CN117726046B - 点源排放预测方法、装置、存储介质及电子设备 - Google Patents
点源排放预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117726046B CN117726046B CN202410172098.2A CN202410172098A CN117726046B CN 117726046 B CN117726046 B CN 117726046B CN 202410172098 A CN202410172098 A CN 202410172098A CN 117726046 B CN117726046 B CN 117726046B
- Authority
- CN
- China
- Prior art keywords
- target
- emission
- data
- observation
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 109
- 231100000719 pollutant Toxicity 0.000 claims abstract description 109
- 239000000356 contaminant Substances 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 260
- 238000012545 processing Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000009792 diffusion process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013179 statistical model Methods 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种点源排放预测方法、装置、存储介质及电子设备,其中,该方法包括:获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系;基于污染物浓度预测数据集,确定预测迭代数据集;基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率;基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。本发明实施例便捷地进行点源排放预测,并提高点源排放预测效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种点源排放预测方法、装置、存储介质及电子设备。
背景技术
目前,点源排放预测已被广泛关注,所谓的点源排放预测可以指的是反演点源(即排放点)在单位时长内的污染排放量(即排放速率),如一个小时内的排放量等。但相关技术通常通过拉格朗日随机模型(Lagrangian Stochastic Model,LSM)进行粒子扩散模拟,以计算模拟浓度,导致计算量较大、耗时较长,难以满足实时反演需求。基于此,如何便捷地进行点源排放预测,以提高点源排放预测效率目前尚未具有较好的解决方案。
发明内容
有鉴于此,本发明实施例提供了一种点源排放预测方法、装置、存储介质及电子设备,以解决相关技术计算量较大、耗时较长,难以满足实时反演需求等问题;也就是说,本发明实施例可便捷地进行点源排放预测,并提高点源排放预测效率。
根据本发明的一方面,提供了一种点源排放预测方法,所述方法包括:
获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,所述目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且所述污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,M为正整数;
基于所述污染物浓度预测数据集,确定预测迭代数据集,所述预测迭代数据集包括:所述各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数;
基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率;
基于所述各个排放速率的目标预测概率,确定目标排放速率,并将所述目标排放速率作为所述目标污染物在所述目标点源及所述目标时间范围下的排放速率。
根据本发明的另一方面,提供了一种点源排放预测装置,所述装置包括:
获取单元,用于获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,所述目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且所述污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,M为正整数;
处理单元,用于基于所述污染物浓度预测数据集,确定预测迭代数据集,所述预测迭代数据集包括:所述各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数;
所述处理单元,还用于基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率;
所述处理单元,还用于基于所述各个排放速率的目标预测概率,确定目标排放速率,并将所述目标排放速率作为所述目标污染物在所述目标点源及所述目标时间范围下的排放速率。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括处理器、以及存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述所提及的方法。
根据本发明的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行上述所提及的方法。
本发明实施例可在获取到目标排放污染关系模型,以及获取到污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合后,基于污染物浓度预测数据集,确定预测迭代数据集,目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,预测迭代数据集包括:各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据。然后,可基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率;进一步的,可基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。可见,本发明实施例可通过目标排放污染关系模型,便捷地进行点源排放预测,从而有效提高点源排放预测效率。
附图说明
在下面结合附图对于示例性实施例的描述中,本发明的更多细节、特征和优点被公开,在附图中:
图1示出了根据本发明示例性实施例的一种点源排放预测方法的流程示意图;
图2示出了根据本发明示例性实施例的一种点位的示意图;
图3示出了根据本发明示例性实施例的另一种点源排放预测方法的流程示意图;
图4示出了根据本发明示例性实施例的一种坐标的示意图;
图5示出了根据本发明示例性实施例的一种排放速率的示意图;
图6示出了根据本发明示例性实施例的一种点源排放预测装置的示意性框图;
图7示出了能够用于实现本发明的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
需要说明的是,本发明实施例提供的点源排放预测方法的执行主体可以是一个或多个电子设备,本发明对此不作限定;其中,电子设备可以是终端(即客户端)或者服务器,那么在执行主体包括多个电子设备,且多个电子设备中包括至少一个终端和至少一个服务器时,本发明实施例提供的点源排放预测方法可由终端和服务器共同执行。相应的,此处所提及的终端可以包括但不限于:智能手机、平板电脑、笔记本电脑、台式计算机、智能手表、智能语音交互设备、智能家电、车载终端、飞行器,等等。此处所提及的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算(cloud computing)、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、CDN(Content Delivery Network,内容分发网络)、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,等等。
