CN117420052A - 一种融合多尺度时空信息的pm2.5预测方法 - Google Patents
一种融合多尺度时空信息的pm2.5预测方法 Download PDFInfo
- Publication number
- CN117420052A CN117420052A CN202311299472.7A CN202311299472A CN117420052A CN 117420052 A CN117420052 A CN 117420052A CN 202311299472 A CN202311299472 A CN 202311299472A CN 117420052 A CN117420052 A CN 117420052A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- training
- vegetation coverage
- scale
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Ecology (AREA)
- Evolutionary Biology (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合多尺度时空信息的PM2.5预测方法,该方法包括以下步骤:(1)获取得到区域污染监测数据和气象特征数据,分为训练数据和测试数据;(2)利用蚁群优化二叉树对气象数据进行主元成分分析;(3)获取得到区域地理空间坐标及森林覆盖率数据,并分为训练数据和预测数据;(4)构建多尺度二维空间植被覆盖栅格图;(5)构建空间注意力机制的LSTM网络(SLSTM);(6)基于多尺度空间覆盖栅格图与气象主元成分,利用SLSTM进行训练;(7)基于步骤(6)的训练模型对测试数据进行预测,得到预测区域的PM2.5值。本发明融合多尺度的时空气象数据与地理空间信息数据,对多元气象特征进行蚁群优化,在减少非重要因素对预测精度影响的同时,也加快了网络预测效率。
Description
技术领域
本发明属于环保监测技术领域,具体涉及一种融合多尺度时空信息的PM2.5预测方法。
背景技术
PM2.5(空气动力直径小于2.5μm的颗粒)作为大气中的主要污染物,富含大量的有毒有害物质,可直接进入人体肺部,且在大气中停留时间长,传输距离远,因此对公众健康和社会经济发展均具有较大的负面影响。
当前国内对PM2.5的监测主要靠国家设立的监测站来完成,其数据较为可靠,精度较高。然而,因监测站分布不均匀,主要集中一些城区周边,同时覆盖范围较为有限,难以做到较大范围内的PM2.5监测与预测。而现有一些传统插值***和基于LSTM预测***则很少考虑PM2.5监测数据与气象数据的关系以及空间特征性,因此难以做到较高精度的预测。
发明内容
本发明考虑PM2.5监测数据与长时间的气象数据以及地理空间植被覆盖信息之间的关联性,提出了一种融合多尺度时空信息的PM2.5预测方法,能够提高预测模型在较大范围内的预测精度。
为了实现上述目的,本发明采用的技术方案如下:
一种融合多尺度时空信息的PM2.5预测方法,融合地理信息及时间序列上的气象信息,在多尺度时空维度上进行预测,有效提高了PM2.5预测的准确性及其在不同地域上的预测的泛化性,具体方法步骤如下:
S1:准备区域污染监测数据和气象数据,并基于蚁群优化对特征进行主因素选取;
S2:准备区域范围内地理坐标数据及森林覆盖信息,进行空间信息栅格图生成;
S3:结合LSTM与空间注意力机制构建SLSTM预测网络;
S4:融合气象数据与空间信息,在多尺度栅格图上利用SLSTM网络进行PM2.5预测。
进一步的,S1中准备区域污染监测数据和气象数据,并基于蚁群优化对特征进行主因素选取的具体步骤如下:
步骤(1)获取区域范围内不同时间段内的污染检测数据PM2.5值;
步骤(2)获取选取区域选取时间段内的气象特征数据,包括但不局限于温度、湿度、气压、风向、风速、水气压、降水量等;
步骤(3)对获取得到气象数据进行预处理,删除异常值及缺失值填充;
步骤(4)构建蚁群优化二叉树,将气象特征集作为输入,获取得到主元特征集。
进一步的,S2中准备区域范围内地理坐标数据及森林覆盖信息,进行空间信息栅格图生成特征包括以下步骤:
步骤(1)获取得到区域范围内的地理坐标(经纬高),以及对应区域的森林覆盖率统计信息;
步骤(2)基于空间地理坐标信息,人工设定地理空间分辨率,将区域划分为二维地理空间栅格图;
