CN111443015A - 大气污染物的溯源方法、装置、计算机设备及存储介质 - Google Patents
大气污染物的溯源方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111443015A CN111443015A CN202010143246.XA CN202010143246A CN111443015A CN 111443015 A CN111443015 A CN 111443015A CN 202010143246 A CN202010143246 A CN 202010143246A CN 111443015 A CN111443015 A CN 111443015A
- Authority
- CN
- China
- Prior art keywords
- data set
- pollution source
- discharge port
- source discharge
- particulate matter
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 132
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 167
- 239000013618 particulate matter Substances 0.000 claims abstract description 105
- 239000002245 particle Substances 0.000 claims abstract description 19
- 238000009792 diffusion process Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003872 anastomosis Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及污染溯源技术领域,提供了一种大气污染的溯源方法、装置、计算机设备及存储介质,该大气污染的溯源方法包括:获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数;分时在监测点监测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,形成第一数据集;根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得包含预测颗粒物浓度的第二数据集;计算每个第二数据集与第一数据集的相似度;将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。通过本发明的实施,能够解决现有技术中排放大气污染物的溯源存在精准度较低的问题。
Description
技术领域
本发明涉及污染溯源技术领域,尤其涉及一种大气污染物的溯源方法、装置、计算机设备及存储介质。
背景技术
近些年来,人们的环保意识逐渐增强,大气污染成为人们关注的重点问题,有效减少颗粒物排放已经成为政府部门的重点任务。为了能够使颗粒物的排放不超标,需要对排放超标的污染源进行快速定位,否则无法形成良好的约束机制。目前,现有的污染物溯源的方法一般有两种,第一种是在各个潜在污染源附近加密布设颗粒物监测站点,第二种是通过预测模型或者算法预测各个潜在污染源的排放情况。
虽然上述两种方法能够实现污染物溯源,但是,第一种方法需要依赖大量人力物力,且监测站点监测到的浓度值是多个污染源共同造成,并不是仅由离其最近的潜在污染源单一造成,第二种方法也是将各个污染源在监测点的预测浓度值与各个污染源在监测点的浓度值进行比较,而在实际监测中,监测点的浓度都是各个污染源共同产生。
综上所述,现有技术中排放大气污染物的溯源存在精准度较低的问题。
发明内容
本发明提供一种大气污染物的溯源方法、装置、计算机设备及存储介质,以解决现有技术中排放大气污染物的溯源存在精准度较低的问题。
本发明的第一实施例提供一种大气污染物的溯源方法,包括:
获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数;
分时在监测点监测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集;
根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得与第一时间顺序中不同时段相匹配的时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
将多个潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个潜在污染源排放口相对应的第二数据集;
计算每个第二数据集与第一数据集的相似度;
将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。
本发明的第二实施例提供一种大气污染物的溯源装置,包括:
第一获取模块,用于获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数;
第一数据集获取模块,用于分时在监测点监测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集;
预测颗粒物获取模块,用于根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得与第一时间顺序中不同时段相匹配的时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
第二数据集获取模块,用于将多个潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个潜在污染源排放口相对应的第二数据集;
相似度获取模块,用于计算每个第二数据集与第一数据集的相似度;
排放超标污染源确定模块,用于将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。
