CN115587650A - 中短期分时段大气常规污染物多目标混合预测方法 - Google Patents

中短期分时段大气常规污染物多目标混合预测方法 Download PDF

Info

Publication number
CN115587650A
CN115587650A CN202211139127.2A CN202211139127A CN115587650A CN 115587650 A CN115587650 A CN 115587650A CN 202211139127 A CN202211139127 A CN 202211139127A CN 115587650 A CN115587650 A CN 115587650A
Authority
CN
China
Prior art keywords
prediction
prediction model
model
data
time
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
CN202211139127.2A
Other languages
English (en)
Inventor
庞继伟
张栩
郭炜
王秀兰
高敏
孙艺嘉
吴哲
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.)
Cecep Talroad Technology Co ltd
Original Assignee
Cecep Talroad Technology Co ltd
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 Cecep Talroad Technology Co ltd filed Critical Cecep Talroad Technology Co ltd
Priority to CN202211139127.2A priority Critical patent/CN115587650A/zh
Publication of CN115587650A publication Critical patent/CN115587650A/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
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)

Abstract

本发明公开中短期分时段大气常规污染物多目标混合预测方法，包括，构建第一预测模型、第二预测模型、第三预测模型及第四预测模型，其中第一预测模型、第二预测模型、第三预测模型及第四预测模型的预测起始时间点相同且预测时间依次递增；获取监测数据，其中监测数据包括大气污染物监测数据、气象数据及未来气象数据；通过第一预测模型、第二预测模型、第三预测模型及第四预测模型分别对监测数据进行分时段预测，基于分时段预测结果，得到大气常规污染物多目标混合预测结果以提高大气污染物浓度的预测精度。

