PM2.5污染监测与预测方法技术

本发明专利技术涉及环境监测中PM2.5的预测领域，具体公开了一种PM2.5污染监测与预测方法，首先，将过去的一段时间根据设定的时间间隔划分成各个时间节点；其次，获取监测站点在所述过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；再次，使用线性回归模型对当前时刻PM2.5的浓度进行预测；根据某个区域内不同地点的空气污染物的检测值来预测具体地点的PM2.5浓度；最后，将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。

PM2.5 pollution monitoring and prediction method

【技术实现步骤摘要】
PM2.5污染监测与预测方法
本专利技术涉及环境监测领域，特别涉及一种PM2.5污染监测与预测方法。
技术介绍
雾霾，顾名思义是就是雾和霾，但是，雾和霾的区别很大，空气中的灰尘、硫酸、硝酸等颗粒物组成的气溶胶系统造成视觉障碍的叫霾。霾就是灰霾。雾霾对人体呼吸道的危害是极大的，如果在雾霾的天气没有及时进行防范，则很有会将人体的呼吸道感染，对人体造成伤害，因此，人们对于雾霾的防范和预测是非常重要的。雾霾是多种其他和颗粒物的组合物质，其中，人们较为关心的就是雾霾中的PM2.5的含量，在目前对PM2.5的预测中，通常都是根据以往天气中的雾霾值对未来的天气中的PM2.5进行预测，这样虽然可以得到PM2.5的指数，但是由于天气的变化有非常所的因素所决定，因此这样的指数并没有实际的精准，会造成较大的误差。
技术实现思路
本专利技术的目的是克服上述现有技术中存在的问题，提供一种PM2.5污染监测与预测方法，通过对PM2.5和其他空气污染物的浓度数据进行训练，得到预测的模型，在通过当前的数据和已经训练好的模型进行PM2.5的预测，这样通过科学的数据处理方法对PM2.5实现精准的预测。为此，本专利技术提供了一种PM2.5污染监测与预测方法，包括如下步骤：S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。进一步，所述监测站点包括架设在监测区域内的多个且每一个用于检测一个空气污染物的空气污染物检测仪和用于检测PM2.5的浓度的PM2.5检测仪。更进一步，在步骤S3中，训练线性回归模型的方法，包括如下步骤：S3-1：构造线性回归模型的输入特征X＝[1,x1,x2,...,xi]，i＝1,2,...,b其中，xi＝wiai，其中，wi为第i个空气污染物检测仪到PM2.5检测仪之间的距离的倒数，ai为第i个空气污染物检测仪检测到的空气污染物的浓度；b为的空气污染物检测仪个数；S3-2：建立线性回归模型给定训练集T＝{(X1,y1),(X2,y2),....(Xn,yn)}，n＝1,2,...,c，其中，Xn表示输入特征，即第n个时间点的输入特征，yn表示PM2.5检测仪在所述设定的过去的一段时间内第n个时间点所采集的PM2.5的浓度值，c表示所述设定的过去的一段时间内时间点的个数，线性回归模型的函数表达式如下:yn＝hθ(Xn)＝θ0+θ1Xn+θ2Xn+...+θkXn，k＝1,2,...,n(1)等价于yn＝hθ(x)＝ΘTZ(2)式(1)中，yn表示目标监测站点在第n个时间点所采集的PM2.5的值；式(2)中，Z＝[1,X1,X2,...,Xn]T，Θ＝[θ0,θ1,...,θk]T是k+1维未知回归系数向量。更进一步，在步骤S3-1中，通过GPS获取所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标，再根据所述监测区域内PM2.5检测仪与各个空气污染物检测仪的经纬度坐标计算所述监测区域内PM2.5检测仪与各个空气污染物检测仪之间的距离的倒数。更进一步，在步骤S4中，使用线性回归模型的函数进行预测，给定输入特征Xc+1，将Xc+1代入到式(2)中，得到yc+1＝ΘTXc+1(3)式(3)中，yc+1是目标监测站点在第c+1个时间点所采集的PM2.5的值，Xc+1是第c+1个时间点的输入特征。本专利技术提供的一种PM2.5污染监测与预测方法，具有如下有益效果：1、通过对PM2.5和其他空气污染物的浓度数据进行训练，得到预测的模型，在通过当前的数据和已经训练好的模型进行PM2.5的预测，这样通过科学的数据处理方法对PM2.5实现精准的预测。附图说明图1为本专利技术提供的一种PM2.5污染监测与预测方法的整体流程示意图；图2为本专利技术提供的一种PM2.5污染监测与预测方法在使用线性回归模型的整体流程示意图。具体实施方式下面结合附图，对本专利技术的一个具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。在本申请文件中，未经明确的部件型号以及结构，均为本领域技术人员所公知的现有技术，本领域技术人员均可根据实际情况的需要进行设定，在本申请文件的实施例中不做具体的限定。具体的，如图1所示，本专利技术提供了一种PM2.5污染监测与预测方法，包括如下步骤：S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；这里的时间节点，指的是各个相等时间间隔的起始时刻，可以是每一个小时的起始时刻，也可以是每一分钟的起始时刻，也可以是每一周的一个设定时间，例如每周周一的早上9点钟的时刻。S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；这里所描述的多个空气污染物，是指空气中所存在的其他，例如空气中的SO2、SO3、氮氧化物、NO2、CO、可吸入颗粒物、O3以及PM10等各个空气污染物，分别使用其相应的检测仪检测器在空气中的浓度值。需要说明的是，本专利技术所描述的浓度值，均为空气污染物的浓度值。S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。具体的，所述监测站点包括架设在监测区域内的多个且每一个用于检测一个空气污染物的空气污染物检测仪和用于检测PM2.5的浓度的PM2.5检测仪。更具体的，在步骤S3中，训练线性回归模型的方法，包括如下步骤：S3-1：构造线性回归模型的输入特征X＝[1,x1,x2,...,xi]，i＝1,2,...,b其中，xi＝wiai，其中，wi为本文档来自技高网...

