CN115619008A - 空气质量预测方法、装置、设备和计算机可读存储介质 - Google Patents
空气质量预测方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115619008A CN115619008A CN202211168352.9A CN202211168352A CN115619008A CN 115619008 A CN115619008 A CN 115619008A CN 202211168352 A CN202211168352 A CN 202211168352A CN 115619008 A CN115619008 A CN 115619008A
- Authority
- CN
- China
- Prior art keywords
- air quality
- quality prediction
- data
- time interval
- space
- 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 33
- 230000008859 change Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了一种空气质量预测方法、装置、设备和计算机可读存储介质，属于环境监测技术领域。所述方法包括确定空气质量预测的时空范围；确定所述时空范围内的气象预报数据及排放源预测数据；将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔。可以按需灵活调节空气质量预测的时间间隔，节省计算资源。
Description
技术领域
本公开的实施例一般涉及环境监测领域，并且更具体地，涉及空气质量预测方法、装置、设备和计算机可读存储介质。
背景技术
空气质量越来越受政府和大众所重视，与此相对应的空气污染预报模式的研究也得到了很大的发展。当前常用的空气质量预报方式主要有：数值预报、统计预报两种方法。数值预报主要利用空气质量模式将复杂的大气物理、化学模式系统化，建立污染物排放、气象、化学反应相关的模型，模拟空气质量的变化。事实上除气象数据外，数值预报还需要较为准确的污染物排放数据、详细的地理环境数据、边界条件等，并需要做大量的计算。现有计算资源往往无法满足越来越精细化的空气质量预测需求。
发明内容
根据本公开的实施例，提供了一种空气质量预测方案。
在本公开的第一方面，提供了一种空气质量预测方法。该方法包括：确定空气质量预测的时空范围；确定所述时空范围内的气象预报数据及排放源预测数据；将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔；将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法包括：根据预先训练的排放源数据预测模型，得到从第一时刻开始的第1至n个第一预设时间间隔的排放源预测数据，其中，n为大于等于1的正整数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据包括：将第1至n个第一预设时间间隔的排放源预测数据、气象预报数据输入预先训练的空气质量预测模型，得到第1至n个第一预设时间间隔的空气质量预测数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述空气质量模型是通过以下步骤训练得到的：根据历史排放源数据、历史气象数据及历史空气质量数据生成训练集；通过所述训练样本对预设的神经网络模型进行训练；其中，所述神经网络模型为RNN循环神经网络模型或LSTM长短期记忆模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测，包括：确定空气质量预测数据的变化率超过预设阈值的网格点及对应的时间范围；将所述网格点以及对应的时间范围的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第二时间间隔进行预测，得到所述时空范围内的空气质量预测数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合包括：将未以第二时间间隔进行预测的网格点以及对应的时间范围，以第一时间间隔进行预测得到的空气质量预测数据进行插值；得到所述时空范围内的以第二时间间隔进行预测的空气质量预测数据。
在本公开的第二方面，提供了一种空气质量预测装置。该装置包括：时空范围确定模块，用于确定空气质量预测的时空范围；
数据模块，用于确定所述时空范围内的气象预报数据及排放源预测数据；预测模块，用于将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；所述预测模块，还用于根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔；融合模块，用于将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
在本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本公开的实施例的空气质量预测方法的流程图；
图2示出了根据本公开的实施例的空气质量预测装置的方框图；
图3示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的空气质量预测方法100的流程图。
在框102，确定空气质量预测的时空范围；其中，所述时空范围包括地理区域、时间范围。
在一些实施例中，所述时空范围包括地理区域、时间范围。所述地理区域包括一个或多个格网点，所述时间范围可以是从当前时间开始的时间范围，也可以是当前时间之后的任意时间开始的时间范围。在实际操作中，一般都要提前进行空气质量预测，例如，提前1天、12小时等等。
在一些实施例中，所述时间范围以天为单位。
在框104，确定所述时空范围内的气象预报数据及排放源预测数据；
在一些实施例中，根据预先训练的排放源数据预测模型，得到所述地理区域、时间范围从第一时刻开始的第1至n个第一预设时间间隔的排放源预测数据。
在一些实施例中，获取所述地理区域内每个格网点在所述评估时间范围内的气象预报数据；
在一些实施例中，根据从安装有监测设备的排放源获取排放参数监测数据，根据所述排放参数监测数据以及对应的时间(包括月份、工作日、每天中的不同时间等信息)生成训练样本，对预设的神经网络模型进行训练，建立排放源数据预测模型；其中，排放源数据预测模型可以体现待进行空气质量预测的区域的排放源的排放参数随时间变化的规律。
在一些实施例中，排放参数随时间变化的规律包括根据季度、月份、周(工作日)、天(小时)等时间变化的规律。
在一些实施例中，所述排放源数据可以包括二氧化硫浓度、氮氧化物浓度、臭氧浓度或总悬浮颗粒物浓度中的一种或多种，也可以是对二氧化硫浓度、氮氧化物浓度、臭氧浓度或总悬浮颗粒物浓度进行加权处理得到的。
通过本步骤，可以对待进行空气质量预测的区域的排放源的排放参数进行预测，作为本地污染源参数，为进一步进行空气质量预测提供基础。
在框106，将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；
在一些实施例中，将第1至n个第一预设时间间隔的排放源预测数据、气象预报数据输入预先训练的空气质量预测模型，得到第1至n个第一预设时间间隔的空气质量预测数据。其中，第1至n个第一预设时间间隔是从当前时刻开始的。
在一些实施例中，获取所述地理区域内每个格网点在所述时间范围内的气象预报数据；所述气象预报数据可以是在所述时间范围内以第一预设时间间隔进行预报的。
在一些实施例中，所述空气质量预测模型是通过以下步骤训练得到的：
