CN116166924B - 数据处理方法、装置、存储介质及电子设备 - Google Patents
数据处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116166924B CN116166924B CN202211616387.4A CN202211616387A CN116166924B CN 116166924 B CN116166924 B CN 116166924B CN 202211616387 A CN202211616387 A CN 202211616387A CN 116166924 B CN116166924 B CN 116166924B
- Authority
- CN
- China
- Prior art keywords
- air quality
- data
- forecast
- area
- pollution
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims description 26
- 230000008859 change Effects 0.000 claims abstract description 204
- 238000012544 monitoring process Methods 0.000 claims abstract description 168
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 68
- 239000003344 environmental pollutant Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 20
- 231100000719 pollutant Toxicity 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011109 contamination Methods 0.000 description 13
- 230000007774 longterm Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000011157 data evaluation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Probability & Statistics with Applications (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种数据处理方法、装置、存储介质及电子设备,该方法通过获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,根据空气质量监测数据确定该目标区域内每种空气质量数据的第一距平信息,第一距平信息用于表征该空气质量监测数据中每种空气质量数据的距平值的变化状况;根据空气质量预报数据确定该目标区域内每种空气质量数据的第二距平信息,第二距平信息用于表征空气质量预报数据中每种空气质量数据的距平值的变化状况;根据第一距平信息和第二距平信息确定空气质量预报数据的预报准确评估结果,能够有效解决相关技术中针对中长期预报数据的评价存在着准确性较差,可靠性较低的问题。
Description
技术领域
本公开涉及计算机处理领域,具体地,涉及一种数据处理方法、装置、存储介质及电子设备。
背景技术
随着天气和空气质量预报模式和技术发展,随之而来的是评估和检验预报产品质量的疑问或争论。气象预报按照预报的时效长短可分为为短时预报、中期预报、长期预报、超长期预报、气候展望,同样空气质量预报模式按照预报时效也可分为短期、中期、长期。相关技术中的针对空气质量预报数据的准确性评价方法针对短期空气质量预报数据的评估还算有效,但针对中长期的空气质量预报数据的评价存在着准确性较差,可靠性较低的问题。
发明内容
本公开的目的是提供一种数据处理方法、装置、存储介质及电子设备。
为了实现上述目的,本公开第一方面提供一种数据处理方法,所述方法包括:
获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,所述空气质量监测数据和所述空气质量预报数据均包括一种或多种类型的空气质量数据;
根据所述空气质量监测数据确定所述目标区域内每种空气质量数据的第一距平信息,所述第一距平信息用于表征所述空气质量监测数据中每种所述空气质量数据的距平值的变化状况;
根据所述空气质量预报数据确定所述目标区域内每种空气质量数据的第二距平信息,所述第二距平信息用于表征所述空气质量预报数据中每种所述空气质量数据的距平值的变化状况;
根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果。
可选地,所述第一距平信息包括实测站点距平信息,实测城市距平信息和实测区域距平信息;
所述实测站点距平信息用于表征每个空气质量监测站点对应的实测空气质量数据的距平值的变化状况,所述实测城市距平信息用于表征所述目标区域内每个城市对应的实测空气质量数据的距平值的变化状况,所述实测区域距平信息用于表征所述目标区域对应的实测空气质量数据的距平值的变化状况;
所述第二距平信息包括预报站点距平信息,预报城市距平信息和预报区域距平信息;
所述预报站点距平信息用于表征每个空气质量监测站点对应的预报空气质量数据的距平值的变化状况,所述预报城市距平信息用于表征所述目标区域内每个城市对应的预报空气质量数据的距平值的变化状况,所述预报区域距平信息用于表征所述目标区域对应的预报空气质量数据的距平值的变化状况。
可选地,所述实测站点距平信息包括实测站点距平值变化量,所述实测区域距平信息包括实测区域距平值变化率;
所述预报站点距平信息包括预报站点距平值变化量,所述预报区域距平信息包括预报区域距平值变化率。
可选地,所述预报准确评估结果包括用于表征预报空气质量变化趋势是否准确,所述根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果,包括:
根据每种空气质量数据的空气质量预报数据和所述预报区域距平值变化率确定预报空气质量变化趋势;
根据每种空气质量数据的空气质量监测数据和所述实测区域距平值变化率确定实测空气质量变化趋势;
在所述实测空气质量变化趋势与所述预报空气质量变化趋势一致的情况下,生成用于表征所述预报空气质量变化趋势准确的预报准确评估结果;
在所述实测空气质量变化趋势与所述预报空气质量变化趋势不一致的情况下,生成用于表征所述预报空气质量变化趋势不准确的预报准确评估结果。
可选地,所述根据所述每种空气质量数据的空气质量预报数据和所述预报区域距平值变化率确定预报空气质量变化趋势,包括:
获取第一预设对应关系,所述第一预设对应关系包括多组预设空气质量变化趋势与预设距平变化率的对应关系;
从所述第一预设对应关系中确定与所述空气质量预报数据和所述预报区域距平值变化率对应的第一预报空气质量变化趋势,以得到所述预报空气质量变化趋势。
可选地,所述根据每种空气质量数据的空气质量监测数据和所述实测区域距平值变化率确定实测空气质量变化趋势,包括:
从所述第一预设对应关系中确定与所述空气质量监测数据和所述实测区域距平值变化率对应的第二预报空气质量变化趋势,以得到所述实测空气质量变化趋势。
