粉尘浓度的时空分布预测方法、装置、设备和存储介质与流程

1.本公开涉及空气质量检测技术领域，尤其涉及一种粉尘浓度的时空分布预测方法、装置、设备和存储介质。


背景技术：

2.长期粉尘接触生产性粉尘的作业人员，因长期吸入粉尘，使肺内粉尘的积累逐渐增多，当达到一定数量时即可引发尘肺病。尘肺是生产性粉尘对人体的最主要的危害之一，长期吸入游离二氧化硅粉尘可引发矽肺，长期吸入金属性粉尘如锰尘、铍尘等，可引发锰肺、铍肺等各种金属肺。在阳光下接触沥青烟尘，可引起光感性皮炎、眼结膜炎等，漂浮于空气中的粉尘可使其他有害物质附着于其上，形成严重的大气污染，生物体吸入可引起各种疾病。另外，大量粉尘悬浮于空气中，可降低大气的可见度，促使烟雾形成，使太阳的热辐射受到影响。在核电建设生产作业过程中粉尘是非常常见的，如挖土机，推土机，压路机，运输转运等多个环节都会产生粉尘。为了减小粉尘对人身造成的危害和对施工的进度影响，对粉尘浓度进行预测是十分必要的。但是，由于核电施工粉尘的源头众多、影响的因素也有许多、各个变量之间存在千丝万缕的关系，因此，很难对施工现场的粉尘浓度进行准确的预测。


技术实现要素：

3.有鉴于此，本公开提出了一种粉尘浓度的时空分布预测方法、装置、设备和存储介质，可以对施工现场的粉尘浓度进行准确的预测。
4.根据本公开的第一方面，提供了一种粉尘浓度的时空分布预测方法，包括：
5.采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值；
6.根据所述待预测点的位置信息和所述环境参数预测值，使用预先构建的粉尘浓度预测模型，得到所述待预测点在所述预测时段下的粉尘浓度预测值；
7.其中，所述环境参数灰色预测模型包括气压灰色预测模型、温度灰色预测模型、风速灰色预测模型、风向灰色预测模型和湿度灰色预测模型中的至少一种。
8.在一种可能的实现方式中，所述环境参数灰色预测模型基于采样点在所述预测时间段的前n个时间段采集到的环境参数实际值构建得到，其中，n的取值为正数。
9.在一种可能的实现方式中，在基于采样点在所述预测时间段的前n个时间段采集到的环境参数实际值构建得到所述环境参数灰色预测模型时，包括：
10.获取所述采样点在所述预测时间段的前n个时间段采集到的环境参数实际值，构建环境参数实际值序列；
11.分别对每个时间段所采集到的环境参数实际值进行依次累加，得到每个时间段对应的环境参数累加值，并基于得到的所述环境参数累加值构建环境参数累加值序列；
12.基于所述环境参数实际值序列和所述环境参数累加值序列，构建得到所述环境参
数灰色预测模型。
13.在一种可能的实现方式中，在得到所述环境参数灰色预测模型之后，还包括：
14.对所述环境参数灰色预测模型进行后验差检验，得到后验差比值和小误差概率；
15.基于所述后验差比值和所述小误差概率，判断所述环境参数灰色预测模型是否满足预设的精度等级，在不满足所述设定精度等级的情况下，采用残差修正的方法对所述环境参数灰色预测模型进行修正，直到所述环境参数灰色预测模型满足所述预设的精度等级。
16.在一种可能的实现方式中，采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值时，包括：
17.基于所述预测时间段确定第一相邻时间段和第二相邻时间段；所述第二相邻时间段、所述第一相邻时间段和所述预测时间段为按时间先后顺序顺次连接的时间段；
18.将所述第一相邻时间段输入至所述环境参数灰色预测模型，得到所述预测时间段下的预测累加值；
19.将所述第二相邻时间段输入至所述环境参数灰色预测模型，得到所述第一相邻时间段下的预测累加值；
20.根据所述预测时间段下的预测累加值和所述第一相邻时间段下的预测累加值，得到预测时间段下的环境参数预测值。
21.在一种可能的实现方式中，所述得到预测时间段下的环境参数预测值之后，还包括对所述环境参数预测值进行预处理的步骤。
22.在一种可能的实现方式中，构建所述粉尘浓度预测模型，包括：
