CN116013426A - 一种高时空分辨率的站点臭氧浓度预测方法 - Google Patents
一种高时空分辨率的站点臭氧浓度预测方法 Download PDFInfo
- Publication number
- CN116013426A CN116013426A CN202211274108.0A CN202211274108A CN116013426A CN 116013426 A CN116013426 A CN 116013426A CN 202211274108 A CN202211274108 A CN 202211274108A CN 116013426 A CN116013426 A CN 116013426A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- model
- data set
- prediction method
- 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
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种高时空分辨率的站点臭氧浓度预测方法,利用考虑数据时序特征的长短期记忆神经网络建立单一使用气象数据的O3浓度预测模型,模型建立和预测过程中的气象数据分别选择开源的ECMWF气象数据和GFS气象数据,所述模型的特点为成本低、时效性和准确性高、空间覆盖率高,降低了模型建立过程以及使用过程中的成本投入,实现了高效快速地预报逐小时、高精度、区域覆盖的O3浓度预报,为臭氧污染防治提供基础数据支持。
Description
技术领域
本发明涉及臭氧污染防治技术应用领域,特别是涉及一种高时空分辨率的站点臭氧浓度预测方法。
背景技术
近地面的O3并不是由污染源直接排放的一次污染物,而是由大气中一次污染物通过光化学反应生成的二次污染物,大气中促使O3生成的主要前体物为NOx和VOCs。此外,臭氧污染还受到气象条件(如光照、气温、风速、混合层高度等)、下垫面和区域输送等因素的影响,这些因素的综合影响促使O3与前体物之间存在复杂的非线性关系,并表现出显著的时间和空间变异特征。随着城市化进程的加快,挥发性有机物(VOCs)和氮氧化物(NOx)等臭氧(O3)前体物的排放密度居高不下,O3污染问题日渐突出。因此十分有必要提高对于臭氧浓度的预报能力,以有效保护民众的身体健康,为大气污染防治提供决策支持。
目前臭氧浓度预报采用的方法可以分为数值预报方法和统计预报方法两大类。数值预报方法需要利用数值模式系统,一般由源清单处理模型、气象模型和大气化学模型等构成,一次数值模拟需要大量的输入数据并设置相关参数,模型计算复杂耗时长,其本身的高技术和投入门槛使得使用较为困难。此外,由于排放清单的不确定性大、模式的物理化学机制复杂且参数化存在不确定性等原因,导致数值模式对臭氧的预报误差较大,仍有较大的提升空间。
相比于数值预报方法,统计预报方法具有构造简单、使用方便、输入数据较少不需要污染源排放清单作为输入的特点,计算成本较低,可推广性较强,近年来在空气质量预报中得到了较为广泛的应用。统计预报模型以污染物浓度、气象要素观测数据以及前体物排放数据为基础,通过统计学方法构建污染物浓度和气象因子及前体物排放数据之间的函数关系模型,利用气象因子观测数据和前体物排放数据作为模型输入预测大气污染浓度。早期的污染物浓度预测模型主要使用主成分分析和多元线性回归等方法,但其不能很好地捕捉大气污染物浓度与影响因素之间的非线性关系,因此预测准确度较低。
而神经网络算法具有良好的自适应、自调整和非线性拟合能力,可以有效捕捉大气污染物变化中隐藏的非线性特征,通过处理海量数据,更客观、灵活地构建模型,在大气污染物浓度预测工作中得到了广泛的应用。常用于大气污染物浓度预测的神经网络算法包括人工神经网络、前馈神经网络、支持向量机、多层感知器、决策树和随机森林等。此外随着对臭氧污染问题的认识深入,发现臭氧污染特征变现出随着季节和日的周期性变化规律,且臭氧来源于上一时刻臭氧的积累、该时刻的分解以及臭氧的传输。因此臭氧的污染具有时间依赖性,影响下一时刻臭氧浓度的因素包含之前几个时刻的影响因素和臭氧浓度以及传输等。因此,除气象因素和污染物排放信息外将时序特征纳入模型能更好的预测臭氧的浓度。LSTM作为一种循环神经网络改进算法,能够处理时序问题,目前在污染物浓度预测中已经取得了初步的应用。
统计预报方法中使用的气象因子一般包含温度、湿度、风速、风向、大气压、边界层高度、降雨量、云量、太阳辐射等。在大气污染物浓度统计预报模型的建立中,训练模型使用的气象数据一般采用站点实测数据或气象局再分析数据,模型建立后对臭氧浓度进行预测时,气象数据一般采用气象数值模式预报结果。前体物排放数据一般包含污染源排放量或者污染物浓度监测数据。