基于上述描述,本发明实施例提出一种点源排放预测方法,该点源排放预测方法可以由上述所提及的电子设备(终端或服务器)执行;或者,该点源排放预测方法可由终端和服务器共同执行。为了便于阐述,后续均以电子设备执行该点源排放预测方法为例进行说明;如图1所示,该点源排放预测方法可包括以下步骤S101-S104:
S101,获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,M为正整数。
其中,目标时间范围可以是任一时间范围;可选的,目标时间范围对应时长可以为一个小时,也可以为两个小时等,本发明实施例对此不作限定。可选的,一个观测时段对应时长可以为一分钟,也可以为两分钟等,本发明实施例对此不作限定。示例性的,假设目标时间范围对应时长为一个小时,且一个观测时段对应时长为一分钟,那么目标时间范围可以包括60个观测时段。
在本发明实施例中,目标污染物可以包括以下任一种:VOCs(volatile organiccompounds,挥发性有机物)总量、NO2(二氧化氮)、SO2(二氧化硫)、PM2.5(细颗粒物)等,本发明实施例对此不作限定。
可选的,一个排放污染关系模型可与一个污染物相对应,即一个排放污染关系模型可用于对相应的一个污染物进行浓度预测,在此种情况下,排放污染关系模型的数量可以为多个,以用于对不同污染物进行浓度预测;或者,一个排放污染关系模型可与多个污染物相对应,即一个排放污染关系模型可用于对相应的多个污染物进行浓度预测,在此种情况下,排放污染关系模型的数量可以是一个或多个,本发明实施例对此不作限定。基于此,目标排放污染关系模型可与目标污染物相对应,即目标排放污染关系模型可用于对目标污染物进行浓度预测。
示例性的,可对不同污染物对应的初始排放污染关系模型进行单独训练,以得到不同污染物对应的排放污染关系模型,即可得到不同的排放污染关系模型;这是因为颗粒物和气体污染物的扩散特征不同,采用单独训练所得的排放污染关系模型,可提高对相应污染物的浓度预测的精确性。或者,不同气体污染物可对应同一排放污染关系模型,等等。
可选的,一个气象观测数据可以包括但不限于:风速、风向、温度以及湿度,等等;本发明实施例对此不作限定。换句话说,一个气象观测数据可包括至少一个气象要素中各个气象要素的气象要素结果,至少一个气象要素可包括但不限于:风速、风向、温度以及湿度,等等;本发明实施例对此不作限定。
可选的,目标点源可以为任一排放点(也可称为排放点位);其中,目标点源周边可存在M个观测点(也可称为观测点位),以获取上述污染物浓度预测数据集。示例性的,如图2所示,目标点源可为点A,M个观测点可包括观测点1(即点1)、观测点2(即点2)以及观测点3(即点3);基于此,污染物浓度预测数据集可包括:观测点1在目标时间范围中的各个观测时段内的气象观测数据、观测点2在目标时间范围中的各个观测时段内的气象观测数据,以及观测点3在目标时间范围中的各个观测时段内的气象观测数据,等等。
在本发明实施例中,排放速率集合可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定;其中,排放速率集合可包括多个排放速率,以便于后续从排放速率集合中确定出目标排放速率。示例性的,排放速率集合可以为(1,2,…,100),此时排放速率集合可以包括100个排放速率,即可以包括1-100中的各个整数,等等。
S102,基于污染物浓度预测数据集,确定预测迭代数据集,预测迭代数据集包括:各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数。
其中,一个迭代时段对应的时长可为10分钟,也可为20分钟等,本发明实施例对此不作限定;相应的,一个迭代时段可包括多个观测时段。示例性的,假设目标时间范围对应时长为1小时,一个观测时段对应时长为1分钟,且一个迭代时段对应时长为10分钟,那么目标时间范围可被划分为6个迭代时段,即目标时间范围可包括6个迭代时段,且每个迭代时段可包括10个观测时段;那么相应的,预测迭代数据集可包括:各个观测点在6个迭代时段中各个迭代时段内的预测迭代数据;进一步的,假设M的取值为3,那么预测迭代数据集中预测迭代数据的数量可以为18。
具体的,在基于污染物浓度预测数据集,确定预测迭代数据集时,针对M个观测点中的任一观测点,电子设备可确定目标时间范围中的H个迭代时段,并遍历H个迭代时段中的各个迭代时段,以及将当前遍历的迭代时段作为当前迭代时段;基于此,可从污染物浓度预测数据集中,确定出任一观测点在当前迭代时段内的预测迭代数据(包括任一观测点在当前迭代时段中各个观测时段内的气象观测数据),并将任一观测点在当前迭代时段内的预测迭代数据添加至预测迭代数据集中,以使预测迭代数据集中的一个预测迭代数据包括任一观测点在当前迭代时段中各个观测时段内的气象观测数据,即使得预测迭代数据集可包括任一观测点在当前迭代时段内的预测迭代数据。在遍历完H个迭代时段中的各个迭代时段后,可得到预测迭代数据集,以使预测迭代数据集包括任一观测点在各个迭代时段内的预测迭代数据。
S103,基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率。
在本发明实施例中,可按照预测迭代数据集,对不同观测点和不同迭代时段进行循环迭代,在完成迭代后,可确定各个排放速率的目标预测概率。
示例性的,假设预测迭代数据集中预测迭代数据的数量为3,则可依次按照3个预测迭代数据,分别对各个排放速率进行概率计算,从而得到各个排放速率的目标预测概率;具体的,假设预测迭代数据集依次包括预测迭代数据1、预测迭代数据2以及预测迭代数据3,那么针对排放速率集合中的任一排放速率,可采用预测迭代数据1计算任一排放速率在第一次迭代中的预测概率,采用预测迭代数据2计算任一排放概率在第二次迭代中的预测概率,以及采用预测迭代数据3计算任一排放速率在第三次迭代中的预测概率,进而得到任一排放速率的目标预测概率。
S104,基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。
在一种实施方式中,电子设备可基于各个排放速率的目标预测概率,从排放速率集合中确定出目标预测概率最大的排放速率,并将确定出的排放速率作为目标排放速率。
另一种实施方式中,电子设备可基于各个排放速率的目标预测概率和各个排放速率,计算排放期望,并将排放期望作为目标排放速率。具体的,可对各个排放速率的目标预测概率进行归一化处理,得到各个排放速率的归一化预测概率;基于此,可采用各个排放速率的归一化预测概率和各个排放速率,计算排放期望。
本发明实施例可在获取到目标排放污染关系模型,以及获取到污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合后,基于污染物浓度预测数据集,确定预测迭代数据集,目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,预测迭代数据集包括:各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据。然后,可基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率;进一步的,可基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。可见,本发明实施例可通过目标排放污染关系模型,便捷地进行点源排放预测,从而有效提高点源排放预测效率。
基于上述描述,本发明实施例还提出一种更为具体的点源排放预测方法。相应的,该点源排放预测方法可以由上述所提及的电子设备(终端或服务器)执行;或者,该点源排放预测方法可由终端和服务器共同执行。为了便于阐述,后续均以电子设备执行该点源排放预测方法为例进行说明;请参见图3,该点源排放预测方法可包括以下步骤S301-S308:
S301,获取初始训练数据集,一个初始训练数据包括一个观测点在一个时间范围内的训练观测数据和一个点源的训练排放数据,一个训练观测数据包括相应观测点在相应时间范围内的训练气象观测数据和指定污染物的训练浓度观测数据,一个训练排放数据包括指定污染物在相应点源及相应时间范围下的排放速率。
