质量数据的概念内涵的过程包括：
S11.计算空气质量数据每一维度的均值
Figure FDA0003718581720000011
得到空气质量数据的期望
Figure FDA0003718581720000012
表示为：
Figure FDA0003718581720000013
S12.将空气质量数据中的所有数据随机分为p组，每组有r条数据，计算每组数据的组方差，表示为：
Figure FDA0003718581720000014
Figure FDA0003718581720000015
S13.根据组方差估计空气质量数据的熵En和超熵He，表示为：
Figure FDA0003718581720000021
Figure FDA0003718581720000022
Figure FDA0003718581720000023
Figure FDA0003718581720000024
其中，
Figure FDA0003718581720000025
X表示空气质量数据，
Figure FDA0003718581720000026
表示空气质量数据中的第k条数据的第m维度值，n表示空气质量数据的总条数，
Figure FDA0003718581720000027
表示空气质量数据第m维度的均值，
Figure FDA0003718581720000028
表示第i组的组方差，xij表示第i组的第j条数据，
Figure FDA0003718581720000029
表示每组数据的均值，
Figure FDA00037185817200000210
表示空气质量数据的均值，
Figure FDA00037185817200000211
表示空气质量数据的方差。
3.根据权利要求2所述的一种基于云模型的空气污染物浓度预测方法，其特征在于，使用正向云发生器生成空气质量云滴数据的过程包括：
S21.生成一个以En为期望值、He2为方差的正态随机数zi＝RN(En,He)；
S22.生成一个以Ex为期望值、
Figure FDA00037185817200000212
为方差的正态随机数xi＝RN(Ex,yi)xi＝RN(Ex,zi)；
S23.根据S21和S22的数据计算xi的确定度
Figure FDA00037185817200000213
S24.具有确定度的xi成为数据域的一个云滴；
S25.判断是否生成N个云滴，若不是，则返回步骤S21。
4.根据权利要求1所述的一种基于云模型的空气污染物浓度预测方法，其特征在于，构建LSTM监测模型的优化问题，表示为：
Figure FDA00037185817200000214
其中，
Figure FDA00037185817200000215
表示预测结果，h表示真实值。
5.根据权利要求4所述的一种基于云模型的空气污染物浓度预测方法，其特征在于，LSTM监测模型的计算公式包括：
Figure FDA0003718581720000031
ot＝σ(Wσ·[ht-1,xt]+bo)；
Figure FDA0003718581720000032
Figure FDA0003718581720000033
it＝σ(Wi·[ht-1,xt]+bi)；
ft＝σ(Wf·[ht-1,xt]+bf)；
其中，ot表示输出门的输出，Ct表示t时刻的细胞状态方程，it表示输入门的输出，ft表示遗忘门的输出，Wσ、WC、Wi和Wf分别表示输出门、细胞状态、输入门和遗忘门的参数矩阵，tanh()表示激活函数，σ()表示sigmoid函数。
6.一种基于云模型的空气污染物浓度预测系统，其特征在于，包括：
数据获取模块，用于获取气象监测站点的空气质量数据，并将获取的空气质量数据输入到逆向云发生器内涵提取模块；
逆向云发生器内涵提取模块，用于提取空气质量数据的内涵表示，将内涵表示输入到正向云发生器云滴生成模块；
正向云发生器云滴生成模块，用于根据内涵表示迭代生成云滴数据，将云滴数据输入到LSTM整合数据预测输出模块；
LSTM整合数据预测输出模块，用于将数据获取模块获取的空气质量数据与云滴数据整合，对整合数据进行处理得到预测结果，并将预测结果可视化。
CN202210742476.7A 2022-06-28 2022-06-28 一种基于云模型的空气污染物浓度预测方法及系统 Pending CN115130747A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210742476.7A CN115130747A (zh) 2022-06-28 2022-06-28 一种基于云模型的空气污染物浓度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210742476.7A CN115130747A (zh) 2022-06-28 2022-06-28 一种基于云模型的空气污染物浓度预测方法及系统

Publications (1)

Publication Number Publication Date
CN115130747A true CN115130747A (zh) 2022-09-30

Family

ID=83380871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210742476.7A Pending CN115130747A (zh) 2022-06-28 2022-06-28 一种基于云模型的空气污染物浓度预测方法及系统

