CN109934377A - 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 - Google Patents
一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 Download PDFInfo
- Publication number
- CN109934377A CN109934377A CN201811638904.1A CN201811638904A CN109934377A CN 109934377 A CN109934377 A CN 109934377A CN 201811638904 A CN201811638904 A CN 201811638904A CN 109934377 A CN109934377 A CN 109934377A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- fine particle
- model
- pollution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 239000010419 fine particle Substances 0.000 title claims abstract description 26
- 230000003993 interaction Effects 0.000 title claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 title description 3
- 238000003786 synthesis reaction Methods 0.000 title description 3
- 238000003915 air pollution Methods 0.000 claims abstract description 37
- 238000009792 diffusion process Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000009776 industrial production Methods 0.000 claims abstract description 9
- 241001269238 Data Species 0.000 claims abstract description 7
- 238000013499 data model Methods 0.000 claims abstract description 3
- 239000003344 environmental pollutant Substances 0.000 claims description 26
- 231100000719 pollutant Toxicity 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 22
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 239000000654 additive Substances 0.000 claims description 11
- 230000000996 additive effect Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 7
- 239000013618 particulate matter Substances 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000003500 flue dust Substances 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- 230000003647 oxidation Effects 0.000 claims description 2
- 238000007254 oxidation reaction Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 241000638935 Senecio crassissimus Species 0.000 claims 1
- 230000008846 dynamic interplay Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 230000002265 prevention Effects 0.000 description 5
- 238000011109 contamination Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000007474 system interaction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，第一步，采集相关数据参数，包括工业生产数据、气象数据、环境监测数据以及地理信息数据等相关数据；第二步，将各数据单独或者组合进行实时的大数据分析，以此大数据分析结果建立相应细颗粒物工业污染排放的远距离动态扩散和聚合的分析模型；第三步，将污染源数据加载到上述大数据模型中，定量计算其对城市区的任意经纬度、任意高度的细颗粒物浓度的影响。本方法实现空气污染在指定时空的扩散聚合。基于GIS技术对未来污染预测等大数据的可视化呈现，实现当前及未来空气污染的动态交互；通过空气污染调控方案的可定制和动态交互，实现污染调控方案的合理性验证。
