空气质量指数预测方法、装置、终端及存储介质与流程

1.本发明涉及空气质量预测技术领域，尤其涉及一种空气质量指数预测方法、装置、终端及存储介质。


背景技术：

2.空气质量指数作为大气污染评价的重要衡量指标，其描述了空气清洁性或污染程度和对人体健康的影响程度。因此，空气质量指数的精准预测对人们的生产、生活、健康具有重要的指导意义。
3.目前，空气质量指数预测通常是根据传统的机器学习算法进行预测，然而，传统的机器学习算法不能很好地发掘时间序列数据间的依赖关系，导致空气质量指数预测结果不准确。


技术实现要素：

4.本发明实施例提供了一种空气质量指数预测方法、装置、终端及存储介质，以解决空气质量指数预测结果不准确的问题。
5.第一方面，本发明实施例提供了一种空气质量指数预测方法，包括：
6.获取空气质量监测点在预设时间段内的空气质量和气象数据集；空气质量和气象数据集包括多个连续时段的空气质量和气象数据，多个连续时段将预设时间段等分；
7.将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值；
8.其中，基于新门控单元的循环神经网络预测模型包括依次连接的输入层、新门控单元层和输出层。
9.在一种可能的实现方式中，新门控单元层包括多个新门控单元；
10.新门控单元包括遗忘门、输入门和防过饱和转换模块。
11.在一种可能的实现方式中，遗忘门的表达式为：
12.f
t
＝σ(w
fh
·
h
t
‑1 w
fx
·
x
t
b
f
)
13.输入门的表达式为：
14.i
t
＝σ(w
ih
·
h
t
‑1 w
ix
·
x
t
c
t
‑1 b
i
)
15.防过饱和转换模块的表达式为：
16.tri
t
＝tanh(i
t
)
17.其中，c
t
＝f
t
×
c
t
‑1 tri
t
；h
t
＝tanh(c
t
)；
18.x
t
为第t个时段的空气质量和气象数据；f
t
为遗忘门在第t个时段的输出量；b
f
为遗忘门的偏置项；σ(x)为sigmoid函数；w
fx
为遗忘门对于空气质量和气象数据的权重矩阵；h
t
‑1为新门控单元在第t
‑
1个时段的输出量；w
fh
为遗忘门对于新门控单元的输出量的权重矩阵；i
t
为输入门在第t个时段的输出量；w
ih
为输入门对于新门控单元的输出量的权重矩阵；w
ix
为输入门对于空气质量和气象数据的权重矩阵；c
t
‑1为新门控单元在第t
‑
1个时段的单元状
态；b
i
为输入门的偏置项；tri
t
为防过饱和转换模块在第t个时段的输出值；c
t
为新门控单元在第t个时段的单元状态；h
t
为新门控单元在第t个时段的输出量。
19.在一种可能的实现方式中，在获取空气质量监测点在预设时间段内的空气质量和气象数据集之后，空气质量指数预测方法还包括：
20.对空气质量和气象数据集进行数据填充、数据转化以及数据归一化处理，得到处理后的空气质量和气象数据集；
21.相应地，将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值，包括：
22.将处理后的空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值。
23.在一种可能的实现方式中，第t个时段的空气质量和气象数据包括第t个时段的空气质量指数、co浓度、no2浓度、o3浓度、pm10浓度、pm2.5浓度、so2浓度、温度、湿度、天气和风力。
24.第二方面，本发明实施例提供了一种空气质量指数预测装置，包括：
25.获取模块，用于获取空气质量监测点在预设时间段内的空气质量和气象数据集；空气质量和气象数据集包括多个连续时段的空气质量和气象数据，多个连续时段将预设时间段等分；
26.预测模块，用于将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值；
27.其中，基于新门控单元的循环神经网络预测模型包括依次连接的输入层、新门控单元层和输出层。
28.在一种可能的实现方式中，新门控单元层包括多个新门控单元；
29.新门控单元包括遗忘门、输入门和防过饱和转换模块。
30.在一种可能的实现方式中，遗忘门的表达式为：
31.f
t
＝σ(w
fh
·
h
t
‑1 w
fx
·
x
t
b
f
)
32.输入门的表达式为：
33.i
t
＝σ(w
ih
·
h
t
‑1 w
ix
·
x
t
c
t
‑1 b
i
)
34.防过饱和转换模块的表达式为：
35.tri
t
＝tanh(i
t
)
36.其中，c
t
＝f
t
×
c
t
‑1 tri
t
；h
t
＝tanh(c
t
)；
37.x
t
为第t个时段的空气质量和气象数据；f
t
为遗忘门在第t个时段的输出量；b
f
为遗忘门的偏置项；σ(x)为sigmoid函数；w
fx
为遗忘门对于空气质量和气象数据的权重矩阵；h
t
‑1为新门控单元在第t
‑
1个时段的输出量；w
fh
为遗忘门对于新门控单元的输出量的权重矩阵；i
t
为输入门在第t个时段的输出量；w
ih
为输入门对于新门控单元的输出量的权重矩阵；w
ix