可选地,所述预报准确评估结果包括区域空气质量趋势变化准确率,所述根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果,包括:
确定所述目标区域内多个空气质量监测站点中实测站点距平值变化量的正负类型与预报站点距平值变化量的正负类型一致的目标空气质量监测站点的目标数量;
获取所述目标数量与所述目标区域内包括空气质量监测站点总数量的比值,以得到所述区域空气质量趋势变化准确率。
可选地,所述方法还包括:
根据所述空气质量监测数据和所述空气质量预报数据确定所述指定时间段内每个单位时间中空气质量指数预报准确的城市的第一数量;
根据所述第一数量,所述目标区域内的总城市数量以及所述指定时间段确定所述目标区域中的城市空气质量指数准确率。
可选地,所述方法还包括:
根据所述空气质量监测数据和所述空气质量预报数据确定每个单位时间段内首要污染物预测准确的城市的第二数量;
根据所述第二数量,所述目标区域内的总城市数量以及所述指定时间段确定所述目标区域中的城市首要污染物的准确率。
可选地,所述方法还包括:
根据所述空气质量预报数据确定所述目标区域在所述指定时间段内出现区域污染过程的总次数;
根据所述空气质量监测数据和所述空气质量预报数据确定所述目标区域在所述指定时间段内区域污染过程预测准确的目标次数;
根据所述目标次数和所述总次数的确定所述空气质量预报数据对应的区域污染过程预报准确率。
可选地,所述根据所述空气质量监测数据和所述空气质量预报数据确定所述目标区域在所述指定时间段内区域污染过程预测准确的目标次数,包括:
根据所述空气质量监测数据通过第二预设对应关系确定所述目标区域对应的监测区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度,所述第二预设对应关系用于表征不同的监测区域污染类型与预设污染数据的对应关系,所述预设污染数据包括污染区域范围要求标准和污染程度要求标准;
根据所述空气质量预报数据通过所述第二预设对应关系确定所述目标区域对应的预报区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度;
根据所述监测区域污染类型和所述预报区域污染类型确定所述区域污染过程预测是否准确;
统计所述指定时间段内区域污染过程预测准确的次数,以得到所述目标次数。
可选地,所述根据所述监测区域污染类型和所述预报区域污染类型确定所述区域污染过程预测是否准确,包括:
根据所述空气质量监测数据确定所述监测区域污染类型出现的第一起始时间;
根据所述空气质量预报数据确定所述预报区域污染类型出现的第二起始时间;
在所述监测区域污染类型与所述预报区域污染类型一致的情况下,若所述第一起始时间与所述第二起始时间相同,则确定所述区域污染过程预测准确;
在所述监测区域污染类型与所述预报区域污染类型一致的情况下,若所述第一起始时间与所述第二起始时间不相同,则确定所述区域污染过程预测不准确;
在所述监测区域污染类型与所述预报区域污染类型不一致的情况下,确定所述区域污染过程预测不准确。
本公开第二方面提供一种数据处理装置,所述装置包括:
获取模块,被配置为获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,所述空气质量监测数据和所述空气质量预报数据均包括一种或多种类型的空气质量数据;
第一确定模块,被配置为根据所述空气质量监测数据确定所述目标区域内每种空气质量数据的第一距平信息,所述第一距平信息用于表征所述空气质量监测数据中每种所述空气质量数据的距平值的变化状况;
第二确定模块,被配置为根据所述空气质量预报数据确定所述目标区域内每种空气质量数据的第二距平信息,所述第二距平信息用于表征所述空气质量预报数据中每种所述空气质量数据的距平值的变化状况;
第三确定模块,被配置为根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果。
可选地,所述第一距平信息包括实测站点距平信息,实测城市距平信息和实测区域距平信息;
所述实测站点距平信息用于表征每个空气质量监测站点对应的实测空气质量数据的距平值的变化状况,所述实测城市距平信息用于表征所述目标区域内每个城市对应的实测空气质量数据的距平值的变化状况,所述实测区域距平信息用于表征所述目标区域对应的实测空气质量数据的距平值的变化状况;
所述第二距平信息包括预报站点距平信息,预报城市距平信息和预报区域距平信息;
所述预报站点距平信息用于表征每个空气质量监测站点对应的预报空气质量数据的距平值的变化状况,所述预报城市距平信息用于表征所述目标区域内每个城市对应的预报空气质量数据的距平值的变化状况,所述预报区域距平信息用于表征所述目标区域对应的预报空气质量数据的距平值的变化状况。
可选地,所述实测站点距平信息包括实测站点距平值变化量,所述实测区域距平信息包括实测区域距平值变化率;
所述预报站点距平信息包括预报站点距平值变化量,所述预报区域距平信息包括预报区域距平值变化率。
可选地,所述预报准确评估结果包括用于表征预报空气质量变化趋势是否准确,所述第三确定模块,被配置为:
根据每种空气质量数据的空气质量预报数据和所述预报区域距平值变化率确定预报空气质量变化趋势;
根据每种空气质量数据的空气质量监测数据和和所述实测区域距平值变化率确定实测空气质量变化趋势;
在所述实测空气质量变化趋势与所述预报空气质量变化趋势一致的情况下,生成用于表征所述预报空气质量变化趋势准确的预报准确评估结果;
在所述实测空气质量变化趋势与所述预报空气质量变化趋势不一致的情况下,生成用于表征所述预报空气质量变化趋势不准确的预报准确评估结果。
可选地,所述第三确定模块,被配置为:
获取第一预设对应关系,所述第一预设对应关系包括多组预设空气质量变化趋势与预设距平变化率的对应关系;
从所述第一预设对应关系中确定与所述空气质量预报数据和所述预报区域距平值变化率对应的第一预报空气质量变化趋势,以得到所述预报空气质量变化趋势。
可选地,所述第三确定模块,被配置为:
从所述第一预设对应关系中确定与所述空气质量监测数据和所述实测区域距平值变化率对应的第二预报空气质量变化趋势,以得到所述实测空气质量变化趋势。
可选地,所述预报准确评估结果包括区域空气质量趋势变化准确率,所述第三确定模块,被配置为:
确定所述目标区域内多个空气质量监测站点中实测站点距平值变化量的正负类型与预报站点距平值变化量的正负类型一致的目标空气质量监测站点的目标数量;
获取所述目标数量与所述目标区域内包括空气质量监测站点总数量的比值,以得到所述区域空气质量趋势变化准确率。
可选地,所述装置还包括第四确定模块,被配置为:
根据所述空气质量监测数据和所述空气质量预报数据确定所述指定时间段内每个单位时间中空气质量指数预报准确的城市的第一数量;
根据所述第一数量,所述目标区域内的总城市数量以及所述指定时间段确定所述目标区域中的城市空气质量指数准确率。
可选地,所述装置还包括第五确定模块,被配置为:
根据所述空气质量监测数据和所述空气质量预报数据确定每个单位时间段内首要污染物预测准确的城市的第二数量;
根据所述第二数量,所述目标区域内的总城市数量以及所述指定时间段确定所述目标区域中的城市首要污染物的准确率。
可选地,所述装置还包括第六确定模块,被配置为:
根据所述空气质量预报数据确定所述目标区域在所述指定时间段内出现区域污染过程的总次数;
根据所述空气质量监测数据和所述空气质量预报数据确定所述目标区域在所述指定时间段内区域污染过程预测准确的目标次数;
根据所述目标次数和所述总次数的确定所述空气质量预报数据对应的区域污染过程预报准确率。
可选地,所述第六确定模块,被配置为:
根据所述空气质量监测数据通过第二预设对应关系确定所述目标区域对应的监测区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度,所述第二预设对应关系用于表征不同的监测区域污染类型与预设污染数据的对应关系,所述预设污染数据包括污染区域范围要求标准和污染程度要求标准;
根据所述空气质量预报数据通过所述第二预设对应关系确定所述目标区域对应的预报区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度;
根据所述监测区域污染类型和所述预报区域污染类型确定所述区域污染过程预测是否准确;
统计所述指定时间段内区域污染过程预测准确的次数,以得到所述目标次数。
可选地,所述第六确定模块,被配置为:
根据所述空气质量监测数据确定所述监测区域污染类型出现的第一起始时间;
根据所述空气质量预报数据确定所述预报区域污染类型出现的第二起始时间;
在所述监测区域污染类型与所述预报区域污染类型一致的情况下,若所述第一起始时间与所述第二起始时间相同,则确定所述区域污染过程预测准确;
在所述监测区域污染类型与所述预报区域污染类型一致的情况下,若所述第一起始时间与所述第二起始时间不相同,则确定所述区域污染过程预测不准确;
在所述监测区域污染类型与所述预报区域污染类型不一致的情况下,确定所述区域污染过程预测不准确。
本公开第三方面提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上第一方面所述方法的步骤。
本公开第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现以上第一方面所述方法的步骤。
上述技术方案,能够通过获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,根据所述空气质量监测数据确定所述目标区域内每种空气质量数据的第一距平信息,所述第一距平信息用于表征所述空气质量监测数据中每种所述空气质量数据的距平值的变化状况;根据所述空气质量预报数据确定所述目标区域内每种空气质量数据的第二距平信息,所述第二距平信息用于表征所述空气质量预报数据中每种所述空气质量数据的距平值的变化状况;根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果,这样,通过根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果,能够针对中长期预报数据进行准确有效的评价,能够有效解决相关技术中针对中长期预报数据的评价存在着准确性较差,可靠性较低的问题。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例示出的一种数据处理方法的流程图;
图2是根据图1所示实施例示出的一种数据处理方法的流程图;
图3是根据图2所示实施例示出的一种数据处理方法的流程图;
图4是根据图1所示实施例示出的另一种数据处理方法的流程图;
图5是根据图1所示实施例示出的又一种数据处理方法的流程图;
图6是根据图1所示实施例示出的又一种数据处理方法的流程图;
图7是本公开一示例性实施例示出的一种数据处理装置的框图;
图8是根据图7所示实施例示出的一种数据处理装置的框图;
图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在详细介绍本公开的技术方案之前,首先对本公开的应用场景进行以下说明,本公开可以应用于对中长期空气质量预报数据准确性的评估过程,通常气象预报按照预报的时效长短可分为短时预报、中期预报、长期预报、超长期预报、气候展望,同样空气质量预报模式按照预报时效也可分为短期、中期、长期。相关技术中,针对短期空气质量预报结果评估方法以相关系数(Correlation coefficient,r),均方根误差(Root Mean SquareErroe,RMSE),标准化偏差(Nomealized Mean Bias,NMB)为主,针对中长期的空气质量预报数据的评价要么采用短期空气质量预报数据的评估方法,要么采用现有技术中评估气象模式预报数据的方法,然而,由于中长期预报受初值、输入数据和物理化学机制的影响,往往很小的变化会造成模式积分结果的巨大差异,采用短期空气质量预报结果评估方法来评估中长期预报结果过于苛刻,而采用现有技术中评估气象模式预报数据的方法,由于中长期天气模式预报效果评价方法中不同指标计算需输入较长的历史观测数据,时间尺度多为20年以上,而目前空气质量的观测或模式数据在获取早期的数据时比较难,且受减排管控措施的影响比较大,往往变化幅度比天气变化大,对多年资料直接计算距平不合理。也就是说,相关技术中针对中长期的空气质量预报数据的评价,无论是采用短期空气质量预报数据的评估方法,还是采用现有技术中评估气象模式预报数据的方法,均存在评估结果准确性较差,可靠性较低的问题。
为了解决以上技术问题,本公开提供了一种数据处理方法、装置、存储介质及电子设备,该数据处理方法通过获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,根据该空气质量监测数据确定该目标区域内每种空气质量数据的第一距平信息,该第一距平信息用于表征该空气质量监测数据中每种该空气质量数据的距平值的变化状况;根据该空气质量预报数据确定该目标区域内每种空气质量数据的第二距平信息,该第二距平信息用于表征该空气质量预报数据中每种该空气质量数据的距平值的变化状况;根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果,这样,通过根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果,能够针对中长期预报数据进行准确有效的评价,能够有效解决相关技术中针对中长期预报数据的评价存在着准确性较差,可靠性较低的问题。
下面结合具体实施例对本公开的具体实施方式进行说明。
图1是本公开一示例性实施例示出的一种数据处理方法的流程图;如图1所示,该数据处理方法可以包括:
步骤101,获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据。
其中,该指定时间段可以是当前时间之前的历史时间段,例如可以距离当前时间最近的历史3年,该空气质量监测数据和该空气质量预报数据均包括一种或多种类型的空气质量数据;例如,若该空气质量监测数据可以包括监测得到的AQI(Air Quality Index,空气质量指数)、PM2.5浓度、PM10浓度、SO2浓度、CO浓度、NO2浓度以及O3浓度,则该空气质量预报数据也包括空气质量预报的AQI、PM2.5浓度、PM10浓度、SO2浓度、CO浓度、NO2浓度以及O3浓度。
