CN115983329A - 空气质量及气象条件的预测方法、装置、设备及存储介质 - Google Patents
空气质量及气象条件的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115983329A CN115983329A CN202211697807.6A CN202211697807A CN115983329A CN 115983329 A CN115983329 A CN 115983329A CN 202211697807 A CN202211697807 A CN 202211697807A CN 115983329 A CN115983329 A CN 115983329A
- Authority
- CN
- China
- Prior art keywords
- concentration value
- pollutant
- meteorological
- air quality
- prediction model
- 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
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供空气质量及气象条件的预测方法、装置、设备及存储介质,该方法包括:获取待预测区域在目标历史时段的至少一种污染物的浓度值;将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值,其中,空气质量预测模型为LSTM神经网络;基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件;其中,气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,样本特征包括空气质量数据和气象影响条件。本发明不仅可以根据历史浓度预测未来时段的污染物浓度,还可以根据未来时段的污染物浓度预测未来时段的气象条件。
Description
技术领域
本发明涉及空气污染预测技术领域,尤其涉及一种空气质量及气象条件的预测方法、装置、设备及存储介质。
背景技术
空气污染是一个复杂的现象,在特定时间和地点,空气污染物的浓度会受到很多因素的影响,除了来自固定和流动污染源的人为污染物排放大小的影响外,还会受到区域的发展密度、地形地貌和气象条件的影响。通过建立空气质量预测模型,提前获知可能发生的大气污染,并采取相应的控制措施,是减少大气污染对人体健康和环境等造成的危害,提高环境空气质量的有效方法之一。
目前,空气污染物浓度预测的主要方法包括:CMAQ大气污染污染物预测的机理模型、AERMOD模型、CALPUFF模型以及WRF-CMAQ预测模型。CMAQ大气污染污染物预测的机理模型其相关过程较为复杂,建模难度大,预测精度难以提升。AERMOD模型虽被广泛应用于大气环评中的污染物扩散模拟、大气防护距离计算等方面,但是该模型在应用过程中,高空气象资料获取不易、所需地形数据格式和一般地形数据格式不相符、对于长期平均浓度的计算消耗时间过长等缺点。CALPUFF模型可模拟复杂地形,在初始风场分析中,考虑了动力学和坡面流,模拟过程具有真实性和针对性。但是CALPUFF模型多用于模拟中小尺度环境问题。WRF-CMAQ模型则受制于模拟的气象场以及排放清单的不确定性,以及对包括臭氧在内的污染物生成机理的不完全明晰。
因此,亟需一种可以根据历史污染物的浓度,对未来时段的污染物的浓度以及未来时段的气象条件进行预测的方法。
发明内容
本发明实施例提供了一种空气质量及气象条件的预测方法、装置、设备及存储介质,以解决目前的模型无法准确地预测未来污染物浓度和气象条件的问题。
第一方面,本发明实施例提供了一种空气质量及气象条件的预测方法,包括:
获取待预测区域在目标历史时段的至少一种污染物的浓度值;
将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值,其中,空气质量预测模型为LSTM神经网络;
基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件;其中,气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,样本特征包括空气质量数据和气象影响条件。
在一种可能的实现方式中,气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件;其中,第一历史预测数据为采用空气质量预报模式***预测的多个历史时间段内的每种污染物的浓度值,第一历史真实数据为多个历史时间段内监测到的每种污染物的浓度值,历史气象条件为多个历史时间段内的气象条件。
在一种可能的实现方式中,每个簇为基于对气象预测模型的训练样本进行聚类分析得到的。
在一种可能的实现方式中,基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件,包括:
基于未来时段的每种污染物的浓度值,计算所有污染物的空气质量分指数,并确定首要污染物;
基于首要污染物的浓度值,以及预设的气象预测模型中的首要污染物的范围,确定待预测区域在未来时段的气象条件。
在一种可能的实现方式中,首要污染物为所有污染物中空气质量分指数最大的污染物。
在一种可能的实现方式中,气象影响条件包括湿度、气压、风速、风向或温度中的至少一个;
污染物包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
在一种可能的实现方式中,污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值;
气象预测模型包括3个不同的簇,每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
第二方面,本发明实施例提供了一种空气质量及气象条件的预测装置,包括:
获取数据模块,用于获取待预测区域在目标历史时段的至少一种污染物的浓度值;
确定数据模块,用于将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值,其中,空气质量预测模型为LSTM神经网络;
确定气象模块,用于基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件;其中,气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,样本特征包括空气质量数据和气象影响条件。
在一种可能的实现方式中,气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件;其中,第一历史预测数据为采用空气质量预报模式***预测的多个历史时间段内的每种污染物的浓度值,第一历史真实数据为多个历史时间段内监测到的每种污染物的浓度值,历史气象条件为多个历史时间段内的气象条件。
在一种可能的实现方式中,每个簇为基于对气象预测模型的训练样本进行聚类分析得到的。
在一种可能的实现方式中,确定气象模块,用于基于未来时段的每种污染物的浓度值,计算所有污染物的空气质量分指数,并确定首要污染物;
基于首要污染物的浓度值,以及预设的气象预测模型中的首要污染物的范围,确定待预测区域在未来时段的气象条件。
在一种可能的实现方式中,首要污染物为所有污染物中空气质量分指数最大的污染物。
在一种可能的实现方式中,气象影响条件包括湿度、气压、风速、风向或温度中的至少一个;
污染物包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
在一种可能的实现方式中,污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值;
气象预测模型包括3个不同的簇,每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
第三方面,本发明实施例提供了一种电子设备,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,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,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有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种空气质量及气象条件的预测方法、装置、设备及存储介质,首先,获取待预测区域在目标历史时段的至少一种污染物的浓度值。然后,将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值。最后,基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件。从而,通过历史污染物的浓度值可以首先预测得到未来时段的每种污染物的浓度值,然后基于未来时段的每种污染物的浓度值和预设的气象预测模型,即可准确地预测待预测区域在未来时段的气象条件。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例提供的空气质量及气象条件的预测方法的实现流程图;
图2是本发明实施例提供的空气质量及气象条件的预测装置的结构示意图;
图3是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
正如背景技术中所描述的,大气污染会对生态环境、气候、和人体的健康都会产生影响。而如何建立空气质量和气象条件的预测模型,提前获知可能发生的大气污染及气象条件,并采取相应的应对措施,是减少大气污染对人体健康和环境等造成危害,提高环境空气质量的有效方法之一。
为了解决现有技术问题,本发明实施例提供了一种空气质量及气象条件的预测方法、装置、设备及存储介质。下面首先对本发明实施例所提供的空气质量及气象条件的预测方法进行介绍。
参见图1,其示出了本发明实施例提供的空气质量及气象条件的预测方法的实现流程图,详述如下:
步骤S110、获取待预测区域在目标历史时段的至少一种污染物的浓度值。
其中,污染物可以为PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
具体的,可以从待预测区域的监测站点获取目标历史时段的至少一种污染物的浓度值,对于由于地面监测站点不健全、无线传感器故障及网络传输故障造成区域化数据缺失、数据不健全的,可以采用中位数或平均值来补全少量的缺失数据。
步骤S120、将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值。
其中,空气质量预测模型为LSTM神经网络。
针对气象监测数据和空气污染物的时间序列特点,构建了基于长短时记忆神经网络(LSTM)的空气污染预测模型。使用处理完成的历史空气污染物的监测数据作为特征因子对LSTM神经网络进行训练,验证和测试,最后通过计算预测值与真实值的平均绝对百分比误差和均方根误差对模型的参数进行优化调整。
在此,首先介绍空气质量预测模型的训练过程:
首先,初始化LSTM神经网络的权值。
然后,LSTM神经网络训练数据输入,时序前向计算各神经元输出值,时序反向传播累积误差值,计算神经网络中各权值的梯度值,更新网络权重。
最后,如果模型不收敛则继续执行上一步,如果模型收敛则预测结束。
模型训练完成后,将测试样本输入到训练好的模型后,空气质量预测模型计算后可输出预测值,将预测值与真实观测值作对比,以平均绝对误差、均方根误差和相关性等统计学指标为衡量指标判断空气质量预测模型的准确性。
步骤S130、基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件。
其中,气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,样本特征包括空气质量数据和气象影响条件。
在一些实施例中,气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件。其中,第一历史预测数据为采用空气质量预报模式***预测的多个历史时间段内的每种污染物的浓度值。需要说明的是,此处,也可以采用其他模型预测的每种污染物的浓度值。对模型不做限定。第一历史真实数据为多个历史时间段内监测到的每种污染物的浓度值,为监测得到的真实的值。历史气象条件为多个历史时间段内的真实的气象条件。
然后,采用K均值(K-Means)聚类方法对上面的训练样本进行分类。K-Means是聚类算法中的一种,是一种常见的无监督机器学习方法,通过对样本集进行全局分析,即可划分成为不同的簇。每个簇的样本特征相同但是数据范围不同,样本特征包括空气质量数据和气象影响条件。
具体的,从训练样本中选取3个对象作为初始聚类中心,为每个聚类选择一个初始聚类中心,将训练样本按照最小聚类原则分配到邻近聚类,使用每个聚类的样本均值更新聚类中心。如果聚类中心发生变化,则重新执行。如果聚类中心没有发生变化输出最终聚类中心可K簇划分。
在此实施例中,气象影响条件可以包括湿度、气压、风速、风向或温度中的至少一个。污染物可以包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
示例性的,污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值。
气象预测模型包括3个不同的簇,每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
在气象预测模型构建完成后,即可采用该模型对气象条件进行预测。
首先,基于未来时段的每种污染物的浓度值,计算所有污染物的空气质量分指数,并确定首要污染物。然后,基于首要污染物的浓度值,以及预设的气象预测模型中的首要污染物的范围,确定待预测区域在未来时段的气象条件。其中,首要污染物为所有污染物中空气质量分指数最大的污染物。当有2种污染物的空气质量分指数完全相同时,则这两种污染物同时为首要污染物。
本发明提供的预测方法,首先,获取待预测区域在目标历史时段的至少一种污染物的浓度值。然后,将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值。最后,基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件。从而,通过历史污染物的浓度值可以首先预测得到未来时段的每种污染物的浓度值,然后基于未来时段的每种污染物的浓度值和预设的气象预测模型,即可准确地预测待预测区域在未来时段的气象条件。
以下,以一个具体的实施例对本发明提供的空气质量及气象条件的预测方法进行详细的说明:
K值聚类得到的气象预测模型为:
首先,将待预测区域在目标历史时段的PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值输入至训练好的空气质量预测模型中,得到待预测区域在未来时段的每种污染物的浓度值。
然后,根据每种污染物的浓度值,计算每种污染物的空气质量分指数,并将这6种污染物的空气质量分指数最大的污染物确定为首要污染物。
最后,将首要污染物的浓度值与气象预测模型中的首要污染物的三个簇的浓度区间进行比对,确定属于那个簇,则未来时段的气象条件与该簇的气象条件相同。
例如:得到PM2.5为首要污染物,且PM2.5的浓度为30μg/m3,则可以预测得到未来时段的气象条件为:温度为26.8℃-30℃,湿度为76.0%至99.0%,气压为993.5至1011.0MBar,风速为1.3至2.0m/s,风向为0°至209.1°。
从而,通过本发明提供的方法不仅可以准确地预测待测区域在未来时段的污染物浓度,还可以根据污染物浓度预测未来时段的气象条件。
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。
基于上述实施例提供的空气质量及气象条件的预测方法,相应地,本发明还提供了应用于该空气质量及气象条件的预测方法的空气质量及气象条件的预测装置的具体实现方式。请参见以下实施例。
如图2所示,提供了一种空气质量及气象条件的预测装置200,该装置包括:
获取数据模块210,用于获取待预测区域在目标历史时段的至少一种污染物的浓度值;
确定数据模块220,用于将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定待预测区域在未来时段的每种污染物的浓度值,其中,空气质量预测模型为LSTM神经网络;
确定气象模块230,用于基于未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定待预测区域在未来时段的气象条件;其中,气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,样本特征包括空气质量数据和气象影响条件。
在一种可能的实现方式中,气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件;其中,第一历史预测数据为采用空气质量预报模式***预测的多个历史时间段内的每种污染物的浓度值,第一历史真实数据为多个历史时间段内监测到的每种污染物的浓度值,历史气象条件为多个历史时间段内的气象条件。
在一种可能的实现方式中,每个簇为基于对气象预测模型的训练样本进行聚类分析得到的。
在一种可能的实现方式中,确定气象模块230,用于基于未来时段的每种污染物的浓度值,计算所有污染物的空气质量分指数,并确定首要污染物;
基于首要污染物的浓度值,以及预设的气象预测模型中的首要污染物的范围,确定待预测区域在未来时段的气象条件。
在一种可能的实现方式中,首要污染物为所有污染物中空气质量分指数最大的污染物。
在一种可能的实现方式中,气象影响条件包括湿度、气压、风速、风向或温度中的至少一个;
污染物包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
在一种可能的实现方式中,污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值;
气象预测模型包括3个不同的簇,每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
图3是本发明实施例提供的电子设备的示意图。如图3所示,该实施例的电子设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个污染物浓度的预测方法实施例中的步骤,例如图1所示的步骤110至步骤130。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能,例如图2所示模块210至230的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。例如,所述计算机程序32可以被分割成图2所示的模块210至230。
所述电子设备3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述电子设备3的内部存储单元,例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备,例如所述电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个污染物浓度的预测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
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)
1.一种空气质量及气象条件的预测方法,其特征在于,包括:
获取待预测区域在目标历史时段的至少一种污染物的浓度值;
将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定所述待预测区域在未来时段的每种污染物的浓度值,其中,所述空气质量预测模型为LSTM神经网络;
基于所述未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定所述待预测区域在未来时段的气象条件;其中,所述气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,所述样本特征包括空气质量数据和气象影响条件。
2.如权利要求1所述的预测方法,其特征在于,所述气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件;其中,所述第一历史预测数据为采用空气质量预报模式***预测的多个历史时间段内的每种污染物的浓度值,所述第一历史真实数据为所述多个历史时间段内监测到的每种污染物的浓度值,所述历史气象条件为所述多个历史时间段内的气象条件。
3.如权利要求2所述的预测方法,其特征在于,所述每个簇为基于对所述气象预测模型的训练样本进行聚类分析得到的。
4.如权利要求1所述的预测方法,其特征在于,所述基于所述未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定所述待预测区域在未来时段的气象条件,包括:
基于所述未来时段的每种污染物的浓度值,计算所有污染物的空气质量分指数,并确定首要污染物;
基于所述首要污染物的浓度值,以及所述预设的气象预测模型中的所述首要污染物的范围,确定所述待预测区域在未来时段的气象条件。
5.如权利要求4所述的预测方法,其特征在于,所述首要污染物为所有污染物中空气质量分指数最大的污染物。
6.如权利要求1所述的预测方法,其特征在于,所述气象影响条件包括湿度、气压、风速、风向或温度中的至少一个;
所述污染物包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
7.如权利要求6所述的预测方法,其特征在于,所述污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值;
所述气象预测模型包括3个不同的簇,每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
8.一种空气质量及气象条件的预测装置,其特征在于,包括:
获取数据模块,用于获取待预测区域在目标历史时段的至少一种污染物的浓度值;
确定数据模块,用于将所有污染物的浓度值输入至预先构建的空气质量预测模型中,确定所述待预测区域在未来时段的每种污染物的浓度值,其中,所述空气质量预测模型为LSTM神经网络;
确定气象模块,用于基于所述未来时段的每种污染物的浓度值,以及预设的气象预测模型,确定所述待预测区域在未来时段的气象条件;其中,所述气象预测模型包括多个不同的簇,每个簇的样本特征相同但是数据范围不同,所述样本特征包括空气质量数据和气象影响条件。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7任一项所述的方法。
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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697807.6A CN115983329A (zh) | 2022-12-28 | 2022-12-28 | 空气质量及气象条件的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697807.6A CN115983329A (zh) | 2022-12-28 | 2022-12-28 | 空气质量及气象条件的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983329A true CN115983329A (zh) | 2023-04-18 |
Family
ID=85962241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697807.6A Pending CN115983329A (zh) | 2022-12-28 | 2022-12-28 | 空气质量及气象条件的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457098A (zh) * | 2023-10-27 | 2024-01-26 | 生态环境部南京环境科学研究所 | 跨界区饮用水源地污染事故预警方法、装置、介质和设备 |
-
2022
- 2022-12-28 CN CN202211697807.6A patent/CN115983329A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117457098A (zh) * | 2023-10-27 | 2024-01-26 | 生态环境部南京环境科学研究所 | 跨界区饮用水源地污染事故预警方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
Nong et al. | Urban growth pattern modeling using logistic regression | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** | |
CN116933099B (zh) | 一种汽车零部件老化测试方法、***及介质 | |
CN112347705B (zh) | 一种建立变电站厂界噪声模型的方法和*** | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN115438848A (zh) | 基于深度混合图神经网络的pm2.5浓度长期预测方法 | |
CN109191408B (zh) | 快速循环地面气象融合方法、装置及服务器 | |
CN113591215A (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
Chen et al. | Proactive quality control: Observing system simulation experiments with the Lorenz’96 model | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
CN109377440A (zh) | 一种基于多任务集成学习器的pm2.5和o3浓度协同预测方法 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN111160667A (zh) | 一种提高食品安全预测模型鲁棒性的方法及装置 | |
CN110850358A (zh) | 基于逐步回归算法的电能表综合检定方法及*** | |
CN113281229B (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN107944205B (zh) | 一种基于高斯烟羽模型的水域特征模型建立方法 | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、***和装置 | |
Ozdemir et al. | Prediction of tropospheric ozone concentration by employing artificial neural networks | |
Qing-Dao-Er-Ji et al. | Research on data mining algorithm of meteorological observation based on data quality control algorithm | |
CN117805502B (zh) | 一种基于大数据的城市电磁辐射监测方法及*** |
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 |