用于预测空气质量的系统和方法技术方案

提供了一种用于预测空气质量的系统，包括：确定单元，被配置为根据距离阈值来确定待测地点的邻近区域；训练单元，被配置为训练预测模型以获得所述预测模型的最优参数，其中所述预测模型是基于风向和所述邻近区域的空间特征而构建的；以及预测单元，被配置为利用具有所述最优参数的所述预测模型来预测待测地点的空气质量。还提供了一种用于预测空气质量的方法。本发明专利技术通过将风向因素与地理信息结合，充分利用了相邻区域间的关联性，提高了空气污染预测的精确度。

【技术实现步骤摘要】

本申请涉及数据分析领域，具体涉及一种。
技术介绍
空气污染与空气质量越来越被人们重视。但由于空气污染物检测设备通常造价很 高、操作麻烦，所W利用其它环境信息（如温度、湿度及可见度等）对空气中有害颗粒（如 PM 2. 5等）进行预测具有极高的社会效益和经济价值。 通常，借助历史信息、邻近地区信息等污染物变化信息，对未来时间段和不具有实 地检测条件的空间进行污染物浓度预测。为了预测浓度，主要依赖于统计方法去寻找污染 物浓度分布相似的站点，对待测站点的浓度进行拟合。然而，各种环境因素的实时变化导致 地理上相邻点的污染物浓度信息无法被直接运用到实际的预测当中。
技术实现思路
空气污染物浓度除了和地理位置相近有关，很大程度上受到风向的影响。随着风 向变化，不同站点间的污染物浓度关系会产生很大变化。比如，当风向发生180度的变化 时，原来处在上风向的台站就变成了下风向的台站，而台站间的相互关系也发生了变化。为 了提高预测能力，本专利技术对风向造成的相邻区域的污染物浓度变化进行建模，从而对无监 测站的地点的污染物浓度进行实时预测。 根据本专利技术的第一方面，提供了一种用于预测空气质量的系统，包括：确定单元， 被配置为：根据距离阔值来确定待测地点的邻近区域；训练单元，被配置为：训练预测模型 W获得所述预测模型的最优参数，其中，所述预测模型是基于风向和所述邻近区域的空间 特征而构建的；W及预测单元，被配置为：利用具有所述最优参数的所述预测模型来预测 待测地点的空气质量。 在一个实施例中，邻近区域的空间特征包括数值型特征和布尔型特征。 在一个实施例中，数值型特征包括W下一项或更多项；邻近区域中的监测站处测 量的风速、温度、湿度、降水量，W及邻近区域中的监测站之间的距离和夹角。 在一个实施例中，布尔型特征包括W下一项或更多项；邻近区域中的监测站的相 对方位是否满足特定条件，W及邻近区域中的监测站的相对距离是否大于阔值。 在一个实施例中，训练单元被配置为；针对邻近区域中的任意两个监测站，计算所 述任意两个监测站的空间特征和预测值；W及针对邻近区域中的所有监测站，根据计算出 的任意两个监测站的空间特征和预测值，计算预测模型的最优参数，使得通过具有最优参 数的预测模型得到的预测值与真实测量值之差的绝对值之和最小。 在一个实施例中，预测单元被配置为：利用待测地点的邻近区域的空间特征，计算 邻近区域中的各个监测站的预测值的加权求和，由此来预测待测地点的空气质量。 在一个实施例中，用于每一个监测站的权重与该监测站的训练误差的倒数成正 比，所述训练误差与该监测站的真实测量值和通过具有最优参数的预测模型得到的预测值 的差有关。 根据本专利技术的第二方面，提供了一种用于预测空气质量的方法，包括：根据距离阔 值来确定待测地点的邻近区域；训练预测模型W获得所述预测模型的最优参数，其中，所述 预测模型是基于风向和邻近区域的空间特征而构建的；W及利用具有最优参数的预测模型 来预测待测地点的空气质量。 在一个实施例中，邻近区域的空间特征包括数值型特征和布尔型特征。 在一个实施例中，数值型特征包括W下一项或更多项；邻近区域中的监测站处测 量的风速、温度、湿度、降水量，W及邻近区域中的监测站之间的距离和夹角。 在一个实施例中，布尔型特征包括W下一项或更多项；邻近区域中的监测站的相 对方位是否满足特定条件，W及邻近区域中的监测站的相对距离是否大于阔值。 