CN116776104A - 基于机器学习实现大气成分的变化规律分析方法及系统 - Google Patents
基于机器学习实现大气成分的变化规律分析方法及系统 Download PDFInfo
- Publication number
- CN116776104A CN116776104A CN202311052002.0A CN202311052002A CN116776104A CN 116776104 A CN116776104 A CN 116776104A CN 202311052002 A CN202311052002 A CN 202311052002A CN 116776104 A CN116776104 A CN 116776104A
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- atmospheric
- sampling
- analyzed
- 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
- 230000008859 change Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 173
- 238000005070 sampling Methods 0.000 claims abstract description 100
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 38
- 230000009467 reduction Effects 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000013144 data compression Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 49
- 238000004891 communication Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 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
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
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
- Sampling And Sample Adjustment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大气成分变化分析领域,揭露一种大气成分变化规律分析方法及系统,该方法包括:获取待分析区域的历史大气数据及待分析区域的历史地理数据;查询历史地理数据中的变量数据,识别变量数据的变量时间节点,提取变量时间节点对应的历史大气数据中的气体成分数据;将变量数据和气体成分数据输入至预构建的大气分析模型中,利用大气分析模型中数据组合模块将变量数据和气体成分数据进行组合,得到组合数据;对组合数据进行抽样,得到抽样数据;构建抽样数据的数据散点图;分析散点图中散点的散点相关系数;并构建待分析区域的大气分析函数,利用大气分析函数分析待分析区域的大气变化规律。本发明可以提高大气成分变化规律分析的准确率。
Description
技术领域
本发明涉及大气成分变化分析领域,尤其涉及一种基于机器学习实现大气成分的变化规律分析方法。
背景技术
大气由多种气体组成,还含有少量固体和液体杂质,通过对大气成分的分析能够预测气象情况,以及分析区域的污染情况,能够为环境治理带来很大的帮助。
目前,对于大气成分的变化规律分析方法一般基于气体浓度统计方法,通过计算某个时间段前后的大气中挥发性有机物,臭氧,二氧化碳,二氧化氮等气体浓度的变化来分析大气成分的变化规律,而这种方法却忽略了气象因素对于大气成分的影响,导致在某些气象情况下大气成分变化分析的误差较大,从而使得对于大气成分变化规律分析结果不够准确。
发明内容
为了解决上述技术问题,本发明提供了一种大气成分变化分析方法及系统,能够提高大气成分变化规律分析的准确率。
第一方面,本发明提供了一种大气成分变化分析方法,包括:
获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
在第一方面的一种可能实现方式中,所述查询所述历史地理数据中的变量数据,包括:
向所述历史地理数据对应的数据库发出数据查询请求;
根据所述数据查询请求,检索所述数据库中的历史地理数据;
查询所述历史地理数据的赋值语句,识别所述赋值语句中的变量语句,根据所述变量语句查询所述历史地理数据中的变量数据。
在第一方面的一种可能实现方式中,所述将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,包括:
将所述变量数据和所述气体成分数据进行数据清洗,得到清洗数据;将所述清洗数据进行数据集成,得到集成数据;
将所述集成数据进行格式转换,得到转换数据;
将所述转换数据进行数据消减,得到削减数据;
将所述削减数据传输至所述大气分析模型中。
在第一方面的一种可能实现方式中,所述将所述转换数据进行数据消减,得到削减数据,包括:
构建所述转换数据的数据立方,将所述数据立方进行维数削减,得到维数削减数据;
将所述维数削减数据进行数据压缩,得到压缩数据;
对所述压缩数据进行结构削减,得到结构削减数据;
将所述结构削减数据进行离散化处理,得到削减数据。
在第一方面的一种可能实现方式中,所述利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据,包括:
构建所述变量数据和所述气体成分数据相对应的数据列表,查询所述变量数据的数据时间节点;
对所述数据时间节点添加索引标签;
根据所述索引标签对所述气体成分数据的数据列表进行索引,得到对应节点数据;
