CN105259318A - 一种基于气象参数的恶臭ou值预测方法和*** - Google Patents

Abstract

本发明公开了一种基于气象参数的恶臭OU值预测方法和***，该方法包括：通过对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素；利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程；通过多个监测站点实时采集与恶臭气体OU值关联度最大的气象因素数据；云端恶臭分析平台利用所述曲线拟合方程以及实时检测的关联度最大的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测。本发明，综合了气象条件对恶臭气体扩散、稀释和累计对恶臭OU值的影响，更精确地实现了恶臭监测和预测，对于环境监测及预警分析具有重大的现实意义。

Description

一种基于气象参数的恶臭OU值预测方法和***

技术领域

本发明涉及环境监测领域，具体涉及一种基于气象参数的恶臭OU值预测方法和***。

背景技术

当前我国大气污染形势严峻，京津冀地区大气污染日益严重，影响身体健康指数，居民投诉强烈。恶臭气体(ODOR)是大气污染和雾霾的重要组成部分，大量的数据分析和研究表明，恶臭气体的恶臭强度OU值与有刺激性气味的污染气体、气象因素、可吸入颗粒物(PM10，PM2.5)等因素的关系十分密切。气象条件对恶臭气体扩散、稀释和累计有一定作用，在恶臭源一定的条件下，OU值大小主要取决于气象条件。目前，恶臭气体OU值监测设备并没有考虑气象因素对其的影响，因此，气象因素对OU值产生影响大小和基于气象参数预测恶臭OU值这一问题亟待解决。

发明内容

本发明所要解决的技术问题是气象因素对OU值产生影响大小和基于气象参数预测恶臭OU值的问题。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于气象参数的恶臭OU值预测方法，包括以下步骤：

步骤1、通过对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素；

步骤2、利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程；

步骤3、通过多个监测站点的在线恶臭监测仪实时采集与恶臭气体OU值关联度最大的气象因素数据；

步骤4、云端恶臭分析平台利用恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程以及实时检测的关联度最大的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测。

在上述方法中，所述气象因素包括温度、湿度、风速、风向、大气压、有刺激性气味的污染气体和可吸入颗粒物。

在上述方法中，在步骤1中，对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析是以恶臭气体OU值序列Y为***特征行为数据，气象因素序列X_i为***相关因素行为数据对其灰色绝对关联度、灰色相对关联度和灰色综合关联度进行计算，并将这三种关联度的结果分别作为与恶臭气体OU值关联度最大的气象因素，其中，i＝1，2,3,4,5,6,7。

在上述方法中，所述恶臭气体OU值与气象因素的灰色绝对关联度ε_0i(i＝1，2,3,4,5,6,7)为：

其中，|s₀|为恶臭气体OU值序列Y的始点零化像的有向面积，|s_i|为气象因素序列X_i的始点零化像的有向面积。

在上述方法中，所述恶臭气体OU值与气象因素的灰色相对关联度r_0i(i＝1,2,3，4,5,6,7)为：

$r_{0i}=\frac{1+\left|s_0^{\′}\right|+\left|s_i^{\′}\right|}{1+\left|s_0^{\′}\right|+\left|s_i^{\′}\right|+\left|s_i^{\′}-s_0^{\′}\right|},$

其中，|s′₀|为恶臭气体OU值序列Y的初值像Y′的始点零化像的有向面积，|s′_i|为气象因素序列X_i的初值像X_i′的始点零化像的有向面积。

在上述方法中，所述恶臭气体OU值与气象因素的灰色综合关联度ρ_0i(i＝1,2,3，4,5,6,7)为：

ρ_0i＝θε_oi+(1-θ)r_oi(取θ＝0.5)。

在上述方法中，步骤2具体包括以下步骤：

步骤21、假设与恶臭气体OU值关联度最大的气象因素数据为x_j(j＝1,2,…，n)，相应的恶臭气体OU值数据为y_j，对x_j按从小到大的顺序排列；

步骤22、给定数据点(x_j，y_j)设拟合多项式为：

y_j＝a₀+a₁x_j+...+a_kx_j ^k，

其中，a_m为x_j ^m,系数，m＝1,2,3,…,k,k取n-1；

步骤23、求各定数据点到这条曲线的距离之和R²，公式如下：

$R^2=\underset{j=1}{\overset{n}{\Σ}}{(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)}^2;$