现有的臭氧浓度统计预报方法主要使用人工神经网络、前馈神经网络、支持向量机、多层感知器、决策树和随机森林等处理非时序性数据的机器学习算法开发的。需要输入气象数据及前体物排放数据对模型进行训练从而建立O3浓度与气象和前体物排放之间的线性或非线性函数关系,从而实现对O3浓度进行预测。训练模型采用的气象数据一般采用站点实测气象数据或气象局再分析数据。对O3浓度预测时使用的气象数据一般采用气象数值模式如wrf预报的结果。前体物排放数据一般包含污染物排放量数据或者污染物浓度监测数据。使用这些处理非时序性数据的机器学习算法开发的臭氧浓度统计预报方法,由于不考虑臭氧污染的时序特征,因此预报准确率较低。此外,训练模型采用的气象数据使用站点实测数据,包含的气象参数一般为近地面温度、相对湿度、风速、风向、大气压等,参数较少,难以很好的表征与臭氧污染形成相关的所有气象影响因素。训练模型使用气象局再分析数据,包含的气象参数比较丰富,但获取成本较高。对O3浓度预测时使用气象数值模式的气象预报结果成本及门槛均较高,运算量大,时间开销大。
因此现有的臭氧浓度统计预报方法较少考虑臭氧污染时序特征,预测准确率有待提升。且现有方法输入数据获取成本和门槛均较高,尚缺乏推广及业务化应用研究,以满足臭氧污染应急的时效性需求。
发明内容
本发明的目的是针对现有臭氧浓度统计预报方法建立过程中输入数据获取成本大门槛高、模型时效性和准确性差的问题,提出一种高时空分辨率的站点臭氧浓度预测方法,以提高O3浓度预报的时效性、准确性和空间覆盖性,降低模型建立过程以及使用过程中的成本投入,以实现高效快速地预报逐小时、高精度、区域覆盖的O3浓度预报方法,为臭氧污染防治提供基础数据支持。
为实现上述目的,本发明提供了一种高时空分辨率的站点臭氧浓度预测方法,所述站点臭氧浓度预测方法包括如下步骤:
S1,通过python程序获取GFS预测气象数据、ECMWF气象数据、国家空气质量监测站点的站点O3浓度数据和实测气象数据;
S2,将收集的多源数据,经时空匹配、缺失值插补、异常值处理及规范化的预处理流程,转换为时空尺度统一的数据集,构建形成样本数据集D;
S3,将预处理后的样本数据集D,进行维度转化成时序数据集D*,之后随机划分为训练数据集Train、验证数据集Valid和测试数据集Test三部分,所述训练数据集Train和验证数据集Valid用于D-LSTM模型训练,所述测试数据集Test用于模型精度验证;
S4,将GFS预测气象数据、站点历史实测O3浓度数据和气象数据进行预处理后输入到D-LSTM模型中,预测对应的O3浓度值;
S5,采用预测值和实测值之间的皮尔森相关系数r、均方根误差RMSE、平均绝对误差MAE三种回归模型的评价指标对模型进行评测,计算预测对应的O3浓度值的精度。
优选地,在步骤S1中,所述ECMWF气象数据为欧洲中期天气预报中心的气象再分析数据,所述GFS为美国国家环境预报中心全球预报系统的预报气象数据;所述气象数据中获取的气象参数包括:环境温度、相对湿度、边界层高度、10m风速、10m风向及大气压。
优选地,在步骤S2中,所述时空匹配的预处理流程包括:
在空间上,ECMWF和GFS气象数据为网格化数据,国家空气质量监测站点是散点分布,通过经纬度匹配建立空间多站点的气象数据和站点O3浓度数据的数据集;
在时间上,远期历史气象数据使用ECMWF数据,近期历史气象数据使用站点实测数据,预报气象数据使用GFS数据。
优选地,在步骤S2中,所述缺失值插补的预处理流程包括:将气象数据和O3浓度历史数据的缺失值使用线性方法进行插补,插补方法如下式:
其中(x0,y0)和(x1,y1)为待插值点(x,y)附近两个已知点。
优选地,在步骤S2中,所述异常值处理的预处理流程包括:将气象数据和O3浓度历史数据中异常高值剔除后按照缺失值插补规则进行插补。
优选地,在步骤S2中,所述规范化的预处理流程包括:使用最小值-最大值标准化法对样本数据集进行规范化处理,计算公式如下:
式中,y是数据原始值,ymax是数据中的最大值,ymin是数据中的最小值,y’是经过标准化的值。
在步骤S3中,样本数据集D={(Dt1,Drh1,Dws1,Dwd1,Dpbl1,Dp1)1,(Dt2,Drh2,Dws2,Dwd2,Dpbl2,Dp2)2,…,(Dtn,Drhn,Dwsn,Dwdn,Dpbln,Dpn)n},其中n表示原始数据集D的样本数量,Dtn、Drhn、Dwsn、Dwdn、Dpbln、Dpn为第n个时间节点的温度、相对湿度、风速、风向、边界层高度、大气压数据。
