CN105243444A - 一种基于在线多核回归的城市监测站点空气质量预测方法 - Google Patents
一种基于在线多核回归的城市监测站点空气质量预测方法 Download PDFInfo
- Publication number
- CN105243444A CN105243444A CN201510645567.9A CN201510645567A CN105243444A CN 105243444 A CN105243444 A CN 105243444A CN 201510645567 A CN201510645567 A CN 201510645567A CN 105243444 A CN105243444 A CN 105243444A
- Authority
- CN
- China
- Prior art keywords
- air quality
- monitoring station
- data
- forecast
- predicted
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于在线多核回归的城市监测站点空气质量预测方法,首先基于历史数据提取空气质量监测站点的多领域特征,如预报气象特征、实时气象特征、交通特征、本地和周边城市空气污染物特征等。然后基于提取的特征训练多核回归模型,并利用新的数据对多核回归模型进行在线调整。最后基于调整后的模型对未来一段时间内监测站点的空气质量进行逐小时的预测。该方法可用来对城市监测站点空气质量进行准确和高效的预测,对于环境保护和公众生活具有指导作用。
Description
技术领域
本发明涉及空气质量监测领域,尤其涉及一种基于在线多核回归的城市监测站点空气质量预测方法。
背景技术
空气是地球上生物赖以生存的物质。空气质量与人们的日常生活息息相关,在城市环境综合评价中占有重要地位。但是随着人类文明和经济的发展,空气污染越来越严重,如何改善空气质量、准确预测空气质量变得越来越重要。根据空气质量预测结果,人们可以采取相应措施(如带口罩、避免外出等)以避免受到空气污染物的侵害。另一方面,环境保护是全社会的事业,公众对环保的参与程度是一个国家环保工作开展是否成功的重要标志。如果城市空气质量能像天气一样每天公布预报结果,公众就可以了解自己生活空间的环境质量真实情况,有利于人民群众参与和监督环境保护工作。
传统空气质量预测方法的问题主要在于特征和模型两方面:
从特征层面来讲,因为空气污染物会随着大气不断流动,所以周边城市的空气污染物水平是紧密相关的,比如若一个城市的空气质量为严重污染且刮北风,那么一段时间之后位于该城市南方城市的空气质量也会受到影响。而传统的空气质量预测方法仅考虑了气象、交通、本地空气污染物等相关领域的特征,没有考虑周边城市的空气质量状况对待预测城市的影响,从而影响了预测结果的准确性。另一方面,传统的空气质量预测方法在模型训练阶段使用基于实时气象数据的相关特征,预测阶段则使用基于预报气象数据的相关特征,而实时和预报气象数据都是与空气质量相关的,应该给予同时考虑,否则会影响模型的有效性。
从模型层面来讲,由于产生式模型(如马尔科夫模型等)具有标记偏置和独立性假设等固有缺陷,导致其预测准确率不太理想;而判别式模型(如决策树、支持向量机等)虽然比产生式模型要简单,但是由于其黑盒操作,不能清楚展现数据间的关系,从而不能反映训练数据本身的特性,进而对其预测能力产生了负面影响。条件随机场模型虽然既具有判别式模型比较容易学习的优点,又可以像产生式模型一样考虑上下文标记间的转移概率,但是其跟传统的产生式模型和判别式模型一样,都是批量式的学习方式,当有新的数据时,需要基于全部数据进行重新训练。由于重新训练代价高,使得模型难以及时更新。在线单核回归虽然能克服批量式处理模型的上述缺点,但是其往往在学习任务之前,就固定了一个核函数,如果数据流随着时间不稳定变化,就会导致不理想的预测效果。
发明内容
本发明为克服上述的不足之处,目的在于提供一种基于在线多核回归的城市监测站点空气质量预测方法,首先基于历史数据提取空气质量监测站点的多领域特征,如气象特征、交通特征、本地和周边城市空气污染物特征等,然后基于提取的特征训练多核回归模型,并利用新的数据对多核回归模型进行在线调整;最后基于调整后的模型对监测站点未来一段时间内的空气质量进行逐小时的预测。本方法能够更准确地预测空气质量。
本发明是通过以下技术方案达到上述目的:一种基于在线多核回归的城市监测站点空气质量预测方法,包括如下步骤:
(1)对历史原始数据进行预处理得到历史数据样本,基于历史数据样本得到训练数据集(Xk,Yk)和核池KP;
(2)结合训练数据集(Xk,Yk)和核池KP对子模块Mk进行训练,输出预测模型M={Mk|1≤k≤h};
(3)利用实时新监测数据对各子模型Mk(1≤k≤h)调整为并将预测模型M更新为调整后的预测模型
(4)基于预测模型对未来每个待预测时刻p的空气质量进行预测。
作为优选,所述步骤(1)的历史原始数据包含预报气象相关特征实时气象相关特征空气污染物相关特征交通相关特征周边监测站点特征和周边城市特征
