【技术实现步骤摘要】
本专利技术涉及计算机，具体而言，涉及一种典型重污染历史案例库分析的长期预报预警方法。
技术介绍
1、当前，污染物排放强度大是重污染天气形成的内因，静稳、小风、高湿等不利气象条件则是重污染天气形成的外因。
2、重污染案例通常记录产生重污染时的一些数据。
3、但是如何使用这些数据是困难的。
4、因为污染物从污染源是向四周扩散，不同位置的污染程度不一样，所以不同位置达到重污染的可能性是不同的。
5、但是由于浓度不是等分变化，所以不能简单的得到污染类别对应的污染浓度变化情况。
6、另外不同时间导致聚集的污染物程度不同，导致达到污染程度不同。
7、通常使用历史案例库进行重污染预测分析时，并没有考虑雨雪会融化，融化过程中会导致污染物溶解或稀释，从而导致污染浓度变化，影响达到重污染程度。
技术实现思路
1、本专利技术的目的在于提供了一种典型重污染历史案例库分析的长期预报预警方法，用以解决现有技术中存在的上述问题。
2、本专利技术实施例提供了一种典型重污染历史案例库分析的长期预报预警方法，包括：
3、获得三个检查点位置的检测点信息序列；检测点信息序列包括在多个时间点采集得到的多个污染物信息；污染物信息包括污染类别和污染浓度；
4、基于任意一个时间点在三个检测点位置检测得到的多个污染物信息，通过污染位置网络，判断污染浓度，得到污染方向位置和污染方向位置浓度；所述污染方向位置表示三个检测点构成的
5、基于三个检测点位置在多个时间点采集得到的污染物信息，判断不同时间点的污染浓度的变化情况，得到污染类别曲线集合；
6、获得未来天气信息；所述未来天气信息包括未来风向信息和未来雨雪信息；
7、基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度，通过重污染预测网络，预测未来的污染浓度，根据污染浓度和扩散情况，判断污染情况是否为重污染；
8、若为重污染，发送预警信号；
9、所述重污染预测网络的训练方法，包括：
10、获得典型重污染历史数据；所述典型重污染历史数据预先被储存在数据库中的典型重污染历史案例库中；
11、根据所述典型重污染历史数据训练重污染预测网络，得到训练好的重污染预测网络；所述重污染预测网络包括距离浓度网络、时间浓度网络和天气浓度预测网络。
12、可选的，所述基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度，通过重污染预测网络，预测未来的污染浓度，根据污染浓度和扩散情况，判断污染情况是否为重污染，包括：
13、根据所述污染类别曲线集合重构污染类别曲线；
14、根据所述污染类别曲线，输入未来时间点，得到预测曲线污染浓度；所述未来时间点为预设的时间点；
15、将所述污染方向位置、污染方向位置浓度和检测点信息输入距离浓度网络，通过距离浓度网络提取距离浓度关系特征，得到距离浓度输出信息；
16、基于所述预测曲线污染浓度、污染类别曲线集合和检测点信息，通过时间浓度网络，提取时间浓度关系特征，得到时间浓度输出信息；
17、将所述时间浓度输出信息、距离浓度输出信息和未来天气信息输入天气浓度预测网络，预测未来时间点的污染浓度，得到预测污染向量；所述预测污染向量中的值表示污染类别对应的污染浓度是否为重污染；
18、若所述预测污染向量中的值大于预测阈值，表示会在未来时间点达到重污染；若所述预测污染向量中污染类别对应的值小于污染类别对应的预测阈值，则表示不会在未来时间点达到重污染。
19、可选的，所述基于任意一个时间点在三个检测点位置检测得到的多个污染物信息，通过污染位置网络，判断污染浓度，得到污染方向位置和污染方向位置浓度，包括：
20、将三个检测点位置连接为检测三角形，构建检测三角形的外接圆，得到污染边界圆；所述污染边界圆表示需要预测是否重污染的区域；
21、根据三个检测点信息的污染浓度，将检测点信息进行分类，得到高污染检测点、中污染监测点和低污染监测点；所述高污染检测点为污染浓度大于其他检测点位置的污染浓度的检测点位置；所述低污染监测点为污染浓度小于其他检测点位置的污染浓度的检测点位置；所述中污染监测点为除高污染检测点和低污染检测点之外的检测点位置；
22、将高污染检测点和低污染检测点对应的圆弧所在的位置构建二维数组，得到大致位置数组；所述大致位置数组中的值包含边界圆中心与污染源连接的直线经过的点；
23、获得高检测点浓度和中检测点浓度；所述高检测点浓度为高污染检测点对应的污染浓度；所述中检测点浓度为中污染检测点对应的污染浓度；
24、根据污染类别和污染类别对应的高检测点浓度和中检测点浓度构建三维浓度矩阵；
25、基于所述大致位置数组和三维浓度矩阵，通过污染位置网络和污染判断浓度网络，检测污染来源，得到污染方向位置和污染方向位置浓度。