本发明的第三实施例提供一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的第一实施例提供的一种大气污染物的溯源方法的步骤。
本发明的第四实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现本发明的第一实施例提供的一种大气污染物的溯源方法的步骤。
本申请提供的大气污染物的溯源方法、装置、计算机设备及存储介质中,首先,获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数,再分时在监测点监测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集,并根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得与第一时间顺序中不同时段相匹配的时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度,然后将多个潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个潜在污染源排放口相对应的第二数据集,再次计算每个第二数据集与第一数据集的相似度,最后将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。通过将预测得到的潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度与在监测点监测得到的实际颗粒物浓度进行对比,从而获得污染源排放口,通过本发明的实施,能够有效解决现有技术中排放大气污染物的溯源存在精准度较低的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的第一实施例的大气污染物的溯源方法的一应用环境示意图;
图2是本发明的第一实施例的大气污染物的溯源方法的流程示意图;
图3是本发明的第一实施例的大气污染物的溯源方法中步骤13的流程图;
图4是本发明的第一实施例的大气污染物的溯源方法中步骤15的流程图;
图5是本发明的第一实施例的大气污染物的溯源方法的又一流程图;
图6是本发明的第一实施例的大气污染物的溯源方法中步骤25的流程图;
图7是本发明的第二实施例的大气污染物的溯源装置的模块示意图;
图8是本发明的第二实施例的大气污染物的溯源装置的又一模块示意图;
图9是本发明的第三实施例提供的计算机设备的模块示意图。
具体实施方式
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,本领域普通技术人员在没有作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。
本发明的第一实施例提供的大气污染物的溯源方法,可应用于如图1所示的应用环境中,其中,客户端(计算机设备)通过网络与服务端进行通信。服务端获取客户端发送的至少一个监测点所处坐标和多个潜在污染源排放口的排放参数,分时在监测点监测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集;根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得与第一时间顺序中不同时段相匹配的时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;将多个潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个潜在污染源排放口相对应的第二数据集;计算每个第二数据集与第一数据集的相似度;将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口,并将污染源排放口发送至客户端。其中,客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在本发明的第一实施例中,如图2所示,提供一种大气污染物的溯源方法,以该方法应用在图1中的服务端为例进行说明,包括如下步骤11至步骤15。
步骤11:获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数。
其中,监测点所处坐标是用于表示监测点在空间中所处位置的参数,具体可以通过将参照物作为基准并测量获得监测点坐标,监测点所处坐标一般可以用三维坐标表示。另外,潜在污染源排放口包括排放的污染物能够在监测点监测到的排放口,也就是说,潜在污染源排放口排放的污染物能够对监测点位置的颗粒物浓度施加影响。潜在污染源排放口的排放参数包括与潜在污染源排放口排放污染物相关的参数,例如,污染源排放强度、潜在污染源排放口口径、潜在污染源排放口的风速、潜在污染源至监测点的平均风速等等。
需要注意的是,监测点的数量越多,溯源的精准度越高。
步骤12:分时在监测点监测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集。
其中,具体可以通过监测设备在监测点监测不同时间点的实际颗粒物浓度,并按照时间顺序将世界颗粒物浓度进行排列,形成第一数据集。例如,现有监测点A,在监测点A分时监测获得第一数据集{A1,A2,A3,…,At},现有监测点B,在监测点B分时监测获得第一数据集{B1,B2,B3,…,Bt}。
另外,第一数据集中的各个元素可以是在各个时间段内监测点监测获得的实际颗粒物浓度的平均值。
需要注意的是,第一数据集可以是多个,一个监测点对应一个第一数据集,也就是说,当存在三个监测点时,对应应当存在三个第一数据集。
步骤13:根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得与第一时间顺序中不同时段相匹配的时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度。
其中,第一时间顺序中不同时段相匹配的时间段代表与在监测点监测获得实际颗粒物浓度的各个时间段相对应的预测颗粒物浓度。也就是说,当在第一时间顺序中的9点至10点时间段获得某一监测点的实际颗粒物浓度时,在9点至10点时间段也应当预测潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度。
