一种城市空气质量动态监测方法和系统技术方案

本发明专利技术公开一种城市空气质量动态监测方法和系统，包括：步骤S1、基于空气质量与交通状况信息获取预设时间段内的目标区域各监测站点的监测数据；步骤S2、将所述监测数据输入时空卷积神经网络模型进行训练，得到预测模型；步骤S3、将所述预测模型根据预设的参数集进行迭代训练，随即令迭代后预测模型与迭代前预测模型进行同步预测，并将二者在预设时间段内的预测结果与实际数据进行对比验证，得到空气质量监测结果。采用本发明专利技术的技术方案，具有降低成本，减小计算量和提升数据处理质量特点。减小计算量和提升数据处理质量特点。减小计算量和提升数据处理质量特点。

【技术实现步骤摘要】
一种城市空气质量动态监测方法和系统


[0001]本专利技术属于环境监测
，具体涉及一种城市空气质量动态监测方法和系统。

技术介绍

[0002]空气质量预测预警对于中重度污染天气的防治与管控具有重要意义。目前，常用的空气质量预测技术为基于大气物理/化学数值模拟模型的预测预报系统。其中，基于大气物理/化学模型的数值模拟预测预报系统通过数值解算相关物理化学偏微分方程，计算各个模拟网格内空气质量随时间的变化，具有物理意义明确，技术成熟，应用广泛的优势，但同时存在输入数据要求高(如地形、土地利用、排放源清单)，部分输入数据获取成本高(如排放源清单需要进行逐年调查更新)，计算量大(通常需要超算平台)等问题。

