一种PM2.5浓度的数据分析和预测模型建立方法技术

本发明专利技术提供一种PM2.5浓度的数据分析和预测模型建立方法，包括如下步骤：步骤一、将PM2.5的变化过程分解为污染产生、扩散、稀释和沉降；将PM2.5的监测区域划分为多个元胞，针对每一过程分别建立元胞自动机模型；步骤二、利用历史数据对各模型中的参数进行训练，获得PM2.5数据的预测模型。本发明专利技术使用元胞自动机模型模拟和预测PM2.5浓度变化，能有效且快速地预测PM2.5浓度的变化过程。

A method for data analysis and prediction model establishment of PM2.5 concentration

The present invention provides a method to establish PM2.5 concentration data analysis and prediction model, which comprises the following steps: step one, the change process of PM2.5 decomposition for pollution, diffusion, dilution and sedimentation; the monitoring area is divided into a plurality of cellular PM2.5, cellular automaton models are established for each process step two; and using historical data to train the parameters in the model, obtain the prediction model of PM2.5 data. The invention simulates and predicts the change of PM2.5 concentration by using the cellular automaton model, and can effectively and rapidly predict the change process of PM2.5 concentration.

【技术实现步骤摘要】
一种PM2.5浓度的数据分析和预测模型建立方法
本专利技术属于天气预测
，具体涉及一种PM2.5浓度的数据分析和预测模型建立方法。
技术介绍
PM2.5指环境空气中空气动力学当量直径小于或等于2.5微米的颗粒物。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。PM2.5易附带有毒有害物质，且在大气中的停留时间长、输送距离远，严重影响人体健康和大气环境质量。受人类活动和气象条件的影响，PM2.5浓度的变化情况复杂，如何模拟PM2.5的浓度变化过程并预测变化趋势，对PM2.5的治理与人类活动有重要的指导意义。传统的复杂系统动力学研究都是以微分方程为主，从简单模型开始不断的添加复杂条件使模型更加接近真实模型。但是由于问题本身的复杂性和变化性，完全依靠方程的方法不再能处理多因素耦合的复杂问题。目前，元胞自动机模型在多领域的复杂系统动态行为研究中展现优势，它是根据复杂系统本身的基本模式设计自动机演化规则，根据其演化结果所表现出来的宏观现象，确定复杂系统的基本规律。但是元胞自动机的规则空间极其庞大，严重需要依赖人工经验缩小选择范围，其训练时间通常较长。
技术实现思路
有鉴于此，本专利技术的目的是提供一种PM2.5浓度的数据分析和预测模型建立方法，使用元胞自动机模型模拟和预测PM2.5浓度变化，能有效且快速地预测PM2.5浓度的变化过程。实现本专利技术的技术方案如下：一种PM2.5浓度的数据分析和预测模型建立方法，包括如下步骤：步骤一、将PM2.5的变化过程分解为污染产生、扩散、稀释和沉降；将PM2.5的监测区域划分为多个元胞，针对每一过程分别建立元胞自动机模型；步骤二、利用历史数据对各模型中的参数进行训练，获得PM2.5数据的预测模型。进一步地，本专利技术污染产生模型为：S(x,y,t+1)＝S(x,y,t)+S1(x,y,t)×Q(x,y,t)(3)其中，S(x,y,t)代表元胞(x,y)在t时刻PM2.5的浓度值，S1(x,y,t)代表元胞(x,y)内的污染源在t时刻产生的污染量，Q(x,y,t)代表元胞(x,y)内的污染源在t时刻产生的污染转化为PM2.5的系数，S(x,y,t+1)代表元胞(x,y)在t+1时刻PM2.5的浓度值；Q(x,y,t)＝k11T+k12H+k13R(4)其中，k11，k12，k13为待训练的模型参数，T表示温度，R表示辐射，H表示湿度。