[发明专利]一种大数据可视化的空气污染溯源和走向预测方法

说明书

技术领域

本发明涉及大数据领域、机器学习领域、计算机仿真领域、环境保护领域、以及计算机交互系统领域，更具体地说，本发明涉及一种大数据可视化的空气污染溯源和走向预测方法。

背景技术

近年来，中国多次爆发大范围雾霾，雾霾物理成分主要为PM2.5、PM10等，化学成分主要为碳、硫酸盐、铅、砷、镉、铜等。对于这种雾霾，人类呼吸系统无法有效防御，严重危害健康。

对污染物的测定，行业内有三种方法：

1、重量法：原理为恒速抽取定量体积空气，使环境空气中的PM2.5和PM10被截留在已知质量的滤膜上，根据滤膜采样前后质量、体积变化，计算PM2.5和PM10浓度。

2、振荡法：原理为当采样气流通过滤膜，颗粒物沉积在滤膜上，滤膜的质量变化导致滤膜振荡频率的变化，通过振荡频率变化计算出沉积在滤膜上颗粒物的质量。

3、射线法：原理为当采样气流通过滤膜，颗粒物沉积在滤膜上，颗粒物沉淀在滤膜上，当β射线通过滤膜时，射线能量衰减，通过对衰减量测定计算颗粒物浓度。

我国目前对大气颗粒物的测定主要采用重量法，采样环境及采样频率要按照HJ.T194的要求执行。公开的官方空气质量数据均来自环保部下属的环境监测站，专人定期采样、做空气成分检测报告。由此，基于天气气象预报、季节、监测站历史数据进行雾霾的预测。

现有环保部下属的环境监测站检测方式，优点是事后测量相对精确，但是检测以实验室仪器设备为主，受到造价和维护成本昂贵、专人定期采样的人力成本的限制，官方监测站数量较少(2015年末平均每个省份不足10个)。而且，采用各城市的空气污染指数(API)分级制，计算城市空气质量达标天数作为该城市空气质量的评价,具有测量点时间、地域跨度大、较为粗略的特点。

由于这些缺陷，导致传统只能使用静态预报方法，基于天气气象预报、季节、交通发达程度、用煤气暖气量、本监测站历史数据等宏观指标进行预测，不够精细准确。

而对于微观层面实时进行雾霾扩散条件、走向的更精确预测，污染来源的更精准溯源和快速处理，则需要更密集的实时数据联动分析。

目前官方监测站数量少、密度低、实习性和联动信息化程度较低，对于政府污染监控治理具有滞后性、缺乏预见性，对人民群众根据雾霾扩散方向速度进行实健康路径规划指导也缺乏精细的依据。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种大数据可视化的空气污染溯源和走向预测方法。

根据本发明，提供了一种大数据可视化的空气污染溯源和走向预测方法，包括：

第一步骤：结合空气扩散条件作为输入因子，使用误差逆向传播算法训练的多层前馈神经网络，建立用于空气污染溯源和走向预测的前馈模型；

第二步骤：执行前馈模型的学习过程，其中采用空气污染历史数据作为前馈模型的输入训练因子，使用误差性能函数的最速下降法，通过误差的反向传播来逐渐调整网络前馈模型的权值和阈值，以使网络前馈模型的输出误差不断减小。

优选地，前馈模型的学习过程包括如下两个阶段：

输入训练因子的正向传播阶段，其中输入训练因子从输入层进入网络，经隐含层后，传向输出层，在输出端产生输出信号，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播阶段；

误差信号的反向传播阶段，其中将网络的实际输出与期望输出之间的差作为误差信号，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值根据误差反馈进行调整；

其中，输入训练因子的正向传播阶段与误差信号的反向传播阶段交替循环进行，在每完成一次循环时采用实时指标进行污染走向预测。

优选地，所述大数据可视化的空气污染溯源和走向预测方法还包括第三步骤：通过遗传算法进行前馈模型的关联校正。

优选地，在第三步骤中，每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，其中如果训练的识别率高于现有则设为最优参数，否则执行选择、交叉和变异操作以进一步优化训练参数。

优选地，所述大数据可视化的空气污染溯源和走向预测方法还包括第四步骤：通过模块化数据接口多维度地呈现预测结果及溯源结果。

优选地，前馈模型包括输入层、隐层和输出层。

优选地，输入因子包括风速、风力、风向、温度、温差、气压、雨量、云量中的一个或多个。