[发明专利]污染物浓度预报方法及装置

说明书

本发明公开了一种污染物浓度预报方法及装置，其中该方法包括：获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度，将H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由第一监督学习的非线性模型预报第一时段C1的指定污染物的浓度。通过本发明解决了现有技术中对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题，实现了对臭氧浓度的准确预报。

技术领域

本发明涉及环境预报技术领域，尤其涉及污染物浓度预报方法及装置。

背景技术

臭氧是大气中的痕量气体，约90％以上的臭氧分布在大气平流层，不到10％的臭氧处于对流层内。臭氧具有强氧化性，环境空气中短期高浓度臭氧暴露会对人体的心血管系统和呼吸系统等造成严重的危害。此外，高浓度环境空气臭氧还会损害植物的生长和繁殖、降低农作物的产量和生物多样性等。

在PM10和PM2.5浓度显著下降的大背景下，臭氧浓度的大气污染成为了治理中的重点关注对象，获得某行政区域内年际臭氧平均浓度的准确预报值，对于科学制定长期的臭氧防控策略，评估防控效果具有极其重要的意义。而由于臭氧加入大气污染物常规观测时间较晚，时间序列较短，特定区域内不同站点的建设时间不同，导致数据不平衡。时间序列短，数据不平衡成为了制约机器学习技术在区域臭氧年平均浓度预报的主要瓶颈。

现阶段我国国控大气污染物监测站点、地方大气污染物监测站点逐渐增多，时间序列逐渐增加，数据源得到了很大的提升。某一行政区域中臭氧年平均浓度预报问题，可以描述为通过前几年该区域内臭氧浓度的变化情况，预报今后几年臭氧的年平均浓度。现阶段主要的行政区域内臭氧年平均浓度的预报方法为灰度模型算法。通过某一行政区域内前n年的臭氧年平均浓度，确定灰度模型参数，进而对该区域内的今后几年的逐年臭氧平均浓度进行预报，但是该方法只能捕捉臭氧年际变化的大体趋势，无法捕捉臭氧浓度年际变化的非线性特征。

针对现有技术中，对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题，还未提出有效的解决方案。

发明内容

有鉴于此，本发明实施例提供了一种污染物浓度预报方法及装置，以解决现有技术中对于臭氧浓度的预报，仅能捕捉臭氧年际变化的大体趋势，而无法捕捉臭氧浓度年际变化的非线性特征的问题。

为此，本发明实施例提供了如下技术方案：

本发明第一方面，提供了一种污染物浓度预报方法，包括：

获取预定区域第一时段C1之前的H1个时段对应的H1个指定污染物的浓度；

将所述H1个时段对应的H1个指定污染物的浓度输入至第一监督学习的非线性模型，由所述第一监督学习的非线性模型预报所述第一时段C1的指定污染物的浓度；

其中，所述第一监督学习的非线性模型通过如下训练数据训练得到：

其中，表示所述预定区域内的第P个站点在时段period(n)的指定污染物的浓度；H1、P、n为正整数。

可选地，所述方法还包括：

根据所述训练数据获取前n个时段指定污染物的平均浓度和第n+1时段的指定污染物的浓度；

随机选取所述前n个时段的指定污染物的平均浓度和所述第n+1时段的指定污染物的浓度对M个随机森林模型进行训练，得到M个第二监督学习的非线性模型：

{model₁,model₂,…,model_M}；