基于图注意力网络和时间卷积网络的空气污染物浓度预测方法

提出了一种融合图注意网络(GAT)和带注意力机制的时间卷积网络(ATCN)的创新模型——GAT-ATCN,旨在提高空气污染物浓度预测的精度和效率.在通过GAT捕捉监测站点间的复杂空间依赖关系,利用注意力机制,自适应地加强重要节点之间的连接,从而提取空间特征.ATCN被用来处理时间序列数据,通过学习时间维度上的长期依赖关系,捕获污染物浓度随时间变化的动态特性.选取中国江浙沪地区7个城市2018—2020年的实际空气质量监测和气象数据,构建数据集并进行实验,验证了GAT-ATCN模型的有效性.实验结果显示:GAT-ATCN模型在多个评价指标上均表现优异,能够更准确地预测空气污染物浓度.

基于SSA优化BP神经网络的污染物浓度二次预测模型

为解决一次预报模型模拟结果不理想的情况,使用主成分分析(PCA)对14项气象影响因素进行降维处理并提取4项综合评价指标,使用麻雀搜索算法(SSA)优化BP神经网络的二次预测模型和将一次预报的结果与真实数据的差值作为输出,对预测模型进行训练并做出预测的方法。将模型应用于国内某个地区,用相应的数据对模型进行验证。结果表明,基于SSA优化BP神经网络的预测模型和将误差引入的新模型均较BP神经网络模型有更高的精确度和更强的泛化能力。

基于自适应时序分解的空气污染物浓度预测

为准确、有效地预测空气污染物浓度,建立了基于自适应完整集成经验模态分解(CEEMDAN)和排列熵(PE)的门控循环单元(GRU)空气污染物预测模型。首先利用CEEMDAN算法对非线性信号的自适应分解能力将原始序列分解为一组不同频率、复杂度的固有模态函数(IMF)和一个残差分量(REC),其次根据PE算法将复杂度相近的IMF分量和REC一起进行重新组合,最后将重组后的子序列分别使用GRU模型进行预测,并将子序列预测结果相加得到最终预测结果。实验结果表明,基于CEEMDAN-PE-GRU模型预测的误差明显低于其他模型,验证了该模型对空气污染物浓度预测的有效性。

基于源项辨识的飞机座舱污染浓度动态预测

随着大型民机飞行时间的延长,座舱空气污染事故发生概率也随之增大,快速准确的污染浓度预测对保证乘客生命安全具有重要意义.座舱各污染浓度的动态预测和污染源项强度辨识是实现座舱空气质量实时预测的关键技术.污染源项散发强度辨识,如采用最小二乘算法,参数估计是静态的,一般延迟较大;如采用单模卡尔曼滤波算法,虽能实现动态辨识,但不能同时兼顾稳态和过渡过程(突发污染)的参数估计性能,导致误差较大.为解决上述难题,本文提出基于源项辨识的飞机座舱污染浓度动态预测方法,同时完成污染源散发强度动态辨识和污染浓度状态实时预测.该算法由2个滤波器组成,分别用于匹配系统的稳态和突发过渡过程特征,提高浓度方程参数估计和状态预测性能,保证飞机座舱空气质量态势预测的快速性和准确性.仿真结果证实了该算法的有效性.

基于EMD和时空图神经网络的污染物浓度预测研究

为了满足对大范围污染物浓度预测准确性和鲁棒性的要求,提出了一种基于EMD数据自增强的时空图神经网络预测模型。首先,使用encode-decode模型实现多步预测。其次使用EMD进行数据自增强将数据分解成若干线性数据,有助于提取数据间的隐藏特征。最后使用GNN+GRU时空图神经网络,同时从污染物的空间传输、时间周期的强自相关性及包含气象因素在内的邻域信息三个维度对污染物浓度进行预测。验证实验采用提出模型在真实数据集中预测PM_(2.5)和O_(3)在未来24、48和72小时的浓度,结果表明混合模型在预测精度中有明显提升。