23.分别获取k个采样点的样本数据；所述样本数据包括：采样点的位置信息、环境参数历史数据和粉尘浓度历史数据；
24.以各采样点的位置信息、环境参数历史数据作为输入数据，以各采样点的粉尘浓度历史数据作为输出数据对神经网络模型的模型参数进行训练，得到所述粉尘浓度预测模型。
25.根据本公开的第二方面，提供了一种粉尘浓度的时空分布预测装置，包括：
26.环境参数预测模块，用于采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值；
27.粉尘浓度预测模块，用于根据所述待预测点的位置信息和所述环境参数预测值，使用预先构建的粉尘浓度预测模型，得到所述待预测点在所述预测时段下的粉尘浓度预测值；
28.其中，所述环境参数灰色预测模型包括气压灰色预测模型、温度灰色预测模型、风速灰色预测模型、风向灰色预测模型和湿度灰色预测模型中的至少一种。
29.根据本公开的第三方面，提供了一种粉尘浓度的时空分布预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述可执行指令时实现上述方法。
30.根据本公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
31.在本公开中，先采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时
间段下的环境参数预测值；再根据待预测点的位置信息和环境参数预测值，使用预先构建的粉尘浓度预测模型，得到待预测点在预测时段下的粉尘浓度预测值。本公开通过环境参数灰色预测模型和粉尘浓度预测模型结合的方式实现了对粉尘浓度的准确预测。
32.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
33.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
34.图1示出根据本公开一实施例的粉尘浓度的时空分布预测方法的示意性流程图；
35.图2示出根据本公开一实施例的粉尘浓度的时空分布预测装置的示意性框图；
36.图3示出根据本公开一实施例的粉尘浓度的时空分布预测设备的示意性框图。
具体实施方式
37.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
38.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
39.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
40.《方法实施例》
41.图1示出根据本公开一实施例的粉尘浓度的时空分布预测方法的示意性流程图。如图1所示，该粉尘浓度的时空分布预测方法包括步骤s110-s120。
42.s110，采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值。
43.该环境参数灰色预测模型是利用施工现场的环境参数实际值构建的灰色微分预测模型，可以用来对施工现场的环境参数进行预测。该待预测点为在施工现场中选取、任意一个需要进行粉尘浓度预测的位置点。
44.需要说明的是，在对待预测点的粉尘浓度进行预测前，需要先在施工现场布设采样点，然后基于采样点获取的环境参数实际值构建该环境参数灰色预测模型。
45.在施工现场布设采样点的原则为：以施工现场为单位，根据施工现场人员分布特点、尘源分布特点以及环境特点，布设采样点，以使采样点能够代表施工现场粉尘浓度的分布情况。例如，采样点优先在具有代表性、能够反映区域环境质量的地区布点，对有粉尘源的地区加密布点，对有人员作业的地区将采样点布置在呼吸带区域。
46.在施工现场布设采样点的方法：在相应的采样单元内布设采样点时，若采样单元内的环境因素一致，则采用网格法、s型法、对角线法、棋盘式或梅花式布设采样点；若采样单元内的环境因素分布较为复杂，则采用随机的方式布设采样点。
