CN117291319B - 一种基于机器学习的o3余量预测方法 - Google Patents
一种基于机器学习的o3余量预测方法 Download PDFInfo
- Publication number
- CN117291319B CN117291319B CN202311588810.9A CN202311588810A CN117291319B CN 117291319 B CN117291319 B CN 117291319B CN 202311588810 A CN202311588810 A CN 202311588810A CN 117291319 B CN117291319 B CN 117291319B
- Authority
- CN
- China
- Prior art keywords
- margin
- hour
- hours
- allowance
- prediction
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005096 rolling process Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 239000003344 environmental pollutant Substances 0.000 abstract description 3
- 231100000719 pollutant Toxicity 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种基于机器学习的O3余量预测方法,属于大气污染物臭氧预测技术领域。所述方法利用机器学习模型识别出O3浓度的传输和生成特征,极大程度优化了多模式机器学习预测技术,提高了O3逐小时预测准确度和预测性能;与实际观测数据结合,输出点位O3小时预测值、城市当日余量预测值并实现小时滚动更新预测结果,使其更接近实际情况;本发明极大程度地将机器学习预测算法和大气污染防控业务应用结合,科学指导环境管理者对O3污染应急进行精准防控和应对。
Description
技术领域
本发明涉及一种基于机器学习的O3余量预测方法,属于大气污染物臭氧预测技术领域。
背景技术
目前,在大气环境管理领域,研究天气形势及气象条件对污染物在大气中传输和转化的影响,开展空气污染潜势预报预警,对评估气象条件对空气污染的贡献以及辅助大气环境精细化管理和科学决策具有重要意义。
预测方法包括数值预报和统计预报,统计预报对于输入条件要求不高,且预报效果较好,近年来广泛应用。常见的统计预报方法包括多元线性回归、支持向量机、决策树、随机森林和人工神经网络等。同时,基于业务需求,环境管理者对具体城市具体站点的O3当日累计值和余量较为关心,根据中国环境监测总站发布的《环境空气质量标准GB3095-2012》计算规则,可对逐站点逐小时O3小时余量进行计算,O3余量值以空气质量二级标准作为目标值乘以8小时,再减去已发生的7个小时O3实测值得出,但是目前仅仅根据实测数据来计算逐站点逐小时O3未来1小时余量,无法满足精准预测O3余量变化。
目前在大气污染防控业务领域尤其是O3应急防控,缺少对O3余量精准预测技术或应用,在应急调度的情景下,急需尽早知道当天是否会超标,根据预测结果判断哪个小时余量不足,何时需要对应急措施进行强化。
发明内容
为了实现大气当日臭氧余量的预测,精准评估当日O3是否超标、并提供更准确的小时余量预测结果,本发明提供了一种基于机器学习的O3余量预测方法,所述技术方案如下:
步骤1:将站点气象实测数据、气象预测数据、空气质量实测数据和当前时刻的O3浓度值输入机器学习模型,得到未来每小时的O3浓度预测值;
步骤2:基于所述未来每小时的O3浓度预测值计算未来每小时的O3_8h预测值,筛选出O3_8h的最大值和最大值产生的时间区间;
步骤3:根据当前时刻判断是否进行余量计算,并利用余量计算公式,计算未来时刻的O3余量预测值;
步骤4:根据当前时刻的O3_8h实测值和所述O3余量预测值,判断当前时刻的余量是否充足。
可选的,所述步骤3计算O3余量预测值的过程包括:
若当前时刻在(1,10)之间,不计算余量,判断为“余量很足”;
若当前时刻在(x,y)之间,其中(x,y)为O3_8h的最大值产生区间,其中10<=x<17,17<=y<24,则余量计算公式为:[目标值*(y-x+1-缺失小时个数)-有效小时的数据加和]/(y-x+1)小时内剩余小时数;若出现数据缺失2小时以上,则不计算余量,对应给出文案提示;
若当前时刻落在(x,y)之外,则余量计算公式为:[目标值*(8-缺失小时个数)-有效小时的数据加和]/8小时内剩余小时数;若出现数据缺失2小时以上,则不计算余量,对应给出文案提示。
可选的,所述步骤4的判断过程包括:
10时以前判断O3余量,自动判断均为“余量很足”;