可选的,一个初始训练数据可包括一个观测点在十分钟内的训练观测数据和一个点源的训练排放数据,也可包括一个观测点在十五分钟内的训练观测数据和一个点源的训练排放数据等,本发明实施例对此不作限定。可选的,一个排放速率可以为预设排放时长下的排放速率(即排放量),那么指定污染物在相应点源及相应时间范围下的排放速率可以为:指定污染物在相应点源及相应时间范围所在排放评估时间范围下的排放速率,且排放评估时间范围对应时长为预设排放时长;可选的,预设排放时长可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定。可选的,一个排放数据可以是在线监测的排放速率(即在线监测结果),可至少达到小时分辨率。
示例性的,假设一个初始训练数据包括观测点1在2023年5月22日10点10分-2023年5月22日10点20分内的训练观测数据,预设排放时长为1小时,那么该初始训练数据对应的时间范围所在排放评估时间范围可以为2023年5月22日10点-2023年5月22日11点,且该初始训练数据可包括指定污染物在相应点源及相应时间范围所在排放评估时间范围(即2023年5月22日10点-2023年5月22日11点)下的排放速率。
可选的,指定污染物可包括以下至少一种:VOCs总量、NO2、SO2、PM2.5等,本发明实施例对此不作限定。可选的,目标污染物与指定污染物可以相同,也可以不同,本发明实施例对此不作限定;其中,当目标污染物与指定污染物不同时,同一排放污染关系模型可对应不同的污染物,即一个排放污染关系模型可用于对多个污染物进行浓度预测。
在本发明实施例中,上述初始训练数据集的获取方式可以包括但不限于以下几种:
第一种获取方式:电子设备自身存储空间中存储有历史收集观测数据(一个观测数据包括气象观测数据和一个指定污染物的浓度观测数据)集,一个历史收集观测数据包括一个观测点在一个观测时段内的观测数据,以及存储有指定污染物在多个历史排放评估时间范围中各个历史排放评估时间范围内的排放速率,从而可基于历史收集观测数据集和指定污染物在各个历史排放评估时间范围内的排放速率,获取初始训练数据集。具体的,可依次从历史收集观测数据集中选取出一个观测点在10个连续的观测时段内的观测数据(选取出的观测数据对应的指定污染物相同),以及从多个历史排放评估时间范围中选取出10个连续的观测时段所对应的历史排放评估时间范围,从而采用选取出的观测数据和选取出的历史排放评估时间范围内的相应指定污染物的排放速率构建一个初始训练数据,以使构建的初始训练数据包括选取出的观测数据和选取出的历史排放评估时间范围内的相应指定污染物的排放速率,以实现获取初始训练数据集。
可选的,电子设备还可对历史收集观测数据集进行质控,如从历史收集观测数据集中剔除异常历史收集观测数据,从而形式高质量的历史收集观测数据集。示例性的,当一个观测数据内的任一气象要素的气象要素结果与相邻两个观测数据内的任一气象要素的气象要素结果之间的差值均大于预设异常差异阈值时,可确定该观测数据异常,并从历史收集观测数据集中,剔除该观测数据所在的历史收集观测数据,等等。可选的,预设异常差异阈值可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定。
第二种获取方式,电子设备的自身存储空间中存储有多个初始训练数据,在此种情况下,电子设备可从多个初始训练数据中选取出至少一个初始训练数据,并将选取出的初始训练数据添加至初始训练数据集中,以实现获取初始训练数据集。
第三种获取方式:电子设备可获取训练数据下载链接,训练数据下载链接可用于下载初始训练数据集,则可将基于训练数据下载链接下载的数据,作为初始训练数据集,等等。
应当理解的是,在一个初始训练数据中,训练浓度观测数据对应的指定污染物与训练排放数据对应的指定污染物相同。可选的,指定污染物的数量可以为一个或多个,本发明实施例对此不作限定;当指定污染物的数量为多个时,可采用不同指定污染物的浓度观测数据进行模型训练。为了便于阐述,后续均以一个指定污染物为例进行说明。
S302,分别基于初始训练数据集中的各个初始训练数据,构建各个初始训练数据对应的初始训练数据对,以得到初始训练数据对集合,一个训练数据对包括一个训练输入特征数据和相应的观测点浓度。
在本发明实施例中,电子设备可遍历初始训练数据集中的各个初始训练数据,并将当前遍历的初始训练数据作为当前初始训练数据,将当前初始训练数据对应的观测点作为当前观测点,将当前初始训练数据对应的时间范围作为当前时间范围,以及将当前初始训练数据对应的点源作为当前点源,那么当前初始训练数据可包括当前观测点在当前时间范围内的训练观测数据和当前点源的训练排放数据,且当前观测点在当前时间范围内的训练观测数据可包括当前观测点在当前时间范围中各个观测时段内的训练观测数据。
基于此,可基于当前观测点在当前时间范围中各个观测时段内的训练气象观测数据和当前点源的训练排放数据,确定当前初始训练数据对应的当前初始训练数据对中的训练输入特征数据;具体的,可对当前观测点在当前时间范围中各个观测时段内的训练气象观测数据进行融合处理,得到当前观测点在当前时间范围内的融合训练气象观测数据,从而将当前观测点在当前时间范围内的融合训练气象观测数据和当前点源的训练排放数据(即指定污染物在当前点源及当前时间范围下的排放速率),添加至当前初始训练数据对中的训练输入特征数据中。
可选的,一个气象要素的融合方式可包括以下至少一种;均值融合方式、标准差融合方式以及统计融合方式。那么在对当前观测点在当前时间范围中各个观测时段内的训练气象观测数据进行融合处理,得到当前观测点在当前时间范围内的融合训练气象观测数据时,针对至少一个气象要素中的任一气象要素,若任一气象要素的融合方式包括均值融合方式,则可从当前观测点在当前时间范围中各个观测时段内的任一气象要素的气象要素结果中,选取出T个气象要素结果,并对T个气象要素结果进行均值运算,得到任一气象要素的均值运算结果(如平均风速),从而将任一气象要素的均值运算结果添加至当前观测点在当前时间范围内的融合训练气象观测数据中,T为正整数。和/或,若任一气象要素的融合方式包括标准差融合方式,则可基于T个气象要素结果和任一气象要素的均值运算结果,计算任一气象要素的标准差,并将任一气象要素的标准差添加至融合训练气象观测数据中。和/或,若任一气象要素的融合方式包括统计融合方式,则可对当前观测点在当前时间范围中各个观测时段内的任一气象要素的气象要素结果进行统计分析,得到多个统计范围(如风向统计范围)中各个统计范围的统计数量,并从统计数量最大的统计范围中确定出主导气象要素结果(如主导风向),从而将主导气象要素添加至融合训练气象观测数据中。
可选的,当任一气象要素的融合方式包括统计融合方式时,电子设备还可判断统计数量最大值是否大于预设数量阈值,若统计数量最大值大于预设数量阈值,可确定当前初始训练数据为有效数据,从而触发执行上述将主导气象要素添加至融合训练气象观测数据中;若统计数量最大值小于或等于预设数量阈值,可确定当前初始训练数据为无效数据,可删除当前初始训练数据,并停止构建当前初始训练数据对,也就是说,初始训练数据对集合可不包括当前初始训练数据对。可选的,预设数量阈值可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定。
示例性的,以任一气象要素为风向,且确定主导风向为例进行说明,假设当前时间范围为1点10分-1点20分,一个观测时段对应时长为1分钟,那么当前观测点在当前时间范围中有10个风向数据;又假设一个统计范围包括一个风向数据下±5度的范围,则多个统计范围中统计范围的数量可以为360,即可采用每个度数构建一个±5度的范围,并假设10个风向数据落在291±5度中的个数最大(即统计数量最大),且预设数量阈值为总数的一半(即5),那么当10个风向数据落在291±5度中个数大于5时,可将291度作为主导风向,等等。应当理解的是,主导风向决定了扩散的大致方向和上下游关系,风速决定了平流输送的快慢,风速的标准差在一定程度上能反演大气的不稳定度,从而可反应湍流扩散的强度,并可有效简化了不稳定度的计算。
可选的,T个气象要素结果可包括当前观测点在当前时间范围中各个观测时段内的任一气象要素的气象要素结果;或者,当任一气象要素为风速时,T个气象要素结果可包括当前观测点在当前时间范围中各个观测时段内的风向落在统计数量最大的统计范围对应的风速,如风向落在291±5度对应的风速,从而可求风向落在291±5度对应的风速的平均值和标准差,以得到任一气象要素的均值运算结果和标准差。