优选地,在步骤S3中,所述样本数据集随机划分为10份,其中8份作为训练数据Train,1份作为验证数据Valid,所述训练数据Train和验证数据Valid被用于模型训练,另1份作为测试数据Test用于模型精度验证。
优选地,所述时序数据集D*为三维张量,包含样本数m、步长k和特征p三个维度,特征包括温度、相对湿度、风速、风向、边界层高度、大气压。D*的数据结构如下式所示。
优选地,所述D-LSTM模型为两个LSTM堆叠而成。每一个LSTM的网络结构均由输入层、隐藏层及输出层构成,所述输入层的节点数为输入数据特征数p,所述输出层的节点数为待预测物种数,所述隐藏层包含LSTM层和全连接层;
其中,所述隐藏层的神经元数目通过试错法确定,所述隐藏层使用非线性激活函数Relu,所述输出层使用线性激活函数。
优选地,所述D-LSTM模型训练采用Adam函数进行,设定最大迭代次数为50次,通过迭代运算最终模型自动确定权值系数及阈值,直至完成模型训练。
在步骤S5中,皮尔森相关系数r、平均绝对误差MAE、以及均方根误差RMSE的计算公式如下:
基于上述技术方案,本发明的优点是:
本发明提出一种高时空分辨率的站点臭氧浓度预测方法,利用考虑数据时序特征的长短期记忆神经网络(LSTM)建立单一使用气象数据的O3浓度预测模型。模型建立和预测过程中的气象数据分别选择开源的ECMWF气象数据和GFS气象数据,该模型的特点为成本低、时效性和准确性高、空间覆盖率高,降低了模型建立过程以及使用过程中的成本投入,实现了高效快速地预报逐小时、高精度、区域覆盖的O3浓度预报,为臭氧污染防治提供基础数据支持。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为一种高时空分辨率的站点臭氧浓度预测方法的流程图;
图2为一种高时空分辨率的站点臭氧浓度预测方法的步骤图;
图3为一种高时空分辨率的站点臭氧浓度预测方法的实施例的结果图;
图4为一种高时空分辨率的站点臭氧浓度预测方法的实施例的精度验证图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
本发明提供高时空分辨率的站点臭氧浓度预测方法,如图1~4所示,其中示出了本发明的一种优选实施方式。
具体地,如图2所示,所述站点臭氧浓度预测方法包括如下步骤:
S1,通过python程序获取GFS预测气象数据、ECMWF气象数据、国家空气质量监测站点的站点O3浓度数据和实测气象数据。
S2,将收集的多源数据,经时空匹配、缺失值插补、异常值处理及规范化的预处理流程,转换为时空尺度统一的数据集,构建形成样本数据集D。
S3,将预处理后的样本数据集D,进行维度转化成时序数据集D*,之后随机划分为训练数据集Train、验证数据集Valid和测试数据集Test三部分,所述训练数据集Train和验证数据Valid集用于D-LSTM模型训练,获得训练好的D-LSTM模型,所述测试数据Test集用于模型精度验证。
S4,将GFS预测气象数据、站点历史实测O3浓度数据和气象数据进行预处理后输入到训练好的D-LSTM模型中,预测对应的O3浓度值。
S5,采用预测值和实测值之间的皮尔森相关系数r、均方根误差RMSE、平均绝对误差MAE三种回归模型的评价指标对模型进行评测,计算预测对应的O3浓度值的精度。
在步骤S1中,所述的气象数据包含ECMWF气象数据、GFS气象数据和国家空气质量监测站点实测气象数据。其中,ECMWF气象数据为欧洲中期天气预报中心的气象再分析数据,数据时间滞后两个月。GFS为美国国家环境预报中心全球预报系统的预报气象数据,每天发布4次全球范围的气象数据,分辨率最高为0.25°*0.25°。本发明中所使用的气象参数包括:环境温度、相对湿度、边界层高度、10m风速、10m风向、大气压。
在步骤S2中,所述的受体数据预处理流程包括数据的时空匹配、缺失值插补、异常值处理和规范化。优选地,所述时空匹配的预处理流程包括:数据的时空匹配,空间上,ECMWF和GFS气象数据为网格化数据,国家空气质量监测站点是散点分布,通过经纬度匹配建立空间多站点的气象数据和O3浓度数据集。时间上,远期(2个月前)历史气象数据使用ECMWF数据,近期(近2个月)历史气象数据使用站点实测数据,预报气象数据使用GFS数据。
优选地,所述缺失值插补的预处理流程包括:将气象数据和O3浓度历史数据的缺失值使用线性方法进行插补。所述异常值处理的预处理流程包括:将气象数据和O3浓度历史数据中异常高值剔除后按照缺失值插补规则进行插补。所述规范化的预处理流程包括:使用最小值-最大值法对样本数据集进行规范化处理。
