一种空气质量颗粒物浓度预测数据的补全方法与流程

1.本发明涉及环境保护技术领域，具体涉及一种空气质量颗粒物浓度预测数据的补全方法。


背景技术：

2.为了进行环境保护，环境保护管理部门会对空气质量进行预测。现有的空气质量预测技术，是通过既往空气质量的实测数据对未来的空气质量进行预测。目前的空气质量预测只能存储需要预测的某一天的当天数据，对臭氧这一类不带有累计效应的污染物预测准确率较高，但是对pm2.5等颗粒物预测效果不佳。其原因是因为颗粒物具有累计效应，可能今天的颗粒物没有消散，第二天的又开始往上累计了，这样只根据当天数据进行直接预测，预测结果容易出现较大偏差；目前对预测空气质量中的颗粒物浓度的预测准确率只有55％。


技术实现要素：

3.针对现有技术存在的不足，本发明提出一种空气质量颗粒物浓度预测数据的补全方法，以解决现有技术中存在的对空气质量中的颗粒物浓度进行预测时，只根据当天数据进行直接预测，预测结果出现的偏差较大的技术问题。
4.本发明采用的技术方案如下：
5.第一方面，提供了一种空气质量颗粒物浓度预测数据的补全方法，包括以下步骤：
6.s1、获取当天气象数据、当天大气数据，以及从当天往未来推第一时长的未来气象数据、未来大气数据；
7.s2、根据当天气象数据、未来气象数据，将当天等压面的最高气温、最低气温和平均气温，当天日平均气温与地面最高气温差值，当天与未来第二时长的地面平均气压差值，当天地表短波辐射总量写入数据集；
8.根据当天大气数据、未来大气数据，将当天颗粒物浓度的最高值、最低值和平均值，未来第一时长颗粒物浓度的最高值、最低值和平均值，未来第一时长空气质量分指数的最高分值、最低分值和平均分值写入数据集；
9.s3、将数据集输入到颗粒物浓度预测模型中预测未来第一天的空气质量，得到未来第一天的颗粒物浓度预测数据；
10.s4、将未来第一天的颗粒物浓度预测数据按步骤s2的方法写入数据集，形成新的数据集；
11.s5、将新的数据集输入到颗粒物浓度预测模型中预测未来第二天的颗粒物浓度，得到未来第二天的颗粒物浓度预测数据；
12.s6、重复步骤s4
‑
s5，补全未来的颗粒物浓度预测数据。由上述技术方案可知，本发明的有益技术效果如下：可以根据现有的气象数据、大气数据，对未来的颗粒物浓度数据进行预测和补全，补全后的颗粒物浓度数据预测数据，其预测准确率可以从55％提升到80％。
13.进一步的，颗粒物包括：细颗粒物pm2.5、可吸入颗粒物pm10。
14.进一步的，等压面具体包括：第一等压面850hpa等压面，第二等压面700hpa等压面，第三等压面500hpa等压面。
15.进一步的，第一时长为72小时，第二时长为24小时。
16.进一步的，颗粒物浓度预测模型包括长短期记忆神经网络。
17.进一步的，颗粒物浓度预测模型按照以下步骤进行构建：
18.使用数据集，将当天气象数据、当天大气数据作为长短期记忆神经网络的输入，未来气象数据、未来大气数据作为长短期记忆神经网络的输出，对长短期记忆神经网络进行训练，得到颗粒物浓度初步预测长短期记忆神经网络；
19.将当天气象数据、当天大气数据输入到颗粒物浓度初步预测长短期记忆神经网络，得到未来颗粒物浓度第一预测数据；
20.根据未来颗粒物浓度第一预测数据，构建预报因子的原始数据序列；
21.对原始数据序列进行累加，构建第二数据序列；
22.建立微分方程，根据第二数据序列通过最小二乘法对微分方程的常数求解，得到颗粒物浓度预测模型。由上述技术方案可知，本发明的有益技术效果如下：构建的颗粒物浓度预测模型，对于包含不确定因素的复杂情况，其预测效果较好，且所需样本数据较小。
23.第二方面，提供了一种电子设备，包括：
24.一个或多个处理器；
25.存储装置，用于存储一个或多个程序；
26.当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一方面提供的空气质量颗粒物浓度预测数据的补全方法。
27.第三方面，提供了一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时实现第一方面提供的空气质量颗粒物浓度预测数据的补全方法。
附图说明
28.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
29.图1为本发明实施例1预测数据补全方法流程图；
30.图2为本发明实施例1的颗粒物浓度预测模型构建方法流程图。
具体实施方式
31.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
32.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
33.实施例1