根据历史排放源数据、历史气象数据及历史空气质量数据生成训练集；其中，历史排放源数据为从安装有监测设备的排放源获取的排放参数监测数据；历史气象数据为气象监测数据；历史空气质量数据为空气质量监测数据，通过采用历史数据生成样本训练空气质量预测模型后，可以将对应的气象预报数据和排放源预测数据输入训练后的空气质量预测模型，即可得到对应的空气质量预测数据。
在一些实施例中，所述训练集包括训练样本和标注，所述训练样本包括：第一时刻及第一时刻之前的多个第一预设时间间隔的排放源数据、气象数据，所述标注包括：第一时刻及及第一时刻之前的多个第一预设时间间隔的空气质量数据。
在一些实施例中，所述排放源数据、气象数据与所述空气质量数据的时间间隔可以不同。
在一些实施例中，所述气象数据包括露点、温度、风向、风速、累积小时雪量和累积小时雨量等数据。
通过所述训练样本对预设的神经网络模型进行训练；其中，所述神经网络模型可以是RNN循环神经网络模型或LSTM长短期记忆模型。
在框108，根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔；
在一些实施例中，对以第一时间间隔进行预测得到的所述时空范围内的空气质量预测数据进行分析，得到每个格网点的空气质量变化规律，确定变化率大于预设阈值的格网点及对应的时间范围，其中，上述变化率为第一时间间隔内排放源排放的污染物浓度的变化量。
在一些实施例中，所述预设阈值可以根据格网点、时间的不同设置不同的数值。例如，对于居民密集区，其变化率阈值可以设置较低，以实现测试结果的灵敏性；对于户外活动较少的时间，如夜间，其变化率阈值可以设置较高，以减少第二次空气质量预测的频率。
在一些实施例中，将所述网格点以及对应的时间范围的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第二时间间隔进行预测，得到所述时空范围内的空气质量预测数据。
在一些实施例中，所述第二时间间隔小于所述第一时间间隔。
在一些实施例中，根据每个格网点的空气质量变化率，可以设置不同的第二时间间隔，空气质量变化率越高，第二时间间隔越小，以实现第二次空气质量预测的精确性。
在框110，将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合；
在一些实施例中，将未以第二时间间隔进行预测的网格点以及对应的时间范围，以第一时间间隔进行预测得到的空气质量预测数据进行插值；得到所述时空范围内的以第二时间间隔进行预测的空气质量预测数据。
在一些实施例中，对每一个格网点，将以第二时间间隔进行预测的空气质量预测数据对所述时间范围内，以第一时间间隔进行预测的空气质量预测数据进行替换。即，存在第二时间间隔进行预测的空气质量预测数据的，以第二时间间隔进行预测的空气质量预测数据为准。由于第一时间间隔与第二时间间隔不同，可以根据第二时间间隔，对以第一时间间隔进行预测得到的空气质量预测数据进行插值，得到对应的以第二时间间隔进行预测得到的空气质量预测数据，由于这部分数据的变化率小于预设阈值，因此，进行插值不会影响其精度。
在一些实施例中，所述融合为同时存储以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据，根据需要显示对应的空气质量预测数据。
根据本公开的实施例，实现了以下技术效果：
可以快速得到粗略空气质量预测数据；根据粗略空气质量预测数据的变化率，确定是否需要进行针对性的精细化空气质量预测；实现了计算速度、计算量与计算精度的均衡。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图2示出了根据本公开的实施例的空气质量预测装置200的方框图。
如图2所示，装置200包括：
时空范围确定模块202，用于确定空气质量预测的时空范围；
数据模块204，用于确定所述时空范围内的气象预报数据及排放源预测数据；
预测模块206，用于将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；
所述预测模块206，还用于根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔；
融合模块208，用于将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的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。
图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。如图所示，设备300包括中央处理器(CPU)301，其可以根据存储在只读存储器(ROM)302中的计算机程序指令或者从存储单元308加载到随机存取存储器(RAM)303中的计算机程序指令，来执行各种适当的动作和处理。在RAM 303中，还可以存储设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出接口(I/O接口)305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
CPU 301执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由CPU 301执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，CPU 301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM、光纤、CD-ROM、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种空气质量预测方法，其特征在于，包括：
确定空气质量预测的时空范围；
确定所述时空范围内的气象预报数据及排放源预测数据；
将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；
根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔；
将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
根据预先训练的排放源数据预测模型，得到从第一时刻开始的第1至n个第一预设时间间隔的排放源预测数据，其中，n为大于等于1的正整数。
3.根据权利要求2所述的方法，其特征在于，将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据包括：
将第1至n个第一预设时间间隔的排放源预测数据、气象预报数据输入预先训练的空气质量预测模型，得到第1至n个第一预设时间间隔的空气质量预测数据。
4.根据权利要求1所述的方法，其特征在于，所述空气质量预测模型是通过以下步骤训练得到的：
根据历史排放源数据、历史气象数据及历史空气质量数据生成训练集；
通过所述训练样本对预设的神经网络模型进行训练；其中，所述神经网络模型为RNN循环神经网络模型或LSTM长短期记忆模型。
5.根据权利要求1所述的方法，其特征在于，根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测，包括：
确定空气质量预测数据的变化率超过预设阈值的网格点及对应的时间范围；
将所述网格点以及对应的时间范围的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第二时间间隔进行预测，得到所述时空范围内的空气质量预测数据。
6.根据权利要求1所述的方法，其特征在于，以第二时间间隔进行预测，得到所述时空范围内的空气质量预测数据包括：