将所述对应节点数据组合,得到组合数据。
在第一方面的一种可能实现方式中,利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据包括:
查询所述组合数据的组数,根据所述组数构建所述组合数据的抽样策略;
基于所述抽样策略从所述组合数据中进行抽样,得到初始抽样数据;
对所述初始抽样数据进行验证;
当所述初始抽样数据中包含相同数据时,则再次抽样,直至所述初始抽样数据中不包含相同数据;
当所述初始抽样数据中的数据不存在重复时,得到目标抽样数据。
在第一方面的一种可能实现方式中,利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图,包括:
创建所述抽样数据的直角坐标系,为所述直角坐标系添加散点坐标;
根据所述抽样数据,对所述散点坐标进行坐标定义,得到目标坐标点;
将所述抽样数据分布在所述目标坐标点上,得到所述抽样数据的数据散点图。
在第一方面的一种可能实现方式中,利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数,包括:
利用下述公式分析所述散点图中散点的散点相关系数:
其中,e表示散点相关系数,m表示散点图中散点数量,ai表示散点中的第a个自变量,α表示散点中自变量的均值,bi表示散点中的第b个因变量,β表示散点的因变量的均值。
在第一方面的一种可能实现方式中,根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,包括:
利用下述公式表示所述大气分析函数:
其中,a表示待分析区域中气体的浓度,e表示散点相关系数,c(j)表示待分析区域中气体c的浓度j,表示待分析区域c中气体的平均浓度,k(u)表示影响待分析区域气体浓度的变量因素k的变化量u,/>表示影响待分析区域气体浓度的变量因素k的变化量均值。
第二方面,本发明提供了一种大气成分变化分析系统,所述系统包括:
数据获取模块,用于获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
数据查询模块,用于查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
数据组合模块,用于将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
数据抽样模块,用于利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
散点构建模块,用于利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
散点分析模块,用于利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
大气分析模块,用于根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律
与现有技术相比,本方案的技术原理及有益效果在于:
本方案首先通过获取待分析区域的历史大气数据及所述待分析区域的历史地理数据可以了解所述待分析区域的历史大气变化,以及基本的地理信息如海拔、经纬度、气候条件等信息,进而为所述待分析区域的大气变化规律分析提供可靠的数据依据,并通过查询所述历史地理数据中的变量数据可以分析这些变量与大气成分变化之间存在的某种联系,进而根据所述变量数据推导出大气成分变化的规律性;其次,本发明实施例通过将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中可以为所述待分析区域的大气变化规律分析提供基础的数据支持;以及通过所述利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据可以将两组变量关系进行排列组合,有利于后续的数据变化规律的分析;进一步的,本发明实施例通过利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据可以从大量数据中选取部分数据,避免模型在运算时运算次数过高出现运算爆炸的情况;并通过所述利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图可以将所述抽样数据用散点图的形式进行展示,使得数据更加容易观察,提高数据分析的精度;并通过所述利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数可以寻找各个散点之间存在的某种变化规律,进行根据所述变化规律得到所述待分析区域的大气成分变化规律;及通过所述根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,可以对所述待分析区域的变化规律进行固定的推算,进而能够精准掌握大气成分变化的规律;以及通过所述利用所述大气分析函数分析所述待分析区域的大气变化规律可以实时观察所述待分析区域的大气成分变化情况,了解所述待分析区域的空气质量及进而分析所述待分析区域的空气污染情况,并根据所述污染情对所述待分析区域进行及时的环境治理。因此,本发明实施例提出的一种大气成分变化分析方法及系统,能够提高大气成分变化规律分析的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,对于本领域普通技术人员而言,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为本发明一实施例提供的一种大气成分变化分析方法的流程示意图;
图2为本发明一实施例提供的一种大气成分变化分析系统的模块示意图;
图3为本发明一实施例提供的实现大气成分变化分析方法的电子设备的内部结构示意图。
图中,200-大气成分变化分析系统;201-数据获取模块;202-数据查询模块;203-数据组合模块;204-数据抽样模块;205-散点构建模块;206-散点分析模块;207-大气分析模块;30-处理器;31-存储器;32-通信总线;33-通信接口。
