CN109948108B - 扬尘排量计算模型选择、排量计算及排量数据的验证方法 - Google Patents
扬尘排量计算模型选择、排量计算及排量数据的验证方法 Download PDFInfo
- Publication number
- CN109948108B CN109948108B CN201910425702.7A CN201910425702A CN109948108B CN 109948108 B CN109948108 B CN 109948108B CN 201910425702 A CN201910425702 A CN 201910425702A CN 109948108 B CN109948108 B CN 109948108B
- Authority
- CN
- China
- Prior art keywords
- data
- flying dust
- dust discharge
- calculation
- dust
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000428 dust Substances 0.000 title claims abstract description 562
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 61
- 238000012795 verification Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 244
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 239000012528 membrane Substances 0.000 claims description 14
- 238000010187 selection method Methods 0.000 claims description 12
- 238000005303 weighing Methods 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 4
- 238000013215 result calculation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 238000009792 diffusion process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000007716 flux method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种扬尘排量计算模型选择、排量计算及排量数据的验证方法，该方法包括：根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，分别构建多个第一预定时间段内的扬尘排量计算模型，形成模型集；获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据；将当前扬尘排量影响因素数据输入各个扬尘排量计算模型，得到多个扬尘排量计算数据；根据多个扬尘排量计算数据和当前真实扬尘排量数据对多个扬尘排量计算模型进行评价，得到模型集内的最优扬尘排量计算模型。通过实施本发明，能够解决使用固定的扬尘排量计算模型导致的，在扬尘排量影响因素或者扬尘源性质有较大变化时，计算结果的误差较大的问题。
Description
技术领域
本发明涉及环境污染物测量技术领域，尤其涉及到一种扬尘排量计算模型选择、排量计算及排量数据的验证方法。
背景技术
扬尘是造成城市颗粒物污染的主要源头之一，也是我国大多数城市空气污染中首要的污染物。国内外研究与实验表明，扬尘是城市大气中PM10的重要来源，早期扬尘对大气中PM10的贡献率超过50%，经过多年的治理，近期，许多城市空气质量有了极大的改善，但扬尘PM10的贡献率仍在20%以上，此外，其对PM2.5的贡献率也有着不可忽视的影响。因此，有效监控城市特别是城市中的主要扬尘源的扬尘程度，对促进环境空气质量的持续改善具有十分重要的意义。而由于扬尘排放量是反映扬尘源排放程度的一个重要指标，因此，为了更为精细化的监管扬尘排放量，需要对扬尘源的扬尘排量进行量化。
目前，较为准确的扬尘排量量化方法为建立扬尘排量主要影响因素与扬尘排量之间的关系模型（即扬尘排量计算模型），但是，由于扬尘排量的主要影响因素，如风速，空气湿度等在不同的时间段（如不同的季节，不同月份等）可能存在较大差异，扬尘源自身的性质在一段时间之后也可能会出现较大的改变，从而导致扬尘排量与扬尘排量主要影响因素之间的关系产生较大改变，因此，若仅使用一个固定的关系模型，在扬尘排量主要影响因素有较大变化或者扬尘源自身性质改变等情形下，会出现使用关系模型计算得到的扬尘排量数据与实际扬尘排量之间的误差较大的问题。
发明内容
有鉴于此，本发明实施例提供了一种扬尘排量计算模型选择、排量计算及排量数据的验证方法，以解决仅使用一个固定的关系模型导致的，在扬尘排量主要影响因素有较大变化或者扬尘源自身性质改变等情形下，使用关系模型计算得到的扬尘排量数据与实际扬尘排量之间的误差较大的问题。
根据第一方面，本发明实施例提供了一种扬尘排量计算模型选择方法，包括如下步骤：根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，经训练验证，分别构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集；获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据；将当前扬尘排量影响因素数据输入各个扬尘排量计算模型，得到多个扬尘排量计算数据；根据多个扬尘排量计算数据和当前真实扬尘排量数据对多个扬尘排量计算模型进行评价，得到扬尘排量计算模型集内的最优扬尘排量计算模型。
