基于重污染序列案例库的区域重污染判别预报方法及装置制造方法及图纸

本发明专利技术公开了一种基于重污染序列案例库的区域重污染判别预报方法及装置，属于大气重污染预报技术领域。所述基于重污染序列案例库的区域重污染判别预报方法包括：根据收集的目标区域各监测站点监测到的污染指标数据和气象要素数据，建立目标区域的历史重污染序列案例库，所述案例库中的序列由气象要素数据组成；根据预报的目标区域未来某时段内的气象要素数据，获取未来该时段的序列；将获取的未来该时段的序列与所述历史重污染序列案例库中的序列进行相似度对比，判别目标区域未来该时段的重污染情况。本发明专利技术能够提高预报目标区域未来选定时段是否有重污染且准确率高。

Regional heavy pollution discrimination prediction method and device based on heavy pollution sequence case base

The invention discloses a regional heavy pollution discrimination prediction method and a device based on a heavy pollution sequence case library, which belongs to the field of heavy air pollution prediction technology. The heavy pollution sequence of case base of regional heavy pollution prediction based on the discriminant method includes: according to the target area to collect the monitoring stations to monitor the pollution index data and meteorological data, the establishment of the target area of heavy pollution history series case, the case base sequence consists of meteorological data according to meteorological factors; data in the future in a period of the target area forecast, the time series of future acquisition; the future of the time sequence and the history of heavy pollution in case base sequence similarity comparison, heavy pollution discrimination target area over the time of the future. The invention can improve the accuracy of the target area in the future, and has high accuracy.