本步骤中,在获取该空气质量预报数据的时,可以获取该指定时间段(例如,历史3年)内的空气质量监测数据和待定空气质量预报数据,确定目标时间段(例如近1年)内的空气质量监测数据和待定空气质量预报数据,通过该近1年的空气质量监测数据和待定空气质量预报数据的偏差,修正该指定时间段内的待定空气质量预报数据,以得到该目标的空气质量预报数据。
示例地,以2022年1月目标时段为例,获取历史三年(2019、2020、2021)和近目标年(2022年)1月的观测数据(即空气质量监测数据);获取近2021年1月的模式预报数据(即待定空气质量预报数据),根据观测近1年(2021年1月)的空气质量监测数据和预报近1年(2021年1月)结果计算预报偏差,修正2022年1月(即指定时间段)模式预报结果。
步骤102,根据该空气质量监测数据确定该目标区域内每种空气质量数据的第一距平信息。
其中,该第一距平信息用于表征该空气质量监测数据中每种该空气质量数据的距平值的变化状况。该第一距平信息包括实测站点距平信息,实测城市距平信息和实测区域距平信息;该实测站点距平信息用于表征每个空气质量监测站点对应的实测空气质量数据的距平值的变化状况,该实测城市距平信息用于表征该目标区域内每个城市对应的实测空气质量数据的距平值的变化状况,该实测区域距平信息用于表征该目标区域对应的实测空气质量数据的距平值的变化状况。该实测站点距平信息可以包括实测站点距平值变化量和实测站点距平值变化率,该实测城市距平信息可以包括实测城市距平值变化率,该实测区域距平信息可以包括实测区域距平值变化率。
步骤103,根据该空气质量预报数据确定该目标区域内每种空气质量数据的第二距平信息。
其中,该第二距平信息用于表征该空气质量预报数据中每种该空气质量数据的距平值的变化状况。该第二距平信息可以包括预报站点距平信息,预报城市距平信息和预报区域距平信息;该预报站点距平信息用于表征每个空气质量监测站点对应的预报空气质量数据的距平值的变化状况,该预报城市距平信息用于表征该目标区域内每个城市对应的预报空气质量数据的距平值的变化状况,该预报区域距平信息用于表征该目标区域对应的预报空气质量数据的距平值的变化状况。该预报站点距平信息可以包括预报站点距平值变化量和预报站点距平值变化率,该预报城市距平信息可以包括预报城市距平值变化率,该预报区域距平信息可以包括预报区域距平值变化率。
需要说明的是,每种空气质量数据X的实测站点距平值变化量(或者预报站点距平值变化量)ΔX的计算公式可以是:
每种空气质量数据X的实测站点距平值变化率(或者预报站点距平值变化量)Xrate的计算公式可以是:
以上公式(1)和公式(2)中,X可以是AQI、PM2.5浓度、PM10浓度、SO2浓度、CO浓度、NO2浓度以及O3浓度中的任一种,在计算实测站点距平值变化量和实测站点距平值变化率时,Xp(i)为实测数据中某一段时间的X的平均值,在计算预报站点距平值变化量和预报站点距平值变化率时,Xp(i)为预报数据中某一段时间的X的平均值,在计算实测站点距平值变化量和预报站点距平值变化量时,Xq(i-1)为前第一年实测一段时间的X平均值,Xq(i-2)为前第二年实测一段时间的X平均值,Xq(i-3)为前第三年实测一段时间的X平均值Xq(i-a)为前第a年实测一段时间的X平均值,5≥a≥2。
预报城市距平值变化量(实测城市距平值变化量)的计算公式如公式3所示:
预报城市距平值变化率(实测城市距平值变化率)的计算公式如公式4所示:
以上公式(3)和公式(4)中,g为一个城市中空气质量监测站点的数量,k为城市中的第k个空气质量监测站点,在预报城市距平值变化量和预报城市距平值变化率时,ΔXp(k)为第k个空气质量监测站点X的预报站点距平值变化量,在实测城市距平值变化量和预报城市距平值变化率时,ΔXp(k)为第k个空气质量监测站点X的实测站点距平值变化量。
预报区域距平值变化量(实测区域距平值变化量)的计算公式如公式5所示:
预报区域距平值变化率(实测区域距平值变化率)的计算公式如公式6所示:
以上公式5和公式6中,在计算预报区域距平值变化量时,Xp(j)为单个城市j的预报城市距平变化量,在计算实测区域距平值变化量时,Xp(j)为单个城市j的实测城市距平变化量,m为区域内城市的总个数;在计算实测区域距平值变化率时,Xrate(j)为单个城市j的实测城市距平值变化率,在计算预报区域距平值变化率时,Xrate(j)为单个城市j的预报区域距平值变化率。
步骤104,根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果。
本步骤一种可能的实施方式中,该预报准确评估结果包括用于表征预报空气质量变化趋势是否准确可以通过图2中S1至S4所示步骤确定该预报准确评估结果,如图2所示:
S11,根据每种空气质量数据的空气质量预报数据和该预报区域距平值变化率确定预报空气质量变化趋势。
本步骤中,可以通过以下S111至S113所示实施方式实现:
S111,获取第一预设对应关系,该第一预设对应关系包括多组预设空气质量变化趋势与预设距平变化率的对应关系。
示例地,该第一预设对应关系可以如表1所示:
表1
S112,从该第一预设对应关系中确定与该空气质量预报数据和该预报区域距平值变化率对应的第一预报空气质量变化趋势,以得到该预报空气质量变化趋势。
示例地,先确定AQI的空气质量预报数据(即修正后的模式预报结果),如AQI=88,则预报空气质量级别为优-良,若计算的该预报区域距平值变化率AQIQrate-y>10%,则确定该预报空气质量变化趋势为优-良级别的转差。
这样,通过S111至S112所示的步骤,能够根据该每种空气质量数据的空气质量预报数据和该预报区域距平值变化率确定预报空气质量变化趋势。
S12,根据每种空气质量数据的空气质量监测数据和该实测区域距平值变化率确定实测空气质量变化趋势。
本步骤中,可以从该第一预设对应关系中确定与该空气质量监测数据和该实测区域距平值变化率对应的第二预报空气质量变化趋势,以得到该实测空气质量变化趋势。
示例地,若AQI的空气质量监测数据为90,则实测空气质量级别为优-良,若实测区域距平值变化率AQIQrate-S>10%,则确定该实测空气质量变化趋势为优-良级别的转差。
S13,在该实测空气质量变化趋势与该预报空气质量变化趋势一致的情况下,生成用于表征该预报空气质量变化趋势准确的预报准确评估结果。
示例地,若该预报空气质量变化趋势为轻度-中度级别的转好,且该实测空气质量变化趋势为轻度-中度级别的转好,则确定预报空气质量变化趋势准确。
S14,在该实测空气质量变化趋势与该预报空气质量变化趋势不一致的情况下,生成用于表征该预报空气质量变化趋势不准确的预报准确评估结果。
示例地,若该预报空气质量变化趋势为轻度-中度级别的转好,该实测空气质量变化趋势为轻度-中度级别的平稳,则确定预报空气质量变化趋势不准确。
需要说明的是,该预报准确评估结果中可以包括表征预报空气质量变化趋势是否准确的字段,例如在该实测空气质量变化趋势与该预报空气质量变化趋势一致的情况下,该预报准确评估结果可以包括文本信息“预报空气质量变化趋势准确”;或者,在该实测空气质量变化趋势与该预报空气质量变化趋势不一致的情况下,该预报准确评估结果可以包括文本信息“预报空气质量变化趋势不准确”。
另一种可能的实施方式中,该预报准确评估结果包括区域空气质量趋势变化准确率,本步骤可以通过图3所示方法实施,如图3所示,该步骤104中所示的根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果,可以包括:
S21,确定该目标区域内多个空气质量监测站点中实测站点距平值变化量的正负类型与预报站点距平值变化量的正负类型一致的目标空气质量监测站点的目标数量。
其中,该正负类型包括正数类型和负数类型。
S22,获取该目标数量与该目标区域内包括空气质量监测站点总数量的比值,以得到该区域空气质量趋势变化准确率。
示例地,若该预报站点距平值变化量为负数,实测站点距平值变化量也为负数,则确定该空气质量监测站点的实测站点距平值变化量的正负类型与预报站点距平值变化量的正负类型一致,若该目标区域内包括M个空气质量监测站点,正负类型一致的站点为N个,则该区域空气质量趋势变化准确率为
通过以上步骤S21至S22,能够有效得到该区域空气质量趋势变化准确率,通过该区域空气质量趋势变化准确率能够有效且准确地评估该预报数据,有利于提升评估结果的准确性和可靠性。
以上技术方案,通过步骤101至步骤104,能够通过根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果,能够针对中长期预报数据进行准确有效的评价,能够有效解决相关技术中针对中长期预报数据的评价存在着准确性较差,可靠性较低的问题。
图4是根据图1所示实施例示出的另一种数据处理方法的流程图,该方法还可以包括:
步骤105,根据该空气质量监测数据和该空气质量预报数据确定该指定时间段内每个单位时间中空气质量指数预报准确的城市的第一数量。
其中,该单位时间可以是天,确定每个城市的空气质量指数预报是否准确的实施方式可以为:若一天中该城市的预报城市空气质量指数与实测空气质量指数一致,则确定该城市的在该天的空气质量指数预报准确。
步骤106,根据该第一数量,该目标区域内的总城市数量以及该指定时间段确定该目标区域中的城市空气质量指数准确率。
其中,该城市空气质量指数准确率的计算公式可以是N为评估的天数,m为区域内城市总个数,n为目标区域中内空气质量指数预测准确的城市个数。
以上步骤105至步骤106,能够通过该指定时间段内每个单位时间中空气质量指数预报准确的城市的第一数量和目标区域内的总城市数量确定该目标区域中城市空气质量指数准确率,通过该城市空气质量指数准确率反应预报结果的准确性,有利于得到可靠性更高地预报评估结果。
图5是根据图1所示实施例示出的又一种数据处理方法的流程图,该方法还可以包括:
步骤107,根据该空气质量监测数据和该空气质量预报数据确定每个单位时间段内首要污染物预测准确的城市的第二数量。
其中,该单位时间可以是天,确定每个城市的首要污染物预测是否准确的实施方式可以为:若一天中该城市的预报首要污染物与实测首要污染物一致,则确定该城市的在该天的首要污染物预测准确。
步骤108,根据该第二数量,该目标区域内的总城市数量以及该指定时间段确定该目标区域中的城市首要污染物的准确率。
其中,城市内多个站点的空气质量预报数据中出现频率最高的污染物为城市首要污染物,该目标区域中的城市首要污染物的准确率的计算公式也可以是N为评估的天数,m为区域内城市总个数,n为目标区域中内首要污染物预测准确的城市个数。
以上步骤107至步骤108,能够通过该指定时间段内每个单位时间中首要污染物预测准确的城市的第二数量和目标区域内的总城市数量确定该目标区域中的城市首要污染物的准确率,通过该目标区域中的城市首要污染物的准确率评估预报结果的准确性,有利于得到可靠性更高地预报评估结果,进而有助于筛选得到准确性更高的预报数据。
图6是根据图1所示实施例示出的又一种数据处理方法的流程图,该方法还可以包括:
步骤109,根据该空气质量预报数据确定该目标区域在该指定时间段内出现区域污染过程的总次数。
其中,该区域污染过程可以是目标区域内有2个及以上连片的省(直辖市、自治区)的5个及以上连片地级以上城市,连续三天及以上且空气质量等级在轻度污染及以上。需要说明的是,不同污染范围的定义可以如表2所示:
表2
步骤110,根据该空气质量监测数据和该空气质量预报数据确定该目标区域在该指定时间段内区域污染过程预测准确的目标次数。
本步骤中,可以根据该空气质量监测数据通过第二预设对应关系确定该目标区域对应的监测区域污染类型,不同的该监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度,该第二预设对应关系用于表征不同的监测区域污染类型与预设污染数据的对应关系,该预设污染数据包括污染区域范围要求标准和污染程度要求标准;根据该空气质量预报数据通过该第二预设对应关系确定该目标区域对应的预报区域污染类型,不同的该监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度;根据该监测区域污染类型和该预报区域污染类型确定该区域污染过程预测是否准确;统计该指定时间段内区域污染过程预测准确的次数,以得到该目标次数。
需要说明的是,该监测区域污染类型可以包括区域污染程度和区域污染范围的组合,例如可以是轻度的跨区域污染过程,轻至中度的跨区域污染过程,中度的跨区域污染过程,中至重度的跨区域污染过程,重度及以上的跨区域污染过程,轻度的区域污染过程,轻至中度的区域污染过程,中度的区域污染过程,中至重度的区域污染过程,重度及以上的区域污染过程,轻度的省域污染过程,轻至中度的省域污染过程,中度的省域污染过程,中至重度的省域污染过程以及重度及以上的省域污染过程,其中每个监测区域污染类型的定义可以参见以下表3所示:
/>
表3
另外,还需说明的是,以上所述的根据该监测区域污染类型和该预报区域污染类型确定该区域污染过程预测是否准确的实施方式可以是:
根据该空气质量监测数据确定该监测区域污染类型出现的第一起始时间;根据该空气质量预报数据确定该预报区域污染类型出现的第二起始时间;在该监测区域污染类型与该预报区域污染类型一致的情况下,若该第一起始时间与该第二起始时间相同,则确定该区域污染过程预测准确;在该监测区域污染类型与该预报区域污染类型一致的情况下,若该第一起始时间与该第二起始时间不相同,则确定该区域污染过程预测不准确;在该监测区域污染类型与该预报区域污染类型不一致的情况下,确定该区域污染过程预测不准确。
步骤111,根据该目标次数和该总次数的确定该空气质量预报数据对应的区域污染过程预报准确率。
本步骤中,该区域污染过程预报准确率的计算公式可以是n/M×100%,以上公式中,M为评估期间(即指定时间段,例如近3年的1月份)出现区域污染过程的总次数,n为评估期间(即指定时间段内)区域污染过程预测准确的目标次数。
以上技术方案,通过根据指定时间段内区域污染过程预测准确的该目标次数和出现区域污染过程的总次数的确定该空气质量预报数据对应的区域污染过程预报准确率,能够从该区域污染过程预报准确率的维度评价该空气质量预报数据的准确性,有利于得到可靠性更高地预报评估结果,进而有助于筛选得到准确性更高的预报数据。
图7是本公开一示例性实施例示出的一种数据处理装置的框图;如图7所示,该装置可以包括:
获取模块701,被配置为获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,该空气质量监测数据和该空气质量预报数据均包括一种或多种类型的空气质量数据;
第一确定模块702,被配置为根据该空气质量监测数据确定该目标区域内每种空气质量数据的第一距平信息,该第一距平信息用于表征该空气质量监测数据中每种该空气质量数据的距平值的变化状况;