为输入门对于空气质量和气象数据的权重矩阵；c
t
‑1为新门控单元在第t
‑
1个时段的单元状态；b
i
为输入门的偏置项；tri
t
为防过饱和转换模块在第t个时段的输出值；ct为新门控单元在第t个时段的单元状态；h
t
为新门控单元在第t个时段的输出量。
38.第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如
上第一方面或第一方面的任一种可能的实现方式所述的空气质量指数预测方法的步骤。
39.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述的空气质量指数预测方法的步骤。
40.本发明实施例提供一种空气质量指数预测方法、装置、终端及存储介质，通过获取空气质量监测点在预设时间段内的空气质量和气象数据集；空气质量和气象数据集包括多个连续时段的空气质量和气象数据，多个连续时段将预设时间段等分；将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值；基于新门控单元的循环神经网络预测模型包括依次连接的输入层、新门控单元层和输出层，通过该预测模型进行预测，可以解决传统机器学习算法不能很好地发掘时间序列数据间的依赖关系的问题，能够提高空气质量指数预测结果的准确性。
附图说明
41.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明实施例提供的空气质量指数预测方法的实现流程图；
43.图2是本发明实施例提供的基于新门控单元的循环神经网络预测模型的结构示意图；
44.图3是本发明实施例提供的新门控单元的结构示意图；
45.图4是本发明实施例提供的tanh函数和sigmoid函数的曲线示意图；
46.图5是本发明实施例提供的新门控单元的数据流程示意图；
47.图6是本发明实施例提供的σ(x)函数的曲线示意图；
48.图7是本发明实施例提供的(1
‑
tanh(σ(y))2)σ
′
(y)函数的曲线示意图；
49.图8是本发明实施例提供的z(x，y)函数的曲线示意图；
50.图9是本发明实施例提供的ngcu模型、lstm模型和gru模型的实验结果对比示意图；
51.图10是本发明实施例提供的空气质量指数预测装置的结构示意图；
52.图11是本发明实施例提供的终端的示意图。
具体实施方式
53.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
54.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
55.参见图1，其示出了本发明实施例提供的空气质量指数预测方法的实现流程图，其中，空气质量指数预测方法的执行主体可以是终端。
56.参见图1，空气质量指数预测方法详述如下：
57.在s101中，获取空气质量监测点在预设时间段内的空气质量和气象数据集；空气质量和气象数据集包括多个连续时段的空气质量和气象数据，多个连续时段将预设时间段等分。
58.其中，空气质量监测点即为待预测空气质量指数的地域。
59.预设时间段通常选取待预测时段之前的一段时间。每个时段的时长都是相等的，均为一个小时。假设，预设时间段包括n个连续的时段，在预设时间段内的最后一个时段与待预测时段的时间是连续的，n≥2；空气质量和气象数据集包括n个连读的时段的空气质量和气象数据。
60.在一些实施例中，第t个时段的空气质量和气象数据包括第t个时段的空气质量指数、co浓度、no2浓度、o3浓度、pm10浓度、pm2.5浓度、so2浓度、温度、湿度、天气和风力。1≤t≤n，n为预设时间段包含的时段的数量。
61.空气质量指数计算主要通过六个污染物：pm2.5、pm10、co、no2、so2、o3。空气质量除了受到地面pm2.5、pm10、co等基本污染物影响，也受气象条件的影响，尤其是在空气污染排放相对稳定的情况下，天气、温湿度和风力成为影响空气质量的关键要素。所以，在本实施例中，空气质量和气象数据包括空气质量指数、co浓度、no2浓度、o3浓度、pm10浓度、pm2.5浓度、so2浓度、温度、湿度、天气和风力。其中，风力可以是风力等级。
62.在s102中，将空气质量和气象数据集输入到预先训练好的基于新门控单元(new gate control unit，ngcu)的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值；
63.其中，参见图2，基于新门控单元的循环神经网络预测模型包括依次连接的输入层、新门控单元层和输出层。
64.在本实施例中，将上述获取的空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，可以得到预设时间段的下一时段(即待预测时段)的空气质量指数预测值。
65.其中，基于新门控单元的循环神经网络预测模型可以简称为ngcu模型。
66.在一种可能的实现方式中，在上述s102之前，上述空气质量指数预测方法还可以包括：
67.获取训练样本集，训练样本集包括多个空气质量和气象数据集，每个空气质量和气象数据集均标注有对应的下一时段的空气质量指数；