可选的,一个初始训练数据对中的训练输入特征数据还可包括相应点源的排放高度、相应点源对应的粗超度(也可称为平滑程度,可在宏观层面上影响扩散特征,描述了点源的静态信息)、相应观测点的位置信息(即相应观测点相对于相应点源的位置信息)、相应观测点的观测点高度,等等;本发明实施例对此不作限定。基于此,当前初始训练数据对中的训练输入特征数据还可包括当前点源的排放高度、当前点源对应粗超度、当前观测点的位置信息、当前观测点的观测点高度等。其中,粗超度可以用于指示下底面的光滑程度;可选的,城市的粗超度高于海面的粗糙度;可选的,一个点源对应的粗糙度可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定。其中,一个观测点的位置信息包括相应观测点相对于相应点源的横坐标值和纵坐标值;可选的,一个训练数据对中的平均风速也可称为相应观测点的风速值。
在本发明实施例中,在得到主导风向后,可将主导风向作为x方向的正方向,从而确定以当前点源为坐标原点,主导风向为x的正方向的笛卡尔坐标,从而确定当前观测点相对于当前点源的位置信息(即横坐标值和纵坐标值)。
示例性的,如图4所示,以点A为当前点源,点B为当前观测点为例进行说明,假设箭头方向为主导风向,那么可将点A作为坐标原点,以主导风向为x的正方向构建笛卡尔坐标;假设点B位于x方向134m(米)处,且位于y方向-32m处,从而可确定当前观测点的横坐标值x为134,当前观测点的纵坐标值y为-32。其中,圆点可表示观测点,实线椭圆可表示点源。
那么相应的,可采用当前观测点在当前时间范围中各个观测时段内的指定污染物的训练浓度观测数据,确定当前初始训练数据对中的观测点浓度;具体的,可对当前观测点在当前时间范围中各个观测时段内的指定污染物的训练浓度观测数据进行均值运算,得到浓度均值运算结果,并将浓度均值运算结果作为当前初始训练数据对中的观测点浓度;或者,可从当前观测点在当前时间范围中各个观测时段内的指定污染物的训练浓度观测数据中,确定出浓度中位数,并将浓度中位数作为当前初始训练数据对中的观测点浓度,等等。
在遍历完初始训练数据集中的各个初始训练数据后,可得到初始训练数据对集合。
示例性的,一个训练输入特征数据可包括排放速率、排放高度、粗超度、相应观测点相对于相应点源的横坐标值和纵坐标值、相应观测点的观测点高度、平均风速、主导风向以及风速的标准差等;相应的,一个训练数据对可包括一个训练输入特征数据和相应的观测点浓度。
可见,本发明实施例在构建统计模型(即排放污染关系模型)的输入特征数据时,参考了扩散物理规律,挑选出了影响扩散的主要要素(如主导风向、平均风速等),用较为简单的且容易获得的要素去考虑了湍流强度(如风的标准差和粗超度),即可使得输入数据的获取较为容易,且抓住了主要特征,对输入特征数据没有那么敏感,降低了建模难度,也使得模型在其他地方更容易使用起来,即可将下述训练好的目标排放污染关系模型用于各种地方的点源排放预测,即点源排放反演。
S303,对初始训练数据对集合进行过滤,得到目标训练数据对集合。
在一种实施方式中,针对初始训练数据对集合中的任一初始训练数据对,若任一初始训练数据对中的风速值(如平均风速)小于或等于预设风速阈值,则可将任一初始训练数据对从初始训练数据对集合中过滤掉。可选的,预设风速阈值可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定。示例性的,假设预设风速阈值为1m/s(米/秒),那么当任一初始训练数据对中的风速值小于1m/s时,可将任一初始训练数据对从初始训练数据对集合中过滤掉,即不予采用任一初始训练数据对。
另一种实施方式中,可基于任一初始训练数据对中的位置信息,确定任一初始训练数据对所对应的观测点与相应点源之间的点位距离;若点位距离大于距离阈值,则将任一初始训练数据对从初始训练数据对集合中过滤掉,以确保点源的排放能够影响到观测点。可选的,距离阈值可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定;可选的,距离阈值可以是基于相应时间范围对应时长和风速值确定的,如相应时间范围对应时长为10分钟,风速值为1m/s时,距离阈值可等于1m/s×10×60s,即可等于600m。
另一种实施方式中,若任一初始训练数据对中的横坐标值小于预设横坐标值,且预设横坐标值为负数,则将任一初始训练数据对从初始训练数据对集合中过滤掉。基于此,可实现对初始训练数据对集合进行过滤,得到目标训练数据对集合。可选的,预设横坐标值可以是按照经验设置的,也可以是按照实际需求设置的,本发明实施例对此不作限定;示例性的,预设横坐标值可为-20m,那么当任一初始训练数据对中的横坐标值小于-20m时不予以采纳。应当理解的是,当观测点在点源的背风向时,理论上是点源的排放没办法影响观测点的污染物浓度。
综上可见,本发明实施例可避免传输速度的影响,导致的时间差的问题;例如观测点和点源距离200米,如果风速很小,比如静风,那么1点10分的排放可能传至观测点的时间就到了1点半,在不同的扩散条件下,同时观测点和点源的距离在不断变化(因为数据来源于不同的工厂,即来源于不同点源),这种滞后很难量化;针对该问题,本发明实施例可对可能存在滞后问题的初始训练数据对进行过滤,从而有效避免时间差等问题。
S304,采用目标训练数据对集合,对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型,以实现获取目标排放污染关系模型。
在本发明实施例中,电子设备可调用初始排放污染关系模型,分别对目标训练数据对集合中各个目标训练数据对包括的训练输入特征数据进行浓度预测,得到各个训练输入特征数据的观测点预测浓度。可选的,初始排放污染关系模型可以为机器学习算法模型(如Xgboost模型,一种梯度提升算法模型),也可以为深度学习算法模型(如深度神经网络模型),等等;本发明实施例对此不作限定。可选的,初始排放污染关系模型的选择和收集到的数据集相关,如果目标训练数据对集合越小(比如小于1万条),可采用泛化能力更好的模型(如深度神经网络模型)作为初始排放污染关系模型;如果目标训练数据对集合较大,可选择拟合能力更强的模式(如Xgboost等)作为初始排放污染关系模型。
那么相应的,电子设备可基于各个训练输入特征数据的观测点预测浓度与相应的观测点浓度之间的差值,计算模型损失值;然后,可按照减小模型损失值的方向,优化初始排放污染关系模型中的模型参数,得到优化后的初始排放污染关系模型,并基于优化后的初始排放污染关系模型,确定目标排放污染关系模型,以实现对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型。
基于此,电子设备可得到目标排放污染关系模型的不确定度,如模型训练过程中最后一次迭代下的模型损失值,或基于测试数据对集合的测试精度(即可以通过测试数据对集合给出模型的不确定度)等,本发明实施例对此不作限定。需要说明的是,测试数据对集合的获取方式可与目标训练数据对集合的获取方式相同,本发明实施例在此不再赘述。
可见,本发明实施例构建了适用于复杂下垫面的点源排放反演方案,从而便捷地实现点源排放预测,并可基于目标训练数据对集合训练得到的目标排放污染关系模型,能够更加符目标点源所在区域(如城市)的扩散特征,可大幅提升远距离的源-受关系的有效性。
S305,获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合。
在本发明实施例中,污染物浓度预测数据集的获取方式可以包括但不限于以下几种:
第一种获取方式:电子设备的自身存储空间中可存储有至少一个浓度预测数据集,在此种情况下,电子设备可从至少一个浓度预测数据集中选取出一个浓度预测数据集,并将选取出的浓度预测数据集作为污染物浓度预测数据集。
第二种获取方式:电子设备可获取浓度预测数据集下载链接,在此种情况下,可将基于浓度预测数据集下载链接下载的数据,作为污染物浓度预测数据集。
第三种获取方式:一个观测点在目标时间范围中各个观测时段内的气象观测数据可以是由相应观测点的观测设备观测到的,在此种情况下,电子设备可接收各个观测点的观测设备发送的污染物浓度预测数据,等等。其中,一个污染物浓度预测数据包括相应观测点在目标时间范围中各个观测时段内的气象观测数据。
S306,基于污染物浓度预测数据集,确定预测迭代数据集,预测迭代数据集包括:各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数。
S307,基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率。
在本发明实施例中,一个气象观测数据可包括相应观测点在相应观测时段内的风向和风速值;基于此,可按照预测迭代数据集中的各个预测迭代数据进行迭代,并将当前迭代的预测迭代数据作为当前预测迭代数据。
