一种臭氧浓度预报方法及装置制造方法及图纸

本发明专利技术提供一种臭氧浓度预报方法及装置，涉及大气化学数据处理领域。该方法包括：获取起报时间的观测数据以及数值模拟数据；基于所述起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据；将所述特征数据输入预先训练的臭氧浓度预报模型，得到所述起报时间的臭氧浓度预报数据。本发明专利技术以单时次观测数据结合气象再分析资料预报数据，利用特征工程构建多个特征，利用注意力机制对特征重要性进行评估，进而赋予不同的权重，提高多时间尺度的提高臭氧预报的准确性。而且，基于以观测数据为基础的多源数据对小时臭氧浓度进行预报，可以提高臭氧预报精度，提升臭氧预报效率，为臭氧污染的科学防控提供更为有力的支撑。污染的科学防控提供更为有力的支撑。污染的科学防控提供更为有力的支撑。

【技术实现步骤摘要】
一种臭氧浓度预报方法及装置


[0001]本专利技术涉及大气化学数据处理领域，尤其涉及一种臭氧浓度预报方法及装置。

技术介绍

[0002]基于深度学习的臭氧预报问题可以描述为基于现有的以观测数据为主的多源数据，对未来时间的臭氧浓度进行预报。
[0003]现阶段诸多学者将机器学习和深度学习算法应用于臭氧预报，方法可以包括机器学习方法以及深度学习方法。机器学习方法如极限梯度提升树、支持向量机回归以及神经网络，多基于原始数据进行特征工程，将多源特征构建后的数据作为输入进行臭氧浓度的预报；深度学习方法诸如循环神经网络和注意力机制等，在使用过程中输入的是多个时间的观测数据，每个时间包括多个输入要素，算法对不同时间的重要性进行提取，而无法对单一时间中的要素的重要性进行评估。目前上述两种方法均存在输入数据的维度大的问题，导致计算量较大，预测效率较低。