【技术实现步骤摘要】
基于重污染序列案例库的区域重污染判别预报方法及装置
本专利技术涉及大气重污染预报
，具体涉及一种基于重污染序列案例库的区域重污染判别预报方法及装置。
技术介绍
近年来随着社会经济的快速发展和工业化、城市化进程的加速，复合型大气污染问题日益突出，严重威胁人民群众的身体健康和生态安全，已成为社会各界高度关注和亟待解决的重大环境问题。我国城市空气污染严重，全国约五分之一的城市空气污染严重。2014年在第一批实施新标准的74个城市中，空气质量达标的城市数量仅为8个。城市空气污染开始由煤烟型向煤烟型和机动车尾气型污染相复合转变。此外，灰霾等区域性大气污染频发，在夏秋季节频繁发生光化学烟雾污染，大气臭氧浓度以全球最快速度增长，远远超过国家环境空气质量标准，超过欧盟警报值的事件也时有发生。在空气质量预报方面，自2013年新空气质量标准(AQI)实施以来，全国环保形势发生了日新月异的变化，公众对于空气质量信息的诉求日益提升，我国环保监测系统、气象局、部分科研院所均陆续开展了空气质量预报研究。在已经开展空气质量业务预报的业务中，采用的技术架构普遍有数值预报、统计预报和专家预报三种方法，数值预报则主要以WRF或MM5驱动的美国CMAQ、CAMx、WRF-chem以及中科院大气所的NAQPMS等模式为主，很多地方集成了不止一个数值模式。空气质量波动较小的地区，模式预报的可采纳程度较高；空气质量短期大幅变化的地区，如华北平原，对污染过程的趋势性和程度预测是预报难点之一。而各机构数值模型采用的物理化学机制各异，在华北区域不同重污染过程预报中互有所长，但预报结果波动较大，难以实现优势互补。统计预报方法采用时间序列分析(如ARMA、ARIMA、SVM、ANN等模型)训练出历史上污染与天气条件的演化规律，预报未来空气质量，其应用广泛，准确率和计算效率较高，但对历史资料的依赖性较大，并且无法整体考虑区域性的重污染过程，缺乏一定的物理意义。专家预报主要是预报专家综合污染和气象的条件，进行人工识别，但是这种方法过分依赖专家的个人判断，大部分情况下专家仅仅能够提供粗略的干黏性的判断依据，并不是非常准确。为进一步对区域典型重污染过程时期的各类大气污染物浓度、天气形势类型、气象要素等因子进行综合分析研判，全面评估区域重污染过程的影响范围、持续时间、输送扩散以及可能原因，急需建立区域典型重污染的案例库，建立重污染与上述各因子之间的相关关系与概念模型，对未来可能发生的区域性重污染过程进行研判，以支持大气重污染应急管理决策。
技术实现思路
本专利技术要解决的技术问题是提供一种基于重污染序列案例库的区域重污染判别预报方法及装置，其能够提高预报目标区域未来选定时段是否有重污染且准确率高。为解决上述技术问题，本专利技术提供技术方案如下：一种基于重污染序列案例库的区域重污染判别预报方法，包括：步骤1：根据收集的目标区域各监测站点监测到的污染指标数据和气象要素数据，建立目标区域的历史重污染序列案例库，该案例库中的序列由气象要素数据组成；步骤2：根据预报的目标区域未来某时段内的气象要素数据，获取未来该时段的序列；步骤3：将获取的未来该时段的序列与所述历史重污染序列案例库中的序列进行相似度对比，判别目标区域未来该时段的重污染情况。进一步的，所述步骤1包括：步骤11：收集目标区域各监测站点监测到的污染指标数据和气象要素数据；步骤12：根据所述污染指标数据，选取污染条件下的气象要素数据；步骤13：对选取的气象要素数据进行归一化处理，建立目标区域所有的历史污染序列；步骤14：计算任意两个历史污染序列之间的相似度并得出所有历史污染序列中两两历史污染序列之间的相似度组成的相似度矩阵；步骤15：根据所述相似度矩阵计算得出任一历史污染序列相对于其他所有历史污染序列的相似性值；步骤16：选取前k个最大的相似性值所对应的历史污染序列为聚类序列，作为表征重污染程度的核序列，并且把这k个相似性值中最小的相似性值设为阈值τ，从而完成建立所述历史重污染序列案例库。进一步的，所述步骤14包括：步骤141：首先取两个历史污染序列，设为P＝(p1，p2，…，pn)和Q＝(q1，q2，…，qm)，长度分别为n和m，利用动态规划与递归的方式计算得到序列P与序列Q之间的距离dist(n，m)；步骤142：计算序列P与序列Q之间的相似度s：其中，α为归一化系数，|P|和|Q|分别为序列P和Q的长度；由此得到所有历史污染序列中两两历史污染序列之间的相似度组成的相似度矩阵A，其中，sij为历史污染序列i与历史污染序列j之间的相似度，h为历史污染序列的数量，1≤i≤h，1≤j≤h。进一步的，所述步骤3进一步为：计算未来该时段的序列与所述历史重污染序列案例库中的每个序列之间的相似度并判断该相似度与所述阈值τ之间的大小关系，若其中只要有一个相似度大于所述阈值τ，则判别未来该时段会有重污染，否则判别没有。进一步的，所述步骤1中，污染指标包括PM2.5和PM10，气象要素包括温度、湿度、风速、气压、边界层高度和逆温。进一步的，所述步骤13包括：采用归一化处理建立目标区域所有的历史污染序列时，首先所有历史污染序列中的气象要素的顺序保持一致，之后各个监测站点的顺序按空间上从北往南，从西向东的经纬度坐标排序，最后按时间顺序排序。进一步的，所述步骤3之后还包括：步骤4：一段时间后，当所述历史重污染序列案例库新增的重污染序列的数目大于所述历史重污染序列案例库中的序列的五分之一时，则按照所述步骤1的方法更新历史重污染序列案例库。进一步的，所述步骤3中，将获取的未来该时段的序列与所述历史重污染序列案例库中的序列进行相似度对比时，对各气象要素均赋予权重系数；所述步骤2之后步骤3之前还包括：步骤21：获取用户对各气象要素的关注程度；步骤22：采用sigmoid函数变形根据用户对各气象要素的关注程度调整各气象要素的权重系数。进一步的，所述步骤21进一步为：获取用户对未来某时段与历史重污染过程相匹配的各气象要素及其次数的选择、用户对相匹配的各气象要素的对比及对比次数的选择。一种基于重污染序列案例库的区域重污染判别预报装置，包括：历史重污染序列案例库建立模块：用于根据收集的目标区域各监测站点监测到的污染指标数据和气象要素数据，建立目标区域的历史重污染序列案例库，所述案例库中的序列由气象要素数据组成；获取模块：用于根据预报的目标区域未来某时段内的气象要素数据获取未来该时段的序列；判别模块：用于将获取的未来该时段的序列与所述历史重污染序列案例库中的序列进行相似度对比，判别目标区域未来该时段的重污染情况。本专利技术具有以下有益效果：与现有技术相比，本专利技术的基于重污染序列案例库的区域重污染判别预报方法及装置根据收集的目标区域各监测点监测到的污染指标数据和气象要素数据建立该区域的历史重污染序列案例库，然后根据预报的该区域未来某时段内的气象要素获取未来该时段的序列并将其与历史重污染序列案例库中的序列进行相似度的比较，由此判别该区域未来该时段是否具有重污染情况。由于区域重污染过程的空间尺度相对较大，局地扰动气象预测的不准确性影响较小，并且随着观测手段的不断进步以及数据共享的程度进一步深入，本专利技术充分利用好已有的监测站点检测的污染指标数据和气象要素数据建立本文档来自技高网...

