CN113348471B - 一种大气污染预测中对区域边界优化的方法 - Google Patents
一种大气污染预测中对区域边界优化的方法 Download PDFInfo
- Publication number
- CN113348471B CN113348471B CN201980089855.7A CN201980089855A CN113348471B CN 113348471 B CN113348471 B CN 113348471B CN 201980089855 A CN201980089855 A CN 201980089855A CN 113348471 B CN113348471 B CN 113348471B
- Authority
- CN
- China
- Prior art keywords
- air quality
- data
- grid
- time
- quality data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 81
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000009792 diffusion process Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011109 contamination Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims 2
- 238000003915 air pollution Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 239000000356 contaminant Substances 0.000 description 9
- 239000003344 environmental pollutant Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 231100000719 pollutant Toxicity 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012067 mathematical method Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
为了克服现有技术中对空气质量预测需要风速风向等气象参数对计算资源要求很高的弊端,或者现有技术中依靠历史数据进行的简单概率预测的不足。本发明提供了一种空气质量预测的方法,利用较少的计算资源、不使用不易获得的近地面气象数据情况下,准确地预测空气污染以及污染飘移路径趋势。
Description
技术领域
本发明涉及一种大气污染预测中对区域边界优化的方法,属于环境监测领域。
背景技术
在工业化过程中,人类对自然环境的破坏比较严重,产生了各种污染,而大气污染便是其中主要的污染之一。大气污染直接危害着人们的身体健康,因此,人们存在能够获知较为准确的未来日期的空气质量的需求,以便安排自己的工作和生活。
空气质量数据一般主要来自环保部门的实测值。而目前的技术也有对空气质量进行预测的技术,主要分为两种:一种是基于化学预报模式计算进行预报,即建立扩散模型,基于化学预报模式计算进行预报的方法,需要极高的计算资源,难以实现;另一种是基于当地历史气象数据及历史空气质量数据,结合预测时刻气象数据,对当地预测时刻的空气质量数据进行预测,这种方法,对当地预测时刻的空气质量数据进行预测时,所选取的历史气象数据及历史空气质量数据为历史日期中与预测时刻相同时刻的数据,比如预测时刻为15:00,则所选取的历史气象数据及历史空气质量数据为历史某个或某些日期15:00时的数据,采用这种方法所预测得到的空气质量的数据准确度比较低。
上述两种空气质量预测方式有很多弊端,第一种需要大量的参数数据输入,并且对计算资源以及气象监控网络有极高的要求;第二种由于基于历史气象数据以及历史空气质量数据,同时需要两种数据,而且这种简单的基于历史气象数据和历史空气质量数据的预测方法准确度较低。这两种方法都需要气象数据,而且无法对中小尺度进行精确和实时的预测;无法准确预测污染飘移的移动方向和轨迹。
有相关人员对污染物预测进行了一些研究。
中国专利申请号:201510287229.2,发明名称:空气质量的预测方法和装置。该发明从利用预测地区和周边预设距离范围内所有地区的历史气象数据和历史空气质量数据,从中选取一定的历史气象数据和历史空气质量数据,将这些数据和当前的气象数据与空气质量数据一并作为输入参数,输入函数进行空气质量预测。该发明仍然需要气象数据,而且无法预测污染物飘移的路径和走向趋势。
中国专利申请号:201710818682.0,发明名称:空气质量预测方法及装置。该发明利用空气质量历史数据以及目标日期,简单通过分析历史空气质量在目标日期所可能的空气情况的概率进行预测。完全不利用现有监测数据,导致预测准确性大为降低并且有很可能出现不符合当时情况的预测。
发明内容
在先申请:PCT/CN2019/051245
术语
1.历史空气质量数据:历史某时刻的空气污染物浓度。
2.历史空气质量数据特征:历史某两个时刻间,表达被监测区域前一时刻对后一时刻周围区域污染物的贡献的向量。
3.历史空气质量数据特征库:由表征历史空气质量数据特征的向量组成的数据库。
4.空气质量数据帧:将待预测地区根据预测需求划分为设定密度的网格,将历史空气质量数据根据时间以及地理位置赋予网格内,生成以时间序列为基础的带有地理位置信息的空气质量数据集。
5.空气质量数据矩阵:将数据帧所包含的数据以矩阵的形式表达得到的矩阵即为空气质量数据矩阵。
6.近期空气质量数据:待预测污染过程截止到与历史数据进行比对之前所统计得到的空气质量数据。
7.近期空气质量数据特征:待预测污染过程截止到与历史数据进行比对之前的某两个时刻间,表达被监测区域前一时刻对后一时刻周围区域污染物的贡献的向量。
8.匹配程度系数:表示待预测污染过程的近期空气质量数据特征与待匹配历史空气质量数据特征的匹配程度的系数。
9.向量组:根据两时刻空气质量数据帧计算得到的包含每一个网格内特征向量表征污染物扩散路径的向量组。
10.时刻间空气质量数据特征:表征两时刻间污染物扩散信息的向量。
11.比值对比矩阵:由历史空气质量数据帧和当前空气质量数据帧的数据对比形成比值对比数据帧后,比值对比数据帧所对应的矩阵为比值对比矩阵。
