抑尘措施影响下港口TSP浓度预报方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种考虑抑尘措施影响的港口TSP浓度预报方法、装置及存储介质，考虑抑尘措施影响的港口TSP浓度预报方法包括：获取TSP浓度的历史监测数据和实施抑尘措施后的港口气象因素数据，并对数据进行清洗；构建气象因素特征筛选模型，筛选出影响TSP浓度的特征气象因素；根据TSP浓度数据和特征气象因素，构建一个三层多输入单输出的预报模型，对港口未来的TSP浓度进行预报。本发明专利技术可以根据实施抑尘措施后气象因素的变化，对港口TSP浓度进行准确预报，为合理选择抑尘措施提供理论支撑，对港口大气污染防治具有重要意义。港口大气污染防治具有重要意义。港口大气污染防治具有重要意义。

【技术实现步骤摘要】
抑尘措施影响下港口TSP浓度预报方法、装置及存储介质


[0001]本专利技术属于环境工程领域的大气污染防治
，具体涉及一种抑尘措施影响下港口TSP浓度预报方法、装置及存储介质。

技术介绍

[0002]港口是物流供应链的重要节点，是区域经济贸易的中心。然而，港口货物装卸、堆存、运输等过程中产生的粉尘颗粒物，会对周边环境和人体健康产生显著的负面影响。专利技术人调查发现，因为历史原因，部分老旧港口周边区域的环境空气中的总悬浮颗粒物(TSP)的浓度值普遍超标。
[0003]为了抑制港口TSP污染，港口常采用喷淋雾化、防风网、封闭化处理等方式。这些措施会影响港口TSP浓度特征，导致港口TSP浓度的时序变化具有很强的特殊性。因此，如果只考虑TSP浓度数据的时序特征，不考虑抑尘措施的影响，很难准确进行浓度预报。
[0004]准确高效地预报港口TSP浓度情况，可以帮助港口管理者针对性调整运营管理模式和抑尘措施，是建设智慧绿色的世界一流港口的首要任务之一。专利技术人前期的研究发现，港口抑尘措施的实施会直接导致气象因素的监测数据发生变化。因此，在预报TSP浓度时，可以通过气象因素的变化趋势，来体现抑尘措施的实施对TSP浓度变化的影响。因此，构建TSP浓度的预报模型时，考虑港口气象因素与TSP浓度数据时序非平稳波动的关联性，可以显著提高港口TSP浓度短时预报的精确性和可靠性。