技术实现思路

[0004]根据本专利技术的一方面，提供了一种臭氧浓度预报方法，该方法包括：
[0005]获取起报时间的观测数据以及数值模拟数据；
[0006]基于所述起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据；
[0007]将所述特征数据输入预先训练的臭氧浓度预报模型，得到所述起报时间的臭氧浓度预报数据。
[0008]根据本专利技术的另一方面，提供了一种臭氧浓度预报装置，该装置包括：
[0009]获取模块，用于获取起报时间的观测数据以及数值模拟数据；
[0010]构建模块，用于基于所述起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据；
[0011]预报模块，用于将所述特征数据输入预先训练的臭氧浓度预报模型，得到所述起报时间的臭氧浓度预报数据。
[0012]根据本专利技术的另一方面，提供了一种电子设备，包括：
[0013]处理器；以及
[0014]存储程序的存储器，
[0015]其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述臭氧浓度预报方法中任一项所述的方法。
[0016]根据本专利技术的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述臭氧浓度预报方法中任一项所述的方法。
[0017]本申请实施例中提供的一个或多个技术方案，可以提高多时间尺度的提高臭氧预报的准确性以及臭氧预报的精度。
附图说明
[0018]在下面结合附图对于示例性实施例的描述中，本专利技术的更多细节、特征和优点被公开，在附图中：
[0019]图1示出了根据本专利技术示例性实施例的臭氧浓度预报方法的流程图；
[0020]图2示出了根据本专利技术示例性实施例的臭氧浓度预报方法的流程图；
[0021]图3示出了根据本专利技术示例性实施例的臭氧浓度预报方法的流程图；
[0022]图4示出了根据本专利技术示例性实施例的臭氧浓度预报装置的示意性框图；
[0023]图5示出了能够用于实现本专利技术的实施例的示例性电子设备的结构框图。
具体实施方式
[0024]下面将参照附图更详细地描述本专利技术的实施例。虽然附图中显示了本专利技术的某些实施例，然而应当理解的是，本专利技术可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本专利技术。应当理解的是，本专利技术的附图及实施例仅用于示例性作用，并非用于限制本专利技术的保护范围。
[0025]应当理解，本专利技术的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本专利技术的范围在此方面不受限制。
[0026]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本专利技术中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0027]需要注意，本专利技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0028]本专利技术实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0029]本专利技术实施例提供了一种臭氧浓度预报方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图1所示的臭氧浓度预报方法的流程图，该方法的处理流程可以包括如下的步骤：
[0030]步骤101、获取起报时间的观测数据以及数值模拟数据；
[0031]步骤102、基于起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据；
[0032]其中，特征工程指的是对数据进行标准化等预处理，并基于已有数据集和特征，利用学科背景知识和数学方式，构建新的特征，作为模型的输入。
[0033]步骤103、将特征数据输入预先训练的臭氧浓度预报模型，得到起报时间的臭氧浓度预报数据。
[0034]可选地，起报时间的观测数据包括起报时间的大气污染物数据以及气象观测数据；
[0035]其中，大气污染物数据包括NO2浓度和臭氧浓度；
[0036]气象观测数据包括温度、相对湿度、气象、风速。
[0037]可选地，数值模拟数据，包括起报时间的数值预报数据的站点插值数据。
[0038]可选地，起报时间的数值预报数据的站点插值数据，包括：
[0039]第一预设高度温度数据、第一预设高度湿度数据、第二预设高度风速数据、边界层高度数据、地面短波辐射数据。
[0040]可选地，基于起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据，包括：
[0041]对起报时间的观测数据、数值模拟数据以及时间特征数据进行特征提取，得到污染物浓度特征数据以及气象要素特征数据；
[0042]将起报时间的观测数据、数值模拟数据、污染物浓度特征数据以及气象要素特征数据融合生成一维特征序列。
[0043]可选地，污染物浓度特征数据，包括：
[0044]起报时间t前一个周的臭氧浓度平均值、最大值和最小值；
[0045]起报时间t前一周的臭氧浓度平均值、最大值和最小值；
[0046]起报时间t与24小时之前的臭氧浓度差；
[0047]起报时间t前一个周的臭氧8小时内最大浓度平均值、最大值和最小值；
[0048]起报时间t与24小时之前的臭氧8小时内最大浓度差。
[0049]可选地，气象要素特征数据，包括：
[0050]预报时次t与24小时前的温度差值、预报时次t与12小时前的温度差值、预报本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种臭氧浓度预报方法，其特征在于，包括：获取起报时间的观测数据以及数值模拟数据；基于所述起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据；将所述特征数据输入预先训练的臭氧浓度预报模型，得到所述起报时间的臭氧浓度预报数据。2.如权利要求1所述的臭氧浓度预报方法，其特征在于，所述起报时间的观测数据包括起报时间的大气污染物数据以及气象观测数据；其中，所述大气污染物数据包括NO2浓度和臭氧浓度；所述气象观测数据包括温度、相对湿度、气象、风速。3.如权利要求1所述的臭氧浓度预报方法，其特征在于，所述数值模拟数据，包括起报时间的数值预报数据的站点插值数据。4.如权利要求3所述的臭氧浓度预报方法，其特征在于，所述起报时间的数值预报数据的站点插值数据，包括：第一预设高度温度数据、第一预设高度湿度数据、第二预设高度风速数据、边界层高度数据、地面短波辐射数据。5.如权利要求1所述的臭氧浓度预报方法，其特征在于，所述基于所述起报时间的观测数据、数值模拟数据以及特征工程，构建特征数据，包括：对所述起报时间的观测数据、数值模拟数据以及时间特征数据进行特征提取，得到污染物浓度特征数据以及气象要素特征数据；将所述起报时间的观测数据、数值模拟数据、污染物浓度特征数据以及气象要素特征数据融合生成一维特征序列。6.如权利要求5所述的臭氧浓度预报方法，其特征在于，所述污染物浓度特征数据，包括：起报时间t前一个周的臭氧浓度平均值、最大值和最小值；起报时间t前一周的臭氧浓度平均值、最大值和最小值；起报时间t与24小时之前的臭氧浓度差；起报时间t前一个周的臭氧8小时内最大浓度平均值、最大值和最小值；起报时间t与24小时之前的臭氧8小时内最大浓度差。7.如权利要求5所述的臭氧浓度预报方法，其特征在于，所述气象要素特征数据，包括：预报时次t与24小时前的温度差值、预报时次t与12小时前的温度差值、预报时次t与24小时前的气压差值、预报时次t与12小时前的气压差值、预报时次t与6小时前的气压差值。8.如权利要求1所述的臭氧浓度预报方法，其特征在于，所述臭氧浓度预报模型的训练过程包括：获取训练样本，其中，所述训练样本包括样本输入以及对应的样本真值，所述样本输入为...

【专利技术属性】
技术研发人员：肖林鸿，樊旭，陈焕盛，王文丁，亢思静，秦东明，张稳定，孙超，吴剑斌，
申请(专利权)人：中科三清科技有限公司，
类型：发明
国别省市：