(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 202211234756.3 (22)申请日 2022.10.10 (71)申请人 王顺平 地址 246000 安徽省安庆市大观区高琦巷 12号2栋10 3室 (72)发明人 苏哲贤　王顺平　赵哲　 (74)专利代理 机构 合肥市科深知识产权代理事 务所(普通 合伙) 3423 5 专利代理师 邢兆瀚 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 17/18(2006.01) G06K 9/62(2022.01) G06F 17/16(2006.01) (54)发明名称 基于多参数空间滤波预测模型预测大气污 染物数据的方法 (57)摘要 本发明公开了基于多参数空间滤波预测模 型预测大气污染物数据的方法， 涉及空气质量检 测技术领域， 通过将参数分为两类全局变量与局 部变量， 计算得到参数系数， 这些系数将会与各 地区参数矩阵共同进行递归预测， 构建的预测模 型主要有两个核心部分， 一个是空间回归， 一个 是空间滤波， 基于t ‑1时刻的后验估计， 得到t时 刻的先验预测， 由t ‑1时刻传递的误差被量化为 误差协方差， 从而计算卡尔曼增益， 随后即可得 到t时刻的最优估计值， 用该后验估计重新计算 误差协方差， 此时刻最优估计值， 应用于下一时 刻的先验预测。 所有的计算最多只涉及两个时间 节点， 又有清晰简单的数学推导， 对数据要求低， 这使得它十分容易使用计算机实现， 且性能消耗 较低。 权利要求书2页 说明书6页 附图1页 CN 115526410 A 2022.12.27 CN 115526410 A 1.基于多参数空间滤波预测模型预测大气污染物数据的方法， 其特征在于， 包括以下 步骤： 步骤S1： 将空气污染参数分为全局变量与局部变量； 步骤S2： 通过空间回归算法获取空气污染参数的回归方程及对应的回归系数； 步骤S3： 结合回归系数、 地区参数矩阵进行空间滤波分析， 获取递归预测结果。 2.根据权利要求1所述的基于多参数空间滤波预测模型预测大气污染物数据的方法， 其特征在于， 所述 步骤S2中， 获取空气污染参数的回归方程的方法为： 对于全局变量： 回归方程 为： y＝β0+β1x1+β2x2+β3x3+…+βpxp+ ε    (式一)； 其中， y为因变量， x1,x2,x3…xp为自变量， β1, β2, β3…βp为回归系 数， β0为回归常数； ε是 随机误差， 其满足基本假设： E( ε )＝0(2)       (式二)； Var( ε )＝σ2(3)      (式三)； 对于局部变量： 回归方程 为： ys,t＝as,t+Σkβk,sμk,s,t+ εs,t   (式四)； 其中， ys,t是采样地点s在t时刻的因变量， μk,s,t是采样地点s在t时刻的自变量， βk,s是要 估计的对应变量的回归系数， εs,t是估计误差， as,t是采样地点s在t时刻的回归截距常数， k 指的是第k个空气污染参数。 3.根据权利要求2所述的基于多参数空间滤波预测模型预测大气污染物数据的方法， 其特征在于， 在获取空气污染参数 的回归方程之后， 获取空气污染参数 的回归系 数的方法 为： 随机抽取空气污染参数对应的回归方程计算的数据作为多个样本数据集； 在多次抽取之后按照规则 选取每个样本数据集的最佳选择， 每一个最佳选择便生成一 个决策树Hm(X)， m个决策树即构成随机森林,由以下算法在随机森林中选取最佳 结果： 其中， I为示性函数， argmax为最大值自变量集合， Y为输出变量， X为总体样本数据的集 合。 4.根据权利要求3所述的基于多参数空间滤波预测模型预测大气污染物数据的方法， 其特征在于， 所述 步骤S3中结合回归系数、 地区参数矩阵进行空间滤波分析的方法为： 步骤S31： 假设系统状态 可以用n维空间的一个向量Xt来表示； 则t时刻的系统状态： Xt＝ Axt‑1+B μt‑1+Q     (式六)； 其中， A为t ‑1时刻的系 统的状态转移矩阵， B是控制系数矩阵， 用于表达各参数与系 统 状态之间的关系， Q是高斯分布的系统噪声； 步骤S32： t时刻的测量 值:Yt＝Hxt+rt   (式七)； H是测量系统的转移 矩阵， r是测量系统的高斯噪声； 步骤S33： 利用即t ‑1时刻滤波后的值对t时刻的参数进行 预估、 校正和递归。 5.根据权利要求4所述的基于多参数空间滤波预测模型预测大气污染物数据的方法， 其特征在于， 所述 步骤S33中， 对k时刻的参数进行 预估、 校正和递归的方法为：权　利　要　求　书 1/2 页 2 CN 115526410 A 2获取状态转移 矩阵： 控制系数矩阵： 其中， γn是指第n个经济社会变量的全局回归系数； θ指全局回归系数的微小变化； βm,s 指采样点s的第m个气象学变量的局 部回归系数； γn,s指第n个经济社会变量的全局回归系 数； 此处n代 表经济社会变量的回归系数个数， 上文提及的n维空间的仅指多个的意思； 根据系统误差的传递， 此时刻的误差由上一时刻的误差协方差Pt‑1和系统噪声Q计算得 出： Pt＝APt‑1AT+Q； 计算卡尔曼增益： Kt＝PtHT/(HPtHT+R)， R为观测系统噪声； 对得到的t时刻系统状态进行 滤波， 获取最优 估计值： Xt′＝Xt+Kt(Yt‑HXt)； 更新t时刻的最优估计值与系统状态之间的误差协方差， 为下一 时刻计算做准备， 更新 后的误差协方差为： Pt＝(B‑KtH)Pt‑1， B表示单位矩阵。权　利　要　求　书 2/2 页 3 CN 115526410 A 3