一种基于组合模型和因子筛选的臭氧浓度预报方法及系统技术方案

本发明专利技术提供一种基于组合模型和因子筛选的臭氧浓度预报方法及系统，涉及数据处理领域，其中该方法包括：获取多个候选气象预报因子；获取目标区域历史臭氧浓度数据及历史气象数据，对多个候选气象预报因子进行筛选，确定目标区域对应的多个目标气象预报因子；基于目标区域历史臭氧浓度数据

【技术实现步骤摘要】
一种基于组合模型和因子筛选的臭氧浓度预报方法及系统


[0001]本专利技术涉及数据处理领域，特别涉及一种基于组合模型和因子筛选的臭氧浓度预报方法及系统
。

技术介绍

[0002]目前臭氧浓度预报方法主要分为数值模式预报方法和统计学预报方法
。
数值模式预报法主要基于空气动力学理论和物理化学过程，使用数学方法建立大气污染浓度的传输扩散模型动态预测空气质量和主要污染物的浓度变化；但数值预报结果的优劣很大程度依赖于模式输入的排放清单精度，且建立高精度
、
高分辨率排放源清单难度大
、
模式运行复杂且计算量大，一定程度上限制了数值预报方法的广泛应用
。
[0003]统计学预报方法相较于数值模式预报方法，实现手段更为丰富，不需要复杂的气象与污染资料数据，无需过多考虑污染物的化学反应和物理过程
。
但在臭氧浓度预报中，因为臭氧浓度与特征因子间关系的不确定性和多变性，往往存在较多非确定性因素影响；此外，单一的预报模型往往存在某方面的缺点：如传统的
BP
神经网络为一种局部搜索的优化方法，它要解决的是一个复杂的非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败，加之
BP
神经网络算法的收敛速度慢，以及样本依赖性问题，同时存在预报能力和训练能力的矛盾问题；广义相加（
GAM
）模型可能会缺失重要的因子交互作用；随机森林（
RF
）模型在回归问题中的表现要劣于分类问题，不能做出超过训练集数据范围外的极值预测预报
。
因此仅考虑单一模型，很大程度上会丢失可用信息或数据特征规律提取不足，导致臭氧浓度预报精度较差
。
[0004]因此，需要提供一种基于组合模型和因子筛选的臭氧浓度预报方法及系统，用于提高臭氧浓度预报的效率及精度
。