Description

中短期分时段大气常规污染物多目标混合预测方法
技术领域
本发明涉及污染预测技术领域，特别涉及中短期分时段大气常规污染物多目标混合预测方法。
背景技术
常见的大气污染物包括PM2.5、PM10、SO2、NO2、CO和O3，统称为环境空气质量六项常规污染物。这些污染物浓度升高对人们的身体健康和生活环境造成了巨大的危害，并极大地制约了经济和社会的可持续发展。通过空气质量预测能够对未来中短期内空气质量状况进行预警，对可能的大气污染事件、污染源等进行提前部署管控，保障环境空气质量的达标，具有重要的社会价值和现实意义。
由于污染成分的多样性和复杂性，污染指标之间往往存在高度的非线性关系，其过程涉及到污染物扩散的物理原理和污染物转化的化学模型，需要具有完善的大气污染物排放清单、气象数据和污染物扩散或转化的物理化学模型，数据量庞大且复杂，计算难度也较大。传统机理模型的缺点是参数滤定难，滤定后的模型缺乏动态响应变化的能力。气象条件实时变化的干扰，增大了大气污染物预测的难度和精度。
利用机器学习和深度学习等统计方法的预测，是基于历史数据的深度挖掘和分析，获得数据间的关系特征及变化规律，不断优化算法模型给出的相对准确的大气污染物浓度。在建模过程中，无需考虑大气污染物的物理化学原理及转化规律，需求数据量较少，方法相对简单。目前，基于机器学习的预测方法主要有多元线性回归、支持向量机、随机森林方法等；基于深度学习的方法有LSTM、RNN等。其中，机器学习方法具有坚实的数学基础，可以为建立合理的空气质量预测模型提供了理论依据，深度学习方法可以通过不断地训练，得到数据间的非线性关系。但是，这些方法存在一个共同点：在中短期预测的各个时间段内，本质上均采用了单一模型。实际上，根据多模型的预测结果进行分时段统计分析，可以看出，不同模型在不同时间段内的表现效果和稳定性具有较为明显的差异性，因此，单一模型无法掌握各个时间段的规律。
基于数学机理模型计算难度大，基于统计的预测方法则相对简单，是现阶段大气污染预测的常用方法。基于统计的预测方法主要利用机器学习方法和深度学习方法来进行构建。机器学习方法在预测过程中具有坚实的数学基础，为建立合理的空气质量预测模型提供了理论依据，而深度学习方法可以通过不断地训练找出数据间的非线性关系。这些方法存在一个共同点是，在中短期预测各个时间段内，采用单一模型。根据多个模型的预测结果，进行分时段统计分析，可以看出不同模型，在不同时间段内的表现效果和稳定性是有差异的，单一模型无法掌握各个时间段的规律。
发明内容
为解决上述现有技术中所存在的问题，本发明提供一种中短期分时段大气常规污染物多目标混合预测方法，将不同算法组合使用，分时段建模，建立中短期分时段大气常规污染物多目标混合预测模型，结合机器学习和深度学习的优点，以及不同模型在各个预测时间段的表现，可以更好的提高大气污染物浓度的预测精度。
为了实现上述技术目的，本发明提供了如下技术方案：
中短期分时段大气常规污染物多目标混合预测方法，包括：
构建第一预测模型、第二预测模型、第三预测模型及第四预测模型，其中第一预测模型、第二预测模型、第三预测模型及第四预测模型的的预测起始时间点相同且预测时间依次递增；
获取监测数据，其中监测数据包括大气污染物监测数据、气象数据及未来气象数据；
通过第一预测模型、第二预测模型、第三预测模型及第四预测模型分别对监测数据进行分时段预测，基于分时段预测结果，得到大气常规污染物多目标混合预测结果。
可选的，其中第一预测模型采用优化后的ARIMA模型，
其中，优化后的ARIMA模型的构建过程包括：
获取训练集，对训练集进行异常值处理及缺失值补充；
截取处理后的训练集，根据截取后的训练集进行平稳性检验，根据平稳性检验结果得到ARIMA模型的阶数；
基于ARIMA模型的阶数构建ARIMA模型，并通过截取后的训练集进行训练，得到优化后的ARIMA模型。
可选的，第二预测模型采用基于相关分析及聚类算法的预测模型；其中构建过程中，获取历史气象数据，通过聚类算法将历史气象数据进行聚类，得到不同的聚类类别，根据聚类类别构建聚类模型。
可选的，第三预测模型采用GRU预测模型，其中GRU预测模型的构建过程包括：
对大气污染物监测数据的历史数据进行平稳性检验，基于平稳性检验结果，将大气污染物监测数据的历史数据作为输入，将第三预测模型对应预测时间下的不同时刻污染物浓度作为输出，构建GRU预测模型。
可选的，第四预测模型采用prophet预测模型，其中构建 prophet预测模型的过程包括：
将大气污染物监测数据的历史数据作为输入，将第四预测模型对应预测时间下的不同时刻污染物浓度作为输出，构建prophet预测模型。
可选的，通过第一预测模型对监测数据进行预测的过程包括：
通过优化后的ARIMA模型对监测数据进行预测，并将预测结果作为已知数据对监测数据进行调整，通过优化后的ARIMA模型对调整后的监测数据进行预测，得到下一时刻数据，并根据下一时刻数据对监测数据进行调整，重复预测及调整的过程，直到达到重复次数，得到第一预测模型预测结果。
