一种基于不确定理论的城市空气质量评价方法技术

一种基于不确定理论的城市空气质量评价方法，将城市各个监测站数据转化为线性不确定变量，采用污染物线性不确定浓度数据之间的距离建立k

【技术实现步骤摘要】
一种基于不确定理论的城市空气质量评价方法


[0001]本专利技术涉及环境监测领域，具体涉及一种基于不确定理论的城市空气质量评价方法。

技术介绍

[0002]随着我国经济的飞速发展和人民生活水平的提高，目前环境问题受到了大家的广泛关注，尤其是空气质量问题。空气质量水平的高低可以直接对人类的生命健康产生影响，因此空气质量的相关研究具有深刻的意义和价值，空气质量的评价方法是其中一项重要内容。
[0003]根据《环境空气质量指数(AQI)技术规定(试行)》(HJ633
‑
2012)，目前空气质量相关研究机构普遍采用2012年3月国家发布的空气质量评价标准。AQI是对空气质量进行定量描述的数据，它描述了空气清洁或者污染的程度，以及对健康的影响。污染物监测为6项：二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳和臭氧。
[0004]根据AQI规定标准，将PM2.5、PM10、SO2、NO2、CO和O3这6种污染物的实际浓度值按表1中规定的数值转化为其各自的空气质量分指数IAQIp，将IAQIPM2.5、IAQIPM10、IAQISO2、IAQINO2、IAQICO、IAQIO3中的最大值确定为AQI的值，并根据AQI的规定标准进一步明确大气污染状况，主要包含当前空气质量的污染等级、颜色表示、对健康的影响和倡议措施等。
[0005][0006][0007]然而，城市的污染物浓度并非是一个精确的数值。目前的监测方法主要是通过在城市中设立若干个空气站，站内安装多参数自动监测一起作连续自动监测。在进行AQI指标计算时，仅简单地将各个空气站测得的污染物浓度进行平均值计算，用该平均值代表所在城市的整体污染物浓度。在进行AQI指标计算时，仅考虑了个别污染物的平均浓度的最大值作为最高空气质量分指数，而非综合考虑全部污染物指数对空气质量评估的影响。故而往往造成公众实际感受与AQI空气质量指数不相一致的现象。
[0008]因此现有技术需要一种能够将城市各个监测站测得的各项污染物浓度纳入综合
考虑的空气质量评价方法，以更好的反映城市的整体空气质量。

