CN117236528B - 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 - Google Patents
一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 Download PDFInfo
- Publication number
- CN117236528B CN117236528B CN202311515358.3A CN202311515358A CN117236528B CN 117236528 B CN117236528 B CN 117236528B CN 202311515358 A CN202311515358 A CN 202311515358A CN 117236528 B CN117236528 B CN 117236528B
- Authority
- CN
- China
- Prior art keywords
- target area
- data
- target
- ozone
- forecast
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 240
- 238000012216 screening Methods 0.000 title claims abstract description 87
- 238000013277 forecasting method Methods 0.000 title claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000032683 aging Effects 0.000 claims description 27
- 230000001550 time effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000654 additive Substances 0.000 abstract description 3
- 230000000996 additive effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 102000003712 Complement factor B Human genes 0.000 description 3
- 108090000056 Complement factor B Proteins 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
Abstract
本发明提供一种基于组合模型和因子筛选的臭氧浓度预报方法及系统,涉及数据处理领域,其中该方法包括:获取多个候选气象预报因子;获取目标区域历史臭氧浓度数据及历史气象数据,对多个候选气象预报因子进行筛选,确定目标区域对应的多个目标气象预报因子;基于目标区域历史臭氧浓度数据、历史气象数据及目标区域对应的多个目标气象预报因子,建立目标区域对应的广义相加(GAM)臭氧预报模型及随机森林(RF)臭氧预报模型;获取目标区域在目标未来时间段的气象数据;通过对应的GAM臭氧预报模型和RF臭氧预报模型,基于目标区域在目标未来时间段的气象数据,确定目标区域在目标未来时间段的臭氧浓度预报,具有提高臭氧浓度预报的效率及精度的优点。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种基于组合模型和因子筛选的臭氧浓度预报方法及系统。
背景技术
目前臭氧浓度预报方法主要分为数值模式预报方法和统计学预报方法。数值模式预报法主要基于空气动力学理论和物理化学过程,使用数学方法建立大气污染浓度的传输扩散模型动态预测空气质量和主要污染物的浓度变化;但数值预报结果的优劣很大程度依赖于模式输入的排放清单精度,且建立高精度、高分辨率排放源清单难度大、模式运行复杂且计算量大,一定程度上限制了数值预报方法的广泛应用。
统计学预报方法相较于数值模式预报方法,实现手段更为丰富,不需要复杂的气象与污染资料数据,无需过多考虑污染物的化学反应和物理过程。但在臭氧浓度预报中,因为臭氧浓度与特征因子间关系的不确定性和多变性,往往存在较多非确定性因素影响;此外,单一的预报模型往往存在某方面的缺点:如传统的BP神经网络为一种局部搜索的优化方法,它要解决的是一个复杂的非线性化问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败,加之BP神经网络算法的收敛速度慢,以及样本依赖性问题,同时存在预报能力和训练能力的矛盾问题;广义相加(GAM)模型可能会缺失重要的因子交互作用;随机森林(RF)模型在回归问题中的表现要劣于分类问题,不能做出超过训练集数据范围外的极值预测预报。因此仅考虑单一模型,很大程度上会丢失可用信息或数据特征规律提取不足,导致臭氧浓度预报精度较差。
因此,需要提供一种基于组合模型和因子筛选的臭氧浓度预报方法及系统,用于提高臭氧浓度预报的效率及精度。
发明内容
本说明书实施例之一提供一种基于组合模型和因子筛选的臭氧浓度预报方法,包括:获取多个候选气象预报因子;获取目标区域的历史臭氧浓度数据及历史气象数据;基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子;基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的GAM臭氧预报模型;基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的RF臭氧预报模型;获取所述目标区域在目标未来时间段的气象数据;通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报。
在一些实施例中,所述基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子,包括:基于所述目标区域的历史臭氧浓度数据及历史气象数据,计算每个所述候选气象预报因子与臭氧浓度之间相关系数,基于每个所述候选气象预报因子与臭氧浓度之间相关系数对所述多个候选气象预报因子进行第一次筛选,确定多个第一次筛选后的候选气象预报因子;计算每两个所述第一次筛选后的候选气象预报因子之间的相关系数,基于每两个所述第一次筛选后的候选气象预报因子之间的相关系数,对所述多个第一次筛选后的候选气象预报因子进行第二次筛选,确定多个第二次筛选后的候选气象预报因子;基于随机森林模型对所述多个第二次筛选后的候选气象预报因子进行第三次筛选,确定所述多个目标气象预报因子。