12.相似网格区间:通过特征向量匹配方法,得到的一段与近期空气质量数据发展过程相似的历史空气质量数据。
13.差值对比矩阵:由历史空气质量数据帧和当前空气质量数据帧的数据的差值形成差值对比数据帧后,差值对比数据帧所对应的矩阵为差值对比矩阵。
为了克服现有技术中对空气质量预测需要风速风向等气象参数对计算资源要求很高的弊端,或者现有技术中依靠历史数据进行的简单概率预测的不足,同时监测的边界预测不准的情况。本发明提供了大气污染预测中对区域边界优化的方法,利用较少的计算资源、不使用不易获得的近地面气象数据情况下,准确地预测空气污染以及污染飘移路径趋势,同时在监测数据的地理边界有更好的处理,并得到更好的预测结果。为实现上述目的,本发明提供如下技术方案:
建立历史空气质量数据库
获得历史空气质量数据、地理位置信息和待预测区域等信息,建立历史空气质量数据库,具体做法为:
确定待预测地区的地理区域范围;获取待预测区域范围内的带有地理位置信息的历史空气质量数据,这些带有地理位置信息的历史空气质量数据可以是国控站、超级站、空气质量监测微站和移动站等采集的数据。
建立网格化数据库
将待预测地区根据预测需求划分为设定密度的网格,将历史空气质量数据根据时间以及地理位置赋予网格内,生成带有二维地理位置信息的和时间戳信息的空气质量数据帧。
以时间信息为轴建立三维时空网格,将带有二维地理位置信息和空气质量数据的数据帧排列,生成三维时空网络。
网格内赋予带有地理位置信息和时间戳信息的空气质量方法:
1)在同一时刻内仅有一个空气质量信息落入了一个网格,该网格的空气质量数据是这一个空气质量信息。
2)在同一时刻内有多个空气质量信息落入了一个网格,该网格的空气质量数据为这些空气质量信息的平均值。
3)没有空气质量信息落入的网格,该网格的空气质量数据可以通过同一时刻,相邻空间的网格数据经插值、扩散模型等数学方法得来。
4)没有空气质量信息落入的网格,该网格的空气质量数据还可以通过同一空间,相邻时刻的网格数据经插值、扩散模型等数学方法得来。
5)每个二维地理网格的边长可以是10米-1000米。
6)同一时刻指该时刻点前后1分钟~1小时的空气质量数据。
向量化分析网格化数据库
分析历史空气质量数据库的特征
分析历史空气质量数据库特征,分析带有地理位置信息的空气质量数据帧,做法为对前一时刻数据帧内每个网格对后一时刻数据帧内的该网格相邻位置的污染贡献分析,得到这两个时刻间的历史空气质量数据特征,该特征是这两个时刻间每一个网格对周边的污染贡献,代表了这两个时刻间污染飘移的方向,多个时刻间的连续特征即能表示污染飘移的路径。
空气质量数据矩阵的获得方法:
将在T1时刻的历史空气质量数据根据地理位置信息填充至划分的网格内,得到T1时刻空气质量数据帧。数据帧即是三维时空网络中,一个时刻下的带有二维地理位置信息的空气质量数据平面。
将T1时刻空气质量数据帧根据网格转化为A矩阵,A矩阵中第一行第一列的元素的值即为T1时刻空气质量数据帧中第一行第一列的空气质量,以此类推A矩阵中第m行第n列的元素的值即为T1时刻空气质量数据帧中第m行第n列的空气质量,A矩阵代表T1时刻区域内空气质量数据帧。
T2时刻空气质量数据矩阵B同理通过上述方法获得,B矩阵代表T2时刻区域内空气质量数据帧。
历史空气质量数据特征的获得方法:
分别计算前一时刻每一个网格对下一时刻相邻网格的污染贡献,每一个网格对相邻网格的污染贡献通过向量的计算方式获得。
B(m-1)(n-1) | B(m-1)n | B(m-1)(n+1) |
Bm(n-1) | Amn | Bm(n+1) |
B(m+1)(n-1) | B(m+1)n | B(m+1)(n+1) |
得到分析矩阵
Amn为前一时刻的空气质量数据,Bmn为后一时刻空气质量数据。上文中T1为前一时刻空气质量数据,T2后一时刻空气质量数据。
历史空气质量数据的向量特征:T1时刻中Amn区域对T2时刻周边网格污染漂移可以用向量的方式表示,根据的污染漂移方向可以人为的分为三种方式。
方式一:T1时刻中Amn对其上、下、左、右四个方向在T2时刻有漂移的贡献。也就是Amn对B(m-1)n、Bm(n-1)、Bm(n+1)和B(m+1)n)有贡献。污染漂移向量为 那么方式一的污染漂移向量计算方法如下:
综合特征向量:
方式二:T1时刻中Amn对其左上、左下、右上、右下四个方向在T2时刻有漂移的贡献。也就是Amn对B(m-1)(n-1)、B(m-1)(n+1)、B(m+1)(n-1)、B(m+1)(n+1)有贡献。污染漂移向量为那么方式二的污染漂移向量计算方法如下:
综合特征向量:
方式三:T1时刻中Amn对其上、下、左、右、左上、左下、右上、右下八个方向在T2时刻有漂移的贡献。也就是Amn对B(m-1)(n-1)、B(m-1)n、B(m-1)(n+1)、Bm(n-1)、Bm(n+1)、B(m+1)(n-1)、B(m+1)n)、B(m+1)(n+1)有贡献。污染漂移向量为 那么方式三的污染漂移向量计算方法如下:
综合特征向量:
表示Amn对周边的贡献也就是这两个时刻间污染飘移的方向,也就是Amn在T1时刻到T2时刻之间空气质量数据特征;多个时刻间的连续特征即能表示污染物飘移路径。分别计算网格内每一区域在T1时刻到T2时刻的向量得到,T1时刻到T2时刻的向量组,这个向量组即是这两个时刻间污染情况的特征;再分别计算历史空气质量数据中所有时刻间的污染物向量组,即得到历史时间段内的空气质量历史数据特征。将这些历史空气质量数据特征存档保存即为历史空气质量数据特征库。在这里污染飘移向量也就是特征向量。
分析近期空气质量数据特征
分析近期空气质量数据特征的方法与建立历史空气质量数据特征库的方式类似。首先将空气质量监测站的带有地理位置信息的空气质量数据赋值于待预测区域已经划分好的网格内,生成当前空气质量数据帧和以当前时刻为基准向前一定时刻的一个或多组数据帧,进而生成当前空气质量和向前一定时刻的空气质量数据矩阵。
利用上述建立的历史空气质量数据特征库中提到的建立历史空气质量数据特征的获得方法和空气质量数据矩阵的获得方法,可以得到近期空气质量数据变化的向量组,这个向量组就是近期空气质量数据特征。
Ac表示当前污染数据矩阵
Bc表示当前向前一定时刻t1的污染数据矩阵
表示近期污染飘移的方向,也就是/>区域在t1时间内对当前空气质量的影响,多个时刻间的连续特征能表示近期污染物飘移路径。
数值分析网格化数据库
用比值或差值分析的方法对近期空气质量数据与历史空气质量数据进行分析。