34.本实施例提供了一种空气质量颗粒物浓度预测数据的补全方法，如图1所示，具体
按照以下步骤进行：
35.s1、获取当天气象数据、当天大气数据，以及从当天往未来推第一时长的未来气象数据、未来大气数据。
36.通过气象观测站获得气象数据，在本实施的技术方案中，获取的气象数据包括温度、气压、地表短波辐射，以上要素对颗粒物浓度都会造成影响，比如气压会影响颗粒物的聚集和扩散；地表短波辐射会对气溶胶形态的物资造成影响，而颗粒物在大气中近似气溶胶。
37.通过环境监测站获得大气数据，在本实施的技术方案中，获取的大气数据包括细颗粒物pm2.5、可吸入颗粒物pm10，以及通过环境监测实测数据计算得到的空气质量分指数iaqi。
38.在具体的实施例中，当天是指任意的某一天，比如6月1日。第一时长优选为72小时，从当天往未来推72小时，即是6月2日、6月3日、6月4日的气象数据和大气数据，6月2日、6月3日、6月4日的气象数据和大气数据为现有的预测数据，可通过气象部门和环境保护部门公开的数据获得。
39.s2、根据当天气象数据、未来气象数据，将当天等压面的最高气温、最低气温和平均气温，当天日平均气温与地面最高气温差值，当天与未来第二时长的地面平均气压差值，当天地表短波辐射总量写入数据集；
40.根据当天大气数据、未来大气数据，将当天24小时颗粒物浓度的最高值、最低值和平均值，未来第一时长颗粒物浓度的最高值、最低值和平均值，未来第一时长空气质量分指数的最高分值、最低分值和平均分值写入数据集。
41.将各种数据写入数据集，具体如下：
42.(1)当天等压面的最高气温、最低气温和平均气温
43.因等压面对应的海拔高度位置的温度变化，会产生气流流速变化，进而会影响颗粒物的留存，气流流速越大，颗粒物消散得越快。在具体的实施方式中，选择第一等压面为850hpa等压面，第二等压面为700hpa等压面，第三等压面为500hpa等压面，在这三个等压面海拔高度的位置，其温度变化对颗粒物影响比较大。
44.根据当天的气象数据，读取当天24小时内的第一等压面所对应的最高气温、最低气温，第二等压面所对应的最高气温、最低气温，第三等压面所对应的最高气温、最低气温；根据最高气温、最低气温计算每个等压面所对应的平均气温。将3组最高气温、最低气温和平均气温写入数据集。
45.(2)当天日平均气温与地面最高气温差值
46.根据当天的气象数据，读取当天的日平均气温、地面最高气温，计算日平均气温与地面最高气温差值，将差值写入数据集。
47.(3)当天与未来第二时长的地面平均气压差值
48.在具体是实施方式中，第二时长为24小时，根据当天气象数据、未来气象数据，读取当天地面平均气压、当天前一日的未来24小时地面平均气压，计算当天与未来24小时的地面平均气压差值，将差值写入数据集。在步骤s1中读取的第一时长未来72小时的气象数据中，包括有第二时长未来24小时的地面平均气压这一气象数据。
49.(4)当天地表短波辐射总量
50.根据当天气象数据，计算当天的地表短波辐射总量，将当天地表短波辐射总量写入数据集。
51.(5)当天24小时颗粒物浓度
52.根据当天的大气数据，读取当天的24小时颗粒物浓度的最高值、最低值，根据最高值、最低值计算当天24小时颗粒物浓度平均值，将当天24小时颗粒物浓度最高值、最低值和平均值写入数据集。颗粒物包括细颗粒物pm2.5、可吸入颗粒物pm10。
53.(6)未来第一时长颗粒物浓度
54.在具体是实施方式中，第一时长为72小时，根据当天往未来推72小时的大气数据，读取未来72小时颗粒物浓度的最高值、最低值，根据最高值、最低值计算未来72小时颗粒物浓度平均值，将未来72小时颗粒物浓度最高值、最低值和平均值写入数据集。颗粒物包括细颗粒物pm2.5、可吸入颗粒物pm10。
55.(7)未来第一时长空气质量分指数的最高分值、最低分值和平均分值
56.在具体是实施方式中，第一时长为72小时，根据当天往未来推72小时的大气数据，读取未来72小时空气质量分指数，得出未来72小时空气质量分指数的最高分值、最低分值，根据未来72小时空气质量分指数的最高分值、最低分值计算未来72小时空气质量分指数的平均分值，将未来72小时空气质量分指数的最高分值、最低分值和平均分值写入数据集。
57.在本步骤中，读取当天、未来的气象数据、大气数据，都是按照当天从零点开始计时往后取24h这一时间段的数据为当天数据。
58.s3、将数据集输入到颗粒物浓度预测模型中预测未来第一天的空气质量，得到未来第一天的颗粒物浓度预测数据。
59.在具体的实施方式中，如图2所示：颗粒物浓度预测模型的建模过程具体如下：
60.1、使用数据集，将当天气象数据、当天大气数据作为长短期记忆神经网络的输入，未来气象数据、未来大气数据作为长短期记忆神经网络的输出，对长短期记忆神经网络进行训练，得到颗粒物浓度初步预测长短期记忆神经网络。