在一些实施例中,所述目标区域对应的GAM臭氧预报模型包括分别对应多个不同时效的多个GAM臭氧预报子模型。
在一些实施例中,所述目标区域对应的RF臭氧预报模型包括分别对应多个不同时效的多个RF臭氧预报子模型。
在一些实施例中,所述通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报,包括:对于每个所述时效,通过所述时效对应的GAM臭氧预报子模型,基于所述目标区域在目标未来时间段的气象数据,确定所述时效对应的所述目标区域在所述目标未来时间段的第一预报数据;通过所述时效对应的RF臭氧预报子模型,基于所述目标区域在目标未来时间段的气象数据,确定所述时效对应的所述目标区域在所述目标未来时间段的第二预报数据;基于所述第一预报数据和所述第二预报数据,确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据;基于每个所述时效对应的所述目标区域在所述目标未来时间段的预报数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报。
在一些实施例中,通过以下公式基于所述第一预报数据和所述第二预报数据,确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据:
,其中,/>为第i个时效对应的所述目标区域在所述目标未来时间段的预报数据,/>为第i个时效对应的所述目标区域在所述目标未来时间段的第一预报数据,/>为第i个时效对应的所述目标区域在所述目标未来时间段的第二预报数据,/>为第一预报数据对应的权重,/>为第二预报数据对应的权重。
在一些实施例中,所述第一预报数据的权重和所述第二预报数据的权重基于方差倒数法和/或普通最小二乘法权重法确定。
在一些实施例中,所述GAM臭氧预报子模型的目标函数为:
,其中,/>为所述GAM臭氧预报子模型的目标函数,/>为常数截距项,/>为目标气象预报因子/>的非参数光滑函数,/>为残差。
在一些实施例中,所述多个候选气象预报因子至少包括气温、云量、地面气压、风速、位势高度、相对湿度、垂直速度及臭氧滞后量。
本说明书实施例之一提供一种基于组合模型和因子筛选的臭氧浓度预报系统,包括:因子获取模块,用于获取多个候选气象预报因子;第一数据获取模块,用于获取目标区域的历史臭氧浓度数据及历史气象数据;因子筛选模块,用于基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子;模型建立模块,用于基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的GAM臭氧预报模型,还用于基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的RF臭氧预报模型;第二数据获取模块,用于获取所述目标区域在目标未来时间段的气象数据;浓度预报模块,用于通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报。
相比于现有技术,本说明书提供的一种基于组合模型和因子筛选的臭氧浓度预报方法及系统,至少具备以下有益效果:
1、先获取多个候选气象预报因子,再根据不同区域的特征,筛选出多个目标气象预报因子,从而减少后续的数据处理量,进一步的,结合GAM臭氧预报模型和RF臭氧预报模型,相比对于单一的模型进行臭氧浓度预测,精度更高,相比于数值模式预报法,数据处理量更少,效率更高;
2、构建模型方式上,考虑到臭氧浓度空间分布差异性以及与预报数据不同预报时效误差差异性,选取不同站点不同预报时效采取本地化动态时效建模方式,精细化程度高,本地拓展性强;
3、由于单一GAM模型可能会缺失重要的因子交互作用,单一RF模型在回归问题中的表现要劣于分类问题,不能做出超过训练集数据范围外的预测。因此采用方差倒数法和/或普通最小二乘法权重法组合GAM-RF模型,优势互补,使得模型预报臭氧浓度性能更加稳健。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的基于组合模型和因子筛选的臭氧浓度预报系统的模块示意图;
图2是根据本说明书一些实施例所示的基于组合模型和因子筛选的臭氧浓度预报方法的流程示意图;
图3是根据本说明书一些实施例所示的对多个候选气象预报因子进行筛选的流程示意图;
图4是根据本说明书一些实施例所示的RF臭氧预报子模型的构建的流程示意图。
实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1根据本说明书一些实施例所示的基于组合模型和因子筛选的臭氧浓度预报系统的模块示意图,如图1所示,基于组合模型和因子筛选的臭氧浓度预报系统可以包括因子获取模块、第一数据获取模块、因子筛选模块、模型建立模块、第二数据获取模块及浓度预报模块。
因子获取模块可以用于获取多个候选气象预报因子。
第一数据获取模块可以用于获取目标区域的历史臭氧浓度数据及历史气象数据。
因子筛选模块可以用于基于目标区域的历史臭氧浓度数据及历史气象数据,对多个候选气象预报因子进行筛选,确定目标区域对应的多个目标气象预报因子。
模型建立模块可以用于基于目标区域的历史臭氧浓度数据、历史气象数据及目标区域对应的多个目标气象预报因子,建立目标区域对应的GAM臭氧预报模型。
模型建立模块还可以用于基于目标区域的历史臭氧浓度数据、历史气象数据及目标区域对应的多个目标气象预报因子,建立目标区域对应的RF臭氧预报模型。
第二数据获取模块可以用于获取目标区域在目标未来时间段的气象数据。
浓度预报模块可以用于通过目标区域对应的GAM臭氧预报模型和RF臭氧预报模型,基于目标区域在目标未来时间段的气象数据,确定目标区域在目标未来时间段的臭氧浓度预报。
关于基于组合模型和因子筛选的臭氧浓度预报系统的更多描述可以参见图2及其相关描述,此处不再赘述。
图2是根据本说明书一些实施例所示的基于组合模型和因子筛选的臭氧浓度预报方法的流程示意图,在一些实施例中,基于组合模型和因子筛选的臭氧浓度预报方法可以由基于组合模型和因子筛选的臭氧浓度预报系统执行。如图1所示,基于组合模型和因子筛选的臭氧浓度预报方法可以包括以下流程。
步骤210,获取多个候选气象预报因子。在一些实施例中,步骤210可以由因子获取模块执行。
在一些实施例中,因子获取模块可以根据外部资料获取多个候选气象预报因子。例如,因子获取模块可以基于欧洲中心细网格预报资料和观测资料,获取16个候选气象预报因子。
仅作为示例的,16个候选气象预报因子可以分为如表1所示的8类。
表1
步骤220,获取目标区域的历史臭氧浓度数据及历史气象数据。在一些实施例中,步骤220可以由第一数据获取模块。