68.基于训练样本集，对预先建立的基于新门控单元的循环神经网络预测模型进行训练，得到训练好的基于新门控单元的循环神经网络预测模型。
69.其中，可以基于现有方法进行训练，不再赘述。
70.由上述描述可知，本实施例通过获取空气质量监测点在预设时间段内的空气质量和气象数据集；空气质量和气象数据集包括多个连续时段的空气质量和气象数据，多个连续时段将预设时间段等分；将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值；基于新
相比，ngcu的输入门i
t
引入截止到前一时段整个数据流信息c
t
‑1，因此“输入门”对当前时段数据的保留产生记忆性影响。ngcu内部的“输入门”使用的是sigmoid激活函数，当x取值在小于
‑
3和大于3时，sigmoid激活函数的取值就会陷入过饱和区间，因此当输入数据进入输入门的过饱和区域时，数值不会产生显著变化，导致学习的灵敏性降低。其计算公式为式(2)。
87.为提高模型学习的灵敏性，ngcu中引入防过饱和转换模块tri，如公式(3)所示，函数图像如图4所示。sigmoid激活函数取值范围在(0，1)，当数据通过输入门后，通过转换模块tri的转化，产生的值将会在tanh(i
t
)取值，因此得到的值将更加显著。
88.c
t
为从开始到当前时段保留下来的数据信息。其计算公式为式(4)。
89.h
t
为当前时段保留下来的数据信息。ct通过tanh函数控制当前时段数据信息有多少可以保留到下一时段。其计算公式为式(5)。
90.本实施例提供的ngcu模型可以缓解循环神经网络“梯度消失”和“梯度爆炸”的问题，且能够提高对空气质量指数的预测精度，降低模型训练时间。
91.以下为公式推导，进一步验证模型对“梯度消失”和“梯度爆炸”的缓解能力：
92.ngcu简单数据流程如图5所示，对于给定的输入序列<x1，x2，x3，x4，....，x
k
>代表x
t
以及其之前数据信息的编码。整个网络有两个参数矩阵[w
fh
，w
fx
]，[w
ih
，w
ix
]，h
t
的计算公式如式(5)所示。其中，c0和h0是隐层初始化状态，一般是零向量。
[0093]
记w＝[w
fh
，w
fx
，w
ih
，w
ix
]，l
t
是编码h
t
对应的损失，其是关于w的函数。l为总损失。关于l的w求导如公式(6)所示：
[0094][0095]
其中，t＝n。
[0096]
循环神经网络通过公式(7)来更新w参数：
[0097][0098]
其中可写成公式(8)：
[0099][0100]
通过化简可得以下公式(9)：
[0101][0102]
其中，c
t
的计算公式如式(4)所示。
[0103]
对c
t
求导，可得公式(10)：
[0104][0105]
则总损失可写为公式(11)：
[0106][0107]
记x等于公式(12)：
[0108]
x＝w
fh
·
h
t
‑1 w
fx
·
x
t
b
f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0109]
记y等于公式(13)：
[0110]
y＝w
ih
·
h
t
‑1 w
ix
·
x
t
c
t
‑1 b
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0111]
则记z(x，y)等于公式(14)：
[0112]
z(x，y)＝σ(x) (1
‑
tanh(σ(y))2)σ
′
(y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0113]
其中，σ(x)函数如图6所示，(1
‑
tanh(σ(y))2)σ
′
(y)函数如图7所示，其中σ(x)取值范围在(0，1)，σ(y)取值范围在(0，1)，所以(1
‑
tanh(σ(y))2)σ
′
(y)函数值在(0.1720，0.1880)。函数梯度z如图8所示，从图8中可以看到，函数梯度z的取值范围将会更加的合理。
[0114]
在一些实施例中，在获取空气质量监测点在预设时间段内的空气质量和气象数据集之后，空气质量指数预测方法还包括：
[0115]
对空气质量和气象数据集进行数据填充、数据转化以及数据归一化处理，得到处理后的空气质量和气象数据集；
[0116]
相应地，将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值，包括：
[0117]
将处理后的空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值。
[0118]
在获取到空气质量和气象数据后，往往会存在缺失值、重复值、书写格式不规范等问题。为了提高数据的可用性、准确性、稳定性，需要进一步对原始数据进行填充与数值转化。对于缺失值，可以根据前后时段的数据去平均值进行填充，对于重复值可以进行去重处理，对于非数字数据，可以进行数据转化，将其转换为数字。
[0119]