第二确定模块703,被配置为根据该空气质量预报数据确定该目标区域内每种空气质量数据的第二距平信息,该第二距平信息用于表征该空气质量预报数据中每种该空气质量数据的距平值的变化状况;
第三确定模块704,被配置为根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果。
以上技术方案,通过根据该第一距平信息和该第二距平信息确定该空气质量预报数据的预报准确评估结果,能够针对中长期预报数据进行准确有效的评价,能够有效解决相关技术中针对中长期预报数据的评价存在着准确性较差,可靠性较低的问题。
可选地,该第一距平信息包括实测站点距平信息,实测城市距平信息和实测区域距平信息;
该实测站点距平信息用于表征每个空气质量监测站点对应的实测空气质量数据的距平值的变化状况,该实测城市距平信息用于表征该目标区域内每个城市对应的实测空气质量数据的距平值的变化状况,该实测区域距平信息用于表征该目标区域对应的实测空气质量数据的距平值的变化状况;
该第二距平信息包括预报站点距平信息,预报城市距平信息和预报区域距平信息;
该预报站点距平信息用于表征每个空气质量监测站点对应的预报空气质量数据的距平值的变化状况,该预报城市距平信息用于表征该目标区域内每个城市对应的预报空气质量数据的距平值的变化状况,该预报区域距平信息用于表征该目标区域对应的预报空气质量数据的距平值的变化状况。
可选地,该实测站点距平信息包括实测站点距平值变化量和实测站点距平值变化率,该实测城市距平信息包括实测城市距平值变化率,该实测区域距平信息包括实测区域距平值变化率;
该预报站点距平信息包括预报站点距平值变化量和预报站点距平值变化率,该预报城市距平信息包括预报城市距平值变化率,该预报区域距平信息包括预报区域距平值变化率。
可选地,该预报准确评估结果包括用于表征预报空气质量变化趋势是否准确,该第三确定模块704,被配置为:
根据每种空气质量数据的空气质量预报数据和该预报区域距平值变化率确定预报空气质量变化趋势;
根据每种空气质量数据的空气质量监测数据和和该实测区域距平值变化率确定实测空气质量变化趋势;
在该实测空气质量变化趋势与该预报空气质量变化趋势一致的情况下,生成用于表征该预报空气质量变化趋势准确的预报准确评估结果;
在该实测空气质量变化趋势与该预报空气质量变化趋势不一致的情况下,生成用于表征该预报空气质量变化趋势不准确的预报准确评估结果。
可选地,该第三确定模块704,被配置为:
获取第一预设对应关系,该第一预设对应关系包括多组预设空气质量变化趋势与预设距平变化率的对应关系;
从该第一预设对应关系中确定与该空气质量预报数据和预报区域距平值变化率对应的第一预报空气质量变化趋势,以得到该预报空气质量变化趋势。
可选地,该第三确定模块704,被配置为:
从该第一预设对应关系中确定与该空气质量监测数据和所述实测区域距平值变化率对应的第二预报空气质量变化趋势,以得到该实测空气质量变化趋势。
可选地,该预报准确评估结果包括区域空气质量趋势变化准确率,该第三确定模块704,被配置为:
确定该目标区域内多个空气质量监测站点中实测站点距平值变化量的正负类型与预报站点距平值变化量的正负类型一致的目标空气质量监测站点的目标数量;
获取该目标数量与该目标区域内包括空气质量监测站点总数量的比值,以得到该区域空气质量趋势变化准确率。
以上技术方案,能够有效得到该区域空气质量趋势变化准确率,通过该区域空气质量趋势变化准确率能够有效且准确地评估该预报数据,有利于提升评估结果的准确性和可靠性。
图8是根据图7所示实施例示出的一种数据处理装置的框图;如图8所示,该装置还包括第四确定模块705,被配置为:
根据该空气质量监测数据和该空气质量预报数据确定该指定时间段内每个单位时间中空气质量指数预报准确的城市的第一数量;
根据该第一数量,该目标区域内的总城市数量以及该指定时间段确定该目标区域中的城市空气质量指数准确率。
可选地,该装置还包括第五确定模块706,被配置为:
根据该空气质量监测数据和该空气质量预报数据确定每个单位时间段内首要污染物预测准确的城市的第二数量;
根据该第二数量,该目标区域内的总城市数量以及该指定时间段确定该目标区域中的城市首要污染物的准确率。
可选地,该装置还包括第六确定模块707,被配置为:
根据该空气质量预报数据确定该目标区域在该指定时间段内出现区域污染过程的总次数;
根据该空气质量监测数据和该空气质量预报数据确定该目标区域在该指定时间段内区域污染过程预测准确的目标次数;
根据该目标次数和该总次数的确定该空气质量预报数据对应的区域污染过程预报准确率。
可选地,该第六确定模块707,被配置为:
根据该空气质量监测数据通过第二预设对应关系确定该目标区域对应的监测区域污染类型,不同的该监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度,该第二预设对应关系用于表征不同的监测区域污染类型与预设污染数据的对应关系,该预设污染数据包括污染区域范围要求标准和污染程度要求标准;
根据该空气质量预报数据通过该第二预设对应关系确定该目标区域对应的预报区域污染类型,不同的该监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度;
根据该监测区域污染类型和该预报区域污染类型确定该区域污染过程预测是否准确;
统计该指定时间段内区域污染过程预测准确的次数,以得到该目标次数。
可选地,该第六确定模块707,被配置为:
根据该空气质量监测数据确定该监测区域污染类型出现的第一起始时间;
根据该空气质量预报数据确定该预报区域污染类型出现的第二起始时间;
在该监测区域污染类型与该预报区域污染类型一致的情况下,若该第一起始时间与该第二起始时间相同,则确定该区域污染过程预测准确;
在该监测区域污染类型与该预报区域污染类型一致的情况下,若该第一起始时间与该第二起始时间不相同,则确定该区域污染过程预测不准确;
在该监测区域污染类型与该预报区域污染类型不一致的情况下,确定该区域污染过程预测不准确。
以上技术方案,分别通过目标区域中的城市空气质量指数准确率、城市首要污染物的准确率以及区域污染过程预报准确率评估预报结果的准确性,有利于得到可靠性更高地预报评估结果,进而有助于筛选得到准确性更高的预报数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的数据处理方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的数据处理的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的数据处理。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的数据处理的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (13)
1.一种数据处理方法,其特征在于,所述方法包括:
获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,所述空气质量监测数据和所述空气质量预报数据均包括一种或多种类型的空气质量数据;
根据所述空气质量监测数据确定所述目标区域内每种空气质量数据的第一距平信息,所述第一距平信息用于表征所述空气质量监测数据中每种所述空气质量数据的距平值的变化状况;