将近期空气质量数据单元与历史空气质量数据单元进行比较,找到和选定近期空气质量数据帧最接近的,或者针对近期空气质量数据帧中每一个数据都成一定比例放大或缩小的历史空气质量数据帧,也就找到了与当前空气质量或者说当前污染状况、运动路径最接近的历史空气质量运动过程或者污染过程。
近期与历史空气质量数据的分析举例:
有如下历史空气质量数据帧与近期空气质量数据帧,现将两数据帧进行对比,以确定A数据帧所在历史污染过程是否可以对近期污染过程的发展趋势进行预测。
历史空气质量数据帧
近期空气质量数据帧
由历史空气质量数据帧和当前空气质量数据帧得到对应A矩阵和Ac矩阵。
比值分析方法
ε代表近期数据单元与同一位置历史数据单元的比值。首先选取近期数据帧中的单个数据Ac 11与历史对应地理位置数据A11进行运算求得比值同理,求得该区域内所有网格数据的/>分别对比值ε的矩阵中的元素的数值进行统计计算ε的平均值,可以为比值特征值。
A-Ac比值对比数据帧
由比值数据帧可以得到比值对比矩阵
ε的对比矩阵
差值分析方法
δ代表近期数据单元与同一位置历史数据单元的差值绝对值。首先选取近期数据帧中的单个数据Ac 11与历史对应地理位置数据A11进行运算求得当前数据与历史数据的差值δ11=Ac 11-A11,同理,求得该区域内所有网格数据的δmn=Ac mn-Amn,分别对比值δ的矩阵中的元素的数值进行统计计算δ的平均值,即为差值特征值。
A-Ac差值对比数据帧
由差值可以得到差值对比矩阵
差值对比矩阵
匹配近期空气质量数据与历史空气质量数据
特征向量匹配方法
确定了近期空气质量数据特征后,将近期空气质量数据特征与历史空气质量数据特征进行比较,得到匹配系数η。可以根据向量最短距离、夹角余弦、马氏距离、向量相似度等数学方法,找到和近期空气质量数据特征最接近的历史空气质量数据特征,也就找到了与当前空气质量或者说当前污染状况、运动路径最接近的历史空气质量运动过程或者污染过程。在匹配过程中,应当考虑其他影响因子f如下:
设定温度影响因子(factor temperature):ft与温度参数(ttemp)有关,当高于一定温度时候,或者低于一定温度时候,是极端的高温或低温,不适合预测。
设定湿度影响因子(factor humidity):fh,与湿度参数(hhumid)有关,当高于一定湿度时候,不适合预测。
季节影响因子(factor season):fs与季节参数(sseason)有关,若历史空气质量数据与近期空气质量数据所处的季节、温湿度接近或相同,则匹配程度较高;若历史空气质量数据与近期空气质量数据所处的季节、温湿度相差较大,则影响因子值较小。
设定极端天气影响因子(factor weather):fw与天气情况参数(wweahter)有关,历史空气质量数据与近期空气质量数据所处时间有极端天气,则极端天气影响因子数值很低,当时数据不能作为预测参考,当前情况也不适合进行预测。
设定路径影响因子(factor path):fp与污染路径参数(ppath)有关,历史空气质量数据与近期空气质量数据中,污染移动路径的以及污染源头的距离应做考虑。若近期空气质量数据特征与多个历史空气质量数据特征的污染物漂移路径有较高的匹配度,那么与近期空气质量数据特征中路径距离更近的历史空气质量数据特征路径的匹配度更高。
设定扩散程度影响因子(factor diffusion):fd与扩散程度参数(ddiffusion)有关,在有相似的污染物扩散路径的情况下,两次污染过程的扩散程度应当作为参数。若两次污染过程的扩散程度、影响范围的区域面级相似,则匹配程度系数应相应增大,若两次污染过程的扩散程度、影响范围的区域面级相差较大,则匹配系程度系数相应减小;
设定重复性影响因子(factor repeatability):fr与重复次数参数(rrepeatability)有关(rrepeatability),历史相似污染过程发生的次数应当作为参数。若待预测污染过程所匹配的相似历史污染过程模型曾多次发生,则认为使用该历史空气质量数据所进行预测的可靠性较强,应设置较高的匹配程度系数;
设定地形影响因子(factor geo):fg与地形参数(ggeo)有关,历史与待预测污染过程的产生地点所处的地形因素也应当作为参数。若两次污染过程的产生地地形相差较大,例如其中一次是在数年前当地没有较多建筑,而另一次是在较过去有了很多建筑的情况下,数年前没有建筑的匹配程度系数相应减小。
其他影响因子判定方法表:
影响因素 | 影响参数 | 条件 | 影响因子 |
湿度 | hhumid | 湿度>90% | fh→0 |
湿度 | hhumid | 湿度<90% | fh→1 |
温度 | ttemp | 温度>40℃或温度<-20℃ | ft→0 |
温度 | ttemp | -20℃<温度<40℃ | ft→1 |
极端天气 | wweather | 沙尘暴、暴雨、暴风雪等 | fw→0 |
路径 | ppath | 路径重复次数大于5次 | fp→1 |
扩散、影响范围 | ddiffusion | 扩散、影响范围相似 | fd→1 |
地形 | ggeo | 周边有高大建筑物遮挡 | fg→0 |
夹角余弦对比匹配方法:
要进行特征对比匹配则需要将近期空气质量数据特征与历史空气质量数据特征进行对比,即将与/>进行对比。
t时刻第m行,第n列方格应用夹角余弦法的匹配系数
余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。余弦值越接近1,就表明夹角越接近0度。同理,表征被监测区域在特定时刻近期与历史空气质量特征的向量与/>的对比也可以用夹角余弦法完成,计算过程同上(注:针对被监测时段获得的所有空气质量数据。
t时刻的整个网格范围内应用夹角余弦法匹配系数ηt:
一段时间T内某一时刻第m行,第n列方格应用夹角余弦法的匹配系数q代表T时间段内进行匹配的次数:
一段时间T内整个网格范围内应用夹角余弦法的匹配系数ηT,q代表T时间段内进行匹配的次数:
考虑到其他影响因子,匹配系数的修正公式为:
η′=f×η
η′为修正后匹配系数
匹配系数越接近于1,则匹配性越好,当前特征与历史空气质量数据特征库的某一段特征越相似,未来发生的可能性越大;匹配系数越接近于0,则匹配性越差,当前特征与历史空气质量数据特征库的某一段特征越不相似,越不可能发生。
匹配系数 | 匹配程度 |
η′→0 | 越低 |
η′→1 | 越高 |
历史空气质量数据特征的选择:历史空气质量数据特征的选择可以通过对匹配系数直接排名的方式确定,还可以通过筛选后排名的方式确定。
直接排名的方式为将匹配系数或者修正后的匹配系数进行从大到小进行排列,匹配系数或者修正后的匹配系数越接近1,排名越靠前,最终选取排名前10%、20%或者排名前一定比例的匹配系数,该匹配系数所对应的历史空气质量数据特征即可用于对未来空气质量的预测。
