[发明专利]基于因果中心性的雾霾分析识别方法

说明书

本发明公开了一种基于因果中心性的雾霾分析识别方法，包含：获取若干检测站点检测到的监测数据；针对不同的监测因素构建区域内部数据关联模型和构建区域间数据关联模型；计算每个监测因素和雾霾浓度之间的因果关系值；根据因果关系值构成因果矩阵；根据因果矩阵计算因果中心性特征值用于表征各个检测站点的拓扑中心性；将监测因素间的因果关系值和因果中心性特征值输入搭建好的预测模型对其进行训练得到一个训练完成的预测模型。本发明的基于因果中心性的雾霾分析识别方法，结合因果关系和复杂网络中心性分析方法，对气象数据和工业废气排放数据进行建模，充分利用地域间雾霾因果关联程度和方向性信息等特征，显著提高了雾霾气象识别和预测水平。

技术领域

本发明涉及一种基于因果中心性的雾霾分析识别方法。

背景技术

雾霾天气严重影响人们的生命和健康。特别是在华北，长江三角洲和中国中部，这些地区人口密集、经济发达，对自然资源的需求远远高于中国其他地区。随着工厂和私家车化石燃料消耗的增加，排放到空气中的二氧化硫和氮氧化物不仅对人类和植物造成直接危害，而且还会造成酸雨，雾霾，温室效应和光化学烟雾等二次污染。许多发达国家也出现了严重的烟雾污染。作为空气污染物的罪魁祸首，PM2.5浓度增加了呼吸道和心血管疾病的死亡率。

空气质量评估的方法可分为三类，基于物理特性、基于统计特征和混合方法。污染物扩散模型是基于物理特征的方法之一。它建立了一个数学公式，如高斯羽流模型，它带来气象数据，街道结构，交通流量，然后评估空气质量。对于基于统计特征的方法，通常使用时间序列分析和显着性检验来评估空气质量。统计中的线性和非线性回归模型反映了不同空气成分的固有属性。Chenet al表明个别气象因子可以间接影响当地PM2.5浓度与其他气象因素的相互作用。他们测试了不同气象因子与PM2.5之间的收敛交叉映射(CCM)因果关系。此外，湿度和PM2.5浓度之间的正双向耦合，以及风，太阳辐射和PM2.5浓度之间的负双向耦合是通过比较因果关系方向的结果来解释。另一方面，确认空气污染只是由自然因素造成的，并不能令人信服。人类活动和工业生产的影响也至关重要。Kolluru等讨论了不同旅行模式对乘客在印度国道上长途旅行的污染物暴露的贡献。通过方差分析(ANOVA)方法研究了CO，CO2和PM2.5的浓度，得出结论：避开穿过城市的国家高速公路可以减少高达25％的PM2.5和50％的CO质量暴露。周等人表明人口密度，产业结构，工业烟尘(粉尘)排放和道路密度对PM2.5浓度有显着的正向影响，仅对中国经济增长产生显着的负面影响。

对于混合模型，大多数空气质量评估方法结合了物理和统计方法的优点，并通过人工智能算法预测空气质量。这包括各种带有机器学习的应用程序。Cordero等使用多元线性回归，随机森林和人工神经网络测量NO2浓度。朱等人基于选择性集成算法，在中国雾霾预测中实现了高分类精度。但是，机器学习中的特征选择是一个难题。在迭代求解之后，直到预测结果出来之前，没有通用标准来确定特征是否合适。

发明内容

本发明提供了一种基于因果中心性的雾霾分析识别方法，采用如下的技术方案：

一种基于因果中心性的雾霾分析识别方法，包含以下步骤：

获取若干检测站点检测到的监测数据，监测数据包含多个监测因素和雾霾浓度的数据；

针对不同的监测因素分别构建区域内部数据关联模型；

针对不同的监测因素分别构建区域间数据关联模型；

根据构建的区域内部数据关联模型和区域间数据关联模型计算每个监测因素和雾霾浓度之间的因果关系值；

根据计算出的每个检测站点检测到的各监测因素与雾霾浓度之间的因果关系值构成因果矩阵；

根据因果矩阵计算因果中心性特征值用于表征各个检测站点的拓扑中心性；

将监测因素间的因果关系值和因果中心性特征值输入搭建好的预测模型对其进行训练得到一个训练完成的预测模型。