通过将历史数据拆分组合成多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，第一预定时间段的时长相对于所有历史数据对应的时长较短，因而，在第一预定时间段内扬尘源的自身性质改变以及扬尘排量主要影响因素有较大变化的可能性均减小，或者即使一个第一预定时间段内的扬尘源自身性质改变或者扬尘排量主要影响因素有较大变化，也存在其他没有改变的第一预定时间段，因此，经训练验证，分别构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集，使得在需要计算扬尘源的扬尘排量时，能够根据多个扬尘排量计算数据（将当前扬尘排量影响因素数据输入多个扬尘排量计算后计算得到）和当前真实扬尘排量数据在扬尘排量计算模型集中找到至少一个计算精确度较高的最优扬尘排量计算模型，从而能够解决使用一个固定的扬尘排量计算模型导致的，在扬尘排量主要影响因素有较大变化或者扬尘源自身性质改变等情形下，使用模型计算得到的扬尘排量数据与实际扬尘排量之间的误差较大的问题。
结合第一方面，在第一方面第一实施方式中，扬尘排量计算模型选择方法还包括如下步骤：获取第三预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据；第三预定时间段至少包括第二预定时间段；经训练验证，构建第三预定时间段内的扬尘排量计算模型；将第三预定时间段内的扬尘排量计算模型加入扬尘排量计算模型集内，对扬尘排量计算模型集进行更新。
通过在获取到第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据（为区别于多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据的新数据）时，获取至少包括第二预定时间段的第三预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，从而经训练验证，构建第三预定时间段内的扬尘排量计算模型，并将该模型加入扬尘排量计算模型集内对扬尘排量计算模型集进行更新，能够不断丰富扬尘排量计算模型集，使其适应扬尘源自身性质以及扬尘排量主要影响因素的变化，进一步保证在需要计算扬尘源的扬尘排量时，能够根据多个扬尘排量计算数据和当前真实扬尘排量数据在扬尘排量计算模型集中找到至少一个计算精确度较高的最优扬尘排量计算模型。
结合第一方面或第一方面第一实施方式，在第一方面第二实施方式中，真实扬尘排量数据为通过滤膜称重法采集得到，和/或扬尘排量影响因素数据为通过扬尘实时在线检测***采集得到。
结合第一方面第二实施方式，在第一方面第三实施方式中，第二预定时间段的时长为采集一个真实扬尘排量数据所需的时长，一个真实扬尘排量数据对应的扬尘排量影响因素数据为多个。
结合第一方面第三实施方式，在第一方面第四实施方式中，根据多个扬尘排量计算数据和当前真实扬尘排量数据对多个扬尘排量计算模型进行评价，得到扬尘排量计算模型集内的最优扬尘排量计算模型的步骤，包括：根据多个扬尘排量计算数据和当前真实扬尘排量数据，使用第一评价指标对多个扬尘排量计算模型进行评价，得到初始最优模型；判断初始最优模型是否为一个；若初始最优模型为一个，则将初始最优模型确定为最优扬尘排量计算模型；若初始最优模型为多个，则使用第二评价指标对初始最优模型进行评价，并将初始最优模型中的最优模型确定为最优扬尘排量计算模型。
通过在使用第一评价指标对扬尘排量计算模型集中的扬尘排量计算模型进行评价得到的初始最优模型为多个时，继续使用第二评价指标对初始最优模型进行评价，增加评价维度，能够实现在多个初始最优模型中的进一步的择优，从而能够进一步提高最终确定的最优扬尘排量计算模型的计算精确度（即使最优扬尘排量计算模型仍为多个，也是初始最优模型中计算精确度更高的部分模型）。
结合第一方面第四实施方式，在第一方面第五实施方式中，第一评价指标和第二评价指标为拟合优度评价指标、均方根误差评价指标、平均绝对误差评价指标和绝对中位差评价指标中的任意两个。
根据第二方面，本发明实施例提供了一种扬尘排量计算方法，包括如下步骤：采集检测时间段内的扬尘排量影响因素数据；将扬尘排量影响因素数据输入根据第一方面或者第一方面任意一种实施方式所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型中，得到扬尘排量的计算结果。
通过在需要计算采集检测时间段内扬尘排量时，首先采集检测时间段内的扬尘排量影响因素数据，并使用上述第一方面或者第一方面任意一种实施方式所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型进行计算，能够得到精确度较高的计算结果，而由于检测时间段内的扬尘排量影响因素数据的采集难度较低，且只要采集到检测时间段内的扬尘排量影响因素数据，就可以使用最优扬尘排量计算模型实时计算得到采集检测时间段内的烟尘排量，因此，本发明实施例提供了一种实施难度较低且能够实时高精确度计算扬尘排量的方法。
根据第三方面，本发明实施例提供了一种扬尘排量数据的验证方法，包括如下步骤：获取待验证的扬尘排量数据；待验证的扬尘排量数据为待验证时间段内的扬尘排量数据；使用第二方面所述的扬尘排量计算方法，计算待验证时间段内的扬尘排量，并将计算结果作为基准数据；根据基准数据验证待验证的扬尘排量数据的精确度。
由于使用第二方面所述的扬尘排量计算方法计算得到的扬尘排量数据的计算结果的精确度较高，因此，可以将其作为基准数据，对获取到的使用其他方式（如现有技术中的排放因子法，四维通量法，或者使用最优扬尘排量计算模型以外的其他模型进行计算等）测量或者计算得到的待验证数据进行精确度验证，而由于最优扬尘排量计算模型能够实时在线计算，因此，通过实施该方法，能够在线实时提供基准数据，从而也能够对待验证的扬尘排量数据进行在线实时验证。
