[发明专利]空气质量预报系统

权利要求书

1.一种空气质量预报系统，其特征在于，包括：

环境质量检测传感器，配置在污染源处，用于采集空气监测数据，并将所采集的空气监测数据传输至云计算数据处理平台；

云计算数据处理平台，用于：

接收所述空气监测数据；

采用基于资源分配神经网络和光滑支持向量回归机的空气质量预测模型，对被监测区域的空气质量进行预测，获得各监测站点的空气质量预测数据，并将空气质量预测数据推送给关联的智能终端；

根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示。

2.根据权利要求1所述的方法，其特征在于，所述空气质量预测模型中，通过资源分配网络以及多项式光滑支持向量回归机模型训练得到；

其中，所述资源分配网络的网络结构包括输入层、隐含层和输出层；采用径向基函数作为隐含层神经元节点的基，构成隐含层；将输入层矢量直接映射到隐含层；隐层到输出层的映射为线性映射；

采用多项式光滑支持向量回归机模型作为目标函数，无约束最优化回归问题模型为：

。

3.根据权利要求2所述的方法，其特征在于，所述隐含层中的神经元节点的激励函数采用径向基函数，采用高斯函数，对于第J个神经元节点，其局部映射输出通过下式表示：

。

4.根据权利要求2所述的方法，其特征在于，所述空气质量预测模型的输入数据为所述空气监测数据，所述空气质量预测模型的输出数据为空气质量预测数据，所述空气质量预测模型的输出数据通过下式计算得到：

。

5.根据权利要求3所述的方法，其特征在于，所述资源分配网络在训练过程中通过神经元节点分配策略和参数调节策略来动态生成隐层结合和调节网络结构的相关参数；所述神经元节点分配策略通过检查训练样本对集，判断是否满足新颖性条件来动态分配一个神经元节点，参数调节策略通过调节网络参数而提高网络精度。

6.根据权利要求2所述的方法，其特征在于，所述多项式光滑支持向量回归机模型具有n 阶光滑性，当n≥2时具有2阶以上光滑性，采用newton-armijo算法进行迭代优化，迭代优化过程包括如下步骤：

步骤1：初始化:i=0，给定算法的初始点及精度要求>0；

步骤2：根据公式计算值，如果则返回作为结果，否则继续计算；

步骤3：计算Hessian矩阵，由求出Newton下降方向的值;

步骤4：利用Armijo一维搜索计算步长。如果，取为近似解并停止，否则继续，其中满足：

，并且，这里的;

步骤5：令，转步骤2继续执行。

7.根据权利要求1所述的方法，其特征在于，所述利用高斯点源扩散模型计算污染源的空气监测数据与监测站点的空气质量预测数据之间的相关性，包括：

在指定时间内、指定区域内、气象数据条件下，区域内的污染源的数量为n、监测站点的个数为m，在n 个污染源中的第i 个污染源的排放数据与m 个监测站点中的第j个监测点的污染物浓度值之间的对应关系，形成一个n 对m 的数量关系；

其中，高斯点源扩散模型中，以大气湍流是平稳而均匀的假设条件下，取污染源为原点，x轴为平均风向；假定首先从原点处释放出一个粒子，经过时间T 之后，粒子离开原点的x 方向距离是x=/T，而粒子在y方向的位移则是随时间而变化，正负、大小随机变化；模型参数包括大气稳定度、烟流抬升高度和贡献率。

8.根据权利要求1所述的方法，其特征在于，所述根据污染源的空气监测数据和各监测站点的空气质量预测数据，利用高斯点源扩散模型计算污染源的监测数据与监测站点的空气质量预测数据之间的相关性，并进行可视化展示，包括：

将空气监测数据和预设的气象数据作为原始数据;

根据所述原始数据，使用所述高斯点源扩散模型计算污染源扩散到监测站点处的空气质量预测数据，并且写入到数据库中;

根据用户的选择，将需要的数据根据XSI 格式写入到XML 文档中；

根据所述XML 文档，使用星形结构布局显示相关性。