作为优选,所述步骤(1)得到训练数据集(Xk,Yk)和核池KP的方法流程如下:
1)对历史原始数据进行数据对齐,并用平均值替换缺失值和极端值完成数据清理,得到历史数据样本x={xj|1≤j≤n},其中,n表示样本个数,xj是第j个小时内的历史原始数据以及以往的空气质量组成的向量;
2)基于历史数据样本,为子模型Mk构造训练数据集:
2.1)提取特征组成训练特征向量集其中
2.2)所有样本的空气质量构成标记序列Yk={Yj|1≤j≤n},Yj表示样本xj的标记;并得到Xk与Yk组成Mk的训练数据集(Xk,Yk);
3)重复h次步骤2),得到训练数据集D={(Xk,Yk)|1≤k≤h},其中h表示预测最大的时间范围;
4)选取m个不同的核函数构成核池KP={kfs|1≤s≤m},kfs表示核池中第s个核函数。
作为优选,所述步骤(2)的子模块Mk由m个单核回归器和权重向量集Weightsk组成,其中每个单核回归器由支持向量集参数集构成。
作为优选,所述步骤(2)输出预测模型M的步骤流程如下:
(i)通过朴素回归误差最小化算法训练第s个单核回归器,得到支持向量集和参数集
(ii)重复m次步骤(i),得到m个单核回归器的支持向量集和参数集得到子模型Mk的支持向量集参数集
(iii)通过随机梯度下降算法得到权重向量集Weightsk;
(iv)重复h次步骤(i)至步骤(iii),完成对h个子模型的训练;得到并输出预测模型M={Mk|1≤k≤h}。
作为优选,所述步骤(3)得到与调整后的预测模型所用的方法与步骤(2)所用的方法相同。
作为优选,所述步骤(4)对未来每个待预测时刻p的空气质量进行预测,设待预测时刻p与当前时刻的间隔小时数为k,1≤k≤h,方法如下:
(I)基于时刻p的预报气象数据和历史数据,提取特征组成待预测向量X* k,
(II)将X* k作为预测模型的输入,得到待预测时刻k的预测值Y* k;
(III)重复h次步骤(I)至步骤(II),完成对未来h个小时的空气质量的预测;
(IV)输出预测序列Y*={Y* k|1≤k≤h}。
本发明的有益效果在于:(1)引入气象学、交通和本地空气污染物等领域相关特征,而且还引入周边城市空气污染物特征,考虑周边城市空气质量对待预测城市空气质量的影响,从而可以更准确地预测空气质量;(2)考虑实时气象数据,还同时考虑预报气象数据对空气质量的影响,使得预测模型更高效;(3)采用在线多核回归模型,不仅克服了传统批量式处理模型及时更新代价较大的缺陷,而且解决了在线单核回归由于核函数固定引起的性能问题。
附图说明
图1是本发明基于在线多核回归的城市监测站点空气质量预测方法流程图;
图2是本发明实施例模型建立部分流程图;
图3是本发明实施例核函数详细信息示意图;
图4是本发明实施例在线模型调整及预测流程图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:如图1所示,一种基于在线多核回归的城市监测站点空气质量预测方法,首先通过模型建立部分得到多核回归模型,其次当有新的数据时,对模型进行在线调整,得到新的模型M;然后基于M进行在线预测。
该方法分为两大部分:模型建立部分和在线部分。其中,模型建立部分包括数据预处理和模型训练两个阶段;在线部分包括数据预处理、模型调整和预测三个阶段。具体实施步骤如下:
模型建立部分:
模型建立部分主要是基于历史数据样本建立预测模型M。因为未来每个待预测时刻p(时刻p与当前时刻的间隔小时数为k,1≤k≤h,h表示预测最大范围,在逐小时预测的情况下,k和h都是整数,单位为小时)的空气质量都由一个相应的子模型Mk进行预测,所以M包含h个子模型。其流程图如图2所示。
数据预处理阶段:
步骤1,针对一个城市的某个空气质量检测站点s,对其各领域的历史原始数据(如预报气象数据、实时气象数据、交通数据、空气污染物数据)进行数据对齐(即以一个时间空间单位统一各领域数据),以及数据清理(即用平均值替换缺失值和极端值等),得到历史数据样本x={xj|1≤j≤n},(xj是一个由站点s处第j个小时内的预报气象数据、实时气象数据、交通数据及空气污染物数据组成的向量,n表示样本个数);
步骤2,基于历史数据样本x,为子模型Mk构造训练数据集:
1)提取特征组成训练特征向量集 其中,分别表示预报气象相关特征、实时气象相关特征、空气污染物相关特征、交通相关特征、周边监测站点特征和周边城市特征;
a)预报气象相关特征
预报气象相关特征主要是考虑站点s从待预测时刻算起过去一段时间的预报气象数据(如温度、湿度、风力)对其未来空气质量的影响,对预报气象数据提取统计学特征(如最大值、极差、平均值、中位数及方差等);
b)实时气象相关特征
实时气象相关特征主要是考虑站点s从待预测时刻算起过去一段时间的实时气象数据(如温度、湿度、风力)对其未来空气质量的影响,对实时气象数据提取统计学特征(如最大值、极差、平均值、中位数及方差等);
c)空气污染物相关特征
空气污染物相关特征主要是考虑站点s从当期时刻算起过去一段时间的空气污染物数据(CO、NO2、SO2、O3、PM2.5、PM10)对其未来空气质量的影响,对空气污染物数据提取统计学特征(如最大值、极差、平均值、中位数及方差等);