由于数据中存在各项之间差值较大，因此在进行训练之前需进行标准化处理，本发明使用min
‑
max标准化方法进行数据标准化处理，其计算公式为式(15)：
[0120][0121]
其中，min为输入数据对应项中的最小值，max为输入数据对应项中的最大值，x为待标准化的数值，y为标准化后的数值。
[0122]
以下通过一个示例，验证ngcu模型相比于lstm(long short
‑
term memory，长短期记忆网络)模型和gru(gated recurrent unit，门控循环单元)模型，具有更优的有益效果。
[0123]
选取某一空气质量监测点在2017年1月1日00:00至2020年9月30日23：00的每小时
数据，共计32856条数据。所有的空气质量和气象数据合并后均按照时间顺序存储在csv文件中。其中2017年1月1日00:00至2019年12月31日23:00的26282条数据为训练集，2020年1月1日00:00至2020年9月30日23:00的6574条数据为测试集。
[0124]
结合以上数据，本实施例的具体实施方式步骤如下：
[0125]
(1)数据预处理过程；
[0126]
(1.1)特征筛选；
[0127]
空气质量指数计算主要通过六个污染物：pm2.5、pm10、co、no2、so2、o3。空气质量除了受到地面pm2.5、pm10、co等基本污染物影响，也受气象条件的影响，尤其是在空气污染排放相对稳定的情况下，天气、温湿度和风力成为影响空气质量的关键要素。所以在本次实验数据输入项包括空气质量指数、co、no2、o3、pm10、pm2.5、so2、温度、湿度、天气、风力。
[0128]
(1.2)数据填充与转化；
[0129]
为了提高数据的可用性、准确性、稳定性，需要进一步对原始数据进行处理。部分原数据如表1所示。
[0130]
表1部分原数据
[0131][0132]
在本实施例中，缺失值用前一小时数据和后一小时数据的平均值进行填充。对于重复的数据，如风力数据存在winp和winpid的重复项，本实验保留第一项，删除后出现的重复项。对天气进行数据转化，如表2所示。
[0133]
表2数据转化
[0134][0135]
对原始数据进行填充和转化处理后部分数据如表3所示。
[0136]
表3部分处理后数据
[0137][0138]
[0139]
(1.3)数据归一化；
[0140]
由于不同相关输入项之间差值较大，因此在进行训练之前需进行标准化处理，本实施例使用min
‑
max标准化方法进行数据标准化处理。
[0141]
(2)模型对比实验
[0142]
为了证明ngcu对下一小时空气质量指数预测的有效性和优势，本次实验在同一机器中使用相同的实验数据分别用lstm、gru和ngcu三个预测模型对下一小时空气质量指数进行了预测，并利用mae、mse、r2这三种评价指标对预测结果做出整体性评估。
[0143]
(2.1)参数设置
[0144]
lstm、gru和ngcu三个预测模型参数设置如表4所示。
[0145]
表4 lstm、gru和ngcu三个预测模型参数设置表
[0146]
参数值隐藏单元个数10激活函数tanh学习率0.001损失函数mae训练轮次epochs100批大小batch_size64时间步5优化器adam
[0147]
(2.2)模型对比实验
[0148]
在同一机器中使用相同的实验数据分别用lstm、gru和ngcu三个预测模型对下一小时空气质量指数进行了预测实验，实验结果空气质量指数真实值与预测值对比图如图9所示。实验结果评价指标评估结果如表5所示。
[0149]
表5 lstm、gru和ngcu三个预测模型实验结果评价表
[0150][0151]
mae、mse、r2这三种评价指标，mae和mse这两个评价指标值越小表明预测值越接近真实值，说明预测越准确。r2越接近1说明误差越小。由表5评价结果可知，ngcu模型对空气质量指数的预测误差比lstm和gru模型都小，并且模型训练用时也得到降低。
[0152]
基于lstm的空气质量指数预测方法，因为lstm的参数众多，所以模型的计算过于复杂，导致训练时间过长。基于gru模型的时间序列预测方法，与lstm相比，因为参数的数量的减少，训练时间得到降低。但是通过研究，基于gru的时间序列预测，预测的准确率和模型
训练时间仍然可以得到改善。因此，本发明实施例提出了ngcu，旨在保证模型能够缓解循环神经网络“梯度消失”和“梯度爆炸”问题的前提下，提高模型对空气质量指数预测精度，降低模型训练时间。
[0153]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0154]
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
[0155]
图10示出了本发明实施例提供的空气质量指数预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0156]
如图10所示，空气质量指数预测装置30包括：获取模块31和预测模块32。
[0157]
