(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202011474847.5
(22)申请日 2020.12.14
(71)申请人 南京菲米诗家具有限公司
地址 210000 江苏省南京市浦口区汤泉街
道高华社区费庄组88-321办公室
(72)发明人 不公告发明人
(74)专利代理机构 深圳至诚化育知识产权代理
事务所(普通合伙) 44728
代理人 刘英
(51)Int.Cl.
G06F 30/27(2020.01)
G01N 33/00(2006.01)
G01W 1/10(2006.01)
(54)发明名称
(57)摘要
本发明实施例提供一种预测大气污染的方
构建的损失函数对所述候选预测模型的预测结
的损失值，其中，所述损失函数为基于机器学习
实结果之间拟合程度的函数；将各所述损失值小
于预设值的相应候选预测模型确定为期望预测
模型；利用所述期望预测模型进行大气污染监测
并输出监测结果。本发明实施例中，当应用多个
模型共同预测大气污染情况时，能够自动对几百
个甚至上千个参数进行调参，无需人工手动调
参，大大降低了人力成本和时间成本，而且还提
高了模型调参的效率。权利要求书2页 说明书9页 附图3页CN 112613228 A 2021.04.06
C N 112613228
A
1.一种预测大气污染的方法，其特征在于，所述方法包括：
从预设模型库中的预测模型中获取至少一个候选预测模型；
利用预先构建的损失函数对所述候选预测模型的预测结果进行拟合，并计算得到每一所述候选预测模型的损失值，其中，所述损失函数为基于机器学习原理构建的用于度量预测模型的预测结果与真实结果之间拟合程度的函数；
将各所述损失值小于预设值的相应候选预测模型确定为期望预测模型；
利用所述期望预测模型进行大气污染监测并输出监测结果。
2.根据权利要求1所述的预测大气污染的方法，其特征在于，在所述计算得到每一所述候选预测模型的损失值之后，所述方法还包括：
将当前损失值对应的候选模型参数记录到历史参数数据集中，并继续利用所述损失函数对更新参数后的候选预测模型的预测结果进行拟合，直至得到的损失值小于所述预设值。
3.根据权利要求1所述的预测大气污染的方法，其特征在于，所述将各所述损失值小于预设值的相应候选预测模型确定为期望预测模型包括：
根据所述损失函数的均方根确定所述预设值，并将所述损失值小于所述均方根的相应候选预测模型确定为期望预测模型。
4.根据权利要求1所述的预测大气污染的方法，其特征在于，所述预设模型库的构建包括：
获取各所述候选预测模型的历史预测结果；
利用高斯建模方法对所述历史预测结果进行高斯建模，构成预设模型库。
5.根据权利要求4所述的预测大气污染的方法，其特征在于，所述预设模型库中各预测模型的预测结果的数据类型包括：固定值、随机值、状态值、累计值中的至少一种。
6.根据权利要求5所述的预测大气污染的方法，其特征在于，在利用预先构建的损失函数对所述候选预测模型的预测结果进行拟合之前，所述方法还包括：
获取预设模型库中各预测模型的数据类型；
根据所述各数据类型对应的采样频率，获取各候选预测模型的预测结果。
7.一种预测大气污染的装置，其特征在于，应用如权利要求1至6任一项所述的方法，所述装置包括：
候选模型获取模块，用于从预设模型库中的预测模型中获取至少一个候选预测模型；
损失值计算模块，用于利用预先构建的损失函数对所述候选预测模型的预测结果进行拟合，并计算得到每一所述候选预测模型的损失值，其中，所述损失函数为基于机器学习原理构建的用于度量预测模型的预测结果与真实结果之间拟合程度的函数；
期望模型确定模块，用于将各所述损失值小于预设值的相应候选预测模型确定为期望预测模型；
污染预测模块，用于利用所述期望预测模型进行大气污染监测并输出监测结果。
8.一种预测大气污染的系统，其特征在于，包括如权利要求6或7所述的预测大气污染的装置和云平台。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
10.一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
一种预测大气污染的方法、装置及系统
技术领域
[0001]本发明涉及空气质量预测技术领域，特别涉及一种预测大气污染的方法及装置。
背景技术
[0002]众所周知，空气质量与人们的身体健康息息相关，例如，大气污染会引发心血管疾病、过敏症和哮喘等疾病。为了实现对空气质量的监测，首先需要对大气污染进行预测。在实际应用中，对大气污染的预测会受到多种影响因素的作用，下面从内部因素和外部因素两方面加以说明。
[0003]从内部因素来看，造成大气污染的污染物的种类多样。国家《环境空气质量标准》(GB3095‑2012)规定大气污染物主要有二氧化硫、二氧化氮、臭氧、一氧化碳和颗粒物(PM10、PM2.5)
6种污染物，其中二氧化氮、一氧化碳、臭氧在阳光的照射下发生光化学反应。从外部因素来看，风向、风速、温度、云量、土地使用类型、植被、地表粗糙度、地表反射率等均会对大气污染产生影响。