步骤24、利用各定数据点到这条曲线的距离之和R²公式，求得符合条件的a_m值；

步骤25、将求得的a值代入步骤22的拟合多项式，得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。

在上述方法中，步骤24包括以下步骤：

步骤241、对距离之和R²公式右边求a_m偏导数，得到如下等式：

$\begin{array}{c}-2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)x_j=0,\\ -2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)x_j=0,\end{array}$

$\begin{array}{c}\mathrm{......}\\ -2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)x_j^k=0;\end{array}$

步骤242、对步骤241中的等式左边进行化简，得到如下等式：

$\begin{array}{c}{a}_{0}n+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j+\mathrm{...}+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^k=1y_j,\\ a_0\underset{j=1}{\overset{n}{\Σ}}{x}_j+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j^2+\mathrm{...}+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^{k+1}={\Σ}_j^n=1x_j{y}_j,\\ \mathrm{......}\\ a_0\underset{j=1}{\overset{n}{\Σ}}{x}_j^k+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j^{k+1}+\mathrm{...}+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^{2k}={\Σ}_j^n=1x_j^k{y}_j;\end{array}$

步骤243、将步骤242得到的等式表示成矩阵的形式，该矩阵为：

步骤244、将步骤243中的范德蒙得矩阵化简，得到如下矩阵：

步骤245、求解步骤244简化得到的矩阵，得到符合要求的a_m值。

本发明还提供了一种基于气象参数的恶臭OU值预测***，包括控制中心和分别设置在多个监测站点的在线恶臭监测仪，所述控制中心具有云端恶臭分析平台，所述云端恶臭分析平台上设有恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程；

多个所述在线恶臭监测仪通过3G网络实时将检测的各个气象因素数据传输到所述控制中心，所述云端恶臭分析平台利用所述曲线拟合方程以及实时检测的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测；

所述恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程的建立采用以下方式：

通过对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素；再利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。

本发明利用广义灰色关联度法分析恶臭气体OU值与气象因素的关系，找到与恶臭气体OU值关联度最大的气象因素，再利用偏最小二乘法分析恶臭气体OU值与关联度最大气象因素之间的对应变化趋势图，得到恶臭气体OU值与关联度最大气象因素的曲线拟合方程，并利用该方程实现对特定气象环境下的恶臭气体OU值的趋势分析和预报预测，综合了气象条件对恶臭气体扩散、稀释和累计对恶臭OU值的影响，更精确地实现了恶臭监测和预测，对于环境监测及预警分析具有重大的现实意义。

附图说明

图1为本发明提供的一种基于气象参数的恶臭OU值预测***的架构图图；

图2为本发明提供的一种基于气象参数的恶臭OU值预测方法的流程图；

图3为最小二乘法多项式曲线拟合示意图。

具体实施方式

本发明利用广义灰色关联度法分析恶臭气体OU值与气象因素的关系，通过分析恶臭气体OU值和气象因素的历史数据，找到与恶臭气体OU值关联度最大的气象因素；再利用Spearman秩相关系数法分析恶臭气体OU值与关联度最大气象因素之间的对应变化趋势图得到恶臭气体OU值与关联度最大气象因素的曲线拟合方程，利用该方程对特定气象环境下的恶臭气体OU值进行趋势分析和预报预测，其中，

(1)、灰色关联度法。

设Y₁，Y₂，…，Y_s为***特征行为数据序列，X₁，X₂，…，X_m为相关因素行为序列。若Y₁，Y₂，…，Y_s；X₁，X₂，…，X_m的长度也相同，Y_ij(i＝1，2，…，s；j＝1，2，…，m)为Y_s与X_j的灰色关联度，则称

为灰色关联矩阵。

灰色关联矩阵中第i行元素是***特征数据Y_i(i＝1，2，…，s)与相关因素序列X₁，X₂，…，X_m的灰色关联度；第j列元素是***特征序列Y₁，Y₂，…，Y_s与相关因素X_j(j＝1，2，…，m)的灰色关联度。

类似的可以定义广义的灰色关联矩阵，如下的绝对的灰色关联矩阵A、相对的灰色关联矩阵B和灰色综合关联矩阵C。

利用灰色关联矩阵，可以对***特征或相关因素做优势分析。

(2)偏最小二乘法(Partialleastsquaresmethod，PLS)是一种多因变量对多自变量的回归建模方法，可以较好的解决许多以往用普通多元回归无法解决的问题，偏最小二乘回归的原理是建立一个线性模型：Y＝XB+E，其中X是具有m个变量、n个样本点的响应矩阵，Y是具有p个变量、n个样本点的预测矩阵，B是回归系数矩阵，E为噪音校正矩阵，与Y具有相同的维数，采用回归算法找出两个矩阵X和Y之间的线性关系。