Country Status (1)

Country Link
CN (1) CN115130747A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782093A (zh) * 2019-10-26 2020-02-11 福州大学 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统
KR102091126B1 (ko) * 2018-10-24 2020-04-23 전자부품연구원 IoT 데이터 분석을 위한 에지-클라우드 협업 시스템 및 이의 운용방법
CN113837361A (zh) * 2021-09-01 2021-12-24 中咨公路养护检测技术有限公司 一种空气污染物浓度预测方法及系统
CN113887143A (zh) * 2021-10-21 2022-01-04 重庆邮电大学 多源异构空气污染物的空间插值方法、装置及计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102091126B1 (ko) * 2018-10-24 2020-04-23 전자부품연구원 IoT 데이터 분석을 위한 에지-클라우드 협업 시스템 및 이의 운용방법
CN110782093A (zh) * 2019-10-26 2020-02-11 福州大学 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统
CN113837361A (zh) * 2021-09-01 2021-12-24 中咨公路养护检测技术有限公司 一种空气污染物浓度预测方法及系统
CN113887143A (zh) * 2021-10-21 2022-01-04 重庆邮电大学 多源异构空气污染物的空间插值方法、装置及计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAOXIA ZHANG 等: "Concentration distribution and cluster analysis of PM2.5 based on lognormal cloud model", 《PROCEEDINGS OF CCIS2022》, 19 January 2023 (2023-01-19), pages 676 - 683 *
YI LIN 等: "Air quality forecasting based on cloud model granulation", 《EURASIP JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》, 8 May 2018 (2018-05-08), pages 1 - 10, XP021256184, DOI: 10.1186/s13638-018-1116-3 *
王洁;吴坚;史婕;: "基于云模型的推理规则在空气质量预报中的应用", 数字技术与应用, no. 05, 15 May 2011 (2011-05-15), pages 101 - 103 *

Similar Documents

Publication Publication Date Title
Moayyed et al. A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing
CN105574669B (zh) 时空联合数据聚类分析的输变电设备状态异常检测方法
Zhang et al. Optimal graph structure based short-term solar PV power forecasting method considering surrounding spatio-temporal correlations
Luo et al. Directed hypergraph attention network for traffic forecasting
Mehmood et al. Predicting the quality of air with machine learning approaches: Current research priorities and future perspectives
CN114936691A (zh) 一种融合关联度加权与时空注意力的温度预报方法
Lan et al. Understanding the relationship between urban morphology and solar potential in mixed-use neighborhoods using machine learning algorithms
CN112700104A (zh) 一种基于多模态分类的震区滑坡易发性评价方法
CN113807278A (zh) 一种基于深度学习的土地利用分类及变化预测方法
Kim et al. Untangling the contribution of input parameters to an artificial intelligence PM2. 5 forecast model using the layer-wise relevance propagation method
JABBAR et al. Predictive intelligence: A neural network learning system for traffic condition prediction and monitoring on freeways
Richards et al. Regression modelling of spatiotemporal extreme US wildfires via partially-interpretable neural networks
CN117494034A (zh) 基于交通拥堵指数和多源数据融合的空气质量预测方法
CN117194926A (zh) 陆上风电基地吊装窗口期预测方法及系统
CN117131991A (zh) 基于混合神经网络的城市降雨量预测方法及平台
CN115130747A (zh) 一种基于云模型的空气污染物浓度预测方法及系统
Xue et al. Traffic status evolution trend prediction based on congestion propagation effects under rainy weather
Lin et al. Data-driven situation awareness of electricity-gas integrated energy system considering time series features
Xu et al. Interpretable transformer-based model for probabilistic short-term forecasting of residential net load
CN113935190A (zh) 基于张量表示的空气污染物浓度精准化监测方法及系统
CN115062686A (zh) 基于多角度特征的多元kpi时序异常检测方法和系统
CN114818849A (zh) 基于大数据信息的卷积神经网络和遗传算法的反窃电方法
CN114235653A (zh) 基于端云协同的大气颗粒污染物时空预测云平台
Rao et al. Investigating impact of the heterogeneity of trajectory data distribution on origin‐destination estimation: a spatial statistics approach
Hu et al. Graph transformer based dynamic multiple graph convolution networks for traffic flow forecasting

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