根据第四方面，本发明实施例提供了一种扬尘排量计算模型选择装置，包括：模型集构建模块，用于根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，经训练验证，分别构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集；当前数据获取模块，用于获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据；当前结果计算模块，用于将当前扬尘排量影响因素数据输入各个扬尘排量计算模型，得到多个扬尘排量计算数据；模型评价选择模块，用于根据多个扬尘排量计算数据和当前真实扬尘排量数据对多个扬尘排量计算模型进行评价，得到扬尘排量计算模型集内的最优扬尘排量计算模型。
根据第五方面，本发明实施例提供了一种扬尘排量计算装置，包括：数据采集模块，用于采集检测时间段内的扬尘排量影响因素数据；排量计算模块，用于将扬尘排量影响因素数据输入根据第一方面或者第一方面任意一种实施方式所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型中，得到扬尘排量的计算结果。
根据第六方面，本发明实施例提供了一种扬尘排量数据的验证装置，包括：待验证数据获取模块，用于获取待验证的扬尘排量数据；待验证的扬尘排量数据为待验证时间段内的扬尘排量数据；基准数据计算模块，用于使用第二方面所述的扬尘排量计算方法，计算待验证时间段内的扬尘排量，并将计算结果作为基准数据；数据验证模块，用于根据基准数据验证待验证的扬尘排量数据的精确度。
根据第七方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式或者第二方面或者第三方面中所述的方法。
根据第八方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式或者第二方面或者第三方面中所述的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种扬尘排量计算模型选择方法的一种方法流程图；
图2为扬尘平行采样比对滤膜采样器和扬尘实时在线检测***的设置场景示意图；
图3为图1中步骤S104的一种具体方法流程图；
图4为本发明实施例提供的一种扬尘排量计算方法的一种方法流程图；
图5本发明实施例提供的一种扬尘排量数据的验证方法的一种方法流程图；
图6为本发明实施例提供的一种扬尘排量计算模型选择装置的原理框图；
图7为本发明实施例提供的一种扬尘排量计算装置的原理框图；
图8为本发明实施例提供的一种扬尘排量数据的验证装置的原理框图；
图9为本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
需要说明的是，本发明实施例提供的扬尘排量计算模型选择方法，主要用于对土壤扬尘源、道路扬尘源、施工扬尘源、堆场扬尘源等扬尘源的扬尘排放量计算模型的选择。本发明实施例中的扬尘源排量计算模型为根据真实扬尘排量数据（使用滤膜称重法，降尘检测法等方法检测得到的，可以被认为是扬尘源实际排量的数据）以及扬尘排量影响因素数据，使用多元线性回归方法，支持向量机回归方法，随机森林回归方法，梯度提升回归树方法以及神经网络学习方法等机器学习方法建立的关系模型，该关系模型的输入为扬尘排量影响因素数据，输出为扬尘排量的计算结果（也即下文中的扬尘排量计算数据）。
实施例1
图1示出了本发明实施例的扬尘排量计算模型选择方法的流程图，如图1所示，该方法可以包括如下步骤：
S101：根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，经训练验证，分别构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集。在这里，扬尘排量影响因素数据包括颗粒物平均质量浓度数据、空气湿度数据、扬尘源内的活动强度数据以及风速数据，当然，也可以根据实际应用场景的需要增加或者减少，一个第一预定时间段内的扬尘排量模型为根据该第一预定时间段内的真实扬尘排量数据（作为模型的输出）和扬尘排量影响因素数据（作为模型的输入）训练得到，扬尘排量计算模型集中的扬尘排量计算模型的数量与第一预定时间段的数量相同。
在这里，真实扬尘排量数据可以使用滤膜称重法（如，使用扬尘平行采样比对滤膜采样器）采集得到，或者使用降尘检测法（如使用降尘缸）进行检测获取降尘量后根据降尘量与扬尘排量之间的关系计算得到，扬尘排量影响因素数据可以使用扬尘实时在线检测***采集。
由于研究表明，扬尘源扩散在一定程度上与高斯扩散模式相符，其扩散公式为：
，
其中，是指扬尘源下风向空间任意一点（x, y, z）的颗粒物浓度，是指源强，是指污染源高处的平均风速，是指有效扬尘源高度（包括扬尘源内的颗粒物扩散后的被抬升高度），、分别是指扬尘源内的颗粒物的横向和垂直向的扩散参数，和均随下风向任意一点（x, y, z）与扬尘源之间距离的增大而增大。
通过上述扩散公式以及扬尘源的扩散性质可知，随着扬尘污染源距排放点距离的增加，由于扬尘扩散和沉降的原因，扬尘源排放的颗粒物浓度会产生显著的变化，因此，正确选择扬尘源排放量数据采集点对训练得到的扬尘排量计算模型的精确性，以及根据扬尘排量影响因素数据，使用扬尘排量计算模型得到的计算结果的准确性都有较大的影响。在具体实施例中，以使用扬尘平行采样比对滤膜采样器采集真实扬尘排量数据，使用扬尘实时在线检测***采集扬尘排量影响因素数据为例，如图2所示，将扬尘平行采样比对滤膜采样器和扬尘实时在线检测***设置于根据上述扬尘源扩散公式得到的扬尘高斯扩散虚拟采样空间内的颗粒物浓度最高点处。
沿用上例，当使用扬尘平行采样比对滤膜采样器采集真实扬尘排量数据，使用扬尘实时在线检测***采集扬尘排量影响因素数据时，由于扬尘排量影响因素数据为实时采集（即采集收起较短，一般为1分钟），而真实扬尘排量数据的采集周期较长（由滤膜采样的性质决定），一般为6个小时以上，即一个真实扬尘排量数据对应的扬尘排量影响因素数据为一组，因此，在进行扬尘排量计算模型构建时，若以使用均方差代价函数来训练优化模型，则代价函数可以表示为：
，其中，θ是指模型中需要训练的参数集，是指代价函数，是指第一预定时间段中的训练样本总数，是指第一预定时间段中的第i组扬尘排量影响因素数据，是指与第一预定时间段中的第i个真实扬尘排量数据（与第i组扬尘排量影响因素数据对应），是指作为输入时，模型计算得到的结果。
