[发明专利]基于高斯回归的大气污染物浓度的预测方法及装置

说明书

本申请提供一种基于高斯回归的大气污染物浓度的预测方法及装置。该方法包括：获取距当前时刻第一预设历史时间段内的第一环境数据；环境数据包括多种污染物浓度数据和气象数据；根据预设时间窗口从第一环境数据中获取多个训练样本，训练样本包括第一时间段对应的环境数据和第二时间段对应的多种污染物浓度数据；利用多个训练样本对高斯过程回归模型进行训练获得预测模型；获取距当前时刻第二预设历史时间段内的第二环境数据，利用预测模型对第二环境数据进行分析，获得预测模型输出的未来预设时间段内污染物浓度数据。本申请实施例能够提高对未来时间段的大气污染物浓度预测的准确性。

技术领域

本申请涉及大气检测技术领域，具体而言，涉及一种基于高斯回归的大气污染物浓度的预测方法及装置。

背景技术

近年来，随着社会经济水平的不断提高，人们的生产生活污染物排放量也在不断增长，对环境的影响日益加剧，大气污染便是其中重要的一部分。常见的大气污染物包括PM2.5、PM10、SO₂、NO₂、CO和O₃，统称为大气六参污染物，各地国控站均有记录。为了避免严重大气污染事件的发生，需要对当地未来一段时间大气六参浓度的变化进行预测，以便提前采取措施进行防控。

现有技术中对大气污染物浓度的预测方法有基于自回归滑动平均模型(ARMA)的预测方法和基于差分整合移动平均自回归模型(ARIMA)的预测方法等。上述两种模型的预测方法均无法同时使用较长历史时段的数据进行建模分析，而污染物变化的时间影响长度可能长达数百小时，因此，上述两种方法对未来时间段的大气污染物浓度预测不够准确。

发明内容

本申请实施例的目的在于提供一种基于高斯回归的大气污染物浓度的预测方法及装置，用以提高对未来时间段内的大气污染物浓度预测的准确性。

第一方面，本申请实施例提供一种基于高斯回归的大气污染物浓度的预测方法，包括：获取距当前时刻第一预设历史时间段内的第一环境数据；其中，所述环境数据包括多种污染物浓度数据和气象数据；根据预设时间窗口从所述第一环境数据中获取多个训练样本，其中，所述训练样本包括第一时间段对应的环境数据和第二时间段对应的多种污染物浓度数据，且所述第一时间段中的最早时刻早于所述第二时间段中的最早时刻；利用所述多个训练样本对高斯过程回归模型进行训练，获得预测模型；获取距当前时刻第二预设历史时间段内的第二环境数据，利用所述预测模型对所述第二环境数据进行分析，获得所述预测模型输出的未来预设时间段内污染物浓度数据。

本申请实施例通过利用高斯回归模型对第二预设历史时间段内的第二环境数据进行分析，由于高斯回归模型的训练是通过数百个历史时间段进行训练获得的，其能够提高对未来时间段的大气污染物浓度预测的准确性。

进一步地，所述利用所述多个训练样本对高斯过程回归模型进行训练，获得预测模型，包括：构建高斯核函数，所述高斯核函数中的参数为初始值；利用所述多个训练样本对所述高斯核函数中的参数进行优化，获得所述预测模型。

本申请实施例使用高斯过程回归算法，对污染物未来浓度与历史浓度、天气之间的非线性关系进行回归，能够对未来污染物变化进行更加精准地预测。

进一步地，所述利用所述多个训练样本对所述高斯核函数中的参数进行优化，获得所述预测模型，包括：利用多个训练样本对所述高斯核函数中的参数进行如下迭代步骤的学习，直至获得的预测数据与第二时间段对应的多种污染物浓度数据的距离小于预设值为止；其中，所述迭代步骤包括：将训练样本中第一时间段对应的第一环境数据代入所述高斯核函数，获得所述第一时间段对应的第一环境数据对应的第一协方差矩阵；根据所述第一协方差矩阵进行采样，获得预测数据；根据所述预测数据和所述训练样本中第二时间段对应的多种污染物浓度数据对所述高斯核函数中的参数进行优化。

本申请实施例通过利用历史数据对高斯核函数中的参数进行优化，从而能够根据高斯核函数获得准确的协方差矩阵，进而能够获得准确的未来时间的大气污染物浓度。