WO2020044127A1 - 一种大气污染预测的方法 - Google Patents

一种大气污染预测的方法 Download PDF

Info

Publication number
WO2020044127A1
WO2020044127A1 PCT/IB2019/051245 IB2019051245W WO2020044127A1 WO 2020044127 A1 WO2020044127 A1 WO 2020044127A1 IB 2019051245 W IB2019051245 W IB 2019051245W WO 2020044127 A1 WO2020044127 A1 WO 2020044127A1
Authority
WO
WIPO (PCT)
Prior art keywords
grid
air quality
data
time
historical
Prior art date
Application number
PCT/IB2019/051245
Other languages
English (en)
French (fr)
Inventor
司书春
何新
许军
子珺 张
江山 宋
健 高
一平 刘
Original Assignee
山东诺方电子科技有限公司
司书春
中国环境科学研究院
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 山东诺方电子科技有限公司, 司书春, 中国环境科学研究院 filed Critical 山东诺方电子科技有限公司
Priority to GB2103044.0A priority Critical patent/GB2591886A/en
Priority to CN201980006136.4A priority patent/CN112513896B/zh
Priority to PCT/CN2019/102417 priority patent/WO2020043028A1/zh
Priority to PCT/CN2019/102418 priority patent/WO2020043029A1/zh
Priority to CN201980089855.7A priority patent/CN113348471B/zh
Priority to CN201980089816.7A priority patent/CN113330456B/zh
Priority to PCT/CN2019/102416 priority patent/WO2020043027A1/zh
Priority to CN201980089866.5A priority patent/CN113632101B/zh
Publication of WO2020044127A1 publication Critical patent/WO2020044127A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Definitions