具体实施方式
应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种大气成分变化分析方法,所述大气成分变化分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述大气成分变化分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示,是本发明一实施例提供的大气成分变化分析方法的流程示意图。其中,图1中描述的大气成分变化分析方法包括以下步骤S1-S7:
S1、获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
本发明实施例通过获取待分析区域的历史大气数据及所述待分析区域的历史地理数据可以了解所述待分析区域的历史大气变化,以及基本的地理信息如海拔、经纬度、气候条件等信息,进而为所述待分析区域的大气变化规律分析提供可靠的数据依据。其中,所述历史大气数据是指所述待分析区域过往的一段时间被记录的大气成分的变化数据,所述历史地理数据是指在待分析区域中的过往的气象变化、降雨量、空气污染等信息。
其中,所述待分析区域的历史大气数据及所述待分析区域的历史地理数据可通过大数据查询所述待分析区域的历史气象数据对应的数据库获取。
S2、查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
本发明实施例通过所述查询所述历史地理数据中的变量数据可以分析这些变量与大气成分变化之间存在的某种联系,进而根据所述变量数据推导出大气成分变化的规律性。其中,所述变量数据是关于地理数据中随时间常发生变化的数据如气象,温度等数据。
作为本发明的一个实施例,所述查询所述历史地理数据中的变量数据,包括:向所述历史地理数据对应的数据库发出数据查询请求,根据所述数据查询请求,检索所述数据库中的历史地理数据,查询所述历史地理数据的赋值语句,识别所述赋值语句中的变量语句,根据所述变量语句查询所述历史地理数据中的变量数据。其中,所述数据库是指用来存放数据的系统,所述赋值语句是指用来定义数据库数据的程序。
可选的,所述向所述历史地理数据对应的数据库发出数据查询请求可由所述历史地理数据对应的数据查询接口发出,所述历史地理数据可由mysql语句检索,所述历史地理数据的赋值语句可由set语句查询。
进一步的,本发明实施例通过所述识别所述变量数据的变量时间节点能够为后续提取所述变量数据相对应时间节点的大气成分数据做个基础前提。
可选的,所述识别所述变量数据的变量时间节点通过查询所述变量数据在数据库中加载记录的时间信息识别。
进一步的,本发明实施例通过所述提取所述变量时间节点对应的所述历史大气数据中的气体成分数据可以了解不同时间点各组数据之间的变化情况,为后续的大气成分变化规律的分析提供一个基础的数据支持。
S3、将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
本发明实施例通过所述将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中可以为所述待分析区域的大气变化规律分析提供基础的数据支持。
作为本发明的一个实施例,所述将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,包括:将所述变量数据和所述气体成分数据进行数据清洗,得到清洗数据,将所述清洗数据进行数据集成,得到集成数据,将所述集成数据进行格式转换,得到转换数据,将所述转换数据进行数据消减,得到削减数据,将所述削减数据传输至所述大气分析模型中。其中,所述数据清洗是指将数据中存在的异常,重复数据删除,所述数据集成是指将多个数据源的数据如数据库,普通文件等集合在一起形成统一的数据集合,所述格式转换是指将不同格式或表达形式的数据转换为相同格式,所述数据消减是指将大量数据中相似度较高的数据进行削减,保留具有代表性的数据,从而提高数据的处理效率。
可选的,所述数据清洗通过分箱法实现,所述数据集成通过大数据的数据集成架构工具实现,所述将所述清洗数据进行数据集成通过回归法实现,所述将所述集成数据进行格式转换通过fpga工具实现。可选的,作为本发明的又一可选实施例,所述将所述转换数据进行数据消减,得到削减数据,包括:构建所述转换数据的数据立方,将所述数据立方进行维数削减,得到维数削减数据,将所述维数削减数据进行数据压缩,得到压缩数据,对所述压缩数据进行结构削减,得到结构削减数据,将所述结构削减数据进行离散化处理,得到削减数据。其中,所述数据立方是指构造数据的立方体(数据仓库),所述维数削减是指检测和削减无关的、弱相关、或冗余的属性,所述数据压缩是指利用编码技术压缩数据集的大小,所述结构削减是指利用更简单的数据表达形式,如参数模型、非参数模型(聚类、采样、直方图等),来取代原有数据,所述离散化是指利用取值范围或更高层次概念来替换初始数据。
可选的,所述数据立方通过v++工具构建,所述维数削减通过逐步添加法实现,所述数据压缩通过JAVA语言的压缩技术实现,所述结构削减通过sql语言的数据结构框架转换实现,所述离散化处理通过决策树归纳法实现。
进一步的,本发明实施例通过所述利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据可以将两组变量关系进行排列组合,有利于后续的数据变化规律的分析。
作为本发明的一个实施例,所述利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据,包括:构建所述变量数据和所述气体成分数据相对应的数据列表,查询所述变量数据的数据时间节点,对所述数据时间节点添加索引标签,根据所述索引标签对所述气体成分数据的数据列表进行索引,得到对应节点数据,将所述对应节点数据组合,得到组合数据。