基于GPR-EN时空混合模型的空气污染物浓度预测

针对现有的污染物浓度预测方法大多没有兼顾气象数据的时间和空间特征,导致预测精度大打折扣的问题,提出一种能够同时提取过程数据时间和空间特征的时空混合预测方法GPR-EN。首先,利用弹性网算法(EN)全面分析样本点和目标点的空间关联性,并进行时空数据重构,为预测模型提供最优的变量输入。其次,借助于高斯回归模型(GPR)的强泛化能力,能够有效地处理时空数据的复杂非线性特性,更加全面地刻画了历史数据的时空依赖性。最后,在AQI数据集和空气SO_(2)浓度数据集上进行仿真实验,实验结果表明所提方法比对比方法的预测精度提高22%以上。

一种高精度LSTM-FC大气污染物浓度预测模型

大气污染已经严重影响到人们的生活和健康,大气治理势在必行,探究大气污染物浓度变化的规律,实现污染物浓度预测,对指导大气治理工作具有重要意义。文中构建了一种基于长短期记忆神经网络(Long Short-Term Memory,LSTM)和全连接神经网络(Full Connected,FC)的混合神经网络模型,并提出了数据桶划分的训练方式来解决由于训练数据与预测数据存在较长时间间隔导致精度下降的问题,进而实现大气污染物浓度的预测。该模型具有较好的通用性和精度,充分结合了长短期记忆神经网络和全连接神经网络的优点,能够在多种污染物数据上实现精确预测。以天津市2013-2019年大气污染物数据实现模型的训练和预测,结果表明,混合神经网络模型在PM_(2.5),PM_(10),NO_(2),SO_(2),O_(3),CO 6种污染物浓度的预测上均可以达到R2>0.90,平均百分误差小于15%的效果,LSTM-FC模型在大气污染物预测中具有明显的优势,具有较高的实用价值。

基于DGM(1,1)模型的重庆市大气污染物浓度预测分析与研究

近年来,雾霾已成为中国大气污染最为严峻的生态问题之一。重庆作为早期的工业基地,大气污染问题越来越严重。准确预测大气污染物浓度是进行大气污染治理的基础和前提。基于重庆市2013—2018年的PM 2.5和PM 10年均浓度数据,分析重庆市大气污染物的变化特征,建立PM 2.5和PM 10浓度的灰色DGM(1,1)模型,探析重庆市大气污染物的未来发展趋势。实验结果表明,尽管两种大气污染物浓度都在逐年递减,但各自的下降趋势和幅度有所不同。近些年PM 10的浓度下降幅度比PM 2.5要更大。采用DGM(1,1)模型对两种大气污染物浓度进行预测分析,得到了较好的拟合效果。运用重庆市污染物浓度的预测结果,分析重庆市未来五年的污染物浓度变化情况,为重庆市相关环保部门制定防污治理决策提供一定的参考。

水污染物浓度的神经网络预测模式及效果检验

污染物浓度预测是环境保护的重要内容,将神经网络用于水中有机污染物浓度的预测并对效果进行检验。结果表明,预测值与观测值符合较好。

基于深度神经网络与联邦学习的污染物浓度预测二次建模

进入新世纪,伴随着我国经济的高速发展,我国很多地区空气污染情况相对严重,同时政府对于空气污染情况的关注度与治理力度也越来越高。当前对于我国空气质量影响最大的是O3,SO2,NO2,CO,PM10,PM2.5这6种污染物,因而对这6种污染物浓度进行预测预报,及时作出相应管控调整就成为了保障居民健康、建设美丽中国的迫切需求。目前污染物预测的主流方案是WRF-CMAQ预测系统,该系统基于污染物物化反应与气象模拟两部分构成。但因为当前对于如臭氧在内的污染物的生成机理等研究还有待深入,WRF-CMAQ模型的预测存在较大误差。因此采用了深度神经网络对污染物浓度进行二次建模的方式,来减少预测误差。同时,采用联邦学习方法,对于多个监测站使用联邦学习进行数据训练,提升模型泛化能力。实验结果表明,相比于一次WRF-CMAQ的一次预测结果,深度神经网络的方案在均方误差值上最多缩小到了3.93%。同时,采用联邦学习的方案相比于单个监测站点在广泛测试中最多提升了68.89%的性能。