在这里，多个第一预定时间段为多个相同时长的时间段，并且任意两个第一预定时间段的开始时间和/或结束时间不同，两个相邻的第一预定时间段之间可以存在部分重叠的时间段，具体地，以第一预定时间段的时长为30天为例，可以将两个相邻的第一预定时间段分别设置为2018年3月1日-2018年3月31日和 2018年3月15日-2018年4月14日，当然，相邻两个第一预定时间段之间的重叠部分的长短，以及是否重叠均可以根据实际应用场景的需要进行设置。
S102：获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据。在这里，第二预定时间段的时长同样可以根据实际应用场景进行设置，具体地，以在第二预定时间段内至少能采集到一个真实扬尘排量数据为准，如，可以将第二预定时间段的时长直接设置为采集一个真实扬尘排量数据所需的时长，参照步骤S101所述的内容，一个真实扬尘排量数据对应的扬尘排量影响因素数据为多个。
在这里，当前真实扬尘排量数据以及当前扬尘排量影响因素数据的采集方法与步骤S101中的第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据的采集方式相同，在此不再赘述。
S103：将当前扬尘排量影响因素数据分别输入多个扬尘排量计算模型，得到多个扬尘排量计算数据。沿用上例，当第二预定时间段的时长直接设置为采集一个真实扬尘排量数据所需的时长，即第二预定时间段内的当前真实扬尘排量数据为一个，当前扬尘排量影响因素数据为一组时，则将该组扬尘排量影响因素数据分别输入多个扬尘排量计算模型，并将该组扬尘排量影响因素数据输入一个扬尘排量计算模型后得到的计算结果进行相加，得到一个扬尘排量计算数据，也即，得到的扬尘排量计算数据与获取的当前真实扬尘排量数据的数量相等。
当第二预定时间段内的当前真实扬尘排量数据为多个，当前扬尘排量影响因素数据对应的为多组时的情形，可以参照上述当前真实扬尘排量数据为一个时的内容进行理解，在此不再赘述。
S104：根据多个扬尘排量计算数据和当前真实扬尘排量数据对多个扬尘排量计算模型进行评价，得到扬尘排量计算模型集内的最优扬尘排量计算模型。在这里，可以使用拟合优度评价、均方根误差评价、平均绝对误差评价和绝对中位差评价等任一误差评价方法，对多个扬尘排量计算模型进行评价。
在这里，需要说明的是，得到的最优扬尘排量计算模型可以用于根据第二预定时间段之后的检测时间段内扬尘排量影响因素数据，计算得到扬尘排量的计算结果，此外，由于当前真实扬尘排量数据的采集周期较长（如，6个小时采集1个当前真实扬尘排量数据），而使用扬尘排量计算模型根据每个当前扬尘排量影响因素数据对扬尘排量进行计算，能够得到较短周期的扬尘排量计算数据（周期与扬尘排量影响因素数据的周期相同，如1分钟），因此，虽然已经直接采集到了第二预定时间段内的当前真实扬尘排量数据，但是最优扬尘排量计算模型也可以用于根据第二预定时间段。
在本发明实施例中，通过将历史数据拆分组合成多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，第一预定时间段的时长相对于所有历史数据对应的时长较短，因而，在第一预定时间段内扬尘源的自身性质改变以及扬尘排量主要影响因素有较大变化的可能性均减小，或者即使一个第一预定时间段内的扬尘源自身性质改变或者扬尘排量主要影响因素有较大变化，也存在其他没有改变的第一预定时间段，因此，经训练验证，分别构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集，使得在需要计算扬尘源的扬尘排量时，能够根据多个扬尘排量计算数据（将当前扬尘排量影响因素数据输入多个扬尘排量计算后计算得到）和当前真实扬尘排量数据在扬尘排量计算模型集中找到至少一个计算精确度较高的最优扬尘排量计算模型，从而能够解决使用一个固定的扬尘排量计算模型导致的，在扬尘排量主要影响因素有较大变化或者扬尘源自身性质改变等情形下，使用模型计算得到的扬尘排量数据与实际扬尘排量之间的误差较大的问题。
作为本发明实施例的一种可选实施方式，如图1所示，本发明实施例的扬尘排量计算模型选择方法还可以包括如下步骤：
S105：获取第三预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据。在这里，第三预定时间段至少包括第二预定时间段，具体地，当第二预定时间段较长，第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据的数量均较多，可以满足进行扬尘排量模型训练的数量要求时，可以直接将第二预定时间段作为第三预定时间段；而当第二预定时间段较短时，第三预定时间段还可以包括除第二预定时间段以外的历史时间段，例如，当第二预定时间段为2018年4月15日-2018年4月22日时，第三预定时间段可以为2018年4月15日-2018年4月22日，也可以为2018年4月7日-2018年4月22日等。
S106：经训练验证，构建第三预定时间段内的扬尘排量计算模型。
S107：将第三预定时间段内的扬尘排量计算模型加入扬尘排量计算模型集内，对扬尘排量计算模型集进行更新。
在这里，需要说明的是，当用以执行本发明实施例中的方法的终端采用单线程执行方式时，步骤S105-步骤S107可以在步骤S104之后执行，而当上述终端采用多线程执行方式时，在执行完步骤S101-步骤S102后，步骤S103-步骤S104，以及步骤S105-步骤S107可以分别在不同的线程中同时执行。
在本发明实施例中，通过在获取到第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据（为区别于多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据的新数据）时，获取至少包括第二预定时间段的第三预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，从而经训练验证，构建第三预定时间段内的扬尘排量计算模型，并将该模型加入扬尘排量计算模型集内对扬尘排量计算模型集进行更新，能够不断丰富扬尘排量计算模型集，使其适应扬尘源自身性质以及扬尘排量主要影响因素的变化，进一步保证在需要计算扬尘源的扬尘排量时，能够根据多个扬尘排量计算数据和当前真实扬尘排量数据在扬尘排量计算模型集中找到至少一个计算精度较高的最优扬尘排量计算模型。