在一些实施例中,第一数据获取模块可以从外部数据源获取目标区域的历史臭氧浓度数据及历史气象数据,其中,目标区域可以是某个站点。
步骤230,基于目标区域的历史臭氧浓度数据及历史气象数据,对多个候选气象预报因子进行筛选,确定目标区域对应的多个目标气象预报因子。在一些实施例中,步骤230可以由因子筛选模块执行。
图3是根据本说明书一些实施例所示的对多个候选气象预报因子进行筛选的流程示意图,如图3所示,在一些实施例中,基于目标区域的历史臭氧浓度数据及历史气象数据,对多个候选气象预报因子进行筛选,确定目标区域对应的多个目标气象预报因子,包括:
基于目标区域的历史臭氧浓度数据及历史气象数据,计算每个候选气象预报因子与臭氧浓度之间相关系数,基于每个候选气象预报因子与臭氧浓度之间相关系数对多个候选气象预报因子进行第一次筛选,确定多个第一次筛选后的候选气象预报因子;
计算每两个第一次筛选后的候选气象预报因子之间的相关系数,基于每两个第一次筛选后的候选气象预报因子之间的相关系数,对多个第一次筛选后的候选气象预报因子进行第二次筛选,确定多个第二次筛选后的候选气象预报因子;
基于随机森林模型对多个第二次筛选后的候选气象预报因子进行第三次筛选,确定多个目标气象预报因子。
具体的,因子筛选模块可以基于目标区域的历史臭氧浓度数据及历史气象数据,计算每个候选气象预报因子与臭氧浓度之间Pearson相关系数,并进行显著性检验,剔除未通过置信度95%显著性检验的候选气象预报因子。进一步的,计算每两个第一次筛选后的候选气象预报因子之间的相关系数,剔除相关系数大于0.9但相对不重要的第一次筛选后的候选气象预报因子。例如,第一次筛选后的候选气象预报因子A和第二次筛选后的候选气象预报因子B之间的相关系数大于0.9,第一次筛选后的候选气象预报因子A与臭氧浓度之间相关系数大于第一次筛选后的候选气象预报因子B与臭氧浓度之间相关系数,则可以剔除第一次筛选后的候选气象预报因子B。最后,选取全部的第二次筛选后的候选气象预报因子输入随机森林模型拟合目标区域的历史臭氧浓度数据,计算每个第二次筛选后的候选气象预报因子归一化后的重要性并降序排列,剔除末尾5%的第二次筛选后的候选气象预报因子。
步骤240,基于目标区域的历史臭氧浓度数据、历史气象数据及目标区域对应的多个目标气象预报因子,建立目标区域对应的GAM臭氧预报模型。在一些实施例中,步骤240可以由模型建立模块执行。
广义相加模型(Generalized Additive Model,GAM)是以广义线性模型(Generalized Linear Model,GLM)为基础的拓展模型。与传统的回归模型不同,GAM是由数据驱动而非统计分布模型驱动的非参数回归模型,可同时对部分解释变量线性拟合,且对其他解释变量进行光滑函数拟合,能更好的描述臭氧浓度与目标气象预报因子之间复杂的非线性和非单调关系,并对臭氧浓度进行更为准确的预测。
在一些实施例中,目标区域对应的GAM臭氧预报模型包括分别对应多个不同时效的多个GAM臭氧预报子模型。例如,GAM臭氧预报子模型A用于预测未来一天的臭氧浓度,GAM臭氧预报子模型B用于预测未来两天的臭氧浓度,GAM臭氧预报子模型C用于预测未来三天的臭氧浓度等。
在一些实施例中,GAM臭氧预报子模型的目标函数为:
其中,为GAM臭氧预报子模型的目标函数,/>为常数截距项,/>为目标气象预报因子/>的非参数光滑函数,/>为残差。
在一些实施例中,更短时效的GAM臭氧预报子模型的输出可以作为更长时效的GAM臭氧预报子模型的输入。例如,GAM臭氧预报子模型A的输出(例如,预测的未来一天的臭氧浓度)可以作为GAM臭氧预报子模型B的输入,GAM臭氧预报子模型B可以结合GAM臭氧预报子模型A的输出,预测未来两天的臭氧浓度,GAM臭氧预报子模型B的输出(例如,预测的未来两天的臭氧浓度)可以作为GAM臭氧预报子模型C的输入,GAM臭氧预报子模型C可以结合GAM臭氧预报子模型B的输出,预测未来三天的臭氧浓度,从而提高更长时效的GAM臭氧预报子模型的预测效率和精度。
步骤250,基于目标区域的历史臭氧浓度数据、历史气象数据及目标区域对应的多个目标气象预报因子,建立目标区域对应的RF臭氧预报模型。在一些实施例中,步骤250可以由模型建立模块执行。
在一些实施例中,分别对应多个不同时效的多个GAM臭氧预报子模型相对应的,目标区域对应的RF臭氧预报模型包括分别对应多个不同时效的多个RF臭氧预报子模型。例如,RF臭氧预报子模型A用于预测未来一天的臭氧浓度,RF臭氧预报子模型B用于预测未来两天的臭氧浓度,RF臭氧预报子模型C用于预测未来三天的臭氧浓度等。
仅作为示例的,RF臭氧预报子模型的构建流程如图4所示,其主要步骤为:
(1)利用Bagging算法对原始训练数据集N进行有放回的抽样,每个子训练数据集所包含的样本量大概是原始训练数据集样本量的2/3。
(2)对于抽取的子训练数据集,选择其中的某一个作为决策树的训练数据集,并从全部特征中随机选取f(f<F)个特征作为特征子集,从特征子集中挑选最佳特征并开始进行决策树节点分裂。在节点分裂时,对于回归模型,则基于均方误差(Mean Squared Error)建立回归树;对于分类模型,则基于基尼指数建立分类树。
(3)将生成的T棵完全生长的决策树组合为随机森林。
(4)综合T棵决策树预测结果。对于回归模型,其预测结果为T棵决策树的预测结果平均值;而对于分类模型,其预测结果是T棵决策树的预测结果投票得票最多的分类。
在一些实施例中,更短时效的RF臭氧预报子模型的输出可以作为更长时效的RF臭氧预报子模型的输入。例如,RF臭氧预报子模型A的输出(例如,预测的未来一天的臭氧浓度)可以作为RF臭氧预报子模型B的输入,RF臭氧预报子模型B可以结合RF臭氧预报子模型A的输出,预测未来两天的臭氧浓度,RF臭氧预报子模型B的输出(例如,预测的未来两天的臭氧浓度)可以作为RF臭氧预报子模型C的输入,RF臭氧预报子模型C可以结合RF臭氧预报子模型B的输出,预测未来三天的臭氧浓度,从而提高更长时效的RF臭氧预报子模型的预测效率和精度。
步骤260,获取目标区域在目标未来时间段的气象数据。在一些实施例中,步骤260可以由第二数据获取模块执行。
在一些实施例中,第二数据获取模块可以从外部数据源获取目标区域在目标未来时间段的气象数据。
步骤270,通过目标区域对应的GAM臭氧预报模型和RF臭氧预报模型,基于目标区域在目标未来时间段的气象数据,确定目标区域在目标未来时间段的臭氧浓度预报。在一些实施例中,步骤270可以由浓度预报模块执行。
在一些实施例中,通过目标区域对应的GAM臭氧预报模型和RF臭氧预报模型,基于目标区域在目标未来时间段的气象数据,确定目标区域在目标未来时间段的臭氧浓度预报,包括:
对于每个时效,
