CN117972593B - 一种典型重污染历史案例库分析的长期预报预警方法 - Google Patents
一种典型重污染历史案例库分析的长期预报预警方法 Download PDFInfo
- Publication number
- CN117972593B CN117972593B CN202410359882.4A CN202410359882A CN117972593B CN 117972593 B CN117972593 B CN 117972593B CN 202410359882 A CN202410359882 A CN 202410359882A CN 117972593 B CN117972593 B CN 117972593B
- Authority
- CN
- China
- Prior art keywords
- pollution
- concentration
- training
- time
- detection point
- 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 46
- 230000007774 longterm Effects 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 192
- 230000008859 change Effects 0.000 claims abstract description 59
- 238000009792 diffusion process Methods 0.000 claims abstract description 18
- 238000011109 contamination Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 37
- 239000003344 environmental pollutant Substances 0.000 claims description 36
- 231100000719 pollutant Toxicity 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 18
- 206010013496 Disturbance in attention Diseases 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 239000000356 contaminant Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 238000003900 soil pollution Methods 0.000 description 7
- 238000003911 water pollution Methods 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 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 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 3
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 3
- 229910052785 arsenic Inorganic materials 0.000 description 3
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 3
- 229910052793 cadmium Inorganic materials 0.000 description 3
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 3
- 239000000460 chlorine Substances 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 239000011651 chromium Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 229910052759 nickel Inorganic materials 0.000 description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- 239000011701 zinc Substances 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000005413 snowmelt Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种典型重污染历史案例库分析的长期预报预警方法,根据三个检测点信息同一时间的污染类别和污染浓度,通过污染位置网络判断三个检测点构成的圆的区域的污染浓度,得到污染方向位置和污染方向位置浓度。基于三个检测点信息,判断不同时间的污染类别和对应的污染浓度的变化情况,得到污染类别曲线集合。基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,根据污染浓度和扩散情况,预测未来的污染浓度,判断是否为重污染。根据时间、位置和天气与污染浓度的关系,判断污染源的扩散情况,来预测未来时间点是否会达到重污染,并且进行报警。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种典型重污染历史案例库分析的长期预报预警方法。
背景技术
当前,污染物排放强度大是重污染天气形成的内因,静稳、小风、高湿等不利气象条件则是重污染天气形成的外因。
重污染案例通常记录产生重污染时的一些数据。
但是如何使用这些数据是困难的。
因为污染物从污染源是向四周扩散,不同位置的污染程度不一样,所以不同位置达到重污染的可能性是不同的。
但是由于浓度不是等分变化,所以不能简单的得到污染类别对应的污染浓度变化情况。
另外不同时间导致聚集的污染物程度不同,导致达到污染程度不同。
通常使用历史案例库进行重污染预测分析时,并没有考虑雨雪会融化,融化过程中会导致污染物溶解或稀释,从而导致污染浓度变化,影响达到重污染程度。
发明内容
本发明的目的在于提供了一种典型重污染历史案例库分析的长期预报预警方法,用以解决现有技术中存在的上述问题。
本发明实施例提供了一种典型重污染历史案例库分析的长期预报预警方法,包括:
获得三个检查点位置的检测点信息序列;检测点信息序列包括在多个时间点采集得到的多个污染物信息;污染物信息包括污染类别和污染浓度;
基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,通过污染位置网络,判断污染浓度,得到污染方向位置和污染方向位置浓度;所述污染方向位置表示三个检测点构成的外接圆中污染浓度大于其他位置的位置;所述污染方向位置浓度表示污染方向位置对应的污染浓度;