Description
技术领域
本发明涉及大气污染分析和预测领域，特别涉及一种细颗粒物的工业污染源综合交互因素控制分析和预测方法。
背景技术
但现有空气污染分析方程存在防控目标单一、调控方案专用、调控范围局限、实施过程复杂等问题，在建立模型时，仅仅按照点、线、源的线性叠加，也就是高斯扩散模型叠加。
发明内容
针对上述存在问题，提出一种细颗粒物的工业污染源综合交互因素控制分析和预测方法。
一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，
第一步，采集相关数据参数，包括工业生产数据、气象数据、环境监测数据以及地理信息数据等相关数据；
第二步，将各数据单独或者组合进行实时的大数据分析，以此大数据分析结果建立相应细颗粒物工业污染排放的远距离动态扩散和聚合的分析模型；
第三步，将污染源数据加载到上述大数据模型中，定量计算其对城市区的任意经纬度、任意高度的细颗粒物浓度的影响。
进一步，利用环保部门所控监测的单污染源排放数据，即烟尘、二氧化硫和氮氧化物三种数据，将其加载到上述扩散和聚合的分析模型，得出单污染源排放对对任意位置和高程的细颗粒物浓度影响。
进一步，在监测空间内，将各个单独的污染源效应颗粒相关数据载入扩散和聚合的分析模型进行单独分析，得到相应的分析数据，然后，结合颗粒物数量等级因素综合分析，之后考虑季节因素，分析得出各自污染源在空间内的影响效应，并将上述结果叠加到多污染源非线***互叠加模型，得出非线性叠加分析结果。
进一步，所述颗粒物数量等级因素为颗粒物的数量、大小和质量等因素；所述的季节因素为风向、风速、温湿度和距离远近等因素。
进一步，结合城市的空间情况和时间的动态情况，将相应的采集数据载入上述多污染源非线性叠加模型得出实时的分析结果。
进一步，将城市监测空间内的地形进行分类，将监测数据载入扩散和聚合的分析模型和多污染源非线***互叠加模型，得出相应的模型数据，并将该数据叠加到各个种类的地形上，得出不同地形的颗粒物污染源的扩撒效应结果。
进一步，各个模型之间的转移由马尔科夫转移矩阵确定，转移概率动态变化。
进一步，所述多污染源非线***互叠加模型是采用整体拟合方法，即根据区域所有的高程点数据，用傅立叶级数和高次多项式拟合统一的地面高程曲面。
进一步，所述多污染源非线***互叠加模型是局部拟合方法，将地表复杂表面分成正方形规则区域或面积大致相等的不规则区域进行分块搜索，根据有限个点进行拟合形成高程曲面。
进一步，采用基于极短时序ARIMA组合模型和BP神经网络相结合的复合架构空气污染预测。
进一步，所述基于极短时序ARIMA组合模型对城市近年来的气压、温度、湿度、风向和风速等数据进行训练，建立空气污染预测的浅层预测模型，实现空气污染的短期预测。
进一步，结合时间序列和多层BP神经网络，基于短时间序列和神经网络设计空气污染的快速决策机制，通过分阶段分类别的强化训练学习、反馈与评估，建立复合架构的空气污染预测强化模型，实现对短、中、长期的空气污染预测与评估。
进一步，对于PM2.5的预测，先利用高阶多项式提取趋势，检验残差符合零均值的平稳时间序列，然后采用特征ARIMA组合模型预测PM2.5预测值变化趋势。
进一步，采用分段可微函数，根据气压、温度、湿度、风向、风速因素在内的历史数据，考虑分段光滑函数各阶段因素的分段特征，将研究对象的特征分成不同的部分或是将一个特征分成不同部分，通过分段特征，更好地理解和识别特征有关特性，从而更精确地进行识别对象或特征识别，以及对PM2.5的影响，利用超短时ARIMA组合方法进行PM2.5短期预测，以历史空气污染数据为基础，建立时间序列模型，进行地图上任意点的空气污染状况模拟。
进一步，BP神经网络设置3层以上的神经网络和足够多的隐层的神经元数目，模型可以做到以足够的精度逼近某个具有有限的间断点，即狄氏条件的非线性函数。
本方法利用多污染源扩散叠加模型对工业污染排放情况、地面传感器大气环境监测数据以及光学与微波的大气环境卫星遥感资料的高速并行分析，实现空气污染在指定时空的扩散聚合。基于GIS技术对环保监测、气象、空气污染和地理位置及未来污染预测等大数据的可视化呈现，实现当前及未来空气污染的动态交互；通过空气污染调控方案的可定制和动态交互，实现污染调控方案的合理性验证。
具体实施方式
基于工业生产、气象、环境监测、地理信息等数据，进行实时动态的大数据分析，建立工业污染物排放的远距离动态扩散和聚合模型，定量计算其对城市区的任意经纬度、任意高度的细颗粒物浓度的影响，包括以下步骤：
（1）对单个工业污染源排放的定量分析，利用环保部门所控监测数据（测量点在污染源，仅利用烟尘、二氧化硫、氮氧化物三种监测数据），通过本方法建立的扩散、聚合和化合模型，结合大数据分析，得出单污染源排放对对任意位置和高程的细颗粒物浓度影响。这一步只是完成单个污染源的排放烟囱的空间污染点的数据搜集。
（2）在完成单个污染源的动态定量分析后，其次要考虑多个相对独立的工业污染源排放之间的交互影响，包括污染物之间扩散、聚合以及工业生产的协同关系，在待研究的特定的空间区域，其污染的效应属于各个污染源污染效应细颗粒的综合交互作用，必须将它们进行效应分解，得到各个污染源的个体作用的量化分析，交互式模型算法是将各个污染源的污染效应依照其排放物的颗粒直径、数量多少，质量大小等个性因素分为若干个数量等级，和（1）所得到的数据综合对应分析，还要考虑实时的季节影响的风向、风速、温湿度、距离远近等因素设定，分解出各个污染源在空间域的各自影响效应，然后再利用本方法提出的多个污染源污染源非线***互式叠加模型，进行多污染源污染影响的非线性叠加，而不是仅仅按照（高斯扩散模型）点、线、源的线性叠加；
