空气质量预报系统技术方案

本申请提供一种空气质量预报系统，包括：环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；云计算数据处理平台，用于：接收所述空气监测数据；采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。

Air quality prediction system

The invention provides an air quality forecasting system, including: environmental quality detection sensor configuration in pollution source, used to collect air monitoring data, and the data processing platform of collected air monitoring data to the cloud computing; cloud computing data processing platform for receiving the air monitoring data; the prediction model of resources the distribution of neural network and smooth support vector regression based on the monitored air quality, regional air quality forecast, the monitoring stations of air quality forecast data, and the predicted data pushed to the intelligent terminal related to air quality; according to the forecast data of air monitoring data of pollution sources and the monitoring stations of air quality the Gauss point source diffusion model of pollution source monitoring data and air quality monitoring sites between the predicted data phase To make visual display.

【技术实现步骤摘要】
空气质量预报系统
本申请涉及环境质量监测
，尤其涉及空气质量预报系统。
技术介绍
随着工业化的不断发展，环境污染也日趋严重，空气中的细颗粒物（PM2.5）浓度越来越高，全国多个城市雾霾频发，公众对于空气质量的关注度不断提升，而目前许多城市的环境空气监测中心站点较少，加之信息化水平不够发达，难以满足公众详细了解空气质量状况的需求。大量增加空气监测站点部署、广泛开展空气质量监测的重要性日益突出，而一套传统的空气质量监测仪器的价格非常昂贵，建设更多的环境监测站点需要巨大的资金投入，成本太高。空气质量预测领域中常用的有统计预报方法，根据常年监测数据，建立统计预报模型，模型简单，业务运行方便，但缺乏坚实的物理基础；另有一基于大气物理学和物质输运模型的数值预报模型，虽然物理基础坚实，预报结果全面，但模式所需要的边界、初始条件不易给出，预报结果精度不很高。
技术实现思路
为克服相关技术中存在的问题，本申请提供了一种空气质量预报系统。根据本申请实施例的第一方面，提供一种空气质量预报系统，包括：环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；云计算数据处理平台，用于：接收所述空气监测数据；采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。本申请的实施例提供的技术方案可以包括以下有益效果：本申请提出一个基于资源分配网络的神经网络和光滑向量回归机预测模型，利用RAN神经网络的距离准则和误差准则，进行隐层节点的动态生成和参数调节，生成能满足误差要求的最小神经网络结构，避免了网络中隐含节点个数和初始网络参数难以选取的缺点；采用光滑的支持向量回归机取代传统的支持向量回归机，可以实现高效高性能的质量建模与控制，比传统算法更精确、效率更高。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1是本申请根据一示例性实施例示出的一种空气质量预报系统的结构框图。图2是本申请根据一示例性实施例示出的一种资源分配网络的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。如图1所示，是本申请根据一示例性实施例示出的一种空气质量预报系统的结构框图，包括环境质量检测传感器、云计算数据处理平台和智能终端。其中，环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台。云计算数据处理平台，用于：接收所述空气监测数据。采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端。根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。本申请实施例提出并设计了基于物联网和云计算的城市空气质量预报和危害预警系统。云平台能够满足实时访问空气质量的预报和危害预警数据。具有实时推送性、预报预警性、准确性等特点，通过发送给智能终端，可以使用户通过智能手机等终端方便地浏览和访问数据及形象的数据变化图。本实施例提出一个基于资源分配网络的神经网络和光滑向量回归机预测模型，利用RAN神经网络的距离准则和误差准则，进行隐层节点的动态生成和参数调节，生成能满足误差要求的最小神经网络结构，避免了网络中隐含节点个数和初始网络参数难以选取的缺点；采用光滑的支持向量回归机取代传统的支持向量回归机，可以实现高效高性能的质量建模与控制，比传统算法更精确、效率更高。本实施例基于高斯点源扩散模式，建立城市空气污染源排放监测数据与城市空气质量监测数据的相关性矩阵，可实现在给定气象条件下的城市区域内任意选定污染源排放监测数据对各环境质量监测站点的污染物浓度值贡献率，并对两者的相关性可进行可视化分析。本申请实施例采用人工神经网络进行城市或区域的空气质量预测，可以不必使用显式的方程来确定模型而是依据输入的数据创建模型。借助神经网络的非线性问题处埋能力和容噪能力，根据不同的实际情况，构建特定情况下的人工神经网络预测模型，在实验和训练的基础上，改进网络结构，弥补传统算法的不足之处，提高网络的泛化能力。可以为环境管理工作提供一些新的思路方法，同时也可以为充分利用环境信息管理系统中的海量数据提供决策依据，寻找一种切实可行的方法。城市空气质量监测和预报数据是一种具有时间和空间特性的数据，能够在一定程度上反映出空气质量变化的规律。由于建立数量众多的环境空气质量监测点位需要投入的费用成本很高，对大范围区域的空气污染物浓度值进行完全准确的监测目前尚不可行，因此，利用插值理论和方法对区域内各监测点位的监测数据和预报数据的插值来获得全区域内的空气污染物浓度的分布状况就变得可行，通过插值得到的区域内各空间点位的空气质量(污染物浓度值)数据也可以作为评估该区域内大气环境质量的一个重要依据。空气污染扩散的研究己经与气象学、大气化学等学科密切结合形成了一门新的学科:空气污染气象学。从上世纪50年代开始，空气污染气象学逐渐形成体系，出现了箱模型，高斯模型、拉格朗日模型、欧拉模型、稠密气体模型等五类模型。最早高斯模型能够预测局部小尺度的扩散，随后以高斯模型为基础研究得到了针对其他地形和天气条件的修正模型，虽然到目前为止高斯模型仍然是大部分实用模型的基础，但是因为它是基于污染浓度符合高斯分布的假设，模拟的精度和适用的条件都难以应付大尺度复杂气象条件下空气质量的预报。随着计算机的发展，对大气污染扩散模型的研究发展主要以数值求解来进行。大气污染扩散可以用一套基于流体力学的数学方程来描述，由于计算机能力的提高，可以直本文档来自技高网...