下面结合说明书附图和具体实施例对本发明做出详细的说明。

如图1所示，本发明提供的一种基于气象参数的恶臭OU值预测***，包括控制中心10和分别设置在多个监测站点的在线恶臭监测仪20，控制中心10具有云端恶臭分析平台11，多个在线恶臭监测仪20通过3G网络实时将检测的各个气象因素数据传输到控制中心10，云端恶臭分析平台11上设有恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程，利用该曲线拟合方程以及实时检测的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测，其中，恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程的建立采用以下方式：

通过对恶臭气体OU值历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素；再利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。

在本发明中，气象因素包括温度、湿度、风速、风向、大气压、SO2(有刺激性气味的污染气体)和PM2.5(可吸入颗粒物)等。

本发明还提供了一种基于气象参数的恶臭OU值预测方法，如图2所示，该方法包括以下步骤：

步骤1、通过对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素。

在本发明中，恶臭气体OU值的历史数据来自所要测量地区的空气质量自动监测站点在过去一段时间的监测数据，气象因素的历史数据来自中国气象科学数据共享服务网的逐日监测数据，另有部分数据来自《中国环境年鉴》(2003～2004年)、《中国气象年鉴》(2012年)、《中国环境统计年鉴》(2005～2012年)、《北京统计年鉴》(2012年)、《北京市环境状况公报》。

步骤2、利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。

步骤3、通过多个监测站点的在线恶臭监测仪实时采集与恶臭气体OU值关联度最大气象因素数据，并传送给控制中心的云端恶臭分析平台。

步骤4、云端恶臭分析平台利用其上设有的恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程，并根据实时检测的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测。

在本发明中，步骤1的实现是采用广义灰色关联理论中的优势分析法，通过分别计算恶臭气体OU值与气象因素的灰色绝对关联矩阵、灰色相对关联矩阵和灰色综合关联矩阵，而得到相应的灰色绝对关联度、灰色相对关联度和灰色综合关联度(表征恶臭气体OU值的最优特征，以及影恶臭气体OU值的气象因素的最优相关因素)。

下面对灰色绝对关联度、灰色相对关联度和灰色综合关联度的计算进行分别说明。

(一)、恶臭气体OU值与气象因素的灰色绝对关联度的计算。

设恶臭气体OU值序列Y为***特征行为数据，气象因素序列X_i为***相关因素行为数据，在本实施例中，气象因素序列X_i为7个，即i＝(1,2，3，4,5,6,7)，分别是X₁为温度、X₂为湿度、X₃为风速、X₄为风向、X₅为大气压、X₆为SO₂(有刺激性气味的污染气体)、X₇为PM2.5(可吸入颗粒物)。

对恶臭气体OU值序列Y和气象因素序列X_i(i＝1,2,3,4,5,6,7)求始点零像化Y⁰和X⁰ _i，则

$\begin{array}{c}{X}_i^0=\left(x_i\right(1)-x_i(1),x_i(2)-x_i(1),\mathrm{\Λ},x_i(n)-x_i(1\left)\right)\\ \≡\left(x_i^0\right(1),x_i^0(2),\mathrm{\Λ},x_i^0(n\left)\right),(i=0,1,2,\mathrm{\Λ},m).\end{array}$

Y⁰＝(y(1)-y(1),y(2)-y(1),∧,y(n)-y(1))

＝(y⁰(1),y⁰(2),∧,y⁰(n))

其中，x_i为相应气象因素序列X_i的一组数据，y为恶臭气体OU值序列Y的一组数据。

对恶臭气体OU值序列Y和气象因素序列X_i(i＝1，2，3，4，5，6，7)分别求恶臭气体OU值序列Y的始点零化像的有向面积|s₀|和气象因素序列X_i的始点零化像的有向面积|s_i|，以及两者有向面积差的绝对值|s_i-s₀|，具体公式为：

$\left|s_0\right|=|\underset{k=2}{\overset{n-1}{\Σ}}{y}^0\left(k\right)+\frac{1}{2}{y}^0\left(n\right)|$