同时还设计了支持空间分区控制、时间上动态反馈的层次化环境信息处理流程，实现高效准确的空气质量数据处理和监测溯源，实现对城市周边乃至省级及以上区域的多工业污染源排放影响进行动态空间定量。
（3）接着还要考虑由于地形起伏、凸凹不平，以及地表建筑物所造成的复杂地形所带来的污染物颗粒的扩散变化，其思路是将地形变化归纳为若干个特征地形，所有复杂的地形无非是这些特征地形的组合结果，然后将（1）（2）所得到的污染扩散模型加在特征的地形上，得到复杂地形的各个高度上的污染物扩散结果效应。各个模型之间的转移由马尔科夫转移矩阵确定，转移概率动态变化。该模型支持地形、城市建筑、气象环境动态变化以及多个污染源污染效应的交互式非线性叠加、聚合效应，实现多污染源动态扩散、聚合的动态跟踪模拟。
所以，其交互算法设计的程序是：采集单个污染源的数据集合；从空间区域的某些点采集多个污染源污染效应的综合作用，它是一个多因素的交互效应影响结果，所以，必须进行效应分解，然后叠加，这是一个非线性、自适应的模型。
（4）工业污染中，燃煤污染是重要的组成部分。针对现有空气污染描述方程中防控目标单一、调控方案专用、调控范围局限、实施过程复杂等问题，提出基于大数据驱动的工业污染防控智能辅助决策机制；建立了集多源污染信息采集与处理、智能分析与推演决策、污染调控方案制定及空气污染防控应用于一体的空气污染辅助决策体系，支持全方位、多模式、多方案、多目标的自动化和智能化工业空气污染防控；提出正向和反向分析相结合的调控思路，即从污染源开始聚合和化合分析，分析污染源对空间任意点的影响（分高程，可指定任意高度），利用移动和固定空气站的监测数据，回溯分析污染源的影响。
以降低PM2.5为主的颗粒物排放为出发点，综合考虑城市间均衡、区域均衡、地区内工业生产均衡、工业排污改造水平和生产经济性，提出合理的燃煤量分配和工业生产的调度策略。针对工业生产、燃煤量和污染排放等多方面复杂因素影响生产和节能减排的问题，建立了基于鲁棒优化的燃煤量分配模型，提出了基于燃煤量分配的工业生产调整智能辅助决策，降低煤耗量和污染物排放。基于省际与地区间调剂和工业环保裕度的燃煤量分配、工业环保裕度以及工业生产时间和所处空间位置因素的综合考虑，进行了工业燃煤环保耗量预测计算，建立了城市区周边各污染源之间的关联模型，利用空气质量预测结果，实现了工业生产计划的科学、有效地制定，尽可能地降低了PM2.5为主的颗粒物对城市区的影响。
针对现有空气污染预测实时性差、准确性低的问题，提出了分区域、分时段区别进行分析和处理的方法。也就是对于高斯扩散模型的进一步改进，高斯模型考虑三维空间的烟羽污染物均为正态分布，而且考虑影响扩散的风速是均匀的，稳定的，连续守恒的，这实际上是很难满足的，只有在时间上、空间上，进行分割，分别研究，对应控制才可以，所以控制方法实际上是在明晰了污染源的详细解析后的控制策略和行为，由前面所叙述的污染扩散的机理，可以知道，污染源的变化是很快的，具有极短周期性、短时段趋势性、以及随机性效应。仅仅依靠传统简单的回归分析的方法显然难以满足，所以，本方法设计了多个极短时间序列模型，特征短周期模型，采用多种极短时间序列排列、组合，构筑了具有多种特征的ARIMA和BP神经网络相结合的复合架构空气污染预测方法。建立了空气质量指数的组合时间序列控制模型，基于极短时间序列模型组合，跟踪污染物传播的周期性变化规律，实现空气质量的周期性预测。
组合模型的可行性问题：对于非线性函数，可以对其进行分段研究，只要其满足狄氏条件（Dirichlet条件），可以做到以足够的精度逼近某个具有有限的可去间断点的非线性函数。因此，本组合预测算法可以满足计算需求。
基于极短ARIMA组合模型对城市近年来的气压、温度、湿度、风向、风速等数据进行训练，建立空气污染预测的浅层预测模型，实现空气污染的短期预测。结合时间序列和多层BP神经网络，提出的复合架构空气污染预测方法，基于短时间序列和神经网络设计空气污染的快速决策机制，通过分阶段分类别的强化训练学习、反馈与评估，建立复合架构的空气污染预测强化模型，实现对短、中、长期的空气污染预测与评估：
（1）根据重点城市近年来的污染数据，进行统计分析，研究污染数据随季节的变化趋势，使用短时段特征选择技术进行控制模型设计。这样做有三个原因：简化模型，使之更易于研究和理解，缩短训练时间，改善通用性、降低过拟合（即降低方差 ）建立多个极短的特征选择时间序列分析模型，采用极短趋势预测、短时周期分析组合的方法与ARIMA相结合的创新方法对PM2.5污染情况进行较长时段的预测；采用极短周期、短时间段趋势组合预测方法，先利用高阶多项式提取趋势，检验残差符合零均值的平稳时间序列，然后采用特征ARIMA组合模型预测PM2.5预测值变化趋势。
（2）分段光滑函数（piecewise smooth function）是指分段可微的的函数，是污染物控制模型光滑函数的推广。控制模型根据气压、温度、湿度、风向、风速因素在内的历史数据，考虑分段光滑函数各阶段因素的分段特征，将研究对象的特征分成不同的部分或是将一个特征分成不同部分。通过分段特征，更好地理解和识别特征有关特性，从而更精确地进行识别对象或特征识别，以及对PM2.5的影响，利用超短时ARIMA组合方法进行PM2.5短期预测，以历史空气污染数据为基础，建立时间序列模型，进行地图上任意点的空气污染状况模拟，对未来空气质量进行多周期的科学预测。本方法提出的预测算法时间粒度更细，实现了分钟级别精度的预测，并且ARIMA方法和BP神经网络是分段平滑进行的