例如,第一数据集中的各实际颗粒物浓度按照第一时间顺序(按照第一时间顺序排列的时间段包含时间段M、时间段N、时间段O)排列,那么预测的预测颗粒物浓度也应当是与第一时间顺序中不同时间段相匹配的时间段的预测颗粒物浓度,即预测获得分别处于时间段M、时间段N、时间段O的预测颗粒物浓度。
步骤14:将多个潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个潜在污染源排放口相对应的第二数据集。
其中,按照第二时间顺序对某一监测点的预测颗粒物浓度进行排序,得到第二个数据集。例如,现有监测点A,分时预测获得第一个潜在污染源排放口排放的污染物在监测点A形成的预测颗粒物浓度,获得第二数据集{C1,C2,C3,…,Ct}E1,其中,E代表潜在污染源排放口,E1代表第一个潜在污染源排放口;现有监测点A,分时预测获得第n个潜在污染源排放口排放的污染物在监测点A形成的预测颗粒物浓度,获得第二数据集{D1,D2,D3,…,Dt}En,其中,En代表第n个潜在污染源排放口。另外,第一时间顺序与第二时间顺序的排列方向应当保持一致。
需要注意的是,由于潜在污染源排放口的数量为多个,第二数据集的数量也应当为多个。具体而言,一个潜在污染源排放口在一个监测点能够获得一个第二数据集,当存在a个潜在污染源排放口和b个监测点时,第二数据集的数量应当为a×b个。
步骤15:计算每个第二数据集与第一数据集的相似度。
其中,第二数据集代表一个潜在污染源排放口排放的污染物在某一监测点形成的预测颗粒物浓度形成的集合,第一数据集代表在监测点检测获得实际颗粒物浓度形成的集合。
步骤16:将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。
其中,当某一潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度度与在监测点监测的实际颗粒物浓度的相似度达到预设值时,则将该潜在污染源排放口视为排放超标的污染源排放口。
通过上述步骤11至步骤16的实施,通过将预测得到的潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度与在监测点监测得到的实际颗粒物浓度进行对比,判断第一数据集和第二数据集之间的相似度,并根据相似度获得污染源排放口,通过本发明的实施,能够有效解决现有技术中排放大气污染物的溯源存在精准度较低的问题。
另外,在本实施例中,当监测设备监测出监测点出现颗粒物浓度超标的情况时,可以将监测获得的颗粒物浓度发送至服务器,服务器根据第一时间顺序生成第一数据集,并预测各个潜在污染源排放口排放的污染物在该监测点形成的预测颗粒物浓度以生成各个第二数据集,计算各个第二数据集与第一数据集的相似度,并将与相似度达到预设值的第二数据集对应的潜在污染源排放口作为污染源排放口,服务器将污染源排放口发送至客户端。
进一步地,作为本实施例的一种实施方式,如图3所示,上述步骤13具体还包括步骤131至步骤133:
步骤131:通过预先校正的高斯扩散模型对每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,以得到各个时间点潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
步骤132:对各个时间点潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度进行积分处理,获得各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度累积值;
步骤133:计算各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度累积值的平均值,并将各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度累积值的平均值作为不同时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度。
在上述步骤131中,通过预先校正的高斯扩散模型中的高斯扩散公式进行计算,具体是通过以下公式(1)计算获得潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度:
其中,其中,C代表某一潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度(g/m3),Q代表潜在污染源排放口排放的污染源强度(g/s),σy代表侧向方向扩散系数,σ2代表垂直方向扩散系数,x代表监测点与潜在污染源排放口的排放处中心轴的下风向距离(m),y代表监测点与潜在污染源排放口的排放处中心轴的横截风向距离(m),z代表监测点到参照物的距离(m),为潜在污染源排放口排放处中心轴的风速(m/s),H为潜在污染源排放口到参照物的距离(m),t表示时间(h),参考物可以是地面、水面等等,此处不做具体限制。
在本实施例中,潜在污染源排放口的排放参数应当包括潜在污染源排放口的污染源强度Q,并根据排放参数中的排放处坐标和监测点所处坐标获得监测点与潜在污染源排放口的排放处中心轴的下风向距离x、监测点与潜在污染源排放口的排放处中心轴的横截风向距离y、监测点到参考物的距离z、潜在污染源排放口参考物的距离H。
通过上述步骤131至步骤133的实施,通过预先校正的高斯扩散模型获得在不同时间点,每个潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度,将对一段时间内的潜在污染源排放口在监测点形成的预测颗粒物浓度进行积分,进而获得不同时间段内每个污染源排放口在监测点形成的预测颗粒物浓度累积值,并根据该累计值获得各个时间段累积值的平均值,将该平均值作为各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度,降低偶然性因素对预测产生的影像,同时减少后续计算第一数据集和第二数据集的相似度时的计算量,提高预测污染源排放口的效率。
进一步地,作为本实施例的一种实施方式,如图4所示,上述步骤15具体还包括步骤151至154:
步骤151:分别对第一数据集和第二数据集进行求和处理;