自上午10点开始计算未来小时余量,10点计算未来17时小时余量、11点计算未来18时小时余量、12点计算未来19时小时余量,依次类推;
若当前小时s落在(x,y)之间,则判断逻辑为:
s时,若城市/区县O3_8h<y时小时余量,则“余量较足”;
城市/区县O3_8h>= y时小时余量且y时小时余量>0,则“少许余量”;
若y时小时余量<=0,则“已无余量”;
数据小时滚动更新时,同时判断O3_8h的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”;
若当前小时s落(10,x),则判断逻辑为:
s时,若城市/区县O3_8h<(s+7)时小时余量,则“余量较足”;
城市/区县O3_8h>=(s+7)时小时余量且(s+7)时小时余量>0,则“少许余量”;
若(s+7)时小时余量<=0,则“已无余量”;
数据小时滚动更新时,需同时判断O3_8h的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”;
若当前小时s落在(y,24),则判断逻辑为:
s时,需判断城市/区县O3_8h实测值是否产生,若城市/区县O3_8h实测值已产生,则需判断今日O3_8h是否大于160.5ug/m3,若大于160.5ug/m3,则判断“已无余量”,若小于等于160.5ug/m3,则判断“余量充足”;
s时,若城市/区县O3_8h实测值未产生,则可继续沿用之前的判断:若城市/区县O3_8h预测值<(s-1)时小时余量,则“余量较足”;城市/区县O3_8h预测值>=(s-1)时小时余量且(s-1)时小时余量>0,则“少许余量”;若(s-1)时小时余量<=0,则“已无余量”;数据小时滚动更新时,同时判断O3_8h实测值的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
可选的,O3_8h的目标值为:160.5ug/m3。
可选的,所述站点气象实测数据包括:温度、湿度、风向、风速。
可选的,所述气象预测数据包括:风向、风速、温度、湿度。
可选的,所述站点空气质量实测数据包括:PM2.5、O3数据。
可选的,所述机器学习模型采用XGBoost、LSTM或CNN-LSTM。
本发明有益效果是:
(1)本发明利用机器学习模型识别出O3浓度的传输和生成特征,极大程度优化了多模式机器学习预测技术,提高了O3逐小时预测准确度和预测性能;
(2)与实际观测数据结合,输出点位O3小时预测值、城市当日余量预测值并实现小时滚动更新预测结果,使其更接近实际情况;
(3)极大程度地将机器学习预测算法和大气污染防控业务应用结合,科学指导环境管理者对O3污染应急进行精准防控和应对。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于XGBoost、LSTM和CNN-LSTM多模式集合的机器学习预测O3方法流程图。
图2是本发明计算O3实测数据时的取数逻辑图。
图3是本发明的余量预测界面图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于机器学习的O3余量预测方法,包括以下步骤:
步骤1:将站点气象实测数据、气象预测数据、空气质量实测数据和当前时刻的O3浓度值输入机器学习模型,得到未来每小时的O3浓度预测值;
步骤2:基于所述未来每小时的O3浓度预测值计算未来每小时的O3_8h预测值,筛选出O3_8h的最大值和最大值产生的时间区间;
步骤3:根据O3_8h的最大值区间判断是否进行余量计算,并利用余量计算公式,计算未来时刻的O3余量预测值;
步骤4:根据当前时刻的O3_8h实测值和所述O3余量预测值,判断当前时刻的余量是否充足。
实施例二:
本实施例提供一种基于机器学习的O3余量预测技术,包括:
步骤1:输入某城市/某区县相关考核站点历史和实时空气质量数据、历史气象数据和气象预测数据;
步骤2:新建训练集,对机器学习预测模型进行调优并本地化;输出O3未来小时预测值、O3_8h预测值和最大值区间;
步骤3:根据当前时刻判断是否进行余量计算,并利用余量计算公式,计算未来时刻的O3余量预测值:
若当前时刻在(1,10)之间,不计算余量;
若当前时刻在(x,y)之间,其中(x,y)为O3_8h的最大值区间,其中10<=x<17,17<=y<24,则余量预测值计算公式为:[目标值*(y-x+1-缺失小时个数)-有效小时的数据加和]/(y-x+1)小时内剩余小时数;若出现数据缺失2小时以上,则不计算余量;
若当前时刻落在(x,y)之外,则余量预测值计算公式为:[目标值*(8-缺失小时个数)-有效小时的数据加和]/8小时内剩余小时数;若出现数据缺失2小时以上,则不计算余量。
步骤4:根据当前时刻的O3_8h实测值和O3余量预测值,判断当前时刻的余量是否充足,判断过程包括:
10时以前判断O3余量,自动判断均为“余量很足”;
自上午10点开始计算未来小时余量,10点计算未来17时小时余量、11点计算未来18时小时余量、12点计算未来19时小时余量,依次类推;
若当前小时s落在(x,y)之间,则判断逻辑为:
s时,若城市/区县O3_8h<y时小时余量,则“余量较足”;
城市/区县O3_8h>= y时小时余量且y时小时余量>0,则“少许余量”;
若y时小时余量<=0,则“已无余量”;
数据小时滚动更新时,同时判断O3_8h的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
若当前小时s落(10,x),则判断逻辑为:
s时,若城市/区县O3_8h<(s+7)时小时余量,则“余量较足”;
城市/区县O3_8h>=(s+7)时小时余量且(s+7)时小时余量>0,则“少许余量”;
若(s+7)时小时余量<=0,则“已无余量”;
数据小时滚动更新时,需同时判断O3_8h的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
若当前小时s落在(y,24),则判断逻辑为:
s时,需判断城市/区县O3_8h实测值是否产生,若城市/区县O3_8h实测值已产生,则需判断今日O3_8h是否大于160.5ug/m3,若大于160.5ug/m3,则判断“已无余量”,若小于等于160.5ug/m3,则判断“余量充足”;
s时,若城市/区县O3_8h实测值未产生,则可继续沿用之前的判断:若城市/区县O3_8h预测值<(s-1)时小时余量,则“余量较足”;城市/区县O3_8h预测值>=(s-1)时小时余量且(s-1)时小时余量>0,则“少许余量”;若(s-1)时小时余量<=0,则“已无余量”;数据小时滚动更新时,需同时判断O3_8h实测值的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
比如18时,O3_8h实测值未产生,则判断如下:若当前时刻的O3_8h预测值小于17时的小时余量,则表示“余量较足”;若当前时刻的O3_8h预测值大于17时的小时余量且17时的小时余量大于0,则表示“少许余量”;若17时的小时余量小于0,则表示“已无余量”;
下面举几个例子具体说明。
首先,10时以前判断O3余量,自动判断均为“余量很足”;自上午10点开始,计算未来17时小时余量、未来18时小时余量、未来19时小时余量,依次类推;
1、若机器学习预测判断O3_8h最大值发生的区间为10-17时,则判断逻辑如下:
10时,若城市/区县O3_8h<17时小时余量,则“余量较足”;
城市/区县O3_8h>=17时小时余量且17时小时余量>0,则“少许余量”;
若17时小时余量<=0,则“已无余量”;
2、若机器学习预测判断O3_8h最大值发生的区间为11-18时,则判断逻辑如下:
11时,若城市/区县O3_8h<18时小时余量,则“余量较足”;
城市/区县O3_8h>=18时小时余量且18时小时余量>0,则“少许余量”;
若18时小时余量<=0,则“已无余量”;
3、若机器学习预测判断O3_8h最大值发生的区间为12-19时,则判断逻辑如下:
12时,若城市/区县O3_8h<19时小时余量,则“余量较足”;
城市/区县O3_8h>=19时小时余量且19时小时余量>0,则“少许余量”;
若19时小时余量<=0,则“已无余量”;
4、若机器学习预测判断O3_8h最大值发生的区间为13-20时,则判断逻辑如下:
15时,若城市/区县O3_8h<20时小时余量,则“余量较足”;城市/区县O3_8h>=20时小时余量且20时小时余量>0,则“少许余量”;若20时小时余量<=0,则“已无余量”;
5、若机器学习预测判断O3_8h最大值发生的区间为14-21时,则判断逻辑如下:
14时,若城市/区县O3_8h<21时小时余量,则“余量较足”;城市/区县O3_8h>=21时小时余量且21时小时余量>0,则“少许余量”;若21时小时余量<=0,则“已无余量”;
6、若机器学习预测判断O3_8h最大值发生的区间为15-22时,则判断逻辑如下:
比如11时,是落在最大值区间之外的,若11时城市/区县O3_8h<18时小时余量,则“余量较足”;若11时城市/区县O3_8h>=18时小时余量且18时小时余量>0,则“少许余量”;若18时小时余量<=0,则“已无余量”;数据小时滚动更新时,需同时判断O3_8h的最大值>160.5ug/m3的时刻,若O3_8h最大值>160.5ug/m3,则显示“已无余量”;
比如16时,是落在最大值区间之内的,若16时城市/区县O3_8h<22时小时余量,则“余量很足”;若城市/区县O3_8h>=22时小时余量,则“少许余量”;若22时小时余量<=0,则“已无余量”;