（3）理论上可以充分论证具有3层以上的神经网络，只要满足隐层的神经元数目足够时，模型可以做到以足够的精度逼近某个具有有限的间断点（Dirichlet狄氏条件）的非线性函数。因此，BP组合算法可以满足计算需求。
由数据分析模型根据气象、机动车流量、地理、工业生产、工地扬尘以及所有移动环保监设备，进行自动大数据计算选择短时段ARIMA组合方法或BP组合神经网络预测的结果进行输出，预测精度更高，预测结果输出更快。
针对空气污染扩散聚合的复杂性、不确定性、动态性，提出了基于多污染源扩散叠加模型的三维GIS动态推演方法。
数字高程模型的表示方法:用数学方法来表达，可以采用整体拟合方法，即根据区域所有的高程点数据，用傅立叶级数和高次多项式拟合统一的地面高程曲面。也可用局部拟合方法，将地表复杂表面分成正方形规则区域或面积大致相等的不规则区域进行分块搜索，根据有限个点进行拟合形成高程曲面。
如前所述，首先研究了多个污染源点的交互耦合的综合作用的分解，得到了各个污染源的单独污染效应以及交互污染效应，其次，分析了污染区域某些点的特征选择、特征提取和特征学习，构筑了基于特征的短时域ARIMA模型及神经网络模型的组合，揭示污染物颗粒扩散蕴涵的问题本质。随之而来的图像理解是机器学理论的重要应用领域，特征工程自然在整个图像理解中占有举足轻重的地位。（近年来，图像整体场景各项研究和工程实践中均展示了卓越的性能，基于概率论和图论的模型能很好地刻画这种整体性， 成为了当前整体场景理解中普遍采用的模型。）但利用概率图模型的方法开展整体场景理解(显著性检测、场景分类、多类图像分割、模型集成等)研究，获取整体场景理解所需数据即提取相关特征是很困难的，因此，首要的基础性工作就是将极短时段内的污染颗粒的交互数据同三维GIS动态推演紧密结合，相互无缝嵌入，这是一项具有挑战和开创性的工作。
本方法利用多污染源扩散叠加模型对工业污染排放情况、地面传感器大气环境监测数据以及光学与微波的大气环境卫星遥感资料的高速并行分析，实现空气污染在指定时空的扩散聚合。基于GIS技术对环保监测、气象、空气污染和地理位置及未来污染预测等大数据的可视化呈现，实现当前及未来空气污染的动态交互；通过空气污染调控方案的可定制和动态交互，实现污染调控方案的合理性验证。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：
第一步，采集相关数据参数，包括工业生产数据、气象数据、环境监测数据
以及地理信息数据等相关数据；
第二步，将各数据单独或者组合进行实时的大数据分析，以此大数据分析结
果建立相应细颗粒物工业污染排放的远距离动态扩散和聚合的分析模型；
第三步，将污染源数据加载到上述大数据模型中，定量计算其对城市区的任
意经纬度、任意高度的细颗粒物浓度的影响。
2.根据权利要求1所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：利用环保部门所控监测的单污染源排放数据，即烟尘、二氧化硫和氮氧化物三种数据，将其加载到上述扩散和聚合的分析模型，得出单污染源排放对对任意位置和高程的细颗粒物浓度影响；在监测空间内，将各个单独的污染源效应颗粒相关数据载入扩散和聚合的分析模型进行单独分析，得到相应的分析数据，然后，结合颗粒物数量等级因素综合分析，之后考虑季节因素，分析得出各自污染源在空间内的影响效应，并将上述结果叠加到多污染源非线***互叠加模型，得出非线性叠加分析结果。
3.根据权利要求2所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：所述颗粒物数量等级因素为颗粒物的数量、大小和质量等因素；所述的季节因素为风向、风速、温湿度和距离远近等因素；结合城市的空间情况和时间的动态情况，将相应的采集数据载入上述多污染源非线性叠加模型得出实时的分析结果。
4.根据权利要求3所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：将城市监测空间内的地形进行分类，将监测数据载入扩散和聚合的分析模型和多污染源非线***互叠加模型，得出相应的模型数据，并将该数据叠加到各个种类的地形上，得出不同地形的颗粒物污染源的扩撒效应结果。
5.根据权利要求4所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：各个模型之间的转移由马尔科夫转移矩阵确定，转移概率动态变化；所述多污染源非线***互叠加模型是采用整体拟合方法，即根据区域所有的高程点数据，用傅立叶级数和高次多项式拟合统一的地面高程曲面。
6.根据权利要求5所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：所述多污染源非线***互叠加模型是局部拟合方法，将地表复杂表面分成正方形规则区域或面积大致相等的不规则区域进行分块搜索，根据有限个点进行拟合形成高程曲面。
7.根据权利要求1-6任一项所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：采用基于极短时序ARIMA组合模型和BP神经网络相结合的复合架构空气污染预测。