通过时效对应的GAM臭氧预报子模型,基于目标区域在目标未来时间段的气象数据,确定时效对应的目标区域在目标未来时间段的第一预报数据;
通过时效对应的RF臭氧预报子模型,基于目标区域在目标未来时间段的气象数据,确定时效对应的目标区域在目标未来时间段的第二预报数据;
基于第一预报数据和第二预报数据,确定时效对应的目标区域在目标未来时间段的预报数据;
基于每个时效对应的目标区域在目标未来时间段的预报数据,确定目标区域在目标未来时间段的臭氧浓度预报。
在一些实施例中,通过以下公式基于第一预报数据和第二预报数据,确定时效对应的目标区域在目标未来时间段的预报数据:
其中,为第i个时效对应的目标区域在目标未来时间段的预报数据,/>为第i个时效对应的目标区域在目标未来时间段的第一预报数据,/>为第i个时效对应的目标区域在目标未来时间段的第二预报数据,/>为第一预报数据对应的权重,/>为第二预报数据对应的权重,且/>。
在一些实施例中,第一预报数据的权重和第二预报数据的权重基于方差倒数法确定,其通过误差平方和(SSE)的大小来确定权重,SSE越大则表明该单一模型预测精度越低,表明其对最终组合模型预报值贡献越低,因此将被赋予较低的加权系数;反之,SSE越小则表明该单一模型将被赋予较高的加权系数。方差倒数法公式如下:
其中,为GAM臭氧预报模型对应的误差平方和,/>为RF臭氧预报模型对应的误差平方和。
在一些实施例中,可以使用测试数据集对GAM臭氧预报模型和RF臭氧预报模型进行测试,根据测试结果计算得到和/>。
在一些实施例中,第一预报数据的权重和第二预报数据的权重基于普通最小二乘法(ordinary least squares,OLS)权重法确定。具体的,可以根据最优准则构造目标函数,当组合模型预测误差平方和最小时,确定的各个单一臭氧预报模型的权重值。组合模型结果如下:
其中,表示GAM臭氧预报模型的第t个预测值,/>表示RF臭氧预报模型的第t个预测值,/>,/>分别为GAM臭氧预报模型对应的权重和RF臭氧预报模型对应的权重,且/>。
设为组合模型预测在t时刻的预测误差,/>表示实际观测值,则
其中,表GAM臭氧预报模型在t时刻的预测误差,且/>;同理,/>表示RF臭氧预报模型在t时刻的预测误差,且/>。
设R为组合预测模型的预测误差平方和,m为臭氧浓度时间序列长度,则
从而可以转化为通过约束问题的最优组合预测模型来计算各个臭氧预报模型对应的权重,记为:
令GAM臭氧预报模型的误差向量为,RF臭氧预报模型的误差向量为/>,其中,
于是可以得出两种臭氧预报模型的误差矩阵,组合模型的预测误差信息矩阵为:
其中,,分别表示GAM臭氧预报模型与RF臭氧预报模型在m个数据上的误差平方和,/>,均表示GAM臭氧预报模型与RF臭氧预报模型在m个数据上的预测误差乘积。
将组合预测模型的误差权重记为,组合模型的误差平方和记为R,则有
由于GAM臭氧预报模型与RF臭氧预报模型是两个独立的模型,拟合结果相互独立,其误差向量,线性无关,则E为正定矩阵,性质可逆,因此二次凸规划问题为:
求解得到GAM臭氧预报模型对应的权重、RF臭氧预报模型对应的权重和组合模型的预测误差平方和的表达式为:
在一些实施例中,若出现权重系数为负的情况,如果出现负数,可采用归一化对权重系数进行修正。
在一些实施例中,可以基于最小二乘(OLS)权重法和方差倒数法确定第一预报数据的权重和第二预报数据的权重。例如,对于每个单一臭氧预报模型,可以将基于最小二乘(OLS)权重法确定的该单一臭氧预报模型对应的权重,和基于方差倒数法确定的该单一臭氧预报模型对应的权重,进行加权求和,确定该单一臭氧预报模型对应的最终的权重。
在一些实施例中,在建立目标区域对应的GAM臭氧预报模型和RF臭氧预报模型,并确定、之后,进行实际应用之前,参照环境空气质量数值预报技术规范(HJ1130-2020),将臭氧(O3)浓度换算为O3分指数(IAQI_O3),设定IAQI_ O3±25%为IAQI_ O3预报范围。将IAQI_O3预报范围对应得到O3预报级别或级别范围,若IAQI_ O3观测值在O3预报级别范围内,则记为O3级别预报准确。O3级别预报准确率为评估时段内O3级别预报准确天数与评估总天数的百分比,包括分级别预报准确率和级别预报准确率。
预报准确率的计算公式为:
级别预报准确率的计算公式为:
/>
其中,为预报准确率,/>为级别预报准确率,i为表征第i个O3预报级别,分为一级(优,IAQI_ O3≤50)至六级(严重污染,IAQI_ O3>300),k为级别总数,/>为级别预报准确天数,/>为O3观测值级别为第i个O3预报级别的总天数。
可以理解的,当预报结果对应的预报准确率和/或级别预报准确率不满足预设要求时,需要对GAM臭氧预报模型、RF臭氧预报模型和/或、进行调整。
以成都金泉两河站为例,选择2021年1月~12月数据作为预报测试集,GAM-RF组合模型预报结果如表2所示,GAM-RF组合O3预报模型日平均残差范围分别为-11.02~-5.21μg·m-3,GAM-RF组合O3预报模型可较好地显示O3浓度的日变化趋势,预测值与观测值波动较为吻合,突变值较少。O3级别预报准确率较高,处于90.89~95.07%的范围内,所有预报时效O3级别预报准确率均大于90%。以分级别预报准确率角度看,优良天预报准确率对级别预报准确率有较大贡献,优预报准确率与良预报准确率范围分别为95.16~97.41%与89.38~94.88%。
表2
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种基于组合模型和因子筛选的臭氧浓度预报方法,其特征在于,包括:
获取多个候选气象预报因子;
获取目标区域的历史臭氧浓度数据及历史气象数据;
基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子;
基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的GAM臭氧预报模型,其中,所述目标区域对应的GAM臭氧预报模型包括分别对应多个不同时效的多个GAM臭氧预报子模型;
基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的RF臭氧预报模型,其中,所述目标区域对应的RF臭氧预报模型包括分别对应多个不同时效的多个RF臭氧预报子模型;
获取所述目标区域在目标未来时间段的气象数据;
通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报;
其中,所述基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子,包括:
基于所述目标区域的历史臭氧浓度数据及历史气象数据,计算每个所述候选气象预报因子与臭氧浓度之间相关系数,基于每个所述候选气象预报因子与臭氧浓度之间相关系数对所述多个候选气象预报因子进行第一次筛选,确定多个第一次筛选后的候选气象预报因子;
计算每两个所述第一次筛选后的候选气象预报因子之间的相关系数,基于每两个所述第一次筛选后的候选气象预报因子之间的相关系数,对所述多个第一次筛选后的候选气象预报因子进行第二次筛选,确定多个第二次筛选后的候选气象预报因子;
基于随机森林模型对所述多个第二次筛选后的候选气象预报因子进行第三次筛选,确定所述多个目标气象预报因子;
所述通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报,包括:
对于每个所述时效,
通过所述时效对应的GAM臭氧预报子模型,基于所述目标区域在目标未来时间段的气象数据,确定所述时效对应的所述目标区域在所述目标未来时间段的第一预报数据;
通过所述时效对应的RF臭氧预报子模型,基于所述目标区域在目标未来时间段的气象数据,确定所述时效对应的所述目标区域在所述目标未来时间段的第二预报数据;
基于所述第一预报数据和所述第二预报数据,确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据;
基于每个所述时效对应的所述目标区域在所述目标未来时间段的预报数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报。
2.根据权利要求1所述的一种基于组合模型和因子筛选的臭氧浓度预报方法,其特征在于,通过以下公式基于所述第一预报数据和所述第二预报数据,确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据:
其中,/>为第i个时效对应的所述目标区域在所述目标未来时间段的预报数据,/>为第i个时效对应的所述目标区域在所述目标未来时间段的第一预报数据,/>为第i个时效对应的所述目标区域在所述目标未来时间段的第二预报数据,/>为第一预报数据对应的权重,为第二预报数据对应的权重。
3.根据权利要求2所述的一种基于组合模型和因子筛选的臭氧浓度预报方法,其特征在于,所述第一预报数据的权重和所述第二预报数据的权重基于方差倒数法和/或普通最小二乘法权重法确定。
4.根据权利要求1-3中任意一项所述的一种基于组合模型和因子筛选的臭氧浓度预报方法,其特征在于,所述GAM臭氧预报子模型的目标函数为:
其中,/>为所述GAM臭氧预报子模型的目标函数,/>为常数截距项,/>为目标气象预报因子/>的非参数光滑函数,为残差。
5.根据权利要求4所述的一种基于组合模型和因子筛选的臭氧浓度预报方法,其特征在于,所述多个候选气象预报因子至少包括气温、云量、地面气压、风速、位势高度、相对湿度、垂直速度及臭氧滞后量。
6.一种基于组合模型和因子筛选的臭氧浓度预报系统,其特征在于,包括:
因子获取模块,用于获取多个候选气象预报因子;
第一数据获取模块,用于获取目标区域的历史臭氧浓度数据及历史气象数据;
因子筛选模块,用于基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子;
模型建立模块,用于基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的GAM臭氧预报模型,其中,所述目标区域对应的GAM臭氧预报模型包括分别对应多个不同时效的多个GAM臭氧预报子模型,还用于基于所述目标区域的历史臭氧浓度数据、历史气象数据及所述目标区域对应的多个目标气象预报因子,建立所述目标区域对应的RF臭氧预报模型,其中,所述目标区域对应的RF臭氧预报模型包括分别对应多个不同时效的多个RF臭氧预报子模型;
第二数据获取模块,用于获取所述目标区域在目标未来时间段的气象数据;
浓度预报模块,用于通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报;
其中,所述基于所述目标区域的历史臭氧浓度数据及历史气象数据,对所述多个候选气象预报因子进行筛选,确定所述目标区域对应的多个目标气象预报因子,包括:
基于所述目标区域的历史臭氧浓度数据及历史气象数据,计算每个所述候选气象预报因子与臭氧浓度之间相关系数,基于每个所述候选气象预报因子与臭氧浓度之间相关系数对所述多个候选气象预报因子进行第一次筛选,确定多个第一次筛选后的候选气象预报因子;
计算每两个所述第一次筛选后的候选气象预报因子之间的相关系数,基于每两个所述第一次筛选后的候选气象预报因子之间的相关系数,对所述多个第一次筛选后的候选气象预报因子进行第二次筛选,确定多个第二次筛选后的候选气象预报因子;
基于随机森林模型对所述多个第二次筛选后的候选气象预报因子进行第三次筛选,确定所述多个目标气象预报因子;
所述通过所述目标区域对应的GAM臭氧预报模型和所述RF臭氧预报模型,基于所述目标区域在目标未来时间段的气象数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报,包括:
对于每个所述时效,
通过所述时效对应的GAM臭氧预报子模型,基于所述目标区域在目标未来时间段的气象数据,确定所述时效对应的所述目标区域在所述目标未来时间段的第一预报数据;
通过所述时效对应的RF臭氧预报子模型,基于所述目标区域在目标未来时间段的气象数据,确定所述时效对应的所述目标区域在所述目标未来时间段的第二预报数据;
基于所述第一预报数据和所述第二预报数据,确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据;
基于每个所述时效对应的所述目标区域在所述目标未来时间段的预报数据,确定所述目标区域在所述目标未来时间段的臭氧浓度预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515358.3A CN117236528B (zh) | 2023-11-15 | 2023-11-15 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515358.3A CN117236528B (zh) | 2023-11-15 | 2023-11-15 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236528A CN117236528A (zh) | 2023-12-15 |
CN117236528B true CN117236528B (zh) | 2024-01-23 |
Family