比如23时,是落在最大值区间之外的,需判断城市/区县O3_8h实测值是否产生,若城市/区县O3_8h实测值已产生,则需判断今日O3_8h是否大于160.5ug/m3,若大于160.5ug/m3,则判断“已无余量”,若小于等于160.5ug/m3,则判断“余量充足”;
23时,若城市/区县O3_8h实测值未产生,则可继续沿用之前的判断:若23时城市/区县O3_8h预测值<22时小时余量,则“余量较足”;城市/区县O3_8h预测值>=22时小时余量且22时小时余量>0,则“少许余量”;若22时小时余量<=0,则“已无余量”。
此外,数据小时滚动更新时,需同时判断O3_8h实测值的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
24时,若城市/区县O3_8h实测值已产生,则根据O3_8h是否大于160.5ug/m3来判断今日是否有余量;实测值未产生,同样可继续沿用之前的判断。
7、若机器学习预测判断O3_8h最大值发生的区间为10-20时,则判断逻辑如下:
比如9时,是落在最大值区间之外的,若9时城市/区县O3_8h<18时小时余量,则“余量较足”;若9时城市/区县O3_8h>=16时小时余量且16时小时余量>0,则“少许余量”;若16时小时余量<=0,则“已无余量”;数据小时滚动更新时,需同时判断O3_8h的最大值>160.5ug/m3的时刻,若O3_8h最大值>160.5ug/m3,则显示“已无余量”;
比如16时,是落在最大值区间之内的,若16时城市/区县O3_8h<20时小时余量,则“余量很足”;若城市/区县O3_8h>=20时小时余量,则“少许余量”;若20时小时余量<=0,则“已无余量”;
比如22时,是落在最大值区间之外的,需判断城市/区县O3_8h实测值是否产生,若城市/区县O3_8h实测值已产生,则需判断今日O3_8h是否大于160.5ug/m3,若大于160.5ug/m3,则判断“已无余量”,若小于等于160.5ug/m3,则判断“余量充足”;
22时,若城市/区县O3_8h实测值未产生,则可继续沿用之前的判断:若22时城市/区县O3_8h预测值<21时小时余量,则“余量较足”;城市/区县O3_8h预测值>=21时小时余量且21时小时余量>0,则“少许余量”;若21时小时余量<=0,则“已无余量”。
此外,数据小时滚动更新时,需同时判断O3_8h实测值的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
24时,若城市/区县O3_8h实测值已产生,则根据O3_8h是否大于160.5ug/m3来判断今日是否有余量,同样的,若O3_8h实测值未产生,则沿用之前的判断。
本实施例利用机器学习模型识别出O3浓度的传输和生成特征,极大程度优化了多模式机器学习预测技术,提高了O3逐小时预测准确度和预测性能;与实际观测数据结合,输出点位O3小时预测值、城市当日余量预测值并实现小时滚动更新预测结果,使其更接近实际情况;本实施例极大程度地将机器学习预测算法和大气污染防控业务应用结合,科学指导环境管理者对O3污染应急进行精准防控和应对。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器学习的O3余量预测方法,其特征在于,所述方法包括:
步骤1:将站点气象实测数据、气象预测数据、空气质量实测数据和当前时刻的O3浓度值输入机器学习模型,得到未来每小时的O3浓度预测值;
步骤2:基于所述未来每小时的O3浓度预测值计算未来每小时的O3_8h预测值,筛选出O3_8h的最大值和最大值产生的时间区间;
步骤3:根据当前时刻判断是否进行余量计算,并利用余量计算公式,计算未来时刻的O3余量预测值,包括:
所述O3余量预测值的计算过程包括:
若当前时刻在(1,10)之间,不计算余量;
若当前时刻在(x,y)之间,其中(x,y)为O3_8h的最大值产生区间,其中10<=x<17,17<=y<24,则余量计算公式为:[目标值*(y-x+1-缺失小时个数)-有效小时的数据加和]/(y-x+1)小时内剩余小时数;若出现数据缺失2小时以上,则不计算余量;所述目标值为预设的O3_8h目标值;
若当前时刻落在(x,y)之外,则余量计算公式为:[目标值*(8-缺失小时个数)-有效小时的数据加和]/8小时内剩余小时数;若出现数据缺失2小时以上,则不计算余量;
步骤4:根据当前时刻的O3_8h实测值和所述O3余量预测值,判断当前时刻的余量是否充足;
所述步骤4的判断过程包括:
10时以前判断O3余量,自动判断均为“余量很足”;
自上午10点开始计算未来小时余量,10点计算未来17时小时余量、11点计算未来18时小时余量、12点计算未来19时小时余量,依次类推;
若当前小时s落在(x,y)之间,则判断逻辑为:
s时,若城市/区县O3_8h < y时小时余量,则“余量较足”;
城市/区县O3_8h >= y时小时余量且y时小时余量>0,则“少许余量”;