进一步的,可按照多个风向统计范围,对当前预测迭代数据中各个观测时段内的风向进行统计,得到多个风向统计范围中各个风向统计范围包括的风向数量(即统计数量),并从多个风向统计范围中选取出风向数量最大的风向统计范围,以基于选取出的风向统计范围,确定当前预测迭代数据下的主导风向;其中,多个风向统计范围的确定方式如上述所示,本发明实施例在此不再赘述。
那么相应的,电子设备可基于选取出的风向统计范围,从当前预测迭代数据中确定出多个主导风速值(即当前预测迭代数据中,位于选取出的风向统计范围中的风向对应的风速值,如上述T个气象要素结果),并基于多个主导风速值和主导风向,确定待整合输入特征数据。具体的,可对多个主导风速值进行均值运算,得到当前预测迭代数据下的平均风速值(即平均风速);并基于平均风速值和多个主导风速值,计算风速稳定指标,如风速的标准差;然后,可基于平均风速值、风速稳定指标以及主导风向,确定待整合输入特征数据,以使待整合输入特征数据包括平均风速值、风速稳定指标以及主导风向。可选的,待整合输入特征数据还可包括当前预测迭代数据对应观测点相对于目标点源的位置信息、目标点源的排放高度、目标点源对应的粗超度、相应观测点的观测点高度等。
基于此,电子设备可分别采用排放速率集合中的各个排放速率和待整合输入特征数据,构建各个排放速率对应的待预测输入特征数据,并分别调用目标排放污染关系模型,对各个排放速率对应的待预测输入特征数据进行浓度预测,得到各个排放速率下的污染物预测浓度;其中,一个待预测输入特征数据可包括相应的排放速率和待整合输入特征数据等。
然后,电子设备可分别基于各个排放速率下的污染物预测浓度和历史概率值,计算各个排放速率在当前迭代下的预测概率,一个排放速率下的历史概率值为相应排放速率在上一次迭代下的预测概率或初始概率值;可选的,各个排放速率的初始概率值可以相同,如排放速率集合中排放速率的数量为100时,一个初始概率值P(Q)=0.01。
具体的,针对排放速率集合中的任一排放速率,电子设备可确定当前预测迭代数据对应的当前观测点浓度,如当前预测迭代数据中各个观测时段内的目标污染物的浓度观测数据之间的均值;并基于任一排放速率下的污染物预测浓度和当前观测点浓度,计算当前观测点浓度在任一排放速率下的浓度概率值。示例性的,电子设备可采用公式1.1,计算当前观测点浓度在任一排放速率下的浓度概率值:
式1.1
其中,P(C|Q)可表示当前观测点浓度在任一排放速率下的浓度概率值,Q可表示任一排放速率,C可表示当前观测点浓度,C(Q)可表示任一排放速率下的污染物预测浓度,σ2可以表示方差(可为目标排放污染关系模型的不确定度和观测的不确定度之和),那么σ可表示标准差;其中,目标排放污染关系模型的不确定度可在模型训练时给出,观测的不确定度可以是由观测设备厂商给出。
进一步的,电子设备可基于浓度概率值和任一排放速率下的历史概率值,计算任一排放速率在当前迭代下的预测概率。示例性的,电子设备可采用公式1.2,计算任一排放速率在当前迭代下的预测概率:
式1.2
其中,P(Q|C)可以表示任一排放速率在当前观测点浓度下的预测概率,基于此,可将P(Q|C)作为任一排放速率在当前迭代下的预测概率;相应的,P(Q)可以表示任一排放速率的历史概率值(即上一次迭代的P(Q|C)或初始概率值),应当理解的是,在当前迭代为第一次迭代时,P(Q)可以为初始概率值,在当前迭代不是第一次迭代时,P(Q)可以为上一次迭代的P(Q|C)。并且,P(C)可以为当前观测点浓度的概率值,当前观测点浓度的概率值可以是对多个历史观测点浓度的统计结果,如多个历史观测点浓度中历史观测点浓度的数量为1000,多个历史观测点浓度中当前观测点浓度(如52)的数量为100时,当前观测点浓度的概率值可以为100/1000,即可以为0.1,等等;应当理解的是,同一观测点浓度在不同迭代过程中的概率值不变,即一个观测点浓度的概率值可以为一个定值。在执行当前迭代后,可采用当前迭代下的P(Q|C),更新P(Q)。
在完成迭代后,电子设备可得到各个排放速率的目标预测概率。在本发明实施例中,目标点源可以是未知排放的工厂点,周边会存在至少一个观测点,在利用贝叶斯进行反演的时候,需要依次将各观测点的污染观测信息带入贝叶斯公式进行迭代,由于污染和气象观测数据可以是分钟级的,可增加贝叶斯的迭代次数,排放反演做到小时,从而可增加最终结果的可信度。
S308,基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。
在本发明实施例中,可通过各个排放速率的目标预测概率,确定目标排放速率,从而获得目标点源的反演排放。示例性的,如图5所示,以目标时间范围对应时长为1小时为例进行说明,假设目标时间范围的数量为多个,也就是说,可分别反演出目标污染物在目标点源及各个时间范围下的排放速率,从而得到连续时间范围下的反演结果;其中,条形图可表示在线监测结果,排放速率的单位可为kg/h(千克/小时),横坐标可为小时。可见,本发明实施例可有效反演点源排放,从而在点源排放未知时,便捷地进行点源排放预测。
本发明实施例可在获取到初始训练数据集后,分别基于初始训练数据集中的各个初始训练数据,构建各个初始训练数据对应的初始训练数据对,以得到初始训练数据对集合,一个训练数据对包括一个训练输入特征数据和相应的观测点浓度;并可对初始训练数据对集合进行过滤,得到目标训练数据对集合,从而采用目标训练数据对集合,对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型,以实现获取目标排放污染关系模型。进一步的,可获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据;并可基于污染物浓度预测数据集,确定预测迭代数据集,预测迭代数据集包括:各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据。基于此,可基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率;然后,可基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。可见,本发明实施例可使得建模过程更加容易,可避免动力方法复杂的建模流程,并更加容易实现业务化,即业务化可更加便利,对于无法描述的过程(如复杂下垫面的湍流扩散)可以表征为统计关系,从而便捷地进行点源排放预测;并且,本发明实施例可实现基于统计模型(如目标排放污染关系模型)的点源排放反演方案,可使得计算速度更快,从而提高点源排放预测效率。
基于上述点源排放预测方法的相关实施例的描述,本发明实施例还提出了一种点源排放预测装置,该点源排放预测装置可以是运行于电子设备中的一个计算机程序(包括程序代码);如图6所示,该点源排放预测装置可包括获取单元601和处理单元602。该点源排放预测装置可以执行图1或图3所示的点源排放预测方法,即该点源排放预测装置可以运行上述单元:
获取单元601,用于获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,所述目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且所述污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,M为正整数;
处理单元602,用于基于所述污染物浓度预测数据集,确定预测迭代数据集,所述预测迭代数据集包括:所述各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数;
所述处理单元602,还用于基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率;
所述处理单元602,还用于基于所述各个排放速率的目标预测概率,确定目标排放速率,并将所述目标排放速率作为所述目标污染物在所述目标点源及所述目标时间范围下的排放速率。
在一种实施方式中,获取单元601在获取目标排放污染关系模型时,可具体用于:
获取初始训练数据集,一个初始训练数据包括一个观测点在一个时间范围内的训练观测数据和一个点源的训练排放数据,一个训练观测数据包括相应观测点在相应时间范围内的训练气象观测数据和指定污染物的训练浓度观测数据,一个训练排放数据包括所述指定污染物在相应点源及相应时间范围下的排放速率;
分别基于所述初始训练数据集中的各个初始训练数据,构建所述各个初始训练数据对应的初始训练数据对,以得到初始训练数据对集合,一个训练数据对包括一个训练输入特征数据和相应的观测点浓度;
对所述初始训练数据对集合进行过滤,得到目标训练数据对集合;