例如:总共有10个匹配系数,这些匹配系数及排名情况见下表:
匹配系数 | η5 | η3 | η1 | η4 | η2 | η7 | η6 | η9 | η8 | η10 |
匹配系数值 | 0.98 | 0.97 | 0.95 | 0.9 | 0.89 | 0.8 | 0.8 | 0.75 | 0.72 | 0.7 |
排名 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
根据上表,排名前20%的匹配系数入选,即η5和η3入选,入选的匹配系数所对应的历史空气质量数据特征可用于对未来空气质量数据的预测。
筛选后排名的方式为先通过客观因素对历史空气质量特征的情况进行一轮筛选,再对筛选后的匹配系数进行排名的方式,确定所需的匹配系数以及对应的历史空气质量数据特征。用于筛选的客观因素包括历史空气质量数据特征当时的天气情况(如历史时刻出现极端天气情况:暴雨、极寒、高温等,则该历史时刻排除)、历史空气质量数据距离当前时刻时间久远(如3年以上的历史数据)。经过筛选排除后,再进行排名并选择对匹配系数。排名方式可以为从大到小进行排列,匹配系数越接近1,排名越靠前,最终选取排名前10%、20%或者排名前一定比例的匹配系数,该匹配系数所对应的历史空气质量数据特征即可用于对未来空气质量的预测。
例如:总共有10个匹配系数,这些匹配系数及排名情况见下表:
匹配系数 | η5 | η3 | η1 | η4 | η2 | η7 | η6 | η9 | η8 | η10 |
匹配系数值 | 0.98 | 0.97 | 0.95 | 0.9 | 0.89 | 0.8 | 0.8 | 0.75 | 0.72 | 0.7 |
历史客观因素 | 高温 | - | 3年前数据 | - | 暴雨 | - | - | - | - | - |
排名 | - | 1 | - | 2 | - | 3 | 4 | 5 | 6 | 7 |
根据上表,排名前20%的匹配系数入选,即η3和η4入选,入选的匹配系数所对应的历史空气质量数据特征可用于对未来空气质量数据的预测。
比值特征值匹配方法
在求得比值对比矩阵之后,根据平均值,众数,数据分布,线性回归等数学方法统计符合设定要求的εmn元素的比例。
当达到设定标准的ε的元素比例占ε元素总数量比例超过一定限度,则认为历史空气质量数据帧A与近期空气质量数据帧Ac相似。
此处以平均值法举例:设定符合要求的ε范围的为在之内,即先计算比值数据帧元素的平均值/>如果εmn的数值在/>范围内,则认为εmn符合规定。符合要求的ε范围可以人为设定,可以设定为比值平均值的倍数,或者固定的范围。
差值特征值匹配方法
在求得差值对比矩阵之后,根据平均值,众数,数据分布,线性回归等数学方法统计符合设定要求的δmn元素的比例。
分别对差值δ的矩阵中的元素的数值进行统计和计算,当达到设定标准的元素比例占总元素比例超过一定限度,则认为历史空气质量数据帧A与近期空气质量数据帧Ac相似。
此处以平均值法举例:设定符合要求的δ范围为在之内,即先计算差值数据帧的平均值/>如果δmn的数值在/>之内,则认为δmn符合规定。符合要求的δ范围可以人为设定,可以设定为差值平均值的倍数,或者固定的范围。
定义λ为相似系数,此处λ为对比矩阵中符合规定的元素占对比矩阵中元素总数量的比值。κ为相似度参数,代表设定的相似度标准,可以人为设定不同数值,如设定为κ=0.8,则认为λ超过κ=0.8两张数据帧相似,即两张数据帧匹配,大于零小于κ则不相似,即不匹配。λ反映了预测的准确率,λ越高代表预测准确率越高。
κ为相似度参数,k=0.8、0.9等
基于匹配结果和当前空气质量情况对未来空气质量预测
向量特征预测
当得到匹配度最高的一段或几段相似网格区间后,以当前空气质量数据为基准(已知当前空气质量数据),以及已知历史匹配网格的时刻的后续时刻的污染飘移向量(后续时刻的污染飘移向量的计算方式仍为污染飘移向量计算方法),逆向应用污染飘移向量计算方法对未来空气质量数据进行推算和预测,得到所需的未来空气质量数据,即使用当前空气质量数据帧的元素与对应的特征向量进行矩阵运算,得到在未来,当前元素位置周边位置的空气质量数据信息,以此类推计算每个数据帧的元素,即可得到未来空气质量的数据。
在使用向量特征进行预测时,如果当有多段相似的区间可以用于未来空气质量的预测,匹配系数或者修正后匹配系数的百分数可以作为预测的准确率赋予对应的预测情况。
在进行预测的时候,需要计算以目标网格为中心的对周围网格对其的贡献值,然而处在统计区域边界的数据(网格数据)则会因为四周数据不全而出现计算障碍的情况,针对这种情况,以下为两种处理方法:
改进边界处理方法1:数据边界内缩法
将统计区域边界最外侧的一圈单元格内缩形成新的统计区域,原始的边界区域网格数据不作为预测的基础,原始的边界区域的网格数据用于向量特征的计算。则新统计区域的所有网格数据可以作为预测的基础数据以及参与向量特征计算。
Ac数据帧内缩后举例
举例说明,这种情况下,第一行、第一列,最后一行和最后一列的数据都不作为预测的基础数据,但是都可以作为向量计算的基础数据。内缩后,可以用于预测的基础数据区域为Ac 22、Ac 2(n-1)、Ac (m-1)2、Ac (m-1)(n-1)网格内的数据(包含刚才四个坐标)。
改进边界处理方法2:数据边界扩展法
将统计区域边界单元格外扩一圈形成新的统计区域,扩展的方法可以是原始边界数值直接复制作为新边界的数值,或者使用差值的方式向外扩展一圈。原始数据区域既可以用于预测的基础,还可以用于向量特征的计算。向外新扩展边界的数据不可作为预测的基础,但新向外新扩展边界的数据可以用于向量特征的计算。
举例说明,这种情况下,第一行、第一列,最后一行和最后一列的数据为扩展出来的,都不作为预测的基础数据,但是都可以作为向量计算的基础数据。原始数据区域为Ac 11、Ac 1n、Ac m1、Ac mn网格内的数据(包含刚才四个坐标),这个区域内的数据还可以用于预测的数据基础。
比值特征预测
当根据相似系数,得到与近期空气质量数据匹配的一张或者多张历史空气质量数据帧的时候。t时刻后的未来空气质量预测方法,是以计算比值特征的历史空气质量数据帧时间点之后t时刻的历史空气质量数据帧及比值特征为基础,逆向应用比值特征分析方法得到t时刻后的未来的空气质量数据。即使用历史空气质量数据帧时间点之后t时刻的历史空气质量数据帧的矩阵,以及比值特征值,进行矩阵乘法运算得到未来空气质量数据。