d)交通相关特征
交通相关特征主要是考虑站点s附近的n条路段过去一段时间的交通状况(如时速、交通拥堵指数等)对其未来空气质量的影响,对各路段时速提取统计学特征(如期望、方差等);
e)周边监测站点特征
周边检测站点特征Fs的具体提取步骤为:从当前时刻算起,各空气质量检测站点的空气质量在过去l个小时内的统计学特征,如最大值maxi、极差ri、平均值meani、中位数mediani及方差vi,即Fs={maxi,ri,meani,mediani,vi|1≤i<num},其中num为该城市空气质量检测站点的数量。
f)周边城市特征
首先,给定待预测城市C,针对中国的每个地级市Pi,可以得到Pi与C的距离和两者在风向图上的夹角。基于此距离和夹角,可以根据当前时刻C的风向得到会影响C的空气质量的周边城市Q={qi|1≤i≤count},其中count为影响C空气质量的周边城市的数量。
周边城市特征Fc的具体提取步骤为:从当前时刻算起,周边各城市的空气质量在过去l个小时内的统计学特征,如最大值maxi、极差ri、平均值meani、中位数mediani及方差vi,即Fs={maxi,ri,meani,mediani,vi|1≤i≤count}。
2)所有样本的空气质量构成标记序列Yk={Yj|1≤j≤n},(Yj表示样本xj的空气质量;
3)Xk与Yk组成Mk的训练数据集(Xk,Yk);
步骤3,重复h次步骤2,得到训练数据集D={(Xk,Yk)|1≤k≤h};
步骤4,通过选择不同的核函数形式或者给一个核函数形式设置不同的参数,得到核池KP={kfs|1≤s≤m}(m表示核池中核函数个数,kfs表示核池中第s个核函数),核函数详细信息如图3所示。
模型训练阶段:
步骤1,基于预处理阶段得到的训练数据集(Xk,Yk)和核池KP,对子模型Mk(主要由SVk、Alphak以及Weightsk组成)进行训练:
1)通过朴素回归误差最小化算法训练第s个单核回归器,得到其支持向量集参数集初始化和均为空;然后对数据集Xk中的每个样本
a)为了解决数据老化问题,同倍率减小中的的元素,即如式子(1)所示:
其中,ψ是一个可调参数,0<ψ<1;
b)基于如式子(2)的预测函数,可得到第s个单核回归器对第t个样本的预测值
其中,表示第s个单核回归器的第i个支持向量的权重,由式子(3)计算,式子(1)更新;ξ表示一个可调参数;当时,
2)重复步骤1),得到m个单核回归器的和进而可得
3)通过随机梯度下降算法得到组合多核的权重向量集Weightsk;初始化Weightsk为m维零向量;对每个数据样本采用如式子(4)的更新规则:
其中,η是学习速率参数,f(x)={fs(x)|1≤s≤m},
步骤2,重复h次步骤1,完成对h个子模型的训练;
步骤3,输出预测模型M={Mk|1≤k≤h}。
在线部分:
在线部分是在已经得到多核回归模型后,每当有新的数据时,根据这些数据将各子模型Mk(1≤k≤h)在线调整为并将之前的预测模型M更新为调整后的预测模型预测阶段基于各子模型Mk对未来每个待预测时刻p(时刻p与当前时刻的间隔小时数为k,1≤k≤h,h表示预测最大范围,在逐小时预测的情况下,k和h都是整数,单位为小时)的空气质量进行预测,如图4所示。
数据预处理阶段:
步骤1,对当前时刻i新输入的各领域数据(如预报气象数据、实时气象数据、交通、空气污染物)进行对齐(即以一个时间空间单位统一各领域数据),以及数据清理(即用平均值替换原始数据中的缺失值和极端值),得到数据样本
步骤2,根据清理过的数据样本和历史数据样本,为子模型Mk构造调整数据集:
1)提取所述的6类特征组成一个训练特征向量集
2)数据样本对应的空气质量构成标记序列
3)与组成Mk的调整数据集
步骤3,重复h次步骤2,得到调整数据集模型调整阶段:
步骤1,基于预处理阶段得到的调整数据集和模型建立部分预处理阶段步骤4中的核池KP,将Mk在线调整为(主要由 以及组成):
1)通过朴素回归误差最小化算法调整第s个单核回归器,即更新其支持向量集更新为将参数集更新为
首先为了解决数据老化问题,同倍率减小中的的元素,即 然后根据式子(3)可以得到如果时,
2)重复m次步骤1),得到m个单核回归器的和进而可得
3)通过随机梯度下降算法更新组合多核的权重向量集Weightsk为
由式子(4)可得:
其中,η是学习速率参数,f(x)={fs(x)|1≤s≤m},
步骤2,重复h次步骤1,完成对h个子模型的调整,得到预测模型
步骤3,将之前的预测模型M更新为调整后的预测模型并将数据样本个数n更新为n+1。
预测阶段:
步骤1,基于预测模型对未来待预测时刻p(其中,时刻p与当前时刻的间隔小时数为k,1≤k≤h)的空气质量进行预测:
a)基于时刻p的预报气象数据和历史数据,提取6类特征组成待预测向量X* k,
b)将X* k作为模型调整阶段得到预测模型的输入,可以得到待预测时刻k的预测值Y* k,即式子(8)中的
其中,f(x)={fs(x)|1≤s≤m},
步骤2,重复h次步骤1,完成对未来h个小时的空气质量的预测;
步骤3,输出预测序列Y*={Y* k|1≤k≤h}。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (7)
