(19)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 202211060197.9 (22)申请日 2022.08.31 (71)申请人 上海乘安科技 集团有限公司 地址 200050 上海市长 宁区长宁路999号6 楼 (72)发明人 刘畅　 (74)专利代理 机构 苏州创元专利商标事务所有 限公司 3210 3 专利代理师 范晴 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种颗粒污染物的预测方法和装置 (57)摘要 本发明公开了一种颗粒污染物的预测方法 和装置。 其中， 该方法包括： 获取目标辖区监测站 捕捉到的监测数据； 为每项所述监测数据建立对 应的空间变异函数， 基于所述空间变异函数采用 克里金插值法对 所述监测数据进行平 面插值， 以 得到均匀的面数据； 将所述均匀的面数据输入深 度学习网络模 型中进行训练， 以得到训练好的颗 粒污染物预测模 型； 基于所述训练好的颗粒污染 物预测模型对空气中的颗粒污染物浓度进行预 测， 以得到预测结果。 本发明通过结合插值的深 度神经网络颗粒污染物时空预测方法可以充分 学习环境大数据中的时空信息， 解决了现有技术 中不易利用数据中空间信息的弊端， 提高了预测 精度。 权利要求书1页 说明书6页 附图3页 CN 115423183 A 2022.12.02 CN 115423183 A 1.一种颗粒污染物的预测方法， 其特 征在于， 包括： S1、 获取目标辖区监测站捕捉到的监测数据； S2、 为每项所述监测数据建立对应的空间变异函数， 基于所述空间变异函数采用插值 法对所述 监测数据进行平面插值， 以得到均匀的面数据； S3、 将所述均匀的面数据输入深度学习网络模型中进行训练， 以得到训练好的颗粒污 染物预测模型； S4、 基于所述训练好的颗粒污染物预测模型对空气中的颗粒污染物浓度进行预测， 以 得到预测结果； 其中， 所述颗粒污染物为PM2.5或PM10。 2.根据权利要求1所述的方法， 其特征在于， 所述监测数据包括目标辖区内的空气污染 物数据和气象数据。 3.根据权利要求2所述的方法， 其特征在于， 在所述S2之前， 还包括： 采用反距离权重插 值算法对所述 监测数据中的缺失值进行补充。 4.根据权利要求1所述的方法， 其特 征在于， 所述S2包括： 通过离散变异函数公式计算各监测数据的实验变异函数值； 根据所述目标辖区的大小确定插值的目标网格； 根据所述实验变异函数值利用克里金法对所述监测数据进行平面插值， 以得到均匀的 面数据。 5.根据权利要求1所述的方法， 其特征在于， 所述S3 中的深度 学习网络模型为卷积神经 网络模型CN N。 6.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 不同类型的颗粒污染物采用不同 的模型分别进行训练和预测。 7.一种颗粒污染物的预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取目标辖区监测站捕捉到的监测数据； 插值模块， 用于为每项所述监测数据建立对应的空间变异函数， 基于所述空间变异函 数采用插值法对所述 监测数据进行平面插值， 以得到均匀的面数据； 模型训练模块， 用于将所述均匀的面数据输入深度学习 网络模型中进行训练， 以得到 训练好的颗粒污染物预测模型； 预测模块， 用于基于所述训练好的颗粒污染物预测模型对空气中的颗粒污染物浓度进 行预测， 以得到预测结果； 其中， 所述颗粒污染物为PM2.5或PM10。 8.根据权利要求7 所述的装置， 其特 征在于， 还 包括： 预处理模块， 用于采用反距离 权重插值算法对所述 监测数据中的缺失值进行补充。权　利　要　求　书 1/1 页 2 CN 115423183 A 2一种颗粒污染物的预测方 法和装置 技术领域 [0001]本发明实施例涉及空气质量预测技术， 尤其涉及 一种颗粒污染物的预测方法和装 置。 背景技术 [0002]颗粒污染物(简称PM， 实践中一般以PM2.5和PM10为主要的监测对象)作为目前最主 要的大气污染物， 对人群特别是老人、 儿童、 孕妇这些敏感人群不仅可以产生慢性健康影 响， 同时还会有多种急性健康影响， 甚至导致肺癌以及心脑血管疾病。 因此， 针对空气 中颗 粒污染物浓度的监测和预报就显得尤为重要， 这可以为居民提供 空气污染的提前预警并帮 助有关部门提前采取相关措施， 减少对居民身体健康的不利影响。 [0003]目前颗粒污染物预测模型主要有两大类， 一类是基于模拟污染物传播物理过程的 预测方法， 另一种 是数据驱动的预测方法。 基于模拟污染物传播物理过程的预测模型又叫 做确定性模型， 确定性模型是指通过分析大气的物理传播以及在传播中发生的化学反应来 确定污染物的来源， 从而实现对污染物时空分布的预测。 常用的有多尺度空气质量模型 (CommunityMultiscale  Air Quality Modeling  System,CMAQ)、 天气研究预报模式 (Weather  Research  and Forecastin g,WRF)、 WRF ‑CHEM气象化学耦合模型等。 但是由于空 气污染过程本身的动态性和复杂性以及众多的不确定性， 这些基于模拟污染物传播物理过 程的预测模型准确性有时候不能令人满意， 同时污染物浓度演 变的长期和短期特性也不能 同时被反映出来。 [0004]物联网和传感器技术的普及应用， 城市中空气质量监测站的广泛部署使得目前有 条件获取大量的气象和污染物监测数据， 据此基于数据驱动的污染物预测模型越来越受到 人们的关注。 数据驱动的预测模型可以揭示空气 污染物和诸如气象条件等的潜在预测因子 之间的复杂关系， 常见 的数据驱动预测模型有基于统计学 的方法和机器学习方法。 基于统 计学的颗粒污染物浓度预测方法， 是指以统计学原理为基础， 通过分析颗粒污染物浓度与 其他大气 污染物， 或者与温湿度、 风速等气象参数所存在的内在联系， 并且根据此联系来建 立统计学模型来预测特定 颗粒污染物的浓度。 [0005]基于机器学习的颗粒污染物浓度预测方法， 是指不探究颗粒污染物的形成机理， 单单通过研究其所表现出来的变化规律进 行预测。 即使用特定的学习算法从与之相关的空 气污染物浓度数据、 气象数据或者其他与之相关联的事物的历史数据中找寻相互之 间存在 的规律， 从而利用这种规律进行颗粒污染物的浓度预测。 随着机器学习技术的不断发展以 及颗粒污染物监测数据的海量储备， 越来越多的国内外专家学者将机器学习应用到颗粒污 染物浓度的预测模型的构建上。 [0006]然而， 在预测颗粒污染物单独使用数据驱动模型的时候， 由于一些时间序列分析 模型的特性， 空间信息往往使用起来非常不方便， 导致基于数据驱动的污染物预测模型预 测的准确度不够。说　明　书 1/6 页 3 CN 115423183 A 3