买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏中科三可科技有限公司

摘要：本发明的实施例提供了一种大气污染物浓度数据预测方法、装置、设备以及存储介质。该方法包括：将目标区域当前时间段的地面监测大气污染物浓度数据、气象数据匹配至目标区域对应的空间网格场，得到网格化地面浓度场、网格化气象场；根据地面监测大气污染物浓度数据和卫星监测大气污染物浓度数据的逻辑回归关系以及网格化地面浓度场，构建网格化卫星浓度场；将网格化地面浓度场与网格化卫星浓度场融合，得到网格化融合浓度场，并将其与网格化气象场组合，得到网格化综合数据场；将网格化综合数据场输入大气污染物浓度数据预测模型，预测目标区域在未来时间段的网格化融合浓度场，从而可以有效减少区域短期内的大气污染物浓度数据预测的不确定性。

主权项：1.一种大气污染物浓度数据预测方法，其特征在于，所述方法包括：将目标区域当前时间段的地面监测大气污染物浓度数据、气象数据匹配至所述目标区域对应的空间网格场，得到网格化地面浓度场、网格化气象场；根据地面监测大气污染物浓度数据和卫星监测大气污染物浓度数据的逻辑回归关系以及所述网格化地面浓度场，构建网格化卫星浓度场；将所述网格化地面浓度场与所述网格化卫星浓度场融合，得到网格化融合浓度场，并将所述网格化融合浓度场与所述网格化气象场组合，得到网格化综合数据场；将所述网格化综合数据场输入大气污染物浓度数据预测模型，预测所述目标区域在未来时间段的网格化融合浓度场；所述方法还包括：将所述目标区域的历史地面监测大气污染物浓度数据、历史卫星监测大气污染物浓度数据、历史气象数据匹配至所述目标区域对应的空间网格场，得到历史网格化地面浓度场、历史网格化卫星浓度场、历史网格化气象场；根据所述历史网格化地面浓度场、所述历史网格化卫星浓度场，构建地面监测大气污染物浓度数据和卫星监测大气污染物浓度数据的逻辑回归关系；根据所述历史网格化地面浓度场、所述历史网格化卫星浓度场以及所述逻辑回归关系，对所述历史网格化地面浓度场、所述历史网格化卫星浓度场进行缺值填充；对缺值填充后的历史网格化地面浓度场、历史网格化卫星浓度场进行融合，得到历史网格化融合浓度场，并将所述历史网格化融合浓度场与所述历史网格化气象场组合，得到历史网格化综合数据场；根据所述历史网格化综合数据场生成数据集；采用所述数据集对预设机器学习模型进行训练，得到大气污染物浓度数据预测模型；所述将所述目标区域的历史地面监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化地面浓度场，包括：对所述目标区域的历史地面监测大气污染物浓度数据进行归一化、空间插值，并将之后的历史地面监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化地面浓度场；所述将所述目标区域的历史卫星监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化卫星浓度场，包括：对所述目标区域的历史卫星监测大气污染物浓度数据进行克里金插值、偏差修正，并将之后的历史卫星监测大气污染物浓度数据匹配至所述目标区域对应的空间网格场，得到历史网格化卫星浓度场；所述预设机器学习模型为集成学习架构，其中的基学习器为多个不同网络结构和不同先验分布的贝叶斯神经网络；所述采用数据集对预设机器学习模型进行训练，得到大气污染物浓度数据预测模型，包括：将所述数据集划分为训练集、测试集；根据所述训练集对集成学习模型中的各贝叶斯神经网络进行训练，并将训练完成的各贝叶斯神经网络集成；使用所述测试集对当前的集成学习模型进行性能评估，若通过性能评估，则确定当前的集成学习模型为大气污染物浓度数据预测模型；否则，调整各贝叶斯神经网络的先验分布和网络结构，并重新进行训练，直到通过性能评估。

全文数据：

权利要求：

百度查询： 江苏中科三可科技有限公司 大气污染物浓度数据预测方法、装置、设备以及存储介质