在一个实施例中，针对所述邻近区域中的任意两个监测站，计算任意两个监测站 的空间特征和预测值；W及针对邻近区域中的所有监测站，根据计算出的任意两个监测站 的空间特征和预测值，计算预测模型的最优参数，使得通过具有最优参数的预测模型得到 的预测值与真实测量值之差的绝对值之和最小。 在一个实施例中，利用待测地点的邻近区域的空间特征，计算邻近区域中的各个 监测站的预测值的加权求和，由此来预测待测地点的空气质量。 在一个实施例中，用于每一个监测站的权重与该监测站的训练误差的倒数成正 比，所述训练误差与该监测站的真实测量值和通过具有最优参数的预测模型得到的预测值 的差有关。 本专利技术通过将风向因素与地理信息结合，克服了邻近区域污染物指数之间关系不 稳定的问题，充分利用了相邻区域间的关联性，提高了空气污染预测的精确度。【附图说明】 通过下文结合附图的详细描述，本专利技术的上述和其它特征将会变得更加明显，其 中： 图1是示出了根据本专利技术的用于预测空气质量的系统的框图。 图2是示出了根据本专利技术的用于确定邻近区域的示意图。 图3是示出了根据本专利技术的两个示例监测站与风向的关系的示意图。 图4是示出了根据本专利技术的待测地点与邻近的监测站的示意图。 图5是示出了根据本专利技术的待测地点与邻近的监测站的示意图。 图6是示出了根据本专利技术的用于预测空气质量的方法的流程图。【具体实施方式】 下面，通过结合附图对本专利技术的具体实施例的描述，本专利技术的原理和实现将会变 得明显。应当注意的是，本专利技术不应局限于下文所述的具体实施例。另外，为了简便起见， 省略了与本专利技术无关的公知技术的详细描述。 图1是示出了根据本专利技术的用于预测空气质量的系统的框图。如图1所示，系统 10包括确定单元110、训练单元120和预测单元130。下面，详细描述用于预测空气质量的 系统10中的各个单元的操作。 确定单元110根据距离阔值来确定待测地点的邻近区域。通过定义距离阔值，获 得待测地点的邻近监测站。距离阔值可W依靠经验来确定。距离阔值越大，则待测地点的 邻近监测站的数目越多。图2是示出了根据本专利技术的用于确定邻近区域的示意图。如图2 所示，P表示待测地点。当确定距离阔值后，郝些距离P小于送一距离阔值的监测站A、B、 C、D被看成P的邻近监测站，而距离P大于送一距离阔值的监测站E和F不被看成P的邻 近监测站，因此监测站E和F的空气污染指数不用于预测P点的污染指数。 训练单元120训练预测模型W获得所述预测模型的最优参数，该预测模型是基于 风向和邻近区域的空间特征而构建的。在本专利技术的一个实施例中，邻近区域的空间特征可 W包括数值型特征和布尔型特征。例如，数值型特征可W包括W下一项或更多项：邻近区域 中的监测站处测量的风速、 温度、湿度、降水量，W及邻近区域中的监测站之间的距离和夹角。布尔型特征可 W包括W下一项或更多项；邻近区域中的监测站的相对方位是否满足特定条件，W及邻近 区域中的监测站的相对距离是否大于阔值。下面，结合附图3来说明数值型特征和布尔型 特征的示例。 如图3所示，从监测站A的角度出发，A包括与邻近监测站B的一组数值型特征。 例如，该数值型特征可W是A和B之间的距离或夹角，W及其他特征（例如距离乘W夹角、 距离乘W夹角乘W风速等）。同时，A也包含与其他监测站无关的数值型特征，例如风速、温 度、湿度、降水量等。需要注意的是，A与B之间的夹角是W A为起点的风向为基准而计算 的夹角，取值范围是大于等于0度且小于等于180度。 此外，监测站A还当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种用于预测空气质量的系统，包括：确定单元，被配置为：根据距离阈值来确定待测地点的邻近区域；训练单元，被配置为：训练预测模型以获得所述预测模型的最优参数，其中，所述预测模型是基于风向和所述邻近区域的空间特征而构建的；以及预测单元，被配置为：利用具有所述最优参数的所述预测模型来预测待测地点的空气质量。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘博，邬亮，胡卫松，刘晓炜，
申请(专利权)人：日本电气株式会社，
类型：发明
国别省市：日本;JP