一种PM2.5浓度预测方法与装置制造方法及图纸

本发明专利技术涉及一种PM2.5浓度预测方法与装置，属于PM2.5浓度值的预测技术领域。其中方法包括以下步骤：获取PM2.5浓度历史数据、气象历史数据、大气气溶胶光学厚度历史数据；获取观测点的二维位置信息、高程信息和采样时间信息；根据上述数据确定4D‑GTWR模型的参数，从而确定4D‑GTWR模型，4D‑GTWR模型为：

A PM2.5 Concentration Prediction Method and Device

【技术实现步骤摘要】
一种PM2.5浓度预测方法与装置
本专利技术涉及一种PM2.5浓度预测方法与装置，属于PM2.5浓度值的预测

技术介绍
细颗粒物(PM2.5)不仅对公众健康造成严重威胁，而且严重影响了城市交通和市民日常生活，因此，PM2.5作为一种直接影响人类生活和健康的大气污染物，引起了众多学者对PM2.5相关反演研究工作的广泛关注，实现对PM2.5浓度的预测。现有技术中对PM2.5进行预测的方法有很多，比如：申请公布号CN106056210A的中国专利申请文件公开了一种基于混合神经网络的PM2.5浓度值预测方法，该方法采用PM2.5浓度值的历史数据、相关指标的历史数据、气象历史数据以及PM2.5成分解析数据，通过神经网络分段模拟出当地PM2.5浓度值的变化规律，实现PM2.5浓度值的预测。又比如：赵阳阳等人结合了协同训练与时空地理加权回归模型(GTWR)，提出一种协同时空地理加权回归PM2.5浓度估算方法，其出处为《测绘科学》，2016,41(12):172-178，该方法以2015年3月到7月的京津冀PM2.5浓度为例，采用欧式空间距离度量，通过不同核函数的GTWR进行对比分析实验，结果表明，在时空样本数量不足时，该方法能够提高PM2.5的浓度估算精度。然而现有技术中PM2.5浓度预测方法的预测准确性仍然有待提高。
技术实现思路
本专利技术的目的在于提供一种PM2.5浓度预测方法，用以解决现有预测方法的准确性低的问题；同时还提供一种PM2.5浓度预测装置，用以解决现有预测装置的准确性低的问题。为实现上述目的，本专利技术提出一种PM2.5浓度预测方法，包括以下步骤：获取PM2.5浓度历史数据、气象历史数据、大气气溶胶光学厚度历史数据；获取观测点的二维位置信息、高程信息和采样时间信息；根据上述数据确定4D-GTWR模型的参数，从而确定4D-GTWR模型，4D-GTWR模型为：其中，xik为观测点i的第k个自变量，共有p个自变量，所述自变量为气象数据；yi为观测点i的因变量，所述因变量为PM2.5浓度数据；4D-GTWR模型的参数为：βik(ui,vi,zi,ti)、βi0(ui,vi,zi,ti)和ξi，βik(ui,vi,zi,ti)为观测点i的第k个自变量的自变量回归系数，与观测点i的空间位置有关；βi0(ui,vi,zi,ti)为观测点i的自变量回归系数常数项；ξi为观测点i的随机误差；(ui,vi,zi,ti)为观测点i的四维空间坐标，其中，(ui,vi)表示二维空间坐标，(zi)表示高程空间坐标，(ti)表示时间坐标；n为观测点的数量；根据预测的气象数据、大气气溶胶光学厚度数据以及确定的4D-GTWR模型，预测PM2.5的浓度。另外，本专利技术还提出一种PM2.5浓度预测装置，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现上述PM2.5浓度预测方法。有益效果是：在时空地理加权回归模型中引入高程信息，提出了一种四维时空地理加权回归模型(4D-GTWR)，采用四维空间欧式距离度量，能够更好的反映四维时空分布特征，提供更加真实的空间距离，从而对实际情况进行有效的分析，并且4D-GTWR模型在预测PM2.5浓度方面提供了有效的方法，使得PM2.5浓度的预测更加准确，同时还解决了四维时空的非平稳性，也验证了高程信息对PM2.5浓度变化具有重要影响。进一步的，上述PM2.5浓度预测方法及装置中，计算自变量回归系数的方法包括：通过建立观测点i的目标函数求解自变量回归系数的最小二乘估值，所述目标函数为：其中，wijST为观测点i与观测点j之间的核函数；所述自变量回归系数的最小二乘估值为：其中，W(ui,vi,zi,ti)为四维时空权重矩阵，是由wijST组成的矩阵，X为自变量矩阵，Y为因变量的观测值矩阵。有益效果是：通过建立目标函数进行自变量回归系数的求解，该方法简单准确。进一步的，上述PM2.5浓度预测方法及装置中，所述核函数为Gaussian型核函数，公式为：其中，h4D-ST为四维时空带宽，dijST为观测点i与观测点j之间的四维时空距离。有益效果是：通过Gaussian型核函数可以更加准确的得到四维时空权重矩阵。进一步的，上述PM2.5浓度预测方法及装置中，所述高程信息为数字高程信息，所述观测点i与观测点j之间的四维时空距离的计算公式为：其中，为观测点i与观测点j之间的二维空间距离；为观测点i与观测点j之间的数字高程空间距离；为观测点i与观测点j之间的时间距离；λ、δ、μ为尺度调整因子，用来平衡不同四维时空距离的尺度差异。有益效果是：计算四维时空距离的方法简单准确。进一步的，上述PM2.5浓度预测方法及装置中，所述四维时空带宽是根据的二维空间带宽hS2d、数字高程空间带宽hSDEM以及时间带宽hT得到的。有益效果是：分别求解二维空间带宽、数字高程空间带宽和时间带宽，然后根据二维空间带宽、数字高程空间带宽、时间带宽和四维时空带宽得到四维时空带宽，使得得到的四维时空带宽更加准确。进一步的，上述PM2.5浓度预测方法及装置中，根据赤池信息量准则计算二维空间带宽、数字高程空间带宽和时间带宽，所述赤池信息量准则AICc为：其中，σ2为4D-GTWR模型中随机误差方差的无偏估计，S是4D-GTWR模型的帽子矩阵，X1、X2、…、Xn分别是观测点1、2、…、n的自变量组成的行向量。有益效果是：通过赤池信息量准则可以得到更加准确的带宽数据，进一步的提高PM2.5预测的准确度。进一步的，上述PM2.5浓度预测方法及装置中，所述4D-GTWR模型中随机误差方差的无偏估计σ2的计算公式为：σ2＝RSS4D-GTWR/(n-2tr(S)+tr(STS))；其中，RSS4D-GTWR为4D-GTWR模型的残差平方和。进一步的，上述PM2.5浓度预测方法及装置中，所述4D-GTWR模型的残差平方和RSS4D-GTWR的计算公式为：RSS4D-GTWR＝YT(I-S)T(I-S)Y；其中，I为单位矩阵。进一步的，上述PM2.5浓度预测方法及装置中，气象数据至少包括气压、气温、相对湿度、降雨量、风速以及风向。有益效果是：以上各气象数据都与PM2.5的浓度相关，通过以上气象数据可以更加全面的预测PM2.5的浓度。附图说明图1为本专利技术观测点i与观测点j之间的四维时空距离示意图；图2为现有技术中采用GTWR模型的PM2.5估计值与观测值的关系图；图3为本专利技术采用4D-GTWR模型的PM2.5估计值与观测值的关系图。具体实施方式PM2.5浓度预测方法实施例：本实施例提出的PM2.5浓度预测方法，包括以下步骤：1)获取PM2.5浓度历史数据、气象历史数据、大气气溶胶光学厚度历史数据。不同的气象和不同的大气气溶胶光学厚度(AOD数据)都会对PM2.5浓度产生不同的影响。本实施例中，气象历史数据包括的气象因子有气压(hPa)、气温(℃)、相对湿度(％)、降雨量(mm)、风速(km/h)以及风向(°)。不过，对PM2.5浓度影响较大的有风速、风向以及相对湿度，因此在气象历史数据只有风速、风向以及相对湿度也是可以的。PM2.5浓度历史数据是由空气质量污染自动监测站(以下简称监测站)检测得到的，为每本文档来自技高网...