作为本实施例的一种可选实施方式，如图3所示，本发明实施例的扬尘排量计算模型选择方法中的步骤S104可以包括如下步骤：
S301：根据多个扬尘排量计算数据和当前真实扬尘排量数据，使用第一评价指标对多个扬尘排量计算模型进行评价，得到初始最优模型。在这里，第一评价指标可以为拟合优度评价指标、均方根误差评价指标、平均绝对误差评价指标和绝对中位差评价指标中的任意一个。
S302：判断初始最优模型是否为一个。在这里，当初始最优模型为一个时，则执行步骤S303；当初始最优模型为多个时，则执行步骤S304。
S303：将初始最优模型确定为最优扬尘排量计算模型。
S304：使用第二评价指标对初始最优模型进行评价，并将初始最优模型中的最优模型确定为最优扬尘排量计算模型。在这里，第二评价指标可以为拟合优度评价指标、均方根误差评价指标、平均绝对误差评价指标和绝对中位差评价指标中除了第一评价指标外的任意一个。在这里，当经过该步骤选择的最优扬尘排量计算模型仍为多个时，可以使用其中的任意一个对扬尘源的扬尘排量进行计算，当然，也可以使用其他评价指标继续进行评价选择，直至得到的最优扬尘排量计算模型为一个模型。
在本发明实施例中，通过在使用第一评价指标对扬尘排量计算模型集中的扬尘排量计算模型进行评价得到的初始最优模型为多个时，继续使用第二评价指标对初始最优模型进行评价，增加评价维度，能够实现在多个初始最优模型中的进一步的择优，从而能够进一步提高最终确定的最优扬尘排量计算模型的计算精确度（即使最优扬尘排量计算模型仍为多个，也是初始最优模型中计算精确度更高的部分模型）。
实施例2
图4示出了本发明实施例的扬尘排量计算方法的流程图，如图4所示，该方法可以包括如下步骤：
S401：采集检测时间段内的扬尘排量影响因素数据。在这里，监测时间端的时长可以根据实际应用场景进行具体设置，以在该检测时间段内扬尘源自身性质以及扬尘排量主要影响因素的变化量均较小为准。在这里，检测时间段内的扬尘排量影响因素数据的采集方式可以参照实施例1步骤S101中的第一预定时间段内的扬尘排量影响因素数据的采集方式来理解，在此不再赘述。
S402：将扬尘排量影响因素数据输入根据实施例1所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型中，得到扬尘排量的计算结果。
本实施例所述方法的具体内容可以参考实施例1来理解，在此不再赘述。
在本发明实施例中，通过在需要计算采集检测时间段内扬尘排量时，首先采集检测时间段内的扬尘排量影响因素数据，并使用上述第一方面或者第一方面任意一种实施方式所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型进行计算，能够得到精确度较高的计算结果，而由于检测时间段内的扬尘排量影响因素数据的采集难度较低，且只要采集到检测时间段内的扬尘排量影响因素数据，就可以使用最优扬尘排量计算模型实时计算得到采集检测时间段内的烟尘排量，因此，本发明实施例提供了一种实施难度较低且能够实时高精确度计算扬尘排量的方法。
具体地，以济南某建筑工地（扬尘源）为实验对象，分别使用滤膜称重法和本发明实施例提供的扬尘排量计算方法对该扬尘源（2018年9月25日8时-2018年9月30日16时，共分为16个时间段）进行扬尘排量检测和计算，得到如表1所述的数据：
表1
在这里，需要说明的是，表1中各行使用本发明实施例的扬尘排量计算方法得到的也为一个单位为“mg/h”的数据，仅是为了方便与滤膜称重法得到的数据进行对比，而将多个计算结果进行求和并求均值后得到的数据（各行对应的时间段内的TSP浓度、风速、温度以及湿度为使用相同的方法得到），而不是各行对应的时间段内，使用扬尘排量计算方法仅能得到一个数据。
依据表1的数据，利用四个评价指标：平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和拟合优度（R2）评价本发明实施例的扬尘排量计算方法的计算精度，其结果如表2所示：
表2
| 指标 | MAE | MSE | RMSE | R<sup>2</sup> |
| 扬尘排量计算方法 | 0.222741 | 0.073068 | 0.270310 | 0.824136 |
从表2可知，本发明实施例的扬尘排量计算方法在测试数据集上得到的计算结果与真实输出值（滤膜称重的结果）的均方误差MSE只有0.073，拟合优度R2达到了0.824，因此可以认为，使用本发明实施例的扬尘排量计算方法计算得到的扬尘排量的精确度较高。
此外，将上述表1中的2018年9月25日8时-2018年9月30日16时时间段内的使用滤膜称重法得到的数据作为扬尘排量的基准值（合计），并与上述时间段内的使用本发明实施例的扬尘排量计算方法得到的数据，以及使用排放因子法得到的数据进行比较，得到误差率和误差率，其结果如表3所示（单位：mg）：
表3
从表3可以看出，使用本发明实施例提供的扬尘排量计算方法计算出的济南施工扬尘排放量值与基准值误差率只有1.2%（相对于使用滤膜称重法得到的基准值），低于利用呼和浩特市推荐排放因子计算的误差率7.2%，更低于利用北京市推荐排放因子的计算得误差率43.4%，因此，使用本发明实施例中的方法，即使用实施例1所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型进行计算，能够得到精确度较高的计算结果。
在这里，需要说明的是，排放因子法的计算公式为：
，，
其中，是指扬尘源，即本具体例中的济南某建筑工地的PMi总排放量，是指扬尘源PMi的平均排放因子，该因子可以通过查阅排放因子表得到，是指扬尘源面积，是指扬尘源活动时间。在本实施例中，通过查询排放因子表，得到北京市的排放因子为468mg/(m2•h)，呼和浩特市的排放因子为350 mg/(m2•h)。
实施例3
图5示出了本发明实施例的扬尘排量数据的验证方法的流程图，如图5所示，该方法可以包括如下步骤：