步骤(3)利用获取得到植被覆盖率归一化到0-255之间,作为获取得到的二维地理空间栅格图的像素填充值进行填充;
步骤(4)对于尚未填充的区域,一律进行赋0值操作,从而获取得到地理空间森林覆盖栅格图。
进一步的,S3中的结合LSTM与空间注意力机制构建SLSTM预测网络具体是先选取一种长短期记忆网络(LSTM);然后将地理空间信息作为一种注意力因素,加入该LSTM网络中,从而构建一种空间注意力机制的LSTM网络,即Spatial-LSTM,通常也可以选取现有Spatial-LSTM网络。
进一步的,S4中融合气象特征数据与空间信息,在多尺度栅格图上利用SLSTM网络进行PM2.5预测包括以下步骤:
步骤(a)将获取得到地理空间栅格图,进行降采样,获取不同尺度下的空间信息图;
步骤(b)将不同尺度下的空间信息图和气象特征作为输入,将其输入到SLSTM网络中进行训练,获取得到融合多尺度时空信息的PM2.5预测模型;
步骤(c)将需要预测地理数据和气象数据准备好后,作为输入,利用步骤(b)获取得到预测模型进行预测,得到对应区域内的PM2.5值。
上述技术方案可以得到以下有益效果:
1、本发明对气象数据基于蚁群优化进行主元成分分析,获取得到对PM2.5值影响较大的主元成分。不仅能够减少网络输入的数据要求,同时也尽量较少了非重要因素对PM2.5预测值的影响,提高预测精度。
2、本发明的PM2.5预测模型充分考虑了地理空间植被分布对PM2.5的影响,将其构建成基于地理空间的植被覆盖栅格图。同时考虑到区域间PM2.5值的相关性,提出了多尺度下的地理空间注意力机制的LSTM网络,提高了PM2.5预测模型的精度和泛化能力。
附图说明
图1是方法流程图。
图2是气象特征的蚁群优化二叉树示意图。
图3是空间注意力机制LSTM网络示意图。
具体实施方式
下面结合附图对本发明做进一步的说明:
如图1-3所示,一种融合多尺度时空信息的PM2.5预测方法,包括以下步骤:
步骤1,获取得到区域污染监测数据和气象特征数据,分为训练数据和测试数据;
步骤1.1,从气象监测站获取得到选取区域选定时间段内的污染监测数据此处主要指PM2.5值,以及对应时间段内的气象数据,本实施例中主要获取得到温度、湿度、气压、风向、风速、水气压、降水量七种气象特征;
步骤1.2,对获取得到的气象数据进行异常值及填充处理,具体为将获取得到的气象数据进行异常值删除,同时利用空间插值方法对缺失的数据进行空间插值得到对应时间段及区域内的气象数据,保证数据的连续性;
步骤1.3,将获取得到的PM2.5值及对应区域内的气象数据基于地理空间分为10等分,并基于K折交叉验证方法进行训练集与测试集划分。
步骤2,利用蚁群优化二叉树对气象数据进行主元成分分析;
步骤2.1,如图1所示,为构建的基于气象特征的蚁群优化二叉树;
步骤2.2,将时间上具备前后关系的PM2.5值作为蚁群优化的起始点;
步骤2.3,将该时间段内的气象特征作为优化路径上的节点,且每个节点均设置为经过1和未经过0;
步骤2.4,基于量子化信息素蚁群优化(quantized pheromone ant colonyoptimization,QPACO)对气象特征进行选取,其特征路径转移概率为公式1所示:
式中,ix,jy分别表示特征i和j中的子节点,本实施例中指七类气象特征集;C表示蚂蚁能够访问且尚未被访问到的节点集合;τ表示子节点间的信息素;μ表示子节点间的启发式信息;α,β是确定信息素和启发信息值的两个参数,人工进行设定;其中信息素τ及启发式信息μ可参考QPACO进行计算即可。
步骤2.5,基于步骤2.4的优化策略,获取得到对PM2.5预测有较大贡献的主元特征集,从而在后续的训练及测试中作为特征集放入模型中进行学习。
步骤3,获取得到区域地理空间坐标及森林覆盖率数据,并分为训练数据和测试数据;
步骤3.1,获取得到区域内的地理空间坐标(UTM坐标系下的XYZ,单位为m)和对应区域内的植被覆盖率;
步骤3.2,为了方便处理,将其坐标值进行min-max处理,即将全区域内坐标均转换到以做小坐标值为原点的区域坐标;
步骤3.3,对获取得到植被覆盖数据进行异常值及填充处理,具体的,将获取得到异常值进行提出,同时对于尚未获取到对应区域的植被覆盖率的数据默认为0;
步骤3.3,如图步骤1.3,将获取得到的将对应区域内地理坐标值及其对应的植被覆盖率基于地理空间分为10等分,并基于K折交叉验证方法进行训练集与测试集划分。
步骤4,构建多尺度二维空间植被覆盖栅格图;
步骤4.1,将步骤3获取得到地理坐标进行投影到XY坐标上,人工设定栅格图分辨率,本实施例中,选取为5×5公里的像素精度精度,作为获取得到二维地理空间栅格图;