可选的，通过第二预测模型对监测数据进行预测的过程包括：
根据聚类模型对未来气象数据进行聚类分析，获取气象数据的聚类类别；
构建待预测时间点污染物浓度的时间序列，并根据待预测时间点污染物浓度的时间序列及聚类类别下的历史大气污染物数据计算相关系数，并根据相关系数选取相关历史样本，通过相关历史样本构建回归模型，通过回归模型对大气污染物监测数据拟合分析，得到第二预测模型预测结果。
可选的，大气常规污染物多目标混合预测结果的获取过程包括：
对预测结果进行分时段对应，通过加权平均方法对分时段对应结果进行计算，得到大气常规污染物多目标混合预测结果。
本发明具有如下技术效果：
本发明分别建立4种大气污染物预测模型，4种模型种既有常用的成熟算法：ARIMA预测模型和prophet预测模型，也有根据当前大气污染物的扩散和时空特性建立的独创算法：基于相关分析和聚类算法的预测模型和一种基于GRU的预测模型。根据每种预测模型在不同预测时刻的性能表现，将不同算法组合使用，建立大气常规污染物分时段多目标混合预测模型，该模型考虑到以上4种模型在中短期预测不同时间段内的表现效果和稳定性是有差异的，因此采用分时段建模，克服了单一模型无法掌握各个预测时间段的规律的不足，可以更好的提高大气污染物浓度的预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程示意图。
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。
如图1所述，本发明提供了中短期分时段大气常规污染物多目标混合预测方法，包括：一种基于多模型融合的大气污染物分时段预测模型。将大气污染物监测数据、气象数据、未来气象数据作为模型输入数据，分别建立：(1)ARIMA预测模型，预测未来1-4小时大气污染物浓度值；(2)基于相关分析和聚类算法的预测模型，预测未来1-12小时大气污染物浓度值；(3)基于GRU的预测模型，预测未来1-24小时大气污染物浓度值；(4)prophet预测模型，预测未来1-48小时大气污染物浓度值。综合以上各个模型的预测输出，计算各个模型在不用预测时间段的性能指标，利用加权平均的方法，分时段建立输出模型，输出未来1-48小时的大气污染物预测值。该混合预测模型，适用于任意大气污染物浓度的预测。利用该模型，可以快速、准确地预估大气污染物浓度。
在上述过程中，建立聚类算法、相关性分析和回归算法耦合的预测模型，预测未来1-12小时(预测时间可以根据需要变化，不拘于未来12个小时)大气污染物浓度值。利用一段时间的气象信息，利用kmeans方法(或其他聚类算法)对历史数据进行聚类；将待预测时刻点的污染物浓度时间序列与所属类别中的历史数据进行相关性计算，获取相关系数，从而选择出相关性最高的几个样本，用回归的方法给出最终大气污染物预测值。
在上述过程中，建立一种基于GRU的预测模型，预测未来1-24小时大气污染物浓度值。获取大气污染物浓度指标数据，对数据进行平稳性检验，选择将多种污染物的前n天数据作为输入，将一种污染物浓度的未来1-24小时的污染物浓度作为输出，搭建GRU深度学习网络模型，将待预测时间点前n天数据输入预测模型中，得到未来24 小时的预测值；
在上述过程中，建立变输入分时段大气常规污染物多目标混合预测模型。根据每种单一预测模型在不同预测时刻的性能表现，在不同时段，选择不同的模型预测结果组合作为输入变量，建立集成模型。克服了单一预测模型在不同时间段内的表现效果和稳定性存在显著差异的不足，可以有效提高大气污染物浓度预测的精度。
对上述内容进行具体说明：本发明提出一种基于多模型融合的大气污染物多目标分时段预测模型。将大气污染物监测数据、气象数据、未来气象数据作为模型输入数据，分别建立：(1)ARIMA预测模型，预测未来1-4小时大气污染物浓度值；(2)基于相关分析和聚类算法的预测模型，预测未来1-12小时大气污染物浓度值；(3)基于GRU的预测模型，预测未来1-24小时大气污染物浓度值；(4)prophet 预测模型，预测未来1-48小时大气污染物浓度值。
综合以上各个模型的预测输出，利用加权平均的方法，分时段建立输出模型，输出未来1-48小时的大气污染物预测值。
该混合预测模型，适用于任意大气污染物浓度的预测。利用该模型，可以快速、准确地预估大气污染物浓度，为监控人员预先提供更加准确的大气污染物浓度预测数据，从而为保障环境监测质量管控提供及时准确的辅助决策依据。
基于多模型融合的大气污染物多目标分时段预测方法，包括以下步骤：
1、数据准备：获取大气污染物监测数据、气象数据、未来气象数据。
构建如公式(1)所示的自变量序列，将数据划分训练集和测试集。
Figure BDA0003852702850000081
