中短期分时段大气常规污染物多目标混合预测方法技术

本发明专利技术公开中短期分时段大气常规污染物多目标混合预测方法，包括，构建第一预测模型、第二预测模型、第三预测模型及第四预测模型，其中第一预测模型、第二预测模型、第三预测模型及第四预测模型的预测起始时间点相同且预测时间依次递增；获取监测数据，其中监测数据包括大气污染物监测数据、气象数据及未来气象数据；通过第一预测模型、第二预测模型、第三预测模型及第四预测模型分别对监测数据进行分时段预测，基于分时段预测结果，得到大气常规污染物多目标混合预测结果以提高大气污染物浓度的预测精度。浓度的预测精度。浓度的预测精度。

【技术实现步骤摘要】
中短期分时段大气常规污染物多目标混合预测方法


[0001]本专利技术涉及污染预测
，特别涉及中短期分时段大气常规污染物多目标混合预测方法。

技术介绍

[0002]常见的大气污染物包括PM2.5、PM10、SO2、NO2、CO和O3，统称为环境空气质量六项常规污染物。这些污染物浓度升高对人们的身体健康和生活环境造成了巨大的危害，并极大地制约了经济和社会的可持续发展。通过空气质量预测能够对未来中短期内空气质量状况进行预警，对可能的大气污染事件、污染源等进行提前部署管控，保障环境空气质量的达标，具有重要的社会价值和现实意义。
[0003]由于污染成分的多样性和复杂性，污染指标之间往往存在高度的非线性关系，其过程涉及到污染物扩散的物理原理和污染物转化的化学模型，需要具有完善的大气污染物排放清单、气象数据和污染物扩散或转化的物理化学模型，数据量庞大且复杂，计算难度也较大。传统机理模型的缺点是参数滤定难，滤定后的模型缺乏动态响应变化的能力。气象条件实时变化的干扰，增大了大气污染物预测的难度和精度。
[0004]利用机器学习和深度学习等统计方法的预测，是基于历史数据的深度挖掘和分析，获得数据间的关系特征及变化规律，不断优化算法模型给出的相对准确的大气污染物浓度。在建模过程中，无需考虑大气污染物的物理化学原理及转化规律，需求数据量较少，方法相对简单。目前，基于机器学习的预测方法主要有多元线性回归、支持向量机、随机森林方法等；基于深度学习的方法有LSTM、RNN等。其中，机器学习方法具有坚实的数学基础，可以为建立合理的空气质量预测模型提供了理论依据，深度学习方法可以通过不断地训练，得到数据间的非线性关系。但是，这些方法存在一个共同点：在中短期预测的各个时间段内，本质上均采用了单一模型。实际上，根据多模型的预测结果进行分时段统计分析，可以看出，不同模型在不同时间段内的表现效果和稳定性具有较为明显的差异性，因此，单一模型无法掌握各个时间段的规律。
[0005]基于数学机理模型计算难度大，基于统计的预测方法则相对简单，是现阶段大气污染预测的常用方法。基于统计的预测方法主要利用机器学习方法和深度学习方法来进行构建。机器学习方法在预测过程中具有坚实的数学基础，为建立合理的空气质量预测模型提供了理论依据，而深度学习方法可以通过不断地训练找出数据间的非线性关系。这些方法存在一个共同点是，在中短期预测各个时间段内，采用单一模型。根据多个模型的预测结果，进行分时段统计分析，可以看出不同模型，在不同时间段内的表现效果和稳定性是有差异的，单一模型无法掌握各个时间段的规律。