步骤152:分别计算第一数据集和第二数据集的平均值;
步骤153:计算第一数据集中的所有元素与第一数据集的平均值之间的第一差值,将第一差值作为去中心化处理的第一数据集,分别计算第二数据集中的所有元素与第二数据集的平均值之间的第二差值,将第二差值作为对应去中心化处理的第二数据集;
步骤154:分别计算经过中心化处理的第一数据集和经过中心化处理的各个第二数据集的相似度。
对于上述步骤151,具体是分别对第一数据集和第二数据集中的各个元素进行求和处理。
对于上述步骤152,具体是分别根据上述步骤151获得的求和结果计算得到第一数据集和第二数据集的平均值。
在本实施例中,上述步骤151至步骤154可以通过以下公式(2)表示:
其中,ρ代表监测点A处形成的第一数据集和第二数据集的相似度,A代表在监测点A检测得到的颗粒物浓度并形成的第一数据集,C代表某一潜在污染源排放口排放的污染物分时在监测点处形成的预测颗粒物浓度,t代表时间。
需要注意的是,为了能够获得各个潜在污染源排放口排放的污染物在监测点预测的预测颗粒物浓度与监测点实际检测的实际颗粒物浓度的相似度,需要按照步骤151至步骤154的方法一一进行计算。具体地,当存在a个潜在污染源排放口和b个监测点时,需要按照步骤105的方法计算a×b次。
通过上述步骤151至步骤155的实施,将第一数据集和第二数据集分别进行去中心化处理,再计算相似度,实现先获得第一数据集和第二数据集的变化幅度,根据第一数据集和第二数据集之间的变化幅度来计算相似度,从而能够更好的衡量第一数据集和第二数据集之间的相关性,使得污染源排放口的预测更加精准。
进一步地,作为本实施例的一种实施方式,为了能够获得能够更加精确地高斯扩散模型,还需要对高斯扩散模型中的参数进行校正,如图5所示,获得预先校正的高斯扩散模型包括:
步骤21:获取多个监测点所处坐标和多个潜在污染源排放口的排放参数;
步骤22:分时在监测点检测获得实际颗粒物浓度,将实际颗粒物浓度按照时间顺序进行排列,以形成采样数据集;
步骤23:通过高斯扩散模型对每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得不同时间段每个潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
步骤24:根据每个潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度,计算所有潜在污染源排放口排放的污染物在监测点共同形成的预测颗粒物浓度,并按照时间顺序对所有潜在污染源排放口排放的污染物在监测点共同形成的预测颗粒物浓度进行排列,以形成第三数据集;
步骤25:计算采样数据集和第三数据集的吻合程度;
步骤26:当吻合程度未达到预设要求时,调整高斯模型中的扩散参数,计算经过调整后的采样数据集和第三数据集的吻合程度,重复本步骤直至吻合程度达到预设要求时,将与扩散参数对应的高斯扩散模型确定为校正的高斯扩散模型。
对于上述步骤21至步骤25,实现的方法如上述步骤11至步骤15,此处不再一一赘述。
对于上述步骤26,具体是当采样数据集和第三数据集之间的吻合程度达到预设要求时,重复上述步骤23至26,直至调整后的采样数据集和第三数据集之间的吻合程度达到预设要求。
通过上述步骤21至步骤26的实施,能够计算出各个潜在污染源排放口排放的污染物共同在某一监测点形成的预测颗粒物浓度,同时,由于在监测点监测获得的实际颗粒物浓度为各个潜在污染源排放口排放的污染物共同在监测点形成,通过计算各个潜在污染源排放口排放的污染物共同在某一监测点形成的预测颗粒物浓度与监测点的实际颗粒物浓度的吻合程度,不断校正高斯扩散模型中的各个参数,使得后续的各个潜在污染源排放口排放的污染物共同在某一监测点形成的预测颗粒物浓度和实际的颗粒物浓度达到预设要求,提高了高斯扩散模型的预测的精确度。
进一步地,作为本实施例的一种实施方式,具体是调整高斯模型中的侧向方向扩散系数和垂直方向扩散系数。
也就是说,当吻合程度未达到预设要求时,调整高斯模型中的侧向方向扩散系数和垂直方向扩散系数,计算经过调整后的采样数据集和第三数据集的吻合程度,重复本步骤直至吻合程度达到预设要求时,将与扩散参数对应的高斯扩散模型确定为校正的高斯扩散模型。
在本实施例中,调整高斯模型中的侧向方向扩散系数和垂直方向扩散系数时应当是两者中的至少一个产生变化,此处对调整高斯模型中的侧向方向扩散系数和垂直方向扩散系数的方法不做具体限制。
通过调整高斯模型中的侧向方向扩散系数和垂直方向扩散系数,能够使得后续实际预测过程中,在不同环境下,获得不同的高斯扩散模型,以减少由于地形、地貌、基础设施等因素对高斯扩散模型的预测产生影响,以提高高斯扩散模型的预测的精确度。
进一步地,作为本实施例的一种实施方式,如图6所示,上述步骤25具体还包括步骤251至步骤252:
步骤251:将采样数据集和第三数据集中的数值分别映射在浓度-时间坐标系中,以得到与采样数据集对应的第一曲线和与第二数据集对应的第二曲线;
步骤252:计算第一曲线和第二曲线的曲线相似度,将曲线相似度作为吻合程度。
在上述步骤252中,具体可以通过弗雷歇算法或余弦相似度算法获得第一曲线和第二曲线之间的曲线相似度。
在本实施例中,由于第一曲线代表在监测点监测获得的实际颗粒物浓度,第二曲线代表各个潜在污染源排放口排放的污染物共同在某一监测点形成的预测颗粒物浓度,因此,当第一曲线和第二曲线越吻合,代表高斯扩散模型的预测精准度越高。
通过上述步骤251至步骤252的实施,能够计算第一曲线和第二曲线之间的相似度,以便于评价高斯扩散模型的的好坏程度,当所设置的预设要求越高时,高斯扩散模型的预测结果越准确。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明的第二实施例提供一种大气污染物的溯源装置,该大气污染物的溯源装置与上述第一实施例提供的大气污染物的溯源方法一一对应。
进一步地,该大气污染物的溯源装置包括第一获取模块41、第一数据集获取模块42、预测颗粒物获取模块43、第二数据集获取模块44、相似度获取模块45和排放超标污染源确定模块46。各功能模块详细说明如下:
第一获取模块41,用于获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数;