61.在具体的实施方式中，将数据集划分为训练集和验证集，选用lstm神经网络(长短期记忆神经网络)，lstm神经网络通过当前输入及上一时刻的输出来得到当前输出，可以利用上一时刻学习到的信息进行当前时刻的学习。选用lstm神经网络可以找到当天气象数据、当天大气数据与未来气象数据、未来大气数据的之间的关联性。通过训练，得到颗粒物浓度初步预测长短期记忆神经网络。训练神经网络的方法采用现有技术中任意一种可实现的方法进行。
62.2、将当天气象数据、当天大气数据输入到颗粒物浓度初步预测长短期记忆神经网络，得到未来颗粒物浓度第一预测数据
63.将某一天的当天气象数据、大气数据输入到颗粒物浓度初步预测长短期记忆神经网络，可以得到某一天的未来颗粒物浓度第一预测数据。本步骤得到的颗粒物浓度第一预测数据，因同时引入了气象数据和大气数据，所以跟数据集中的、环境保护部门公开为未来大气数据并不相同。
64.通过此步骤获得的颗粒物浓度第一预测数据，有较多的不确定因素，因为颗粒物浓度初步预测长短期记忆神经网络的部分训练数据，是采用的预测数据而不是实测数据。为了消除这种不确定因素，继续按以下步骤进行颗粒物浓度预测模型的构建。
65.3、根据未来颗粒物浓度第一预测数据，构建预报因子的原始数据序列
66.在本实施例中，选用当天颗粒物浓度实测数据x
i
和当天的未来一天颗粒物浓度第一预测数据x
i+1
的差值作为预报因子，举例说明，选择6月1日的颗粒物浓度实测数据和6月2日的颗粒物浓度第一预测数据之差值作为预报因子。在具体的实施方式中，预报因子个数优选为14个，样本量更充分可以使得预测的结果更精确。使用多个预报因子构建预报因子的原始数据序列，比如令14个x
i
的集合作为预报因子的原始数据序列，原始数据序列为{x1,x2,
……
x
n
}，在具体的实施方式中，n优选为14。
67.4、对原始数据序列进行累加，构建第二数据序列
68.按以下方式对原始数据序列进行累加：
[0069][0070]
{y1,y2,
……
y
n
}为构建后的第二数据序列，y的每一项都由该时刻前面所有原始数据序列的等权重累加得到，因此构造的第二数据序列中保存了原始数据序列的特征以及原始数据序列和时间的关系，能够适用于对未来数据的预测。
[0071]
5、建立微分方程，根据第二数据序列通过最小二乘法对微分方程的常数求解，得到颗粒物浓度预测模型
[0072]
在本实施例中，设第二数据序列满足dy/dt+ay＝b
[0073]
在上式中，y为第二数据序列，t为时间，a为常系数，b为常定输入数，通过最小二乘法可以根据第二数据序列的值，对常数a、b进行估计。当得到常数a、b的估计值后，微分方程就转化为空气质量数据预测模型，可以结合时间t，对未来某一天的颗粒物浓度进行预测。
[0074]
采用上述方法构建的颗粒物浓度预测模型，对于包含不确定因素的复杂情况，其预测效果较好，且所需样本数据较小。
[0075]
s4、将未来第一天的颗粒物浓度预测数据按步骤s2的方法写入数据集，形成新的数据集。
[0076]
形成的新的数据集中包括当天的颗粒物浓度预测数据、未来第一天的颗粒物浓度预测数据。在具体的实施方式中，因空气质量预测模型中，所用参数的一部分，包括有未来的气象数据、未来的大气数据，所以得出的当天颗粒物浓度数据，不是当天颗粒物浓度实测数据，而是当天颗粒物浓度预测数据。
[0077]
s5、将新的数据集输入到颗粒物浓度预测模型中预测未来第二天的颗粒物浓度，得到未来第二天的颗粒物浓度预测数据。
[0078]
s6、重复步骤s4
‑
s5，补全未来的颗粒物浓度预测数据。
[0079]
在本步骤中，因目前的气象数据最多只有未来14天的预测数据，所以在具体的实施方式中，可以补全未来14天的颗粒物浓度预测数据。
[0080]
通过本实施例提供的技术方案，可以根据现有的气象数据、大气数据，对未来的颗粒物浓度数据进行预测和补全，补全后的颗粒物浓度数据预测数据，其预测准确率可以从55％提升到80％。
[0081]
实施例2
[0082]
提供了一种电子设备，包括：
[0083]
一个或多个处理器；
[0084]
存储装置，用于存储一个或多个程序；
[0085]
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现实施例1所提供的空气质量颗粒物浓度预测数据的补全方法。
[0086]
实施例3
[0087]
提供了一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时实现实施例1所提供的空气质量颗粒物浓度预测数据的补全方法。
[0088]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。