【技术实现步骤摘要】
基于非监督限制性优化的空气污染时空趋势预测方法
本专利技术涉及一种预测方法，尤其涉及一种基于非监督限制性优化的空气污染时空趋势预测方法。
技术介绍
空气污染监测预警对监控环境空气质量水平，具有非常重要的现实意义，当前空气污染监测数据均基于有限的监测样本点进行，这些有限监测样本点的监测数据对于地形、地貌、气象等差异变化较大的地区而言是非常有限的。采用卫星遥感技术，加上地面的其他如气象、交通、土地利用、POI(兴趣点)等变量，已采用了时空建模方法进行地面的栅格估算。目前，常规的空间及时空插值算法，包括最近邻、克里格、贝叶斯最大熵、概化累加模型等，在样本数充足情况下，这些模型结果训练可以获得较好的精度；但是在实际预测中，由于受到数据测量误差及建模不确定性的影响，在空气污染物如PM2.5估值结果可能会有偏差，如预测结果中极值(超过实际中可能出现的最大值)的出现；而对NO2及NOx的估计，会导致关系的不一致等。此外，现有的时空估计方法都需要协变量的输入，对于未来一定时段内由于缺乏协变量无法采用这些模型进行预测。而如果能对未来一定时段内...
【技术保护点】
1.一种基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：包括以下步骤：/n步骤一、采集整理空气污染监测站点的空气污染监测数据及协变量数据；/n步骤二、基于提取的协变量数据，对研究区进行非监督学习分区；/n步骤三、针对提取得到的分区，依据每个分区内的长时间序列数据，提取其时间基函数；/n步骤四、对提取得到的时间基函数的数据进行整理，并预测未来一定时间段内的时间基函数变化趋势；/n步骤五、基于时间基函数建立时空场；/n步骤六、优化求解空间各区时间基函数的空间系数；/n步骤七、选定目标点，依据该目标点的监测与/或估计数据，同时基函数进行趋势拟合，包括对未来趋势预测结果...
【技术特征摘要】
1.一种基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：包括以下步骤：
步骤一、采集整理空气污染监测站点的空气污染监测数据及协变量数据；
步骤二、基于提取的协变量数据，对研究区进行非监督学习分区；
步骤三、针对提取得到的分区，依据每个分区内的长时间序列数据，提取其时间基函数；
步骤四、对提取得到的时间基函数的数据进行整理，并预测未来一定时间段内的时间基函数变化趋势；
步骤五、基于时间基函数建立时空场；
步骤六、优化求解空间各区时间基函数的空间系数；
步骤七、选定目标点，依据该目标点的监测与/或估计数据，同时基函数进行趋势拟合，包括对未来趋势预测结果；
步骤八、基于现有的估计栅格数据进行未来的高分辨率的空气污染时空趋势预测。
2.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤一中，采集的空气污染监测数据为长时间序列数据；对于协变量数据，提取影响其空气污染浓度相关的要素，包括坐标、高程、气象要素的均值、土地利用。
3.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤二中，对具备先验知识的研究区域，以先验知识为基础，确定聚类个数，采用K-Means方法进行分区；
如若研究区域缺乏先验知识，采用肘法确定聚类个数，在该方法中，确定从小到大的聚类个数，对每个聚类数目采用K-Means进行聚类，评估聚类的目标函数，当该目标函数值变化趋缓时，对应聚类个数即可作为分区数；
K-Means通过区域变差最小而区间变差最大的方法进行分区：
式中，J为聚类需要最小化的目标函数，即类内平方和；K为聚类的分类个数，k为分区的类别索引，i代表空间点索引，nk为样本中属于第k类的样本个数，xi(k)为属于第k类的第i个样本的特征矢量，ck为第k类的聚类中心点的特征矢量，d(…)为xi(k)同ck之间的距离函数，缺省采用欧式距离函数：
式中，为特征xi(k)的第j个元素值，ckj为中心点特征ck的第j个元素值。
4.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤三中，在每个分区内选择研究时间段可靠的长时间序列的空气污染浓度的监测站点，要求监测站点在监测时间段内的监测样本达到75％以上；当区内监测样本点数量不足时，采用最近邻方法补充监测样本点；依据长时间序列监测样本，采用迭代性的奇异分解方法提取其时间基函数。
5.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤四中，将时间基函数的数据整理划分X和y，其中，X...
【专利技术属性】
技术研发人员：李连发，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。