ID=89084695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515358.3A Active CN117236528B (zh) | 2023-11-15 | 2023-11-15 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236528B (zh) |
Citations (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009022351A1 (en) * | 2007-08-13 | 2009-02-19 | Indian Institute Of Science | A composition of electrode material in the form of a coating and a process thereof |
CN104492804A (zh) * | 2014-12-24 | 2015-04-08 | 北京市环境保护科学研究院 | 臭氧预处理强化微生物降解修复污染土壤的系统及方法 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN106539787A (zh) * | 2016-11-01 | 2017-03-29 | 侯建生 | 臭氧化表面活性剂在猪养殖中的应用 |
CN107607450A (zh) * | 2017-09-15 | 2018-01-19 | 深圳市卡普瑞环境科技有限公司 | 一种大气质量监测方法及相关设备 |
CN107941730A (zh) * | 2017-11-16 | 2018-04-20 | 广东上风环保科技有限公司 | 一种测定大气中臭氧浓度的方法和装置 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
CN108564110A (zh) * | 2018-03-26 | 2018-09-21 | 上海电力学院 | 一种基于聚类算法的空气质量预测方法 |
CN109002688A (zh) * | 2018-09-06 | 2018-12-14 | 清华大学 | 基于臭氧消毒/紫外线消毒/氯消毒的水处理方法 |
CN109060617A (zh) * | 2018-07-06 | 2018-12-21 | 南京信息工程大学 | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 |
CN109115949A (zh) * | 2018-07-26 | 2019-01-01 | 郑州轻工业学院 | 基于大数据的污染溯源方法及计算机可读介质 |
EP3422124A1 (en) * | 2017-06-30 | 2019-01-02 | SUEZ Groupe | Method for controlling an ozone generating machine |
CN109489171A (zh) * | 2017-12-01 | 2019-03-19 | 北京新风到家科技有限公司 | 一种智能新风系统的控制方法、系统、装置及存储介质 |
CN109489183A (zh) * | 2018-11-30 | 2019-03-19 | 北京新风到家科技有限公司 | 智能新风系统信息提醒方法、系统及存储介质 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN109631167A (zh) * | 2018-11-30 | 2019-04-16 | 北京新风到家科技有限公司 | 一种新风空调一体系统及其控制方法 |
CN110057983A (zh) * | 2019-05-20 | 2019-07-26 | 华北电力大学 | 一种基于观测数据和化学机制的臭氧来源解析方法 |
CN110261341A (zh) * | 2019-06-20 | 2019-09-20 | 中国矿业大学(北京) | 一种基于静止气象卫星数据的火山灰云检测方法及系统 |
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN110378520A (zh) * | 2019-06-26 | 2019-10-25 | 浙江传媒学院 | 一种pm2.5浓度预测和预警方法 |
CN110728063A (zh) * | 2019-10-17 | 2020-01-24 | 广东省环境监测中心 | 一种判断气象与源排放变化对空气质量影响的定量方法 |
CN110942049A (zh) * | 2019-12-17 | 2020-03-31 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
CN111310299A (zh) * | 2019-12-24 | 2020-06-19 | 生态环境部南京环境科学研究所 | PPCPs类有机污染物废水中臭氧消解速率预测模型构建方法 |
CN111310386A (zh) * | 2020-02-13 | 2020-06-19 | 北京中科锐景科技有限公司 | 一种近地面臭氧浓度估算方法 |
CN111710373A (zh) * | 2020-07-20 | 2020-09-25 | 中科三清科技有限公司 | 挥发性有机物观测数据的检测方法、装置、设备及介质 |
CN111798932A (zh) * | 2020-07-03 | 2020-10-20 | 中科三清科技有限公司 | 一种污染物监测数据的处理方法、装置、存储介质及终端 |
CN111830212A (zh) * | 2020-08-14 | 2020-10-27 | 广东海洋大学 | 一种分析重力波活动对上中间层臭氧分布影响的方法 |
CN112241853A (zh) * | 2020-12-16 | 2021-01-19 | 中电科新型智慧城市研究院有限公司 | 一种区域间空气质量影响的评估方法及评估装置 |
CN112712169A (zh) * | 2021-01-08 | 2021-04-27 | 中国科学院地理科学与资源研究所 | 基于图卷积的全残差深度网络的模型建立方法及应用 |
CN112733958A (zh) * | 2021-01-22 | 2021-04-30 | 北京农业信息技术研究中心 | 一种温室臭氧浓度控制方法及系统 |
CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113657023A (zh) * | 2021-07-19 | 2021-11-16 | 生态环境部卫星环境应用中心 | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 |