可选的,所述数据列表可有excel表格创建,所述变量数据的数据时间节点通过查询所述变量数据的数据加载时间获取,所述索引标签通过二进制代码构建,所述根据所述索引标签对所述气体成分数据的数据列表进行索引通过 merge函数实现。
S4、利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
本发明实施例通过所述利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据可以从大量数据中选取部分数据,避免模型在运算时运算次数过高出现运算爆炸的情况。其中,所述抽样是指从一堆数据按照某种规则如随机抽样、等距抽样、分层抽样等规则进行数据的抽取,应当了解,按照这些抽取规则抽取的数据并不影响整体的数据分析。
作为本发明的一个实施例,所述利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据,包括:查询所述组合数据的组数,根据所述组数构建所述组合数据的抽样策略,基于所述抽样策略从所述组合数据中进行抽样,得到初始抽样数据,对所述初始抽样数据进行验证,当所述初始抽样数据中包含相同数据时,则再次抽样,直至所述初始抽样数据中不包含相同数据,当所述初始抽样数据中的数据不存在重复时,得到目标抽样数据。
其中,所述数据的组数是指总共含有多少组数据,如2000组,5000组等,所述抽样策略是指抽样的方法如随机抽样、等距抽样、分层抽样等。
可选的,所述查询所述组合数据的组数通过查询所述组合数据的字段数量获取,需要说明的是每组数据都有唯一的字段,每个字段代表一组数据,所述抽样策略通过所述组数构建如1000组可用等距抽样,每隔一组数据抽取一组,5000可用随机抽样随机抽取500,组数可根据实际应用场景需求抽取。
S5、利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
本发明实施例通过所述利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图可以将所述抽样数据用散点图的形式进行展示,使得数据更加容易观察,提高数据分析的精度。其中,所述散点图是指在回归分析中,数据点在直角坐标系平面上的分布图,散点图表示因变量随自变量而变化的大致趋势。
作为本发明的一个实施例,所述利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图,包括:创建所述抽样数据的直角坐标系,为所述直角坐标系添加散点坐标,并根据所述抽样数据,对所述散点坐标进行坐标定义,得到目标坐标点,将所述抽样数据分布在所述目标坐标点上,得到所述抽样数据的数据散点图。
其中,所述直角坐标系是指二维平面坐标,由垂直两条坐标轴x,y以及原点组成,所述散点坐标是指所述直角坐标系上的点。
可选的,所述直角坐标系通过java语言创建,所述散点坐标通过JAVA语言生成脚本添加,所述根据所述抽样数据,对所述散点坐标进行坐标定义通过所述抽样数据的数据值如降雨量包含100L、200L、500L等则将x轴定义为100、200、500等,如大气中的气氮含有10L、20L、50L则将y轴定义为10、20、50等。
S6、利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
本发明实施例通过所述利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数可以寻找各个散点之间存在的某种变化规律,进行根据所述变化规律得到所述待分析区域的大气成分变化规律。其中,所述散点相关系数是指各个不同散点之间存在的某种相同的变化规律,如散点中的a数据增大n倍,b数据随之增大n倍,a数据缩小n倍,b数据随之缩小n倍。
作为本发明的一个实施例,所述利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数,包括:
利用下述公式分析所述散点图中散点的散点相关系数:
其中,e表示散点相关系数,m表示散点图中散点数量,ai表示散点中的第a个自变量,α表示散点中自变量的均值,bi表示散点中的第b个因变量,β表示散点的因变量的均值
S7、根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
本发明实施例通过所述根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,可以对所述待分析区域的变化规律进行固定的推算,进而能够精准掌握大气成分变化的规律。
作为本发明的一个实施例,所述根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,包括:
利用下述公式表示所述大气分析函数:
其中,a表示待分析区域中气体的浓度,e表示散点相关系数,c(j)表示待分析区域中气体c的浓度j,表示待分析区域c中气体的平均浓度,k(u)表示影响待分析区域气体浓度的变量因素k的变化量u,/>表示影响待分析区域气体浓度的变量因素k的变化量均值。
进一步的,本发明实施例通过所述利用所述大气分析函数分析所述待分析区域的大气变化规律可以实时观察所述待分析区域的大气成分变化情况,了解所述待分析区域的空气质量及进而分析所述待分析区域的空气污染情况,并根据所述污染情况对所述待分析区域进行及时的环境治理。