第一数据集获取模块42,用于分时在监测点检测排放超标的实际颗粒物浓度,将实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集;
预测颗粒物获取模块43,用于根据每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得与第一时间顺序中不同时段相匹配的时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
第二数据集获取模块44,用于将多个潜在污染源排放口排放的污染物在监测点形成的颗粒物浓度分别按照时间顺序进行排列,以得到与每个潜在污染源排放口相对应的第二数据集;
相似度获取模块45,用于计算每个第二数据集与第一数据集的相似度;
排放超标污染源确定模块46,用于将与第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。
进一步地,作为本实施例的一种实施方式,相似度获取模块45具体还包括求和处理单元451、平均值获取单元452、去中心化单元453和相似度获取单元454。各功能单元相似说明如下:
求和处理单元451,用于分别对第一数据集和第二数据集进行求和处理;
平均值获取单元452,用于分别计算第一数据集和第二数据集的平均值;
去中心化单元453,用于计算第一数据集中的所有元素与第一数据集的平均值之间的第一差值,将第一差值作为去中心化处理的第一数据集,分别计算第二数据集中的所有元素与第二数据集的平均值之间的第二差值,将第二差值作为对应去中心化处理的第二数据集;
相似度获取单元454,用于分别计算经过中心化处理的第一数据集和经过中心化处理的各个第二数据集的相似度。
进一步地,作为本实施例的一种实施方式,预测颗粒物获取模块43具体还包括时间点预测颗粒物浓度获取单元、预测颗粒物浓度累积值获取单元和预测颗粒物浓度获取单元。各功能单元相似说明如下:
时间点预测颗粒物浓度获取单元,用于通过预先校正的高斯扩散模型对每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,以得到各个时间点潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
预测颗粒物浓度累积值获取单元,用于对各个时间点潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度进行积分处理,获得各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度累积值;
预测颗粒物浓度获取单元,用于计算各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度累积值的平均值,并将各个时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度累积值的平均值作为不同时间段潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度。
进一步地,作为本实施例的一种实施方式,该大气污染物的溯源装置还包括第二获取模块、采样数据集获取模块、共同预测颗粒物获取模块43、第三数据集获取模块、吻合程度获取模块和预先校正高斯扩散模型获取模块,各功能模块详细功能如下:
第二获取模块,用于获取多个监测点所处坐标和多个潜在污染源排放口的排放参数;
采样数据集获取模块,用于分时在监测点检测获得实际颗粒物浓度,将实际颗粒物浓度按照时间顺序进行排列,以形成采样数据集;
共同预测颗粒物获取模块,用于通过高斯扩散模型对每个潜在污染源排放口的排放参数和监测点所处坐标进行计算,获得不同时间段每个潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度;
第三数据集获取模块,用于根据每个潜在污染源排放口排放的污染物在监测点形成的预测颗粒物浓度,计算所有潜在污染源排放口排放的污染物在监测点共同形成的预测颗粒物浓度,并按照时间顺序对所有潜在污染源排放口排放的污染物在监测点共同形成的预测颗粒物浓度进行排列,以形成第三数据集;
吻合程度获取模块,用于计算采样数据集和第三数据集的吻合程度;
预先校正高斯扩散模型获取模块,用于当吻合程度未达到预设要求时,调整高斯模型中的扩散参数,计算经过调整后的采样数据集和第三数据集的吻合程度,重复本步骤直至吻合程度达到预设要求时,将与扩散参数对应的高斯扩散模型确定为校正的高斯扩散模型。
进一步地,作为本实施例的一种实施方式,吻合程度获取模块包括曲线获取单元和曲线相似度获取单元。各功能单元详细功能如下:
曲线获取单元,用于将采样数据集和第三数据集中的数值分别映射在浓度-时间坐标系中,以得到与采样数据集对应的第一曲线和与第二数据集对应的第二曲线;
曲线相似度获取单元,用于计算第一曲线和第二曲线的曲线相似度,将曲线相似度作为吻合程度。
进一步地,作为本实施例的一种实施方式,预先校正高斯扩散模型获取模块包括调整系数单元,调整系数单元详细功能如下:
调整系数单元,用于调整高斯模型中的侧向方向扩散系数和垂直方向扩散系数。
关于大气污染物的溯源装置的具体限定可以参见上文中对于大气污染物的溯源方法的限定,在此不再赘述。上述大气污染物的溯源装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明的第三实施例提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储大气污染物的溯源方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本发明的第一实施例提供的大气污染物的溯源方法。
本发明的第四实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的第一实施例提供的大气污染物的溯源方法的步骤,例如图2所示的步骤11至步骤16、如图3所示的步骤131至步骤133、如图4所示的步骤151至步骤154、如图5所示的步骤21至步骤26以及如图6所示的步骤251至步骤252。或者,计算机程序被处理器执行时实现上述第一实施例提供的大气污染物的溯源方法的各模块/单元的功能。为避免重复,这里不再赘述。