$\left|s_i\right|=|\underset{k=2}{\overset{n-1}{\Σ}}{x}_i^0\left(k\right)+\frac{1}{2}{x}_i^0\left(n\right)|$

$\left|s_i-s_0\right|=|\underset{k=2}{\overset{n-1}{\Σ}}\left(x_i^0\right(k)-y^0(k\left)\right)+\frac{1}{2}\left(x_i^0\right(n)-y^0(n\left)\right)|$

则恶臭气体OU值与气象因素的灰色绝对关联度ε_0i,(i＝1，2,3,4,5,6,7)

${\mathrm{\ϵ}}_{0i}=\frac{1+\left|s_0\right|+\left|s_i\right|}{1+\left|s_0\right|+\left|s_i\right|+\left|s_i-s_0\right|}.$

(二)、恶臭气体OU值与气象因素的灰色相对关联度的计算。

恶臭气体OU值序列Y和气象因素序列X_j(i＝1，2，3，4，5，6，7)的初值像为Y′和X_i′，则

$Y^{\′}=\frac{Y}{y\left(1\right)}=\left(\begin{array}{cccc}\frac{y\left(1\right)}{y\left(1\right)},& \frac{y\left(2\right)}{y\left(1\right)},& L,& \frac{y\left(n\right)}{y\left(1\right)}\end{array}\right);$

$X_i^{\′}=\frac{X_i}{x_i\left(1\right)}=\left(\begin{array}{cccc}\frac{x_i\left(1\right)}{x_i\left(1\right)},& \frac{x_i\left(2\right)}{x_i\left(2\right)},& L,& \frac{x_i\left(n\right)}{x_i\left(n\right)}\end{array}\right);$

求恶臭气体OU值序列Y和气象因素序列X_i初值像Y′和Xi′的始点零像化Y′⁰和Xi′⁰，则

Y′⁰＝(y′(1)-y′(1)，y′(2)-y′(1)，∧，y′(n)-y′(1))

＝(y′⁰(1)，y′⁰(2)，∧，y′⁰(n))；

X_i′⁰＝(x_i′(1)-x_i′(1)，x_i′(2)-x_i′(1)，∧，x_i′(n)-x_i′(1))

＝(x_i′⁰(1)，x_i′⁰(2)，∧，x_i′⁰(n))；

其中，x_i′为气象因素序列X_i序列初值像的一组数据，y′为恶臭气体OU值序列Y初值像的一组数据。

对恶臭气体OU值序列Y和气象因素序列X_i(i＝1，2，3，4，5，6，7)的初值像Y′和X_i′分别求其始点零化像的有向面积|s′₀|和|s′_i|，以及两者有向面积差的绝对值|s′_i-s′₀|，则

$\left|s_0^{\′}\right|=|\underset{k=2}{\overset{n-1}{\Σ}}{y}^{\′0}\left(k\right)+\frac{1}{2}{y}^{\′0}\left(n\right)|;$

$\left|s_i^{\′}\right|=|\underset{k=2}{\overset{n-1}{\Σ}}{x}_i^{\′0}\left(k\right)+\frac{1}{2}{x}_i^{\′0}\left(n\right)|;$

$\left|s_i^{\′}-s_0^{\′}\right|=|\underset{k=2}{\overset{n-1}{\Σ}}\left(x_i^{\′0}\right(k)-y^{\′0}(k\left)\right)+\frac{1}{2}\left(x_i^{\′0}\right(n)-y^{\′0}(n\left)\right)|;$

其中，y′⁰和x_i′⁰分别为恶臭气体OU值序列Y和气象因素序列X_i初值像Y′和X_i′的始点零像化Y′⁰和X_i′⁰对应的一组数据。

则恶臭气体OU值与气象因素的灰色相对关联度r_0i(i＝1,2,3，4,5,6,7)为，

$r_{0i}=\frac{1+\left|s_0^{\′}\right|+\left|s_i^{\′}\right|}{1+\left|s_0^{\′}\right|+\left|s_i^{\′}\right|+\left|s_i^{\′}-s_0^{\′}\right|}.$