采用所述目标训练数据对集合,对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型,以实现获取所述目标排放污染关系模型。
另一种实施方式中,一个训练数据对中的训练输入特征数据包括相应观测点的风速值和位置信息,一个观测点的位置信息包括相应观测点相对于相应点源的横坐标值和纵坐标值,获取单元601在对所述初始训练数据对集合进行过滤,得到目标训练数据对集合时,可具体用于:
针对所述初始训练数据对集合中的任一初始训练数据对,若所述任一初始训练数据对中的风速值小于或等于预设风速阈值,则将所述任一初始训练数据对从所述初始训练数据对集合中过滤掉;和/或,
基于所述任一初始训练数据对中的位置信息,确定所述任一初始训练数据对所对应的观测点与相应点源之间的点位距离;若所述点位距离大于距离阈值,则将所述任一初始训练数据对从所述初始训练数据对集合中过滤掉;和/或,
若所述任一初始训练数据对中的横坐标值小于预设横坐标值,且所述预设横坐标值为负数,则将所述任一初始训练数据对从所述初始训练数据对集合中过滤掉,以实现对所述初始训练数据对集合进行过滤,得到目标训练数据对集合。
另一种实施方式中,获取单元601在采用所述目标训练数据对集合,对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型时,可具体用于:
调用初始排放污染关系模型,分别对所述目标训练数据对集合中各个目标训练数据对包括的训练输入特征数据进行浓度预测,得到各个训练输入特征数据的观测点预测浓度;
基于所述各个训练输入特征数据的观测点预测浓度与相应的观测点浓度之间的差值,计算模型损失值;
按照减小所述模型损失值的方向,优化所述初始排放污染关系模型中的模型参数,得到优化后的初始排放污染关系模型,并基于所述优化后的初始排放污染关系模型,确定目标排放污染关系模型,以实现对所述初始排放污染关系模型进行模型训练,得到所述目标排放污染关系模型。
另一种实施方式中,一个气象观测数据包括相应观测点在相应观测时段内的风向和风速值;处理单元602在基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率时,可具体用于:
按照所述预测迭代数据集中的各个预测迭代数据进行迭代,并将当前迭代的预测迭代数据作为当前预测迭代数据;
按照多个风向统计范围,对所述当前预测迭代数据中各个观测时段内的风向进行统计,得到多个风向统计范围中各个风向统计范围包括的风向数量,并从所述多个风向统计范围中选取出风向数量最大的风向统计范围,以基于选取出的风向统计范围,确定所述当前预测迭代数据下的主导风向;
基于所述选取出的风向统计范围,从所述当前预测迭代数据中确定出多个主导风速值,并基于所述多个主导风速值和所述主导风向,确定待整合输入特征数据;
分别采用所述排放速率集合中的各个排放速率和所述待整合输入特征数据,构建所述各个排放速率对应的待预测输入特征数据,并分别调用所述目标排放污染关系模型,对所述各个排放速率对应的待预测输入特征数据进行浓度预测,得到所述各个排放速率下的污染物预测浓度;
分别基于所述各个排放速率下的污染物预测浓度和历史概率值,计算所述各个排放速率在当前迭代下的预测概率,一个排放速率下的历史概率值为相应排放速率在上一次迭代下的预测概率或初始概率值;在完成迭代后,得到所述各个排放速率的目标预测概率。
另一种实施方式中,处理单元602在基于所述多个主导风速值和所述主导风向,确定待整合输入特征数据时,可具体用于:
对所述多个主导风速值进行均值运算,得到所述当前预测迭代数据下的平均风速值;
基于所述平均风速值和所述多个主导风速值,计算风速稳定指标;
基于所述平均风速值、所述风速稳定指标以及所述主导风向,确定待整合输入特征数据。
另一种实施方式中,处理单元602在分别基于所述各个排放速率下的污染物预测浓度和历史概率值,计算所述各个排放速率在当前迭代下的预测概率时,可具体用于:
针对所述排放速率集合中的任一排放速率,确定所述当前预测迭代数据对应的当前观测点浓度;
基于所述任一排放速率下的污染物预测浓度和所述当前观测点浓度,计算所述当前观测点浓度在所述任一排放速率下的浓度概率值;
基于所述浓度概率值和所述任一排放速率下的历史概率值,计算所述任一排放速率在当前迭代下的目标预测概率。
另一种实施方式中,处理单元602在基于所述各个排放速率的目标预测概率,确定目标排放速率时,可具体用于:
基于所述各个排放速率的目标预测概率,从所述排放速率集合中确定出目标预测概率最大的排放速率,并将确定出的排放速率作为目标排放速率;或者,
基于所述各个排放速率的目标预测概率和所述各个排放速率,计算排放期望,并将所述排放期望作为所述目标排放速率。
根据本发明的一个实施例,图1或图3所示的方法所涉及的各个步骤均可由图6所示的点源排放预测装置中的各个单元来执行的。例如,图1中所示的步骤S101可由图6中所示的获取单元601执行,步骤S102-S104均可由图6中所示的处理单元602执行。又如,图3中所示的步骤S301-S305均可由图6中所示的获取单元601执行,步骤S306-S308均可由图6中所示的处理单元602执行,等等。
根据本发明的另一个实施例,图6所示的点源排放预测装置中的各个单元均可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本发明的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本发明的其它实施例中,任一点源排放预测装置也可以包括其他单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本发明的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用电子设备上运行能够执行如图1或图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图6中所示的点源排放预测装置,以及来实现本发明实施例的点源排放预测方法。所述计算机程序可以记载于例如计算机存储介质上,并通过计算机存储介质装载于上述电子设备中,并在其中运行。
本发明实施例可在获取到目标排放污染关系模型,以及获取到污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合后,基于污染物浓度预测数据集,确定预测迭代数据集,目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,预测迭代数据集包括:各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据。然后,可基于目标排放污染关系模型、预测迭代数据集以及排放速率集合,确定排放速率集合中各个排放速率的目标预测概率;进一步的,可基于各个排放速率的目标预测概率,确定目标排放速率,并将目标排放速率作为目标污染物在目标点源及目标时间范围下的排放速率。可见,本发明实施例可通过目标排放污染关系模型,便捷地进行点源排放预测,从而有效提高点源排放预测效率。
基于上述方法实施例以及装置实施例的描述,本发明示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本发明实施例的方法。
本发明示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。
本发明示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。
参考图7,现将描述可以作为本发明的服务器或客户端的电子设备700的结构框图,其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理。例如,在一些实施例中,点源排放预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。在一些实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行点源排放预测方法。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本发明使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
并且,应理解的是,以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (11)
1.一种点源排放预测方法,其特征在于,包括:
获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,所述目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且所述污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,M为正整数;
基于所述污染物浓度预测数据集,确定预测迭代数据集,所述预测迭代数据集包括:所述各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数;
基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率;
基于所述各个排放速率的目标预测概率,确定目标排放速率,并将所述目标排放速率作为所述目标污染物在所述目标点源及所述目标时间范围下的排放速率;
其中,所述目标排放污染关系模型是基于初始训练数据对集合训练得到的,所述初始训练数据对集合是通过初始训练数据集构建的,一个初始训练数据包括一个观测点在一个时间范围内的训练观测数据和一个点源的训练排放数据,一个训练观测数据包括相应观测点在相应时间范围内的训练气象观测数据和指定污染物的训练浓度观测数据,一个训练排放数据包括所述指定污染物在相应点源及相应时间范围下的排放速率;一个训练数据对包括一个训练输入特征数据和相应的观测点浓度,一个观测点在一个时间范围内的训练观测数据包括相应观测点在相应时间范围中各个观测时段内的训练观测数据,一个训练输入特征数据是基于相应观测点在相应时间范围中各个观测时段内的训练气象观测数据和相应点源的训练排放数据确定的,一个观测点浓度是基于相应观测点在相应时间范围中各个观测时段内的所述指定污染物的训练浓度观测数据确定的。
2.根据权利要求1所述的方法,其特征在于,所述获取目标排放污染关系模型,包括:
获取所述初始训练数据集;
分别基于所述初始训练数据集中的各个初始训练数据,构建所述各个初始训练数据对应的初始训练数据对,以得到所述初始训练数据对集合;
对所述初始训练数据对集合进行过滤,得到目标训练数据对集合;
采用所述目标训练数据对集合,对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型,以实现获取所述目标排放污染关系模型。
3.根据权利要求2所述的方法,其特征在于,一个训练数据对中的训练输入特征数据包括相应观测点的风速值和位置信息,一个观测点的位置信息包括相应观测点相对于相应点源的横坐标值和纵坐标值,所述对所述初始训练数据对集合进行过滤,得到目标训练数据对集合,包括:
针对所述初始训练数据对集合中的任一初始训练数据对,若所述任一初始训练数据对中的风速值小于或等于预设风速阈值,则将所述任一初始训练数据对从所述初始训练数据对集合中过滤掉;和/或,
基于所述任一初始训练数据对中的位置信息,确定所述任一初始训练数据对所对应的观测点与相应点源之间的点位距离;若所述点位距离大于距离阈值,则将所述任一初始训练数据对从所述初始训练数据对集合中过滤掉;和/或,
若所述任一初始训练数据对中的横坐标值小于预设横坐标值,且所述预设横坐标值为负数,则将所述任一初始训练数据对从所述初始训练数据对集合中过滤掉,以实现对所述初始训练数据对集合进行过滤,得到目标训练数据对集合。
4.根据权利要求2所述的方法,其特征在于,所述采用所述目标训练数据对集合,对初始排放污染关系模型进行模型训练,得到目标排放污染关系模型,包括:
调用初始排放污染关系模型,分别对所述目标训练数据对集合中各个目标训练数据对包括的训练输入特征数据进行浓度预测,得到各个训练输入特征数据的观测点预测浓度;
基于所述各个训练输入特征数据的观测点预测浓度与相应的观测点浓度之间的差值,计算模型损失值;
按照减小所述模型损失值的方向,优化所述初始排放污染关系模型中的模型参数,得到优化后的初始排放污染关系模型,并基于所述优化后的初始排放污染关系模型,确定目标排放污染关系模型,以实现对所述初始排放污染关系模型进行模型训练,得到所述目标排放污染关系模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,一个气象观测数据包括相应观测点在相应观测时段内的风向和风速值;所述基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率,包括:
按照所述预测迭代数据集中的各个预测迭代数据进行迭代,并将当前迭代的预测迭代数据作为当前预测迭代数据;
按照多个风向统计范围,对所述当前预测迭代数据中各个观测时段内的风向进行统计,得到多个风向统计范围中各个风向统计范围包括的风向数量,并从所述多个风向统计范围中选取出风向数量最大的风向统计范围,以基于选取出的风向统计范围,确定所述当前预测迭代数据下的主导风向;
基于所述选取出的风向统计范围,从所述当前预测迭代数据中确定出多个主导风速值,并基于所述多个主导风速值和所述主导风向,确定待整合输入特征数据;
分别采用所述排放速率集合中的各个排放速率和所述待整合输入特征数据,构建所述各个排放速率对应的待预测输入特征数据,并分别调用所述目标排放污染关系模型,对所述各个排放速率对应的待预测输入特征数据进行浓度预测,得到所述各个排放速率下的污染物预测浓度;
分别基于所述各个排放速率下的污染物预测浓度和历史概率值,计算所述各个排放速率在当前迭代下的预测概率,一个排放速率下的历史概率值为相应排放速率在上一次迭代下的预测概率或初始概率值;在完成迭代后,得到所述各个排放速率的目标预测概率。
6.根据权利要求5所述的方法,其特征在于,所述基于所述多个主导风速值和所述主导风向,确定待整合输入特征数据,包括:
对所述多个主导风速值进行均值运算,得到所述当前预测迭代数据下的平均风速值;
基于所述平均风速值和所述多个主导风速值,计算风速稳定指标;
基于所述平均风速值、所述风速稳定指标以及所述主导风向,确定待整合输入特征数据。
7.根据权利要求5所述的方法,其特征在于,所述分别基于所述各个排放速率下的污染物预测浓度和历史概率值,计算所述各个排放速率在当前迭代下的预测概率,包括:
针对所述排放速率集合中的任一排放速率,确定所述当前预测迭代数据对应的当前观测点浓度;
基于所述任一排放速率下的污染物预测浓度和所述当前观测点浓度,计算所述当前观测点浓度在所述任一排放速率下的浓度概率值;
基于所述浓度概率值和所述任一排放速率下的历史概率值,计算所述任一排放速率在当前迭代下的目标预测概率。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述基于所述各个排放速率的目标预测概率,确定目标排放速率,包括:
基于所述各个排放速率的目标预测概率,从所述排放速率集合中确定出目标预测概率最大的排放速率,并将确定出的排放速率作为目标排放速率;或者,
基于所述各个排放速率的目标预测概率和所述各个排放速率,计算排放期望,并将所述排放期望作为所述目标排放速率。
9.一种点源排放预测装置,其特征在于,所述装置包括:
获取单元,用于获取目标排放污染关系模型,以及获取污染物浓度预测数据集和目标污染物在目标点源下的排放速率集合,所述目标排放污染关系模型用于指示污染物浓度与排放速率之间的关系,且所述污染物浓度预测数据集包括:M个观测点中各个观测点在目标时间范围中的各个观测时段内的气象观测数据,M为正整数;
处理单元,用于基于所述污染物浓度预测数据集,确定预测迭代数据集,所述预测迭代数据集包括:所述各个观测点在H个迭代时段中各个迭代时段内的预测迭代数据,一个预测迭代数据包括相应观测点在相应迭代时段中各个观测时段内的气象观测数据,H为正整数;
所述处理单元,还用于基于所述目标排放污染关系模型、所述预测迭代数据集以及所述排放速率集合,确定所述排放速率集合中各个排放速率的目标预测概率;
所述处理单元,还用于基于所述各个排放速率的目标预测概率,确定目标排放速率,并将所述目标排放速率作为所述目标污染物在所述目标点源及所述目标时间范围下的排放速率;
其中,所述目标排放污染关系模型是基于初始训练数据对集合训练得到的,所述初始训练数据对集合是通过初始训练数据集构建的,一个初始训练数据包括一个观测点在一个时间范围内的训练观测数据和一个点源的训练排放数据,一个训练观测数据包括相应观测点在相应时间范围内的训练气象观测数据和指定污染物的训练浓度观测数据,一个训练排放数据包括所述指定污染物在相应点源及相应时间范围下的排放速率;一个训练数据对包括一个训练输入特征数据和相应的观测点浓度,一个观测点在一个时间范围内的训练观测数据包括相应观测点在相应时间范围中各个观测时段内的训练观测数据,一个训练输入特征数据是基于相应观测点在相应时间范围中各个观测时段内的训练气象观测数据和相应点源的训练排放数据确定的,一个观测点浓度是基于相应观测点在相应时间范围中各个观测时段内的所述指定污染物的训练浓度观测数据确定的。