8.根据权利要求7所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：所述基于极短时序ARIMA组合模型对城市近年来的气压、温度、湿度、风向和风速等数据进行训练，建立空气污染预测的浅层预测模型，实现空气污染的短期预测；结合时间序列和多层BP神经网络，基于短时间序列和神经网络设计空气污染的快速决策机制，通过分阶段分类别的强化训练学习、反馈与评估，建立复合架构的空气污染预测强化模型，实现对短、中、长期的空气污染预测与评估。
9.根据权利要求8所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：对于PM2.5的预测，先利用高阶多项式提取趋势，检验残差符合零均值的平稳时间序列，然后采用特征ARIMA组合模型预测PM2.5预测值变化趋势；采用分段可微函数，根据气压、温度、湿度、风向、风速因素在内的历史数据，考虑分段光滑函数各阶段因素的分段特征，将研究对象的特征分成不同的部分或是将一个特征分成不同部分，通过分段特征，更好地理解和识别特征有关特性，从而更精确地进行识别对象或特征识别，以及对PM2.5的影响，利用超短时ARIMA组合方法进行PM2.5短期预测，以历史空气污染数据为基础，建立时间序列模型，进行地图上任意点的空气污染状况模拟。
10.根据权利要求7所述的一种细颗粒物的工业污染源综合交互因素控制分析和预测方法，其特征在于：BP神经网络设置3层以上的神经网络和足够多的隐层的神经元数目，模型可以做到以足够的精度逼近某个具有有限的间断点，即狄氏条件的非线性函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811638904.1A CN109934377A (zh) | 2018-12-29 | 2018-12-29 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811638904.1A CN109934377A (zh) | 2018-12-29 | 2018-12-29 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109934377A true CN109934377A (zh) | 2019-06-25 |
Family
ID=66984850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811638904.1A Pending CN109934377A (zh) | 2018-12-29 | 2018-12-29 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934377A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288256A (zh) * | 2019-06-28 | 2019-09-27 | 中科三清科技有限公司 | 情景分析方法及装置 |
| CN110531030A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
| CN110851777A (zh) * | 2019-08-01 | 2020-02-28 | 天津城建大学 | 一种基于fft的pm2.5浓度分析模型 |
| CN111157682A (zh) * | 2020-01-06 | 2020-05-15 | 上海应用技术大学 | 空气质量监测及预测***及方法 |
| CN111611729A (zh) * | 2020-07-16 | 2020-09-01 | 山东省科技发展战略研究所 | 一种基于环境数据采集的资源管理*** |
| CN112304831A (zh) * | 2020-10-08 | 2021-02-02 | 大连理工大学 | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
| CN112801337A (zh) * | 2020-12-07 | 2021-05-14 | 河北志晟信息技术股份有限公司 | 一种基于污染数据的区域企业排污控制方法及其*** |
| CN113723534A (zh) * | 2021-09-02 | 2021-11-30 | 南京润内克西信息科技有限公司 | 基于bp神经网络的城市扬尘在线监测*** |
| CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
| CN115455814A (zh) * | 2022-08-31 | 2022-12-09 | 南京云创大数据科技股份有限公司 | 基于深度学习的污染源查找及污染物分布预测方法及*** |
| CN116779056A (zh) * | 2023-08-24 | 2023-09-19 | 石家庄兆荣科技有限公司 | 一种多态融合评估环境质量方法 |
| CN116859006A (zh) * | 2023-09-04 | 2023-10-10 | 北京亦庄智能城市研究院集团有限公司 | 基于大气扩散机制的空气污染监测***及其监测方法 |
| CN117370772A (zh) * | 2023-12-08 | 2024-01-09 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及*** |
