空气质量及气象条件的预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供空气质量及气象条件的预测方法、装置、设备及存储介质，该方法包括：获取待预测区域在目标历史时段的至少一种污染物的浓度值；将所有污染物的浓度值输入至预先构建的空气质量预测模型中，确定待预测区域在未来时段的每种污染物的浓度值，其中，空气质量预测模型为LSTM神经网络；基于未来时段的每种污染物的浓度值，以及预设的气象预测模型，确定待预测区域在未来时段的气象条件；其中，气象预测模型包括多个不同的簇，每个簇的样本特征相同但是数据范围不同，样本特征包括空气质量数据和气象影响条件。本发明专利技术不仅可以根据历史浓度预测未来时段的污染物浓度，还可以根据未来时段的污染物浓度预测未来时段的气象条件。来时段的污染物浓度预测未来时段的气象条件。来时段的污染物浓度预测未来时段的气象条件。

【技术实现步骤摘要】
空气质量及气象条件的预测方法、装置、设备及存储介质


[0001]本专利技术涉及空气污染预测
，尤其涉及一种空气质量及气象条件的预测方法、装置、设备及存储介质。

技术介绍

[0002]空气污染是一个复杂的现象，在特定时间和地点，空气污染物的浓度会受到很多因素的影响，除了来自固定和流动污染源的人为污染物排放大小的影响外，还会受到区域的发展密度、地形地貌和气象条件的影响。通过建立空气质量预测模型，提前获知可能发生的大气污染，并采取相应的控制措施，是减少大气污染对人体健康和环境等造成的危害，提高环境空气质量的有效方法之一。
[0003]目前，空气污染物浓度预测的主要方法包括：CMAQ大气污染污染物预测的机理模型、AERMOD模型、CALPUFF模型以及WRF
‑
CMAQ预测模型。CMAQ大气污染污染物预测的机理模型其相关过程较为复杂，建模难度大，预测精度难以提升。AERMOD模型虽被广泛应用于大气环评中的污染物扩散模拟、大气防护距离计算等方面，但是该模型在应用过程中，高空气象资料获取不易、所需地形数据格式和一般地形数据格式不相符、对于长期平均浓度的计算消耗时间过长等缺点。CALPUFF模型可模拟复杂地形，在初始风场分析中，考虑了动力学和坡面流，模拟过程具有真实性和针对性。但是CALPUFF模型多用于模拟中小尺度环境问题。WRF
‑
CMAQ模型则受制于模拟的气象场以及排放清单的不确定性，以及对包括臭氧在内的污染物生成机理的不完全明晰。
[0004]因此，亟需一种可以根据历史污染物的浓度，对未来时段的污染物的浓度以及未来时段的气象条件进行预测的方法。