其中
Figure BDA0003852702850000082
表示在t时刻，第i个输入变量的监测值，k表示输入变量个数。
2、利用一段时间内的大气污染物历史数据、气象数据，未来气象数据，建立ARIMA预测模型，预测未来1-4小时大气污染物浓度值。具体包括以下步骤：
2.1获取如公式(1)构建的自变量序列
2.2数据预处理。利用四分位法对异常值进行处理，利用线性插值法处理缺失值；
2.3选择输入自变量长度，做平稳性检验，根据平稳性选择 ARIMA差分的次数就是ARIMA模型的阶数；
2.4利用BIC选择冠军模型f1：
Figure BDA0003852702850000091
其中，
Figure BDA0003852702850000092
是t+1时刻的预测污染物浓度值；
Figure BDA0003852702850000093
是历史大气污染物浓度，输入时刻是从t时刻到t-n时刻；
Figure BDA0003852702850000094
是k-1维气象信息，输入时刻是从t+1时刻到t-m时刻，包括t+1时刻的未来气象预测值；
2.5利用f1模型获取t+1时刻的预测值
Figure BDA0003852702850000095
将预测值
Figure BDA0003852702850000096
看作已知值，预测得到t+2时刻的预测值
Figure BDA0003852702850000097
以此类推，得到t+3时刻和 t+4时刻的预测值
Figure BDA0003852702850000098
和
Figure BDA0003852702850000099
3、建立基于相关分析和聚类算法的预测模型，预测未来1-12小时(预测时间可以根据模型性能变化，不拘于未来12个时刻)大气污染物浓度值。具体包括以下步骤：
3.1获取如公式(1)构建的自变量序列，并对数据进行异常值处理；
3.2利用一段时间的气象信息，用kmeans聚类方法(不拘泥于此种方法，其他聚类方法也适用)对历史数据进行聚类，将原始数据分成n类。
y＝f2(Xt+12,Xt+11,…,Xt,Xt-1,…,Xt-m) (3)
其中，Xt是如公式(4)所示的t时刻的k-1维气象信息，
Figure BDA0003852702850000101
输入变量Xt+12,Xt+11,…,Xt,Xt-1,…,Xt-m表示样本点对应的气象信息，包含12个时刻的未来气象信息，和m+1个时刻的历史气象信息。y 是该样本点对应的类别。
3.3将待预测时刻点的气象信息输入到f2模型中，获取待预测时刻点对应的类别。
3.4相关性计算。构建待预测时间点污染物浓度的时间序列
Figure BDA0003852702850000102
与同一类别中的历史样本点进行比较，计算相关系数。选择出与待测样本点相关性最高的p个历史样本点(数值可选)
3.5将选出的p个样本点接下来的12时刻大气污染物值浓度值作为输入，建立如公式(6)所示的回归模型：
Figure BDA0003852702850000103
Figure BDA0003852702850000104
其中
Figure BDA0003852702850000105
表示选出的第p个历史样本点选定时刻tp之后的12个时刻对应的污染物浓度值，如公式(7)所示，
Figure BDA0003852702850000106
表示t+1 时刻到t+12时刻的预测值。
3.6新的待预测点出现时，重复上述步骤4.3.3和步骤4.3.4，将得到的p个样本点接下来的12时刻大气污染物值浓度值，输入到模型f3中，得到利用该方法得到的12个时刻的预测值
Figure BDA0003852702850000107
4、建立一种基于GRU的预测模型，预测未来1-24小时大气污染物浓度值。具体包括以下步骤：
4.1获取如公式(1)构建的自变量序列，对数据进行异常值及归一化处理
4.2对数据进行平稳性检验，选择将多种污染物的前n天数据作为输入，将一种污染物浓度的未来1-24小时的污染物浓度作为输出，搭建GRU深度学习网络模型f4:
Figure BDA0003852702850000111
其中，Xt表示m种大气污染物在t时刻的浓度值，
Figure BDA0003852702850000112
表示待预测的一种大气污染物在t+1时刻到t+24时刻的预测值。
4.3将待预测时间点前n天数据进行异常值及归一化处理后，输入预测模型f4中，得到利用该方法得到的未来24小时的预测值
Figure BDA0003852702850000113
5、建立prophet预测模型，预测未来1-48小时大气污染物浓度值。预测步骤如下：
5.1获取如公式(1)构建的自变量序列
5.2对数据进行异常值处理
5.3选择预测时间点前k天的数据作为输入，建立prophet预测模型，预测未来48小时的大气污染物浓度值