λ为相似系数的百分数可以作为预测的准确率赋予对应的预测情况。
Ac+t:未来t时刻的空气质量数据矩阵
A+t:历史空气质量数据帧时间点之后t时刻的历史空气质量数据的矩阵
比值特征值
差值特征预测
当根据相似系数,得到与近期空气质量数据匹配的一张或者多张历史空气质量数据帧的时候。t时刻后的未来空气质量预测方法,是以计算差值特征的历史空气质量数据帧时间点之后t时刻的历史空气质量数据帧及差值特征为基础,逆向应用差值特征分析方法得到t时刻后的未来的空气质量数据。即使用历史空气质量数据帧时间点之后t时刻的历史空气质量数据帧的矩阵,以及差值特征值,进行矩阵加法运算得到未来空气质量数据。
λ为相似系数的百分数可以作为预测的准确率赋予对应的预测情况。
Ac+t:未来t时刻的空气质量数据矩阵
A+t:历史空气质量数据帧时间点之后t时刻的历史空气质量数据的矩阵
比值特征值
附图简要说明
图1为空气质量预测流程示意图;
图2为向量示意图;
图3为T1时刻到T2历史空气质量数据特征向量示意图;
图4为向量示意图;
图5为10:40时刻至10:50时刻每网格空气质量数据特征示意图;
图6为10:40时刻至10:50时刻待测区域内空气质量数据特征示意图;
图7为与/>的夹角θ示意图。
具体实施方式
此实施例中被预测区域为以济南市某地铁站为中心,周围150m*150m,面积为22500m2的正方形区域,污染过程自2019年1月23日上午9时持续到2019年1月23日下午5时,取上午10:40-10:50空气质量数据帧进行污染物漂移路径监测分析,空气质量数据帧的分辨率为50M*50M。本实施方式以一个数据单元为例介绍向量预测的方法。
将区域内以50M*50M为单位划分成为网格状,则本区域内包含9个网格,取左下角网格为例进行污染物漂移路径分析。将2019年1月23日上午10:40与10:50两时刻的历史空气质量数据根据地理位置信息填充至划分的网格内,得到10:40时刻空气质量数据帧和10:50时刻空气质量数据帧。空气污染数据的地理位置时常不是连续的,没有数据的网格内的空气质量数据可以依据已有空气质量数据利用插值等数学算法得来,最终得到2019年1月23日上午10:40与10:50两时刻污染统计数据(PM2.5浓度值)如下表:
10:40分空气质量数据表格
100 | 75 | 50 |
135 | 110 | 85 |
170 | 145 | 120 |
10:50分空气质量数据表格
150 | 135 | 120 |
165 | 150 | 135 |
180 | 165 | 150 |
将10:40时刻空气质量数据帧根据网格转化为A矩阵,A矩阵中第一行第一列的元素的值即为10:40时刻数据帧中第一行第一列的空气质量,以此类推A矩阵中第m行第n列的元素的值即为10:40时刻数据帧中第m行第n列的空气质量,A矩阵代表10:40时刻区域内污染程度数据帧。同理,将10:50时刻污染数据帧转化为B矩阵。
分别计算10:40时刻每一个网格对10:50时刻相邻网格的污染贡献,每一个网格对相邻网格的污染贡献通过向量的计算方式获得。如下表格:
B(m-1)(n-1) | B(m-1)n | B(m-1)(n+1) |
Bm(n-1) | Amn | Bm(n+1) |
B(m+1)(n-1) | B(m+1)n) | B(m+1)(n+1) |
根据编号规则对10:40与10:50两个网格区域进行编号(以网格区域左上角网格的左上角顶点为原点,横向为x轴,纵向为y轴建立坐标网格(为保证网格编号方向与矩阵排列方向相符,y轴正向向下),按照网格在x轴与y轴方向上的排位次序对网格进行编号),坐标网格表格如下:
10:40时刻空气质量坐标网格
A11100 | A1275 | A1350 |
A21135 | A22110 | A2385 |
A31170 | A32145 | A33120 |
10:50时刻空气质量坐标网格
B11150 | B12135 | B13120 |
B21165 | B22150 | B23135 |
B31180 | B32165 | B33150 |
则10:40时刻左下角网格区域对10:50时刻周边区域的污染贡献为 向量计算方式如下:
向量/>代表10:40到10:50时间段内A31区域给B22区域的贡献,下列同理。
向量/>代表10:40到10:50时间段内时刻A31区域污染扩散信息。图4为向量/>示意图。
同理分别计算向量分别进行计算,图5表示上述向量,该向量图为每个网格的空气质量数据特征。
表征本区域10:40时刻至10:50时刻空气质量历史数据特征得向量值。/>为10:40到10:50时刻区域的空气质量数据特征。
在确定了被预测区域近期空气质量数据特征后,将空气质量数据特征与数据库中历史空气质量数据特征进行比较,找到和近期空气质量数据特征最接近的历史空气质量数据特征,在找到匹配的历史空气质量数据特征之后,以当前的空气质量数据为基础数据输入,进行向量的运算和拟合,即可对未来空气质量进行预测。
当前时刻为2019年1月28日8:00,以左下角网格进行污染物预测的实施例分析预测2019年1月28日8:10空气污染情况。进行预测的第一步即将近期向量与历史向量进行对比拟合,根据历史空气质量数据特征库,得到历史同期时刻间空气质量数据特征
利用同样的计算方式,得到2019年1月28日07:50至2019年1月28日8:00间空气质量数据特征。将与/>进行对比。
根据夹角余弦公式:
x1,y1为向量的坐标值;x2,y2为/>向量的坐标值。
则
0.9998≈1,所以认为这两个向量的匹配度极高,可以利用此历史数据对污染物进行预测,已知与相匹配的历史空气质量数据在下一10分钟梯度的时刻间空气质量数据特征/>其中向量的分量信息为/> 通过监测数据已知08:00时刻B31网格的污染物浓度为180,则根据以上信息预测得到11:00各网格的污染浓度为B22=160,B21=174,B32=174。
8:10左下网格周边的空气污染情况预测结果:
174 | 160 | |
174 |
Claims (11)
1.一种大气污染预测中对区域边界优化的方法,包含如下步骤:
1)建立历史空气质量数据库:所述历史空气质量数据库中包含各种空气质量监测设备获取的历史空气质量数据;所述历史空气质量数据包含二维地理位置信息和时间戳信息;
2)建立三维时空网格:所述三维时空网格以二维地理位置和时间为轴;
3)建立网格化数据库:每个网格内产生唯一一个数据单元;所述数据单元由落入该网格的历史空气质量数据计算得出;或者由该网格的邻近网格推算得出;
4)对网格化数据库的数据进行向量化分析,得到全部或部分数据单元的特征向量;
5)将网格化数据库中当前一段时间的数据单元的特征向量,与网格化数据库中非当前一段时间的数据单元的特征向量进行特征对比和匹配;得到匹配度最高的一段或几段相似网格区间;所述特征向量的匹配方式为:
其中,表示近期污染飘移的特征向量,/>表示Amn对下一时刻周边网格的污染贡献,/>是t时刻网格(m,n)的匹配系数;
6)以相似网格区间之后一段时间的数据单元的特征向量,来预测未来时段的数据单元的数值,所述预测未来时段的数据单元的统计区域应用数据边界内缩法对统计的区域边界进行处理。
2.一种大气污染预测中对区域边界优化的方法,包含如下步骤:
1)建立历史空气质量数据库:所述历史空气质量数据库中包含各种空气质量监测设备获取的历史空气质量数据;所述历史空气质量数据包含二维地理位置信息和时间戳信息;
2)建立三维时空网格:所述三维时空网格以二维地理位置和时间为轴;
3)建立网格化数据库:每个网格内产生唯一一个数据单元;所述数据单元由落入该网格的历史空气质量数据计算得出;或者由该网格的邻近网格推算得出;
4)对网格化数据库的数据进行向量化分析,得到全部或部分数据单元的特征向量;
5)将网格化数据库中当前一段时间的数据单元的特征向量,与网格化数据库中非当前一段时间的数据单元的特征向量进行特征对比和匹配;得到匹配度最高的一段或几段相似网格区间;所述特征向量的匹配方式为:
其中,表示近期污染飘移的特征向量,/>表示Amn对下一时刻周边网格的污染贡献,/>是t时刻网格(m,n)的匹配系数;
6)以相似网格区间之后一段时间的数据单元的特征向量,来预测未来时段的数据单元的数值,所述预测未来时段的数据单元的统计区域应用数据边界扩展法对统计的区域边界进行处理。
3.如权利要求1或2所述的方法,其特征在于,所述向量化分析是指:
分别计算每一个网格对相邻网格下一时段的污染贡献通过向量的计算方式获得:
1)先建立分析矩阵
2)计算特征向量:
4.如权利要求3所述的方法,其特征在于,计算特征向量时,计算目标网格对其上、下、左、右四个方向的污染漂移贡献,所述特征向量的计算方法为:
其中,Amn代表坐标为(m,n)的数据单元在某时刻的数据;
Bm(n-1)代表坐标为(m,n-1)的数据单元在下一时刻的数据;
表示Amn对下一时刻周边网格的污染贡献。
5.如权利要求3所述的方法,其特征在于,计算特征向量时,计算目标网格对其左上、左下、右上、右下四个方向的污染漂移贡献,所述特征向量的计算方法为:
6.如权利要求3所述的方法,其特征在于,计算特征向量时,计算目标网格对其左上、左下、右上、右下四个方向的污染漂移贡献,所述特征向量的计算方法为:
7.如权利要求1或2所述的方法,其特征在于,一段时间T内整个网格范围内应用夹角余弦法的匹配系数:
其中,ηT为一段时间T内整个网格范围内应用夹角余弦法的匹配系数,q代表T时间段内进行匹配的次数。
8.如权利要求1或2所述的方法,其特征在于,所述匹配系数修正方式为:
η′=f×η
f=f(ttemp,hhumid,sseason,wweather,ppath,ddiffusion,rrepeatability,ggeo)
η′为修正后匹配系数,f为影响因子。
9.如权利要求8所述的方法,其特征在于,所述影响因子的判定方法为:
10.如权利要求1或2所述的方法,其特征在于,所述匹配系数通过筛选后再排名的方式进行选取,筛选方式是排除处于极端天气情况的历史空气质量时刻,所述极端天气包括如暴雨、极寒或高温;所述筛选方式还包括排除距离当前时刻超过一定时间的历史空气质量时刻,所述一定时间为1年、2年或3年。
11.如权利要求1或2所述的方法,其特征在于,预测方法为:
以当前空气质量数据为基准,利用匹配网格的后续时刻的污染飘移向量,逆向应用污染飘移向量计算方法对未来空气质量数据进行推算和预测,得到未来的空气质量数据。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965453 | 2018-08-25 | ||
PCT/IB2019/051245 WO2020044127A1 (zh) | 2018-08-25 | 2019-02-15 | 一种大气污染预测的方法 |
IBPCT/IB2019/051245 | 2019-02-15 | ||
PCT/CN2019/102416 WO2020043027A1 (zh) | 2018-08-25 | 2019-08-25 | 一种大气污染预测中对区域边界优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113348471A CN113348471A (zh) | 2021-09-03 |
CN113348471B true CN113348471B (zh) | 2023-07-18 |
Family
ID=69180628
Family Applications (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980006136.4A Active CN112513896B (zh) | 2018-08-25 | 2019-02-15 | 一种大气污染预测的方法 |
CN201980006119.0A Active CN111788578B (zh) | 2018-07-25 | 2019-02-15 | 一种环境监测站数据可信度评价及校准方法 |
CN201980089855.7A Active CN113348471B (zh) | 2018-08-25 | 2019-08-25 | 一种大气污染预测中对区域边界优化的方法 |
CN201980089866.5A Active CN113632101B (zh) | 2018-08-25 | 2019-08-25 | 一种通过向量化分析预测大气污染的方法 |
CN201980089816.7A Active CN113330456B (zh) | 2018-08-25 | 2019-08-25 | 一种利用历史空气质量数据特征预测空气污染的方法 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980006136.4A Active CN112513896B (zh) | 2018-08-25 | 2019-02-15 | 一种大气污染预测的方法 |
CN201980006119.0A Active CN111788578B (zh) | 2018-07-25 | 2019-02-15 | 一种环境监测站数据可信度评价及校准方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980089866.5A Active CN113632101B (zh) | 2018-08-25 | 2019-08-25 | 一种通过向量化分析预测大气污染的方法 |
CN201980089816.7A Active CN113330456B (zh) | 2018-08-25 | 2019-08-25 | 一种利用历史空气质量数据特征预测空气污染的方法 |
Country Status (3)
Country | Link |
---|---|
CN (5) | CN112513896B (zh) |
GB (1) | GB2591886A (zh) |
WO (2) | WO2020044127A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633779B (zh) * | 2021-02-25 | 2022-08-12 | 北京英视睿达科技股份有限公司 | 一种对环境监测数据可信度进行评估的方法 |
CN113514611B (zh) * | 2021-06-28 | 2024-01-12 | 杭州谱育科技发展有限公司 | 污染物传输路径的识别方法 |
CN113536630B (zh) * | 2021-07-12 | 2023-09-29 | 西南科技大学 | 污染物无组织排放因子获取方法 |
CN113393058B (zh) * | 2021-07-14 | 2023-10-20 | 成都佳华物链云科技有限公司 | 污染物管控方法、预测管控方法、实时管控方法及装置 |
CN116187981B (zh) * | 2023-04-21 | 2023-07-25 | 广东工业大学 | 一种基于历史维修数据的微波炉智能检测方法 |
CN117933466A (zh) * | 2024-01-23 | 2024-04-26 | 中科三清科技有限公司 | 污染预测方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5582961A (en) * | 1978-12-20 | 1980-06-23 | Toshiba Corp | Monitoring device for pollution of surface of the sea |
US9053616B2 (en) * | 2010-04-20 | 2015-06-09 | Temptime Corporation | Computing systems and methods for electronically indicating the acceptability of a product |
CN102339445A (zh) * | 2010-07-23 | 2012-02-01 | 阿里巴巴集团控股有限公司 | 对网络交易用户的可信度进行评价的方法和*** |
CN104008278B (zh) * | 2014-05-14 | 2017-02-15 | 昆明理工大学 | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 |
CN104200104A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机***有限公司 | 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 |
CN104200103A (zh) * | 2014-09-04 | 2014-12-10 | 浙江鸿程计算机***有限公司 | 一种基于多领域特征的城市空气质量等级预测方法 |
CN104280070B (zh) * | 2014-10-16 | 2017-02-01 | 北京中恒电国际信息技术有限公司 | 大数据云服务集中环境监测平台 |
CN105589843B (zh) * | 2014-10-24 | 2019-02-26 | 科大讯飞股份有限公司 | 一种文本字串匹配方法及*** |
WO2016129715A1 (ko) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템 |
CN104697568B (zh) * | 2015-02-13 | 2015-11-11 | 中国人民解放军海军工程大学 | 一种船用机电产品的混合型可靠性试验方法 |
CN104850913B (zh) * | 2015-05-28 | 2019-03-26 | 深圳先进技术研究院 | 一种空气质量pm2.5预测方法及*** |
CN106325144A (zh) * | 2015-07-06 | 2017-01-11 | 湖州庆渔堂农业科技有限公司 | 一种水产养殖监控***的监测数据校准方法及*** |
US10438125B2 (en) * | 2015-11-12 | 2019-10-08 | International Business Machines Corporation | Very short-term air pollution forecasting |
CN105930653B (zh) * | 2016-04-19 | 2019-01-18 | 清华大学 | 一种基于计量分区流量监测数据的爆管预警方法 |
CN106644862B (zh) * | 2016-09-12 | 2023-08-29 | 山东诺方电子科技有限公司 | 一种传感器、基于该传感器的监测站及监测站的监测方法 |
CN106485353B (zh) * | 2016-09-30 | 2019-11-29 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及*** |
CN108375648A (zh) * | 2016-10-28 | 2018-08-07 | 神达电脑股份有限公司 | 空气品质监控***及其方法 |
US20180239057A1 (en) * | 2017-02-22 | 2018-08-23 | International Business Machines Corporation | Forecasting air quality |
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*** |
CN107609731A (zh) * | 2017-07-31 | 2018-01-19 | 贵州大学 | 一种环境空气质量评价方法 |
CN108229821A (zh) * | 2018-01-02 | 2018-06-29 | 中国神华能源股份有限公司 | 矿区生态环境的评估方法、装置、存储介质和*** |
-
2019
- 2019-02-15 CN CN201980006136.4A patent/CN112513896B/zh active Active
- 2019-02-15 GB GB2103044.0A patent/GB2591886A/en not_active Withdrawn
- 2019-02-15 WO PCT/IB2019/051245 patent/WO2020044127A1/zh unknown
- 2019-02-15 CN CN201980006119.0A patent/CN111788578B/zh active Active
- 2019-02-15 WO PCT/IB2019/051243 patent/WO2020021343A1/zh unknown
- 2019-08-25 CN CN201980089855.7A patent/CN113348471B/zh active Active
- 2019-08-25 CN CN201980089866.5A patent/CN113632101B/zh active Active
- 2019-08-25 CN CN201980089816.7A patent/CN113330456B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751242A (zh) * | 2015-03-27 | 2015-07-01 | 北京奇虎科技有限公司 | 预测空气质量指数的方法与装置 |
CN106339775A (zh) * | 2016-08-23 | 2017-01-18 | 北京市环境保护监测中心 | 基于天气分型和气象要素聚类的空气重污染案例判别方法 |
CN107292417A (zh) * | 2017-05-09 | 2017-10-24 | 北京市环境保护监测中心 | 基于重污染序列案例库的区域重污染判别预报方法及装置 |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
Also Published As
Publication number | Publication date |
---|---|
GB2591886A (en) | 2021-08-11 |
CN113632101A (zh) | 2021-11-09 |
WO2020021343A1 (zh) | 2020-01-30 |
CN111788578B (zh) | 2023-10-20 |
CN112513896B (zh) | 2023-05-23 |
CN113330456A (zh) | 2021-08-31 |
CN111788578A (zh) | 2020-10-16 |
CN113632101B (zh) | 2024-05-03 |
GB202103044D0 (en) | 2021-04-21 |
CN113348471A (zh) | 2021-09-03 |
CN113330456B (zh) | 2023-05-26 |
WO2020044127A1 (zh) | 2020-03-05 |
CN112513896A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113348471B (zh) | 一种大气污染预测中对区域边界优化的方法 | |
WO2020043029A1 (zh) | 一种通过向量化分析预测大气污染的方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
CN111651941A (zh) | 一种全球电离层电子总含量预测的算法 | |
CN109063908B (zh) | 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 | |
CN109784552B (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN112131731B (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
CN114662344B (zh) | 基于连续在线观测数据的大气污染溯源预测方法及*** | |
CN112163375A (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN114881323A (zh) | 基于深度神经网络的基坑降水区地下水位预测与更新方法 | |
CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN112579922A (zh) | 一种基于用户轨迹的兴趣点推荐方法 | |
CN111737641B (zh) | 一种基于神经网络的mwhts通道权重函数计算方法 | |
CN114219345A (zh) | 一种基于数据挖掘的二次空气质量预报优化方法 | |
CN111445076B (zh) | 一种基于lstm的空气污染分析方法 | |
Don et al. | Mixture-based path clustering for synthesis of ECMWF ensemble forecasts of tropical cyclone evolution | |
CN108957594B (zh) | 一种商遥卫星轨道总云量预报修正方法及修正*** | |
CN114611832B (zh) | 一种基于贝叶斯多模型集对分析的海水入侵预测方法 | |
CN113254554B (zh) | 基于地图抓取与聚类学习的城市街区热岛建模方法及*** | |
CN114970698A (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 |
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 |