CN113984969A - 一种基于多源时空数据融合的空气质量预测方法及*** - Google Patents
一种基于多源时空数据融合的空气质量预测方法及*** Download PDFInfo
- Publication number
- CN113984969A CN113984969A CN202111250850.3A CN202111250850A CN113984969A CN 113984969 A CN113984969 A CN 113984969A CN 202111250850 A CN202111250850 A CN 202111250850A CN 113984969 A CN113984969 A CN 113984969A
- Authority
- CN
- China
- Prior art keywords
- data
- pollution monitoring
- monitoring data
- prediction
- training
- 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 54
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 9
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 5
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 2
- 239000003570 air Substances 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源时空数据融合的空气质量预测方法及***，通过对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化处理，确保数据的可靠性，然后将数据标准化后的污染监测数据采用空间插值算法生成与研究区域经纬度匹配、网格均匀的污染监测数据，采用空间插值方法，能够解决监测站点的污染监测数据空间分布不均匀的问题，完成点到面的插值，得到空间分布均匀的污染监测数据，同时给予循环神经网络训练能够挖掘污染监测数据和气象数据的时序特点，保留时间序列的前后历史关系，确保了数据的准确性，能够提高污染监测数据的准确性。
Description
技术领域
本发明属于环保监测技术领域，具体涉及一种基于多源时空数据融合的空气质量预测方法及***。
背景技术
环保行业中，需要从空气质量监测站中获取数据进行分析。一般有常规的大气6参数(PM2.5、PM10、O3、SO2、NOx、CO)及气象5参数(温度、气压、湿度、风向、风速)。
目前国家对于环境空气质量监控，主要有两种监测站，国控站与小型站。国控站的优势为监测数据可靠，但存在价格昂贵、覆盖范围有限等局限性。小型站成本较低、操作简便，不足之处是监测数据比较粗略。
现有技术存在的问题或者缺陷：环保监测站点在地理上分布不均匀，监测站点获得的污染监测数据呈现区域化差异，目前传统的技术在空间插值时未能考虑污染监测数据的时序特征，容易忽视当前数据受到历史数据的影响。环保监测数据按照时间监测得到，目前比较常见的预测方法有滑动窗口法、Prophet法等，这些方法均未考虑污染监测数据的空间区域性特征，与气象数据对污染监测数据造成的影响。
发明内容
针对传统技术中将空间插值和时间序列预测分隔开，未能结合污染监测数据的时空关联性进行预测的问题，本发明提出了一种基于多源时空数据融合的空气质量预测方法，将空间插值与时间序列预测方法相结合，并考虑气象数据对污染监测数据的影响，通过不断训练模型，减小预测出国控站的污染监测数据与国控站真实数据之间的误差，从而提高小型站的污染监测数据精度。
为达到上述目的，本发明采用如下技术方案：
一种基于多源时空数据融合的空气质量预测方法，包括以下步骤：
S1，获取监测点选定时间段内的污染监测数据与气象数据，并对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化处理；
S2，将数据标准化后的污染监测数据采用空间插值算法生成与研究区域经纬度匹配、网格均匀的污染监测数据；
S3，采用K折交叉验证的方法，将气象数据与空间插值后的污染监测数据进行划分生成训练集和预测集，采用训练集对基于循环神经网络建立的预测模型进行预训练，然后利用预测集进行预测，若预测结果与监测点误差小于设定阈值，则完成预测模型训练，若预测结果与监测点误差大于设定阈值，则对预测模型重新训练直至训练的预测模型的预测结果与监测点误差小于设定阈值，则利用训练后的预测模型进行空气质量预测。
进一步的，污染监测数据类型包括选定时间段内的PM2.5、PM10、O3监测数据；气象数据类型包括选定时间段内的温度、湿度、气压、风向、风速数据。
进一步的，采用数据填充方法对获取的污染监测数据与气象数据的缺失与异常数据进行填充，采取min-max标准化方法对获取的数据集进行标准化处理。
进一步的，空间插值算法包括线性插值、三次曲线插值、薄板样条插值、高斯插值与多项式插值方法。
进一步的，采用K折交叉验证的方式对气象数据与空间插值后的污染监测数据进行数据集的划分，将其划分为训练集与测试集，利用训练集进行训练，利用测试集对训练后的数据进行验证。
进一步的，将全部的数据划分为10个子集，重复训练10次，每个子集均做一次测试集，每次将其余的子集作为训练集，并将10次的平均交叉验证的结果作为最终的结果。
进一步的，具体的，采用国控站点周围网格的污染监测数据与对应该国控站点的气象数据作为预测模型的输入数据进行训练。
进一步的，循环神经网络模型包括LSTM长短期记忆网络，GRU门控循环单元，Bi-LSTM和Bi-GRU。
进一步的，利用训练后的预测模型进行预测获取评价指标包括：
RMSE均方根误差是预测值与真实值偏差的平方与观测次数比值的平方根，所述式中yi为真实值，
为预测值，m为观测次数；
MAE平均绝对误差，观测值与真实值的误差绝对值的平均值，所述式中yi为真实值，
为预测值，m为观测次数；
R2拟合优度是指回归直线对观测值的拟合程度，所述式中SSres表示真实值与预测值的差的平方之和，SStot表示平方差。
一种基于多源时空数据融合的空气质量预测***，包括数据预处理模块、数据融合模块和预测模块；
数据预处理模块用于将获取的监测点选定时间段内的污染监测数据与气象数据，并对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化得到标准化后的污染监测数据与气象数据，传输至数据融合模块；
数据融合模块用于将数据标准化后的污染监测数据采用空间插值算法生成与研究区域经纬度匹配、网格均匀的污染监测数据，然后将气象数据与空间插值后的污染监测数据进行划分生成训练集和预测集，采用训练集对基于循环神经网络建立的预测模型进行预训练得到预测模型保存至预测模块；
预测模块用于输入空气监测数据进行预测输出评价指标值。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种基于多源时空数据融合的空气质量预测方法，通过对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化处理，确保数据的可靠性，然后将数据标准化后的污染监测数据采用空间插值算法生成与研究区域经纬度匹配、网格均匀的污染监测数据，采用空间插值方法，能够解决监测站点的污染监测数据空间分布不均匀的问题，完成点到面的插值，得到空间分布均匀的污染监测数据，同时给予循环神经网络训练能够挖掘污染监测数据和气象数据的时序特点，保留时间序列的前后历史关系，确保了数据的准确性，能够提高污染监测数据的准确性。
进一步的，将空间插值与时间序列预测方法相结合，并考虑气象数据对污染监测数据的影响，可以发掘污染监测数据的时空关联性特点，有效提升污染监测数据的预测精度，对污染监测数据进行融合可以充分发挥模型本身的优势，是针对环保领域中污染监测数据的合适方法。
本发明一种基于多源时空数据融合的空气质量预测***，结构简单，能够将空间分布不均匀、受气象因素影响以及时间序列相关性较强的特征进行融合得到数据融合的预测模型，对污染监测数据进行融合可以充分发挥模型本身的优势，提高检测精度。
附图说明
图1为本发明实施例中一种基于多源时空数据融合的空气质量预测方法流程示意图。
图2为本发明实施例中网络模型的原理图。
图3为本发明实施例长短时记忆网络计算结构示意图。
图4为采用传统方法与本发明融合方法的精度对比结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
下面结合具体实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
一种基于多源时空数据融合的空气质量预测方法，包括以下步骤：
S1，数据获取：获取监测站点选定时间段内的，污染监测数据与气象数据，监测站点包含国控站与小型站；国控站的数据可靠、覆盖范围有限；成本较低、小型站点操作简便，数据粗略。
所述获取的污染监测数据类型包括选定时间段内的PM2.5、PM10、O3监测数据；气象数据类型包括选定时间段内的温度、湿度、气压、风向、风速数据。
S2、数据预处理：对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化；
具体的，采用数据填充方法对获取的污染监测数据与气象数据的缺失与异常数据进行填充，具体进行填充，选择缺失数据或异常数据帧前后连续数据的平均数据值作为缺失数据或异常数据的填充值，确保数据的连续准确。采取min-max标准化方法对获取的数据集进行标准化处理。
S3、空间插值：将监测站点内获取的污染监测数据，根据研究区域特点，使用空间插值算法生成与研究区域经纬度匹配的，网格均匀的污染监测数据；
在选定时间段内，使用空间插值算法对每个时间点的监测站点的污染监测数据进行空间插值处理，所用空间插值算法包括线性插值、三次曲线插值、薄板样条插值、高斯插值与多项式插值方法，生成与研究区域经纬度匹配的，网格均匀的污染监测数据。
S4、数据集划分：采用K折交叉验证的方法，将气象数据与空间插值后的污染监测数据进行划分；
具体的，通过对气象数据与空间插值后的污染监测数据，采用K折交叉验证的方式进行数据集的划分，将其划分为训练集与测试集，将全部的数据划分为10个子集，重复训练10次，每个子集均做一次测试集，每次将其余的子集作为训练集，并将10次的平均交叉验证的结果作为最终的结果。
S5、预测模型：建立基于循环神经网络的预测模型，具体采用国控站点数据进行训练；预测模型的输入数据为选定国控站点的周围八个网格的污染监测数据与选定国控站点的气象数据；将时间序列上不同时刻的数据，依次输入循环神经网络中的输入层，来预测下一时刻的输出；
将时间序列上多个历史时刻的数据依次输入模型中，来预测下一时刻选定国控站点的污染监测数据，所用的循环神经网络模型包括LSTM长短期记忆网络，GRU门控循环单元，Bi-LSTM和Bi-GRU。
S6、评估：使用划分后的训练集对预测模型进行训练，将测试集数据输入训练好的预测模型中，得到预测结果，并计算多项评价指标。
评价指标包括：
RMSE均方根误差是预测值与真实值偏差的平方与观测次数比值的平方根，所述式中yi为真实值，
为预测值，m为观测次数；
MAE平均绝对误差，观测值与真实值的误差绝对值的平均值，所述式中yi为真实值，
为预测值，m为观测次数；
R2拟合优度是指回归直线对观测值的拟合程度，所述式中SSres表示真实值与预测值的差的平方之和，也就是预测值与真实值的误差，SStot表示平方差，越大表示越离散。
实施例
本发明针对西安市监测点数据采集及分析
包括以下步骤：
S1、数据获取：获取西安市的监测站点2019年全年的按小时采样的污染监测数据与气象数据，监测站点包含国控站与小型站，污染监测数据包含PM2.5、PM10与O3；
S2、数据预处理：对获取的数据集，进行缺失值与异常值处理，数据标准化，如表2、表3所示，分别是经过预处理之后的高新西区污染监测数据，与高新区域内的气象数据；
表2高新西区污染监测数据
表3高新区域污染监测数据
缺失值处理的方法为：将数据中的缺失值采用均值替换、滑动平均、线性拟合等方式进行处理；
异常值处理的方法为：将原始数据集中超过95分位值的数据视为异常值，将其直接剔除或视为缺失值进行处理；
数据标准化的方法为：将缺失值与异常值处理后的数据，采用min-max标准化方法进行标准化，具体是将数据的最小值视为0，最大值视为1，将全部的数据投影到0至1之间，其转化函数如式子所示：
S3、空间插值：将西安市监测站点内获取的小时污染监测数据，使用空间插值算法生成与西安市地理区域经纬度匹配的，网格均匀的小时污染监测数据，污染监测数据包括PM2.5、PM10和O3；
所用空间插值算法包括线性插值、三次曲线插值、薄板样条插值、高斯插值与多项式插值方法；
S4、数据集划分：采用K折交叉验证的方法，将气象数据与空间插值后的西安市小时污染监测数据进行划分；
数据集的划分方法为：将全部的数据划分为10个子集，重复训练10次，每个子集均做一次测试集，每次将其余的子集作为训练集，并将10次的平均交叉验证的结果作为最终的结果，数据包含西安市的小时污染监测数据与气象数据；
S5、预测模型：选定研究的国控站点，建立基于循环神经网络的预测模型：
选定的国控站点为：市人民体育场、高新西区与曲江文化产业集团；
如图2所示，预测模型包含输入层、两层LSTM、全连接层以及输出层，输入数据为选定国控站点的，周围八个网格的污染监测数据与选定国控站点的气象数据，具体地，对输入的数据以每小时为一个时间步，每24个时间步(即每天)采集一次数据，给定2019年全年的数据，将时间序列上每24个历史时刻的数据，依次输入循环神经网络中的输入层，来预测下一时刻的输出；
循环神经网络模型采用LSTM与GRU两种模型，如图3所示，以LSTM为例，每层LSTM包含50个神经元，即隐藏层的单元数与输出的维度均为50，最后经过全连接层将输出维度降至1维，即得到污染监测数据的下一时刻的预测值；
S6、评估：使用划分后的训练集对预测模型进行训练，将测试集数据输入训练好的预测模型中，得到预测结果，并计算多项评价指标；
评价指标包含：
RMSE均方根误差是预测值与真实值偏差的平方与观测次数比值的平方根，所述式中yi为真实值，
为预测值，m为观测次数；
MAE平均绝对误差，观测值与真实值的误差绝对值的平均值，所述式中yi为真实值，
为预测值，m为观测次数；
R2拟合优度是指回归直线对观测值的拟合程度，所述式中SSres表示真实值与预测值的差的平方之和，也就是预测值与真实值的误差，SStot表示平方差，越大表示越离散；
通过将空间插值与时间序列预测方法相结合，并考虑气象数据对污染监测数据的影响，可以发掘污染监测数据的时空关联性特点，有效提升污染监测数据的预测精度，如图4所示为传统方法与融合方法的精度对比结果图，可以清楚的得到，采用本发明方法得到的检测数据精度大于现有方法检测的空气质量数据的精度。本发明将空间插值与时间序列预测方法相结合，并考虑气象数据对污染监测数据的影响，可以发掘污染监测数据的时空关联性特点，有效提升污染监测数据的预测精度。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不仅限本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源时空数据融合的空气质量预测方法，其特征在于，包括以下步骤：
S1，获取监测点选定时间段内的污染监测数据与气象数据，并对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化处理；
S2，将数据标准化后的污染监测数据采用空间插值算法生成与研究区域经纬度匹配、网格均匀的污染监测数据；
S3，采用K折交叉验证的方法，将气象数据与空间插值后的污染监测数据进行划分生成训练集和预测集，采用训练集对基于循环神经网络建立的预测模型进行预训练，然后利用预测集进行预测，若预测结果与监测点误差小于设定阈值，则完成预测模型训练，若预测结果与监测点误差大于设定阈值，则对预测模型重新训练直至训练的预测模型的预测结果与监测点误差小于设定阈值，则利用训练后的预测模型进行空气质量预测。
2.根据权利要求1所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，污染监测数据类型包括选定时间段内的PM2.5、PM10、O3监测数据；气象数据类型包括选定时间段内的温度、湿度、气压、风向、风速数据。
3.根据权利要求1所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，采用数据填充方法对获取的污染监测数据与气象数据的缺失与异常数据进行填充，采取min-max标准化方法对获取的数据集进行标准化处理。
4.根据权利要求1所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，空间插值算法包括线性插值、三次曲线插值、薄板样条插值、高斯插值与多项式插值方法。
5.根据权利要求1所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，采用K折交叉验证的方式对气象数据与空间插值后的污染监测数据进行数据集的划分，将其划分为训练集与测试集，利用训练集进行训练，利用测试集对训练后的数据进行验证。
6.根据权利要求5所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，将全部的数据划分为10个子集，重复训练10次，每个子集均做一次测试集，每次将其余的子集作为训练集，并将10次的平均交叉验证的结果作为最终的结果。
7.根据权利要求1所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，具体的，采用国控站点周围网格的污染监测数据与对应该国控站点的气象数据作为预测模型的输入数据进行训练。
8.根据权利要求7所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，循环神经网络模型包括LSTM长短期记忆网络，GRU门控循环单元，Bi-LSTM和Bi-GRU。
9.根据权利要求1所述的一种基于多源时空数据融合的空气质量预测方法，其特征在于，利用训练后的预测模型进行预测获取评价指标包括：
RMSE均方根误差是预测值与真实值偏差的平方与观测次数比值的平方根，所述式中yi为真实值，
为预测值，m为观测次数；
MAE平均绝对误差，观测值与真实值的误差绝对值的平均值，所述式中yi为真实值，
为预测值，m为观测次数；
R2拟合优度是指回归直线对观测值的拟合程度，所述式中SSres表示真实值与预测值的差的平方之和，SStot表示平方差。
10.一种基于权利要求1所述方法的多源时空数据融合的空气质量预测***，其特征在于，包括数据预处理模块、数据融合模块和预测模块；
数据预处理模块用于将获取的监测点选定时间段内的污染监测数据与气象数据，并对获取的污染监测数据与气象数据依次进行缺失值与异常值处理、数据标准化得到标准化后的污染监测数据与气象数据，传输至数据融合模块；
数据融合模块用于将数据标准化后的污染监测数据采用空间插值算法生成与研究区域经纬度匹配、网格均匀的污染监测数据，然后将气象数据与空间插值后的污染监测数据进行划分生成训练集和预测集，采用训练集对基于循环神经网络建立的预测模型进行预训练得到预测模型保存至预测模块；
预测模块用于输入空气监测数据进行预测输出评价指标值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111250850.3A CN113984969A (zh) | 2021-10-26 | 2021-10-26 | 一种基于多源时空数据融合的空气质量预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111250850.3A CN113984969A (zh) | 2021-10-26 | 2021-10-26 | 一种基于多源时空数据融合的空气质量预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113984969A true CN113984969A (zh) | 2022-01-28 |
Family
ID=79741957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111250850.3A Pending CN113984969A (zh) | 2021-10-26 | 2021-10-26 | 一种基于多源时空数据融合的空气质量预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113984969A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611706A (zh) * | 2022-02-21 | 2022-06-10 | 河南大学 | 基于Stacking多模型融合设计的空气污染物缺失值补充方法 |
| CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测***及预测方法 |
| CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及*** |
| CN116485202A (zh) * | 2023-04-25 | 2023-07-25 | 北京建工环境修复股份有限公司 | 一种基于物联网工业污染实时监测方法及*** |
| CN117420052A (zh) * | 2023-10-09 | 2024-01-19 | 江苏海洋大学 | 一种融合多尺度时空信息的pm2.5预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及*** |
| CN110610258A (zh) * | 2019-08-20 | 2019-12-24 | 中国地质大学（武汉） | 融合多源时空数据的城市空气质量精细化估测方法及装置 |
| CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
| CN112330050A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于双层XGBoost考虑多特征的电力***负荷预测方法 |
| CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学（武汉） | 一种基于季节性循环神经网络的空气质量预测方法 |
| CN113297528A (zh) * | 2021-06-10 | 2021-08-24 | 四川大学 | 一种基于多源大数据的no2高分辨率时空分布计算方法 |
-
2021
- 2021-10-26 CN CN202111250850.3A patent/CN113984969A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及*** |
| CN110610258A (zh) * | 2019-08-20 | 2019-12-24 | 中国地质大学（武汉） | 融合多源时空数据的城市空气质量精细化估测方法及装置 |
| CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
| CN112330050A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于双层XGBoost考虑多特征的电力***负荷预测方法 |
| CN113240170A (zh) * | 2021-05-10 | 2021-08-10 | 中国地质大学（武汉） | 一种基于季节性循环神经网络的空气质量预测方法 |
| CN113297528A (zh) * | 2021-06-10 | 2021-08-24 | 四川大学 | 一种基于多源大数据的no2高分辨率时空分布计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡旺华: "运用机器学习方法预测空气中臭氧浓度", 《中国环境管理》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611706A (zh) * | 2022-02-21 | 2022-06-10 | 河南大学 | 基于Stacking多模型融合设计的空气污染物缺失值补充方法 |
| CN114611706B (zh) * | 2022-02-21 | 2023-04-25 | 河南大学 | 基于Stacking多模型融合设计的空气污染物缺失值补充方法 |
| CN114912707A (zh) * | 2022-06-01 | 2022-08-16 | 中科大数据研究院 | 一种基于多模态融合的空气质量预测***及预测方法 |
| CN114912707B (zh) * | 2022-06-01 | 2023-06-30 | 郑州大学 | 一种基于多模态融合的空气质量预测***及预测方法 |
| CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及*** |
| CN116128099B (zh) * | 2022-11-28 | 2023-09-12 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及*** |
| CN116485202A (zh) * | 2023-04-25 | 2023-07-25 | 北京建工环境修复股份有限公司 | 一种基于物联网工业污染实时监测方法及*** |
| CN116485202B (zh) * | 2023-04-25 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种基于物联网工业污染实时监测方法及*** |
| CN117420052A (zh) * | 2023-10-09 | 2024-01-19 | 江苏海洋大学 | 一种融合多尺度时空信息的pm2.5预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113984969A (zh) | 一种基于多源时空数据融合的空气质量预测方法及*** | |
| CN111812181A (zh) | 一种气体传感器的远程校准方法及*** | |
| CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及*** | |
| CN113283175B (zh) | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN111339092B (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
| CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN111458769B (zh) | 用于输电线路环境气象数据预测的方法及*** | |
| CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力***负荷预测方法 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及*** | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN116027158A (zh) | 一种高压电缆局放故障预测方法及*** | |
| CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
| CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
| CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
| CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
| CN115936238B (zh) | 一种全域风电中长期出力预测方法、***、设备及介质 | |
| CN116976518A (zh) | 集中式风电场风功率预测方法及装置 | |
| CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
| Chen et al. | A data interpolation method for missing irradiance data of photovoltaic power station | |
| CN114004405A (zh) | 基于Elman神经网络和卫星云图的光伏功率预测方法及*** |
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: 20220128 |
|
| RJ01 | Rejection of invention patent application after publication |