[发明专利]一种基于地理信息的污染物在线监测系统

权利要求书

1.一种基于地理信息的污染物在线监测系统，其特征在于，包括：

数据分析与预处理模块，用于描述研究数据，完成数据分析，进行数据预处理，执行特征工程；

模型建立模块，基于 S-MStacking 集成学习方法构建预测模型，生成并选择基础学习器，集成所述基础学习器；

分析评价模块，完成MEIC 清单模拟结果分析、本地清单模拟结果分析并获取污染物空间分布特征。

2.如权利要求1所述的一种基于地理信息的污染物在线监测系统，其特征在于，上述数据分析与预处理模块，用于描述研究数据，完成数据分析，进行数据预处理，执行特征工程，还包括：

上述描述研究数据获取获温度、露点、湿度、风向、风速和气压和天气条件的逐时数据；

在建模之前需要将两部分数据合并在同一个数据集中，其中以两个数据集中相同的特征意义的“Date”和“Time”为关键字，以行为单位按照列合并数据集，将缺少的数据用空值代替，同时将数据集中无关的特征删除，得到最终特征为 PM2.5、PM10、NO2、SO2、O3 和 CO的逐时浓度以及 Temperature、Dew Point、Humidity、Wind Speed 和 Pressure 的逐时数据；

上述完成数据分析包括基于季节的数据分析、基于小时的数据分析、数据相关性分析；

所述进行数据预处理包括数据清洗，数据归一化；

所述执行特征工程包括特征构建和特征选择。

3.如权利要求1所述的一种基于地理信息的污染物在线监测系统，其特征在于，上述模型建立模块，基于 S-MStacking 集成学习方法构建预测模型，生成并选择基础学习器，集成所述基础学习器，还包括：

基础学习器的生成，通过交叉验证的思想对训练集数据进行划分，针对每个训练子集分别用不同的基础学习算法训练得到多个基础学习器；

基础学习器选择，利用 K-Means 聚类方法对生成的多个基础学习器进行聚类，然后从聚类结果中删减部分相似性较强的基础学习器形成新的基础学习器集合，最后基于多目标蝙蝠算法 MOBA 选择部分基础学习器参与最终集成；

基础学习器集成，基于传统的 Stacking 集成策略对元学习器的输入特征进行特征重构得到改进集成策略 MStacking，采用 MStacking 集成策略对参与最终集成的基础学习器进行集成。

4.如权利要求1所述的一种基于地理信息的污染物在线监测系统，其特征在于，

上述分析评价模块，完成MEIC 清单模拟结果分析、本地清单模拟结果分析并获取污染物空间分布特征，还包括：

所述MEIC 清单模拟结果分析包括基准情景和控制情景下 PM10浓度对比，基准情景和控制情景下 PM2.5浓度对比，MEIC 清单基准情景与控制情景下日均值变化；

所述本地清单模拟结果分析包括基准情景和控制情景下 PM10浓度对比，基准情景和控制情景下 PM2.5浓度对比，本地化清单基准情景与控制情景下日均值变化；

所述获取污染物空间分布特征包括利用本地化排放源清单模拟的基准情景和控制情景下的颗粒物空间分布进行对比分析。