可以看出,本方案首先通过获取待分析区域的历史大气数据及所述待分析区域的历史地理数据可以了解所述待分析区域的历史大气变化,以及基本的地理信息如海拔、经纬度、气候条件等信息,进而为所述待分析区域的大气变化规律分析提供可靠的数据依据,并通过查询所述历史地理数据中的变量数据可以分析这些变量与大气成分变化之间存在的某种联系,进而根据所述变量数据推导出大气成分变化的规律性;其次,本发明实施例通过将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中可以为所述待分析区域的大气变化规律分析提供基础的数据支持;以及通过所述利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据可以将两组变量关系进行排列组合,有利于后续的数据变化规律的分析;进一步的,本发明实施例通过利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据可以从大量数据中选取部分数据,避免模型在运算时运算次数过高出现运算爆炸的情况;并通过所述利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图可以将所述抽样数据用散点图的形式进行展示,使得数据更加容易观察,提高数据分析的精度;并通过所述利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数可以寻找各个散点之间存在的某种变化规律,进行根据所述变化规律得到所述待分析区域的大气成分变化规律;及通过所述根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,可以对所述待分析区域的变化规律进行固定的推算,进而能够精准掌握大气成分变化的规律;以及通过所述利用所述大气分析函数分析所述待分析区域的大气变化规律可以实时观察所述待分析区域的大气成分变化情况,了解所述待分析区域的空气质量及进而分析所述待分析区域的空气污染情况,并根据所述污染情对所述待分析区域进行及时的环境治理。因此,本发明实施例提出的一种大气成分变化分析方法,能够提高大气成分变化规律分析的准确率。
如图2所示,是本发明大气成分变化分析系统的功能模块图。
本发明所述大气成分变化分析系统200可以安装于电子设备中。根据实现的功能,所述大气成分变化分析系统可以包括数据获取模块201、数据查询模块202、数据组合模块203、数据抽样模块204、散点构建模块205、散点分析模块206以及大气分析模块207。
本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本发明实施例中,关于各模块/单元的功能如下:
所述数据获取模块201,用于获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
所述数据查询模块202,用于查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
所述数据组合模块203,用于将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
所述数据抽样模块204,用于利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
所述散点构建模块205,用于利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
所述散点分析模块206,用于利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
所述大气分析模块207,用于根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
详细地,本发明实施例中所述大气成分变化分析系统200中的所述各模块在使用时采用与上述的图1中所述的大气成分变化分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现大气成分变化分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33,还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序,如焙烧锂渣锻造程序。
其中,所述处理器30在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块(例如执行焙烧锂渣锻造程序等),以及调用存储在所述存储器31内的数据,以执行电子设备的各种功能和处理数据。
所述存储器31至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据,例如焙烧锂渣锻造程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线32可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
所述通信接口33用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管图中未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器30逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器31存储的大气成分变化分析程序是多个计算机程序的组合,在所述处理器30中运行时,可以实现以下方法:
获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
具体地,所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现以下方法:
获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于机器学习实现大气成分的变化规律分析方法,其特征在于,所述方法包括:
获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
2.根据权利要求1所述的方法,其特征在于,所述查询所述历史地理数据中的变量数据,包括:
向所述历史地理数据对应的数据库发出数据查询请求;
根据所述数据查询请求,检索所述数据库中的历史地理数据;
查询所述历史地理数据的赋值语句,识别所述赋值语句中的变量语句,根据所述变量语句查询所述历史地理数据中的变量数据。