CN113989667A (zh) * | 2021-10-26 | 2022-01-28 | 中国科学技术大学先进技术研究院 | 基于卫星遥感技术的近地面甲醛浓度获取方法 |
CN114169758A (zh) * | 2021-12-07 | 2022-03-11 | 深圳中兴网信科技有限公司 | 空气质量数据确定方法及装置、可读存储介质、电子设备 |
CN114195249A (zh) * | 2021-11-25 | 2022-03-18 | 清华大学 | α-MnO2在臭氧催化氧化水中污染物的应用及方法 |
CN114897250A (zh) * | 2022-05-22 | 2022-08-12 | 浙江农林大学 | 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 |
CN115545316A (zh) * | 2022-10-12 | 2022-12-30 | 陕西理工大学 | 基于深度学习混合模型的大气臭氧预测方法 |
CN115774834A (zh) * | 2022-11-24 | 2023-03-10 | 碧空环境科技有限公司 | 一种基于多元线性回归模型的城市近地面臭氧浓度的预测方法 |
CN116595394A (zh) * | 2023-06-09 | 2023-08-15 | 阳光电源(上海)有限公司 | 风速修正模型的训练方法及风速预测方法、设备和介质 |
CN116665802A (zh) * | 2023-05-24 | 2023-08-29 | 海南省气象科学研究所 | 一种用于区域臭氧浓度的评估方法及系统 |
CN116908941A (zh) * | 2023-07-24 | 2023-10-20 | 碧空环境科技有限公司 | 一种基于多元线性回归模型的城市近地面臭氧浓度的预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8652040B2 (en) * | 2006-12-19 | 2014-02-18 | Valencell, Inc. | Telemetric apparatus for health and environmental monitoring |
-
2023
- 2023-11-15 CN CN202311515358.3A patent/CN117236528B/zh active Active
Patent Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8343572B2 (en) * | 2007-08-13 | 2013-01-01 | Ashish Varade | Composition of electrode material in the form of a coating and a process thereof |
WO2009022351A1 (en) * | 2007-08-13 | 2009-02-19 | Indian Institute Of Science | A composition of electrode material in the form of a coating and a process thereof |
CN104492804A (zh) * | 2014-12-24 | 2015-04-08 | 北京市环境保护科学研究院 | 臭氧预处理强化微生物降解修复污染土壤的系统及方法 |
CN106019409A (zh) * | 2016-05-11 | 2016-10-12 | 北京市环境保护监测中心 | 一种臭氧浓度的分区预测方法及系统 |
CN106539787A (zh) * | 2016-11-01 | 2017-03-29 | 侯建生 | 臭氧化表面活性剂在猪养殖中的应用 |
EP3422124A1 (en) * | 2017-06-30 | 2019-01-02 | SUEZ Groupe | Method for controlling an ozone generating machine |
CN107607450A (zh) * | 2017-09-15 | 2018-01-19 | 深圳市卡普瑞环境科技有限公司 | 一种大气质量监测方法及相关设备 |
CN107941730A (zh) * | 2017-11-16 | 2018-04-20 | 广东上风环保科技有限公司 | 一种测定大气中臭氧浓度的方法和装置 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及系统 |
CN109489171A (zh) * | 2017-12-01 | 2019-03-19 | 北京新风到家科技有限公司 | 一种智能新风系统的控制方法、系统、装置及存储介质 |
CN108564110A (zh) * | 2018-03-26 | 2018-09-21 | 上海电力学院 | 一种基于聚类算法的空气质量预测方法 |
CN109060617A (zh) * | 2018-07-06 | 2018-12-21 | 南京信息工程大学 | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 |
CN109115949A (zh) * | 2018-07-26 | 2019-01-01 | 郑州轻工业学院 | 基于大数据的污染溯源方法及计算机可读介质 |
CN109002688A (zh) * | 2018-09-06 | 2018-12-14 | 清华大学 | 基于臭氧消毒/紫外线消毒/氯消毒的水处理方法 |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN109489183A (zh) * | 2018-11-30 | 2019-03-19 | 北京新风到家科技有限公司 | 智能新风系统信息提醒方法、系统及存储介质 |
CN109631167A (zh) * | 2018-11-30 | 2019-04-16 | 北京新风到家科技有限公司 | 一种新风空调一体系统及其控制方法 |
CN110057983A (zh) * | 2019-05-20 | 2019-07-26 | 华北电力大学 | 一种基于观测数据和化学机制的臭氧来源解析方法 |