Figure BDA0003852702850000114
Figure BDA0003852702850000115
6、在测试集中，分别计算以上四个模型在各个预测时刻的预测准确度，获取准确度矩阵:
A＝{aj,t+i,i＝1,2,…,48,j＝1,2,3,4} (10)
7、综合以上各个模型的预测输出，利用加权平均的方法，分时段输出未来1-48小时的大气污染物预测值yt+1,yt+2,…yt+48,如t+1时刻的预测值如下:
Figure BDA0003852702850000121
以此类推，获得t+2至t+48时刻的预测值yt+2,yt+3,…yt+48。
在实施例中，聚类算法、回归算法可以用其他机器学习算法替代。加权平均算法可以用其他机器学习算法替代。4种单一预测模型，可以在应用中，替换成其他多种适合中短期的单一预测模型，然后根据其性能指标，将不同模型组合使用，分时段建立多目标混合模型。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.中短期分时段大气常规污染物多目标混合预测方法，其特征在于，包括：
构建第一预测模型、第二预测模型、第三预测模型及第四预测模型，其中第一预测模型、第二预测模型、第三预测模型及第四预测模型的预测起始时间点相同且预测时间依次递增；
获取监测数据，其中监测数据包括大气污染物监测数据、气象数据及未来气象数据；
通过第一预测模型、第二预测模型、第三预测模型及第四预测模型分别对监测数据进行分时段预测，基于分时段预测结果，得到大气常规污染物多目标混合预测结果。
2.根据权利要求1所述方法，其特征在于：
其中第一预测模型采用优化后的ARIMA模型，
其中，优化后的ARIMA模型的构建过程包括：
获取训练集，对训练集进行异常值处理及缺失值补充；
截取处理后的训练集，根据截取后的训练集进行平稳性检验，根据平稳性检验结果得到ARIMA模型的阶数；
基于ARIMA模型的阶数构建ARIMA模型，并通过截取后的训练集进行训练，得到优化后的ARIMA模型。
3.根据权利要求1所述方法，其特征在于：
第二预测模型采用基于相关分析及聚类算法的预测模型；其中构建过程中，获取历史气象数据，通过聚类算法将历史气象数据进行聚类，得到不同的聚类类别，根据聚类类别构建聚类模型。
4.根据权利要求1所述方法，其特征在于：
第三预测模型采用GRU预测模型，其中GRU预测模型的构建过程包括：
对大气污染物监测数据的历史数据进行平稳性检验，基于平稳性检验结果，将大气污染物监测数据的历史数据作为输入，将第三预测模型对应预测时间下的不同时刻污染物浓度作为输出，构建GRU预测模型。
5.根据权利要求1所述方法，其特征在于：
第四预测模型采用prophet预测模型，其中构建prophet预测模型的过程包括：
将大气污染物监测数据的历史数据作为输入，将第四预测模型对应预测时间下的不同时刻污染物浓度作为输出，构建prophet预测模型。
6.根据权利要求2所述方法，其特征在于：
通过第一预测模型对监测数据进行预测的过程包括：
通过优化后的ARIMA模型对监测数据进行预测，并将预测结果作为已知数据对监测数据进行调整，通过优化后的ARIMA模型对调整后的监测数据进行预测，得到下一时刻数据，并根据下一时刻数据对监测数据进行调整，重复预测及调整的过程，直到达到重复次数，得到第一预测模型预测结果。
7.根据权利要求3所述方法，其特征在于：
通过第二预测模型对监测数据进行预测的过程包括：
根据聚类模型对未来气象数据进行聚类分析，获取气象数据的聚类类别；
构建待预测时间点污染物浓度的时间序列，并根据待预测时间点污染物浓度的时间序列及聚类类别下的历史大气污染物数据计算相关系数，并根据相关系数选取相关历史样本，通过相关历史样本构建回归模型，通过回归模型对大气污染物监测数据拟合分析，得到第二预测模型预测结果。
8.根据权利要求1所述方法，其特征在于：
大气常规污染物多目标混合预测结果的获取过程包括：
对预测结果进行分时段对应，通过加权平均方法对分时段对应结果进行计算，得到大气常规污染物多目标混合预测结果。
CN202211139127.2A 2022-09-19 2022-09-19 中短期分时段大气常规污染物多目标混合预测方法 Pending CN115587650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211139127.2A CN115587650A (zh) 2022-09-19 2022-09-19 中短期分时段大气常规污染物多目标混合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211139127.2A CN115587650A (zh) 2022-09-19 2022-09-19 中短期分时段大气常规污染物多目标混合预测方法