[0004]为对大气污染进行预测，现有技术中构建了诸多大气污染预测模型，比如，基于高斯模型、
[0005]由于大气污染受内部因素和外部因素等诸多因素的影响，因此，在对大气污染进行预测的难度也会相应增大，否则将无法保证大气污染预测的准确性。
[0006]由于内外因素复杂多变，因此预测大气污染的难度巨大。多年来，研究者建立了各种各样的大气污染预测模型，如Gauss Mode高斯模型、ADMS(Atmospheric Dispersion Modeling System，大气扩散模拟系统)、CMAQ(Community Multiscale Air Quality，社区多尺度空气质量建模系统)AERMOD稳态烟羽扩散模型、CALPUFF非稳态拉格朗日烟团模型系统等上百种模型、NAQPMS嵌套网格空气质量预报模式系统等，其中每一个模型均设置有多个参数，在实际应用中，通过调节各个参数的数值来保证预测结果的准确性。虽然现有技术中提供了众多的大气污染预测模型，但是各个模型是单独工作的，这样难以覆盖众多因素的影响，然而，当应用多个模型共同预测大气污染情况时，往往又需要对几百个甚至上千个参数进行调参，可见，在人工进行手动调参时无疑会耗费巨大的人力成本和时间成本，而且模型调参的效率较低。
发明内容
[0007]本发明实施例提供一种预测大气污染的方法及装置，以解决多个模型共同预测大气污染时，需要耗费巨大人力成本和时间成本以用于调整模型参数的问题。
[0008]为达到上述目的，本发明实施例公开了一种预测大气污染的方法，所述方法包括：[0009]从预设模型库中的预测模型中获取至少一个候选预测模型；
[0010]利用预先构建的损失函数对所述候选预测模型的预测结果进行拟合，并计算得到每一所述候选预测模型的损失值，其中，所述损失函数为基于机器学习原理构建的用于度量预测模型的预测结果与真实结果之间拟合程度的函数；
[0011]将各所述损失值小于预设值的相应候选预测模型确定为期望预测模型；[0012]利用所述期望预测模型进行大气污染监测并输出监测结果。
[0013]优选地，在所述计算得到每一所述候选预测模型的损失值之后，所述方法还包括：[0014]将当前损失值对应的候选模型参数记录到历史参数数据集中，并继续利用所述损失函数对更新参数后的候选预测模型的预测结果进行拟合，直至得到的损失值小于所述预设值。
[0015]优选地，所述将各所述损失值小于预设值的相应候选预测模型确定为期望预测模型包括：
[0016]根据所述损失函数的均方根确定所述预设值，并将所述损失值小于所述均方根的相应候选预测模
型确定为期望预测模型。
[0017]优选地，所述预设模型库的构建包括：
[0018]获取各所述候选预测模型的历史预测结果；
[0019]利用高斯建模方法对所述历史预测结果进行高斯建模，构成预设模型库。[0020]优选地，所述各预测模型的预测结果的数据类型包括：固定值、随机值、状态值、累计值中的至少一种。
[0021]优选地，在利用预先构建的损失函数对所述候选预测模型的预测结果进行拟合之前，所述方法还包括：
[0022]获取预设模型库中各预测模型的数据类型；
[0023]根据所述各数据类型对应的采样频率，获取各候选预测模型的预测结果。[0024]为达到上述目的，本发明实施例公开了一种预测大气污染的装置，所述装置包括：[0025]候选模型获取模块，用于从预设模型库中的预测模型中获取至少一个候选预测模型；
[0026]损失值计算模块，用于利用预先构建的损失函数对所述候选预测模型的预测结果进行拟合，并计算得到每一所述候选预测模型的损失值，其中，所述损失函数为基于机器学习原理构建的用于度量预测模型的预测结果与真实结果之间拟合程度的函数；
[0027]期望模型确定模块，用于将各所述损失值小于预设值的相应候选预测模型确定为期望预测模型；
[0028]污染预测模块，用于利用所述期望预测模型进行大气污染监测并输出监测结果。[0029]优选地，所述装置还包括参数迭代模块，用于在所述损失值计算模块计算得到每一所述候选预测模型的损失值之后，将当前损失值对应的候选模型参数记录到历史参数数据集中，并继续利用所述损失函数对更新参数后的候选预测模型的预测结果进行拟合，直至得到的损失值小于所述预设值。
[0030]优选地，期望模型确定模块，具体用于根据所述损失函数的均方根确定所述预设值，并将所述损失值小于所述均方根的相应候选预测模型确定为期望预测模型。[0031]优选地，所述装置还包括模型库构建模块，具体用于获取各所述候选预测模型的历史预测结果；利用高斯建模方法对所述历史预测结果进行高斯建模，构成预设模型库。[0032]优选地，所述预设模型库中各预测模型的预测结果的数据类型包括：固定值、随机值、状态值、累计值中的至少一种。
[0033]优选地，所述损失值计算模块，具体用于在所述利用预先构建的损失函数对所述
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议