基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合;
获得未来天气信息;所述未来天气信息包括未来风向信息和未来雨雪信息;
基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染;
若为重污染,发送预警信号;
所述重污染预测网络的训练方法,包括:
获得典型重污染历史数据;所述典型重污染历史数据预先被储存在数据库中的典型重污染历史案例库中;
根据所述典型重污染历史数据训练重污染预测网络,得到训练好的重污染预测网络;所述重污染预测网络包括距离浓度网络、时间浓度网络和天气浓度预测网络。
可选的,所述基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染,包括:
根据所述污染类别曲线集合重构污染类别曲线;
根据所述污染类别曲线,输入未来时间点,得到预测曲线污染浓度;所述未来时间点为预设的时间点;
将所述污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络,通过距离浓度网络提取距离浓度关系特征,得到距离浓度输出信息;
基于所述预测曲线污染浓度、污染类别曲线集合和检测点信息,通过时间浓度网络,提取时间浓度关系特征,得到时间浓度输出信息;
将所述时间浓度输出信息、距离浓度输出信息和未来天气信息输入天气浓度预测网络,预测未来时间点的污染浓度,得到预测污染向量;所述预测污染向量中的值表示污染类别对应的污染浓度是否为重污染;
若所述预测污染向量中的值大于预测阈值,表示会在未来时间点达到重污染;若所述预测污染向量中污染类别对应的值小于污染类别对应的预测阈值,则表示不会在未来时间点达到重污染。
可选的,所述基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,通过污染位置网络,判断污染浓度,得到污染方向位置和污染方向位置浓度,包括:
将三个检测点位置连接为检测三角形,构建检测三角形的外接圆,得到污染边界圆;所述污染边界圆表示需要预测是否重污染的区域;
根据三个检测点信息的污染浓度,将检测点信息进行分类,得到高污染检测点、中污染监测点和低污染监测点;所述高污染检测点为污染浓度大于其他检测点位置的污染浓度的检测点位置;所述低污染监测点为污染浓度小于其他检测点位置的污染浓度的检测点位置;所述中污染监测点为除高污染检测点和低污染检测点之外的检测点位置;
将高污染检测点和低污染检测点对应的圆弧所在的位置构建二维数组,得到大致位置数组;所述大致位置数组中的值包含边界圆中心与污染源连接的直线经过的点;
获得高检测点浓度和中检测点浓度;所述高检测点浓度为高污染检测点对应的污染浓度;所述中检测点浓度为中污染检测点对应的污染浓度;
根据污染类别和污染类别对应的高检测点浓度和中检测点浓度构建三维浓度矩阵;
基于所述大致位置数组和三维浓度矩阵,通过污染位置网络和污染判断浓度网络,检测污染来源,得到污染方向位置和污染方向位置浓度。
可选的,所述污染位置网络的训练方法,包括:
获得污染方向训练集;所述污染方向训练集包括多个训练污染方向数据和标注污染方向数据;所述训练污染方向数据包括训练污染大致数组和训练三维浓度矩阵;所述标注污染方向数据包括标注污染位置和对应的标注污染浓度;
将所述训练三维浓度矩阵和所述训练污染大致数组进行叠加,得到训练三维叠加矩阵;
将所述训练三维叠加矩阵输入第一卷积网络进行卷积,提取浓度和位置之间的关系特征,得到位置浓度特征图;
将所述位置浓度特征图输入第一分类器,进行分类,得到训练最终污染位置;
将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络,得到训练最终污染浓度;
获得所述最终污染位置与标注污染位置之间的污染位置损失值;
获得所述最终污染浓度与标注污染浓度之间的污染浓度损失值;
根据所述污染位置损失值和污染浓度损失值相加后进行后向传播,进行训练,得到训练好的污染位置网络;所述污染位置网络包括第一卷积网络和第一分类器。
可选的,所述将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络,得到训练最终污染浓度,包括:
将所述位置浓度特征图进行拉长,得到位置浓度特征向量;
将所述位置浓度特征向量和所述训练最终污染位置输入第一神经网络,进行检测,得到训练最终污染浓度。
可选的,所述基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合,包括:
将检测点信息中多个污染类别在不同时间对应的多个污染浓度构建检测点集合;
将所述检测点集合中污染类别对应的污染浓度进行拟合,得到多个污染类别变化曲线;一个污染类别对应一个污染类别变化曲线所述污染类别变化曲线的输入值表示时间点;所述污染类别变化曲线的输出值表示污染类别对应的污染浓度;
根据所述污染类别变化曲线,得到污染类别变化曲线类型;污染类别变化曲线参数类别表示污染类别变化曲线的拟合方式;
根据所述污染类别变化曲线,得到多个污染类别变化曲线参数;所述污染类别变化曲线参数为污染类别变化曲线的参数;
所述污染类别曲线集合包括污染类别变化曲线类型和对应的多个污染类别变化曲线参数。
可选的,所述时间浓度网络的训练方法,包括:
获得时间浓度训练集;所述时间浓度训练集包括训练时间浓度数据和标注时间浓度数据;所述训练时间浓度数据包括训练区域污染浓度、训练污染类别曲线集合和训练检测点信息;所述训练区域污染浓度表示污染类别曲线在第二时间点的根据污染类别曲线得到的浓度;所述训练污染类别曲线集合包括第一时间段拟合得到的曲线的类别和参数;所述训练检测点信息表示第一时间段三个检测点位置同时间点检测到的污染类别和污染浓度;所述标注时间浓度数据为1表示为重污染,所述标注时间浓度数据为0表示不为重污染;
所述第一时间段中的时间点早于第二时间点;
将所述训练检测点信息中不同时间和对应的浓度训练区域污染浓度、训练污染类别曲线集合输入时间浓度网络,提取时间浓度关系特征,得到训练时间浓度值;
将所述训练时间浓度值和所述标注时间浓度数据求取损失,得到时间浓度损失值;
根据所述时间浓度损失值进行后向传播进行训练,得到训练好的时间浓度网络。
可选的,所述天气浓度预测网络的训练方法,包括:
获得天气浓度训练集;所述天气浓度训练集包括多个训练天气浓度数据和标注天气浓度数据;所述训练天气浓度数据包括训练时间浓度输出信息、距离浓度输出信息和训练未来天气信息;所述训练时间浓度输出信息表示训练天气浓度数据对应的相同时间点的训练时间浓度数据通过时间浓度网络的输出值;训练距离浓度输出信息表示训练天气浓度数据对应的相同时间点的污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络通过距离浓度网络的输出值;所述标注天气浓度为1表示为重污染,所述标注天气浓度数据为0表示不为重污染;
