[发明专利]实景日历控件生成方法、装置、电子设备、存储介质及实景日历

权利要求书

1.一种实景日历控件生成方法，其特征在于，所述方法包括：

数据初始化及数据请求，将当前城市和当前日期发送至服务器，请求获取城市实景图片、空气质量预测数据和空气质量实测数据；

解析服务器的返回数据，所述返回数据包括当前城市实景图片url、空气质量预测数据和空气质量实测数据；

加载实景图片，加载城市实景图片、空气质量预测数据和空气质量实测数据到所述实景日历控件视图中；

展示首要污染物、城市实景图片，以及以不同颜色区分展示污染级别。

2.根据权利要求1所述的一种实景日历控件生成方法，其特征在于，所述服务器通过预测方法获取所述空气质量预测数据，所述预测方法包括：

获取历史数据和当日数据，所述历史数据包括气象因子历史数据和主要污染物浓度因子历史数据，所述气象因子历史数据为当前城市过去五年每日的日均气压、日均气温、日均相对湿度、日均总云量、日均低云量、日均风速、日日照时间、日降水量、日平均风速；所述主要污染物浓度因子历史数据为当前城市过去五年每日的日均细颗粒物(PM2.5)浓度、日均可吸入颗粒物(PM10) 浓度、日均二氧化硫(SO2) 浓度、日均二氧化氮(NO2) 浓度、日均臭氧(O3) 浓度、日均一氧化碳(CO) 浓度；所述当日数据包括气象因子当日数据和主要污染物浓度因子当日数据，所述气象因子当日数据包括当前城市当日的日均气压、日均气温、日均相对湿度、日均总云量、日均低云量、日均风速、日日照时间、日降水量、日平均风速；所述主要污染物浓度因子当日数据为当前城市当日的日均细颗粒物(PM2.5)浓度、日均可吸入颗粒物(PM10) 浓度、日均二氧化硫(SO2) 浓度、日均二氧化氮(NO2) 浓度、日均臭氧(O3)浓度、日均一氧化碳(CO) 浓度；

将所述当前城市的历史数据作为预测网络模型的样本输入，训练预测网络模型，建立主要污染物浓度预测模型；

将预测因子集的当日数据输入所述主要污染物浓度预测模型，预测主要污染物浓度；所述主要污染物浓度包括细颗粒物(PM2.5)浓度、可吸入颗粒物(PM10) 浓度、二氧化硫(SO2) 浓度、二氧化氮(NO2) 浓度、臭氧(O3) 浓度、一氧化碳(CO) 浓度；

根据预测的主要污染物浓度计算所述空气质量预测数据。

3.根据权利要求2所述的一种实景日历控件生成方法，其特征在于，所述将所述当前城市的历史数据作为预测网络模型的样本输入，训练预测网络模型，建立主要污染物浓度预测模型，所述预测网络模型的训练过程为：

将当前城市的所述历史数据进行预处理；

将备选因子集的历史数据作为遗传算法的输入，分别筛选细颗粒物(PM2.5)浓度、可吸入颗粒物(PM10) 浓度、二氧化硫(SO2) 浓度、二氧化氮(NO2) 浓度、臭氧(O3) 浓度、一氧化碳(CO) 浓度的预测网络模型的预测因子集； 所述备选因子集包括日均细颗粒物(PM2.5)浓度、日均可吸入颗粒物(PM10) 浓度、日均二氧化硫(SO2) 浓度、日均二氧化氮(NO2) 浓度、日均臭氧(O3) 浓度、日均一氧化碳(CO) 浓度及日均气压、日均气温、日均相对湿度、日均总云量、日均低云量、日均风速、日日照时间、日降水量、日平均风速；所述遗传算法的参数为：群体规模为30，交叉概率为0.8，变异概率为0.03，最大遗传代数为50代；

训练BP神经网络，分别将细颗粒物(PM2.5)浓度、可吸入颗粒物(PM10) 浓度、二氧化硫(SO2) 浓度、二氧化氮(NO2) 浓度、臭氧(O3) 浓度、一氧化碳(CO) 浓度的所述预测因子集作为BP神经网络的输入，训练输出分别为细颗粒物(PM2.5)浓度、可吸入颗粒物(PM10) 浓度、二氧化硫(SO2) 浓度、二氧化氮(NO2) 浓度、臭氧(O3) 浓度、一氧化碳(CO) 浓度神经网络，调整BP神经网络参数，达到预设训练目标，选择最优神经网络，建立主要污染物浓度预测模型；所述BP神经网络采用三层网络模型，输入层神经元的个数分别为所述预测因子集的因子数，隐含层神经元个数分别为6、8、7、5、10和9，输出层神经元个数都为1。