47.在基于以上原则和方法布设采样点后，第一，以施工现场某点为坐标原点，建立空间直角坐标系，并通过激光测距仪获取采样点的坐标值，作为采样点的位置信息。第二，在采样点处布设环境监测仪和粉尘浓度量测仪，以通过环境监测仪获取采样点处影响施工现场粉尘浓度的环境参数，通过粉尘浓度量测仪获取采样点在当前环境参数下的粉尘浓度。第三，按照设定的时间间隔记录采样点处的环境参数和粉尘浓度。
48.记录的时间间隔可以根据具体的需求和/或仪器的性能进行确定。例如，根据短时间采样的需求，确定的该时间间隔可以是15min。又如，根据长时间采样的需求，确定的该时间间隔可以是60min。记录的时间间隔还可以根据应用行业的粉尘监测规定进行确定，例如，可以根据《工作场所空气中粉尘测定》(gbz 192.1-2007)进行该时间间隔的确定。在一种可能的实现方式中，时间间隔的取值范围可以为：30min～60min。
49.在本公开中，环境参数是指影响施工现场粉尘浓度的环境参数，该环境参数可以包括气压、温度、风速、风向和湿度中的至少一种。
50.对于气压，当地面受到低压控制时，四周高压气团流向中心，使中心形成上升气流，形成大风，利于粉尘向上扩散，导致粉尘浓度较低；而当地面受到高压控制，易形成下沉逆温，抑制污染物向上扩散，在稳定高压控制下，粉尘浓度增加。
51.对于温度，主要通过两个方面影响粉尘的浓度，一方面，温度越高，气体的扩散速度越快，对粉尘的浓度影响越大；另一方面，气温温差大是气体对流必要的热力条件，温差越大，上升运动越强，越易导致对流的发生，从而加快粉尘的稀释。
52.对于风速，风速与粉尘浓度呈显著负的相关性，即风速越大，粉尘浓度越小，空气质量越好，越有利于空气中粉尘的稀释扩散。
53.对于风向，当风向使粉尘向监测点扩散时，监测点的位置粉尘浓度变大，反之监测点的粉尘浓度变小。
54.对于湿度，相对湿度在其细颗粒物的监测和预报中起着重要作用。当无降雨空气相对湿度在60％—80％以下时，颗粒物的二次生成作用较强，粉尘浓度与相对湿度呈正比关系。当空气相对湿度大于80％时，容易形成降雨，对空气中的颗粒物具有冲刷作用，颗粒物浓度与相对湿度呈反比，一些粉尘可以溶解在空气中的水分子当中。
55.对于以上环境参数可以通过设置对应的环境监测仪进行数据获取。例如，可以通过数字气压计获取气压的实际值，通过超声波风速仪获取温度、风速、风向和湿度的实际值。其中，风向可用角度表示，把圆周分成360
°
，北风是0
°
(即360
°
)，东风是90
°
，南风是180
°
，西风是270
°
，其余的风向都可以由此计算出来。
56.由于在施工现场的环境参数基本一致，因此，可以根据施工现场的实际情况在多个采样点中选择一个目标采样点，并基于该目标采样点采集的环境参数实际值构建环境参数灰色预测模型，以通过该环境参数灰色预测模型对施工现场任意一个待测点的环境参数进行预测。
57.在本公开中，可以根据目标采样点获取的气压、温度、风速、风向和湿度中的至少一种环境参数，构建气压灰色预测模型、温度灰色预测模型、风速灰色预测模型、风向灰色预测模型和湿度灰色预测模型中的至少一种环境参数灰色预测模型，以通过以上至少一种环境参数灰色预测模型对施工现场对应的环境参数进行预测。例如，基于目标采样点的获取的气压值构建气压灰色预测模型，以对施工现场的气压进行预测；基于目标采样点获取
的温度值构建温度灰色预测模型，以对施工现场的温度进行预测；基于目标采样点获取的风速值构建风速灰色预测模型，以对施工现场的风速进行预测；基于目标采样点获取的风向值构建风向灰色预测模型，以对施工现场的风向进行预测；基于目标采样点获取的湿度值构建湿度灰色预测模型，以施工现场的湿度进行预测。
58.在一种可能的实现方式中，还可以基于多个采样点获取的环境参数构建施工现场的环境参数灰色预测模型，在此不作具体限定。
59.在一种可能的实现方式中，该环境参数灰色预测模型基于采样点在预测时间段的前n个时间段采集到的环境参数实际值构建得到，其中，n是根据实际情况选择的数据个数，n的取值为正数，例如，n的取值可以是8。