S501：获取待验证的扬尘排量数据。在这里，待验证的扬尘排量数据为待验证时间段内的扬尘排量数据。
S502：使用实施例2所述的扬尘排量计算方法，计算待验证时间段内的扬尘排量，并将计算结果作为基准数据。在这里，待验证时间段即为实施例2中步骤S401中所述的检测时间段。
S503：根据基准数据验证待验证的扬尘排量数据的精确度。在这里，可以将待验证的扬尘排量数据相对于基准数据的误差率作为验证结果，还可以进一步地，通过阈值分割的方式，将误差率划分为较高、中等、较低三种，并将误差率较高或者误差率中等或者误差率较低作为验证结果。
本实施例所述方法的具体内容可以参考实施例1和实施例2来理解，在此不再赘述。
由于使用第二方面所述的扬尘排量计算方法计算得到的扬尘排量数据的计算结果的精确度较高，因此，可以将其作为基准数据，对获取到的使用其他方式（如现有技术中的排放因子法，四维通量法，或者使用最优扬尘排量计算模型以外的其他模型进行计算等）测量或者计算得到的待验证数据进行精确度验证，而由于最优扬尘排量计算模型能够实时在线计算，因此，通过实施本发明实施例中的方法，能够在线实时提供基准数据，从而也能够对待验证的扬尘排量数据进行在线实时验证。
实施例4
图6示出了本发明实施例的一种扬尘排量计算模型选择装置的原理框图，该装置可以用于实现实施例1或者其任意可选实施方式所述的扬尘排量计算模型选择方法。如图6所示，该装置包括：模型集构建模块10、当前数据获取模块20、当前结果计算模块30和模型评价选择模块40。
模型集构建模块10用于根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，经训练验证，构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集。详细内容可参见上述实施例1所述的扬尘排量计算模型选择方法的步骤S101的相关描述。
当前数据获取模块20用于获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据。详细内容可参见上述实施例1所述的扬尘排量计算模型选择方法的步骤S102的相关描述。
当前结果计算模块30用于将当前扬尘排量影响因素数据输入各个扬尘排量计算模型，得到多个扬尘排量计算数据。详细内容可参见上述实施例1所述的扬尘排量计算模型选择方法的步骤S103的相关描述。
模型评价选择模块40用于根据多个扬尘排量计算数据和当前真实扬尘排量数据对多个扬尘排量计算模型进行评价，得到扬尘排量计算模型集内的最优扬尘排量计算模型。详细内容可参见上述实施例1所述的扬尘排量计算模型选择方法的步骤S104的相关描述。
在本发明实施例中，通过将历史数据拆分组合成多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，第一预定时间段的时长相对于所有历史数据对应的时长较短，因而，在第一预定时间段内扬尘源的自身性质改变以及扬尘排量主要影响因素有较大变化的可能性均减小，或者即使一个第一预定时间段内的扬尘源自身性质改变或者扬尘排量主要影响因素有较大变化，也存在其他没有改变的第一预定时间段，因此，经训练验证，分别构建多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集，使得在需要计算扬尘源的扬尘排量时，能够根据多个扬尘排量计算数据（将当前扬尘排量影响因素数据输入多个扬尘排量计算后计算得到）和当前真实扬尘排量数据在扬尘排量计算模型集中找到至少一个计算精确度较高的最优扬尘排量计算模型，从而能够解决使用一个固定的扬尘排量计算模型导致的，在扬尘排量主要影响因素有较大变化或者扬尘源自身性质改变等情形下，使用模型计算得到的真实扬尘排量数据与实际扬尘排量之间的误差较大的问题。
实施例5
图7示出了本发明实施例的一种扬尘排量计算装置的原理框图，该装置可以用于实现实施例2或者其任意可选实施方式所述的扬尘排量计算方法。如图7所示，该装置包括：数据采集模块50和排量计算模块60。
数据采集模块50用于采集检测时间段内的扬尘排量影响因素数据。详细内容可参见上述实施例2所述的扬尘排量计算方法的步骤S401的相关描述。
排量计算模块60用于将扬尘排量影响因素数据输入根据实施例1所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型中，得到扬尘排量的计算结果。详细内容可参见上述实施例2所述的扬尘排量计算方法的步骤S402的相关描述。
实施例6
图8示出了本发明实施例的一种扬尘排量数据的验证装置的原理框图，该装置可以用于实现实施例3或者其任意可选实施方式所述的扬尘排量数据的验证方法。如图8所示，该装置包括：待验证数据获取模块70，基准数据计算模块80和数据验证模块90。
待验证数据获取模块70用于获取待验证的扬尘排量数据。在这里，待验证的扬尘排量数据为待验证时间段内的扬尘排量数据。详细内容可参见上述实施例3所述的扬尘排量数据的验证方法的步骤S501的相关描述。
基准数据计算模块80用于使用实施例2所述的扬尘排量计算方法，计算待验证时间段内的扬尘排量，并将计算结果作为基准数据。详细内容可参见上述实施例3所述的扬尘排量数据的验证方法的步骤S502的相关描述。
数据验证模块90用于根据基准数据验证待验证的扬尘排量数据的精确度。详细内容可参见上述实施例3所述的扬尘排量数据的验证方法的步骤S503的相关描述。
