【技术实现步骤摘要】
本专利技术涉及空气质量预报领域，具体而言，涉及一种污染物浓度预测方法、装置、存储介质和计算机设备。
技术介绍
1、目前常用天气研究与预报-空气质量建模系统(weather research andforecasting with chemistry model–community multiscale air quality model，简称wrf-cmaq)模拟体系对空气质量进行预报，wrf-cmaq是一种联合使用的大气模型系统，结合了天气研究预报(wrf)模型和空气质量模型(cmaq)。它在气象预测领域用于模拟大气运动和化学过程，以评估空气质量和污染物的扩散。通过结合两种模型，wrf-cmaq可以提供更准确的气象和空气质量预测，有助于有效管理和减少空气污染。然而，传统的基于统计学方法的气象预报模型wrf-cmaq对气象的预测是基于物理和化学原理建立的，在预测过程中，对复杂的气象无法准确模拟，导致预测结果不佳。
2、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种污染物浓度预测方法、装置、存储介质和计算机设备，以至少解决由于相关技术中空气质量模型无法模拟复杂气象造成的预测结果不佳的技术问题。
2、根据本专利技术实施例的一个方面，提供了一种污染物浓度预测方法，包括：分别获取目标时间段内的多种污染物各自的浓度，以及所述目标时间段内预定类型的气象参数；根据所述多种污染物各自的浓度和所述预定类型的气象参数，生成待预测数据；
3、可选地，所述根据所述多种污染物各自的浓度和所述预定类型的气象参数，生成待预测数据，包括：获取多种气象参数；在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数；生成包括所述多种污染物各自的浓度和所述预定类型的气象参数的向量，将所述向量作为所述待预测数据。
4、可选地，所述在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数，包括：分别获取历史时间段内的多个历史时刻下，所述多种污染物各自的历史浓度；分别获取所述多个历史时刻下的所述多种气象参数各自的值；根据所述多种污染物各自的历史浓度和所述多种气象参数各自的值，确定所述多种气象参数与所述多种污染物的浓度之间的相关系数；根据所述多种气象参数与所述多种污染物的浓度之间的相关系数，在所述多种气象参数内，选出所述预定类型的气象参数。
5、可选地，所述在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数，还包括：分别获取历史时间段内的多个历史时刻下，所述多种污染物各自的历史浓度；分别获取所述多个历史时刻下的所述多种气象参数各自的值；将所述多种气象参数各自的值与多种污染物各自的历史浓度分别组合，生成多个数组，其中，所述多个数组中任意一个数组包括一种气象参数的值和一种污染物的历史浓度；采用分类算法，将所述多个数组分类，得到多类数据；在所述多类数据中任意一类数据中选出一种或多种气象参数，得到所述预定类型的气象参数。
6、可选地，设置所述预定类型的气象参数包括风速和风向。
7、可选地，上述方法还包括：根据所述多种污染物各自的预测浓度，确定所述多种污染物各自的空气质量分指数；确定空气质量分指数最大的污染物为首要污染物。
8、可选地，所述根据所述多种污染物各自的预测浓度，确定所述多种污染物各自的空气质量分指数，包括：获取所述多种污染物各自的浓度限值；确定所述多种污染物各自的浓度限值分别对应的空气质量分指数；根据所述多种污染物各自的浓度限值，以及所述多种污染物各自的浓度限值分别对应的空气质量分指数，确定所述多种污染物各自的空气质量分指数。
9、根据本专利技术实施例的另一方面，还提供了一种污染物浓度预测装置，包括：获取模块，用于分别获取目标时间段内的多种污染物各自的浓度，以及所述目标时间段内预定类型的气象参数；生成模块，用于根据所述多种污染物各自的浓度和所述预定类型的气象参数，生成待预测数据；预测模块，用于将所述待预测数据输入预先训练好的时序神经网络模型，由所述时序神经网络模型输出所述多种污染物各自的预测浓度，其中，所述多种污染物各自的预测浓度为所述目标时间段之后预定时间段内的所述多种污染物的浓度，所述时序神经网络模型通过采用训练样本对原始时序神经网络模型进行训练得到的，所述训练样本包括样本历史时段污染物浓度，预定类型的气象参数在样本历史时段的值，以及样本预测时段污染物浓度。
10、根据本专利技术实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项污染物浓度预测方法。
11、根据本专利技术实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项污染物浓度预测方法。
12、在本专利技术实施例中，通过分别获取目标时间段内的多种污染物各自的浓度，以及目标时间段内预定类型的气象参数；根据多种污染物各自的浓度和预定类型的气象参数，生成待预测数据；将待预测数据输入预先训练好的时序神经网络模型，由时序神经网络模型输出多种污染物各自的预测浓度，其中，多种污染物各自的预测浓度为目标时间段之后预定时间段内的多种污染物的浓度，时序神经网络模型通过采用训练样本对原始时序神经网络模型进行训练得到的，训练样本包括样本历史时段污染物浓度，预定类型的气象参数在样本历史时段的值，以及样本预测时段污染物浓度，达到了采用对时间特性敏感的时序神经网络模型对污染物浓度进行预测的目的，从而实现了提高污染物预测准确度的技术效果，进而解决了由于相关技术中空气质量模型无法模拟复杂气象造成的预测结果不佳的技术问题。
本文档来自技高网...【技术保护点】
1.一种污染物浓度预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述多种污染物各自的浓度和所述预定类型的气象参数，生成待预测数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数，包括：
4.根据权利要求2所述的方法，其特征在于，所述在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数，还包括：
5.根据权利要求1至4中任意一项所述的方法，其特征在于，设置所述预定类型的气象参数包括风速和风向。
6.根据权利要求1至4中任意一项所述的方法，其特征在于，还包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述多种污染物各自的预测浓度，确定所述多种污染物各自的空气质量分指数，包括：
8.一种污染物浓度预测装置，其特征在于，包括：
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失
10.一种计算机设备，其特征在于，包括：存储器和处理器，
...【技术特征摘要】
1.一种污染物浓度预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述多种污染物各自的浓度和所述预定类型的气象参数，生成待预测数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数，包括：
4.根据权利要求2所述的方法，其特征在于，所述在所述多种气象参数内，选出多种影响污染物浓度的气象参数作为所述预定类型的气象参数，还包括：
5.根据权利要求1至4中任意一项所述的方法，其特征在于，设置所述预定类型的...
【专利技术属性】
技术研发人员：冯友，
申请(专利权)人：天翼电子商务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。