【技术保护点】
一种空气质量预报系统，其特征在于，包括：环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；云计算数据处理平台，用于：接收所述空气监测数据；采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。

【技术特征摘要】
1.一种空气质量预报系统，其特征在于，包括：环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；云计算数据处理平台，用于：接收所述空气监测数据；采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。2.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中，通过资源分配网络以及多项式光滑支持向量回归机模型训练得到；其中，所述资源分配网络的网络结构包括输入层、隐含层和输出层；采用径向基函数作为隐含层神经元节点的基，构成隐含层；将输入层矢量直接映射到隐含层；隐层到输出层的映射为线性映射；采用多项式光滑支持向量回归机模型作为目标函数，无约束最优化回归问题模型为：。3.根据权利要求2所述的方法，其特征在于，所述隐含层中的神经元节点的激励函数采用径向基函数，采用高斯函数，对于第J个神经元节点，其局部映射输出通过下式表示：。4.根据权利要求2所述的方法，其特征在于，所述空气质量预测模型的输入数据为所述空气监测数据，所述空气质量预测模型的输出数据为空气质量预测数据，所述空气质量预测模型的输出数据通过下式计算得到：。5.根据权利要求3所述的方法，其特征在于，所述资源分配网络在训练过程中通过神经元节点分配策略和参数调节策略来动态生成隐层结合和调节网络结构的相关参数；所述神经元节点分配策略通过检查训练样本对集，判断是否满足新颖性条件来动态分配一个神经元节点，参数调节策略通过调节网络参数而提高网络精度。6.根据权利要求2所述的方法，其特征...

【专利技术属性】
技术研发人员：任斌，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：广东,44