60.在一种可能的实现方式中，为了确定n的最优取值，可以选择不同的n值建立多个环境参数灰色预测模型，例如，可以在n＝8，n＝9，
……
，n＝15时，分别建立环境参数灰色预测模型；基于每个环境参数灰色预测模型，预测后几个时段的预测值，然后将预测值与实际值进行比较，将预测值与真实值偏差最小的环境参数灰色预测模型的n的取值作为构建环境参数灰色预测模型时的n的取值。
61.在一种可能的实现方式中，在基于采样点在预测时间段的前n个时间段采集到的环境参数实际值构建得到环境参数灰色预测模型时，包括：
62.步骤1、获取采样点在预测时间段的前n个时间段采集到的环境参数实际值，构建环境参数实际值序列。
63.例如，预测时间段的前n个时间段获取的环境参数实际值分别为例如，预测时间段的前n个时间段获取的环境参数实际值分别为则构建的环境参数实际值序列为
64.步骤2、分别对每个时间段所采集到的环境参数实际值进行依次累加，得到每个时间段对应的环境参数累加值，并基于得到的环境参数累加值构建环境参数累加值序列。
65.对于第k个时间段对应的环境参数累加值的计算式如下：
[0066][0067]
其中，为j个时间段采集的环境参数实际值。
[0068]
预测时间段的前n个时间段，按照时间顺序依次标记为第1时间段，第2时间段，
……
，第n时间段。
[0069]
对于第1时间段，即k＝1时，对应的环境参数累加值为其中，
[0070]
对于第2时间段，即k＝2时，对应的环境参数累加值为其中，
[0071]
对于第3时间段，即k＝3时，对应的环境参数累加值为其中，
[0072]
依此类推，得到n个时间段对应的环境参数累加值分别为：依此类推，得到n个时间段对应的环境参数累加值分别为：则构建的环境参数累加值序列为
[0073]
步骤3、基于环境参数实际值序列和环境参数累加值序列，构建得到环境参数灰色预测模型，具体步骤包括：
[0074]
3.1、以环境参数累加值序列为为基础建立如(1)式所示第一环境参数灰色预测模型：
[0075][0076]
式中，a，u为待辩参数。
[0077]
3.2、对(1)式进行求解，得到如(2)式所示的第二环境参数灰色预测模型：
[0078][0079]
式中，为第k 1个预测时段下的预测累加值。
[0080]
3.3、基于环境参数实际值序列和环境参数累加值序列，构建如(3)式所示的方程组，并通过最小二乘法求解方式组得到a，u两个待辩参数。
[0081][0082]
令：
[0083][0084]
即：
[0085][0086]
则由下式求得的最小二乘解：
[0087][0088]
3.4、将a，u两个待辩参数带入(2)式，得到环境参数灰色预测模型。
[0089]
基于采样点在预测时间段的前n个时间段采集到的环境参数实际值构建得到环境参数灰色预测模型，并基于该环境参数灰色预测模型进行环境参数预测，可以提高环境参数预测值的准确性。
[0090]
在一种可能的实现方式中，在得到环境参数灰色预测模型之后，还包括对环境参数灰色预测模型进行校正的步骤4，步骤4具体包括：
[0091]
4.1、对环境参数灰色预测模型进行后验差检验，得到后验差比值和小误差概率。
[0092]
4.1.1、记算每个时段对应的0阶残差，其中，0阶残差的计算式如(7)式所示：
[0093][0094]
式中：为通过环境参数灰色预测模型得到第k个时段下的环境参数预测值，为第k个时段下的环境参数实际值，为第k个时段对应的0阶残差。
[0095]
4.1.2、计算n个时段的残差均值，残差均值的计算式如(8)式所示：
[0096][0097]
4.1.3、计算n个时段的残差方差，残差方差的计算式如(9)式所示：
[0098][0099]
4.1.4、计算n个时段的环境参数实际值的均值，均值计算公式如(10)式所示：
[0100][0101]
4.1.5、计算n个时段的环境参数实际值的方差，环境参数实际值的方差计算公式如(11)式所示：