  • the present invention relates to a method for predicting environmental pollution, and belongs to the field of environmental monitoring.
  • BACKGROUND In the process of industrialization, humans have severely damaged the natural environment, and various pollutions have occurred, and air pollution is one of the main pollutions. Air pollution directly endangers people's physical health. Therefore, people have a need to know the air quality of a more accurate future date in order to arrange their work and life, and this demand is relatively strong. Air quality data generally come from measured values from environmental protection agencies.
  • the current technology also has the technology to predict air quality, which is mainly divided into two types: one is to perform prediction based on chemical prediction model calculation, that is, to establish a diffusion model, and the method to perform prediction based on chemical prediction model calculation requires extremely high calculations Resources, it is difficult to achieve; the other is based on local historical meteorological data and historical air quality data, combined with meteorological data at the predicted time, to predict the air quality data at the local predicted time, this method
  • the selected historical meteorological data and historical air quality data are data at the same time in the historical date as the predicted time. For example, if the predicted time is 15:00, then the selected historical meteorological data and historical air quality data are some historical data.
  • the invention uses historical meteorological data and historical air quality data of all regions within a predicted range and a preset distance from the surrounding area. Select a certain historical meteorological data and historical air quality data, use these data with the current meteorological data and air quality data as input parameters, and input functions for air quality prediction. This invention still requires meteorological data and cannot predict the path and trend of pollutant drift.
  • the invention uses historical air quality data and the target date, and simply predicts by analyzing the probability of historical air quality possible air conditions at the target date. Not using existing monitoring data at all, resulting in greatly reduced prediction accuracy and the possibility that predictions that do not conform to the situation at the time may occur.
  • Historical air quality data Air pollutant concentrations at some point in history.
  • Historical air quality data characteristics A vector representing the contribution of the monitored area from the previous moment to the surrounding area's pollutants at a certain time in the past.
  • Historical air quality data feature database A database composed of vectors characterizing historical air quality data features.
  • Air quality data frame The area to be predicted is divided into a grid with a set density according to the predicted demand, historical air quality data is assigned to the grid based on time and geographical location, and time-series-based information with geographic location is generated. Air quality data set.
  • Air quality data matrix The matrix obtained by expressing the data contained in the data frame as a matrix is the air quality data matrix.
  • Recent air quality data The air quality data previously calculated before the pollution process is predicted to be compared with historical data.
  • Characteristics of recent air quality data The vector of the pollution process to be predicted is up to a certain time before comparison with historical data, and a vector expressing the contribution of the monitored area from the previous moment to the surrounding area's pollutants at the next moment.
  • Matching degree coefficient A coefficient indicating the degree of matching between the characteristics of recent air quality data of the pollution process to be predicted and the characteristics of historical air quality data to be matched.
  • Vector group A vector group calculated based on the air quality data frames at two moments and including the feature vectors in each grid to represent the diffusion path of pollutants.
  • Air quality data characteristics over time Vectors characterizing the information of pollutant diffusion between two times.
  • meteorological parameters such as wind speed and wind direction require high computing resources in the prior art for air quality prediction, or the shortcomings of simple probability prediction in the prior art that rely on historical data.
  • the invention provides a method for predicting air quality, which uses less computing resources and does not use near-surface meteorological data that is not easily available, to accurately predict air pollution and pollution drift path trends.
  • the present invention provides the following technical solutions:
  • a method for predicting air pollution comprising the following steps:
  • the historical air quality database contains historical air quality data obtained by various air quality monitoring equipment; the historical air quality data includes two-dimensional geographic location information and time stamp information;
  • the three-dimensional space-time grid is based on two-dimensional geographic location and time;
  • Each grid generates a unique data unit; the data unit is calculated from the historical air quality data falling into the grid; or it is derived from the neighboring grids of the grid ;
  • the feature vector of the data unit after a similar grid interval is used to predict the value of the data unit in the future period.
  • Establish a historical air quality database to obtain historical air quality data, geographic location information, and areas to be predicted, and establish a historical air quality database by: determining the geographic area range of the area to be predicted; obtaining the geographic area within the area to be predicted Historical air quality data of location information.
  • These historical air quality data with geographic location information can be data collected by national control stations, super stations, air quality monitoring micro stations, and mobile stations.
  • Establish a grid database to divide the area to be predicted into a grid with a set density according to the forecasted demand, and assign historical air quality data to the grid based on time and geographical location, and generate two-dimensional geographic information and time stamp information. Air quality data frame.
  • a three-dimensional spatio-temporal grid is established with time information as the axis, and data frames with two-dimensional geographic information and air quality data are arranged to generate a three-dimensional spatio-temporal network.
  • the air quality data of the grid can be obtained by mathematical methods such as interpolation and diffusion model at the same time.
  • the air quality data of the grid can also be obtained through mathematical methods such as interpolation and diffusion model in the same space, and the grid data at adjacent moments.
  • each 2D geographic grid can be 10 meters-1000 meters.
  • the same time refers to the air quality data from 1 minute to 1 hour before and after the time.
  • Method for obtaining the air quality data matrix The historical air quality data at the time is filled into the divided grid according to the geographic location information to obtain a 7 ⁇ time air quality data frame.
  • the data frame is an air quality data plane with two-dimensional geographic location information at a time in a three-dimensional space-time network.
  • the air quality data frame at time 7 ⁇ is converted into the A matrix according to the grid.
  • the values of the elements in the first row and the first column in the A matrix are the air quality in the first and the second columns in the air quality data at Ti, and so on.
  • the values of the elements in the m-th row and the n-th column of the A matrix are the air quality of the m-th row and the n-th column in the air quality data frame at the time.
  • the air quality data matrix B at time is obtained by the same method as above, and the B matrix represents the air quality data frame in the area at time 7 ⁇ .
  • Method for obtaining historical air quality data characteristics Calculate the pollution contribution of each grid to the adjacent grid at the next moment separately, and the pollution contribution of each grid to the neighboring grid is obtained by vector calculation.
  • I is the air quality data at the previous time
  • ⁇ is the air quality data at the next time.
  • I is the air quality data at the previous moment
  • T 2 is the air quality data at the moment after.
  • the contribution to the surroundings is also the direction of the pollution drift in these two moments, that is, The characteristics of air quality data from time to time; continuous characteristics between multiple times can represent the drifting path of pollutants.
