【技术实现步骤摘要】
本专利技术涉及环境监测，尤其是涉及一种环境监测方法、系统及存储介质。
技术介绍
1、pm2.5(particulate matter,2.5,细颗粒物)是指空气中直径小于等于2.5微米的颗粒物，是污染空气的主要物质之一。随着人们对环境质量要求的提高，对pm2.5的监测愈加严格，传统的监测手段需要专业人员进行，无法普及化。
2、现有技术通过传统(整数阶)卡尔曼滤波模型对pm2.5浓度进行预测，其中，传统(整数阶)卡尔曼滤波模型建立在一阶离散状态空间线性模型基础上，一阶离散状态空间线性模型通过当前的pm2.5的浓度推算下一时刻的pm2.5浓度，而不考虑历史状态对未来时刻的影响。但是，传统方法中对于当前时刻的pm2.5浓度的数据采集和处理过程若存在较大的异常，如缺失、不准确或不全面，则会导致下一时刻的pm2.5浓度预测得精度低，预测结果不够准确可靠。其次，现有技术中的环境监测设备体积庞大，价格昂贵，不利于普及，并且在pm2.5浓度的数据采集后的传输过程中存在延迟，使传统(整数阶)卡尔曼滤波模型不能及时获取实时的pm2.5浓度信息，进而使预测结果延迟。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种环境监测方法、系统及存储介质，以解决上述问题中的至少一种，实现了基于当前时刻的pm2.5浓度与历史时刻的pm2.5浓度来预测下一时刻的pm2.5浓度，以提高预测得到的pm2.5浓度的精确度，进而对环境污染进行有效的治理。
2、第一方面，本专利技术实施例提供了一种
3、获取待测环境的环境参数集合；其中，所述环境参数集合包括环境参数观测值和多个历史环境参数状态值，所述环境参数集合的类型包括以下之一：细颗粒物pm2.5浓度、可吸入颗粒物pm10浓度、二氧化碳co2浓度、二氧化硫so2浓度、二氧化氮no2浓度、臭氧o3浓度、一氧化碳co浓度、温度和湿度；
4、将所述环境参数集合输入至预测模型，以使所述预测模型根据所述环境参数集合生成所述待测环境在下一时刻的环境参数状态预测修正值；其中，所述预测模型基于n阶卡尔曼滤波模型得到。
5、优选地，所述预测模型包括预测子模型和修正子模型；
6、所述将所述环境参数集合输入至预测模型，以使所述预测模型根据所述环境参数集合生成所述待测环境在下一时刻的环境参数状态预测修正值的步骤，包括：
7、将所述历史环境参数状态值和当前时刻的所述环境参数状态预测修正值输入至所述预测子模型，以使所述预测子模型输出下一时刻的环境参数状态预测值；
8、将下一时刻的所述环境参数观测值、下一时刻的增益矩阵和下一时刻的所述环境参数状态预测值输入至所述修正子模型，以使所述修正子模型输出下一时刻的所述环境参数状态预测修正值。
9、优选地，所述预测子模型的表达式如下：
10、
11、其中，为下一时刻的所述环境参数状态预测值，ad为状态转移矩阵，为当前时刻的所述环境参数状态预测修正值，γr为所述预测模型的阶数矩阵，r＝1,2,3......k，xk-r为所述历史环境参数状态值；
12、所述修正子模型的表达式如下：
13、
14、其中，为下一时刻的所述环境参数状态预测修正值，为下一时刻的所述环境参数状态预测值，kk为下一时刻的所述增益矩阵，yk为下一时刻的所述环境参数观测值，c为观测系数矩阵。
15、优选地，所述预测模型还包括预测误差子模型和增益子模型，所述方法还包括：
16、将第一误差矩阵、第二误差矩阵和当前时刻的环境参数状态噪声协方差矩阵输入至所述预测误差子模型，以使所述预测误差子模型输出第三误差矩阵；其中，所述第一误差矩阵为当前时刻的所述环境参数状态预测修正值的均方根误差矩阵，所述第二误差矩阵为历史时刻的所述环境参数状态预测修正值的所述均方根误差矩阵，所述第三误差矩阵为下一时刻的所述环境参数状态预测值的所述均方根误差矩阵；
17、将所述第三误差矩阵和下一时刻的环境参数观测值噪声协方差矩阵输入至所述增益子模型，以使所述增益子模型输出下一时刻的所述增益矩阵。
18、优选地，所述预测误差子模型的表达式如下：
19、
20、其中，为所述第三误差矩阵，ad为所述状态转移矩阵，γr为所述所述预测模型的所述阶数矩阵，r＝2,3,4......k，pk-1为所述第一误差矩阵，qk-1为当前时刻的所述环境参数状态噪声协方差矩阵，pk-r为所述第二误差矩阵；
21、所述增益子模型的表达式如下：
22、