基于多尺度时空图神经网络的污染物浓度预测

基于深度学习的细粒度污染物浓度预测是一种新兴且具有前景的方法,如何充分利用气象、空间和时间等3大信息是其关键.为了协同融合3大信息,提出一种基于多尺度时空图神经网络的污染物浓度预测模型.该模型利用空气质量模型动态构建多尺度的时空图神经网络,学习污染物之间的动态时空关系.具体为:利用图神经网络学习污染物之间的多尺度空间关系,采用空气质量模型HYSPLIT构建图的结点和边属性,通过基于注意力机制的GRU(gate recurrent unit)学习污染物浓度之间的时序关系.该模型不仅充分考虑了气象、空间和时间3大影响因素,还将3个因素联动起来统一到一个框架内协同学习.该方法与传统的机理模型方法相比具有灵活部署、易于实施的特点.实际项目数据集和公开数据集上的实验表明:与现有先进的基于图神经网络的方法相比,该方法预测的污染物浓度平均绝对误差降低了0.6左右,对称平均绝对百分比误差降低0.005左右.

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明:(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R^(2)可达0.67~0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.

河流突发污染的污染物浓度动态校正方法

为降低河流突发污染事故的影响,提高下游污染物预测精度、提高预测实时性,结合一维水质模型、卡尔曼滤波及改进的网格寻优算法,综合考虑支流的影响,研究河流突发污染事件中污染物扩散情况的动态预测方法.分析一种改进的网格寻优算法并利用历史数据校正模型参数;借助水质模型构造状态方程引入污染物浓度观测值;运用卡尔曼滤波动态校正预测结果,并在预测过程中考虑支流的影响.在理论研究的基础上,设计基于风浪水槽的污染物模拟扩散实验,对比分析采用不同预测方法的污染物峰现时间、峰值浓度及相对误差.实验结果表明,不同的预测方法所求得的峰现时间相对误差总体相当;采用多步动态校正预测和考虑了支流影响的校正预测方法预测峰值浓度得到的相对误差明显降低.

基于时空相关性的LSTM算法及PM_(2.5)浓度预测应用

现阶段空气污染物粒子浓度演进过程模拟与预测算法忽视了粒子浓度的空间相关性,且没有实现粒子浓度的时间依赖性与空间相关性融合。对此,提出基于时空相关性的LSTM算法(TS_LSTM)并应用于PM_(2.5)浓度预测。该算法提出空间相关性及其相关因子计算方法;将局部区域相关性因子与LSTM算法的遗忘门和记忆门融合,建立基于局部地理信息的LSTM算法(LTS_LSTM);融合LTS_LSTM算法学习结果与全局空间相关性因子,构造基于全局地理信息时空相关的LSTM算法(GTS_LSTM)。模拟全局与局部的空气污染物粒子浓度演进过程,并实现离子浓度预测。在全局与局部数据集上,将该算法与回归算法、支持向量机、模糊神经网络、LSTM神经网络、GC-LSTM神经网络、DL-LSTM神经网络比较研究,结果表明:在空气粒子浓度预测上,该算法的预测性能优于各种传统预测算法,接近深度LSTM算法。

基于混合深度神经网络的大气污染预测

城市空气污染物分布受各种因素的影响,准确预测空气污染物分布情况可以提高环境管理的决策能力,防止严重空气污染事件的发生。基于大量的气象数据和深度学习技术,笔者提出了一种新的大气污染物浓度预测方法。该方法使用卷积神经网络作为基础层的设计,可自动提取输入数据的特征。输出层运用一个长短时记忆网络,以保证时间依赖性。通过性能优化,该模型可以按时间序列预测未来的细颗粒物(PM2.5)质量浓度。使用郑州市的历史气象数据,将模型预测结果与实际结果进行比较;实验结果表明,与经典深度学习模型相比,该算法提高了预测性能。

有色冶炼污染源达标评估和动态管理系统开发

确保工业污染达标排放是环境管理的重要方面,达标评估工作需要采取全过程控制的思路,并进行动态跟踪。在污染物排放预测基础上,提出了有色冶炼行业污染源排放达标可行性评估方法,包括排污系数法和排放模型法。开发了有色冶炼污染源达标评估和动态管理系统,利用系统排放模型法评估了A企业阳极炉烟囱污染源排放污染物。结果表明,阳极炉烟囱SO2排放(538 mgm3)不达标,从节能降耗、开展清洁生产审核以及建立环境管理体系等方面提出优化方案,3个方案的SO2排放浓度分别为370、365和292 mgm3,可实现全部达标排放。