  • This vector group is the feature of the pollution situation between these two times; then calculate the history separately.
  • the pollutant vector groups at all times in the air quality data that is, the historical data characteristics of the air quality in the historical time period are obtained. Archiving and saving these historical air quality data features is the historical air quality data feature database.
  • the pollution drift vector is also the feature vector.
  • the method of analyzing the characteristics of recent air quality data is similar to the way of building a historical air quality data feature database.
  • the air quality data with geographic location information of the air quality monitoring station is assigned to the already-divided grid of the region to be predicted, and the current air quality data frame and one or more groups of a certain time forward based on the current time are generated.
  • the influence of the area on the current air quality within a time period, and the continuous features at multiple times can represent the recent pollutant f wind migration path.
  • the near-term air quality data features are determined, and the recent air quality data features are compared with the historical air quality data features to obtain a matching coefficient T1.
  • the historical air quality data features that are closest to the recent air quality data features can be found, and the current air quality or current pollution status can be found.
  • the path impact factor (factor path): / p .
  • the distance of pollution movement path and the source of pollution should be considered. If the recent air quality data features have a high degree of matching with the pollutant drift path of multiple historical air quality data features, then the degree of matching with the historical air quality data feature paths with a shorter path distance in the recent air quality data features is higher. .
  • the factor of diffusion degree (factor diffusion): / d . In the case of similar pollutant diffusion paths, the diffusion degree of the two pollution processes should be used as a parameter. If the degree of diffusion and the area level of the two pollution processes are similar, the matching degree coefficient should be increased accordingly.
  • the coefficient of the matching system degree should be increased. Reduce accordingly; set factor repeatability: / r .
  • the number of historically similar pollution processes should be used as a parameter. If similar historical pollution process models matching the pollution process to be predicted have occurred many times, it is considered that the predictions made using the historical air quality data are more reliable, and a higher matching degree coefficient should be set; the terrain impact factor ( factor geo):.
  • the topographical factors of the place where the historical and to-be-predicted pollution processes occur should also be used as parameters.
  • Angle cosine contrast matching method To compare features, you need to compare the characteristics of recent air quality data with historical air quality data. comparing. Matching coefficient of angle cosine applied to the m-th row and n-th row of the square at time t : Cosine similarity uses the cosine of the angle between two vectors in a vector space as a measure of the difference between two individuals. The closer the cosine value is to 1, the closer the angle is to 0 degrees. Similarly, the comparison of vectors ⁇ and ⁇ , which characterize the recent and historical air quality characteristics of the monitored area at a specific time, can also be performed using the angle cosine method, and the calculation process is the same as above (Note: for all air quality data obtained during the monitored period.
  • T] ' is the modified matching coefficient The closer the matching coefficient is to 1, the better the matching is. The more similar the current feature is to a certain feature of the historical air quality data feature database, the more likely it will happen in the future. The closer the matching coefficient is to 0, the worse the matching. The less similar the feature is to a certain feature of the historical air quality data feature database, the less likely it will occur.
  • the data unit matching method compares the recent air quality data unit with the historical air quality data unit, finds the closest to the selected recent air quality data frame, or enlarges or reduces each data in the recent air quality data frame in a certain proportion.
  • the historical air quality data frame, the historical air quality movement process or pollution process that is closest to the current air quality or current pollution status and movement path is found.
  • Examples of recent and historical air quality data matching There are historical air quality data frame A and recent air quality data frame A. The two data frames are compared to determine whether the historical pollution process in which the A data frame is located can predict the development trend of the recent pollution process.
  • FIG. 1 is a schematic flow diagram of an air quality prediction
  • FIG. 2 is a schematic vector A nn B
  • FIG. 3 is a schematic 7 ⁇ 72 historical time to air quality data feature vector
  • FIG. 4 is a schematic diagram of the vector ⁇ ;
  • FIG. 5 is 10: Schematic diagram of air quality data characteristics of each grid from time 40 to 10:50;
  • Figure 6 is a schematic diagram of air quality data characteristics of the area to be measured from 10:40 to 10:50;
  • Figure 7 is a schematic diagram of the angle 0 between i and ⁇ .
  • the predicted area in this embodiment is centered on a subway station in Jinan, with a surrounding area of 150m * 150m and an area of 22500m 2 In the square area, the pollution process lasts from 9:00 am on January 23, 2019 to 5:00 pm on January 23, 2019.
  • the historical air quality data at the time of 10:40 and 10:50 on January 23, 2019 are filled into the divided grid based on the geographic location information to obtain the air quality data frame at 10:40 and the air quality at 10:50 Data Frame.
  • the geographic location of air pollution data is often not continuous.
  • the air quality data in the grid without data can be obtained using mathematical algorithms such as interpolation based on the existing air quality data.
  • January 23, 2019, 10:40 and 10 am 50 statistics of pollution at two times (PM 2 S concentration value) as shown in the table below
  • the air quality data frame at time 10:40 is converted into the A matrix according to the grid.
  • the values of the elements in the first row and the first column in the A matrix are the air quality of the first row and the first column in the data frame at 10:40.
  • the value of the element in the m-th row and the n-th column in the A matrix is the air quality of the m-th row and the n-th column in the data frame at time 10:40
  • the A matrix represents the data frame of the degree of pollution in the area at time 10:40.
  • the pollution data frame at 10:50 is converted into a B matrix.
  • the coordinate grid table is as follows:
  • the vector calculation method is as follows:
  • Figure 4 is a vector diagram. In the same way, the vectors are calculated separately, and A ⁇ BA ⁇ BA ⁇ BA ⁇ BA ⁇ B s A ⁇ B s are calculated separately.
  • Fig. 5 shows the above vectors. This vector graph is the air quality data feature of each grid.
  • the air quality historical data features are obtained as vector values.
  • Air quality data characteristics for the area from 10:40 to 10:50.
  • compare the air quality data characteristics with the historical air quality data characteristics in the database find the historical air quality data characteristics that are closest to the recent air quality data characteristics, and find a matching history.
  • the current air quality data is used as the basic data input, and vector calculation and fitting are performed to predict the future air quality.
  • the current time is 8:00, January 28, 2019.
  • An example of the prediction of pollutants in the lower left corner of the grid is used to analyze and predict the air pollution situation at 8:10 on January 28, 2019.
  • the first step of forecasting is to compare and fit the near-term vector with the historical vector.
  • the characteristics of the air quality data during the historical time period (25, 25).
  • the characteristics of air quality data from 07:50 on January 28, 2019 to 8:00 on January 28, 2019 are obtained.
  • the two vectors have a very high degree of matching.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Air Conditioning Control Device (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种环境污染的预测方法，属于环境监测领域。通过建立三维时空网格，对网格化数据库的数据进行向量化分析，得到全部或部分数据单元的特征向量；以相似网格区间之后一段时间的数据单元的特征向量，来预测未来时段的数据单元的数值。