Publications (1)

Publication Number Publication Date
CN115587650A true CN115587650A (zh) 2023-01-10

Family

ID=84778323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211139127.2A Pending CN115587650A (zh) 2022-09-19 2022-09-19 中短期分时段大气常规污染物多目标混合预测方法

Country Status (1)

Country Link
CN (1) CN115587650A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024093249A1 (zh) * 2022-10-31 2024-05-10 华为云计算技术有限公司 一种气象预测方法、装置及相关设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024093249A1 (zh) * 2022-10-31 2024-05-10 华为云计算技术有限公司 一种气象预测方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN112085163A (zh) 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
CN112101480A (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN112036075A (zh) 一种基于环境监测数据关联关系的异常数据判定方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN111582551A (zh) 风电场短期风速预测方法、系统及电子设备
CN114036736A (zh) 一种基于局部格兰杰因果分析的因果网络学习方法
CN114694767B (zh) 基于时空图常微分方程网络的pm2.5浓度预测方法
CN112381673A (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN115542429A (zh) 一种基于XGBoost的臭氧质量预测方法及系统
CN115587650A (zh) 中短期分时段大气常规污染物多目标混合预测方法
CN113435124A (zh) 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法
CN107729988B (zh) 基于动态深度置信网络的蓝藻水华预测方法
CN115456245A (zh) 一种感潮河网区溶解氧预测方法
CN112215410B (zh) 基于改进深度学习的电力负荷预测方法
CN114217025A (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
CN117332815A (zh) 一种工业园区大气污染的预测方法及预测预警系统
CN117113054A (zh) 一种基于图神经网络和Transformer的多元时间序列预测方法
CN112819244B (zh) 一种基于气象因子的rf-hw水质指标混合预测方法
CN116341763A (zh) 一种空气质量预测方法
CN116013426A (zh) 一种高时空分辨率的站点臭氧浓度预测方法
CN114881338A (zh) 基于最大互信息系数与深度学习的配电网线损预测方法
CN114529035A (zh) 一种基于cart的多模式集成模型的风速预报方法
CN116933949B (zh) 一种融合水动力模型和数理模型的水质预测方法及系统
Chen et al. A comparative study on multi-regression analysis and BP neural network of PM2. 5 index

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