(三)、恶臭气体OU值与气象因素的灰色综合关联度的计算。

恶臭气体OU值与气象因素的灰色综合关联度ρ_0i(i＝1,2,3，4,5,6,7)为：

ρ_0i＝θε_oi+(1-θ)r_oi(取θ＝0.5)。

在本发明中，恶臭气体OU值和气象因素序列由于经过特定的灰色关联算子作用，可得到OU值与气象因素的三种关联度的结果分别作为考察结果(与恶臭气体OU值关联度最大的气象因素)，而且灰色绝对关联度、灰色相对关联度和灰色综合关联度三种关联分析的结果不完全一致，这是因为灰色绝对关联度是从绝对量的关系着眼考虑的，灰色相对关联度是从各年观测数据相对于起始点的变化速率着眼，而灰色综合关联度则是综合了绝对量的关系和变化速率的关系后考察的。

在本发明中，步骤2利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程；最小二乘法多项式曲线拟合，根据给定的m个点，并不要求这条曲线精确地经过这些点，而是曲线y＝f(x)的近似曲线y＝φ(x)，如图3所示，具体为：

步骤21、假设原始的与恶臭气体OU值关联度最大的气象因素数据为x_j(j＝1,2,…，n)，相应的原始的恶臭气体OU值数据为y_j(j＝1,2,…，n)，x_j已按从小到大的顺序排列。

步骤22、给定数据点(x_j，y_j)设拟合多项式为：

y_j＝a₀+a₁x_j+...+a_kx_j ^k；

其中，a_m为x_j ^m,系数，m＝1,2,3,…,k,k取n-1。

步骤23、求各定数据点到这条曲线(拟合多项式)的距离之和R²，即偏差平方和，公式如下：

$R^2=\underset{j=1}{\overset{n}{\Σ}}{(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)}^2;$

步骤24、利用各定数据点到这条曲线的距离之和R²公式，求得符合条件的a_m值，具体为：

步骤241、为了求得符合条件的a_m值，对距离之和R²公式右边求a_m偏导数，得到如下等式：

$\begin{array}{c}-2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)x_j=0;\\ -2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)=0;\\ \mathrm{......}\\ -2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+\mathrm{...}+a_k{x}_j^k\left)\right)x_j^k=0;\end{array}$

步骤242、对步骤241中的等式左边进行化简，得到如下等式：

$\begin{array}{c}{a}_{0}n+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j+\mathrm{...}+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^k=1y_j,\\ a_0\underset{j=1}{\overset{n}{\Σ}}{x}_j+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j^2+\mathrm{...}+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^{k+1}={\Σ}_j^n=1x_j{y}_j,\\ \mathrm{......}\\ a_0\underset{j=1}{\overset{n}{\Σ}}{x}_j^k+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j^{k+1}+\mathrm{...}+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^{2k}={\Σ}_j^n=1x_j^k{y}_j;\end{array}$

步骤243、将步骤242得到的等式表示成矩阵的形式，该矩阵为：

步骤244、将步骤243中的范德蒙得矩阵化简，得到如下矩阵：

步骤245、求解步骤244简化得到的矩阵，得到符合要求的a_m值。

步骤25、将求得的a_m值代入步骤22的拟合多项式，即可得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。

云端恶臭分析平台将实时检测的气象因素数据代入曲线拟合方程，并依据恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程的计算结果，对下一时刻的恶臭气体OU值进行趋势分析和预报预测。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于气象参数的恶臭OU值预测方法，其特征在于，包括以下步骤：

步骤1、通过对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素；

步骤2、利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程；

步骤3、通过多个监测站点的在线恶臭监测仪实时采集与恶臭气体OU值关联度最大的气象因素数据；

步骤4、云端恶臭分析平台利用恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程以及实时检测的关联度最大的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测。

2.如权利要求1所述的方法，其特征在于，所述气象因素包括温度、湿度、风速、风向、大气压、有刺激性气味的污染气体和可吸入颗粒物。

3.如权利要求1所述的方法，其特征在于，在步骤1中，对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析是以恶臭气体OU值序列Y为***特征行为数据，气象因素序列X_i为***相关因素行为数据对其灰色绝对关联度、灰色相对关联度和灰色综合关联度进行计算，并将这三种关联度的结果分别作为与恶臭气体OU值关联度最大的气象因素，其中，i＝1，2,3,4,5,6,7。

4.如权利要求3所述的方法，其特征在于，所述恶臭气体OU值与气象因素的灰色绝对关联度ε_0i(i＝1，2,3,4,5,6,7)为：

${\mathrm{\ϵ}}_{0i}=\frac{1+\left|s_0\right|+\left|s_i\right|}{1+\left|s_0\right|+\left|s_i\right|+|s_i-s_0|}$