1.一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于,包括如下步骤:
(1)对历史原始数据进行预处理得到历史数据样本,基于历史数据样本得到训练数据集(Xk,Yk)和核池KP;
(2)结合训练数据集(Xk,Yk)和核池KP对子模块Mk进行训练,输出预测模型M={Mk|1≤k≤h};
(3)利用实时新监测数据对各子模型Mk(1≤k≤h)调整为并将预测模型M更新为调整后的预测模型
(4)基于预测模型对未来每个待预测时刻p的空气质量进行预测。
2.根据权利要求1所述的一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于,所述步骤(1)的历史原始数据包含预报气象相关特征实时气象相关特征空气污染物相关特征交通相关特征周边监测站点特征和周边城市特征
3.根据权利要求1或2所述的一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于,所述步骤(1)得到训练数据集(Xk,Yk)和核池KP的方法流程如下:
1)对历史原始数据进行数据对齐,并用平均值替换缺失值和极端值完成数据清理,得到历史数据样本x={xj|1≤j≤n},其中,n表示样本个数,xj是第j个小时内的历史原始数据以及以往的空气质量组成的向量;
2)基于历史数据样本,为子模型Mk构造训练数据集:
2.1)提取特征组成训练特征向量集其中
2.2)所有样本的空气质量构成标记序列Yk={Yj|1≤j≤n},Yj表示样本xj的标记;并得到Xk与Yk组成Mk的训练数据集(Xk,Yk);
3)重复h次步骤2),得到训练数据集D={(Xk,Yk)|1≤k≤h},其中h表示预测最大的时间范围;
4)选取m个不同的核函数构成核池KP={kfs|1≤s≤m},kfs表示核池中第s个核函数。
4.根据权利要求1所述的一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于,所述步骤(2)的子模块Mk由m个单核回归器和权重向量集Weightsk组成,其中每个单核回归器由支持向量集参数集构成。
5.根据权利要求1或4所述的一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于,所述步骤(2)输出预测模型M的步骤流程如下:
(i)通过朴素回归误差最小化算法训练第s个单核回归器,得到支持向量集和参数集
(ii)重复m次步骤(i),得到m个单核回归器的支持向量集和参数集得到子模型Mk的支持向量集参数集
(iii)通过随机梯度下降算法得到权重向量集Weightsk;
(iv)重复h次步骤(i)至步骤(iii),完成对h个子模型的训练;得到并输出预测模型M={Mk|1≤k≤h}。
6.根据权利要求1所述的一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于,所述步骤(3)得到与调整后的预测模型所用的方法与步骤(2)所用的方法相同。
7.根据权利要求1所述的一种基于在线多核回归的城市监测站点空气质量预测方法,其特征在于:所述步骤(4)对未来每个待预测时刻p的空气质量进行预测,设待预测时刻p与当前时刻的间隔小时数为k,1≤k≤h,方法如下:
(I)基于时刻p的预报气象数据和历史数据,提取特征组成待预测向量X* k,
(II)将X* k作为预测模型的输入,得到待预测时刻k的预测值Y* k;
(III)重复h次步骤(I)至步骤(II),完成对未来h个小时的空气质量的预测;
(IV)输出预测序列Y*={Y* k|1≤k≤h}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510645567.9A CN105243444A (zh) | 2015-10-09 | 2015-10-09 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510645567.9A CN105243444A (zh) | 2015-10-09 | 2015-10-09 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105243444A true CN105243444A (zh) | 2016-01-13 |
Family
ID=55041081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510645567.9A Pending CN105243444A (zh) | 2015-10-09 | 2015-10-09 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243444A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740643A (zh) * | 2016-03-15 | 2016-07-06 | 杭州电子科技大学 | 一种基于城市区域网格自适应的pm2.5浓度推测方法 |
