[发明专利]评估空气质量浓度预测中气象数据对其影响的分析方法

说明书

本申请公开了一种评估空气质量浓度预测中气象数据对其影响的分析方法，涉及数据分析技术领域。包括以下步骤：获取并预处理空气质量数据集和气象数据集；利用Mann‑Kendall检测方法对预处理后的空气质量数据和气象数据进行特征选择，取通过检验且通过高于预设阈值的空气质量特征和气象特征；构建LSTM模型，基于选定输入特征的空气质量数据集和气象数据集开展LSTM模型训练工作；将实时空气质量数据和气象数据输入至训练好的LSTM模型中得到预测结果。本申请用于提升对各个监测站点空气质量预测能力。

技术领域

本申请涉及数据分析技术领域，尤其涉及一种评估空气质量浓度预测中气象数据对其影响的分析方法。

背景技术

近年来，我国在大气环境污染问题方面已取得了显著成效，各个区域的优良天数比例不断提升，极大程度提高了人们对美好生态环境的获得感。但在极端状况下，仍有大气环境污染事件发生。此时，如何快速开展空气质量预测能力分析就显得尤为重要。

随着物联网、大数据和人工智能等新一代信息技术快速发展，我国的环境监测和管理也步入了一个新的时代。依托环境监测数据，大量的环境管理研究人员采用深度学习等方法开展了不同时长的空气质量预测工作，较好的指导了环境管理工作。但大气环境污染问题除了受污染物排放影响，还受到当地的气象状况影响。基于此，亟需通过将更多的输入特征纳入到空气质量预测当中，以期达到更为精准的预测效果。以此达到更为精准的预测能力分析。

发明内容

本申请提供一种评估空气质量浓度预测中气象数据对其影响的分析方法，利用Kendall相关系数法选取气象特征，并结合LSTM模型对空气质量进行预测，提高了预测能力。

为达到上述目的，本申请提供了一种评估空气质量浓度预测中气象数据对其影响的分析方法，包括以下步骤：

S1：获取空气质量数据集和气象数据集，并对空气质量数据集和气象数据集进行预处理；

S2：利用Mann-Kendall检测法对预处理后的空气质量数据和气象数据进行特征选择，取通过率高于预设阈值的环境特征和气象特征；

S3：构建LSTM模型，基于环境特征和气象特征对LSTM模型进行训练；

S4：将实时空气质量数据和气象数据输入至训练好的LSTM模型中，得到预测结果。

进一步地，步骤S3中LSTM模型采用单层神经网络。

进一步地，步骤S1中预处理步骤采用的是线性插值法。

进一步地，空气质量数据集包括PM2.5、PM10、SO₂、CO、O₃、NO₂的历史数据，气象数据集包括温度、气压、相对湿度、风向和风速的历史数据。

进一步地，步骤S1和S2之间还包括：将空气质量数据集和气象数据集进行归一化处理。

进一步地，步骤2具体包括：

设定PM2.5观测值为预测目标，并将所述气象数据集和空气质量数据集作为输入特征，利用Mann-Kendall检测相关系数法选取特征；在选取特征过程中，设定α＝0.05为检验通过方法，选取通过率大于0.1的特征作为训练LSTM模型的数据集。

进一步地，还包括步骤：采用决定系数和均方根误差对预测结果与观测数据进行分析比对。

进一步地，其特征在于，LSTM模型的优化器设置为Adam，损失函数为MAE，神经元数量为50。

本申请相比现有技术具有以下有益效果：本申请将气象数据纳入到空气质量预测当中，以此达到更为精准的预测能力分析。采用Kendall检验分析方法，围绕预测目标特征和其余特征将其转换为监督学习的方式，确定模型的训练过程所需的特征因子，提升预测效果。