一种基于时空数据统计学习的臭氧浓度预测方法及系统技术方案

本发明专利技术提供一种基于时空数据统计学习的臭氧浓度预测方法及系统，包括：获取每一环境监测站点每一历史时刻对应的参考特征和参考结果；获取训练验证集和测试集；使用统计学习算法，在训练验证集上通过十折交叉验证进行模型参数选择和训练，获得预测模型，并在测试集上进行测试；根据待测环境监测站点当前时刻对应的目标特征、预测模型和待测环境监测站点当前时刻对应的臭氧浓度，获得待测环境监测站点当前预测时刻的臭氧浓度。本发明专利技术通过时空数据和统计学习，将臭氧浓度、气象条件和点源排放引入特征提取过程，精准刻画臭氧浓度的升高原因，同时采用增量分析，相比之前的统计模型，准确性有极大提升，且通用性强，适用于不同的环境监测站点。

【技术实现步骤摘要】
一种基于时空数据统计学习的臭氧浓度预测方法及系统
本专利技术涉及计算机数据分析
，更具体地，涉及一种基于时空数据统计学习的臭氧浓度预测方法及系统。
技术介绍
目前，随着现代社会的发展，工业化和城市化不断加深，空气质量问题愈发不可忽视。可吸入颗粒物、氮氧化物、一氧化碳、臭氧等大气污染物的浓度超过一定范围时，都会对人类的健康产生危害。而大气污染物的浓度通常受到多种因素影响，车辆、船舶、飞机等移动源的尾气排放会对大气污染物的浓度造成影响，工业废气排放等点源对大气污染物的浓度造成影响，点源、监测站周边的气象、地形等因素也会对污染物的产生、扩散和累积发挥不同作用。因此，如何将这些数据进行整合和综合分析，精准地预报一定时间范围内的大气污染物浓度，从而进行高浓度污染的提前预警，甚至是据此采取调整或限制点源、移动源排放的措施，是非常重要且有意义的。现有大气污染物浓度或空气质量预测的方法主要分为两类：基于数值模式的预测和基于统计模型的预测。基于数值模式的大气污染物浓度预测是现有的主流方法，此类方法主要利用污染排放源数据和气象数据两类输入，通过对物理、化学过程的模拟，进行大气污染物浓度的预测。此类本文档来自技高网...

【技术保护点】
一种臭氧浓度预测方法，其特征在于，包括：S1、获取每一环境监测站点每一历史时刻对应的参考特征和所述每一环境监测站点每一历史时刻对应的参考结果，对于任一环境监测站点的任一历史时刻，所述任一历史时刻对应的参考特征包括所述任一历史时刻对应的臭氧浓度、所述任一历史时刻对应的点源排放特征和历史预测时刻的气象条件特征，所述任一历史时刻对应的参考结果为所述历史预测时刻对应的臭氧浓度与所述任一历史时刻对应的臭氧浓度之差，所述历史预测时刻在所述任一历史时刻之后；S2、获取训练验证集和测试集，所述训练验证集由所述每一环境监测站点每一历史时刻对应的参考特征和所述每一环境监测站点每一历史时刻对应的参考结果按照第一预设...

【技术特征摘要】
1.一种臭氧浓度预测方法，其特征在于，包括：S1、获取每一环境监测站点每一历史时刻对应的参考特征和所述每一环境监测站点每一历史时刻对应的参考结果，对于任一环境监测站点的任一历史时刻，所述任一历史时刻对应的参考特征包括所述任一历史时刻对应的臭氧浓度、所述任一历史时刻对应的点源排放特征和历史预测时刻的气象条件特征，所述任一历史时刻对应的参考结果为所述历史预测时刻对应的臭氧浓度与所述任一历史时刻对应的臭氧浓度之差，所述历史预测时刻在所述任一历史时刻之后；S2、获取训练验证集和测试集，所述训练验证集由所述每一环境监测站点每一历史时刻对应的参考特征和所述每一环境监测站点每一历史时刻对应的参考结果按照第一预设配比构成，所述测试集由所述每一环境监测站点每一历史时刻对应的参考特征和所述每一环境监测站点每一历史时刻对应的参考结果按照第二预设配比构成；S3、利用统计学习算法，在所述训练验证集上通过十折交叉验证进行模型参数选择和模型训练，获得预测模型，通过所述测试集对所述预测模型进行模型测试，利用模型测试的结果对所述预测模型进行对比和评价；S4、根据待测环境监测站点当前时刻对应的目标特征和所述预测模型，获得所述待测环境监测站点当前时刻对应的目标结果，根据所述待测环境监测站点当前时刻对应的目标结果和所述待测环境监测站点当前时刻对应的臭氧浓度，获得所述待测环境监测站点当前预测时刻的臭氧浓度，所述目标特征包括所述当前时刻对应的臭氧浓度、所述当前时刻对应的点源排放特征和所述待测环境监测站点当前预测时刻的气象条件特征，所述目标结果为所述当前预测时刻对应的臭氧浓度与所述当前时刻对应的臭氧浓度之差。2.根据权利要求1所述方法，其特征在于，步骤S1中所述任一环境监测站点的任一历史时刻对应的点源排放特征通过以下步骤获得：S11、获取敏感区域，所述敏感区域包括与所述任一环境监测站点所在的城市接壤的所有城市；S12、将所述敏感区域划分为若干个相同的矩形，获取所述每一矩形对应的点源排放子特征，根据所述每一矩形的点源排放子特征，获得所述点源排放特征。3.根据权利要求2所述方法，其特征在于，任一矩形对应的点源排放子特征包括若干个历史时段对应的机理特征，对于任一历史时段对应的机理特征，若所述任一矩形内点源数目为0，将所述任一历史时段对应的机理特征设置为0，所述机理特征包括污染物扩散规律特征和污染物传播时间特征，一个历史时段为所述历史时刻之前的一段时间。4.根据权利要求3所述方法，其特征在于，若所述任一矩形内点源数目大于0，且所述任一矩形内在第一未来时段的风向与所述待测环境监测站点的相对方向不在预设范围内，将所述任一历史时段对应的机理特征设置为0，所述第一未来时段为所述任一历史时段之后的一段时间。5.根据权利要求3所述方法，其特征在于，若所述任一矩形内点源数目大于0，且所述任一矩形内在第一未来时段的风向与所述待测环境监测站点的相对方向在所述预设范围内，计算所述任一历史时段对应的机理特征。6.根据权利要求5所述方法，其特征在于，根据所述任一矩形内所述第一未来时段中敏感风的平均风速、以及所述...

【专利技术属性】
技术研发人员：王建民，龙明盛，徐子茹，王晨，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11