本公开的实施例提供了一种空气质量预测方法、装置、设备和计算机可读存储介质,属于环境监测技术领域。所述方法包括确定空气质量预测的时空范围;确定所述时空范围内的气象预报数据及排放源预测数据;将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第一时间间隔进行预测,得到所述时空范围内的空气质量预测数据;根据所述时空范围内的空气质量预测数据的变化,对变化率超过阈值的时空范围,以第二时间间隔进行预测;其中,所述第一时间间隔大于所述第二时间间隔。可以按需灵活调节空气质量预测的时间间隔,节省计算资源。节省计算资源。节省计算资源。
【技术实现步骤摘要】
空气质量预测方法、装置、设备和计算机可读存储介质
[0001]本公开的实施例一般涉及环境监测领域,并且更具体地,涉及空气质量预测方法、装置、设备和计算机可读存储介质。
技术介绍
[0002]空气质量越来越受政府和大众所重视,与此相对应的空气污染预报模式的研究也得到了很大的发展。当前常用的空气质量预报方式主要有:数值预报、统计预报两种方法。数值预报主要利用空气质量模式将复杂的大气物理、化学模式系统化,建立污染物排放、气象、化学反应相关的模型,模拟空气质量的变化。事实上除气象数据外,数值预报还需要较为准确的污染物排放数据、详细的地理环境数据、边界条件等,并需要做大量的计算。现有计算资源往往无法满足越来越精细化的空气质量预测需求。
技术实现思路
[0003]根据本公开的实施例,提供了一种空气质量预测方案。
[0004]在本公开的第一方面,提供了一种空气质量预测方法。该方法包括:确定空气质量预测的时空范围;确定所述时空范围内的气象预报数据及排放源预测数据;将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第一时间间隔进行预测,得到所述时空范围内的空气质量预测数据;根据所述时空范围内的空气质量预测数据的变化,对变化率超过阈值的时空范围,以第二时间间隔进行预测;其中,所述第一时间间隔大于所述第二时间间隔;将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
[0005]如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法包括:根据预先训练的排放源数据预测模型,得到从第一时刻开始的第1至n个第一预设时间间隔的排放源预测数据,其中,n为大于等于1的正整数。
[0006]如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第一时间间隔进行预测,得到所述时空范围内的空气质量预测数据包括:将第1至n个第一预设时间间隔的排放源预测数据、气象预报数据输入预先训练的空气质量预测模型,得到第1至n个第一预设时间间隔的空气质量预测数据。
[0007]如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述空气质量模型是通过以下步骤训练得到的:根据历史排放源数据、历史气象数据及历史空气质量数据生成训练集;通过所述训练样本对预设的神经网络模型进行训练;其中,所述神经网络模型为RNN循环神经网络模型或LSTM长短期记忆模型。
[0008]如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根据所述时空范围内的空气质量预测数据的变化,对变化率超过阈值的时空范围,以第二时间间隔进行预测,包括:确定空气质量预测数据的变化率超过预设阈值的网格点及对应的时间范围;
将所述网格点以及对应的时间范围的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第二时间间隔进行预测,得到所述时空范围内的空气质量预测数据。
[0009]如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合包括:将未以第二时间间隔进行预测的网格点以及对应的时间范围,以第一时间间隔进行预测得到的空气质量预测数据进行插值;得到所述时空范围内的以第二时间间隔进行预测的空气质量预测数据。
[0010]在本公开的第二方面,提供了一种空气质量预测装置。该装置包括:时空范围确定模块,用于确定空气质量预测的时空范围;
[0011]数据模块,用于确定所述时空范围内的气象预报数据及排放源预测数据;预测模块,用于将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第一时间间隔进行预测,得到所述时空范围内的空气质量预测数据;所述预测模块,还用于根据所述时空范围内的空气质量预测数据的变化,对变化率超过阈值的时空范围,以第二时间间隔进行预测;其中,所述第一时间间隔大于所述第二时间间隔;融合模块,用于将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。
[0012]在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
[0013]在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二方面的方法。
[0014]应当理解,
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0015]结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
[0016]图1示出了根据本公开的实施例的空气质量预测方法的流程图;
[0017]图2示出了根据本公开的实施例的空气质量预测装置的方框图;
[0018]图3示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
[0019]为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
[0020]另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
[0021]图1示出了根据本公开实施例的空气质量预测方法100的流程图。
[0022]在框102,确定空气质量预测的时空范围;其中,所述时空范围包括地理区域、时间范围。
[0023]在一些实施例中,所述时空范围包括地理区域、时间范围。所述地理区域包括一个或多个格网点,所述时间范围可以是从当前时间开始的时间范围,也可以是当前时间之后的任意时间开始的时间范围。在实际操作中,一般都要提前进行空气质量预测,例如,提前1天、12小时等等。
[0024]在一些实施例中,所述时间范围以天为单位。
[0025]在框104,确定所述时空范围内的气象预报数据及排放源预测数据;
[0026]在一些实施例中,根据预先训练的排放源数据预测模型,得到所述地理区域、时间范围从第一时刻开始的第1至n个第一预设时间间隔的排放源预测数据。
[0027]在一些实施例中,获取所述地理区域内每个格网点在所述评估时间范围内的气象预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种空气质量预测方法,其特征在于,包括:确定空气质量预测的时空范围;确定所述时空范围内的气象预报数据及排放源预测数据;将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第一时间间隔进行预测,得到所述时空范围内的空气质量预测数据;根据所述时空范围内的空气质量预测数据的变化,对变化率超过阈值的时空范围,以第二时间间隔进行预测;其中,所述第一时间间隔大于所述第二时间间隔;将以第一时间间隔进行预测得到的空气质量预测数据与以第二时间间隔进行预测得到的空气质量预测数据进行融合。2.根据权利要求1所述的方法,其特征在于,所述方法包括:根据预先训练的排放源数据预测模型,得到从第一时刻开始的第1至n个第一预设时间间隔的排放源预测数据,其中,n为大于等于1的正整数。3.根据权利要求2所述的方法,其特征在于,将所述时空范围内的气象预报数据、排放源预测数据输入预先训练的空气质量预测模型,以第一时间间隔进行预测,得到所述时空范围内的空气质量预测数据包括:将第1至n个第一预设时间间隔的排放源预测数据、气象预报数据输入预先训练的空气质量预测模型,得到第1至n个第一预设时间间隔的空气质量预测数据。4.根据权利要求1所述的方法,其特征在于,所述空气质量预测模型是通过以下步骤训练得到的:根据历史排放源数据、历史气象数据及历史空气质量数据生成训练集;通过所述训练样本对预设的神经网络模型进行训练;其中,所述神经网络模型为RNN循环神经网络模型或LSTM长短期记忆模型。5.根据权利要求1所述的方法,其特征在于,根据所述时空范围内的空气质量预测数据的变化,对变化率超过阈值的时空范围,以第二时间间隔进行预测,包括:确定空气质量预测数据的变化率超过预设阈值的网格点及对应的时间范围;将所述...
【专利技术属性】
技术研发人员:罗勇,王晶晶,陈伟君,
申请(专利权)人:罗勇,
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。