进一步地，本专利技术污染扩散模型为：第一种情况：无风时的污染物扩散e＝k21T+k22P(6)S(x,y,t+1)＝S(x,y,t)-∑Ei(8)其中，Ei为中心元胞向第i个邻居元胞Ni扩散的污染物质量，e为扩散系数，与温度T和气压P有关，S(x,y,t)表示中心元胞(x,y)在t时刻PM2.5的浓度值，Ni表示邻居元胞在t时刻PM2.5的浓度值，S(x,y,t+1)表示中心元胞(x,y)在t+1时刻PM2.5的浓度值，k21，k22分别表示待训练的模型参数；第二种情况：有风时的污染物扩散E＝S(x,y,t)×(1-fv)(9)S(x,y,t+1)＝S(x,y,t)-E(12)其中，E为从元胞(x,y)扩散出去的污染物质量，fv表示风速；第三种情况：湍流运动污染物的扩散每个元胞内一小部分质量的污染物随机扩散到周围元胞中degree＝Random(0,360)其中，degree为0到360度间随机数。进一步地，本专利技术污染稀释模型为：污染物垂直方向上的稀释如式(13)所示S(x,y,t+1)＝S(x,y,t)×(1-d)(13)其中，d为稀释系数，S(x,y,t)代表元胞(x,y)在t时刻PM2.5的浓度值，S(x,y,t+1)代表元胞(x,y)在t+1时刻PM2.5的浓度值。进一步地，本专利技术污染沉降模型为：S(x,y,t+1)＝S(x,y,t)-S2(x,y)(14)S(x,y,t+1)＝S(x,y,t)×p(15)其中，S2(x,y)代表植被的吸收能力，p代表降水量。进一步地，本专利技术所述历史数据为经过清洗后的数据，具体清洗的方式为：使用多项式模型学习监测的历史数据，获取最佳拟合曲线的项数n，建立n次多项式；对第i个时刻的历史数据进行评估时，利用离第i个时刻间隔较短且质量较高的n个时刻的数据训练n次多项式；将n次多项式所确定的曲线上的第i个时刻的数据作为评估值，第i个时刻的监测值与评估值数值越近，数据质量越高，对数据质量低于设定阈值的数据进行修正，实现数据的清洗。进一步地，本专利技术计算出不同类污染源产生的污染量，具体为：以污染源与监测点之间距离的函数和作为自变量，监测点的PM2.5变化量作为因变量，根据人类生产作息变化将数据按季节与时刻分开，使用相应的历史数据训练出每一季节下不同时刻的模型；根据时间t选择对应的模型，并计算出污染源在t时刻产生的污染量。进一步地，本专利技术对清洗后的数据进行可视化，可视化数据包括监测点的年平均PM2.5浓度与周围污染源的分布，以及监测点的PM2.5浓度与气象条件之间的关系曲线；使用统计方法判断某一污染源或气象因素与PM2.5浓度之间的相关性，计算相关系数；选择相关系数大于设定阈值的因素作为主要影响因素。有益效果：(1)本专利技术使用元胞自动机模型模拟和预测PM2.5浓度变化。一方面，该模型有较强的演化能力，可以模拟多种复杂现象并适应复杂系统中的变化。另一方面，该模型有极强的并行性，易于实现并行计算。综上，该模型能有效且快速地预测PM2.5浓度的变化过程。(2)本专利技术综合考虑了影响PM2.5浓度变化的主要因素，提出了使用多元线性回归研究污染源分布和气象因素对PM2.5浓度的影响。一方面，使用从数据角度证明了不同因素对PM2.5浓度的影响，发挥了监测数据的价值。另一方面，使用数据统计代替人工经验，加快了元胞自动机模型的规则提取过程。(3)本专利技术的预测方法结构简单、易于实现，能够学习到不同地区的环境特点，具有较好泛化能力的优点。(4)本专利技术的预测方法使用元胞自动机建立模型，可以灵活地改变内部参数，模拟各种条件下PM2.5的质量浓度，从而对PM2.5问题进行深入的研究。附图说明图1为本专利技术实施例一的流程图。图2为本专利技术实施例二的流程图。图3为本专利技术多个元胞中PM2.5的浓度示意图。具体实施方式下面结合附图并列举实施例，对本专利技术进行详细描述。实施例一：本专利技术一种PM2.5浓度的数据分析和预测模型建立方法，具体步骤如下：一种PM2.5浓度的数据分析和预测模型建立方法，包括如下步骤：步骤一、将PM2.5的变化过程分解为污染产生、扩散、稀释和沉降；将PM2.5的监测区域划分为多个元胞，针对每一过程分别建立元胞自动机模型；步骤二、利用历史数据对各模型中的参数进行训练，获得PM2.5数据的预测模型。本专利技术使用元胞自动机模型模拟和预测PM2.5浓度变化。一方面，该模型有较强的演化能力，可以模拟多种复杂现象并适应复杂系统中的变化。另一方面，该模型有极强的并行性，易于实现并行计算。综上，该模型能有效且快速地预测PM2.5浓度的变化过程。实施例二：一种PM2.5浓度的数据分析和预测模型建立方法，针对PM2.5浓度变化难以模拟和预测的问题，通过元胞自动机模型对PM2.5的变化过程进行演化，并通过数据分析方法缩小PM2.5的规则选取空间，本文档来自技高网...