技术实现思路

[0006]为解决上述现有技术中所存在的问题，本专利技术提供一种中短期分时段大气常规污染物多目标混合预测方法，将不同算法组合使用，分时段建模，建立中短期分时段大气常规
污染物多目标混合预测模型，结合机器学习和深度学习的优点，以及不同模型在各个预测时间段的表现，可以更好的提高大气污染物浓度的预测精度。
[0007]为了实现上述技术目的，本专利技术提供了如下技术方案：
[0008]中短期分时段大气常规污染物多目标混合预测方法，包括：
[0009]构建第一预测模型、第二预测模型、第三预测模型及第四预测模型，其中第一预测模型、第二预测模型、第三预测模型及第四预测模型的的预测起始时间点相同且预测时间依次递增；
[0010]获取监测数据，其中监测数据包括大气污染物监测数据、气象数据及未来气象数据；
[0011]通过第一预测模型、第二预测模型、第三预测模型及第四预测模型分别对监测数据进行分时段预测，基于分时段预测结果，得到大气常规污染物多目标混合预测结果。
[0012]可选的，其中第一预测模型采用优化后的ARIMA模型，
[0013]其中，优化后的ARIMA模型的构建过程包括：
[0014]获取训练集，对训练集进行异常值处理及缺失值补充；
[0015]截取处理后的训练集，根据截取后的训练集进行平稳性检验，根据平稳性检验结果得到ARIMA模型的阶数；
[0016]基于ARIMA模型的阶数构建ARIMA模型，并通过截取后的训练集进行训练，得到优化后的ARIMA模型。
[0017]可选的，第二预测模型采用基于相关分析及聚类算法的预测模型；其中构建过程中，获取历史气象数据，通过聚类算法将历史气象数据进行聚类，得到不同的聚类类别，根据聚类类别构建聚类模型。
[0018]可选的，第三预测模型采用GRU预测模型，其中GRU预测模型的构建过程包括：
[0019]对大气污染物监测数据的历史数据进行平稳性检验，基于平稳性检验结果，将大气污染物监测数据的历史数据作为输入，将第三预测模型对应预测时间下的不同时刻污染物浓度作为输出，构建GRU预测模型。
[0020]可选的，第四预测模型采用prophet预测模型，其中构建 prophet预测模型的过程包括：
[0021]将大气污染物监测数据的历史数据作为输入，将第四预测模型对应预测时间下的不同时刻污染物浓度作为输出，构建prophet预测模型。
[0022]可选的，通过第一预测模型对监测数据进行预测的过程包括：
[0023]通过优化后的ARIMA模型对监测数据进行预测，并将预测结果作为已知数据对监测数据进行调整，通过优化后的ARIMA模型对调整后的监测数据进行预测，得到下一时刻数据，并根据下一时刻数据对监测数据进行调整，重复预测及调整的过程，直到达到重复次数，得到第一预测模型预测结果。
[0024]可选的，通过第二预测模型对监测数据进行预测的过程包括：
[0025]根据聚类模型对未来气象数据进行聚类分析，获取气象数据的聚类类别；
[0026]构建待预测时间点污染物浓度的时间序列，并根据待预测时间点污染物浓度的时间序列及聚类类别下的历史大气污染物数据计算相关系数，并根据相关系数选取相关历史样本，通过相关历史样本构建回归模型，通过回归模型对大气污染物监测数据拟合分析，得
到第二预测模型预测结果。
[0027]可选的，大气常规污染物多目标混合预测结果的获取过程包括：
[0028]对预测结果进行分时段对应，通过加权平均方法对分时段对应结果进行计算，得到大气常规污染物多目标混合预测结果。
[0029]本专利技术具有如下技术效果：
[0030]本专利技术分别建立4种大气污染物预测模型，4种模型种既有常用的成熟算法：ARIMA预测模型和prophet预测模型，也有根据当前大气污染物的扩散和时空特性建立的独创算法：基于相关分析和聚类算法的预测模型和一种基于GRU的预测模型。根据每种预测模型在不同预测时刻的性能表现，将不同算法组合使用，建立大气常规污染物分时段多目标混合预测模型，该模型考虑到以上4种模型在中短期预测不同时间段内的表现效果和稳定性是有差异的，因此采用分时段建模，克服了单一模型无法掌握各个预测时间段的规律的不足，可以更好的提高大气污染物浓度的预测精度。
附图说明<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.中短期分时段大气常规污染物多目标混合预测方法，其特征在于，包括：构建第一预测模型、第二预测模型、第三预测模型及第四预测模型，其中第一预测模型、第二预测模型、第三预测模型及第四预测模型的预测起始时间点相同且预测时间依次递增；获取监测数据，其中监测数据包括大气污染物监测数据、气象数据及未来气象数据；通过第一预测模型、第二预测模型、第三预测模型及第四预测模型分别对监测数据进行分时段预测，基于分时段预测结果，得到大气常规污染物多目标混合预测结果。2.根据权利要求1所述方法，其特征在于：其中第一预测模型采用优化后的ARIMA模型，其中，优化后的ARIMA模型的构建过程包括：获取训练集，对训练集进行异常值处理及缺失值补充；截取处理后的训练集，根据截取后的训练集进行平稳性检验，根据平稳性检验结果得到ARIMA模型的阶数；基于ARIMA模型的阶数构建ARIMA模型，并通过截取后的训练集进行训练，得到优化后的ARIMA模型。3.根据权利要求1所述方法，其特征在于：第二预测模型采用基于相关分析及聚类算法的预测模型；其中构建过程中，获取历史气象数据，通过聚类算法将历史气象数据进行聚类，得到不同的聚类类别，根据聚类类别构建聚类模型。4.根据权利要求1所述方法，其特征在于：第三预测模型采用GRU预测模型，其中GRU预测模型的构建过程包括：对大气污染物监测数据的历史数据进行平稳性检验，基于平稳性检验结果，将大气污染物监测数据的历史数据作为输入，将第三预测模型对应预测时间下的...

【专利技术属性】
技术研发人员：庞继伟，张栩，郭炜，王秀兰，高敏，孙艺嘉，吴哲，
申请(专利权)人：中节能天融科技有限公司，
类型：发明
国别省市：