10. 一种电子设备,其特征在于,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-8中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172098.2A CN117726046B (zh) | 2024-02-07 | 2024-02-07 | 点源排放预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172098.2A CN117726046B (zh) | 2024-02-07 | 2024-02-07 | 点源排放预测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726046A CN117726046A (zh) | 2024-03-19 |
CN117726046B true CN117726046B (zh) | 2024-04-30 |
Family
ID=90205651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410172098.2A Active CN117726046B (zh) | 2024-02-07 | 2024-02-07 | 点源排放预测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726046B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382344A (zh) * | 2020-10-29 | 2021-02-19 | 上海电力大学 | 一种基于场协同思想的燃煤锅炉NOx排放分析方法 |
WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子(中国)有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
CN114329996A (zh) * | 2021-12-31 | 2022-04-12 | 北京工商大学 | 基于vbem方法的污染物点源扩散模型构建方法 |
CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
CN115239354A (zh) * | 2022-08-11 | 2022-10-25 | 中国科学院大气物理研究所 | 一种应用于非定常多点源的污染物溯源方法以及系统 |
CN116757506A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 秸秆焚烧指导方法、装置、存储介质及电子设备 |
CN117094242A (zh) * | 2023-07-12 | 2023-11-21 | 成都佳华物链云科技有限公司 | 浓度预测方法、装置、电子设备和计算机可读存储介质 |
CN117517581A (zh) * | 2023-11-06 | 2024-02-06 | 浙江省生态环境监测中心(浙江省生态环境信息中心) | 污染物浓度影响评估方法、装置、存储介质及电子设备 |
-
2024
- 2024-02-07 CN CN202410172098.2A patent/CN117726046B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子(中国)有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
CN112382344A (zh) * | 2020-10-29 | 2021-02-19 | 上海电力大学 | 一种基于场协同思想的燃煤锅炉NOx排放分析方法 |
CN114329996A (zh) * | 2021-12-31 | 2022-04-12 | 北京工商大学 | 基于vbem方法的污染物点源扩散模型构建方法 |
CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
CN115239354A (zh) * | 2022-08-11 | 2022-10-25 | 中国科学院大气物理研究所 | 一种应用于非定常多点源的污染物溯源方法以及系统 |
CN117094242A (zh) * | 2023-07-12 | 2023-11-21 | 成都佳华物链云科技有限公司 | 浓度预测方法、装置、电子设备和计算机可读存储介质 |
CN116757506A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 秸秆焚烧指导方法、装置、存储介质及电子设备 |
CN117517581A (zh) * | 2023-11-06 | 2024-02-06 | 浙江省生态环境监测中心(浙江省生态环境信息中心) | 污染物浓度影响评估方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于贝叶斯方法的突发水污染事件溯源研究;孙策;李传奇;白冰;杨圭;王茜;;中国农村水利水电;20200815(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117726046A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992169A (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
CN116882321B (zh) | 气象影响量化评估方法、装置、存储介质及电子设备 | |
CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
CN113888381B (zh) | 污染物浓度预报方法及装置 | |
CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
CN114819696A (zh) | 确定污染物浓度影响因素的方法、装置及电子设备 | |
US20210049414A1 (en) | Deep graph de-noise by differentiable ranking | |
CN114138868B (zh) | 空气质量统计分布图绘制方法和装置 | |
CN116070923B (zh) | 大气污染情景模拟方法、装置和电子设备 | |
CN117726046B (zh) | 点源排放预测方法、装置、存储介质及电子设备 | |
CN117517581A (zh) | 污染物浓度影响评估方法、装置、存储介质及电子设备 | |
CN116757506A (zh) | 秸秆焚烧指导方法、装置、存储介质及电子设备 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN112001074B (zh) | 一种基于植被覆盖率的污染物治理方法、装置、存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN116776073A (zh) | 一种污染物浓度的评估方法和装置 | |
CN116485045A (zh) | 一种建立水华预测模型的方法、水华预测方法及装置 | |
CN115270013B (zh) | 评估活动期间减排措施的方法、装置及电子设备 | |
CN116228501A (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
CN114048279B (zh) | 生成预报信息的方法和装置 | |
CN115271257A (zh) | 多区域大气污染协同调控方法、装置及电子设备 | |
CN114565190A (zh) | 预测大气环境容量的方法、装置及电子设备 | |
CN114881472A (zh) | 机动车排放对空气质量影响的分析方法、装置及设备 | |
CN115705510A (zh) | 厂区气体污染分布预测方法、系统、电子设备及存储介质 |
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 |