【技术保护点】
一种基于重污染序列案例库的区域重污染判别预报方法，其特征在于，包括：步骤1：根据收集的目标区域各监测站点监测到的污染指标数据和气象要素数据，建立目标区域的历史重污染序列案例库，该案例库中的序列由气象要素数据组成；步骤2：根据预报的目标区域未来某时段内的气象要素数据，获取未来该时段的序列；步骤3：将获取的未来该时段的序列与所述历史重污染序列案例库中的序列进行相似度对比，判别目标区域未来该时段的重污染情况。

【技术特征摘要】
1.一种基于重污染序列案例库的区域重污染判别预报方法，其特征在于，包括：步骤1：根据收集的目标区域各监测站点监测到的污染指标数据和气象要素数据，建立目标区域的历史重污染序列案例库，该案例库中的序列由气象要素数据组成；步骤2：根据预报的目标区域未来某时段内的气象要素数据，获取未来该时段的序列；步骤3：将获取的未来该时段的序列与所述历史重污染序列案例库中的序列进行相似度对比，判别目标区域未来该时段的重污染情况。2.根据权利要求1所述的基于重污染序列案例库的区域重污染判别预报方法，其特征在于，所述步骤1包括：步骤11：收集目标区域各监测站点监测到的污染指标数据和气象要素数据；步骤12：根据所述污染指标数据，选取污染条件下的气象要素数据；步骤13：对选取的气象要素数据进行归一化处理，建立目标区域所有的历史污染序列；步骤14：计算任意两个历史污染序列之间的相似度并得出所有历史污染序列中两两历史污染序列之间的相似度组成的相似度矩阵；步骤15：根据所述相似度矩阵计算得出任一历史污染序列相对于其他所有历史污染序列的相似性值；步骤16：选取前k个最大的相似性值所对应的历史污染序列为聚类序列，作为表征重污染程度的核序列，并且把这k个相似性值中最小的相似性值设为阈值τ，从而完成建立所述历史重污染序列案例库。3.根据权利要求2所述的基于重污染序列案例库的区域重污染判别预报方法，其特征在于，所述步骤14包括：步骤141：首先取两个历史污染序列，设为P＝(p1，p2，…，pn)和Q＝(q1，q2，…，qm)，长度分别为n和m，利用动态规划与递归的方式计算得到序列P与序列Q之间的距离dist(n，m)；步骤142：计算序列P与序列Q之间的相似度s：其中，α为归一化系数，|P|和|Q|分别为序列P和Q的长度；由此得到所有历史污染序列中两两历史污染序列之间的相似度组成的相似度矩阵A，其中，sij为历史污染序列i与历史污染序列j之间的相似度，h为历史污染序列的数量，1≤i≤h，1≤j≤h。4.根据权利要求2所述的基于重污染序列案例库的区域重污染判别预报方法，其特征在于，所述步骤3进一步为：计算未来该时段的序列与所述历史重污染序...

【专利技术属性】
技术研发人员：程念亮，孙峰，郇宁，张大伟，李云婷，毛书帅，
申请(专利权)人：北京市环境保护监测中心，
类型：发明
国别省市：北京,11