将所述训练时间浓度输出信息、距离浓度输出信息和训练未来天气信息输入天气浓度预测网络,提取时间、距离和天气影响下对浓度的关系特征,得到训练重污染向量;
将所述训练重污染向量中的值与对应的所述标注天气浓度数据求取损失,得到重污染损失值;
根据所述重污染损失值进行后向传播进行训练,得到训练好的天气浓度预测网络。
未来风向信息相较于现有技术,本发明实施例达到了以下有益效果:
本发明提供了一种典型重污染历史案例库分析的长期预报预警方法,所述方法包括:获得三个检查点位置的检测点信息序列;检测点信息序列包括在多个时间点采集得到的多个污染物信息;污染物信息包括污染类别和污染浓度。
所述污染物信息表示不同时间点检测到的污染类别和污染浓度。
基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,通过污染位置网络,判断污染浓度,得到污染方向位置和污染方向位置浓度。
所述污染方向位置表示三个检测点构成的外接圆中污染浓度大于其他位置的位置。
所述污染方向位置浓度表示污染方向位置对应的污染浓度。
在上述典型重污染历史案例库分析的长期预报预警方法具体执行时,基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合。
获得未来天气信息。
其中,未来天气信息包括未来风向信息和未来雨雪信息。
其中,所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染。
若为重污染,发送预警信号。
重污染预测网络的训练方法,包括:获得典型重污染历史数据。
典型重污染历史数据为储存在数据库中的典型重污染历史案例库中。
根据典型重污染历史数据训练重污染预测网络,得到训练好的重污染预测网络。
重污染预测网络包括距离浓度网络、时间浓度网络和天气浓度预测网络。
本发明采用的技术方案通过基于检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,进行了多检测点、多时间点、多因素、多类别的分析处理,使得预测污染浓度的准确性高;在此基础上,根据污染浓度和扩散情况,判断污染情况是否为重污染,若为重污染,发送预警信号,可以有效地预测重污染并进行报警。
具体的,根据时间、位置和天气与污染浓度的关系,判断污染源的扩散情况来预测未来时间点是否会达到重污染,并且进行报警:根据三个检测点构建外接圆,基于浓度扩散的特性,污染浓度最高时的位置处在外接圆的边界,那么通过外接圆确定污染扩散方向的同时,在该方向上外接圆的边界就是外接圆区域中最高污染浓度的位置,于是就确定了位置与污染浓度的关系。
同时,本发明采用的技术方案还考虑了时间因素,根据时间和污染浓度拟合的曲线与同一位置不同时间点的检测点信息,确定时间与污染浓度的关系。
在时间污染网络进行训练时,采用前后两个时间段的污染类别和污染浓度进行训练,提高了污染预测的准确性。
由于现实情况中,下雨、下雪会溶解或稀释污染空气中的污染物,导致检测的污染浓度偏低,从而导致污染预测的准确性降低;为了剔除上述的影响因素,提高污染浓度预测的准确性,在本发明提供的技术方案中,加入了天气因素作为输入,结合时间浓度输出信息、距离浓度输出信息,预测未来时间点的污染浓度,来实施是否会发生重污染的判断预测,这种预测准确性高。
综上所述,该技术方案基于位置和污染浓度的关系、时间与污染浓度的关系以及天气与污染浓度的关系,预测未来时间点的污染浓度,多因素、多角度、多技术手段进行预测,其预测准确性高,进而可以有效地预测重污染并进行报警,有利于保护人类健康和生态环境。
附图说明
图1是本发明实施例提供的一种典型重污染历史案例库分析的长期预报预警方法流程图。
图2是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种典型重污染历史案例库分析的长期预报预警方法,所述方法包括:
其中,本发明的一种典型重污染历史案例库分析的长期预报预警方法针对的典型重污染可以为大气污染、土壤污染或水污染。
S101:获得三个检查点位置的检测点信息序列;检测点信息序列包括在多个时间点采集得到的多个污染物信息;污染物信息包括污染类别和污染浓度。
其中,每个时间点采集到一个污染物信息,时间点与污染物信息具有一一对应的关系。
其中,本实施例中,化学反应生成化学发光物质并发射出光的特性进行有害气体检测。
检测污染类别和污染浓度。
该方法具有反应速度快、灵敏度高、稳定性好、寿命长等优点. 广泛应用于有毒气体的快速检测中。
其中,以东为横坐标,以北为纵坐标建立坐标轴。
坐标轴中确定检测点位置。
其中,所述污染类别表示污染源排放的污染的类别。
所述污染类别表示污染源排放的污染类别对应的污染浓度。
其中,气体污染物中主要有硫化物、氧化物、其他污染气体以及碱性气体和粉尘等。
其代表性指标有甲醛、二氧化硫、硫化氢、氯气、臭氧、二氧化氮、氨气以及重金属和粉尘等其他氧化物。
水体污染的主要检测指标有酸碱度、总盐分含量以及氰化物、还有重金属含量。
土壤污染的主要来源是有害金属元素Pb(铅),As(砷),Cd(镉),Hg(汞),Cu(铜),Ni(镍),Zn(锌),Cr(铬)。
其中,本实施例中,所述污染类别包括二氧化硫、硫化氢、氯气、臭氧、二氧化氮、氨、酸、碱、盐分、氰化物、铅,砷,镉,汞,铜,镍,锌,铬。
二氧化硫、硫化氢、氯气、臭氧、二氧化氮、氨对应气体污染检测、所述酸、碱、盐分、氰化物对应水污染检测;所述铅,砷,镉,汞,铜,镍,锌,铬对应土壤污染检测。
对气体污染进行检测时,水污染检测和土壤污染对应的值为0。
对水污染检测进行检测时,气体污染和土壤污染对应的值为0。
对土壤污染检测进行检测时,气体污染和水污染对应的值为0。
S102:基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,通过污染位置网络,判断污染浓度,得到污染方向位置和污染方向位置浓度;所述污染方向位置表示三个检测点构成的外接圆中污染浓度大于其他位置的位置;所述污染方向位置浓度表示污染方向位置对应的污染浓度,即所述污染方向位置浓度可以理解为:三个检测点构成的外接圆中污染类别对应的浓度最高的污染浓度。
其中,所述大气污染和土壤污染都是在一个污染源向四周进行扩散,可以使用三个检测点进行三角检测某个区域的浓度。
但是水污染根据水流方向进行扩散,由于流向不同,所以在不同分流之后的建立检测点检测浓度,不需要获得圆区域浓度,直接将污染浓度最高的检测点上游的污染浓度作为污染方向位置浓度。
S103:基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合。
S104:获得未来天气信息;所述未来天气信息包括未来风向信息和未来雨雪信息。
在本发明实施例中,未来天气信息可以是用户输入的,也可以直接从天气预报平台获取得到。
S105:基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,根据污染浓度和扩散情况,预测未来的污染浓度,判断是否为重污染。
S106:若为重污染,发送预警信号;
在本发明实施例的具体技术方案中,所述重污染预测网络的训练方法,包括:
获得典型重污染历史数据;所述典型重污染历史数据预先被储存在数据库中的典型重污染历史案例库中;
根据所述典型重污染历史数据训练重污染预测网络,得到训练好的重污染预测网络。
可选的,所述基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染,包括:
根据所述污染类别曲线集合重构污染类别曲线。
根据所述污染类别曲线,输入未来时间点,得到预测曲线污染浓度;所述未来时间点为预设的时间点;
将所述污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络,通过距离浓度网络提取距离浓度关系特征,得到距离浓度输出信息。
其中,将检测点信息中同一时间的高区域浓度和中区域浓度与其相对应的位置,加上污染方向位置、污染方向位置浓度输入距离浓度网络。
其中,所述距离浓度网络为深度神经网络(Deep Neural Networks,DNN)。
基于所述预测曲线污染浓度、污染类别曲线集合和检测点信息,通过时间浓度网络,提取时间浓度关系特征,得到时间浓度输出信息。
其中,所述输入时间浓度网络的检测点信息对应的检测点位置和拟合污染类别曲线时采用的检测点位置的值相同。
其中,所述时间浓度网络为深度神经网络(Deep Neural Networks,DNN)。
所述时间浓度网络和距离浓度网络的神经元层数和个数不相同,且参数不同。
将所述时间浓度输出信息、距离浓度输出信息和未来天气信息输入天气浓度预测网络,预测未来时间点的污染浓度,得到预测污染向量;所述预测污染向量中的值表示污染类别对应的污染浓度是否为重污染;
若所述预测污染向量中的值大于预测阈值,表示会在未来时间点达到重污染;若所述预测污染向量中污染类别对应的值小于污染类别对应的预测阈值,则表示不会在未来时间点达到重污。
其中,本实施例中,所述污染类别对应的预测阈值都为0.9。
可选的,所述基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,通过污染位置网络,判断污染浓度,得到污染方向位置和污染方向位置浓度,包括:
三个检测点位置连接为检测三角形,构建检测三角形的外接圆,得到污染边界圆;所述污染边界圆表示需要预测是否重污染的区域。
其中,所述做检测三角形任意两边的垂直平分线,得到交点是,以交点为圆心,交点到三角形顶点为半径作圆,则所作的圆就是检测三角形的外接圆,及污染边界圆。
根据三个检测点信息的污染浓度,将检测点信息进行分类,得到高污染检测点、中污染监测点和低污染监测点;所述高污染检测点为污染浓度大于其他检测点位置的污染浓度的检测点位置;所述低污染监测点为污染浓度小于其他检测点位置的污染浓度的检测点位置;所述中污染监测点为除高污染检测点和低污染检测点之外的检测点位置;
将高污染检测点和低污染检测点对应的圆弧所在的位置构建二维数组,得到大致位置数组;所述大致位置数组中的值包含边界圆中心与污染源连接的直线经过的点。
其中,所述污染大致位置为高污染检测点和低污染检测点进行中分的圆弧中含有高污染检测点的部分,所述污染大致位置包括污染边界圆的圆心到污染源位置的与污染边界圆的交点,使得从污染源方向扩散的浓度在直线两次对称位置的是相同的。
其中,所述污染大致位置包括污染边界圆圆心、圆弧半径、圆弧角度和偏移角度。
所述偏移角度为坐标轴中圆弧中心点和污染边界圆圆心构成的直线与x轴的相差角度。
获得高检测点浓度和中检测点浓度;所述高检测点浓度为高污染检测点对应的污染浓度;所述中检测点浓度为中污染检测点对应的污染浓度。
根据污染类别和污染类别对应的高检测点浓度和中检测点浓度构建三维浓度矩阵。
基于所述大致位置数组和三维浓度矩阵,通过污染位置网络和污染判断浓度网络,检测污染来源,得到污染方向位置和污染方向位置浓度。
通过上述方法,由于浓度不是等分增加,所以不能简单的通过对应污染类别的污染浓度与位置的关系,得到最终污染浓度。
根据将边界圆中最高浓度到最低浓度的弧度中,能够浓度大致从哪个区域能吹过的。
使用神经网络判断,得到最优浓度和浓度最大的位置。
由于污染源在边界圆之外,污染源的污染物是向四周扩散,所以污染边界圆的边界上。
可选的,所述污染位置网络的训练方法,包括:
获得污染方向训练集;所述污染方向训练集包括多个训练污染方向数据和标注污染方向数据;所述训练污染方向数据包括训练污染大致数组和训练三维浓度矩阵。
所述标注污染方向数据包括标注污染位置和对应的标注污染浓度。
其中,所述训练三维浓度矩阵为根据污染类别和污染类别对应的所述训练高检测点浓度和训练中检测点浓度构建的。
所述训练三维叠加矩阵其他位置为0。
其中,所述训练三维浓度矩阵与训练污染大致数组的尺寸相同。
所述训练三维浓度矩阵的一维与训练污染大致数组的一维的长度相同,所述训练三维浓度矩阵的二维与训练污染大致数组的二维的长度相同。
将所述训练三维浓度矩阵和所述训练污染大致数组进行叠加,得到训练三维叠加矩阵;
将所述训练三维叠加矩阵输入第一卷积网络进行卷积,提取浓度和位置之间的关系特征,得到位置浓度特征图。
其中,所述第一卷积网络为卷积神经网络(Convolutional Neural Networks,CNN)。
将所述位置浓度特征图输入第一分类器,进行分类,得到训练最终污染位置。
其中,所述第一分类器为softmax函数。
将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络,得到训练最终污染浓度;
获得所述最终污染位置与标注污染位置之间的污染位置损失值。
获得所述最终污染浓度与标注污染浓度之间的污染浓度损失值。
最终污染位置最终污染浓度其中,污染浓度损失值和污染位置损失值分布通过交叉损失函数获得。
具体的,以最终污染位置与标注污染位置之间的交叉损失函数作为污染位置损失值。
以最终污染浓度与标注污染浓度之间的交叉损失函数作为污染浓度损失值。
根据所述污染位置损失值和污染浓度损失值相加后进行后向传播,进行训练,得到训练好的污染位置网络;所述污染位置网络包括第一卷积网络和第一分类器。
通过上述方法,根据污染浓度,找到扩散关系来预测污染浓度和位置的关系。
可选的,所述将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络,得到训练最终污染浓度,包括:
将所述位置浓度特征图进行拉长,得到位置浓度特征向量。
其中,将所述位置浓度特征图进行拉长从上到下从左到右依次写入一维向量进行拉长,所述位置浓度特征向量为一维向量。
将所述位置浓度特征向量和所述训练最终污染位置输入第一神经网络,进行检测,得到训练最终污染浓度。
其中,所述第一神经网络为深度神经网络(Deep Neural Networks,DNN),结构和参数与上述深度神经网络不同。
可选的,所述基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合,包括:
将检测点信息中多个污染类别在不同时间对应的多个污染浓度构建检测点集合。
其中,所述检测点集合为一个位置的不同时间的多个污染类别和污染类别对应的多个污染浓度。
其中,所述检测点集合中的值为一个字符表示污染类别,检测点集合中字符之后的数值表示多个时间点的对应的多个污染浓度,通过多个循环写入多个污染类别和污染类别对应的多个污染浓度。
举例说明:“b1-23”,其中的字符“b”代表某个污染类别,该字符后面的数字“1”代表1点00分时刻对应的污染浓度是23mg/m³。
一个时间点的一个污染类别对应一个污染浓度。
本实施例中,两个时间点相隔一个小时。
将所述检测点集合中污染类别对应的污染浓度进行拟合,得到多个污染类别变化曲线。
一个污染类别对应一个污染类别变化曲线。
所述污染类别变化曲线的输入值表示时间点。
所述污染类别变化曲线的输出值表示污染类别对应的污染浓度。
其中,本实施例中所述拟合方式为多项式拟合。
根据所述污染类别变化曲线,得到污染类别变化曲线类型;污染类别变化曲线参数类别表示污染类别变化曲线的拟合方式。
根据所述污染类别变化曲线,得到多个污染类别变化曲线参数;污染类别变化曲线参数类别表示污染类别变化曲线的拟合方式。
其中,本实施例中所述污染类别变化曲线类型为多项式拟合。
根据所述污染类别变化曲线,得到污染类别变化曲线参数;所述污染类别变化曲线参数为污染类别变化曲线的参数。
其中,若拟合的污染类别变化曲线为y=ax,所述x为自变量,y为因变量,a为污染类别变化曲线参数。
若拟合的污染类别变化曲线为y=k/x,则k为污染类别变化曲线参数。
若拟合的污染类别变化曲线为y=k/x,则k为污染类别变化曲线参数。
若污染类别变化曲线为最小二乘拟合函数,例如y=gx^2+bx+c,那么污染类别变化曲线参数可以是g,b,c中的任意一个,也可以是对g,b,c进行加权求和得到污染类别变化曲线参数。
污染类别变化曲线还可以是正弦函曲线、预先曲线等。
其中,本实施例中多项式的系数为污染类别变化曲线参数。
一个污染类别变化曲线有多个污染类别变化曲线参数。
所述污染类别曲线集合包括污染类别变化曲线类型和对应的多个污染类别变化曲线参数。
可选的,所述时间浓度网络的训练方法,包括:
获得时间浓度训练集;所述时间浓度训练集包括训练时间浓度数据和标注时间浓度数据;所述训练时间浓度数据包括训练区域污染浓度、训练污染类别曲线集合和训练检测点信息;所述训练区域污染浓度表示污染类别曲线在第二时间点的根据污染类别曲线得到的浓度;所述训练污染类别曲线集合包括第一时间段拟合得到的曲线的类别和参数;所述训练检测点信息表示第一时间段三个检测点位置同时间点检测到的污染类别和污染浓度;所述标注时间浓度数据为1表示为重污染,所述标注时间浓度数据为0表示不为重污染;
所述第一时间段中的时间点早于第二时间点;
将所述训练检测点信息中不同时间和对应的浓度训练区域污染浓度、训练污染类别曲线集合输入时间浓度网络,提取时间浓度关系特征,得到训练时间浓度值;
将所述训练时间浓度值和所述标注时间浓度数据求取损失,得到时间浓度损失值。
其中,所述时间浓度损失值采用交叉熵损失函数求取损失。
根据所述时间浓度损失值进行后向传播进行训练,得到训练好的时间浓度网络。
通过上述方法,表示将数据库中的历史案例中重污染的情况进行检测。
用第一训练时间点的检测点信息预测第二训练时间点数据是否达到重污染。
所述第一训练时间点数据的时间早于所述第二训练时间点数据的时间。
能够更加准确的在使用时,用当前检测点信息对未来时间点是否达到重污染进行预测。
可选的,所述天气浓度预测网络的训练方法,包括:
获得天气浓度训练集;所述天气浓度训练集包括多个训练天气浓度数据和标注天气浓度数据;所述训练天气浓度数据包括训练时间浓度输出信息、距离浓度输出信息和训练未来天气信息;所述训练时间浓度输出信息表示训练天气浓度数据对应的相同时间点的训练时间浓度数据通过时间浓度网络的输出值;训练距离浓度输出信息表示训练天气浓度数据对应的相同时间点的污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络通过距离浓度网络的输出值;所述标注天气浓度为1表示为重污染,所述标注天气浓度数据为0表示不为重污染。
其中,所述训练时间浓度输出信息表示提取了时间和浓度变化的值。
所述训练距离浓度输出信息表示提取了距离和浓度变化的值。
所述训练未来天气信息包括训练未来风向信息和训练未来雨雪情况。
所述训练未来风向信息包括训练未来风方向和训练未来风强度。
所述训练未来雨雪情况包括训练未来雨值、训练未来降雨量、训练未来雪值、训练未来降雪量。
所述训练未来雨值为1表示未来时间点降雨,训练未来雨值为0表示未来时间点未降雨。
所述训练未来降雨量表示未来时间点降雨量。
所述训练未来雪值为1表示未来时间点降雪,训练未来雪值为0表示未来时间点未降雪。
所述训练未来降雪量表示未来时间点降雪量。
将所述训练时间浓度输出信息、距离浓度输出信息和训练未来天气信息输入天气浓度预测网络,提取时间、距离和天气影响下对浓度的关系特征,得到训练重污染向量;
将所述训练重污染向量和所述标注天气浓度数据求取损失,得到重污染损失值。
其中,所述重污染损失值采用交叉熵损失函数求取损失。
根据所述重污染损失值进行后向传播进行训练,得到训练好的天气浓度预测网络。
通过上述方法,根据多个典型重污染历史案例库,得到多个污染类别,根据所述污染类别对应的污染情况在位置和时间上的不同,根据天气情况,结合能够影响污染的时间、位置和未来天气,能够更加准确的预测之后是否会发生重污染。
实施例2
基于上述的一种典型重污染历史案例库分析的长期预报预警方法,本发明实施例还提供了一种典型重污染历史案例库分析的长期预报预警系统,所述系统包括获取模块、位置浓度关系模块、位置浓度关系模块、时间浓度关系模块、距离时间天气浓度关系模块和预警模块。
获取模块用于获得三个检查点位置的检测点信息序列;检测点信息序列包括在多个时间点采集得到的多个污染物信息;污染物信息包括污染类别和污染浓度;获得未来天气信息;所述未来天气信息包括未来风向信息和未来雨雪信息;
位置浓度关系模块用于基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,通过污染位置网络,判断污染浓度,得到污染方向位置和污染方向位置浓度;所述污染方向位置表示三个检测点构成的外接圆中污染浓度大于其他位置的位置;所述污染方向位置浓度表示污染方向位置对应的污染浓度;
时间浓度关系模块用于基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合;
距离时间天气浓度关系模块用于基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染;
若为重污染,发送预警信号;
所述重污染预测网络的训练方法,包括:
获得典型重污染历史数据;所述典型重污染历史数据为储存在数据库中的典型重污染历史案例库中;
根据所述典型重污染历史数据训练重污染预测网络,得到训练好的重污染预测网络;所述重污染预测网络包括距离浓度网络、时间浓度网络和天气浓度预测网络。
可选的,所述基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染,包括:
根据所述污染类别曲线集合重构污染类别曲线;
根据所述污染类别曲线,输入未来时间点,得到预测曲线污染浓度;所述未来时间点为预设的时间点,一般来说,预设的时间点是想要预测的未来的某个时间点。
将所述污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络,通过距离浓度网络提取距离浓度关系特征,得到距离浓度输出信息;
基于所述预测曲线污染浓度、污染类别曲线集合和检测点信息,通过时间浓度网络,提取时间浓度关系特征,得到时间浓度输出信息;
将所述时间浓度输出信息、距离浓度输出信息和未来天气信息输入天气浓度预测网络,预测未来时间点的污染浓度,得到预测污染向量;所述预测污染向量中的值表示污染类别对应的污染浓度是否为重污染;
若所述预测污染向量中的值大于预测阈值,表示会在未来时间点达到重污染;若所述预测污染向量中污染类别对应的值小于污染类别对应的预测阈值,则表示不会在未来时间点达到重污染。
若所述预测污染向量中的值大于预测阈值表示会在未来时间点达到重污染。
所述预测污染向量中的值小于或预测阈值表示不会在未来时间点达到重污染。
综上,本发明实施例根据时间、位置和天气与污染浓度的关系,判断污染源的扩散情况,来预测未来时间点是否会达到重污染,并且进行报警。
根据浓度预测得到污染源距离。
根据三个检测点信息构建圆,因为由于浓度扩散特性,污染浓度在圆中最高的时候为在圆边界时,所以根据污染判断浓度网络,和两个浓度大于第三个浓度的位置进行检测,找到污染方向位置和污染方向位置浓度,从而输入位置污染网络,提取位置和污染浓度的关系。
根据时间和污染浓度拟合的曲线与同一位置不同时间点的检测点信息通过时间污染网络进行提取时间和污染的特性,在时间污染网络进行训练的时候采用前后两个时间段的污染类别和污染浓度进行训练。
据多个典型重污染历史案例库,得到多个污染类别,根据所述污染类别对应的污染情况在位置和时间上的不同,根据天气情况,结合能够影响污染的时间、位置和未来天气,提取天气和污染浓度之间的光线,更加准确的预测是否为重污染。
在此关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图2所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述典型重污染历史案例库分析的长期预报预警方法的任一方法的步骤。
其中,在图2中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。
总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。
总线接口505在总线500和接收器501和发送器503之间提供接口。
接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述典型重污染历史案例库分析的长期预报预警方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。
各种通用系统也可以与基于在此的示教一起使用。
根据上面的描述,构造这类系统所要求的结构是显而易见的。
此外,本发明也不针对任何特定编程语言。
应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。
然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。
在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。
本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。
本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。
这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。
这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制。
单词第一、第二、以及第三等的使用不表示任何顺序。
可将这些单词解释为名称。
Claims (7)
1.一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,包括:
获得三个检查点位置的检测点信息序列;检测点信息序列包括在多个时间点采集得到的多个污染物信息;污染物信息包括污染类别和污染浓度;
基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,分别通过污染位置网络和污染判断浓度网络,判断污染浓度,得到污染方向位置和污染方向位置浓度;所述污染方向位置表示三个检测点的外接圆中污染浓度大于其他位置的位置;所述污染方向位置浓度表示污染方向位置对应的污染浓度;
基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合;
获得未来天气信息;所述未来天气信息包括未来风向信息和未来雨雪信息;
基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染;
若为重污染,发送预警信号;
所述重污染预测网络的训练方法,包括:
获得典型重污染历史数据;所述典型重污染历史数据预先被储存在数据库中的典型重污染历史案例库中;
根据所述典型重污染历史数据训练重污染预测网络,得到训练好的重污染预测网络;所述重污染预测网络包括距离浓度网络、时间浓度网络和天气浓度预测网络;
所述基于所述检测点信息序列 、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度,通过重污染预测网络,预测未来的污染浓度,根据污染浓度和扩散情况,判断污染情况是否为重污染,包括:
根据所述污染类别曲线集合重构污染类别曲线;
根据所述污染类别曲线,输入未来时间点,得到预测曲线污染浓度;所述未来时间点为预设的时间点;
将所述污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络,通过距离浓度网络提取距离浓度关系特征,得到距离浓度输出信息;
基于所述预测曲线污染浓度、污染类别曲线集合和检测点信息,通过时间浓度网络,提取时间浓度关系特征,得到时间浓度输出信息;
将所述时间浓度输出信息、距离浓度输出信息和未来天气信息输入天气浓度预测网络,预测未来时间点的污染浓度,得到预测污染向量;所述预测污染向量中的值表示污染类别对应的污染浓度是否为重污染;
若所述预测污染向量中的值大于预测阈值,表示会在未来时间点达到重污染;若所述预测污染向量中污染类别对应的值小于污染类别对应的预测阈值,则表示不会在未来时间点达到重污染。
2.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,所述基于任意一个时间点在三个检测点位置检测得到的多个污染物信息,分别通过污染位置网络和污染判断浓度网络,判断污染浓度,得到污染方向位置和污染方向位置浓度,包括:
将三个检测点位置连接为检测三角形,构建检测三角形的外接圆,得到污染边界圆;所述污染边界圆表示需要预测是否重污染的区域;
根据三个检测点信息的污染浓度,将检测点信息进行分类,得到高污染检测点、中污染监测点和低污染监测点;所述高污染检测点为污染浓度大于其他检测点位置的污染浓度的检测点位置;所述低污染监测点为污染浓度小于其他检测点位置的污染浓度的检测点位置;所述中污染监测点为除高污染检测点和低污染检测点之外的检测点位置;
将高污染检测点和低污染检测点对应的圆弧所在的位置构建二维数组,得到大致位置数组;所述大致位置数组中的值包含边界圆中心与污染源连接的直线经过的点;
获得高检测点浓度和中检测点浓度;所述高检测点浓度为高污染检测点对应的污染浓度;所述中检测点浓度为中污染检测点对应的污染浓度;
根据污染类别和污染类别对应的高检测点浓度和中检测点浓度构建三维浓度矩阵;
基于所述大致位置数组和三维浓度矩阵,通过污染位置网络和污染判断浓度网络,检测污染来源,得到污染方向位置和污染方向位置浓度。
3.根据权利要求2所述的一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,所述污染位置网络的训练方法,包括:
获得污染方向训练集;所述污染方向训练集包括多个训练污染方向数据和标注污染方向数据;所述训练污染方向数据包括训练污染大致数组和训练三维浓度矩阵;所述标注污染方向数据包括标注污染位置和对应的标注污染浓度;
将所述训练三维浓度矩阵和所述训练污染大致数组进行叠加,得到训练三维叠加矩阵;
将所述训练三维叠加矩阵输入第一卷积网络进行卷积,提取浓度和位置之间的关系特征,得到位置浓度特征图;
将所述位置浓度特征图输入第一分类器,进行分类,得到训练最终污染位置;
将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络,得到训练最终污染浓度;
获得所述最终污染位置与标注污染位置之间的污染位置损失值;
获得所述最终污染浓度与标注污染浓度之间的污染浓度损失值;
根据所述污染位置损失值和污染浓度损失值相加后进行后向传播,进行训练,得到训练好的污染位置网络;所述污染位置网络包括第一卷积网络和第一分类器。
4.根据权利要求3所述的一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,所述将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络,得到训练最终污染浓度,包括:
将所述位置浓度特征图进行拉长,得到位置浓度特征向量;
将所述位置浓度特征向量和所述训练最终污染位置输入第一神经网络,进行检测,得到训练最终污染浓度。
5.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,所述基于三个检测点位置在多个时间点采集得到的污染物信息,判断不同时间点的污染浓度的变化情况,得到污染类别曲线集合,包括:
将检测点信息中多个污染类别在不同时间对应的多个污染浓度构建检测点集合;
将所述检测点集合中污染类别对应的污染浓度进行拟合,得到多个污染类别变化曲线;一个污染类别对应一个污染类别变化曲线所述污染类别变化曲线的输入值表示时间点;所述污染类别变化曲线的输出值表示污染类别对应的污染浓度;
根据所述污染类别变化曲线,得到污染类别变化曲线类型;污染类别变化曲线参数类别表示污染类别变化曲线的拟合方式;
根据所述污染类别变化曲线,得到多个污染类别变化曲线参数;所述污染类别变化曲线参数为污染类别变化曲线的参数;
所述污染类别曲线集合包括污染类别变化曲线类型和对应的多个污染类别变化曲线参数。
6.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,所述时间浓度网络的训练方法,包括:
获得时间浓度训练集;所述时间浓度训练集包括训练时间浓度数据和标注时间浓度数据;所述训练时间浓度数据包括训练区域污染浓度、训练污染类别曲线集合和训练检测点信息;所述训练区域污染浓度表示污染类别曲线在第二时间点的根据污染类别曲线得到的浓度;所述训练污染类别曲线集合包括第一时间段拟合得到的曲线的类别和参数;所述训练检测点信息表示第一时间段三个检测点位置同时间点检测到的污染类别和污染浓度;所述标注时间浓度数据为1表示为重污染,所述标注时间浓度数据为0表示不为重污染;
所述第一时间段中时间点早于第二时间点;
将所述训练检测点信息中不同时间和对应的浓度训练区域污染浓度、训练污染类别曲线集合输入时间浓度网络,提取时间浓度关系特征,得到训练时间浓度值;
将所述训练时间浓度值和所述标注时间浓度数据求取损失,得到时间浓度损失值;
根据所述时间浓度损失值进行后向传播进行训练,得到训练好的时间浓度网络。
7.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法,其特征在于,所述天气浓度预测网络的训练方法,包括:
获得天气浓度训练集;所述天气浓度训练集包括多个训练天气浓度数据和标注天气浓度数据;所述训练天气浓度数据包括训练时间浓度输出信息、距离浓度输出信息和训练未来天气信息;所述训练时间浓度输出信息表示训练天气浓度数据对应的相同时间点的训练时间浓度数据通过时间浓度网络的输出值;训练距离浓度输出信息表示训练天气浓度数据对应的相同时间点的污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络通过距离浓度网络的输出值;所述标注天气浓度为1表示为重污染,所述标注天气浓度数据为0表示不为重污染;
将所述训练时间浓度输出信息、距离浓度输出信息和训练未来天气信息输入天气浓度预测网络,提取时间、距离和天气影响下对浓度的关系特征,得到训练重污染向量;
将所述训练重污染向量的值与对应的所述标注天气浓度数据求取损失,得到重污染损失值;
根据所述重污染损失值进行后向传播进行训练,得到训练好的天气浓度预测网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410359882.4A CN117972593B (zh) | 2024-03-27 | 2024-03-27 | 一种典型重污染历史案例库分析的长期预报预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410359882.4A CN117972593B (zh) | 2024-03-27 | 2024-03-27 | 一种典型重污染历史案例库分析的长期预报预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972593A CN117972593A (zh) | 2024-05-03 |
CN117972593B true CN117972593B (zh) | 2024-06-04 |
Family
ID=90851755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410359882.4A Active CN117972593B (zh) | 2024-03-27 | 2024-03-27 | 一种典型重污染历史案例库分析的长期预报预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972593B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及系统 |
CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
CN115345075A (zh) * | 2022-08-17 | 2022-11-15 | 北京城市气象研究院 | 一体化气溶胶污染气象指数-气溶胶浓度估算方法及系统 |
WO2023056682A1 (zh) * | 2021-10-09 | 2023-04-13 | 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 |
CN116776745A (zh) * | 2023-08-18 | 2023-09-19 | 南昌云宜然科技有限公司 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
CN117058549A (zh) * | 2023-08-21 | 2023-11-14 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析系统及解析方法 |
CN117744704A (zh) * | 2024-02-21 | 2024-03-22 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
-
2024
- 2024-03-27 CN CN202410359882.4A patent/CN117972593B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN109613178A (zh) * | 2018-11-05 | 2019-04-12 | 广东奥博信息产业股份有限公司 | 一种基于递归神经网络预测空气污染的方法及系统 |
CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
WO2023056682A1 (zh) * | 2021-10-09 | 2023-04-13 | 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 |
CN115345075A (zh) * | 2022-08-17 | 2022-11-15 | 北京城市气象研究院 | 一体化气溶胶污染气象指数-气溶胶浓度估算方法及系统 |
CN116776745A (zh) * | 2023-08-18 | 2023-09-19 | 南昌云宜然科技有限公司 | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 |
CN117058549A (zh) * | 2023-08-21 | 2023-11-14 | 中科三清科技有限公司 | 一种多行业二次污染动态来源解析系统及解析方法 |
CN117744704A (zh) * | 2024-02-21 | 2024-03-22 | 云南宇松科技有限公司 | 一种烟气污染源采集监测系统、方法及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117972593A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20110313958A1 (en) | System and method for empirical ensemble-based virtual sensing of particulates | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN113642263B (zh) | 基于北斗网格的空气质量预警方法和装置 | |
Kuchansky et al. | Combined models for forecasting the air pollution level in infocommunication systems for the environment state monitoring | |
CN118052450A (zh) | 河道水质实时监测平台 | |
CN107884511A (zh) | 用于预测室内空气质量的设备和方法 | |
CN111077048A (zh) | 基于移动设备的机会式群体智能空气质量监测及评估方法 | |
CN112906941A (zh) | 面向动态相关空气质量时间序列的预测方法及系统 | |
CN116882638B (zh) | 一种全氟化合物污染监测设备的管理方法及系统 | |
CN115455814B (zh) | 基于深度学习的污染源查找及污染物分布预测方法及系统 | |
CN115144548B (zh) | 有害气体成分实时监测系统及其监测方法 | |
CN117291781B (zh) | 一种突发性水污染溯源方法、设备及介质 | |
CN117871790B (zh) | 基于多种数据融合的路边监测站数据分析和交通溯源方法 | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
CN117058549B (zh) | 一种多行业二次污染动态来源解析系统及解析方法 | |
CN117972593B (zh) | 一种典型重污染历史案例库分析的长期预报预警方法 | |
CN117540229B (zh) | 一种基于聚类算法的大气环境监测方法 | |
Sardar Maran et al. | Air quality prediction (IoT) using machine learning | |
CN116911620A (zh) | 台风全生命周期风险评估预警方法、装置及电子设备 | |
Abdel-Aty et al. | ATMS implementation system for identifying traffic conditions leading to potential crashes | |
Prasad et al. | Automated neural network forecast of PM concentration | |
CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 | |
CN111754373B (zh) | 一种空气质量分析方法、装置、电子设备及存储介质 | |
Komarasamy et al. | Air Quality Prediction and Classification using Machine Learning |
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 |