技术实现思路

[0003]本专利技术旨在解决现有技术的不足，提出一种城市空气质量动态监测方法和系统，具有降低成本，减小计算量和提升数据处理质量特点。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种城市空气质量动态监测方法，包括：
[0006]步骤S1、基于空气质量与交通状况信息获取预设时间段内的目标区域各监测站点的监测数据；
[0007]步骤S2、将所述监测数据输入时空卷积神经网络模型进行训练，得到预测模型；
[0008]步骤S3、将所述预测模型根据预设的参数集进行迭代训练，随即令迭代后预测模型与迭代前预测模型进行同步预测，并将二者在预设时间段内的预测结果与实际数据进行对比验证，得到空气质量监测结果。
[0009]作为优选，所述监测数据包括空气质量数据和气象数据。
[0010]作为优选，步骤S1中还包括对所述监测数据进行预处理，步骤S2中将预处理后监测数据输入时空卷积神经网络模型进行训练；其中，所述预处理包括对所述监测数据进行数据清洗。
[0011]作为优选，步骤S1包括：
[0012]处理目标区域的空气质量监测数据，得到空气质量短时预测数据；
[0013]根据目标区域的交通数据生成区域特征聚类结果；
[0014]对所述空气质量短时预测数据和所述区域特征聚类结果进行拟合，得到预设时间段内的目标区域各监测站点的监测数据。
[0015]作为优选，步骤S3中的进行对比验证，并做出如下决策：若迭代后预测模型的预测结果优于迭代前预测模型的预测结果，则将迭代后预测模型取代迭代前预测模型；若迭代前预测模型的预测结果优于迭代后预测模型的预测结果，则保留迭代前预测模型。
[0016]本专利技术还提供一种城市空气质量动态监测系统，包括：
[0017]获取装置，用于基于空气质量与交通状况信息获取预设时间段内的目标区域各监测站点的监测数据；
[0018]训练装置，用于将所述监测数据输入时空卷积神经网络模型进行训练，得到预测模型；
[0019]处理装置，用于将所述预测模型根据预设的参数集进行迭代训练，随即令迭代后预测模型与迭代前预测模型进行同步预测，并将二者在预设时间段内的预测结果与实际数据进行对比验证，得到空气质量监测结果。
[0020]作为优选，所述监测数据包括空气质量数据和气象数据。
[0021]作为优选，还包括预处理装置，用于对所述监测数据进行进行数据清洗，所述训练装置将预处理后监测数据输入时空卷积神经网络模型进行训练。
[0022]作为优选，获取装置包括：
[0023]第一处理模块，用于处理目标区域的空气质量监测数据，得到空气质量短时预测数据；
[0024]第二处理模块，用于根据目标区域的交通数据生成区域特征聚类结果；
[0025]拟合模块，用于对所述空气质量短时预测数据和所述区域特征聚类结果进行拟合，得到预设时间段内的目标区域各监测站点的监测数据。
[0026]作为优选，通过所述处理装置进行对比验证，并做出如下决策：若迭代后预测模型的预测结果优于迭代前预测模型的预测结果，则将迭代后预测模型取代迭代前预测模型；若迭代前预测模型的预测结果优于迭代后预测模型的预测结果，则保留迭代前预测模型。
[0027]与现有技术相比，本专利技术的有益效果为：
[0028]1、本专利技术基于空气质量和交通状况的关系数据获得输入数据，降低了成本，且提升数据处理质量
[0029]2、本专利技术采用时空卷积神经网络模型进行训练，具有更高的计算效率和对于训练数据和训练超参数具有更好的鲁棒性，使得预测模型可以实现自动化迭代训练而无需进行精细的人工调参，降低了预测模型迭代和系统维护的成本。
附图说明
[0030]为了更清楚地说明本专利技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例城市空气质量动态监测方法的流程图；
[0032]图2为本专利技术实施例城市空气质量动态监测系统的结构示意图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实
施方式对本专利技术作进一步详细的说明。
[0035]如图1所示，本专利技术实施例提供一种城市空气质量动态监测方法，包括：
[0036]步骤S1、基于空气质量与交通状况信息获取预设时间段内的目标区域各监测站点的监测数据；
[0037]步骤S2、将所述监测数据输入时空卷积神经网络模型进行训练，得到预测模型；
[0038]步骤S3、将所述预测模型根据预设的参数集进行迭代训练，随即令迭代后预测模型与迭代前预测模型进行同步预测，并将二者在预设时间段内的预测结果与实际数据进行对比验证，得到空气质量监测结果。
[0039]作为本专利技术实施例的一种实施方式，所述监测数据包括空气质量数据和气象数据。
[0040]作为本专利技术实施例的一种实施方式，步骤S1中还包括对所述监测数据进行预处理，步骤2中将预处理后监测数据输入时空卷积神经网络模型进行训练；其中，所述预处理包括对所述监测数据进行数据清洗。
[0041]进一步，对所述监测数据进行预处理，包括数据清洗消除数据原有量纲对结果的影响；其中，本专利技术实施例中，所述对所述监测数据进行数据清洗，得到预处理后的监测数据，包括：
[0042]从所述监测数据中筛除乱码数据和越位数据，得到筛选指标数据；
[0043]对所述筛选指标数据进行向量化操作，得到筛选指标向量集，为所述筛选指标向量集中的各个筛选指标向量添加时空向量，得到时空向量集；
[0044]对所述时空向量集进行特征聚类，得到聚类中心数据集；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市空气质量动态监测方法，其特征在于，包括：步骤S1、基于空气质量与交通状况信息获取预设时间段内的目标区域各监测站点的监测数据；步骤S2、将所述监测数据输入时空卷积神经网络模型进行训练，得到预测模型；步骤S3、将所述预测模型根据预设的参数集进行迭代训练，随即令迭代后预测模型与迭代前预测模型进行同步预测，并将二者在预设时间段内的预测结果与实际数据进行对比验证，得到空气质量监测结果。2.如权利要求1所述的城市空气质量动态监测方法，其特征在于，所述监测数据包括空气质量数据和气象数据。3.如权利要求2所述的城市空气质量动态监测方法，其特征在于，步骤S1中还包括对所述监测数据进行预处理，步骤S2中将预处理后监测数据输入时空卷积神经网络模型进行训练；其中，所述预处理包括对所述监测数据进行数据清洗。4.如权利要求3所述的城市空气质量动态监测方法，其特征在于，步骤S1包括：处理目标区域的空气质量监测数据，得到空气质量短时预测数据；根据目标区域的交通数据生成区域特征聚类结果；对所述空气质量短时预测数据和所述区域特征聚类结果进行拟合，得到预设时间段内的目标区域各监测站点的监测数据。5.如权利要求4所述的城市空气质量动态监测方法，其特征在于，步骤S3中的进行对比验证，并做出如下决策：若迭代后预测模型的预测结果优于迭代前预测模型的预测结果，则将迭代后预测模型取代迭代前预测模型；若迭代前预测模型的预测结果优于迭代后预测模型的预测结果，则保留迭代前预测模型。6.一种城市空气质量动态监测系...

【专利技术属性】
技术研发人员：杨邦会，温莹莹，
申请(专利权)人：中科海慧天津科技有限公司，
类型：发明
国别省市：