缺失值的线性插补公式为:
式中,(x0,y0)和(x1,y1)为待插值点(x,y)附近两个已知点。
最小值-最大值标准化公式为:
式中,y是数据原始值,ymax是数据中的最大值,ymin是数据中的最小值,y’是经过标准化的值。
进一步地,样本数据集D={(Dt1,Drh1,Dws1,Dwd1,Dpbl1,Dp1)1,(Dt2,Drh2,Dws2,Dwd2,Dpbl2,Dp2)2,…,(Dtn,Drhn,Dwsn,Dwdn,Dpbln,Dpn)n},其中n表示原始数据集D的样本数量,Dtn、Drhn、Dwsn、Dwdn、Dpbln、Dpn为第n个时间节点的温度、相对湿度、风速、风向、边界层高度、大气压数据。
在步骤S3中,所述样本数据集随机划分为10份,其中8份作为训练数据Train,1份作为验证数据Valid,所述训练数据Train和验证数据Valid被用于模型训练,另1份作为测试数据Test用于模型精度验证。
所述维度转换是因为利用前48小时的O3浓度和气象监测数据预测未来24小时的O3浓度,因此D-LSTM模型输入数据为三维张量D*,需包含样本数m、步长k和特征p三个维度。D*的数据结构如下式所示。
进一步,所述D-LSTM神经网络模型是基于python的keras库搭建的,由两个LSTM(长短期记忆)神经网络模型堆叠构成。每一个LSTM的网络结构均由输入层、隐藏层和输出层构成。输入层的节点数为输入数据特征数p,输出层的节点数为待预测物种数。隐藏层包含LSTM层和全连接层,隐藏层的神经元数目通过试错法确定,即反复尝试不同节点数从而确定最佳神经元个数。隐藏层使用非线性激活函数Relu,输出层使用非线性激活函数softmax。模型训练采用Adam(自适应时刻估计方法Adaptive Moment Estimation)函数,设定最大迭代次数50次,通过迭代运算最终模型自动确定权值系数及阈值,完成模型训练。
进一步地,验证模型精度的参数包括:采用预测值与真实值之间的皮尔森相关系数r、平均绝对误差MAE、以及均方根误差RMSE作为模型的评价标准,计算所述方法对O3浓度的预报精度。r、RMSE和MAE的计算公式如下:
式中y为真实值,yi为预测值。
本发明提出一种高时空分辨率的站点臭氧浓度预测方法,利用考虑数据时序特征的长短期记忆神经网络(LSTM)建立单一使用气象数据的O3浓度预测模型。模型建立和预测过程中的气象数据分别选择开源的ECMWF气象数据和GFS气象数据,该模型的特点为成本低、时效性和准确性高、空间覆盖率高,降低了模型建立过程以及使用过程中的成本投入,实现了高效快速地预报逐小时、高精度、区域覆盖的O3浓度预报,为臭氧污染防治提供基础数据支持。
为进一步解释本发明的高时空分辨率的站点臭氧浓度预测方法,以下举例对其进行说明。
本实施例通过python程序全自动的获取安徽省淮南市所有国家空气质量监测站点O3浓度和气象历史监测数据。使用python程序自动获取ECMWF历史气象数据和GFS每日预测气象数据。
将收集的多源数据,经时空匹配、缺失值插补、异常值处理以及规范化等预处理流程,转换为时空尺度统一的数据集,构建形成样本数据集。在构建样本数据集的过程中,需通过经纬度匹配从ECMWF和GFS数据集中提取各国控站点历史气象数据和预测数据。远期(2个月前)历史气象数据使用ECMWF数据,近期(近2个月)历史气象数据使用站点实测数据。气象和O3浓度历史数据的缺失值使用线性方法进行插补。气象和O3浓度历史数据中异常高值剔除后按照缺失值插补规则进行插补。使用最小值-最大值法对样本数据集进行规范化处理。
将预处理后的样本数据集,进行维度转化成时序数据集,时序数据集为三维张量,包含样本数、步长和特征三个维度。将时序数据集随机划分为10份,其中8份作为训练数据,1份作为验证数据,训练数据和验证数据被用于D-LSTM模型训练。D-LSTM神经网络模型是基于python的keras库搭建的,由两个LSTM(长短期记忆)神经网络模型堆叠构成。每一个LSTM的网络结构均由输入层、隐藏层和输出层构成。输入层的节点数为输入数据特征数,输出层的节点数为待预测物种数。隐藏层包含LSTM层和全连接层,隐藏层的神经元数目通过试错法确定,即反复尝试不同节点数从而确定最佳神经元个数。隐藏层使用非线性激活函数Relu,输出层使用线性激活函数。模型训练采用Adam(自适应时刻估计方法AdaptiveMoment Estimation)函数,设定最大迭代次数50次,通过迭代运算最终模型自动确定权值系数及阈值,完成模型训练。
将上述测试数据用来模型精度验证,采用预测值与真实值之间的皮尔森相关系数r、平均绝对误差MAE、以及均方根误差RMSE作为模型的评价标准,计算所述方法对O3浓度的预报精度。