3.根据权利要求1所述的方法,其特征在于,所述将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,包括:
将所述变量数据和所述气体成分数据进行数据清洗,得到清洗数据;将所述清洗数据进行数据集成,得到集成数据;
将所述集成数据进行格式转换,得到转换数据;
将所述转换数据进行数据消减,得到削减数据;
将所述削减数据传输至所述大气分析模型中。
4.根据权利要求3所述的方法,其特征在于,所述将所述转换数据进行数据消减,得到削减数据,包括:
构建所述转换数据的数据立方,将所述数据立方进行维数削减,得到维数削减数据;
将所述维数削减数据进行数据压缩,得到压缩数据;
对所述压缩数据进行结构削减,得到结构削减数据;
将所述结构削减数据进行离散化处理,得到削减数据。
5.根据权利要求1所述的方法,其特征在于,所述利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据,包括:
构建所述变量数据和所述气体成分数据相对应的数据列表,查询所述变量数据的数据时间节点;
对所述数据时间节点添加索引标签;
根据所述索引标签对所述气体成分数据的数据列表进行索引,得到对应节点数据;
将所述对应节点数据组合,得到组合数据。
6.根据权利要求1所述的方法,其特征在于,利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据包括:
查询所述组合数据的组数,根据所述组数构建所述组合数据的抽样策略;
基于所述抽样策略从所述组合数据中进行抽样,得到初始抽样数据;
对所述初始抽样数据进行验证;
当所述初始抽样数据中包含相同数据时,则再次抽样,直至所述初始抽样数据中不包含相同数据;
当所述初始抽样数据中的数据不存在重复时,得到目标抽样数据。
7.根据权利要求1所述的方法,其特征在于,利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图,包括:
创建所述抽样数据的直角坐标系,为所述直角坐标系添加散点坐标;
根据所述抽样数据,对所述散点坐标进行坐标定义,得到目标坐标点;
将所述抽样数据分布在所述目标坐标点上,得到所述抽样数据的数据散点图。
8.根据权利要求1所述的方法,其特征在于,利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数,包括:
利用下述公式分析所述散点图中散点的散点相关系数:
其中,e表示散点相关系数,m表示散点图中散点数量,ai表示散点中的第a个自变量,α表示散点中自变量的均值,bi表示散点中的第b个因变量,β表示散点的因变量的均值。
9.根据权利要求1所述的方法,其特征在于,根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,包括:
利用下述公式表示所述大气分析函数:
其中,a表示待分析区域中气体的浓度,e表示散点相关系数,c(j)表示待分析区域中气体c的浓度j,表示待分析区域c中气体的平均浓度,k(u)表示影响待分析区域气体浓度的变量因素k的变化量u,/>表示影响待分析区域气体浓度的变量因素k的变化量均值。
10.一种基于数据特征实现大气成分变化分析的系统,其特征在于,所述系统包括:
数据获取模块,用于获取待分析区域的历史大气数据及所述待分析区域的历史地理数据;
数据查询模块,用于查询所述历史地理数据中的变量数据,识别所述变量数据的变量时间节点,提取所述变量时间节点对应的所述历史大气数据中的气体成分数据;
数据组合模块,用于将所述变量数据和所述气体成分数据输入至预构建的大气分析模型中,利用所述大气分析模型中数据组合模块将所述变量数据和所述气体成分数据进行组合,得到组合数据;
数据抽样模块,用于利用所述大气分析模型的抽样模块对所述组合数据进行抽样,得到抽样数据;
散点构建模块,用于利用所述大气分析模型的散点构建模块构建所述抽样数据的数据散点图;
散点分析模块,用于利用所述大气分析模型的散点分析模块分析所述散点图中散点的散点相关系数;
大气分析模块,用于根据所述散点相关系数构建所述待分析区域的大气变化规律的大气分析函数,利用所述大气分析函数分析所述待分析区域的大气变化规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311052002.0A CN116776104B (zh) | 2023-08-21 | 2023-08-21 | 基于机器学习实现大气成分的变化规律分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311052002.0A CN116776104B (zh) | 2023-08-21 | 2023-08-21 | 基于机器学习实现大气成分的变化规律分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116776104A true CN116776104A (zh) | 2023-09-19 |
CN116776104B CN116776104B (zh) | 2023-11-10 |
Family
ID=87986229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311052002.0A Active CN116776104B (zh) | 2023-08-21 | 2023-08-21 | 基于机器学习实现大气成分的变化规律分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776104B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140288A (zh) * | 2007-10-09 | 2008-03-12 | 华南理工大学 | 中央空调风管空气质量远程分析系统及其方法 |