技术实现思路

[0005]本专利技术要解决的技术问题是抑尘措施实施后会影响港口的气象环境，使得TSP浓度数据的时变特征具有明显的非平稳性，导致TSP浓度预报准确性下降的问题。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：
[0007]本专利技术首先提供一种考虑抑尘措施影响的港口TSP浓度预报方法，包括：
[0008]获取港口在T小时内监测的TSP浓度数据集X
M
和抑尘措施影响下气象因素数据集F
M,K
；
[0009]对TSP浓度X
M
和气象因素监测数据F
M,K
进行清洗，去除异常值后调整数据时间间隔得到用于分析的TSP浓度数据集X
T
和气象因素数据集F
T,K
；
[0010]构建特征气象因素特征筛选模型，分析TSP浓度数据集X
T
和气象因素数据集F
T,K
的关联关系，筛选出能影响TSP浓度的特征气象因素数据集F
T,D
；
[0011]构建三层的多输入单输出的TSP浓度预报模型，根据监测的TSP浓度数据集X
T
和特征气象因素数据集F
T,D
，确定模型的最优参数；
[0012]根据TSP浓度数据集X
T
、特征气象因素数据集F
T,D
和TSP浓度预报模型，得到港口TSP的浓度预报结果X
T+1
。
[0013]本专利技术还提供一种港口TSP浓度的预报装置，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现所述港口TSP浓度预
报方法的步骤。
[0014]本专利技术还提供一种计算机可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现所述港口TSP浓度预报的步骤。
[0015]本专利技术采用的技术方案，具备以下有益效果：
[0016](1)本专利技术相较于传统方案，在分析港口TSP浓度时，通过气象因素的变化趋势，来体现抑尘措施的实施对TSP浓度变化的影响。并同时考虑线性和非线性相关系数的大小，确定与TSP浓度变化存在显著关联性的关键气象因素。
[0017](2)本专利技术根据港口关键气象因素与TSP浓度数据时序非平稳波动的关联性，构建了一种三层的多输入单输出的TSP浓度的预报模型，可以显著提高港口TSP浓度预报的精确性和可靠性。
附图说明
[0018]图1本专利技术的基本技术流程图；
[0019]图2为某港口TSP浓度和气象因素的历史监测数据；
[0020]图3为对图2中历史监测数据清洗后的结果；
[0021]图4为线性相关系数分析结果；
[0022]图5为非线性相关系数分析结果；
[0023]图6为特征气象因素筛选结果图；
[0024]图7为实测数据与不同模型的TSP浓度预报结果对比图。
具体实施方式
[0025]结合附图，对本方案做进一步说明：
[0026]本实施例提供一种抑尘措施影响下港口TSP浓度预报方法，包括：
[0027]A.数据获取：
[0028]A.1数据采集方法。需要获取的数据包括TSP浓度和气象因素的历史监测数据。数据在港口可利用同一地点的电化学和光学传感器进行监测，根据RS485通讯协议以无线传输的方式上传到监控云平台存储，数据的采样频率为1分钟/个。为了使模型训练有足够的样本，建议用于分析的历史监测数据长度不少于15天。
[0029]A.2港口TSP浓度数据获取。根据港口的TSP在线监测系统可以在时间范围T内获得的港口监测的M个TSP浓度数据构成了具有时间序列特征的数据集X
M
＝(x1,x2,
…
x
M
)；
[0030]A.3港口气象因素数据获取。实施喷淋雾化和防风网等抑尘措施会改变港口气象条件。因此可以通过港口气象因素的监测数据来反应抑尘措施的影响，在时间范围T内可以获得监测的K个气象因素构成的具有时间序列特征的数据集
[0031][0032]B.数据清洗：
[0033]TSP浓度和气象因素的历史监测数据进行清洗的方法为：
[0034]B.1异常数据清除：如果在M个TSP浓度数据集X
M
中，第m(m∈M)个时间点的监测数据x
m
满足x
m
＜A
min
或x
m
＞A
max
，则将x
m
作为异常数据清除。类似地，对M
×
K个气象监测数据中，第k(k∈K)种气象因素的M个监测数据F
M,k
中，第m(m∈M)个时间点的监测数据f
m,k
满足f
m,k
＜B
min
或f
m,k
＞B
max
，则将f
m,k
作为异常数据清除。其中A
min
，A
max
，B
min
，B
max
为：
[0035][0036]B.2时间间隔调整：将获取的TSP浓度数据和气象因素数据调整为t时刻的浓度数据；对于时刻t
‑
1和t之间的q个TSP浓度数据进行算术平均得到t时刻的TSP浓度x
t
。类似地，对于时刻t
‑
...