技术实现思路

[0005]本专利技术实施例提供了一种空气质量及气象条件的预测方法、装置、设备及存储介质，以解决目前的模型无法准确地预测未来污染物浓度和气象条件的问题。
[0006]第一方面，本专利技术实施例提供了一种空气质量及气象条件的预测方法，包括：
[0007]获取待预测区域在目标历史时段的至少一种污染物的浓度值；
[0008]将所有污染物的浓度值输入至预先构建的空气质量预测模型中，确定待预测区域在未来时段的每种污染物的浓度值，其中，空气质量预测模型为LSTM神经网络；
[0009]基于未来时段的每种污染物的浓度值，以及预设的气象预测模型，确定待预测区域在未来时段的气象条件；其中，气象预测模型包括多个不同的簇，每个簇的样本特征相同但是数据范围不同，样本特征包括空气质量数据和气象影响条件。
[0010]在一种可能的实现方式中，气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件；其中，第一历史预测数据为采用空气质量预报模式系统预测的多个历史时间段内的每种污染物的浓度值，第一历史真实数据为多个历史时间段内监测到的每种污染物的浓度值，历史气象条件为多个历史时间段内的气象条件。
[0011]在一种可能的实现方式中，每个簇为基于对气象预测模型的训练样本进行聚类分析得到的。
[0012]在一种可能的实现方式中，基于未来时段的每种污染物的浓度值，以及预设的气象预测模型，确定待预测区域在未来时段的气象条件，包括：
[0013]基于未来时段的每种污染物的浓度值，计算所有污染物的空气质量分指数，并确定首要污染物；
[0014]基于首要污染物的浓度值，以及预设的气象预测模型中的首要污染物的范围，确定待预测区域在未来时段的气象条件。
[0015]在一种可能的实现方式中，首要污染物为所有污染物中空气质量分指数最大的污染物。
[0016]在一种可能的实现方式中，气象影响条件包括湿度、气压、风速、风向或温度中的至少一个；
[0017]污染物包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
[0018]在一种可能的实现方式中，污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值；
[0019]气象预测模型包括3个不同的簇，每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
[0020]第二方面，本专利技术实施例提供了一种空气质量及气象条件的预测装置，包括：
[0021]获取数据模块，用于获取待预测区域在目标历史时段的至少一种污染物的浓度值；
[0022]确定数据模块，用于将所有污染物的浓度值输入至预先构建的空气质量预测模型中，确定待预测区域在未来时段的每种污染物的浓度值，其中，空气质量预测模型为LSTM神经网络；
[0023]确定气象模块，用于基于未来时段的每种污染物的浓度值，以及预设的气象预测模型，确定待预测区域在未来时段的气象条件；其中，气象预测模型包括多个不同的簇，每个簇的样本特征相同但是数据范围不同，样本特征包括空气质量数据和气象影响条件。
[0024]在一种可能的实现方式中，气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件；其中，第一历史预测数据为采用空气质量预报模式系统预测的多个历史时间段内的每种污染物的浓度值，第一历史真实数据为多个历史时间段内监测到的每种污染物的浓度值，历史气象条件为多个历史时间段内的气象条件。
[0025]在一种可能的实现方式中，每个簇为基于对气象预测模型的训练样本进行聚类分析得到的。
[0026]在一种可能的实现方式中，确定气象模块，用于基于未来时段的每种污染物的浓度值，计算所有污染物的空气质量分指数，并确定首要污染物；
[0027]基于首要污染物的浓度值，以及预设的气象预测模型中的首要污染物的范围，确定待预测区域在未来时段的气象条件。
[0028]在一种可能的实现方式中，首要污染物为所有污染物中空气质量分指数最大的污染物。
[0029]在一种可能的实现方式中，气象影响条件包括湿度、气压、风速、风向或温度中的至少一个；
[0030]污染物包括PM2.5、PM10、SO2、O3、NO2或CO中的至少一种污染物。
[0031]在一种可能的实现方式中，污染物的浓度值包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值和CO的浓度值；
[0032]气象预测模型包括3个不同的簇，每个簇的样本特征包括PM2.5的浓度值、PM10的浓度值、SO2的浓度值、O3的浓度值、NO2的浓度值、CO的浓度值、温度值、湿度值、气压值、风速值和风向值。
[0033]第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0034]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空气质量及气象条件的预测方法，其特征在于，包括：获取待预测区域在目标历史时段的至少一种污染物的浓度值；将所有污染物的浓度值输入至预先构建的空气质量预测模型中，确定所述待预测区域在未来时段的每种污染物的浓度值，其中，所述空气质量预测模型为LSTM神经网络；基于所述未来时段的每种污染物的浓度值，以及预设的气象预测模型，确定所述待预测区域在未来时段的气象条件；其中，所述气象预测模型包括多个不同的簇，每个簇的样本特征相同但是数据范围不同，所述样本特征包括空气质量数据和气象影响条件。2.如权利要求1所述的预测方法，其特征在于，所述气象预测模型的训练样本包括第一历史预测数据、第一历史真实数据、以及历史气象条件；其中，所述第一历史预测数据为采用空气质量预报模式系统预测的多个历史时间段内的每种污染物的浓度值，所述第一历史真实数据为所述多个历史时间段内监测到的每种污染物的浓度值，所述历史气象条件为所述多个历史时间段内的气象条件。3.如权利要求2所述的预测方法，其特征在于，所述每个簇为基于对所述气象预测模型的训练样本进行聚类分析得到的。4.如权利要求1所述的预测方法，其特征在于，所述基于所述未来时段的每种污染物的浓度值，以及预设的气象预测模型，确定所述待预测区域在未来时段的气象条件，包括：基于所述未来时段的每种污染物的浓度值，计算所有污染物的空气质量分指数，并确定首要污染物；基于所述首要污染物的浓度值，以及所述预设的气象预测模型中的所述首要污染物的范围，确定所述待预测区域在未来时段的气象条件。5.如权利要求4所述的预测方法，其特征在于，所述首要污染物为所有污染物中空气质量分指数最大的污染物。6.如权利要求1...

【专利技术属性】
技术研发人员：周宁，刘朝阳，池鹏飞，傅高铎，刘慧贤，张立俊，路继勇，纪玉德，张浩，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：