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN110333556A (zh) * | 2019-06-03 | 2019-10-15 | 深圳中兴网信科技有限公司 | 空气质量预测方法、装置、计算机设备及可读存储介质 |
CN110261341A (zh) * | 2019-06-20 | 2019-09-20 | 中国矿业大学(北京) | 一种基于静止气象卫星数据的火山灰云检测方法及系统 |
CN110378520A (zh) * | 2019-06-26 | 2019-10-25 | 浙江传媒学院 | 一种pm2.5浓度预测和预警方法 |
CN110728063A (zh) * | 2019-10-17 | 2020-01-24 | 广东省环境监测中心 | 一种判断气象与源排放变化对空气质量影响的定量方法 |
CN110942049A (zh) * | 2019-12-17 | 2020-03-31 | 生态环境部卫星环境应用中心 | 一种基于卫星遥感的臭氧污染源识别方法和系统 |
CN111310299A (zh) * | 2019-12-24 | 2020-06-19 | 生态环境部南京环境科学研究所 | PPCPs类有机污染物废水中臭氧消解速率预测模型构建方法 |
CN111310386A (zh) * | 2020-02-13 | 2020-06-19 | 北京中科锐景科技有限公司 | 一种近地面臭氧浓度估算方法 |
CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
CN111798932A (zh) * | 2020-07-03 | 2020-10-20 | 中科三清科技有限公司 | 一种污染物监测数据的处理方法、装置、存储介质及终端 |
CN111710373A (zh) * | 2020-07-20 | 2020-09-25 | 中科三清科技有限公司 | 挥发性有机物观测数据的检测方法、装置、设备及介质 |
CN111830212A (zh) * | 2020-08-14 | 2020-10-27 | 广东海洋大学 | 一种分析重力波活动对上中间层臭氧分布影响的方法 |
CN112241853A (zh) * | 2020-12-16 | 2021-01-19 | 中电科新型智慧城市研究院有限公司 | 一种区域间空气质量影响的评估方法及评估装置 |
CN112712169A (zh) * | 2021-01-08 | 2021-04-27 | 中国科学院地理科学与资源研究所 | 基于图卷积的全残差深度网络的模型建立方法及应用 |
CN112733958A (zh) * | 2021-01-22 | 2021-04-30 | 北京农业信息技术研究中心 | 一种温室臭氧浓度控制方法及系统 |
CN113326981A (zh) * | 2021-05-26 | 2021-08-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113657023A (zh) * | 2021-07-19 | 2021-11-16 | 生态环境部卫星环境应用中心 | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 |
CN113989667A (zh) * | 2021-10-26 | 2022-01-28 | 中国科学技术大学先进技术研究院 | 基于卫星遥感技术的近地面甲醛浓度获取方法 |
CN114195249A (zh) * | 2021-11-25 | 2022-03-18 | 清华大学 | α-MnO2在臭氧催化氧化水中污染物的应用及方法 |
CN114169758A (zh) * | 2021-12-07 | 2022-03-11 | 深圳中兴网信科技有限公司 | 空气质量数据确定方法及装置、可读存储介质、电子设备 |
CN114897250A (zh) * | 2022-05-22 | 2022-08-12 | 浙江农林大学 | 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 |
CN115545316A (zh) * | 2022-10-12 | 2022-12-30 | 陕西理工大学 | 基于深度学习混合模型的大气臭氧预测方法 |
CN115774834A (zh) * | 2022-11-24 | 2023-03-10 | 碧空环境科技有限公司 | 一种基于多元线性回归模型的城市近地面臭氧浓度的预测方法 |
CN116665802A (zh) * | 2023-05-24 | 2023-08-29 | 海南省气象科学研究所 | 一种用于区域臭氧浓度的评估方法及系统 |
CN116595394A (zh) * | 2023-06-09 | 2023-08-15 | 阳光电源(上海)有限公司 | 风速修正模型的训练方法及风速预测方法、设备和介质 |
CN116908941A (zh) * | 2023-07-24 | 2023-10-20 | 碧空环境科技有限公司 | 一种基于多元线性回归模型的城市近地面臭氧浓度的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117236528A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN112285807A (zh) | 一种气象信息预测方法及装置 | |
CN110795780A (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN113344261A (zh) | 基于随机森林和isca优化relm的pm2.5浓度预测方法及系统 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115032720A (zh) | 基于随机森林的多模式集成预报在地面气温预报中的应用 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN114169502A (zh) | 一种基于神经网络的降水预测方法、装置和计算机设备 | |
Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
CN117236528B (zh) | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 |
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 |