本发明实施例还提供了一种电子设备，如图9所示，该电子设备可以包括处理器91和存储器92，其中处理器91和存储器92可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器91可以为中央处理器（Central Processing Unit，CPU）。处理器91还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器92作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的扬尘排量计算模型选择方法和/或扬尘排量计算方法和/或扬尘排量数据的验证方法对应的程序指令/模块（如图6所示的模型集构建模块10、当前数据获取模块20、当前结果计算模块30和模型评价选择模块40，和/或，图7所示的数据采集模块50和排量计算模块60，和/或，图8所示的待评价数据获取模块70，基准数据计算模块80和数据评价模块90）。处理器91通过运行存储在存储器92中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器92可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器91所创建的数据等。此外，存储器92可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器92可选包括相对于处理器91远程设置的存储器，这些远程存储器可以通过网络连接至处理器91。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器92中，当被所述处理器91执行时，执行如图1-5所示实施例中的方法。
上述电子设备具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random AccessMemory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (13)
1.一种扬尘排量计算模型选择方法，其特征在于，包括如下步骤：
根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，经训练验证，分别构建所述多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集；任意两个相邻的所述第一预定时间段之间均存在重叠部分；
获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据；
将所述当前扬尘排量影响因素数据分别输入所述多个扬尘排量计算模型，得到多个扬尘排量计算数据；
根据所述多个扬尘排量计算数据和所述当前真实扬尘排量数据对所述多个扬尘排量计算模型进行评价，得到所述扬尘排量计算模型集内的最优扬尘排量计算模型。
2.根据权利要求1所述的扬尘排量计算模型选择方法，其特征在于，还包括如下步骤：
获取第三预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据；所述第三预定时间段至少包括所述第二预定时间段；
经训练验证，构建所述第三预定时间段内的扬尘排量计算模型；
将所述第三预定时间段内的扬尘排量计算模型加入所述扬尘排量计算模型集内，对所述扬尘排量计算模型集进行更新。
3.根据权利要求1或2所述的扬尘排量计算模型选择方法，其特征在于，所述真实扬尘排量数据为通过滤膜称重法采集得到，和/或
所述扬尘排量影响因素数据为通过扬尘实时在线检测***采集得到。
4.根据权利要求3所述的扬尘排量计算模型选择方法，其特征在于，所述第二预定时间段的时长为采集一个所述真实扬尘排量数据所需的时长，一个所述真实扬尘排量数据对应的扬尘排量影响因素数据为多个。
5.根据权利要求4所述的扬尘排量计算模型选择方法，其特征在于，所述根据所述多个扬尘排量计算数据和所述当前真实扬尘排量数据对所述多个扬尘排量计算模型进行评价，得到所述扬尘排量计算模型集内的最优扬尘排量计算模型的步骤，包括：
根据所述多个扬尘排量计算数据和所述当前真实扬尘排量数据，使用第一评价指标对所述多个扬尘排量计算模型进行评价，得到初始最优模型；
判断所述初始最优模型是否为一个；
若所述初始最优模型为一个，则将所述初始最优模型确定为所述最优扬尘排量计算模型；
若所述初始最优模型为多个，则使用第二评价指标对所述初始最优模型进行评价，并将所述初始最优模型中的最优模型确定为所述最优扬尘排量计算模型。
6.根据权利要求5所述的扬尘排量计算模型选择方法，其特征在于，所述第一评价指标和所述第二评价指标为拟合优度评价指标、均方根误差评价指标、平均绝对误差评价指标和绝对中位差评价指标中的任意两个。
7.一种扬尘排量计算方法，其特征在于，包括如下步骤：
采集检测时间段内的扬尘排量影响因素数据；
将所述扬尘排量影响因素数据输入根据权利要求1-6任一项所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型中，得到扬尘排量的计算结果。
8.一种扬尘排量数据的验证方法，其特征在于，包括如下步骤：
获取待验证的扬尘排量数据；所述待验证的扬尘排量数据为待验证时间段内的扬尘排量数据；
使用权利要求7所述的扬尘排量计算方法，计算所述待验证时间段内的扬尘排量，并将计算结果作为基准数据；
根据所述基准数据验证所述待验证的扬尘排量数据的精确度。
9.一种扬尘排量计算模型选择装置，其特征在于，包括：
模型集构建模块，用于根据多个第一预定时间段内的真实扬尘排量数据和扬尘排量影响因素数据，经训练验证，分别构建所述多个第一预定时间段内的扬尘排量计算模型，形成扬尘排量计算模型集；任意两个相邻的所述第一预定时间段之间均存在重叠部分；
当前数据获取模块，用于获取第二预定时间段内的当前真实扬尘排量数据和当前扬尘排量影响因素数据；
当前结果计算模块，用于将所述当前扬尘排量影响因素数据输入各个所述扬尘排量计算模型，得到多个扬尘排量计算数据；
模型评价选择模块，用于根据所述多个扬尘排量计算数据和所述当前真实扬尘排量数据对所述多个扬尘排量计算模型进行评价，得到所述扬尘排量计算模型集内的最优扬尘排量计算模型。
10.一种扬尘排量计算装置，其特征在于，包括：
数据采集模块，用于采集检测时间段内的扬尘排量影响因素数据；
排量计算模块，用于将所述扬尘排量影响因素数据输入根据权利要求1-6任一项所述的扬尘排量计算模型选择方法选择的最优扬尘排量计算模型中，得到扬尘排量的计算结果。
11.一种扬尘排量数据的验证装置，其特征在于，包括：
待验证数据获取模块，用于获取待验证的扬尘排量数据；所述待验证的扬尘排量数据为待验证时间段内的扬尘排量数据；
基准数据计算模块，用于使用权利要求7所述的扬尘排量计算方法，计算所述待验证时间段内的扬尘排量，并将计算结果作为基准数据；
数据验证模块，用于根据所述基准数据验证所述待验证的扬尘排量数据的精确度。