步骤4.2,将步骤4.1地理区域内的植被覆盖率作均值计算,并将获取得到的植被覆盖率转换到0-255值之间,具体为公式X:
其中,mmax为全区域内最大的植被覆盖率,m为指定区域内的植被覆盖率;
步骤4.3,将获取得到的植被覆盖率0-255值作为步骤4.1获取得到二维地理空间栅格图的像素值进行填充,获取得到二维空间植被覆盖栅格图;
步骤4.4,对步骤4.3获取得到的二维空间植被覆盖栅格图进行降采样,按照1/4,1/8,1/16,1/32的降采样率进行降采样,获取多尺度下的二维空间植被覆盖栅格图。
步骤5,构建空间注意力机制的LSTM网络(SLSTM);
步骤5.1,选取一种长短期记忆网络(LSTM),本实施例中选取常用的LSTM即可;
步骤5.2,将地理空间信息作为一种注意力因素,加入该LSTM网络中,从而构建一种空间注意力机制的LSTM网络,即Spatial-LSTM,通常也可以选取现有Spatial-LSTM网络,如图3所示(该Spatial-LSTM网络也可选取已有开源网络)。
步骤6,基于多尺度空间覆盖栅格图与气象主元成分,利用SLSTM进行训练;
步骤6.1,将步骤2获取的气象主元特征集和步骤4获取得到多尺度下的植被覆盖栅格图作为输入,输送到步骤5构建的SLSTM网络中进行训练;
步骤6.2,基于训练数据训练获取得到PM2.5预测模型。
步骤7,基于步骤6的训练模型对测试数据进行预测,得到预测区域的PM2.5值,具体是将构建的测试集,输入步骤6获取得到预测网络中,进行预测即可。
本发明融合多尺度的时空气象数据与地理空间信息数据,对多元气象特征进行蚁群优化,在减少非重要因素对预测精度影响的同时,也加快了网络预测效率。同时,考虑相邻地域因素的影响,将三维地理信息转变成二维栅格数据,提出多尺度地理空间金字塔训练模型,显著提高了模型对PM2.5的预测精度和泛化能力。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种融合多尺度时空信息的PM2.5预测方法,其特征在于:所述方法采用的步骤具体如下:
S1:获取得到区域污染监测数据和气象数据,将数据分为训练数据和测试数据;
S2:利用蚁群优化二叉树对气象数据进行主元成分分析;
S3:获取得到区域地理空间坐标及森林覆盖率数据,并分为训练数据和测试数据;
S4:构建多尺度二维空间植被覆盖栅格图;
S5:构建空间注意力机制的LSTM网络;
S6:基于S4中的多尺度空间覆盖栅格图与S2中的气象主元成分,利用SLSTM进行训练;
S6:基于S6的训练模型对测试数据进行预测,得到预测区域的PM2.5值。
2.根据权利要求1所述的一种融合多尺度时空信息的PM2.5预测方法,其特征在于:所述S1中获取得到区域污染监测数据和气象数据,将数据分为训练数据和测试数据的具体方法如下:
步骤1:获取得到选取区域选定时间段内的污染监测数据,以及对应时间段内的气象数据;
步骤2:对获取得到的气象数据进行异常值及填充处理;
步骤3:将获取得到的污染监测数据及对应区域内的气象数据基于地理空间等分,并基于K折交叉验证方法进行训练数据和测试数据划分。
3.根据权利要求1或2所述的一种融合多尺度时空信息的PM2.5预测方法,其特征在于:污染监测数据为PM2.5值,气象数据包括但不限于温度、湿度、气压、风向、风速、水气压、降水量。
4.根据权利要求1所述的一种融合多尺度时空信息的PM2.5预测方法,其特征在于:S2中利用蚁群优化二叉树对气象数据进行主元成分分析的具体方法如下:
步骤1:构建的基于气象特征的蚁群优化二叉树;
步骤2:将时间上具备前后关系的PM2.5值作为蚁群优化的起始点;
步骤3,将该时间段内的气象特征作为优化路径上的节点,且每个节点均设置为经过1和未经过0;
步骤4,基于量子化信息素蚁群优化对气象特征进行选取,其特征路径转移概率为公式1所示:
式中,ix,jy分别表示特征i和j中的子节点,本实施例中指七类气象特征集;C表示蚂蚁能够访问且尚未被访问到的节点集合;τ表示子节点间的信息素;μ表示子节点间的启发式信息;α,β是确定信息素和启发信息值的两个参数,人工进行设定;其中信息素τ及启发式信息μ可参考QPACO进行计算即可;
步骤5,基于步骤4的优化策略,获取得到对PM2.5预测有较大贡献的主元特征集,从而在后续的训练及测试中作为特征集放入模型中进行学习。
5.根据权利要求1所述的一种融合多尺度时空信息的PM2.5预测方法,其特征在于:S3中获取得到区域地理空间坐标及森林覆盖率数据,并分为训练数据和测试数据的具体方法如下:
步骤1,获取得到区域内的地理空间坐标和对应区域内的植被覆盖率;
步骤2,将其坐标值进行min-max处理;
步骤3,对获取得到植被覆盖数据进行异常值及填充处理;
步骤4,将获取得到的将对应区域内地理坐标值及其对应的植被覆盖率基于地理空间等分,并基于K折交叉验证方法进训练数据和测试数据划分。
6.根据权利要求1或5所述的一种融合多尺度时空信息的PM2.5预测方法,其特征在于:S4中构建多尺度二维空间植被覆盖栅格图的具体方法如下:
步骤1,将S3获取得到地理坐标进行投影到XY坐标上,人工设定栅格图分辨率;
步骤2,将地理区域内的植被覆盖率作均值计算,并将获取得到的植被覆盖率转换到0-255值之间,具体为公式X:
其中,mmax为全区域内最大的植被覆盖率,m为指定区域内的植被覆盖率;
步骤3,将获取得到的植被覆盖率0-255值作为获取得到二维地理空间栅格图的像素值进行填充,获取得到二维空间植被覆盖栅格图;
步骤4,对获取得到的二维空间植被覆盖栅格图进行降采样,获取多尺度下的二维空间植被覆盖栅格图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311299472.7A CN117420052B (zh) | 2023-10-09 | 2023-10-09 | 一种融合多尺度时空信息的pm2.5预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311299472.7A CN117420052B (zh) | 2023-10-09 | 2023-10-09 | 一种融合多尺度时空信息的pm2.5预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117420052A true CN117420052A (zh) | 2024-01-19 |
CN117420052B CN117420052B (zh) | 2024-06-21 |
Family
ID=89522015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311299472.7A Active CN117420052B (zh) | 2023-10-09 | 2023-10-09 | 一种融合多尺度时空信息的pm2.5预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420052B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188956A (zh) * | 2019-05-31 | 2019-08-30 | 广州水沐青华科技有限公司 | 基于蚁群神经网络的负荷预测方法及包含该方法的***、存储器 |
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 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
CN114580696A (zh) * | 2020-12-02 | 2022-06-03 | 中国人民解放军战略支援部队信息工程大学 | 一种pm2.5浓度预测方法 |
US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
CN116432850A (zh) * | 2023-04-19 | 2023-07-14 | 淮阴工学院 | 一种基于深层神经网络的pm2.5的全覆盖预测方法 |
-
2023
- 2023-10-09 CN CN202311299472.7A patent/CN117420052B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188956A (zh) * | 2019-05-31 | 2019-08-30 | 广州水沐青华科技有限公司 | 基于蚁群神经网络的负荷预测方法及包含该方法的***、存储器 |
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 |
CN112183625A (zh) * | 2020-09-28 | 2021-01-05 | 武汉大学 | 一种基于深度学习的pm2.5高精度时空预测方法 |
CN114580696A (zh) * | 2020-12-02 | 2022-06-03 | 中国人民解放军战略支援部队信息工程大学 | 一种pm2.5浓度预测方法 |
CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
CN116432850A (zh) * | 2023-04-19 | 2023-07-14 | 淮阴工学院 | 一种基于深层神经网络的pm2.5的全覆盖预测方法 |
Non-Patent Citations (2)
Title |
---|
"Accurate Multi-Site Daily-Ahead Multi-Step PM2.5 Concentrations Forecasting Using Space-Shared CNN-LSTM", COMPUTERS, MATERIALS & CONTINUA, vol. 70, no. 03, 31 December 2022 (2022-12-31), pages 5143 - 5160 * |
李占山 等: "量子化信息素蚁群优化特征选择算法", 东北大学学报(自然科学版), vol. 41, no. 01, 31 January 2020 (2020-01-31), pages 17 - 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN117420052B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932036B (zh) | 基于位置大数据的精细时空尺度动态人口预测方法及*** | |
CN111896680B (zh) | 基于卫星遥感数据的温室气体排放分析方法及*** | |
CN113344291B (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN112785034B (zh) | 基于融合神经网络的台风路径预报方法、***、介质及终端 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、***及电子设备 | |
CN114647819A (zh) | 基于图卷积网络的环境数据的格点处理方法 | |
CN113610286A (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
CN111210483A (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN112016696A (zh) | 融合卫星与地基观测的pm1浓度反演方法及*** | |
CN111461423B (zh) | 一种高精度网格化空气质量推断方法、***、终端设备及存储介质 | |
CN113496310A (zh) | 基于深度学习模型的大气污染物预测方法和*** | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN112990609B (zh) | 基于时空带宽自适应地理加权回归的空气质量预测方法 | |
CN115079307A (zh) | 一种基于多模式最优集成的风电场气象预报方法和*** | |
CN112541655B (zh) | 一种针对区域风能资源精细化评估需求的大气再分析方法 | |
CN117420052B (zh) | 一种融合多尺度时空信息的pm2.5预测方法 | |
CN116722544A (zh) | 分布式光伏短期预测方法、装置、电子设备及存储介质 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
CN116739191A (zh) | 热点网格识别方法、装置、存储介质及电子设备 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与*** | |
Bai et al. | Convolutional Neural Network (CNN) Supported Urban Design to Reduce Particle Air Pollutant Concentrations | |
CN114360739B (zh) | 一种基于遥感云计算与深度学习的登革热风险预测方法 | |
CN117057164B (zh) | 风资源评估方法、装置、电子设备及存储介质 |
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 |