根据所述空气质量预报数据确定所述目标区域内每种空气质量数据的第二距平信息,所述第二距平信息用于表征所述空气质量预报数据中每种所述空气质量数据的距平值的变化状况;
根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果;
所述方法还包括:
根据所述空气质量预报数据确定所述目标区域在所述指定时间段内出现区域污染过程的总次数;
根据所述空气质量监测数据和所述空气质量预报数据确定所述目标区域在所述指定时间段内区域污染过程预测准确的目标次数;
根据所述目标次数和所述总次数确定所述空气质量预报数据对应的区域污染过程预报准确率;
所述根据所述空气质量监测数据和所述空气质量预报数据确定所述目标区域在所述指定时间段内区域污染过程预测准确的目标次数,包括:
根据所述空气质量监测数据通过第二预设对应关系确定所述目标区域对应的监测区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度,所述第二预设对应关系用于表征不同的监测区域污染类型与预设污染数据的对应关系,所述预设污染数据包括污染区域范围要求标准和污染程度要求标准;
根据所述空气质量预报数据通过所述第二预设对应关系确定所述目标区域对应的预报区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度;
根据所述监测区域污染类型和所述预报区域污染类型确定所述区域污染过程预测是否准确;
统计所述指定时间段内区域污染过程预测准确的次数,以得到所述目标次数。
2.根据权利要求1所述的数据处理方法,其特征在于,
所述第一距平信息包括实测站点距平信息,实测城市距平信息和实测区域距平信息;
所述实测站点距平信息用于表征每个空气质量监测站点对应的实测空气质量数据的距平值的变化状况,所述实测城市距平信息用于表征所述目标区域内每个城市对应的实测空气质量数据的距平值的变化状况,所述实测区域距平信息用于表征所述目标区域对应的实测空气质量数据的距平值的变化状况;
所述第二距平信息包括预报站点距平信息,预报城市距平信息和预报区域距平信息;
所述预报站点距平信息用于表征每个空气质量监测站点对应的预报空气质量数据的距平值的变化状况,所述预报城市距平信息用于表征所述目标区域内每个城市对应的预报空气质量数据的距平值的变化状况,所述预报区域距平信息用于表征所述目标区域对应的预报空气质量数据的距平值的变化状况。
3.根据权利要求2所述的数据处理方法,其特征在于,所述实测站点距平信息包括实测站点距平值变化量,所述实测区域距平信息包括实测区域距平值变化率;
所述预报站点距平信息包括预报站点距平值变化量,所述预报区域距平信息包括预报区域距平值变化率。
4.根据权利要求3所述的数据处理方法,其特征在于,所述预报准确评估结果包括用于表征预报空气质量变化趋势是否准确,所述根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果,包括:
根据每种空气质量数据的空气质量预报数据和所述预报区域距平值变化率确定预报空气质量变化趋势;
根据每种空气质量数据的空气质量监测数据和所述实测区域距平值变化率确定实测空气质量变化趋势;
在所述实测空气质量变化趋势与所述预报空气质量变化趋势一致的情况下,生成用于表征所述预报空气质量变化趋势准确的预报准确评估结果;
在所述实测空气质量变化趋势与所述预报空气质量变化趋势不一致的情况下,生成用于表征所述预报空气质量变化趋势不准确的预报准确评估结果。
5.根据权利要求4所述的数据处理方法,其特征在于,所述根据每种空气质量数据的空气质量预报数据和所述预报区域距平值变化率确定预报空气质量变化趋势,包括:
获取第一预设对应关系,所述第一预设对应关系包括多组预设空气质量变化趋势与预设距平变化率的对应关系;
从所述第一预设对应关系中确定与所述空气质量预报数据和所述预报区域距平值变化率对应的第一预报空气质量变化趋势,以得到所述预报空气质量变化趋势。
6.根据权利要求5所述的数据处理方法,其特征在于,所述根据每种空气质量数据的空气质量监测数据和所述实测区域距平值变化率确定实测空气质量变化趋势,包括:
从所述第一预设对应关系中确定与所述空气质量监测数据和所述实测区域距平值变化率对应的第二预报空气质量变化趋势,以得到所述实测空气质量变化趋势。
7.根据权利要求3所述的数据处理方法,其特征在于,所述预报准确评估结果包括区域空气质量趋势变化准确率,所述根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果,包括:
确定所述目标区域内多个空气质量监测站点中实测站点距平值变化量的正负类型与预报站点距平值变化量的正负类型一致的目标空气质量监测站点的目标数量;
获取所述目标数量与所述目标区域内包括空气质量监测站点总数量的比值,以得到所述区域空气质量趋势变化准确率。
8.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
根据所述空气质量监测数据和所述空气质量预报数据确定所述指定时间段内每个单位时间中空气质量指数预报准确的城市的第一数量;
根据所述第一数量,所述目标区域内的总城市数量以及所述指定时间段确定所述目标区域中的城市空气质量指数准确率。
9.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
根据所述空气质量监测数据和所述空气质量预报数据确定每个单位时间段内首要污染物预测准确的城市的第二数量;
根据所述第二数量,所述目标区域内的总城市数量以及所述指定时间段确定所述目标区域中的城市首要污染物的准确率。
10.根据权利要求1所述的数据处理方法,其特征在于,所述根据所述监测区域污染类型和所述预报区域污染类型确定所述区域污染过程预测是否准确,包括:
根据所述空气质量监测数据确定所述监测区域污染类型出现的第一起始时间;
根据所述空气质量预报数据确定所述预报区域污染类型出现的第二起始时间;
在所述监测区域污染类型与所述预报区域污染类型一致的情况下,若所述第一起始时间与所述第二起始时间相同,则确定所述区域污染过程预测准确;
在所述监测区域污染类型与所述预报区域污染类型一致的情况下,若所述第一起始时间与所述第二起始时间不相同,则确定所述区域污染过程预测不准确;
在所述监测区域污染类型与所述预报区域污染类型不一致的情况下,确定所述区域污染过程预测不准确。
11.一种数据处理装置,其特征在于,所述装置包括:
获取模块,被配置为获取目标区域中每个空气质量监测站点在指定时间段内的空气质量监测数据和空气质量预报数据,所述空气质量监测数据和所述空气质量预报数据均包括一种或多种类型的空气质量数据;
第一确定模块,被配置为根据所述空气质量监测数据确定所述目标区域内每种空气质量数据的第一距平信息,所述第一距平信息用于表征所述空气质量监测数据中每种所述空气质量数据的距平值的变化状况;
第二确定模块,被配置为根据所述空气质量预报数据确定所述目标区域内每种空气质量数据的第二距平信息,所述第二距平信息用于表征所述空气质量预报数据中每种所述空气质量数据的距平值的变化状况;
第三确定模块,被配置为根据所述第一距平信息和所述第二距平信息确定所述空气质量预报数据的预报准确评估结果;
所述装置还包括第六确定模块,被配置为:
根据所述空气质量预报数据确定所述目标区域在所述指定时间段内出现区域污染过程的总次数;