其中，|s₀|为恶臭气体OU值序列Y的始点零化像的有向面积，|s_i|为气象因素序列X_i的始点零化像的有向面积。

5.如权利要求4所述的方法，其特征在于，所述恶臭气体OU值与气象因素的灰色相对关联度r_0i(i＝1,2,3，4,5,6,7)为：

$r_{0i}=\frac{1+\left|s_0^{\′}\right|+\left|s_i^{\′}\right|}{1+\left|s_0^{\′}\right|+\left|s_i^{\′}\right|+|s_i^{\′}-s_0^{\′}|},$

其中，|s′₀|为恶臭气体OU值序列Y的初值像Y′的始点零化像的有向面积，|s′_i|为气象因素序列X_i的初值像X_i′的始点零化像的有向面积。

6.如权利要求5所述的方法，其特征在于，所述恶臭气体OU值与气象因素的灰色综合关联度ρ_0i(i＝1,2,3，4,5,6,7)为：

ρ_0i＝θε_oi+(1-θ)r_oi(取θ＝0.5)。

7.如权利要求1所述的方法，其特征在于，步骤2具体包括以下步骤：

步骤21、假设与恶臭气体OU值关联度最大的气象因素数据为x_j(j＝1,2,…，n)，相应的恶臭气体OU值数据为y_j，对x_j按从小到大的顺序排列；

步骤22、给定数据点(x_j，y_j)设拟合多项式为：

y_j＝a₀+a₁x_j+...+a_kx_j ^k，

其中，a_m为x_j ^m,系数，m＝1,2,3,…,k,k取n-1；

步骤23、求各定数据点到这条曲线的距离之和R²，公式如下：

$R^2=\underset{j=1}{\overset{n}{\Σ}}{(y_j-(a_0+a_1{x}_j+...+a_k{x}_j^k\left)\right)}^2;$

步骤24、利用各定数据点到这条曲线的距离之和R²公式，求得符合条件的a_m值；

步骤25、将求得的a_m值代入步骤22的拟合多项式，得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。

8.如权利要求7所述的方法，其特征在于，步骤24包括以下步骤：

步骤241、对距离之和R²公式右边求a_m偏导数，得到如下等式：

$-2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+...+a_k{x}_j^k\left)\right)x_j=0,$

$-2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+...+a_k{x}_j^k\left)\right)=0,$

……

$-2\underset{j=1}{\overset{n}{\Σ}}(y_j-(a_0+a_1{x}_j+...+a_k{x}_j^k\left)\right)x_j^k=0;$

步骤242、对步骤241中的等式左边进行化简，得到如下等式：

$a_{0}n+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j+...+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^k=1y_j,$

$a_0\underset{j=1}{\overset{n}{\Σ}}{x}_j+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j^2+...+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^{k\mathrm{+1}}={\mathrm{\Σ}}_j^n=1x_j{y}_j,$

……

$a_0\underset{j=1}{\overset{n}{\Σ}}{x}_j^k+a_1\underset{j=1}{\overset{n}{\Σ}}{x}_j^{k+1}+...+a_k\underset{j=1}{\overset{n}{\Σ}}{x}_j^{2k}={\mathrm{\Σ}}_j^n=1x_j^k{y}_j;$

步骤243、将步骤242得到的等式表示成矩阵的形式，该矩阵为：

步骤244、将步骤243中的范德蒙得矩阵化简，得到如下矩阵：

步骤245、求解步骤244简化得到的矩阵，得到符合要求的a_m值。

9.一种基于气象参数的恶臭OU值预测***，包括控制中心和分别设置在多个监测站点的在线恶臭监测仪，所述控制中心具有云端恶臭分析平台，其特征在于，所述云端恶臭分析平台上设有恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程；

多个所述在线恶臭监测仪通过3G网络实时将检测的各个气象因素数据传输到所述控制中心，所述云端恶臭分析平台利用所述曲线拟合方程以及实时检测的气象因素数据对下一时刻的恶臭气体OU值进行趋势分析和预报预测；

所述恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程的建立采用以下方式：

通过对恶臭气体OU值的历史数据与气象因素的历史数据进行灰色关联度分析，找到与恶臭气体OU值关联度最大的气象因素；再利用偏最小二乘法分析得到恶臭气体OU值与关联度最大气象因素之间的曲线拟合方程。