技术实现思路

[0005]本说明书实施例之一提供一种基于组合模型和因子筛选的臭氧浓度预报方法，包括：获取多个候选气象预报因子；获取目标区域的历史臭氧浓度数据及历史气象数据；基于所述目标区域的历史臭氧浓度数据及历史气象数据，对所述多个候选气象预报因子进行筛选，确定所述目标区域对应的多个目标气象预报因子；基于所述目标区域的历史臭氧浓度数据
、
历史气象数据及所述目标区域对应的多个目标气象预报因子，建立所述目标区域对应的
GAM
臭氧预报模型；基于所述目标区域的历史臭氧浓度数据
、
历史气象数据及所述目标区域对应的多个目标气象预报因子，建立所述目标区域对应的
RF
臭氧预报模型；获取所述目标区域在目标未来时间段的气象数据；通过所述目标区域对应的
GAM
臭氧预报模型和所述
RF
臭氧预报模型，基于所述目标区域在目标未来时间段的气象数据，确定所述目标区域在所述目标未来时间段的臭氧浓度预报
。
[0006]在一些实施例中，所述基于所述目标区域的历史臭氧浓度数据及历史气象数据，
对所述多个候选气象预报因子进行筛选，确定所述目标区域对应的多个目标气象预报因子，包括：基于所述目标区域的历史臭氧浓度数据及历史气象数据，计算每个所述候选气象预报因子与臭氧浓度之间相关系数，基于每个所述候选气象预报因子与臭氧浓度之间相关系数对所述多个候选气象预报因子进行第一次筛选，确定多个第一次筛选后的候选气象预报因子；计算每两个所述第一次筛选后的候选气象预报因子之间的相关系数，基于每两个所述第一次筛选后的候选气象预报因子之间的相关系数，对所述多个第一次筛选后的候选气象预报因子进行第二次筛选，确定多个第二次筛选后的候选气象预报因子；基于随机森林模型对所述多个第二次筛选后的候选气象预报因子进行第三次筛选，确定所述多个目标气象预报因子
。
[0007]在一些实施例中，所述目标区域对应的
GAM
臭氧预报模型包括分别对应多个不同时效的多个
GAM
臭氧预报子模型
。
[0008]在一些实施例中，所述目标区域对应的
RF
臭氧预报模型包括分别对应多个不同时效的多个
RF
臭氧预报子模型
。
[0009]在一些实施例中，所述通过所述目标区域对应的
GAM
臭氧预报模型和所述
RF
臭氧预报模型，基于所述目标区域在目标未来时间段的气象数据，确定所述目标区域在所述目标未来时间段的臭氧浓度预报，包括：对于每个所述时效，通过所述时效对应的
GAM
臭氧预报子模型，基于所述目标区域在目标未来时间段的气象数据，确定所述时效对应的所述目标区域在所述目标未来时间段的第一预报数据；通过所述时效对应的
RF
臭氧预报子模型，基于所述目标区域在目标未来时间段的气象数据，确定所述时效对应的所述目标区域在所述目标未来时间段的第二预报数据；基于所述第一预报数据和所述第二预报数据，确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据；基于每个所述时效对应的所述目标区域在所述目标未来时间段的预报数据，确定所述目标区域在所述目标未来时间段的臭氧浓度预报
。
[0010]在一些实施例中，通过以下公式基于所述第一预报数据和所述第二预报数据，确定所述时效对应的所述目标区域在所述目标未来时间段的预报数据：，其中，为第
i
个时效对应的所述目标区域在所述目标未来时间段的预报数据，为第
i
个时效对应的所述目标区域在所述目标未来时间段的第一预报数据，为第
i
个时效对应的所述目标区域在所述目标未来时间段的第二预报数据，为第一预报数据对应的权重，为第二预报数据对应的权重
。
[0011]在一些实施例中，所述第一预报数据的权重和所述第二预报数据的权重基于方差倒数法和
/
或普通最小二乘法权重法确定
。
[0012]在一些实施例中，所述
GAM
臭氧预报子模型的目标函数为：，其中，为所述
GAM
臭氧预报子模型的目标函数，为常数截距项，为目标气象预报因子的非参数光滑函数，为残差
。
[0013]在一些实施例中，所述多个候选气象预报因子至少包括气温
、
云量
、
地面气压
、
风速
、
位势高度
、
相对湿度
、
垂直速度及臭氧滞后量
。
[0014]本说明书实施例之一提供一种基于组合模型和因子筛选的臭氧浓度预报系统，包括：因子获取模块，用于获取多个候选气象预报因子；第一数据获取模块，用于获取目标区域的历史臭氧浓度数据及历史气象数据；因子筛选模块，用于基于所述目标区域的历史臭
氧浓度数据及历史气本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于组合模型和因子筛选的臭氧浓度预报方法，其特征在于，包括：获取多个候选气象预报因子；获取目标区域的历史臭氧浓度数据及历史气象数据；基于所述目标区域的历史臭氧浓度数据及历史气象数据，对所述多个候选气象预报因子进行筛选，确定所述目标区域对应的多个目标气象预报因子；基于所述目标区域的历史臭氧浓度数据
、
历史气象数据及所述目标区域对应的多个目标气象预报因子，建立所述目标区域对应的
GAM
臭氧预报模型；基于所述目标区域的历史臭氧浓度数据
、
历史气象数据及所述目标区域对应的多个目标气象预报因子，建立所述目标区域对应的
RF
臭氧预报模型；获取所述目标区域在目标未来时间段的气象数据；通过所述目标区域对应的
GAM
臭氧预报模型和所述
RF
臭氧预报模型，基于所述目标区域在目标未来时间段的气象数据，确定所述目标区域在所述目标未来时间段的臭氧浓度预报
。2.
根据权利要求1所述的一种基于组合模型和因子筛选的臭氧浓度预报方法，其特征在于，所述基于所述目标区域的历史臭氧浓度数据及历史气象数据，对所述多个候选气象预报因子进行筛选，确定所述目标区域对应的多个目标气象预报因子，包括：基于所述目标区域的历史臭氧浓度数据及历史气象数据，计算每个所述候选气象预报因子与臭氧浓度之间相关系数，基于每个所述候选气象预报因子与臭氧浓度之间相关系数对所述多个候选气象预报因子进行第一次筛选，确定多个第一次筛选后的候选气象预报因子；计算每两个所述第一次筛选后的候选气象预报因子之间的相关系数，基于每两个所述第一次筛选后的候选气象预报因子之间的相关系数，对所述多个第一次筛选后的候选气象预报因子进行第二次筛选，确定多个第二次筛选后的候选气象预报因子；基于随机森林模型对所述多个第二次筛选后的候选气象预报因子进行第三次筛选，确定所述多个目标气象预报因子
。3.
根据权利要求1所述的一种基于组合模型和因子筛选的臭氧浓度预报方法，其特征在于，所述目标区域对应的
GAM
臭氧预报模型包括分别对应多个不同时效的多个
GAM
臭氧预报子模型
。4.
根据权利要求3所述的一种基于组合模型和因子筛选的臭氧浓度预报方法，其特征在于，所述目标区域对应的
RF
臭氧预报模型包括分别对应多个不同时效的多个
RF
臭氧预报子模型
。5.
根据权利要求4所述的一种基于组合模型和因子筛选的臭氧浓度预报方法，其特征在于，所述通过所述目标区域对应的
GAM
臭氧预报模型和所述
RF
臭氧预报模型，基于所述目标区域在目标未来时间段的气象数据，确定所述目标区域在所述目标未来时间段的臭氧浓度预报，包括：对于每个所述时效，通过所述时效对应的
GAM
臭氧预报子模型，基于所述目标区域在目标未来时间段的气象数据，确定所述时效对应的所述目标区域在所述目标未来时间段的第一预报数据；通过所述时效对应的
RF
臭氧预报子模型，基于所述目标区域在目标未来时间段的气象
...

【专利技术属性】
技术研发人员：康平，王安怡，刘琰琰，胡睿琪，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：