本领域普通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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大气污染物的溯源方法,其特征在于,所述方法包括:
获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数;
分时在所述监测点监测排放超标的实际颗粒物浓度,将所述实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集;
根据每个所述潜在污染源排放口的排放参数和所述监测点所处坐标进行计算,获得与所述第一时间顺序中不同时段相匹配的时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度;
将多个所述潜在污染源排放口排放的污染物在所述监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个所述潜在污染源排放口相对应的第二数据集;
计算每个所述第二数据集与所述第一数据集的相似度;
将与所述第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。
2.根据权利要求1所述的大气污染物的溯源方法,其特征在于,所述计算每个所述第二数据集与所述第一数据集的相似度包括:
分别对所述第一数据集和所述第二数据集进行求和处理;
分别计算所述第一数据集和所述第二数据集的平均值;
计算所述第一数据集中的所有元素与所述第一数据集的平均值之间的第一差值,将所述第一差值作为去中心化处理的第一数据集,分别计算所述第二数据集中的所有元素与所述第二数据集的平均值之间的第二差值,将所述第二差值作为对应去中心化处理的第二数据集;
分别计算经过中心化处理的所述第一数据集和经过中心化处理的各个所述第二数据集的相似度。
3.根据权利要求1所述的大气污染物的溯源方法,其特征在于,所述根据每个所述潜在污染源排放口的排放参数和所述监测点所处坐标进行计算,获得与所述第一时间顺序中不同时段相匹配的时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度包括:
通过预先校正的高斯扩散模型对每个所述潜在污染源排放口的排放参数和所述监测点所处坐标进行计算,以得到各个时间点所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度;
对所述各个时间点所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度进行积分处理,获得各个时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度累积值;
计算所述各个时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度累积值的平均值,并将所述各个时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度累积值的平均值作为所述不同时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度。
4.根据权利要求3所述的大气污染物的溯源方法,其特征在于,所述获得预先校正的高斯扩散模型包括:
获取多个所述监测点所处坐标和多个所述潜在污染源排放口的排放参数;
分时在所述监测点监测获得所述实际颗粒物浓度,将所述实际颗粒物浓度按照第二时间顺序进行排列,以形成采样数据集;
通过高斯扩散模型对每个所述潜在污染源排放口的排放参数和所述监测点所处坐标进行计算,获得不同时间段每个所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度;
根据每个所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度,计算所有潜在污染源排放口排放的污染物在所述监测点共同形成的预测颗粒物浓度,并按照时间顺序对所述所有潜在污染源排放口排放的污染物在所述监测点共同形成的预测颗粒物浓度进行排列,以形成第三数据集;
计算所述采样数据集和所述第三数据集的吻合程度;
当吻合程度未达到预设要求时,调整所述高斯模型中的扩散参数,计算经过调整后的所述采样数据集和所述第三数据集的所述吻合程度,重复本步骤直至所述吻合程度达到预设要求时,将与所述扩散参数对应的高斯扩散模型确定为所述校正的高斯扩散模型。
5.根据权利要求4所述的大气污染物的溯源方法,其特征在于,所述计算所述采样数据集和所述第三数据集的吻合程度包括:
将所述采样数据集和所述第三数据集中的数值分别映射在浓度-时间坐标系中,以得到与所述采样数据集对应的第一曲线和与所述第二数据集对应的第二曲线;
计算所述第一曲线和所述第二曲线的曲线相似度,将所述曲线相似度作为所述吻合程度。
6.根据权利要求4所述的大气污染物的溯源方法,其特征在于,所述调整所述高斯模型中的扩散参数包括:
调整所述高斯模型中的侧向方向扩散系数和垂直方向扩散系数。
7.一种大气污染物的溯源装置,其特征在于,包括:
第一获取模块,用于获取至少一个监测点所处坐标和多个潜在污染源排放口的排放参数;
第一数据集获取模块,用于分时在所述监测点监测排放超标的实际颗粒物浓度,将所述实际颗粒物浓度按照第一时间顺序进行排列,以形成第一数据集;
预测颗粒物获取模块,用于根据每个所述潜在污染源排放口的排放参数和所述监测点所处坐标进行计算,获得与所述第一时间顺序中不同时段相匹配的时间段所述潜在污染源排放口排放的污染物在所述监测点形成的预测颗粒物浓度;
第二数据集获取模块,用于将多个所述潜在污染源排放口排放的污染物在所述监测点形成的颗粒物浓度分别按照第二时间顺序进行排列,以得到与每个所述潜在污染源排放口相对应的第二数据集;
相似度获取模块,用于计算每个所述第二数据集与所述第一数据集的相似度;
排放超标污染源确定模块,用于将与所述第一数据集的相似度超过预设值的第二数据集对应的污染源排放口确定为排放超标的污染源排放口。
8.根据权利要求7所述的大气污染物的溯源装置,其特征在于,所述相似度获取模块包括:
求和处理单元,用于分别对所述第一数据集和所述第二数据集进行求和处理;