US20100198736A1 (en) * | 2009-02-02 | 2010-08-05 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
CN106932540A (zh) * | 2017-04-13 | 2017-07-07 | 北京七维航测科技股份有限公司 | 空气质量监测装置及方法 |
CN107632111A (zh) * | 2016-07-19 | 2018-01-26 | 高奎峰 | 一种在线监测大气污染的方法及系统 |
CN109900773A (zh) * | 2017-12-11 | 2019-06-18 | 中国科学院大连化学物理研究所 | 一种准确快速分析潜艇内空气成分的方法 |
CN110068655A (zh) * | 2019-04-24 | 2019-07-30 | 中国科学院城市环境研究所 | 一种天空地一体化大气监测系统 |
CN111507514A (zh) * | 2020-04-13 | 2020-08-07 | 中国矿业大学(北京) | 大气气溶胶数据预测方法 |
CN112259172A (zh) * | 2020-10-30 | 2021-01-22 | 大连理工大学 | 一种存在空气污染物化学反应情况的污染源逆向辨识方法 |
CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
US20210389290A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof |
CN113988348A (zh) * | 2020-07-10 | 2022-01-28 | 中国科学院沈阳计算技术研究所有限公司 | 一种网格化监测的空气质量预测方法 |
CN114153934A (zh) * | 2021-12-13 | 2022-03-08 | 高德软件有限公司 | 机器学习模型训练、导航路线推荐方法及计算机存储介质 |
US20220268475A1 (en) * | 2021-02-25 | 2022-08-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
US20220343221A1 (en) * | 2018-06-28 | 2022-10-27 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
CN115438582A (zh) * | 2022-08-30 | 2022-12-06 | 河北工业大学 | 一种联合多要素和图注意力的pm2.5浓度预测方法 |
CN115575584A (zh) * | 2022-12-06 | 2023-01-06 | 江苏旭龙环境科技有限公司 | 一种大气环境镉含量监测预警方法及系统 |
CN116359285A (zh) * | 2023-04-13 | 2023-06-30 | 北龙泽达(北京)数据科技有限公司 | 一种基于大数据的油气浓度智能检测系统及方法 |
US20230229974A1 (en) * | 2020-01-17 | 2023-07-20 | NEC Laboratories Europe GmbH | Meta-automated machine learning with improved multi-armed bandit algorithm for selecting and tuning a machine learning algorithm |
-
2023
- 2023-08-21 CN CN202311052002.0A patent/CN116776104B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140288A (zh) * | 2007-10-09 | 2008-03-12 | 华南理工大学 | 中央空调风管空气质量远程分析系统及其方法 |
US20100198736A1 (en) * | 2009-02-02 | 2010-08-05 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
CN107632111A (zh) * | 2016-07-19 | 2018-01-26 | 高奎峰 | 一种在线监测大气污染的方法及系统 |
CN106932540A (zh) * | 2017-04-13 | 2017-07-07 | 北京七维航测科技股份有限公司 | 空气质量监测装置及方法 |
CN109900773A (zh) * | 2017-12-11 | 2019-06-18 | 中国科学院大连化学物理研究所 | 一种准确快速分析潜艇内空气成分的方法 |
US20220343221A1 (en) * | 2018-06-28 | 2022-10-27 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
CN110068655A (zh) * | 2019-04-24 | 2019-07-30 | 中国科学院城市环境研究所 | 一种天空地一体化大气监测系统 |
US20230229974A1 (en) * | 2020-01-17 | 2023-07-20 | NEC Laboratories Europe GmbH | Meta-automated machine learning with improved multi-armed bandit algorithm for selecting and tuning a machine learning algorithm |
CN111507514A (zh) * | 2020-04-13 | 2020-08-07 | 中国矿业大学(北京) | 大气气溶胶数据预测方法 |