Description

一种大气污染预测的方法 技术领域 本发明涉及一种环境污染的预测方法， 属于环境监测领域。 背景技术 在工业化过程中， 人类对自然环境的破坏比较严重， 产生了各种污染， 而大气污染便是其 中主要的污染之一。 大气污染直接危害着人们的身体健康， 因此， 人们存在能够获知较为 准确的未来日期的空气质量的需求， 以便安排自己的工作和生活， 并且， 这一需求比较强 烈。 空气质量数据一般主要来自环保部门的实测值。 而目前的技术也有对空气质量进行预测的 技术， 主要分为两种：一种是基于化学预报模式计算进行预报， 即建立扩散模型， 基于化 学预报模式计算进行预报的方法， 需要极高的计算资源， 难以实现；另一种是基于当地历 史气象数据及历史空气质量数据， 结合预测时刻气象数据， 对当地预测时刻的空气质量数 据进行预测， 这种方法， 对当地预测时刻的空气质量数据进行预测时， 所选取的历史气象 数据及历史空气质量数据为历史曰期中与预测时刻相同时刻的数据， 比如预测时刻为 15:00, 则所选取的历史气象数据及历史空气质量数据为历史某个或某些日期 15:00时的数 据， 采用这种方法所预测得到的空气质量的数据准确度比较低。 上述两种空气质量预测方式有很多弊端， 第一种需要大量的参数数据输入， 并且对计算资 源以及气象监控网络有极高的要求；第二种由于基于历史气象数据以及历史空气质量数据, 同时需要两种数据， 而且这种简单的基于历史气象数据和历史空气质量数据的预测方法准 确度较低。 这两种方法都需要气象数据， 而且无法对中小尺度进行精确和实时的预测；无 法准确预测污染飘移的移动方向和轨迹。 有相关人员对污染物预测进行了一些研究。 中国专利申请号 ： 201510287229.2 , 发明名称：空气质量的预测方法和装置。 该发明从 利用预测地区和周边预设距离范围内所有地区的历史气象数据和历史空气质量数据， 从中 选取一定的历史气象数据和历史空气质量数据， 将这些数据和当前的气象数据与空气质量 数据一并作为输入参数， 输入函数进行空气质量预测。 该发明仍然需要气象数据， 而且无 法预测污染物飘移的路径和走向趋势。 中国专利申请号： 201710818682.0, 发明名称：空气质量预测方法及装置。 该发明利用空 气质量历史数据以及目标曰期， 简单通过分析历史空气质量在目标曰期所可能的空气情况 的概率进行预测。 完全不利用现有监测数据， 导致预测准确性大为降低并且有很可能出现 不符合当时情况的预测。 发明内容 术语
1. 历史空气质量数据：历史某时刻的空气污染物浓度。
2. 历史空气质量数据特征：历史某两个时刻间， 表达被监测区域前一时刻对后一时刻 周围区域污染物的贡献的向量。
3. 历史空气质量数据特征库： 由表征历史空气质量数据特征的向量组成的数据库。
4. 空气质量数据帧：将待预测地区根据预测需求划分为设定密度的网格， 将历史空气 质量数据根据时间以及地理位置赋予网格内， 生成以时间序列为基础的带有地理位 置信息的空气质量数据集。
5. 空气质量数据矩阵：将数据帧所包含的数据以矩阵的形式表达得到的矩阵即为空气 质量数据矩阵。
6. 近期空气质量数据：待预测污染过程截止到与历史数据进行比对之前所统计得到的 空气质量数据。
7. 近期空气质量数据特征：待预测污染过程截止到与历史数据进行比对之前的某两个 时刻间， 表达被监测区域前一时刻对后一时刻周围区域污染物的贡献的向量。
8. 匹配程度系数：表示待预测污染过程的近期空气质量数据特征与待匹配历史空气质 量数据特征的匹配程度的系数。
9. 向量组：根据两时刻空气质量数据帧计算得到的包含每一个网格内特征向量表征污 染物扩散路径的向量组。
10.时刻间空气质量数据特征：表征两时刻间污染物扩散信息的向量。 为了克服现有技术中对空气质量预测需要风速风向等气象参数对计算资源要求很高的弊端, 或者现有技术中依靠历史数据进行的简单概率预测的不足。 本发明提供了一种空气质量预 测的方法， 利用较少的计算资源、 不使用不易获得的近地面气象数据情况下， 准确地预测 空气污染以及污染飘移路径趋势。 为实现上述目的， 本发明提供如下技术方案：
1. 一种大气污染预测的方法， 包含如下步骤：
1） 建立历史空气质量数据库：所述历史空气质量数据库中包含各种空气质量监测设 备获取的历史空气质量数据；所述历史空气质量数据包含二维地理位置信息和时 间戳信息；
2） 建立三维时空网格：所述三维时空网格以二维地理位置和时间为轴；
3） 建立网格化数据库： 每个网格内产生唯一一个数据单元； 所述数据单元由落入该 网格的历史空气质量数据计算得出； 或者由该网格的邻近网格推算得出；
4） 对网格化数据库的数据进行向量化分析， 得到全部或部分数据单元的特征向量；
5） 将网格化数据库中当前一段时间的数据单元， 与网格化数据库中非当前一段时间 的数据单元进行特征对比和匹配； 得到匹配度最高的一段或几段相似网格区间；
6） 以相似网格区间之后一段时间的数据单元的特征向量， 来预测未来时段的数据单 元的数值。 建立历史空气质量数据库 获得历史空气质量数据、 地理位置信息和待预测区域等信息， 建立历史空气质量数据库， 具体做法为 ： 确定待预测地区的地理区域范围；获取待预测区域范围内的带有地理位置信息的历史空气 质量数据， 这些带有地理位置信息的历史空气质量数据可以是国控站、 超级站、 空气质量 监测微站和移动站等采集的数据。 建立网格化数据库 将待预测地区根据预测需求划分为设定密度的网格， 将历史空气质量数据根据时间以及地 理位置赋予网格内， 生成带有二维地理位置信息的和时间戳信息的空气质量数据帧。 以时间信息为轴建立三维时空网格， 将带有二维地理位置信息和空气质量数据的数据帧排 列， 生成三维时空网络。 网格内赋予带有地理位置信息和时间戳信息的空气质量方法：
1） 在同一时刻内仅有一个空气质量信息落入了一个网格， 该网格的空气质量数据 是这一个空气质量信息。
2） 在同一时刻内有多个空气质量信息落入了一个网格， 该网格的空气质量数据为 这些空气质量信息的平均值。
3） 没有空气质量信息落入的网格， 该网格的空气质量数据可以通过同一时刻， 相 邻空间的网格数据经插值、 扩散模型等数学方法得来。
4） 没有空气质量信息落入的网格， 该网格的空气质量数据还可以通过同一空间， 相邻时刻的网格数据经插值、 扩散模型等数学方法得来。
5） 每个二维地理网格的边长可以是 10米 - 1000米。
6） 同一时刻指该时刻点前后 1分钟〜 1小时的空气质量数据。 向量化分析网格化数据库 分析历史空气质量数据库特征 分析历史空气质量数据库特征， 分析带有地理位置信息的空气质量数据帧， 做法为对前一 时刻数据帧内每个网格对后一时刻数据帧内的该网格相邻位置的污染贡献分析， 得到这两 个时刻间的历史空气质量数据特征， 该特征是这两个时刻间每一个网格对周边的污染贡献, 代表了这两个时刻间污染飘移的方向， 多个时刻间的连续特征即能表示污染飘移的路径。 空气质量数据矩阵的获得方法： 将在 时刻的历史空气质量数据根据地理位置信息填充至划分的网格内， 得到 7\时刻空气 质量数据帧。 数据帧即是三维时空网络中， 一个时刻下的带有二维地理位置信息的空气质 量数据平面。
Figure imgf000007_0003
将 7\时刻空气质量数据帧根据网格转化为 A矩阵， A矩阵中第一行第一列的元素的值即为 Ti时刻空气质量数据巾贞中第 行第 列的空气质量， 以此类推 A矩阵中第 m行第 n列的 元素的值即为 时刻空气质量数据帧中第 m行第 n列的空气质量， A矩阵代表 7\时刻区域 内空气质量数据帧。