CN106446226A (zh) * | 2016-09-30 | 2017-02-22 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、*** |
CN107180152A (zh) * | 2016-03-09 | 2017-09-19 | 日本电气株式会社 | 疾病预测***及方法 |
CN107194505A (zh) * | 2017-05-10 | 2017-09-22 | 华中科技大学 | 一种基于城市大数据预测公共汽车出行量的方法和*** |
CN107423861A (zh) * | 2017-08-09 | 2017-12-01 | 北京工业大学 | 基于迭代学习的空气质量预测方法 |
CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及*** |
CN107957598A (zh) * | 2017-12-16 | 2018-04-24 | 兰州大学 | 一种结合大尺度天气***指数的中长期空气污染预报模型 |
CN108036480A (zh) * | 2017-12-06 | 2018-05-15 | 成都猴子软件有限公司 | 基于物联网技术的防雾霾*** |
CN108537336A (zh) * | 2018-03-26 | 2018-09-14 | 上海电力学院 | 一种基于深度神经网络的空气质量预测方法 |
CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
CN108701274A (zh) * | 2017-05-24 | 2018-10-23 | 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*** |
CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机***有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN110209992A (zh) * | 2019-05-24 | 2019-09-06 | 西北工业大学 | 一种基于空间和跨域相关性的感知位置选择方法 |
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
CN110414027A (zh) * | 2019-01-02 | 2019-11-05 | 徐宇迪 | 一种适用于洪涝预测***的数据处理方法 |
CN113017634A (zh) * | 2021-03-22 | 2021-06-25 | Oppo广东移动通信有限公司 | 情绪评估方法、装置、电子设备和计算机可读存储介质 |
CN116148951A (zh) * | 2023-02-23 | 2023-05-23 | 中科三清科技有限公司 | 空气目标污染物组分预报模型训练方法、预报方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963847A (zh) * | 2005-11-07 | 2007-05-16 | 同济大学 | 预测公交车到站的方法 |
CN102542167A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种风电场风速时间序列预测方法 |
CN102890866A (zh) * | 2012-09-17 | 2013-01-23 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
CN104392119A (zh) * | 2014-11-13 | 2015-03-04 | 成都新核中创信息科技有限公司 | 一种基于多相支持向量回归机的地震波峰波谷建模方法 |
-
2015
- 2015-10-09 CN CN201510645567.9A patent/CN105243444A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963847A (zh) * | 2005-11-07 | 2007-05-16 | 同济大学 | 预测公交车到站的方法 |
CN102542167A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种风电场风速时间序列预测方法 |
CN102890866A (zh) * | 2012-09-17 | 2013-01-23 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
