[发明专利]一种基于时空数据统计学习的臭氧浓度预测方法及系统

说明书

本发明提供一种基于时空数据统计学习的臭氧浓度预测方法及系统，包括：获取每一环境监测站点每一历史时刻对应的参考特征和参考结果；获取训练验证集和测试集；使用统计学习算法，在训练验证集上通过十折交叉验证进行模型参数选择和训练，获得预测模型，并在测试集上进行测试；根据待测环境监测站点当前时刻对应的目标特征、预测模型和待测环境监测站点当前时刻对应的臭氧浓度，获得待测环境监测站点当前预测时刻的臭氧浓度。本发明通过时空数据和统计学习，将臭氧浓度、气象条件和点源排放引入特征提取过程，精准刻画臭氧浓度的升高原因，同时采用增量分析，相比之前的统计模型，准确性有极大提升，且通用性强，适用于不同的环境监测站点。

技术领域

本发明涉及计算机数据分析技术领域，更具体地，涉及一种基于时空数据统计学习的臭氧浓度预测方法及系统。

背景技术

目前，随着现代社会的发展，工业化和城市化不断加深，空气质量问题愈发不可忽视。可吸入颗粒物、氮氧化物、一氧化碳、臭氧等大气污染物的浓度超过一定范围时，都会对人类的健康产生危害。而大气污染物的浓度通常受到多种因素影响，车辆、船舶、飞机等移动源的尾气排放会对大气污染物的浓度造成影响，工业废气排放等点源对大气污染物的浓度造成影响，点源、监测站周边的气象、地形等因素也会对污染物的产生、扩散和累积发挥不同作用。

因此，如何将这些数据进行整合和综合分析，精准地预报一定时间范围内的大气污染物浓度，从而进行高浓度污染的提前预警，甚至是据此采取调整或限制点源、移动源排放的措施，是非常重要且有意义的。

现有大气污染物浓度或空气质量预测的方法主要分为两类：基于数值模式的预测和基于统计模型的预测。

基于数值模式的大气污染物浓度预测是现有的主流方法，此类方法主要利用污染排放源数据和气象数据两类输入，通过对物理、化学过程的模拟，进行大气污染物浓度的预测。此类方法虽然对物理、化学过程的模拟较为准确，但其输入数据中，排放源清单和气象模式数据可能均存在一定误差。尤其是排放源清单，多依据省市的整体排放数据和地理位置分布进行各区域的排放量分析估计，这种估计大多依赖经验进行，准确度极低。输入数据的不准确性，导致数值模式的预测结果常常与真实监测值相去甚远。此外，数值模式的计算往往需要大量的计算资源和较长的计算时间，很难对短时突发的事件过程进行模拟和及时预报。

针对以上排放源清单、气象等输入不准和难以应对突发情况及时预报的两点不足，基于统计模型的大气污染物浓度预测方法应运而生。

基于统计模型的预测主要是通过对空气质量监测数据、气象监测数据等多源时空数据进行综合分析，利用机器学习的相关方法拟合出一个模型，从而进行预测。统计模型的优势主要表现在以下两点：一是模型输入为真实数据，模型输入数据不准的可能性大大降低；二是统计模型输出结果的速度很快，容易应对突发情况和进行滚动预测。

然而现有基于统计模型的臭氧浓度预测方法大部分仅考虑监测数据和气象数据进行回归分析，并未考虑引起大气污染物浓度变化的因素，预测结果也并不尽如人意。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于时空数据统计学习的臭氧浓度预测方法及系统。