Figure imgf000007_0001
^时刻空气质量数据矩阵 B同理通过上述方法获得， B矩阵代表 7^时刻区域内空气质量数 据帧。
Figure imgf000007_0004
Figure imgf000007_0002
历史空气质量数据特征的获得方法： 分别计算前一时刻每一个网格对下一时刻相邻网格的污染贡献， 每一个网格对相邻网格的 污染贡献通过向量的计算方式获得。
Figure imgf000008_0004
得到分析矩阵
Figure imgf000008_0001
为前一时刻的空气质量数据， ^为后一时刻空气质量数据。 上文中 I为前一时刻空 气质量数据， T2后一时刻空气质量数据。
Figure imgf000008_0002
^mnB(m+iXn+l) , 污染飘移向量计算方法如下：
Figure imgf000008_0003
Figure imgf000009_0001
·^mn^(m+l)(n+l)
Figure imgf000009_0002
对周边的贡献也就是这两个时刻间污染飘移的方向， 也就是
Figure imgf000009_0003
在 时刻到 ^时刻之间空气质量数据特征；多个时刻间的连续特征即能表示污染物飘移路径。 分别计 算网格内每一区域在 7\时刻到 r2时刻的向量得到， 7\时刻到 r2时刻的向量组， 这个向量组 即是这两个时刻间污染情况的特征；再分别计算历史空气质量数据中所有时刻间的污染物 向量组， 即得到历史时间段内的空气质量历史数据特征。 将这些历史空气质量数据特征存 档保存即为历史空气质量数据特征库。 在这里污染飘移向量也就是特征向量。 分析近期空气质量数据特征 分析近期空气质量数据特征的方法与建立历史空气质量数据特征库的方式类似。 首先将空 气质量监测站的带有地理位置信息的空气质量数据赋值于待预测区域已经划分好的网格内, 生成当前空气质量数据帧和以当前时刻为基准向前一定时刻的一个或多组数据帧， 进而生 成当前空气质量和向前一定时刻的空气质量数据矩阵。 利用上述建立的历史空气质量数据特征库中提到的建立历史空气质量数据特征的获得方法 和空气质量数据矩阵的获得方法， 可以得到近期空气质量数据变化的向量组， 这个向量组 就是近期空气质量数据特征。
Figure imgf000010_0003
Figure imgf000010_0001
区域在 ^时间内对当前空气质量的影响， 多 个时刻间的连续特征能表示近期污染物 f风移路径。 匹配近期空气质量数据与历史空气质量数据 特征向量匹配方法 确定了近期空气质量数据特征后， 将近期空气质量数据特征与历史空气质量数据特征进行 比较， 得到匹配系数 T1。 可以根据向量最短距离、 夹角余弦、 马氏距离、 向量相似度等数 学方法， 找到和近期空气质量数据特征最接近的历史空气质量数据特征， 也就找到了与当 前空气质量或者说当前污染状况、 运动路径最接近的历史空气质量运动过程或者污染过程。 在匹配过程中， 应当考虑其他影响因子 /如下： 设定温度影响因子 (factor temperature) : ft, 温度影响因子 (factor humidity) :
Figure imgf000010_0002
季 节影响因子 (factor season) : /5。 若历史空气质量数据与近期空气质量数据所处的季节、 温湿度接近或相同， 则匹配程度较高；若历史空气质量数据与近期空气质量数据所处的季 节、 温湿度相差较大， 则影响因子值较小。 设定极端天气影响因子 (factor weather ) : /w。 历史空气质量数据与近期空气质量数据所 处时间有极端天气， 则极端天气影响因子数值很低， 当时数据不能作为预测参考， 当前情 况也不适合进行预测。 设定路径影响因子 (factor path) : /p。 历史空气质量数据与近期空气质量数据中， 污染移 动路径的以及污染源头的距离应做考虑。 若近期空气质量数据特征与多个历史空气质量数 据特征的污染物漂移路径有较高的匹配度， 那么与近期空气质量数据特征中路径距离更近 的历史空气质量数据特征路径的匹配度更高。 设定扩散程度影响因子 (factor diffusion) : /d。 在有相似的污染物扩散路径的情况下， 两 次污染过程的扩散程度应当作为参数。 若两次污染过程的扩散程度、 影响范围的区域面级 相似， 则匹配程度系数应相应增大， 若两次污染过程的扩散程度、 影响范围的区域面级相 差较大， 则匹配系程度系数相应减小； 设定重复性影响因子 (factor repeatability) : /r。 历史相似污染过程发生的次数应当作为 参数。 若待预测污染过程所匹配的相似历史污染过程模型曾多次发生， 则认为使用该历史 空气质量数据所进行预测的可靠性较强， 应设置较高的匹配程度系数； 设定地形影响因子 (factor geo) : 。 历史与待预测污染过程的产生地点所处的地形因素 也应当作为参数。 若两次污染过程的产生地地形相差较大， 例如其中一次是在数年前当地 没有较多建筑， 而另一次是在较过去有了很多建筑的情况下， 数年前没有建筑的匹配程度 系数相应减小。 其他影响因子判定方法表：
Figure imgf000011_0001
夹角余弦对比匹配方法： 要进行特征对比匹配则需要将近期空气质量数据特征与历史空气质量数据进行对比， 即将
Figure imgf000012_0001
进行对比。 t时刻第 m行， 第 n列方格应用夹角余弦法的匹配系数
Figure imgf000012_0002
:
Figure imgf000012_0003
余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。 余弦值 越接近 1 , 就表明夹角越接近 0度。 同理， 表征被监测区域在特定时刻近期与历史空气质 量特征的向量 ^与 ^的对比也可以用夹角余弦法完成， 计算过程同上 （注：针对被监 测时段获得的所有空气质量数据。 t时刻的整个网格范围内应用夹角余弦法匹配系数 rf :
Figure imgf000012_0004
段时间 T内某一时刻第 m行， 第 n列方格应用夹角余弦法的匹配系数
Figure imgf000012_0005
q代表 T时 间段内进行匹配的次数：
Figure imgf000012_0006
段时间 T内整个网格范围内应用夹角余弦法的匹配系数 rf , q代表 T时间段内进行匹配 的次数： ii T = - 2L
q 考虑到其他影响因子， 匹配系数的修正公式为： r\f = f x r\
T]'为修正后匹配系数 匹配系数越接近于 1 , 则匹配性越好， 当前特征与历史空气质量数据特征库的某一段特征 越相似， 未来发生的可能性越大； 匹配系数越接近于 0 则匹配性越差， 当前特征与历史 空气质量数据特征库的某一段特征越不相似， 约不可能发生。
Figure imgf000013_0001
数据单元匹配方法 将近期空气质量数据单元与历史空气质量数据单元进行比较， 找到和选定近期空气质量数 据帧最接近的， 或者针对近期空气质量数据帧中每一个数据都成一定比例放大或缩小的历 史空气质量数据帧， 也就找到了与当前空气质量或者说当前污染状况、 运动路径最接近的 历史空气质量运动过程或者污染过程。 近期与历史空气质量数据的匹配举例： 有如下历史空气质量数据帧 A与近期空气质量数据帧 A。， 现将两数据帧进行对比， 以确定 A数据帧所在历史污染过程是否可以对近期污染过程的发展趋势进行预测。
Figure imgf000013_0002
A数据帧
Figure imgf000014_0003
A数据帧
Figure imgf000014_0001
首先选取近期数据帧中的单个数据 与历史对应地理位置数据 进行运算求得比值 811-^ f 同理，求得该区域内所有网格数据的
Figure imgf000014_0002
之后根据均値 众数，数据分布,
^11 ^mn
线性回归等数学方法统计符合设定要求的 的比便 L
Figure imgf000014_0004
A-A。对比麵桢 此 &以平均値法举例，规定符合要求的 S范围的为6 ± 0,25。 定义 为相似系数 , A为符合规定范围的 S占对比麵巾贞 S値数量的比値。 若 A为 80%以上，则 认为 A数据巾贞与 数据巾贞相匹似。 反映了预测的准确率，可以根据预测的准确率进行调 T? ..樾高代表预测准确率越高。 ^ . .淨 凝 £数量
数据帧 ztmm ： 似 , 0
（相似， t > K
K为相似度参数 k = 0.8、 0.9 基于匹配结果和当前空气质量情况对未来空气质量预测 当得到匹配度最高的一段或几段相似网格区间后， 以当前空气质量数据为基准 （已知当前 空气质量数据）， 以及已知历史匹配网格的时刻的后续时刻的污染飘移向量 （后续时刻的 污染飘移向量的计算方式仍为污染飘移向量计算方法）， 逆向应用污染飘移向量计算方法 对未来空气质量数据进行推算和预测， 得到未来的空气质量数据。 附图说明 图 1为空气质量预测流程示意图； 图 2为向量 AnnB示意图 ; 图 3为 7\时刻到 72历史空气质量数据特征向量示意图； 图 4为向量 ^示意图； 图 5为 10 : 40时刻至 10:50时刻每网格空气质量数据特征示意图； 图 6为 10 : 40时刻至 10:50时刻待测区域内空气质量数据特征示意图； 图 7为 i 与 ^的夹角 0示意图。
具体实施方式 此实施例中被预测区域为以济南市某地铁站为中心， 周围 150m*150m, 面积为 22500m2 的正方形区域， 污染过程自 2019年 1月 23日上午 9时持续到 2019年 1月 23日下午 5 时， 取上午 10 : 40-10 : 50空气质量数据帧进行污染物漂移路径监测分析， 空气质量数据 帧的分辨率为 50M*50M。 将区域内以 50M*50M为单位划分成为网格状， 贝 II本区域内包含 9个网格， 取左下角网格 为例进行污染物漂移路径分析。 将 2019年 1月 23日上午 10 : 40与 10 : 50两时刻的历 史空气质量数据根据地理位置信息填充至划分的网格内， 得到 10 : 40 时刻空气质量数据 帧和 10 : 50 时刻空气质量数据帧。 空气污染数据的地理位置时常不是连续的， 没有数据 的网格内的空气质量数据可以依据已有空气质量数据利用插值等数学算法得来， 最终得到 2019年 1月 23日上午 10 : 40与 10 : 50两时刻污染统计数据 （PM2 S浓度值） 如下表所
10 : 40分空气质量数据表格
Figure imgf000016_0001
10 : 50分空气质量数据表格
Figure imgf000016_0002
将 10 : 40时刻空气质量数据巾贞根据网格转化为 A矩阵， A矩阵中第一行第一列的兀素的 值即为 10 : 40时刻数据帧中第一行第一列的空气质量， 以此类推 A矩阵中第 m行第 n列 的元素的值即为 10 : 40时刻数据帧中第 m行第 n列的空气质量， A矩阵代表 10 : 40时 刻区域内污染程度数据帧。 同理， 将 10 : 50时刻污染数据帧转化为 B矩阵。
100 75 50
A = 135 110 85
170 145 120
Figure imgf000017_0001
150 135 120
B = 165 150 135
180 165 150
分别计算 10 : 40时刻每一个网格对 10 : 50时刻相邻网格的污染贡献， 每一个网格对相邻 网格的污染贡献通过向量的计算方式获得。 如下表格：
Figure imgf000017_0002
根据编号规则对 10 : 40与 10 : 50两个网格区域进行编号 （以网格区域左上角网格的左上 角顶点为原点， 横向为 x轴， 纵向为 y轴建立坐标网格 （为保证网格编号方向与矩阵排列 方向相符， y轴正向向下）， 按照网格在 X轴与 y轴方向上的排位次序对网格进行编号）， 坐标网格表格如下：
10 : 40时刻空气质量坐标网格
Figure imgf000017_0003
Figure imgf000018_0004
10 : 50时刻空气质量坐标网格
Figure imgf000018_0005
则 10 : 40 时刻左下角网格区域对 10 : 50 时刻周边区域的｝万染贡献为
Figure imgf000018_0001
、 -<431^22 ' ^31^32 , 向量计算方式如下：
Figure imgf000018_0002
刻 ；L区域污染扩散信息。 图 4为向量 示意图。 同理分别计算向量 、 A^B A^B A^B A^B A^B s A^B s 分别进行计算, 图 5表示上述向量， 该向量图为每个网格的空气质量数据特征。
Figure imgf000018_0003
时刻至 10 : 50时刻空气质量历史数据特征得向量值。 为 10:40到 10:50时刻区域的空 气质量数据特征。 在确定了被预测区域近期空气质量数据特征后， 将空气质量数据特征与数据库中历史空气 质量数据特征进行比较， 找到和近期空气质量数据特征最接近的历史空气质量数据特征， 在找到匹配的历史空气质量数据特征之后， 以当前的空气质量数据为基础数据输入， 进行 向量的运算和拟合， 即可对未来空气质量进行预测。 当前时刻为 2019年 1月 28日 8:00 , 以左下角网格进行污染物预测的实施例分析预测 2019 年 1月 28曰 8:10空气污染情况。 进行预测的第一步即将近期向量与历史向量进行对比拟 合， 根据历史空气质量数据特征库， 得到历史同期时刻间空气质量数据特征 = (25, 25)。 利用同样的计算方式， 得到 2019年 1月 28日 07:50至 2019年 1月 28日 8:00间空气质 量数据特征。
Figure imgf000019_0001
24)与: ^进行对比。 根据夹角余弦公式：
Figure imgf000019_0002
Figure imgf000019_0003
0.9998^1 , 所以认为这两个向量的匹配度极高， 可以利用此历史数据对污染物进行预测， 已知与 相匹配的历史空气质量数据在下一 10 分钟梯度的时刻间空气质量数据特征 ^31^ ' = (26, 26)， 其中向量的分量彳 息为
Figure imgf000019_0004
20)， A31B2I ' = (0, 6) ,
A^BT2' = (6, 0) , 通过监测数据已知 08 : 00时刻 B31网格的污染物浓度为 180 , 贝 1J根 据以上信息预测得到 11 : 00各网格的污染浓度为 B22=160 , B21=174 , B32=174。
8:10左下网格周边的空气污染情况预测结果：
Figure imgf000020_0001

Claims

权利要求书
1. 一种大气污染预测的方法， 包含如下步骤：
1） 建立历史空气质量数据库： 所述历史空气质量数据库中包含各种空气质量监测设 备获取的历史空气质量数据； 所述历史空气质量数据包含二维地理位置信息和时 间戳信息；
2） 建立三维时空网格： 所述三维时空网格以二维地理位置和时间为轴；
3） 建立网格化数据库： 每个网格内产生唯一一个数据单元； 所述数据单元由落入该 网格的历史空气质量数据计算得出； 或者由该网格的邻近网格推算得出；
4） 对网格化数据库的数据进行向量化分析， 得到全部或部分数据单元的特征向量；
5） 将网格化数据库中当前一段时间的数据单元， 与网格化数据库中非当前一段时间 的数据单元进行特征对比和匹配； 得到匹配度最高的一段或几段相似网格区间；
6） 以相似网格区间之后一段时间的数据单元的特征向量， 来预测未来时段的数据单 元的数值。
2. 一种大气污染预测的方法， 包含如下步骤：
1） 建立历史空气质量数据库： 所述历史空气质量数据库中包含各种空气质量监测设 备获取的历史空气质量数据； 所述历史空气质量数据包含二维地理位置信息和时 间戳信息；
2） 建立三维时空网格： 所述三维时空网格以二维地理位置和时间为轴；
3） 建立网格化数据库： 每个网格内产生唯一一个数据单元； 所述数据单元由落入该 网格的历史空气质量数据计算得出； 或者由该网格的邻近网格推算得出；
4） 对网格化数据库的数据进行向量化分析， 得到全部或部分数据单元的特征向量；
5） 将网格化数据库中当前一段时间的数据单元的特征向量， 与网格化数据库中非当 前一段时间的数据单元的特征向量进行特征对比和匹配； 得到匹配度最高的一段 或几段相似网格区间；
6） 以相似网格区间之后一段时间的数据单元的特征向量， 来预测未来时段的数据单 元的数值。
3. 如权利要求 1或 2所述的方法， 其特征在于， 所述三维时空网格中每个网格的大小 为： 二维地理边长： 10米〜 1000米； 时长： 1分钟〜 1小时。
4. 如权利要求 1或 2所述的方法， 其特征在于， 所述部分数据单元不包括位于三维时空 网格边界处的网格的数据单元。
5. 如权利要求 4所述的方法， 其特征在于， 所述向量化分析是指：
分别计算每一个网格对相邻网格下一时段的污染贡献通过向量的计算方式获得:
1） 先建立分析矩阵
Figure imgf000022_0001
2） 计算特征向量:
Figure imgf000022_0002
其中， Amn代表坐标为 （m,n） 的数据单元在某时刻的数据;
的数据单元在下一时刻的数据；
Figure imgf000022_0003
周边网格的污染贡献。
6. 如权利要求 4所述的方法， 其特征在于， 所述数据单元的匹配方式为： 对比当前时刻与历史时刻同一网格位置的数据单元， 得到对比系数
Figure imgf000022_0004
Amn为历史时刻坐标 （m， n） 的数据单元， Avn是当前时刻坐标 （m， n） 的数据单 元；
符合规定的 雛
定义相似系数 i , i =
数据帧 繼 不相似, 0 < 1 < K
Figure imgf000023_0001
相似， 1 > K
K为相似度参数， k = 0.8、 0.9
7. 如权利要求 4所述的方法， 其特征在于， 所述特征向量的匹配方式为:
Figure imgf000023_0002
其中， Bm c nAc 表示近期污染飘移的特征向量， 1^„是1时刻网格 （m， n） 的匹配系 数。
8. 如权利要求 4所述的方法， 其特征在于， 所述特征向量的匹配方式为:
Figure imgf000023_0003
其中， ri 为一段时间 T内某一时刻网格 （m， n） 应用夹角余弦法的匹配系数， q代 表 T时间段内进行匹配的次数。
9. 如权利要求 4所述的方法， 其特征在于， 所述特征向量的匹配方式为:
Figure imgf000023_0004
其中， rf为一段时间 T内整个网格范围内应用夹角余弦法的匹配系数 rf， q代表 T时 间段内进行匹配的次数。
10.如权利要求 7至 9之一所述的方法， 其特征在于， 所述匹配系数按如下方式修正： if = f X T1
T1'为修正后匹配系数， f为影响因子
11.如权利要求 10所述的方法， 其特征在于， 所述影响因子的判定方法为：
Figure imgf000024_0001
12.如权利要求 4所述的方法， 其特征在于， 所述预测方法为：
以当前空气质量数据为基准， 利用匹配网格的后续时刻的污染飘移向量， 逆向应用污 染飘移向量计算方法对未来空气质量数据进行推算和预测， 得到未来的空气质量数 据。
PCT/IB2019/051245 2018-08-25 2019-02-15 一种大气污染预测的方法 WO2020044127A1 (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
GB2103044.0A GB2591886A (en) 2018-08-25 2019-02-15 Atmospheric pollution forecasting method
CN201980006136.4A CN112513896B (zh) 2018-08-25 2019-02-15 一种大气污染预测的方法
PCT/CN2019/102417 WO2020043028A1 (zh) 2018-08-25 2019-08-25 一种利用历史空气质量数据特征预测空气污染的方法
PCT/CN2019/102418 WO2020043029A1 (zh) 2018-08-25 2019-08-25 一种通过向量化分析预测大气污染的方法
CN201980089855.7A CN113348471B (zh) 2018-08-25 2019-08-25 一种大气污染预测中对区域边界优化的方法
CN201980089816.7A CN113330456B (zh) 2018-08-25 2019-08-25 一种利用历史空气质量数据特征预测空气污染的方法
PCT/CN2019/102416 WO2020043027A1 (zh) 2018-08-25 2019-08-25 一种大气污染预测中对区域边界优化的方法
CN201980089866.5A CN113632101B (zh) 2018-08-25 2019-08-25 一种通过向量化分析预测大气污染的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018109654536 2018-08-25
CN201810965453 2018-08-25

Publications (1)

Publication Number Publication Date
WO2020044127A1 true WO2020044127A1 (zh) 2020-03-05

Family

ID=69180628

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/IB2019/051243 WO2020021343A1 (zh) 2018-07-25 2019-02-15 一种环境监测站数据可信度评价方法
PCT/IB2019/051245 WO2020044127A1 (zh) 2018-08-25 2019-02-15 一种大气污染预测的方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
PCT/IB2019/051243 WO2020021343A1 (zh) 2018-07-25 2019-02-15 一种环境监测站数据可信度评价方法

Country Status (3)

Country Link
CN (5) CN111788578B (zh)
GB (1) GB2591886A (zh)
WO (2) WO2020021343A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633779B (zh) * 2021-02-25 2022-08-12 北京英视睿达科技股份有限公司 一种对环境监测数据可信度进行评估的方法
CN113514611B (zh) * 2021-06-28 2024-01-12 杭州谱育科技发展有限公司 污染物传输路径的识别方法
CN113536630B (zh) * 2021-07-12 2023-09-29 西南科技大学 污染物无组织排放因子获取方法
CN113393058B (zh) * 2021-07-14 2023-10-20 成都佳华物链云科技有限公司 污染物管控方法、预测管控方法、实时管控方法及装置
CN116187981B (zh) * 2023-04-21 2023-07-25 广东工业大学 一种基于历史维修数据的微波炉智能检测方法
CN117933466A (zh) * 2024-01-23 2024-04-26 中科三清科技有限公司 污染预测方法、装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5582961A (en) * 1978-12-20 1980-06-23 Toshiba Corp Monitoring device for pollution of surface of the sea
CN104008278A (zh) * 2014-05-14 2014-08-27 昆明理工大学 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法
CN104200103A (zh) * 2014-09-04 2014-12-10 浙江鸿程计算机系统有限公司 一种基于多领域特征的城市空气质量等级预测方法
CN104200104A (zh) * 2014-09-04 2014-12-10 浙江鸿程计算机系统有限公司 一种基于空间特征的细粒度空气污染物浓度区域估计方法
CN106485353A (zh) * 2016-09-30 2017-03-08 中国科学院遥感与数字地球研究所 空气污染物浓度预报方法及系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053616B2 (en) * 2010-04-20 2015-06-09 Temptime Corporation Computing systems and methods for electronically indicating the acceptability of a product
CN102339445A (zh) * 2010-07-23 2012-02-01 阿里巴巴集团控股有限公司 对网络交易用户的可信度进行评价的方法和系统
CN104280070B (zh) * 2014-10-16 2017-02-01 北京中恒电国际信息技术有限公司 大数据云服务集中环境监测平台
CN105589843B (zh) * 2014-10-24 2019-02-26 科大讯飞股份有限公司 一种文本字串匹配方法及系统
WO2016129715A1 (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
CN104697568B (zh) * 2015-02-13 2015-11-11 中国人民解放军海军工程大学 一种船用机电产品的混合型可靠性试验方法
CN104751242A (zh) * 2015-03-27 2015-07-01 北京奇虎科技有限公司 预测空气质量指数的方法与装置
CN104850913B (zh) * 2015-05-28 2019-03-26 深圳先进技术研究院 一种空气质量pm2.5预测方法及系统
CN106325144A (zh) * 2015-07-06 2017-01-11 湖州庆渔堂农业科技有限公司 一种水产养殖监控系统的监测数据校准方法及系统
US10438125B2 (en) * 2015-11-12 2019-10-08 International Business Machines Corporation Very short-term air pollution forecasting
CN105930653B (zh) * 2016-04-19 2019-01-18 清华大学 一种基于计量分区流量监测数据的爆管预警方法
CN106339775B (zh) * 2016-08-23 2019-10-11 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
CN106644862B (zh) * 2016-09-12 2023-08-29 山东诺方电子科技有限公司 一种传感器、基于该传感器的监测站及监测站的监测方法
CN108375648A (zh) * 2016-10-28 2018-08-07 神达电脑股份有限公司 空气品质监控系统及其方法
US20180239057A1 (en) * 2017-02-22 2018-08-23 International Business Machines Corporation Forecasting air quality
CN107292417B (zh) * 2017-05-09 2020-03-17 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
WO2018214060A1 (zh) * 2017-05-24 2018-11-29 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN107609731A (zh) * 2017-07-31 2018-01-19 贵州大学 一种环境空气质量评价方法
CN107991722A (zh) * 2017-12-25 2018-05-04 北京墨迹风云科技股份有限公司 天气预测模型的建立方法、预测方法和预测装置
CN108229821A (zh) * 2018-01-02 2018-06-29 中国神华能源股份有限公司 矿区生态环境的评估方法、装置、存储介质和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5582961A (en) * 1978-12-20 1980-06-23 Toshiba Corp Monitoring device for pollution of surface of the sea
CN104008278A (zh) * 2014-05-14 2014-08-27 昆明理工大学 一种基于特征向量和最小二乘支持向量机的pm25浓度预测方法
CN104200103A (zh) * 2014-09-04 2014-12-10 浙江鸿程计算机系统有限公司 一种基于多领域特征的城市空气质量等级预测方法
CN104200104A (zh) * 2014-09-04 2014-12-10 浙江鸿程计算机系统有限公司 一种基于空间特征的细粒度空气污染物浓度区域估计方法
CN106485353A (zh) * 2016-09-30 2017-03-08 中国科学院遥感与数字地球研究所 空气污染物浓度预报方法及系统

Also Published As

Publication number Publication date
CN113330456B (zh) 2023-05-26
CN113330456A (zh) 2021-08-31
CN112513896A (zh) 2021-03-16
CN113632101B (zh) 2024-05-03
CN113632101A (zh) 2021-11-09
WO2020021343A1 (zh) 2020-01-30
GB2591886A (en) 2021-08-11
CN111788578B (zh) 2023-10-20
GB202103044D0 (en) 2021-04-21
CN113348471A (zh) 2021-09-03
CN113348471B (zh) 2023-07-18
CN111788578A (zh) 2020-10-16
CN112513896B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
WO2020043029A1 (zh) 一种通过向量化分析预测大气污染的方法
WO2020044127A1 (zh) 一种大气污染预测的方法
CN108701274B (zh) 一种城市小尺度空气质量指数预测方法与系统
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN105740991A (zh) 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统
Mo et al. Estimating the extreme wind speed for regions in China using surface wind observations and reanalysis data
Saxena et al. A review study of weather forecasting using artificial neural network approach
CN104850734A (zh) 一种基于时空分布特征的空气质量指数预测方法
CN110632680B (zh) 一种输电线路微区域风速估算方法及系统
CN107133686A (zh) 基于时空数据模型的城市级pm2.5浓度预测方法
CN113505521B (zh) 一种耦合神经网络-数值模拟的城市内涝快速预报方法
CN110503267B (zh) 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法
CN113011455B (zh) 一种空气质量预测svm模型构建方法
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN114723188A (zh) 水质预测方法、装置、计算机设备和存储介质
KR20170060487A (ko) 도시 기후 분석 시스템 및 방법
CN108549955A (zh) 一种充电桩异常率确定方法及装置
CN111291903A (zh) 降水量预估方法、装置、计算机设备及可读存储介质
KR101409316B1 (ko) 다중모델 확률예측 시스템 및 방법
CN114219345A (zh) 一种基于数据挖掘的二次空气质量预报优化方法
Freire et al. Predicting building's corners hygrothermal behavior by using a Fuzzy inference system combined with clustering and Kalman filter
CN111524358A (zh) 一种区域辐射性交通流量预测方法
CN108304649B (zh) 一种高层建筑形变预测方法
CN116384538A (zh) 一种流域径流预报方法、装置及存储介质
CN110502849A (zh) 一种应用于四维变分同化系统的扰动模式构建方法

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 202103044

Country of ref document: GB

Kind code of ref document: A

Free format text: PCT FILING DATE = 20190215