12.一种电子设备其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910425702.7A CN109948108B (zh) | 2019-05-21 | 2019-05-21 | 扬尘排量计算模型选择、排量计算及排量数据的验证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910425702.7A CN109948108B (zh) | 2019-05-21 | 2019-05-21 | 扬尘排量计算模型选择、排量计算及排量数据的验证方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948108A CN109948108A (zh) | 2019-06-28 |
| CN109948108B true CN109948108B (zh) | 2019-08-09 |
Family
ID=67017328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910425702.7A Active CN109948108B (zh) | 2019-05-21 | 2019-05-21 | 扬尘排量计算模型选择、排量计算及排量数据的验证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948108B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的***和方法 |
| CN107657147A (zh) * | 2017-10-13 | 2018-02-02 | 东南大学 | 基于线圈数据的机动车尾气污染物排放量计算方法 |
| CN109162686A (zh) * | 2018-07-23 | 2019-01-08 | 中国石油大学(北京) | 用于预测火驱前缘位置的方法及装置 |
-
2019
- 2019-05-21 CN CN201910425702.7A patent/CN109948108B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的***和方法 |
| CN107657147A (zh) * | 2017-10-13 | 2018-02-02 | 东南大学 | 基于线圈数据的机动车尾气污染物排放量计算方法 |
| CN109162686A (zh) * | 2018-07-23 | 2019-01-08 | 中国石油大学(北京) | 用于预测火驱前缘位置的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948108A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909483B (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
| CN112529240B (zh) | 一种大气环境数据的预测方法、***、装置及存储介质 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN109858144B (zh) | 一种扬尘源的排量计算模型构建方法及扬尘排量计算方法 | |
| CN104200113A (zh) | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 | |
| CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、***及电子设备 | |
| CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
| CN111027193A (zh) | 一种基于回归模型的短期水位预测方法 | |
| CN116402369A (zh) | 一种智慧城市交通运行安全监测数据评估***及方法 | |
| CN113486295B (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
| CN111429028A (zh) | 一种适用于山区地形的输电线路覆冰灾害风险评估方法 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
| CN113377750B (zh) | 水文数据清洗方法及*** | |
| CN109948108B (zh) | 扬尘排量计算模型选择、排量计算及排量数据的验证方法 | |
| CN112562311B (zh) | 基于gis大数据的工况权重因子获取方法及装置 | |
| CN106934094B (zh) | 一种基于二十四节气的风电功率预测方法 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及*** | |
| CN113887038A (zh) | 一种建筑能耗预测校核方法、装置、设备及存储介质 | |
| WO2019041732A1 (zh) | 制造过程能力评价方法及装置 | |
| CN110108609B (zh) | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** | |
| CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及*** | |
| CN114324800A (zh) | 一种排水管道来水监测方法及其***、存储介质 | |
| CN114692749B (zh) | 一种机动车尾气遥感检测数据的处理与分析方法 | |
| CN102128914A (zh) | 一种水质量预测、评价的等浓度线方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |