CN115542429A - 一种基于XGBoost的臭氧质量预测方法及*** - Google Patents
一种基于XGBoost的臭氧质量预测方法及*** Download PDFInfo
- Publication number
- CN115542429A CN115542429A CN202211148816.XA CN202211148816A CN115542429A CN 115542429 A CN115542429 A CN 115542429A CN 202211148816 A CN202211148816 A CN 202211148816A CN 115542429 A CN115542429 A CN 115542429A
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- ozone concentration
- prediction
- atmospheric ozone
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于XGBoost的大气臭氧浓度的预测方法及***。该方法包括:大气基站数据数据获取及预处理、数据归一化、搭建模型及训练和模型推理等步骤。本方法将气象数据和空气质量数据相结合,其中气象数据主要用到温度、湿度、风速、气压四种数据,空气质量数据有O3、PM2.5、PM10、SO2、NO2、CO六种数据。充分考虑多种因素对臭氧浓度的影响,方法简易操作,具有较高的预测精度。该方法利用预测当日前五天的数据预测未来三天的臭氧浓度,为环保部门开展臭氧污染趋势预报提供依据。
Description
技术领域
本发明涉及环境保护技术领域以及气象预测技术领域,并特别涉及一种基于XGBoost的臭氧质量预测方法及***。
背景技术
近年来,空气污染问题已成为社会热点问题,在空气污染治理方面,实时掌握空气的污染情况,并且对空气质量进行中长期趋势预测,能够为空气污染治理工作提供可靠的依据。常见的大气污染物浓度预测方法主要有两类:基于数值模式的预测方法和基于统计模型的预测方法。数值模式的预测方法是以大气动力学理论为基础,在给定的气象条件、污染源排放清单以及初始边界条件下,通过一套复杂的偏微分方程组模拟大气污染物在实际大气中的各种物理化学过程,预报污染物浓度动态分布和变化趋势。基于统计模式的预测方法以空气质量监测数据、气象监测数据等多种类型数据为基础,利用统计方法,建立预测模型,实现大气污染物浓度预测。传统的统计模型预测仅考虑单一大气污染物浓度变化,利用ARIMA、Holt-Winters等时间序列预测模型进行浓度预测,预测精度较低且预测时效较短。后有方法提出利用大气污染物浓度和温度、湿度等气象因素进行多元线性回归,预测精度相比ARIMA等时间序列预测模型要准。近年来,随着机器学习算法的不断发展,支持向量机、人工神经网络等机器学习算法被不断引入大气污染物浓度预测任务中来,这些方法对多源数据进行综合考虑,预测效果有所提升。但是,目前国内常见的基于统计模型的大气污染物浓度预测方法一般只对空气质量的日数据进行分析,未考虑小时级别的精确预测;仅对某一市的整体空气质量进行分析,未考虑记录数据的监测站点位置以及周围环境。
发明内容
本发明的目的是解决现有的空气质量预测方法难以建立精准的预测模型问题,而提供了一种基于回归预测模型XGBoost的空气质量预测方法。
针对现有技术的不足,本发明提出一种基于回归预测模型的大气臭氧浓度的预测方法,其中包括:
步骤1、获取同一地区的历史气象数据和历史空气质量数据,其中该历史空气质量数据包括大气臭氧浓度;并将相同时间的该空气质量数据和该气象数据进行匹配,得到匹配数据;
步骤2、根据起报时刻t前h时刻到起报时刻t内的气象和空气质量数据,预测t后x时刻的大气臭氧浓度为划分目标,将匹配数据划分为监督回归预测数据,以该监督回归预测数据训练回归预测模型,得到大气臭氧浓度预测模型;
步骤3、将待预测时刻前h时刻到该待预测时刻内的气象和空气质量数据输入该大气臭氧浓度预测模型,得到该待预测时刻后x时刻的大气臭氧浓度作为大气臭氧浓度的预测结果。
所述的一种基于回归预测模型的大气臭氧浓度的预测方法,其中该回归预测模型为XGBoost模型;
所述的一种基于回归预测模型的大气臭氧浓度的预测方法,其中该气象数据为温度、湿度、风速和气压数据,该空气质量数据为O3、PM2.5、PM10、SO2、NO2和CO浓度数据。
所述的一种基于回归预测模型的大气臭氧浓度的预测方法,其中该步骤1包括对历史气象数据和历史空气质量数据进行预处理,预处理内容包括:对历史气象数据和历史空气质量数据中的缺失值和错误值进行补齐处理。
本发明还提出了一种基于回归预测模型的大气臭氧浓度的预测***,其中包括:
初始模块,用于获取同一地区的历史气象数据和历史空气质量数据,其中该历史空气质量数据包括大气臭氧浓度;并将相同时间的该空气质量数据和该气象数据进行匹配,得到匹配数据;
训练模块,用于根据起报时刻t前h时刻到起报时刻t内的气象和空气质量数据,预测t后x时刻的大气臭氧浓度为划分目标,将匹配数据划分为监督回归预测数据,以该监督回归预测数据训练回归预测模型,得到大气臭氧浓度预测模型;
预测模块,用于将待预测时刻前h时刻到该待预测时刻内的气象和空气质量数据输入该大气臭氧浓度预测模型,得到该待预测时刻后x时刻的大气臭氧浓度作为大气臭氧浓度的预测结果。
所述的一种基于回归预测模型的大气臭氧浓度的预测***,其中该回归预测模型为XGBoost模型;
所述的一种基于回归预测模型的大气臭氧浓度的预测***,其中该气象数据为温度、湿度、风速和气压数据,该空气质量数据为O3、PM2.5、PM10、SO2、NO2和CO浓度数据。
所述的一种基于回归预测模型的大气臭氧浓度的预测***,其中该初始模块还用于对历史气象数据和历史空气质量数据进行预处理,预处理内容包括:对历史气象数据和历史空气质量数据中的缺失值和错误值进行补齐处理。
本发明还提出了一种存储介质,用于存储执行所述任意一种基于回归预测模型的大气臭氧浓度的预测方法的程序。
本发明还提出了一种客户端,用于所述任意一种基于回归预测模型的大气臭氧浓度的预测***。
由以上方案可知,本发明的优点在于:
(1)本发明提供的一种基于XGBoost算法的空气质量预测方法,将XGBoost模型引入到空气质量预测问题中,基于历史空气质量数据和历史气象数据,实现对单个观测站空气质量参数的短期精准预测和中长期趋势预测;通过不断积累新的空气质量数据和气象数据提升XGBoost模型的预测精度;
(2)传统的空气质量预测方法仅能预测PM10、PM2.5等主要参数项,预测能力有限,而本发明提供的空气质量预测方法能够预测所有的空气质量参数,便于观察分析空气质量的变化情况;
(3)传统的空气质量预测方法需要融合大量复杂的数学、物理、化学模型,计算过程需要在专用服务器上处理,且计算周期较长,而本发明提供的空气质量预测方法,对计算平台要求较低,且响应速度快。
附图说明
图1为本发明基于XGBoost算法的空气质量预测方法中整体建模流程图;
图2为实例中O3浓度的历史观测值;
图3为本发明空气质量预测方法的预测值与实测值对比图;
图4为本发明空气质量预测方法的预测误差示意图;
图5为本发明方法流程图;
图6为本发明模型输入输出预测示意图。
具体实施方式
为让本发明的上述特征和效果能阐述的更明确易懂,下文特举实施例,并配合说明书附图作详细说明如下。
大气污染的影响因素复杂,包括气象因素、地形因素等,各观测站测量值包括PM2.5、PM10、O3等多个表征,是一个复杂的多输入、多输出的时序问题,难以用精确的数学模型进行描述。各级观测站得到的观测数据目前只提供了参考作用,无法提供精准的空气质量实时预警,观测站得到的海量数据并未挖掘出其背后真实的关联关系,而人工智能恰恰是一个基于大数据进行信息深度挖掘的技术,完美地契合了大气污染预警预报的应用场景。机器学习作为人工智能实现的主要方式,可以对大量输入数据的特征进行有效学习,得到精准的预测模型。通过机器学习中的XGBoost模型,寻找空气质量影响因素的内在关联关系,能够实现短期精准预测和中长期趋势预测。
本发明方法的流程如图5所示。首先获取空气质量监测数据、气象监测数据和预报时刻的气象数据等三类数据,然后进行数据预处理、特征抽取步骤,获取训练数据集和测试数据集。然后利用训练数据集和机器学习的XGBoost算法进行模型训练,得到预测模型,再利用预测模型和测试数据集得到预测的空气质量数据。
模型输入特征基于起报时刻t前h天的点源数据(例如h=5,即t前120小时)、空气质量监测数据和气象监测数据以及预报时刻气象数据构造。模型目标为预报时刻(例如t+72)的空气质量相较于起报时刻(t)空气质量的变化值。采用变化值为目标是为了减小空气质量周期性变化以及一些潜在未知因素的影响。基于XGBoost算法,可以获得预报时刻相较起报时刻的空气质量变化预测值,再结合起报时刻的空气质量,即可获得预报时刻的空气质量预测值。
本文采用的XGBoost(eXtreme Gradient Boosting)是一种梯度提升算法扩展。梯度提升算法是一种用于回归和分类问题的机器学习技术,以多个弱预测模型集成的形式产生预测模型。通常会选择树这一弱预测模型作为基学习器,例如,本文所提出预测模型采用回归树作为基学习器。当然,XGBoost基学习器也可以是其他分类器。
假设XGBoost一共生成了k棵树(k个弱预测模型),对任一输入x,每棵树都有一个输出fx(x),则该XGBoost模型的输出为在迭代过程中,利用梯度下降思想,以已生成树为基础,以最优化目标函数为总目标,迭代生成新树。每次迭代学习的目标是减少已生成的模型的累计结果的损失值。不同于传统梯度提升决策树(gradientboosting decision tree,GBDT),XGBoost对代价函数进行二阶泰勒展开,利用了一阶导数和二阶导数。另外,XGBoost的代价函数中包含正则项,这相当于给复杂模型以一定的惩罚,模型复杂度得以控制,所以模型不易出现过拟合问题。
XGBoost算法能够利用CPU多线程并行,具有运行速度快,准确度较高,不易过拟合等优点,算法普适性好,在多种应用上表现良好,但现有技术未将其应用于空气质量预测。因为空气质量预测属于时序预测,而时序预测中数据是相互关联的,但XGBoost算法会认为数据之间是相互独立的,因此需要对时序数据进行处理,将时序预测任务转化为回归预测任务,以适应XGBoost算法,提高时序预测的精度和效率。
O3浓度的变化,是一种多因素相互作用影响的结果,因此需要分析多组数据,如气象数据、其它空气质量数据等,来更加精准的预测O3变化,基于多因素分析的时序预测更加具有泛化性能和稳定性。本发明将气象数据和空气质量数据相结合,其中气象数据主要用到温度、湿度、风速、气压四种数据,空气质量数据有O3、PM2.5、PM10、SO2、NO2、CO六种数据。
将多特征的时序数据转化为符合XGBoost算法的数据,实现O3浓度预测。具体实现方法,如图6所示。模型输入特征基于起报时刻t前h天的数据(图1中h=5,即t前5天),其中每一天的数据包含O3、PM2.5、PM10、SO2、NO2、CO、温度、湿度、风速、气压十种监测数据。目标是预报时刻(t+3)的O3浓度值,这样构造出样本数据之间相互独立,可以用XGBoost算法来构建预测模型。
1)数据获取及预处理
1.1)从一个地区的多个观测站获取历史数据,所述历史数据包括历史空气质量数据和历史气象数据;其中,空气质量数据包括SO2、NO2、O3、CO、PM10和PM2.5数值,气象数据包括风速、风向、气压、温度和湿度;
1.2)对历史数据中的缺失值和错误值通过指数平滑SES进行补齐和处理;对历史数据中与空气质量预测无关的数据进行删除;对空气质量数据和气象数据进行匹配,对空气数据和气象数据按照日期进行关联。
2)输入数据处理
2.1)预处理完成后,将待预测观测站过去时间段内的历史数据按照预设比例,例如6:4划分为训练集和测试集。
2.2)将训练集和验证集的数据归一化;
2.3)将归一化后的数据格式转换为有监督回归预测数据格式,即以前N天的空气质量数据和气象数据作为输入数据,以希望预测的M天的目标值作为标签值;
3)模型搭建及训练
3.1)根据训练数据量大小和问题描述,通过模型超参数优化过程,确定LightGBM的决策树数量。
3.2)设置模型超参数,利用训练集对XGBoost模型进行训练,并设置损失函数为均方误差(Mean Squared Error,MSE)作为训练的评价指标;模型超参数贝叶斯参数优化的方式确定。
4)模型推理
将当前时刻之前若干天的空气质量数据和气象数据作为输入,利用步骤3.2)的训练结果进行推理,得到未来若干天的臭氧预测值。
本发明提供的空气质量预测方法通过远程采集影响空气质量的相关数据,包括历史空气质量数据(SO2、NO2、O3、CO、PM10、PM2.5数值)和历史气象数据(风速、风向、气压、温度、湿度),对历史数据中的缺失值和错误值通过SES方法进行补齐和处理;对历史数据中与空气质量预测无关的数据进行删除;对空气质量数据和气象数据进行匹配。由于空气质量数据和气象数据中的有些参数与待预测参数之间是强相关的,有些是弱相关的,有些是不相关的,因此采用计算Pearson相关系数的方法对其进行判断,从而筛选出与待预测参数强相关的参数参与预测。利用XGBoost对筛选之后的数据进行建模,通过贝叶斯参数优化,确定XGBoost的超参数。在GPU上进行XGBoost的训练,得到模型文件XGBoost.h5,将其加载到推理模型中。将观测站近期历史数据作为测试数据,输入到XGBoost推理模型中,即可得到预测值。
以山东省滨州市的一个观测站的O3预测为例,包括以下步骤:
1)数据获取及预处理
1.1)从国库总站获取山东省滨州市观测站1的2019.01.01-2021.03.14期间空气质量数据(SO2、NO2、O3、CO、PM10和PM2.5数值)和历史气象数据(风速、风向、气压、温度和湿度),O3数据可视化如图2所示。
1.2)对历史数据中的缺失值和错误值通过SES方法进行补齐和处理;对历史数据中与空气质量预测无关的数据进行删除;对空气质量数据和气象数据进行匹配。
2)输入数据处理
2.1)将数据划分为训练集和测试集,其中2019.01.01-2021.07.14作为训练集,2021.07.15-2022.03.14日作为测试集。使用训练集训练模型,测试集对模型进行评估。
2.2)将训练集和验证集的数据归一化。不同的参数往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除参数之间的量纲影响,需要进行数据的归一化处理。采用min-max(极小值-极大值)归一化方法进行处理。
2.3)XGBoost是一种有监督的回归算法,将时序数据转化为有标签的回归数据。t表示当天,以前五天(t-5,t-4,t-3,t-2,t-1)数据空气质量数据和气象数据作为输入,以后第三天(t+2)的O3值作为标签。实现对未来三天的O3预测。
3)模型搭建及训练
3.1)根据训练数据量大小和问题描述,通过模型超参数优化过程,对O3预测确定了20个决策树数量的基础结构,对其它空气质量参数预测,在此基础上进行微调。
3.2)设置模型超参数,利用训练集对XGBoost模型进行训练,并设置损失函数为均方误差(Mean Squared Error,MSE)作为训练的评价指标;模型超参数贝叶斯参数优化的方式确定。
4)模型推理
将当前时刻之前五天的空气质量数据和气象数据作为输入,利用步骤3.2)的训练结果进行推理,得到未来三天的O3预测值,预测结果与实测值的对比如图3和图4所示。
以下为与上述方法实施例对应的***实施例,本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在上述实施方式中。
发明还提出了一种基于回归预测模型的大气臭氧浓度的预测***,其中包括:
初始模块,用于获取同一地区的历史气象数据和历史空气质量数据,其中该历史空气质量数据包括大气臭氧浓度;并将相同时间的该空气质量数据和该气象数据进行匹配,得到匹配数据;
训练模块,用于根据起报时刻t前h时刻到起报时刻t内的气象和空气质量数据,预测t后x时刻的大气臭氧浓度为划分目标,将匹配数据划分为监督回归预测数据,以该监督回归预测数据训练回归预测模型,得到大气臭氧浓度预测模型;
预测模块,用于将待预测时刻前h时刻到该待预测时刻内的气象和空气质量数据输入该大气臭氧浓度预测模型,得到该待预测时刻后x时刻的大气臭氧浓度作为大气臭氧浓度的预测结果。
所述的一种基于回归预测模型的大气臭氧浓度的预测***,其中该回归预测模型为XGBoost模型;
所述的一种基于回归预测模型的大气臭氧浓度的预测***,其中该气象数据为温度、湿度、风速和气压数据,该空气质量数据为O3、PM2.5、PM10、SO2、NO2和CO浓度数据。
所述的一种基于回归预测模型的大气臭氧浓度的预测***,其中该初始模块还用于对历史气象数据和历史空气质量数据进行预处理,预处理内容包括:对历史气象数据和历史空气质量数据中的缺失值和错误值进行补齐处理。
本发明还提出了一种存储介质,用于存储执行所述任意一种基于回归预测模型的大气臭氧浓度的预测方法的程序。
本发明还提出了一种客户端,用于所述任意一种基于回归预测模型的大气臭氧浓度的预测***。
Claims (10)
1.一种基于回归预测模型的大气臭氧浓度的预测方法,其特征在于,包括:
步骤1、获取同一地区的历史气象数据和历史空气质量数据,其中该历史空气质量数据包括大气臭氧浓度;并将相同时间的该空气质量数据和该气象数据进行匹配,得到匹配数据;
步骤2、根据起报时刻t前h时刻到起报时刻t内的气象和空气质量数据,预测t后x时刻的大气臭氧浓度为划分目标,将匹配数据划分为监督回归预测数据,以该监督回归预测数据训练回归预测模型,得到大气臭氧浓度预测模型;
步骤3、将待预测时刻前h时刻到该待预测时刻内的气象和空气质量数据输入该大气臭氧浓度预测模型,得到该待预测时刻后x时刻的大气臭氧浓度作为大气臭氧浓度的预测结果。
2.如权利要求1所述的一种基于回归预测模型的大气臭氧浓度的预测方法,其特征在于,该回归预测模型为XGBoost模型。
3.如权利要求1所述的一种基于回归预测模型的大气臭氧浓度的预测方法,其特征在于,该气象数据为温度、湿度、风速和气压数据,该空气质量数据为O3、PM2.5、PM10、SO2、NO2和CO浓度数据。
4.如权利要求1所述的一种基于回归预测模型的大气臭氧浓度的预测方法,其特征在于,该步骤1包括对历史气象数据和历史空气质量数据进行预处理,预处理内容包括:对历史气象数据和历史空气质量数据中的缺失值和错误值进行补齐处理。
5.一种基于回归预测模型的大气臭氧浓度的预测***,其特征在于,包括:
初始模块,用于获取同一地区的历史气象数据和历史空气质量数据,其中该历史空气质量数据包括大气臭氧浓度;并将相同时间的该空气质量数据和该气象数据进行匹配,得到匹配数据;
训练模块,用于根据起报时刻t前h时刻到起报时刻t内的气象和空气质量数据,预测t后x时刻的大气臭氧浓度为划分目标,将匹配数据划分为监督回归预测数据,以该监督回归预测数据训练回归预测模型,得到大气臭氧浓度预测模型;
预测模块,用于将待预测时刻前h时刻到该待预测时刻内的气象和空气质量数据输入该大气臭氧浓度预测模型,得到该待预测时刻后x时刻的大气臭氧浓度作为大气臭氧浓度的预测结果。
6.如权利要求5所述的一种基于回归预测模型的大气臭氧浓度的预测***,其特征在于,该回归预测模型为XGBoost模型。
7.如权利要求5所述的一种基于回归预测模型的大气臭氧浓度的预测***,其特征在于,该气象数据为温度、湿度、风速和气压数据,该空气质量数据为O3、PM2.5、PM10、SO2、NO2和CO浓度数据。
8.如权利要求5所述的一种基于回归预测模型的大气臭氧浓度的预测***,其特征在于,该初始模块还用于对历史气象数据和历史空气质量数据进行预处理,预处理内容包括:对历史气象数据和历史空气质量数据中的缺失值和错误值进行补齐处理。
9.一种存储介质,用于存储执行如权利要求1到4所述任意一种基于回归预测模型的大气臭氧浓度的预测方法的程序。
10.一种客户端,用于权利要求5至8中任意一种基于回归预测模型的大气臭氧浓度的预测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148816.XA CN115542429A (zh) | 2022-09-20 | 2022-09-20 | 一种基于XGBoost的臭氧质量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148816.XA CN115542429A (zh) | 2022-09-20 | 2022-09-20 | 一种基于XGBoost的臭氧质量预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115542429A true CN115542429A (zh) | 2022-12-30 |
Family
ID=84726663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148816.XA Pending CN115542429A (zh) | 2022-09-20 | 2022-09-20 | 一种基于XGBoost的臭氧质量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115542429A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656446A (zh) * | 2022-12-26 | 2023-01-31 | 沃客森信息科技(常州)有限公司 | 一种基于物联网的空气质量检测***及方法 |
CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于动态有监督机器学习的臭氧污染风险预报方法 |
CN117556953A (zh) * | 2023-11-21 | 2024-02-13 | 中国气象局沈阳大气环境研究所 | 一种基于卫星遥感反演数据的自动处理与预测*** |
CN117875576A (zh) * | 2024-03-13 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和*** |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN113570163A (zh) * | 2021-09-02 | 2021-10-29 | 河北科技大学 | 基于数学模型的大气臭氧浓度预测方法、***和装置 |
-
2022
- 2022-09-20 CN CN202211148816.XA patent/CN115542429A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和*** |
CN109541730A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心(上海市环境气象中心) | 一种大气污染物浓度预测的方法及设备 |
CN110334732A (zh) * | 2019-05-20 | 2019-10-15 | 北京思路创新科技有限公司 | 一种基于机器学习的空气质量预报方法和装置 |
CN113570163A (zh) * | 2021-09-02 | 2021-10-29 | 河北科技大学 | 基于数学模型的大气臭氧浓度预测方法、***和装置 |
Non-Patent Citations (2)
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》 * |
蔡旺华: "运用机器学习方法预测空气中臭氧浓度", pages 78 - 84 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656446A (zh) * | 2022-12-26 | 2023-01-31 | 沃客森信息科技(常州)有限公司 | 一种基于物联网的空气质量检测***及方法 |
CN117174197A (zh) * | 2023-08-17 | 2023-12-05 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于动态有监督机器学习的臭氧污染风险预报方法 |
CN117174197B (zh) * | 2023-08-17 | 2024-02-13 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于动态有监督机器学习的臭氧污染风险预报方法 |
CN117556953A (zh) * | 2023-11-21 | 2024-02-13 | 中国气象局沈阳大气环境研究所 | 一种基于卫星遥感反演数据的自动处理与预测*** |
CN117875576A (zh) * | 2024-03-13 | 2024-04-12 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
CN117875576B (zh) * | 2024-03-13 | 2024-05-24 | 四川国蓝中天环境科技集团有限公司 | 一种基于结构化案例库的城市大气污染分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khodayar et al. | Interval deep generative neural network for wind speed forecasting | |
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 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及*** | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN113011680A (zh) | 一种电力负荷预测方法及*** | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
Xu et al. | High-accuracy health prediction of sensor systems using improved relevant vector-machine ensemble regression | |
Phan et al. | A study on missing data imputation methods for improving hourly solar dataset | |
Agga et al. | Short-term load forecasting: based on hybrid CNN-LSTM neural network | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
Asaei-Moamam et al. | Air quality particulate-pollution prediction applying GAN network and the Neural Turing Machine | |
CN117131654A (zh) | 基于预分析初猜值条件非线性最优扰动的目标观测方法 | |
Chen et al. | Air quality prediction based on Kohonen Clustering and ReliefF feature selection | |
Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory | |
Jankauskas et al. | Short-term wind energy forecasting with advanced recurrent neural network models: a comparative study | |
Youwei et al. | Predictions to the water level of changjiang waterway employing deep learning algorithm lstm | |
Hu et al. | The early warning model of dust concentration in smart construction sites based on long short term memory network | |
CN117932232B (zh) | 基于状态识别rime-delm多变量时间序列预测的风速预测*** | |
Gutiérrez et al. | A Comparison of the Performance of Supervised Learning Algorithms for Solar Power Prediction. Energies 2021, 14, 4424 | |
CN115600498A (zh) | 一种基于人工神经网络的风速预报订正方法 |
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 |