US20210389290A1 (en) * | 2020-06-12 | 2021-12-16 | Chinese Research Academy Of Environmental Sciences | Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof |
CN113988348A (zh) * | 2020-07-10 | 2022-01-28 | 中国科学院沈阳计算技术研究所有限公司 | 一种网格化监测的空气质量预测方法 |
CN112259172A (zh) * | 2020-10-30 | 2021-01-22 | 大连理工大学 | 一种存在空气污染物化学反应情况的污染源逆向辨识方法 |
US20220268475A1 (en) * | 2021-02-25 | 2022-08-25 | Synapse Wireless, Inc. | Machine learning systems for modeling and balancing the activity of air quality devices in industrial applications |
CN113610243A (zh) * | 2021-08-12 | 2021-11-05 | 中节能天融科技有限公司 | 基于耦合机器学习和相关性分析的大气污染物溯源方法 |
CN114153934A (zh) * | 2021-12-13 | 2022-03-08 | 高德软件有限公司 | 机器学习模型训练、导航路线推荐方法及计算机存储介质 |
CN115438582A (zh) * | 2022-08-30 | 2022-12-06 | 河北工业大学 | 一种联合多要素和图注意力的pm2.5浓度预测方法 |
CN115575584A (zh) * | 2022-12-06 | 2023-01-06 | 江苏旭龙环境科技有限公司 | 一种大气环境镉含量监测预警方法及系统 |
CN116359285A (zh) * | 2023-04-13 | 2023-06-30 | 北龙泽达(北京)数据科技有限公司 | 一种基于大数据的油气浓度智能检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
WILFRIED KONRAD ET AL.: "A reduced order model to analytically infer atmospheric CO2 concentration from stomatal and climate data", ADVANCES IN WATER RESOURCES, vol. 104, pages 145, XP085042660, DOI: 10.1016/j.advwatres.2017.03.018 * |
高平 等: "广州地区秋季不同站点类型地面臭氧变化特征与影响 因子", 环境科学, vol. 41, no. 8, pages 3527 * |
Also Published As
Publication number | Publication date |
---|---|
CN116776104B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114550076A (zh) | 区域异常行为监控方法、装置、设备及存储介质 | |
CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
CN112506910A (zh) | 多源数据采集方法、装置、电子设备及存储介质 | |
CN113360803A (zh) | 基于用户行为的数据缓存方法、装置、设备及存储介质 | |
CN113506045A (zh) | 基于移动设备的风险用户识别方法、装置、设备及介质 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN113901166A (zh) | 电子地图构建方法、装置、设备及存储介质 | |
CN116011998B (zh) | 一种退役电池回收分类处理方法及装置 | |
CN113434542A (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN116776104B (zh) | 基于机器学习实现大气成分的变化规律分析方法及系统 | |
CN115935723B (zh) | 用于实现氮化镓制备场景下的设备组合分析方法及系统 | |
CN114841165A (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN115114297A (zh) | 数据轻量存储及查找方法、装置、电子设备及存储介质 | |
CN114490666A (zh) | 基于数据需求的图表生成方法、装置、设备及存储介质 | |
CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113505117A (zh) | 基于数据指标的数据质量评估方法、装置、设备及介质 | |
CN113434413A (zh) | 基于数据差异的数据测试方法、装置、设备及存储介质 | |
CN112416306A (zh) | 多应用依赖树生成方法、装置、电子设备及计算机介质 | |
CN113688120A (zh) | 数据仓库的质量检测方法、装置和电子设备 | |
CN110928868B (zh) | 车辆数据检索方法、装置及计算机可读存储介质 | |
CN113448933B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 | |
CN117973566B (zh) | 训练数据处理方法、装置及相关设备 | |
CN109783712B (zh) | 一种基于微博用户的社交网络分析方法及装置 |
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 |