CN104392119A (zh) * | 2014-11-13 | 2015-03-04 | 成都新核中创信息科技有限公司 | 一种基于多相支持向量回归机的地震波峰波谷建模方法 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180152A (zh) * | 2016-03-09 | 2017-09-19 | 日本电气株式会社 | 疾病预测***及方法 |
CN105740643B (zh) * | 2016-03-15 | 2018-08-07 | 杭州电子科技大学 | 一种基于城市区域网格自适应的pm2.5浓度推测方法 |
CN105740643A (zh) * | 2016-03-15 | 2016-07-06 | 杭州电子科技大学 | 一种基于城市区域网格自适应的pm2.5浓度推测方法 |
CN106446226A (zh) * | 2016-09-30 | 2017-02-22 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、*** |
CN106446226B (zh) * | 2016-09-30 | 2020-07-17 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、*** |
CN107194505A (zh) * | 2017-05-10 | 2017-09-22 | 华中科技大学 | 一种基于城市大数据预测公共汽车出行量的方法和*** |
CN107194505B (zh) * | 2017-05-10 | 2020-05-19 | 华中科技大学 | 一种基于城市大数据预测公共汽车出行量的方法和*** |
CN108701274A (zh) * | 2017-05-24 | 2018-10-23 | 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*** |
CN108701274B (zh) * | 2017-05-24 | 2021-10-08 | 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*** |
CN107423861A (zh) * | 2017-08-09 | 2017-12-01 | 北京工业大学 | 基于迭代学习的空气质量预测方法 |
CN107527124A (zh) * | 2017-10-13 | 2017-12-29 | 众安信息技术服务有限公司 | 生成行业基本面组合预测模型的方法和装置 |
CN107943928A (zh) * | 2017-11-21 | 2018-04-20 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及*** |
CN107943928B (zh) * | 2017-11-21 | 2018-10-30 | 清华大学 | 一种基于时空数据统计学习的臭氧浓度预测方法及*** |
CN108036480A (zh) * | 2017-12-06 | 2018-05-15 | 成都猴子软件有限公司 | 基于物联网技术的防雾霾*** |
CN107957598A (zh) * | 2017-12-16 | 2018-04-24 | 兰州大学 | 一种结合大尺度天气***指数的中长期空气污染预报模型 |
CN108537336A (zh) * | 2018-03-26 | 2018-09-14 | 上海电力学院 | 一种基于深度神经网络的空气质量预测方法 |
CN108537336B (zh) * | 2018-03-26 | 2021-07-20 | 上海电力学院 | 一种基于深度神经网络的空气质量预测方法 |
CN108537383A (zh) * | 2018-04-09 | 2018-09-14 | 山东建筑大学 | 一种基于模型融合的室内空气预测方法 |
CN109063908B (zh) * | 2018-07-30 | 2020-10-27 | 浙江鸿程计算机***有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机***有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
CN110414027A (zh) * | 2019-01-02 | 2019-11-05 | 徐宇迪 | 一种适用于洪涝预测***的数据处理方法 |
CN110209992A (zh) * | 2019-05-24 | 2019-09-06 | 西北工业大学 | 一种基于空间和跨域相关性的感知位置选择方法 |
CN110210681A (zh) * | 2019-06-11 | 2019-09-06 | 西安电子科技大学 | 一种基于距离的监测站点pm2.5值的预测方法 |
CN113017634A (zh) * | 2021-03-22 | 2021-06-25 | Oppo广东移动通信有限公司 | 情绪评估方法、装置、电子设备和计算机可读存储介质 |
CN116148951A (zh) * | 2023-02-23 | 2023-05-23 | 中科三清科技有限公司 | 空气目标污染物组分预报模型训练方法、预报方法及装置 |