26、可选的，所述污染位置网络的训练方法，包括：
27、获得污染方向训练集；所述污染方向训练集包括多个训练污染方向数据和标注污染方向数据；所述训练污染方向数据包括训练污染大致数组和训练三维浓度矩阵；所述标注污染方向数据包括标注污染位置和对应的标注污染浓度；
28、将所述训练三维浓度矩阵和所述训练污染大致数组进行叠加，得到训练三维叠加矩阵；
29、将所述训练三维叠加矩阵输入第一卷积网络进行卷积，提取浓度和位置之间的关系特征，得到位置浓度特征图；
30、将所述位置浓度特征图输入第一分类器，进行分类，得到训练最终污染位置；
31、将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络，得到训练最终污染浓度；
32、获得所述最终污染位置与标注污染位置之间的污染位置损失值；
33、获得所述最终污染浓度与标注污染浓度之间的污染浓度损失值；
34、根据所述污染位置损失值和污染浓度损失值相加后进行后向传播，进行训练，得到训练好的污染位置网络；所述污染位置网络包括第一卷积网络和第一分类器。
35、可选的，所述将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络，得到训练最终污染浓度，包括：
36、将所述位置浓度特征图进行拉长，得到位置浓度特征向量；
37、将所述位置浓度特征向量和所述训练最终污染位置输入第一神经网络，进行检测，得到训练最终污染浓度。
38、可选的，所述基于三个检测点位置在多个时间点采集得到的污染物信息，判断不同时间点的污染浓度的变化情况，得到污染类别曲线集合，包括：
39、将检测点信息中多个污染类别在不同时间对应的多个污染浓度构建检测点集本文档来自技高网...
【技术保护点】
1.一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，包括：
2.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度，通过重污染预测网络，预测未来的污染浓度，根据污染浓度和扩散情况，判断污染情况是否为重污染，包括：
3.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述基于任意一个时间点在三个检测点位置检测得到的多个污染物信息，通过污染位置网络，判断污染浓度，得到污染方向位置和污染方向位置浓度，包括：
4.根据权利要求3所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述污染位置网络的训练方法，包括：
5.根据权利要求4所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述将所述位置浓度特征图和所述训练最终污染位置输入第一神经网络，得到训练最终污染浓度，包括：
6.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警
7.根据权利要求2所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述时间浓度网络的训练方法，包括：
8.根据权利要求2所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述天气浓度预测网络的训练方法，包括：
...【技术特征摘要】
1.一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，包括：
2.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述基于所述检测点信息序列、未来天气信息、污染类别曲线集合、污染方向位置和污染方向位置浓度，通过重污染预测网络，预测未来的污染浓度，根据污染浓度和扩散情况，判断污染情况是否为重污染，包括：
3.根据权利要求1所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述基于任意一个时间点在三个检测点位置检测得到的多个污染物信息，通过污染位置网络，判断污染浓度，得到污染方向位置和污染方向位置浓度，包括：
4.根据权利要求3所述的一种典型重污染历史案例库分析的长期预报预警方法，其特征在于，所述污染位...
【专利技术属性】
技术研发人员：王国梁，孟庆庆，崔泽虎，徐盛荣，曹阳，常俊骁，徐聪，杨悦，潘龙龙，周振文，刘志祥，
申请(专利权)人：中科三清科技有限公司，
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。