平均值获取单元,用于分别计算所述第一数据集和所述第二数据集的平均值;
去中心化单元,用于计算所述第一数据集中的所有元素与所述第一数据集的平均值之间的第一差值,将所述第一差值作为去中心化处理的第一数据集,分别计算所述第二数据集中的所有元素与所述第二数据集的平均值之间的第二差值,将所述第二差值作为对应去中心化处理的第二数据集;
相似度获取单元,用于分别计算经过中心化处理的所述第一数据集和经过中心化处理的各个所述第二数据集的相似度。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述大气污染物的溯源方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述大气污染物的溯源方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143246.XA CN111443015A (zh) | 2020-03-04 | 2020-03-04 | 大气污染物的溯源方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010143246.XA CN111443015A (zh) | 2020-03-04 | 2020-03-04 | 大气污染物的溯源方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111443015A true CN111443015A (zh) | 2020-07-24 |
Family
ID=71627282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010143246.XA Pending CN111443015A (zh) | 2020-03-04 | 2020-03-04 | 大气污染物的溯源方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111443015A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417721A (zh) * | 2020-11-11 | 2021-02-26 | 北京京航计算通讯研究所 | 基于二维有限元法扩散模型的水污染溯源方法及*** |
CN113052042A (zh) * | 2021-03-17 | 2021-06-29 | 中国船舶重工集团公司第七一一研究所 | 污染物排放源监测装置及方法 |
CN113295589A (zh) * | 2021-07-28 | 2021-08-24 | 西安多普多信息科技有限公司 | 一种扬尘监测方法、装置和*** |
CN113655176A (zh) * | 2021-08-12 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 垃圾焚烧的污染超标检测方法、装置、设备及存储介质 |
CN114002403A (zh) * | 2021-10-19 | 2022-02-01 | 上海科泽智慧环境科技有限公司 | 一种氨氮自动分析方法、装置、计算机设备以及存储介质 |
CN114264581A (zh) * | 2021-12-14 | 2022-04-01 | 江西怡杉环保股份有限公司 | 一种无人机监测*** |
CN117408520A (zh) * | 2023-12-11 | 2024-01-16 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07311115A (ja) * | 1994-05-19 | 1995-11-28 | Mitsubishi Heavy Ind Ltd | 複数ガス拡散試験方法 |
JP2002207002A (ja) * | 2001-01-10 | 2002-07-26 | Hitachi Eng Co Ltd | 大気環境シミュレーションシステム |
CN106021817A (zh) * | 2016-06-22 | 2016-10-12 | 西南石油大学 | 一种海相气田高含硫天然气集输装置泄漏快速模拟方法 |
CN109117549A (zh) * | 2018-08-08 | 2019-01-01 | 浙江航天恒嘉数据科技有限公司 | 一种污染物扩散预测方法及*** |
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 |
CN110659681A (zh) * | 2019-09-17 | 2020-01-07 | 上海仪电(集团)有限公司中央研究院 | 基于模式识别的时序数据预测***及方法 |
-
2020
- 2020-03-04 CN CN202010143246.XA patent/CN111443015A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07311115A (ja) * | 1994-05-19 | 1995-11-28 | Mitsubishi Heavy Ind Ltd | 複数ガス拡散試験方法 |
JP2002207002A (ja) * | 2001-01-10 | 2002-07-26 | Hitachi Eng Co Ltd | 大気環境シミュレーションシステム |
CN106021817A (zh) * | 2016-06-22 | 2016-10-12 | 西南石油大学 | 一种海相气田高含硫天然气集输装置泄漏快速模拟方法 |
CN109117549A (zh) * | 2018-08-08 | 2019-01-01 | 浙江航天恒嘉数据科技有限公司 | 一种污染物扩散预测方法及*** |
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 |
CN110659681A (zh) * | 2019-09-17 | 2020-01-07 | 上海仪电(集团)有限公司中央研究院 | 基于模式识别的时序数据预测***及方法 |
Non-Patent Citations (3)