根据所述变化率确定对应的第二时间间隔。
7.根据权利要求1所述的方法，其特征在于，将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合包括：
将未以第二时间间隔进行预测的网格点以及对应的时间范围，以第一时间间隔进行预测得到的空气质量预测数据进行插值；
得到所述时空范围内的以第二时间间隔进行预测的空气质量预测数据。
8.一种空气质量预测装置，其特征在于，包括：
时空范围确定模块，用于确定空气质量预测的时空范围；
数据模块，用于确定所述时空范围内的气象预报数据及排放源预测数据；
预测模块，用于将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型，以第一时间间隔进行预测，得到所述时空范围内的空气质量预测数据；
所述预测模块，还用于根据所述时空范围内的空气质量预测数据的变化，对变化率超过阈值的时空范围，以第二时间间隔进行预测；其中，所述第一时间间隔大于所述第二时间间隔；
融合模块，用于将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211168352.9A CN115619008A (zh) | 2022-09-23 | 2022-09-23 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211168352.9A CN115619008A (zh) | 2022-09-23 | 2022-09-23 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115619008A true CN115619008A (zh) | 2023-01-17 |
Family
ID=84859006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211168352.9A Pending CN115619008A (zh) | 2022-09-23 | 2022-09-23 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619008A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
| CN112684102A (zh) * | 2019-10-17 | 2021-04-20 | 霍尼韦尔国际公司 | 用于空气质量维护的装置和方法 |
| CN112819218A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、系统及存储介质 |
| CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
| CN113537563A (zh) * | 2021-06-10 | 2021-10-22 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
-
2022
- 2022-09-23 CN CN202211168352.9A patent/CN115619008A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170124461A1 (en) * | 2015-10-28 | 2017-05-04 | International Business Machines Corporation | Air quality forecast by adapting pollutant emission inventory |
| CN112684102A (zh) * | 2019-10-17 | 2021-04-20 | 霍尼韦尔国际公司 | 用于空气质量维护的装置和方法 |
| CN112819218A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、系统及存储介质 |
| CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
| CN113537563A (zh) * | 2021-06-10 | 2021-10-22 | 中科三清科技有限公司 | 污染应急管控效果评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113283630A (zh) | 空气质量预测方法、装置、设备和计算机可读存储介质 | |
| US10636293B2 (en) | Uncertainty modeling in traffic demand prediction | |
| CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
| CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
| CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
| US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
| CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN115358332A (zh) | 面向多源数据的大气污染溯源方法 | |
| CN113777236B (zh) | 基于排放源的空气质量监控方法和装置 | |
| CN114254840B (zh) | 一种数据处理方法、电子设备及存储介质 | |
| Provan et al. | A probabilistic airport capacity model for improved ground delay program planning | |
| CN114594532B (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
| KR101860457B1 (ko) | 기상 영향 분석 방법 및 이를 수행하기 위한 장치 | |
| KR20230174207A (ko) | 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템 | |
| CN114819289A (zh) | 预测方法、训练方法、装置、电子设备及存储介质 | |
| US11488083B2 (en) | Risk failure prediction for line assets | |
| CN114417192B (zh) | 更新兴趣点poi状态的方法、装置、设备、介质及产品 | |
| CN115453541A (zh) | 降水量预测方法、装置、电子设备及存储介质 | |
| CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
| CN115619008A (zh) | 空气质量预测方法、装置、设备和计算机可读存储介质 | |
| JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
| CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 | |
| CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
| WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230117 |