技术实现思路

[0009]为了对不精确的污染物浓度进行评价，本专利技术提出一种基于不确定理论的空气质量评价方法，通过不确定理论将一类不精确观测的数据视为不确定变量，采用污染物浓度之间的距离建立k
‑
means聚类和KNN分类模型，从而对当日的空气质量进行评价，能够将城市各个监测站测得的各项污染物浓度纳入综合考虑的空气质量评价方法，以更好的反映城市的整体空气质量。
[0010]一种基于不确定理论的城市空气质量评价方法，包括以下步骤：
[0011]步骤1，获取城市一段周期内各监测站每日污染物浓度监测数据；
[0012]步骤2，将城市各监测站每日污染物浓度监测数据转化为线性不确定浓度数据；
[0013]步骤3，根据不确定理论建立城市空气质量k
‑
means聚类模型；首先对线性不确定浓度数据进行归一化，然后定义簇中心并计算数据与簇中心的距离，进而通过距离进行分类得到空气质量优良差的类别；在分类过程中，通过更新簇中心以及计算其均值向量并进行比对以实现迭代；
[0014]步骤4，采用交叉验证的方法根据不确定理论建立城市空气质量KNN分类模型；首先计算测试集的不确定浓度数据与训练集中数据的距离并以此进行排序，取出数据并对其类别进行计数，计数最多的类别作为最终分类结果，通过对比真实分类结果确定KNN分类模型的近邻值；
[0015]步骤5，输入待评价数据，根据KNN分类模型，得到当日的空气质量分类。
[0016]进一步地，步骤1中，获取每日污染物浓度监测数据时，将各站点的每日各项污染物浓度均纳入统计范围。
[0017]进一步地，步骤2中，根据各站点的每日各项污染物浓度，每项污染物选取各站点中测得的浓度最大值和最小值作为不确定线性变量的上界和下界，测得的每日污染物有m种，从而将城市各监测站每日污染物浓度监测数据转化为污染物线性不确定浓度数据样本集a、b分别为污染物选取各站点中测得的某项污染物浓度最小值和最大值。
[0018]进一步地，步骤3中，根据不确定理论建立城市空气质量k
‑
means聚类模型，并根据得到的分类数据的特征得出对应的空气质量优良差的类别。
[0019]进一步地，步骤3中，具体k
‑
means聚类建模方法为：
[0020]步骤3
‑
1，对每日线性不确定浓度数据进行归一化处理；
[0021]步骤3
‑
2，初始化K个簇中心，从一段周期内污染物浓度数据D＝{V1，V2，...Vn}中随机选取K天的城市污染物线性不确定浓度数据作为初始簇中心
[0022]步骤3
‑
3，根据当前的簇中心，计算每日污染物线性不确定浓度数据与簇中心之间的距离；
[0023]定义两个污染物线性不确定浓度数据ξ，η的距离d由期望计算得出：
[0024]d(ξ，η)＝E[|ξ
‑
η|][0025]该距离满足如下条件：d(ξ，η)≥0；d(ξ，η)＝0当且仅当ξ＝η；d(ξ，η)＝d(η，ξ)；d
(ξ，η)≤2d(ξ，τ)+2d(η，τ)，τ代表不等式中的另一个不确定浓度数据；
[0026]设污染物不确定污染物浓度数据ξ，η为独立线性的线性不确定变量，不确定分布函数为φ，ψ；那么ξ，η的距离为：
[0027][0028]式中，M代表信度，即可信程度，是一个0至1之间的值；α代表积分变量，是分布函数的值，在0
‑
1之间；
[0029]计算线性不确定变量之间的距离：
[0030]的逆分布函数为φ
‑1(α)＝(1
‑
α)a1+ab1；
[0031]的逆分布函数为ψ
‑1(α)＝(1
‑
α)a2+ab2；
[0032]那么
[0033]第p天污染物线性不确定浓度数据和第q天污染物线性不确定浓度数据那么这两天的污染物线性不确定浓度数据之间的距离d为：
[0034][0035]根据以上的距离计算方法，计算每日污染物线性不确定浓度数据与各个簇中心之间的距离；
[0036]步骤3
‑
4，根据得到每日污染物线性不确定浓度数据与各个簇中心之间的距离，将其归入与其距离最近的一类；
[0037]步骤3
‑
5，根据重新分类的结果，更新每个簇的簇中心，计算簇中心的均值向量；
[0038]步骤3
‑
6，对比前后的簇中心，观察是否发生变化；如果不发生变化，则终止迭代；否则，转步骤3
‑
3；
[0039]步骤3
‑
7，迭代终止时的各数据分类即为最终的分类结果；根据得到的分类数据的特征得出空气质量优良差的类别。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定理论的城市空气质量评价方法，其特征在于：包括以下步骤：步骤1，获取城市一段周期内各监测站每日污染物浓度监测数据；步骤2，将城市各监测站每日污染物浓度监测数据转化为线性不确定浓度数据；步骤3，根据不确定理论建立城市空气质量k
‑
means聚类模型；首先对线性不确定浓度数据进行归一化，然后定义簇中心并计算数据与簇中心的距离，进而通过距离进行分类得到空气质量优良差的类别；在分类过程中，通过更新簇中心以及计算其均值向量并进行比对以实现迭代；步骤4，采用交叉验证的方法根据不确定理论建立城市空气质量KNN分类模型；首先计算测试集的不确定浓度数据与训练集中数据的距离并以此进行排序，取出数据并对其类别进行计数，计数最多的类别作为最终分类结果，通过对比真实分类结果确定KNN分类模型的近邻值；步骤5，输入待评价数据，根据KNN分类模型，得到当日的空气质量分类。2.根据权利要求1所述的一种基于不确定理论的城市空气质量评价方法，其特征在于：步骤1中，获取每日污染物浓度监测数据时，将各站点的每日各项污染物浓度均纳入统计范围。3.根据权利要求1所述的一种基于不确定理论的城市空气质量评价方法，其特征在于：步骤2中，根据各站点的每日各项污染物浓度，每项污染物选取各站点中测得的浓度最大值和最小值作为不确定线性变量的上界和下界，测得的每日污染物有m种，从而将城市各监测站每日污染物浓度监测数据转化为污染物线性不确定浓度数据样本集a、b分别为污染物选取各站点中测得的浓度最小值和最大值。4.根据权利要求1所述的一种基于不确定理论的城市空气质量评价方法，其特征在于：步骤3中，根据不确定理论建立城市空气质量k
‑
means聚类模型，并根据得到的分类数据的特征得出对应的空气质量优良差的类别。5.根据权利要求4所述的一种基于不确定理论的城市空气质量评价方法，其特征在于：步骤3中，具体k
‑
means聚类建模方法为：步骤3
‑
1，对每日线性不确定浓度数据进行归一化处理；步骤3
‑
2，初始化K个簇中心，从一段周期内污染物浓度数据D＝{V1,V2,
…
Vn}中随机选取K天的城市污染物线性不确定浓度数据作为初始簇中心步骤3
‑
3，根据当前的簇中心，计算每日污染物线性不确定浓度数据与簇中心之间的距离；定义两个污染物线性不确定浓度数据ξ，η的距离d由期望计算得出d(ξ，η)＝E[|ξ
‑
η|]该距离满足如下条件：d(ξ，η)≥0；d(ξ，η)＝0当且仅当ξ＝η；d(ξ，η)＝d(η，ξ)；d(ξ，η)≤2d(ξ，τ)+2d(η,τ)，τ代表不等式中的另一个不确定浓度数据；设污染物不确定污染物浓度数据ξ，η为独立线性的线性不确定变...

【专利技术属性】
技术研发人员：孙赟，曹子胜，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：