| CN117473398A (zh) * | 2023-12-26 | 2024-01-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
| CN117538492A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市恒义建筑技术有限公司 | 建筑空间中污染物的在线检测方法及*** |
| CN117972381A (zh) * | 2024-04-02 | 2024-05-03 | 华侨大学 | 基于扩散模型的互联网保险用户特征筛选方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015013249A2 (en) * | 2013-07-22 | 2015-01-29 | Saint Louis University | Apparatus and method for providing environmental predictive indicators to emergency response managers |
| CN104537462A (zh) * | 2014-12-11 | 2015-04-22 | 廖鹰 | 空气细颗粒物的火电污染因素控制方法 |
| CN104598692A (zh) * | 2015-02-02 | 2015-05-06 | 廖鹰 | 火电厂排放烟尘污染仿真模拟方法 |
| CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
| CN107229834A (zh) * | 2017-06-27 | 2017-10-03 | 国网江苏省电力公司电力科学研究院 | 一种复杂地形应急响应空气污染扩散预测方法 |
| CN107894492A (zh) * | 2017-11-24 | 2018-04-10 | 成都立威斯科技有限公司 | 一种城市大气污染实时监测方法 |
| CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
-
2018
- 2018-12-29 CN CN201811638904.1A patent/CN109934377A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015013249A2 (en) * | 2013-07-22 | 2015-01-29 | Saint Louis University | Apparatus and method for providing environmental predictive indicators to emergency response managers |
| CN104537462A (zh) * | 2014-12-11 | 2015-04-22 | 廖鹰 | 空气细颗粒物的火电污染因素控制方法 |
| CN104598692A (zh) * | 2015-02-02 | 2015-05-06 | 廖鹰 | 火电厂排放烟尘污染仿真模拟方法 |
| CN107202750A (zh) * | 2017-05-17 | 2017-09-26 | 河北中科遥感信息技术有限公司 | 一种大气颗粒物星地综合监测定量遥感融合处理方法 |
| CN107229834A (zh) * | 2017-06-27 | 2017-10-03 | 国网江苏省电力公司电力科学研究院 | 一种复杂地形应急响应空气污染扩散预测方法 |
| CN107894492A (zh) * | 2017-11-24 | 2018-04-10 | 成都立威斯科技有限公司 | 一种城市大气污染实时监测方法 |
| CN108182491A (zh) * | 2017-12-27 | 2018-06-19 | 宇星科技发展(深圳)有限公司 | 大气细颗粒物(pm2.5)实时源解析定位方法 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288256B (zh) * | 2019-06-28 | 2020-07-03 | 中科三清科技有限公司 | 情景分析方法及装置 |
| CN110288256A (zh) * | 2019-06-28 | 2019-09-27 | 中科三清科技有限公司 | 情景分析方法及装置 |
| CN110851777A (zh) * | 2019-08-01 | 2020-02-28 | 天津城建大学 | 一种基于fft的pm2.5浓度分析模型 |
| CN110531030B (zh) * | 2019-08-16 | 2021-11-12 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
| CN110531030A (zh) * | 2019-08-16 | 2019-12-03 | 北京慧辰资道资讯股份有限公司 | 一种基于物联网大数据大气污染物分析的方法及装置 |
| CN111157682A (zh) * | 2020-01-06 | 2020-05-15 | 上海应用技术大学 | 空气质量监测及预测***及方法 |
| CN111611729A (zh) * | 2020-07-16 | 2020-09-01 | 山东省科技发展战略研究所 | 一种基于环境数据采集的资源管理*** |