Title |
---|
刘秀玉 等: "《化工安全》", 31 January 2013, 国防工业出版社, pages: 69 - 70 * |
李典友 等: "《环境地理学》", 31 July 2013, 合肥工业大学出版社, pages: 384 - 385 * |
胡辉 等: "城区大气污染物―NOx浓度预测预报模式研究", 城市环境与城市生态, vol. 15, no. 1, 28 February 2002 (2002-02-28), pages 35 - 37 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417721A (zh) * | 2020-11-11 | 2021-02-26 | 北京京航计算通讯研究所 | 基于二维有限元法扩散模型的水污染溯源方法及*** |
CN112417721B (zh) * | 2020-11-11 | 2021-07-27 | 北京京航计算通讯研究所 | 基于二维有限元法扩散模型的水污染溯源方法及*** |
CN113052042A (zh) * | 2021-03-17 | 2021-06-29 | 中国船舶重工集团公司第七一一研究所 | 污染物排放源监测装置及方法 |
CN113295589A (zh) * | 2021-07-28 | 2021-08-24 | 西安多普多信息科技有限公司 | 一种扬尘监测方法、装置和*** |
CN113295589B (zh) * | 2021-07-28 | 2021-11-02 | 西安多普多信息科技有限公司 | 一种扬尘监测方法、装置和*** |
CN113655176A (zh) * | 2021-08-12 | 2021-11-16 | 平安国际智慧城市科技股份有限公司 | 垃圾焚烧的污染超标检测方法、装置、设备及存储介质 |
CN113655176B (zh) * | 2021-08-12 | 2024-03-15 | 平安国际智慧城市科技股份有限公司 | 垃圾焚烧的污染超标检测方法、装置、设备及存储介质 |
CN114002403A (zh) * | 2021-10-19 | 2022-02-01 | 上海科泽智慧环境科技有限公司 | 一种氨氮自动分析方法、装置、计算机设备以及存储介质 |
CN114002403B (zh) * | 2021-10-19 | 2023-09-01 | 上海科泽智慧环境科技有限公司 | 一种氨氮自动分析方法、装置、计算机设备以及存储介质 |
CN114264581A (zh) * | 2021-12-14 | 2022-04-01 | 江西怡杉环保股份有限公司 | 一种无人机监测*** |
CN117408520A (zh) * | 2023-12-11 | 2024-01-16 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及*** |
CN117408520B (zh) * | 2023-12-11 | 2024-03-29 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443015A (zh) | 大气污染物的溯源方法、装置、计算机设备及存储介质 | |
CN113769519B (zh) | 一种建筑工地的智能降尘控制方法及*** | |
US20210042399A1 (en) | Verification request authentication machine | |
US20200334348A1 (en) | Verification request authentication machine | |
CN109635067B (zh) | 一种经纬度信息纠正方法、装置、设备及存储介质 | |
CN112990330B (zh) | 用户用能异常数据检测方法及设备 | |
KR20140024541A (ko) | 대기 모델링 서비스 제공 시스템 | |
CN114971433B (zh) | 基于工业互联网的质量管控方法、装置、设备及存储介质 | |
CN109376689B (zh) | 人群分析方法及装置 | |
CN112131336B (zh) | 一种污染源定位方法、装置、计算机设备及存储介质 | |
CN114896783A (zh) | 空气质量改善效果的评估方法和装置 | |
Karlsson et al. | Particle filtering for quantized sensor information | |
CN115345390A (zh) | 一种行为轨迹预测方法、装置、电子设备及存储介质 | |
CN114417968A (zh) | 异常监测分类模型构建方法、异常监测方法以及装置 | |
CN112113581A (zh) | 异常计步识别方法、计步方法、装置、设备及介质 | |
US20180157794A1 (en) | Latent Space Harmonization for Predictive Modeling | |
WO2021237459A1 (zh) | 基于工业对象模型的数据处理方法、装置及设备 | |
CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
CN112632862A (zh) | 风场稳定性的确定方法、装置、电子设备及存储介质 | |
CN111189533A (zh) | 外力入侵监测方法、装置、计算机设备和存储介质 | |
CN115760486A (zh) | 临建规模评估方法、装置、设备和可读存储介质 | |
CN115794398A (zh) | 资源分配方法、装置、电子设备及存储介质 | |
CN113037728B (zh) | 一种实现零信任的风险判定方法、装置、设备及介质 | |
WO2019069905A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN115327503A (zh) | 基于高斯粒子滤波的固定单站无源定位方法和相关装置 |
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 |