CN116148951B (zh) * | 2023-02-23 | 2023-08-25 | 中科三清科技有限公司 | 空气目标污染物组分预报模型训练方法、预报方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243444A (zh) | 一种基于在线多核回归的城市监测站点空气质量预测方法 | |
Chen et al. | Fengwu: Pushing the skillful global medium-range weather forecast beyond 10 days lead | |
CN107703564B (zh) | 一种降雨预测方法、***及电子设备 | |
Sun et al. | Development of emissions inventory and identification of sources for priority control in the middle reaches of Yangtze River Urban Agglomerations | |
Ma et al. | Prediction of outdoor air temperature and humidity using Xgboost | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警*** | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN104200104A (zh) | 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 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN104463358A (zh) | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和*** | |
CN106228030A (zh) | 一种基于小波变换的精细粒度自学习集成预测方法 | |
CN105279576A (zh) | 一种风速预报的方法 | |
CN109685249A (zh) | 基于AutoEncoder和BiLSTM融合神经网络的空气PM2.5浓度预测方法 | |
Zhou et al. | WRF model for precipitation simulation and its application in real-time flood forecasting in the Jinshajiang River Basin, China | |
CN104834944A (zh) | 一种基于协同训练的城市区域空气质量估计方法 | |
Wang et al. | A hybrid ensemble learning model for short-term solar irradiance forecasting using historical observations and sky images | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
Moustris et al. | Wind power forecasting using historical data and artificial neural networks modeling | |
Dong et al. | Projections of offshore wind energy and wave climate in Guangdong’s nearshore area using CMIP6 simulations | |
CN103729803A (zh) | 利用cfs集合预报产品的水电站中期滚动调度方法 | |
CN103473476B (zh) | 基于区域内数座测风塔测风数据的风能资源推算方法 | |
CN105373847A (zh) | 基于cfs预报的水电站水库预泄决策方法 | |
Qiu et al. | A short-term precipitation prediction model based on spatiotemporal convolution network and ensemble empirical mode decomposition | |
Kang et al. | Analysis of tourist flow forecasting model based on multiple additive regression tree |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160113 |
|
WD01 | Invention patent application deemed withdrawn after publication |