根据所述空气质量监测数据和所述空气质量预报数据确定所述目标区域在所述指定时间段内区域污染过程预测准确的目标次数;
根据所述目标次数和所述总次数确定所述空气质量预报数据对应的区域污染过程预报准确率;
所述第六确定模块,被配置为:
根据所述空气质量监测数据通过第二预设对应关系确定所述目标区域对应的监测区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度,所述第二预设对应关系用于表征不同的监测区域污染类型与预设污染数据的对应关系,所述预设污染数据包括污染区域范围要求标准和污染程度要求标准;
根据所述空气质量预报数据通过所述第二预设对应关系确定所述目标区域对应的预报区域污染类型,不同的所述监测区域污染类型用于表征不同的区域污染范围和/或区域污染程度;
根据所述监测区域污染类型和所述预报区域污染类型确定所述区域污染过程预测是否准确;
统计所述指定时间段内区域污染过程预测准确的次数,以得到所述目标次数。
12.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
13.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616387.4A CN116166924B (zh) | 2022-12-15 | 2022-12-15 | 数据处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211616387.4A CN116166924B (zh) | 2022-12-15 | 2022-12-15 | 数据处理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116166924A CN116166924A (zh) | 2023-05-26 |
CN116166924B true CN116166924B (zh) | 2023-11-21 |
Family
ID=86421003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211616387.4A Active CN116166924B (zh) | 2022-12-15 | 2022-12-15 | 数据处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166924B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633864A (zh) * | 2019-09-20 | 2019-12-31 | 国网湖南省电力有限公司 | 一种基于距平偏差的风速数值预报订正方法及其系统 |
CN110989043A (zh) * | 2019-12-25 | 2020-04-10 | 中科三清科技有限公司 | 空气质量指数级别概率预报方法、装置及存储介质 |
-
2022
- 2022-12-15 CN CN202211616387.4A patent/CN116166924B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633864A (zh) * | 2019-09-20 | 2019-12-31 | 国网湖南省电力有限公司 | 一种基于距平偏差的风速数值预报订正方法及其系统 |
CN110989043A (zh) * | 2019-12-25 | 2020-04-10 | 中科三清科技有限公司 | 空气质量指数级别概率预报方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
高璟赟等.天津市基于新标准的空气质量预报模型效果评估.环境监控与预警.2016,第8卷(第6期),第9-14页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116166924A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
CN114818391B (zh) | 一种基于多溯源模型的污染源浓度分析方法 | |
US11719760B2 (en) | Probabilistic determination of transformer end of life | |
CN110197020B (zh) | 一种环境变化对水文干旱影响的分析方法 | |
CN106779223A (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
Lee et al. | Assessing variability of wind speed: comparison and validation of 27 methodologies | |
KR20140024541A (ko) | 대기 모델링 서비스 제공 시스템 | |
CN110769452A (zh) | 基站经纬度异常识别方法、系统、服务器和存储介质 | |
CN114819696A (zh) | 确定污染物浓度影响因素的方法、装置及电子设备 | |
Ul-Saufie et al. | Future PM10 concentration prediction using quantile regression models | |
CN117113515B (zh) | 一种路面设计方法、装置、设备及存储介质 | |
CN116166924B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
Halama et al. | Prediction of atmospheric corrosion of carbon steel using artificial neural network model in local geographical regions | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN114200078B (zh) | Oh自由基浓度的测算方法和装置 | |
CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
CN115438312A (zh) | 一种新能源出力的概率分布模型建立、应用方法及介质 | |
CN106021861B (zh) | 一种群智感知系统的激励方法 | |
US20120203471A1 (en) | Generation source estimation apparatus and method of diffusion material | |
CN110726899B (zh) | 一种输电线路档距校核方法 | |
EP3113088A1 (en) | Energy intensity variability analysis | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN117233525A (zh) | 判定线路损耗异常的方法及装置 |
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 |