将python程序实时获取的GFS气象数据和历史气象和O3浓度监测数据进行数据预处理后输入到上述训练好模型中即可对未来O3浓度进行预测。
本发明高时空分辨率的O3浓度预测方法的实施例的结果见图3所示。图4为所述测试数据集的模拟值与真实值之间的评价指标结果,各站点O3浓度的预测值与实测值皮尔森相关系数r在0.80~0.82之间,MAE在17.43~19.52之间,RMSE在22.10~24.62之间,与单纯使用LSTM模型进行预测相比,本发明提出的LSTMBP模型预测值的MAE值和RMSE值均有所降低,表明本发明所提出的预测方法结果准确,证明了本发明的可行性。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (10)
1.一种高时空分辨率的站点臭氧浓度预测方法,其特征在于:所述站点臭氧浓度预测方法包括如下步骤:
S1,通过python程序获取GFS预测气象数据、ECMWF气象数据、国家空气质量监测站点的站点O3浓度数据和实测气象数据;
S2,将收集的多源数据,经时空匹配、缺失值插补、异常值处理及规范化的预处理流程,转换为时空尺度统一的数据集,构建形成样本数据集;
S3,将预处理后的样本数据集,进行维度转化成时序数据集,之后随机划分为训练数据集、验证数据集和测试数据集三部分,所述训练数据集和验证数据集用于D-LSTM模型训练,所述测试数据集用于模型精度验证;
S4,将GFS预测气象数据、站点历史实测O3浓度数据和气象数据进行预处理后输入到D-LSTM模型中,预测对应的O3浓度值;
S5,采用预测值和实测值之间的皮尔森相关系数r、均方根误差RMSE、平均绝对误差MAE三种回归模型的评价指标对模型进行评测,计算预测对应的O3浓度值的精度。
2.根据权利要求1所述的站点臭氧浓度预测方法,其特征在于:在步骤S1中,所述ECMWF气象数据为欧洲中期天气预报中心的气象再分析数据,所述GFS为美国国家环境预报中心全球预报系统的预报气象数据;所述气象数据中获取的气象参数包括:环境温度、相对湿度、边界层高度、10m风速、10m风向及大气压。
3.根据权利要求1所述的站点臭氧浓度预测方法,其特征在于:在步骤S2中,所述时空匹配的预处理流程包括:
在空间上,ECMWF和GFS气象数据为网格化数据,国家空气质量监测站点是散点分布,通过经纬度匹配建立空间多站点的气象数据和站点O3浓度数据的数据集;
在时间上,远期历史气象数据使用ECMWF数据,近期历史气象数据使用站点实测数据,预报气象数据使用GFS数据。
4.根据权利要求1所述的站点臭氧浓度预测方法,其特征在于:在步骤S2中,所述缺失值插补的预处理流程包括:将气象数据和O3浓度历史数据的缺失值使用线性方法进行插补。
6.根据权利要求1所述的站点臭氧浓度预测方法,其特征在于:在步骤S2中,所述规范化的预处理流程包括:使用最小值-最大值法对样本数据集进行规范化处理。
7.根据权利要求1所述的站点臭氧浓度预测方法,其特征在于:在步骤S3中,所述样本数据集采用“十折”交叉验证方法,将随机划分为10份,其中8份作为训练数据Train,1份作为验证数据Valid,所述训练数据Train和验证数据Valid被用于模型训练,另1份作为测试数据Test用于模型精度验证。
8.根据权利要求7所述的站点臭氧浓度预测方法,其特征在于:所述时序数据集为三维张量,包含样本数、步长和特征三个维度,特征包括温度、相对湿度、风速、风向、边界层高度及大气压。
9.根据权利要求1所述的站点臭氧浓度预测方法,其特征在于:所述D-LSTM模型为两个LSTM堆叠而成。每一个LSTM的网络结构均由输入层、隐藏层及输出层构成,所述输入层的节点数为输入数据特征数p,所述输出层的节点数为待预测物种数,所述隐藏层包含LSTM层和全连接层;
其中,所述隐藏层的神经元数目通过试错法确定,所述隐藏层使用非线性激活函数Relu,所述输出层使用线性激活函数。
10.根据权利要求9所述的站点臭氧浓度预测方法,其特征在于:所述D-LSTM模型训练采用Adam函数进行,设定最大迭代次数为50次,通过迭代运算最终模型自动确定权值系数及阈值,直至完成模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211274108.0A CN116013426A (zh) | 2022-10-18 | 2022-10-18 | 一种高时空分辨率的站点臭氧浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211274108.0A CN116013426A (zh) | 2022-10-18 | 2022-10-18 | 一种高时空分辨率的站点臭氧浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116013426A true CN116013426A (zh) | 2023-04-25 |
