[发明专利]区域空气污染物浓度预测方法、终端及可读存储介质

说明书

本发明实施例提供一种区域空气污染物浓度预测方法、终端及计算机可读存储介质。所述方法包括：将计算得到的日平均历史污染物浓度数据集和预处理后的日历史气象数据集作为样本数据集，利用随机森林模型进行训练，其中，随机森林模型包括有多棵决策树，每棵决策树使用多层前馈神经网络实现；确定当前时间当天预测的未来预设天数的预测气象数据；对预测气象数据进行预处理；根据预处理后的预测气象数据、当前时间当天监测的污染物浓度数据，利用训练好的随机森林模型预测待预测区域的未来预设天数的污染物浓度数据。本发明实施例提高了区域空气污染物浓度预测精度，具有较强的泛化能力。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种区域空气污染物浓度预测方法、终端及计算机可读存储介质。

背景技术

近年来，我国大部分地区频繁出现大面积的空气污染事件，空气污染问题已经严重影响到人民的正常生活生产。常见的大气污染物，如PM2.5、PM10、O3等对人类健康危害极为严重。采用可靠、易行的空气预测预报方法来预测空气污染的发生和变化趋势，使政府部门及时了解未来空气质量状况，面对重空气污染事件提前采取应对措施，保证人民的生活健康，以最低经济成本实现最大的社会效益显得尤为重要。

目前，空气污染预报的主要方法包括统计预报和数值预报两种。数值预报方法通过对大气污染的物理和化学过程进行建模，实现了在不同尺度、不同背景下对未来空气污染状况的模拟。由于数值预报方法需要对空气污染的物理化学转化机理进行详尽的了解和建模，且建模和应用过程复杂，不仅需要高性能的计算机集群，也需要高分辨率的气象数据和污染源清单数据作为支撑，这些都导致在一些检测水平较低的中小城市或区域较难实现。

基于统计预报的方法是依据统计学的原理，利用特定的统计学算法从空气污染物浓度、气象因子以及其他相关的历史数据找出相互的转化规律，因而该方法不需要对污染物的物理化学过程进行建模。然而现有的统计预报方法研究和应用主要以多元线性回归为主，多元线性回归非线性拟合能力较差，其预测效果精度不高。

发明内容

本发明实施例提供一种区域空气污染物浓度预测方法、终端及计算机可读存储介质，可对区域空气污染物浓度进行预测，提高了区域空气污染物浓度预测精度，具有较强的泛化能力。

第一方面，本发明实施例提供了一种区域空气污染物浓度预测方法，该方法包括：

根据待预测的区域当前时间对应季节所有监测点的监测污染物浓度数据集计算得到日平均历史污染物浓度数据集；

确定待预测的区域当前时间对应季节的日历史气象数据集；

对日历史气象数据集进行预处理；

将日平均历史污染物浓度数据集和预处理后的日历史气象数据集作为样本数据集，利用随机森林模型进行训练，其中，随机森林模型包括有多棵决策树，每棵决策树使用多层前馈神经网络实现；

确定当前时间当天预测的未来预设天数的预测气象数据；

对预测气象数据进行预处理；

根据预处理后的预测气象数据、当前时间当天监测的污染物浓度数据，利用训练好的随机森林模型预测待预测区域的未来预设天数的污染物浓度数据。

第二方面，本发明实施例提供了一种终端，该终端包括用于执行上述第一方面所述的方法的单元。

第三方面，本发明实施例提供了另一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储应用程序代码，所述处理器被配置用于调用所述程序代码，执行上述第一方面所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面所述的方法。