若y时小时余量<=0,则“已无余量”;
数据小时滚动更新时,同时判断O3_8h的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”;
若当前小时s落在(10,x),则判断逻辑为:
s时,若城市/区县O3_8h<(s+7)时小时余量,则“余量较足”;
城市/区县O3_8h>=(s+7)时小时余量且(s+7)时小时余量>0,则“少许余量”;
若(s+7)时小时余量<=0,则“已无余量”;
数据小时滚动更新时,同时判断O3_8h的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”;
若当前小时s落在(y,24),则判断逻辑为:
s时,需判断城市/区县O3_8h是否产生,若城市/区县O3_8h已产生,则判断今日O3_8h是否大于160.5ug/m3,若大于160.5ug/m3,则判断“已无余量”,若小于等于160.5ug/m3,则判断“余量充足”;
s时,若城市/区县O3_8h实测值未产生,则继续沿用之前的判断:若城市/区县O3_8h预测值<(s-1)时小时余量,则“余量较足”;城市/区县O3_8h预测值>=(s-1)时小时余量且(s-1)时小时余量>0,则“少许余量”;若(s-1)时小时余量<=0,则“已无余量”;
数据小时滚动更新时,同时判断O3_8h实测值的最大值>160.5ug/m3的时刻,若最大值>160.5ug/m3,则显示“已无余量”。
2.根据权利要求1所述的基于机器学习的O3余量预测方法,其特征在于,O3_8h的目标值为:160.5ug/m3。
3.根据权利要求1所述的基于机器学习的O3余量预测方法,其特征在于,所述站点气象实测数据包括:温度、湿度、风向、风速。
4.根据权利要求1所述的基于机器学习的O3余量预测方法,其特征在于,所述气象预测数据包括:风向、风速、温度、湿度。
5.根据权利要求1所述的基于机器学习的O3余量预测方法,其特征在于,所述站点空气质量实测数据包括:PM2.5、O3数据。
6.根据权利要求1所述的基于机器学习的O3余量预测方法,其特征在于,所述机器学习模型采用XGBoost、LSTM或CNN-LSTM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588810.9A CN117291319B (zh) | 2023-11-27 | 2023-11-27 | 一种基于机器学习的o3余量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311588810.9A CN117291319B (zh) | 2023-11-27 | 2023-11-27 | 一种基于机器学习的o3余量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291319A CN117291319A (zh) | 2023-12-26 |
CN117291319B true CN117291319B (zh) | 2024-02-20 |
Family
ID=89244843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311588810.9A Active CN117291319B (zh) | 2023-11-27 | 2023-11-27 | 一种基于机器学习的o3余量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291319B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965145A (zh) * | 2020-12-16 | 2021-06-15 | 陕西省环境监测中心站 | 一种环境空气臭氧预报方法 |
CN113901714A (zh) * | 2021-10-09 | 2022-01-07 | 中国人民解放军国防科技大学 | 基于人工智能的臭氧层预报算法 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN114518611A (zh) * | 2021-12-24 | 2022-05-20 | 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) | 一种基于相似案例判别分析的臭氧预报方法 |
CN115032719A (zh) * | 2022-06-09 | 2022-09-09 | 无锡九方科技有限公司 | 一种基于机器学习LightGBM算法的空气质量预测方法 |
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 |