【技术保护点】
一种PM2.5浓度的数据分析和预测模型建立方法，其特征在于，包括如下步骤：步骤一、将PM2.5的变化过程分解为污染产生、扩散、稀释和沉降；将PM2.5的监测区域划分为多个元胞，针对每一过程分别建立元胞自动机模型；步骤二、利用历史数据对各模型中的参数进行训练，获得PM2.5数据的预测模型。

【技术特征摘要】
1.一种PM2.5浓度的数据分析和预测模型建立方法，其特征在于，包括如下步骤：步骤一、将PM2.5的变化过程分解为污染产生、扩散、稀释和沉降；将PM2.5的监测区域划分为多个元胞，针对每一过程分别建立元胞自动机模型；步骤二、利用历史数据对各模型中的参数进行训练，获得PM2.5数据的预测模型。2.根据权利要求1所述PM2.5浓度的数据分析和预测模型建立方法，其特征在于，污染产生模型为：S(x,y,t+1)＝S(x,y,t)+S1(x,y,t)×Q(x,y,t)(3)其中，S(x,y,t)代表元胞(x,y)在t时刻PM2.5的浓度值，S1(x,y,t)代表元胞(x,y)内的污染源在t时刻产生的污染量，Q(x,y,t)代表元胞(x,y)内的污染源在t时刻产生的污染转化为PM2.5的系数，S(x,y,t+1)代表元胞(x,y)在t+1时刻PM2.5的浓度值；Q(x,y,t)＝k11T+k12H+k13R(4)其中，k11，k12，k13为待训练的模型参数，T表示温度，R表示辐射，H表示湿度。3.根据权利要求1所述PM2.5浓度的数据分析和预测模型建立方法，其特征在于，污染扩散模型为：第一种情况：无风时的污染物扩散e＝k21T+k22P(6)S(x,y,t+1)＝S(x,y,t)-∑Ei(8)其中，Ei为中心元胞向第i个邻居元胞Ni扩散的污染物质量，e为扩散系数，与温度T和气压P有关，S(x,y,t)表示中心元胞(x,y)在t时刻PM2.5的浓度值，Ni表示邻居元胞在t时刻PM2.5的浓度值，S(x,y,t+1)表示中心元胞(x,y)在t+1时刻PM2.5的浓度值，k21，k22分别表示待训练的模型参数；第二种情况：有风时的污染物扩散E＝S(x,y,t)×(1-fv)(9)S(x,y,t+1)＝S(x,y,t)-E(12)其中，E为从元胞(x,y)扩散出去的污染物质量，fv表示风速；第三种情况：湍流运动污染物的扩散每个元胞内一小部分质量的污染物随机扩散到周围元胞中degree＝Random(0,360)其中，degree为0到360度间随机数。...

【专利技术属性】
技术研发人员：邓方，马丽秋，陈杰，高欣，赵佳晨，闫文茹，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11