【技术保护点】
1.一种PM2.5浓度预测方法，其特征在于，包括以下步骤：获取PM2.5浓度历史数据、气象历史数据、大气气溶胶光学厚度历史数据；获取观测点的二维位置信息、高程信息和采样时间信息；根据上述数据确定4D‑GTWR模型的参数，从而确定4D‑GTWR模型，所述4D‑GTWR模型为：

【技术特征摘要】
1.一种PM2.5浓度预测方法，其特征在于，包括以下步骤：获取PM2.5浓度历史数据、气象历史数据、大气气溶胶光学厚度历史数据；获取观测点的二维位置信息、高程信息和采样时间信息；根据上述数据确定4D-GTWR模型的参数，从而确定4D-GTWR模型，所述4D-GTWR模型为：其中，xik为观测点i的第k个自变量，共有p个自变量，所述自变量为气象数据；yi为观测点i的因变量，所述因变量为PM2.5浓度数据；4D-GTWR模型的参数为：βik(ui,vi,zi,ti)、βi0(ui,vi,zi,ti)和ξi，βik(ui,vi,zi,ti)为观测点i的第k个自变量的自变量回归系数，与观测点i的空间位置有关；βi0(ui,vi,zi,ti)为观测点i的自变量回归系数常数项；ξi为观测点i的随机误差；(ui,vi,zi,ti)为观测点i的四维空间坐标，其中，(ui,vi)表示二维空间坐标，(zi)表示高程空间坐标，(ti)表示时间坐标；n为观测点的数量；根据预测的气象数据、大气气溶胶光学厚度数据以及确定的4D-GTWR模型，预测PM2.5的浓度。2.根据权利要求1所述的PM2.5浓度预测方法，其特征在于，计算自变量回归系数的方法包括：通过建立观测点i的目标函数求解自变量回归系数的最小二乘估值，所述目标函数为：其中，wijST为观测点i与观测点j之间的核函数；所述自变量回归系数的最小二乘估值为：其中，W(ui,vi,zi,ti)为四维时空权重矩阵，是由wijST组成的矩阵，X为自变量矩阵，Y为因变量的观测值矩阵。3.根据权利要求2所述的PM2.5浓度预测方法，其特征在于，所述核函数为Gaussian型核函数，公式为：其中，h4D-ST为四维时空带宽，dijST为观测点i与观测点j之间的四维时空距离。4.根据权利要求3所述的PM2...

【专利技术属性】
技术研发人员：李卫东，董立晔，董前林，赵晨曦，张学海，段金龙，孟凡谦，许向安，张定文，王雪志，侯嘉润，崔永成，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南,41