23、其中，kk为下一时刻的所述增益矩阵，为所述第三误差矩阵，c为观测系数矩阵，rk为下一时刻的环境参数观测值噪声协方差矩阵。
24、优选地，所述预测模型还包括预测误差修正子模型，所述方法还包括：
25、将所述第三误差矩阵和下一时刻的所述增益矩阵输入至所述预测误差修正子模型，以使所述预测误差修正子模型输出第四误差矩阵；其中，所述第四误差矩阵为下一时刻的所述环境参数状态预测修正值的所述均方根误差矩阵。
26、优选地，所述预测误差修正子模型的表达式如下：
27、
28、其中，pk为所述第四误差矩阵，i为单位矩阵，kk为下一时刻的所述增益矩阵，c为观测系数矩阵，为所述第三误差矩阵。
29、优选地，所述方法还包括：
30、若所述待测环境在下一时刻的环境参数状态预测修正值超过阈值，生成环境报警信息，以提示工作人员对环境进行治理。
31、本专利技术实施例提供的环境监测方法带来了以下有益效果：
32、本专利技术实施例提供了一种环境监测方法，通过将获取到的待测环境的环境参数集合输入至预测模型，以使预测模型根据待测环境的环境参数集合预测出下一时刻的环境参数状态预测修正值，该方法提高了对下一时刻的环境参数状态预测修正值的预测精度，以便根据下一时刻的环境参数状态预测修正值对环境污染进行有效的治理。
33、第二方面，本专利技术实施例还提供一种环境监测系统，所述系统包括数据采集装置和云端服务器；其中，所述数据采集装置与所述云端服务器通信连接；
34、所述数据采集装置，用于获取待测环境的环境参数集合，并将所述环境参数集合发送至所述云端服务器；
35、所述云端服务器，用于获取所述环境参数集合，并利用上述任一项所述的环境监测方法确定所述待测环境在下一时刻的环境参数状态预测修正值。
36、本专利技术实施例提供的环境监测系统，与上述实施例提供的环境监测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
37、第三方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现上述任一项所述的方法中的有益效果，在此不再赘述。
38、本专利技术的其他特征和本文档来自技高网...
【技术保护点】
1.一种环境监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括预测子模型和修正子模型；
3.根据权利要求2所述的方法，其特征在于，所述预测子模型的表达式如下：
4.根据权利要求3所述的方法，其特征在于，所述预测模型还包括预测误差子模型和增益子模型，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述预测误差子模型的表达式如下：
6.根据权利要求4所述的方法，其特征在于，所述预测模型还包括预测误差修正子模型，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述预测误差修正子模型的表达式如下：
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
9.一种环境监测系统，其特征在于，所述系统包括数据采集装置和云端服务器；其中，所述数据采集装置与所述云端服务器通信连接；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-8任一
...【技术特征摘要】
1.一种环境监测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预测模型包括预测子模型和修正子模型；
3.根据权利要求2所述的方法，其特征在于，所述预测子模型的表达式如下：
4.根据权利要求3所述的方法，其特征在于，所述预测模型还包括预测误差子模型和增益子模型，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述预测误差子模型的表达式如下：
6.根据权利要求4所述的方法，其特征在于，所述预测模型还包括...
【专利技术属性】
技术研发人员：柳絮，王凯，余永明，方成，彭湘桂，刘瑞敏，王旭阳，李智，胡厚杰，丁天翔，陈龙，陈才，
申请(专利权)人：北京城建勘测设计研究院有限责任公司，
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。