Family
ID=86023614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211274108.0A Pending CN116013426A (zh) | 2022-10-18 | 2022-10-18 | 一种高时空分辨率的站点臭氧浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116013426A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031582A (zh) * | 2023-06-27 | 2023-11-10 | 华南理工大学 | 递归时空学习及模拟监测融合的臭氧小时浓度预报方法 |
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 |
-
2022
- 2022-10-18 CN CN202211274108.0A patent/CN116013426A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031582A (zh) * | 2023-06-27 | 2023-11-10 | 华南理工大学 | 递归时空学习及模拟监测融合的臭氧小时浓度预报方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
Tsai et al. | Air pollution forecasting using RNN with LSTM | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
Arhami et al. | Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations | |
CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
Comrie | Comparing neural networks and regression models for ozone forecasting | |
Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
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 | |
CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及系统 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
CN114897250A (zh) | 融合空间和统计特征的cnn-gru臭氧浓度预测模型建立方法、预测方法及模型 | |
CN116013426A (zh) | 一种高时空分辨率的站点臭氧浓度预测方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
Sá et al. | Two step calibration method for ozone low-cost sensor: Field experiences with the UrbanSense DCUs | |
Huang et al. | A decomposition‐based multi‐time dimension long short‐term memory model for short‐term electric load forecasting | |
Taylor et al. | Particulate matter estimation from photochemistry: a modelling approach using neural networks and synoptic clustering | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 |
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 |