【技术保护点】
1.一种PM2.5污染监测与预测方法，其特征在于，包括如下步骤：/nS1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；/nS2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；/nS3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；/nS4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；/nS5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。/n

【技术特征摘要】
1.一种PM2.5污染监测与预测方法，其特征在于，包括如下步骤：
S1：将设定的过去的一段时间根据设定的时间间隔划分成等时间间隔的各个时间节点；
S2：获取监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值，同时获取所述监测站点在当前时刻所测量的多个空气污染物的浓度值；
S3：使用所述监测站点在所述设定的过去的一段时间内各个时间点内所测量的多个空气污染物的浓度值和PM2.5的浓度值训练线性回归模型，得到训练好的线性回归模型；
S4：将所述监测站点在当前时刻所测量的多个空气污染物的浓度值输入到所述训练好的线性回归模型中，得到当前时刻的预测的PM2.5的浓度；
S5：将所述预测的PM2.5的浓度与设定的PM2.5阀值进行对比，当所述预测的PM2.5的浓度大于所述设定的PM2.5阀值时，通过报警器报警。


2.如权利要求1所述的一种PM2.5污染监测与预测方法，其特征在于，所述监测站点包括架设在监测区域内的多个且每一个用于检测一个空气污染物的空气污染物检测仪和用于检测PM2.5的浓度的PM2.5检测仪。


3.如权利要求2所述的一种PM2.5污染监测与预测方法，其特征在于，在步骤S3中，训练线性回归模型的方法，包括如下步骤：
S3-1：构造线性回归模型的输入特征
X＝[1,x1,x2,...,xi]，i＝1,2,...,b
其中，xi＝wiai，
其中，wi为第i个空气污染物检测仪到PM2.5检测仪之间的距离的倒数，ai为第i个空气污染物检测仪检测到的空气污染物的浓度；b为的...

【专利技术属性】
技术研发人员：凌启东，王鸿磊，高媛，贾伟伟，
申请(专利权)人：徐州工业职业技术学院，
类型：发明
国别省市：江苏;32