基于遗传算法优化的ELM的空气质量预测研究

针对空气中常见污染物及气象因素对空气质量的影响具有不确定性,导致预测准确度受限问题,在由WRFCMAQ预报模型基础上得到污染物浓度/气象一次预报数据,结合某监测点提供的长期空气质量检测基础数据(气象以及污染物浓度实际检测数据)对空气质量预测进行二次建模,选择ELM(极限学习机)并使用遗传算法对ELM网络模型进行优化,提高空气质量预报中对各项污染物预测的准确性,预测结果满足了10%误差的期望值。

自适应神经模糊推理系统在交通污染物浓度预测中的应用

城市交通带来的废气排放已经成为城市大气污染的主要来源之一。交通污染问题的成因和机理较为复杂,变化规律具有较强非线性和周期性特征。将自适应神经模糊推理系统(adaptive neuro fuzzy inference system,ANFIS)应用于交通污染物浓度时序数据预测时呈现出良好的泛化能力。本文以长沙市CO小时浓度数据为研究目标,通过分析CO浓度时序数据的自相关性、偏自相关性,以及交通流对CO浓度的时滞性影响,确定ANFIS预测模型的输入变量。结果表明,相较于传统的时间序列预测模型以及机器学习模型,ANFIS模型预测结果具有更高的精度,能够对交通环境污染进行预测及预警,为防止城市灾害性大气污染事件发生奠定理论研究基础并提供有效决策支持。

基于交通风条件多点进出城市地下道路CO污染物浓度分布特性预测模型

多点进出城市地下道路结构形式复杂且位于城市人员密集区,机动车在行驶过程中排放的污染物(CO、NO;等)不仅将对隧道内驾驶人员的健康产生影响,同时还会给隧道洞口附近民众的居住环境及健康带来影响。为此,以机动车流排放污染物CO浓度分布规律为重点研究对象,依据质量守恒定律、并联风路理论,并结合上海和长沙4条隧道现场实测以及1∶8缩尺模型试验研究方法,开展了关于多点进出城市地下道路交通风以及机动车流排放污染物扩散特性的研究;基于研究结果,提出了交通风条件下多点进出城市地下道路机动车流排放污染物CO浓度分布特性预测模型构建方法,包括交通风速V;、对流传质系数h;和扩散特征系数K等关键参数的确定方法;长沙市营盘路湘江隧道实测结果验证了该模型的有效性,交通风以及污染物浓度预测模型计算值与实测值的误差评估值I;分别为0.992和0.916。当已知隧道结构特征和交通特征时,利用该计算模型即可预测评估多点进出城市地下道路内沿机动车行驶方向各断面的平均交通风速、机动车流排放污染物CO平均浓度;同时可定量评价各分(合)流匝道对主隧道CO浓度分布特性的影响规律。研究结果可为多点进出城市地下道路科学选址及其通风系统优化设计与节能运行提供参考依据。

基于改进萤火虫优化算法的SVR空气污染物浓度预测模型

为了对空气污染物浓度进行准确预测,提出了基于改进萤火虫优化方法(IGSO)的支持向量机回归(SVR)空气污染物浓度预测模型.首先,利用佳点集理论、拥挤度以及变步长策略对萤火虫优化算法进行改进;其次,根据空气污染物浓度时间序列数据构造训练集,运用IGSO算法寻找SVR的最优参数;最后,利用基于最优参数的SVR实现对空气污染物浓度的预测.通过两部分的实验说明文章所提方法的性能.1)在8个标准测试函数上进行多次对比实验,结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小,实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优.2)对京津冀地区空气污染物浓度进行实验,结果显示如下,首先,相比于萤火虫优化算法、粒子群优化算法以及遗传算法,文章基于IGSO对SVR参数的多次寻优结果波动较小,并且所得SVR模型的交叉验证误差及其方差较小;其次,与基于上述其他优化算法的SVR、基于网格搜索的SVR以及BP神经网络相比,文章方法对测试集的预测精度较高.因此,基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.