CN116151469A (zh) * | 2023-03-09 | 2023-05-23 | 北京名赫环保能源科技有限公司 | 一种预报空气质量的模型 |
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 |
-
2023
- 2023-11-27 CN CN202311588810.9A patent/CN117291319B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965145A (zh) * | 2020-12-16 | 2021-06-15 | 陕西省环境监测中心站 | 一种环境空气臭氧预报方法 |
CN113901714A (zh) * | 2021-10-09 | 2022-01-07 | 中国人民解放军国防科技大学 | 基于人工智能的臭氧层预报算法 |
CN114298389A (zh) * | 2021-12-22 | 2022-04-08 | 中科三清科技有限公司 | 一种臭氧浓度预报方法及装置 |
CN114518611A (zh) * | 2021-12-24 | 2022-05-20 | 山东省青岛生态环境监测中心(中国环境监测总站黄海近岸海域环境监测分站) | 一种基于相似案例判别分析的臭氧预报方法 |
CN115032719A (zh) * | 2022-06-09 | 2022-09-09 | 无锡九方科技有限公司 | 一种基于机器学习LightGBM算法的空气质量预测方法 |
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 |
CN116151469A (zh) * | 2023-03-09 | 2023-05-23 | 北京名赫环保能源科技有限公司 | 一种预报空气质量的模型 |
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 |
---|---|
CN117291319A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN105069537B (zh) | 一种组合式空气质量预报模型的构建方法 | |
CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
CN114819696B (zh) | 确定污染物浓度影响因素的方法、装置及电子设备 | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
CN107895068A (zh) | 基于变权重和组合隶属度函数的gis气体绝缘状态评估方法 | |
CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
Halama et al. | Prediction of atmospheric corrosion of carbon steel using artificial neural network model in local geographical regions | |
CN117291319B (zh) | 一种基于机器学习的o3余量预测方法 | |
CN117294019B (zh) | 一种基于物联网的绿色建筑能耗监测方法及系统 | |
CN104574211A (zh) | 基于风险源的电网调度操作风险预警方法和系统 | |
CN112434887A (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
CN109086940B (zh) | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 | |
CN109027700B (zh) | 一种漏点探漏效果的评估方法 | |
CN110222384A (zh) | 一种桥梁裂缝分析方法、装置及存储介质 | |
CN110110944A (zh) | 一种基于修正的小波神经网络预测风电消纳需求量算法 | |
CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
CN109740191A (zh) | 风传感器剩余使用寿命的预测方法、装置及设备 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
CN112798318B (zh) | 一种湿冷机组冷端性能监测及智能诊断系统 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 |
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 |