| CN111611729B (zh) * | 2020-07-16 | 2023-07-14 | 山东省科技发展战略研究所 | 一种基于环境数据采集的资源管理*** |
| CN112304831A (zh) * | 2020-10-08 | 2021-02-02 | 大连理工大学 | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 |
| CN112304831B (zh) * | 2020-10-08 | 2021-09-24 | 大连理工大学 | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 |
| CN112801337A (zh) * | 2020-12-07 | 2021-05-14 | 河北志晟信息技术股份有限公司 | 一种基于污染数据的区域企业排污控制方法及其*** |
| CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
| CN112749478B (zh) * | 2020-12-11 | 2024-02-09 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
| CN113723534A (zh) * | 2021-09-02 | 2021-11-30 | 南京润内克西信息科技有限公司 | 基于bp神经网络的城市扬尘在线监测*** |
| CN115017679A (zh) * | 2022-05-07 | 2022-09-06 | 深圳中兴智坪科技有限公司 | 大气污染扩散的模拟方法、装置、存储介质和电子设备 |
| CN115455814A (zh) * | 2022-08-31 | 2022-12-09 | 南京云创大数据科技股份有限公司 | 基于深度学习的污染源查找及污染物分布预测方法及*** |
| CN116779056A (zh) * | 2023-08-24 | 2023-09-19 | 石家庄兆荣科技有限公司 | 一种多态融合评估环境质量方法 |
| CN116779056B (zh) * | 2023-08-24 | 2023-10-20 | 石家庄兆荣科技有限公司 | 一种多态融合评估环境质量方法 |
| CN116859006A (zh) * | 2023-09-04 | 2023-10-10 | 北京亦庄智能城市研究院集团有限公司 | 基于大气扩散机制的空气污染监测***及其监测方法 |
| CN116859006B (zh) * | 2023-09-04 | 2023-12-01 | 北京亦庄智能城市研究院集团有限公司 | 基于大气扩散机制的空气污染监测***及其监测方法 |
| CN117370772A (zh) * | 2023-12-08 | 2024-01-09 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及*** |
| CN117370772B (zh) * | 2023-12-08 | 2024-04-16 | 北京英视睿达科技股份有限公司 | 基于城市街道地形分类的pm2.5扩散分析方法及*** |
| CN117473398A (zh) * | 2023-12-26 | 2024-01-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
| CN117473398B (zh) * | 2023-12-26 | 2024-03-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
| CN117538492A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市恒义建筑技术有限公司 | 建筑空间中污染物的在线检测方法及*** |
| CN117538492B (zh) * | 2024-01-10 | 2024-03-26 | 深圳市恒义建筑技术有限公司 | 建筑空间中污染物的在线检测方法及*** |
| CN117972381A (zh) * | 2024-04-02 | 2024-05-03 | 华侨大学 | 基于扩散模型的互联网保险用户特征筛选方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934377A (zh) | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 | |
| Liao et al. | Deep learning for air quality forecasts: a review | |
| Zhao et al. | Long short-term memory-Fully connected (LSTM-FC) neural network for PM2. 5 concentration prediction | |
| Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
| Quan et al. | GIS-based landslide susceptibility mapping using analytic hierarchy process and artificial neural network in Jeju (Korea) | |