获取模块31，用于获取空气质量监测点在预设时间段内的空气质量和气象数据集；空气质量和气象数据集包括多个连续时段的空气质量和气象数据，多个连续时段将预设时间段等分；
[0158]
预测模块32，用于将空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值；
[0159]
其中，基于新门控单元的循环神经网络预测模型包括依次连接的输入层、新门控单元层和输出层。
[0160]
在一种可能的实现方式中，新门控单元层包括多个新门控单元；
[0161]
新门控单元包括遗忘门、输入门和防过饱和转换模块。
[0162]
在一种可能的实现方式中，遗忘门的表达式为：
[0163]
f
t
＝σ(w
fh
·
h
t
‑1 w
fx
·
x
t
b
f
)
[0164]
输入门的表达式为：
[0165]
i
t
＝σ(w
ih
·
h
t
‑1 w
ix
·
x
t
c
t
‑1 b
i
)
[0166]
防过饱和转换模块的表达式为：
[0167]
tri
t
＝tanh(i
t
)
[0168]
其中，c
t
＝f
t
×
c
t
‑1 tri
t
；h
t
＝tanh(c
t
)；
[0169]
x
t
为第t个时段的空气质量和气象数据；f
t
为遗忘门在第t个时段的输出量；b
f
为遗忘门的偏置项；σ(x)为sigmoid函数；w
fx
为遗忘门对于空气质量和气象数据的权重矩阵；h
t
‑1为新门控单元在第t
‑
1个时段的输出量；w
fh
为遗忘门对于新门控单元的输出量的权重矩阵；i
t
为输入门在第t个时段的输出量；w
ih
为输入门对于新门控单元的输出量的权重矩阵；w
ix
为输入门对于空气质量和气象数据的权重矩阵；c
t
‑1为新门控单元在第t
‑
1个时段的单元状态；b
i
为输入门的偏置项；tri
t
为防过饱和转换模块在第t个时段的输出值；c
t
为新门控单元在第t个时段的单元状态；h
t
为新门控单元在第t个时段的输出量。
[0170]
在一种可能的实现方式中，空气质量指数预测装置30还包括预处理模块。
[0171]
预处理模块用于：
[0172]
对空气质量和气象数据集进行数据填充、数据转化以及数据归一化处理，得到处理后的空气质量和气象数据集；
[0173]
相应地，预测模块具体用于：
[0174]
将处理后的空气质量和气象数据集输入到预先训练好的基于新门控单元的循环神经网络预测模型中，得到预设时间段的下一时段的空气质量指数预测值。
[0175]
在一种可能的实现方式中，第t个时段的空气质量和气象数据包括第t个时段的空气质量指数、co浓度、no2浓度、o3浓度、pm10浓度、pm2.5浓度、so2浓度、温度、湿度、天气和风力。
[0176]
图11是本发明实施例提供的终端的示意图。如图11所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个空气质量指数预测方法实施例中的步骤，例如图1所示的s101至s102。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图10所示模块/单元31至32的功能。
[0177]
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成图10所示的模块/单元31至32。
[0178]
所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图11仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
[0179]
所称处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0180]
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0181]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0182]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0183]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0184]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0185]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0186]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0187]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个空气质量指数预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0188]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。