【技术保护点】

【技术特征摘要】
1.一种考虑抑尘措施影响的港口TSP浓度预报方法，其特征是，包括：获取港口在T小时内监测的TSP浓度数据集X
M
和抑尘措施影响下气象因素数据集F
M,K
；对TSP浓度数据集X
M
和气象因素数据集F
M,K
进行清洗，去除异常值后调整数据时间间隔得到用于分析的TSP浓度数据集X
T
和气象因素数据集F
T,K
；构建特征气象因素筛选模型，分析TSP浓度数据集X
T
和气象因素数据集F
T,K
的关联关系，筛选出能影响TSP浓度的特征气象因素集F
T,D
；构建多输入单输出的TSP浓度预报模型，根据TSP浓度数据集X
T
、特征气象因素数据集F
T,D
，得到港口TSP的浓度预报结果X
T+1
。2.根据权利要求1所述的一种考虑抑尘措施影响的港口TSP浓度预报方法，其特征是，构建特征气象因素特征筛选模型，分析TSP浓度数据集X
T
和气象因素数据集F
T,K
的关联关系，筛选出能影响TSP浓度的特征气象因素F
T,D
步骤中，构建特征气象因素F
T,D
筛选模型的方法为：线性相关系数计算：根据清洗后的TSP浓度数据集X
T
＝(x1,x2,
…
x
t
,
…
x
T
)与T
×
K个气象监测数据集计算TSP浓度数据集X
T
与第k个气象因素的监测数据集F
T,k
之间的线性相关系数CP
k
：其中，x
t
为时刻t监测的TSP浓度；f
t,k
为时刻t监测的第k个气象因素的数据；分别计算TSP浓度数据与所有K个气象因素之间的线性相关系数，得到向量CP
K
＝(CP1,CP2,
…
CP
k
,
…
CP
K
)；设定线性相关性判定阈值μ
CP
，如果CP
k
＞μ
CP
则认为第k个气象因素与TSP浓度的变化具有显著的线性相关性，从而得到满足此条件的G个特征气象因素，G≤K；非线性相关系数计算：根据清洗后的TSP浓度数据集X
T
和气象监测数据集F
T,K
，计算TSP浓度数据X
T
与第k个气象因素的监测数据F
T,k
之间的非线性相关性系数CM
k
：式中，min(x
t
,f
t,k
)为时刻t监测的TSP浓度x
t
与气象因素k的监测数据f
t,k
中的较小值；Pr(x
t
,f
t,k
)为某一时刻t监测的TSP浓度x
t
和气象因素k的监测数据f
t,k
的联合概率；P(x
t
)为TSP浓度数据x
t
的边缘概率，P(f
t,k
)为气象因素k的监测数据f
t,k
的边缘概率；分别计算TSP浓度数据与所有K个气象因素之间的非线性相关系数，得到向量CM
K
＝(CM1,CM2,
…
CM
k
,
…
CM
K
)；设定非线性相关性判定阈值μ
CM
，如果CM
k
＞μ
CM
则认为第k个气象因素与TSP浓度的变化
具有显著的非线性相关性，从而得到满足此条件的E个特征气象因素，E≤K；特征气象因素筛选：将线性相关的G个特征气象因素和非线性相关的E个特征气象因素合并为C个特征气象因素：C＝G∪E≤K根据特征气象因素筛选指标计算公式Δ(γ
k
)，确定气象因素筛选指标γ
k
；Δ(γ
k
)的计算公式为：式中，a为控制系数；γ
k
为使计算公式minΔ(γ
k
)值最小的筛选指标；如果γ
k
＝0，则该气象因素与TSP浓度的变化没有显著的影响关系，去除该气象因素；否则，则认为该因素为特征气象因素；通过Δ(γ
k
)确定最终影响TSP浓度的D个特征气象因素为F
T,D
，其中D≤C≤K。3.根据权利要求2所述的一种考虑抑尘措施影响的港口TSP浓度预报方法，其特征是，某一时刻t监测的TSP浓度x
t
和气象因素k的监测数据f
t,k
的联合概率Pr(x
t
,f
t,k
)、TSP浓度数据x
t
的边缘概率P(x
t
)及气象因素k的监测数据f
t,k
的边缘概率P(f
t,k
)的确定方法是：根据TSP浓度x
t
和气象因素k的检测数据f
t,k
在笛卡尔坐标轴的分布范围，将其划分为L
×
L个网格，Pr(x
t
,f
t,k
)为x
t
和f
t,k
同时占据网格的数量除以网格总数的值，P(x
t
)为x
t
占据网格的数量除以网格总数的值，P(f
t,k
)为f
t,k
占据网格的数量除以网格总数的值。4.根据权利要求1所述的一种考虑抑尘措施影响的港口TSP浓度预报方法，其特征是，构建多输入单输出的TSP浓度预报模型的方法为：数据转换：将清洗后的TSP浓度数据集X
T
和特征气象因素数据集F
T,D
转化为一系列的滞后时刻为p的二维矩阵作为训练样本和输出标签：第一层数据卷积：针对第i个训练样本设定用于第一层卷积的输入数据为设第一层神经元总数设为C1，设第...

【专利技术属性】
技术研发人员：沈金星，刘沁鑫，许阳，刘家会，古乐，封学军，
申请(专利权)人：河海大学，
类型：发明
国别省市：