| He et al. | Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata | |
| Wu et al. | Development of an on-line source-tagged model for sulfate, nitrate and ammonium: A modeling study for highly polluted periods in Shanghai, China | |
| CN112163367B (zh) | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 | |
| CN105243435A (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
| Abdullah et al. | Methods in forecasting carbon dioxide emissions: a decade review | |
| Liu et al. | Spatio-temporal prediction and factor identification of urban air quality using support vector machine | |
| Casallas et al. | Long short-term memory artificial neural network approach to forecast meteorology and PM 2.5 local variables in Bogotá, Colombia | |
| Lim et al. | Air pollution matter prediction using recurrent neural networks with sequential data | |
| Chen et al. | Simulating the effects of land urbanization on regional meteorology and air quality in Yangtze River Delta, China | |
| Zhang et al. | Research on surface defect detection algorithm of strip steel based on improved YOLOV3 | |
| Lin et al. | Dynamic system approach for improved PM 2.5 prediction in Taiwan | |
| Yan et al. | Spatio-temporal variation and daily prediction of PM 2.5 concentration in world-class urban agglomerations of China | |
| Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
| Suleiman et al. | A comparative study of using Random Forests (RF), Extreme Learning Machine (ELM) and Deep Learning (DL) algorithms in modelling Roadside Particulate Matter (PM10 & PM2. 5) | |
| CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及*** | |
| Sahoo et al. | Application of hybrid MLP-GWO for monthly rainfall forecasting in Cachar, Assam: a case study | |
| Kulagina et al. | Lstm forecasting: Time series forecasting to predict concentration of air pollutants (co, so 2, no and no 2) in krasnoyarsk, russia | |
| Wang et al. | Geographic information system and system dynamics combination technique for municipal solid waste treatment station site selection | |
| Suresh et al. | Analysis and prediction of air pollutant using machine learning | |
| Song et al. | Modeling land use change prediction using multi-model fusion techniques: A case study in the Pearl River Delta, China |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
| RJ01 | Rejection of invention patent application after publication |