[0102][0103]
4.1.6、根据(12)式，计算后验差比值，根据(13)式，计算小误差差率值：
[0104][0105][0106]
4.2、基于后验差比值和小误差概率，判断环境参数灰色预测模型是否满足预设的精度等级，在不满足设定精度等级的情况下，采用残差修正的方法对环境参数灰色预测模型进行修正，直到环境参数灰色预测模型满足预设的精度等级。
[0107]
在一种可能的实现方式中，环境参数灰色预测模型的精度等级可以按照如表1的方式进行划分。
[0108]
表1
[0109][0110]
在一种可能的实现方式中，预设的精度等级可以是合格，在后验差比值和小误差概率不满足合格的精度等级时，采用残差修正的方法对环境参数灰色预测模型进行修正，直到环境参数灰色预测模型满足合格的精度等级的要求，即后验差比值《0.50且小误差概率》0.80。通过对环境参数灰色预测模型进行修正，可以进一步提高环境参数灰色预测模型的预测准确性。
[0111]
在一种可能的实现方式中，采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值时，包括：
[0112]
步骤1、基于预测时间段确定第一相邻时间段和第二相邻时间段；第二相邻时间段、第一相邻时间段和预测时间段为按时间先后顺序顺次连接的时间段。
[0113]
例如，预测时间段为第k 1个时间段，则第一相邻时间段为第k个时间段，第二相邻时间段为第k-1个时间段。
[0114]
步骤2、将第一相邻时间段输入至环境参数灰色预测模型中，得到预测时间段下的预测累加值。
[0115]
例如，将k输入至(2)式中，得到预测时间段k 1下的预测累加值
[0116]
步骤3、将第二相邻时间段输入至环境参数灰色预测模型，得到第一相邻时间段下的预测累加值。
[0117]
例如，将k-1输入至(2)式中，得到第一相邻时间段k下的预测累加值
[0118]
步骤4、根据预测时间段下的预测累加值和第一相邻时间段下的预测累加值，得到预测时间段下的环境参数预测值。
[0119]
在一种可能的实现方式中，可以通过将预测时间段下的预测累加值和第一相邻时间段下的预测累加值作差的方式，得到预测时间段下的环境参数预测值，即预测时间段下的环境参数预测值的计算式如式(14)所示：
[0120][0121]
式中，为第k 1个预测时间段下的环境参数预测值。
[0122]
在一种可能的实现方式中，在得到预测时间段下的环境参数预测值之后，还包括对环境参数预测值进行预处理的步骤，以通过预处理将环境参数预测值转化到[-1,1]之间。其中，预处理的计算式如(15)式所示：
[0123]
[0124]
式中：xi为输入变量，x
min
为输入变量的最小值，x
max
为输入变量的最大值，ni为输入变量xi的预处理结果。
[0125]
s120，根据待预测点的位置信息和环境参数预测值，使用预先构建的粉尘浓度预测模型，得到待预测点在预测时段下的粉尘浓度预测值。
[0126]
该粉尘浓度预测模型是反映待预测点的位置信息和环境参数预测值与待预测点的粉尘浓度之间映射关系的神经网络模型。将得到的待预测点的位置信息和环境参数预测值输入至粉尘浓度预测模型，便可以得到待预测点在预测时段下的粉尘浓度预测值。
[0127]
需要说明的是，在进行粉尘浓度预测前，需要先根据步骤s110中布设的采样点获取的环境参数值历史数据和粉尘浓度历史数据，构建该粉尘浓度预测模型。
[0128]
在一种可能的实现方式中，构建该粉尘浓度预测模型，包括：
[0129]
步骤1、分别获取k个采样点的样本数据；样本数据包括：采样点的位置信息、环境参数历史数据和粉尘浓度历史数据。
[0130]
对于每个采样点，按照设定的时间间隔记录采样点的位置信息，环境参数历史数据和粉尘浓度历史数据。其中，环境参数历史数据包括气压、温度、风速、风向和湿度中的至少一种环境参数历史数据。
[0131]
步骤2、以各采样点的位置信息和环境参数历史数据作为输入数据，以各采样点的粉尘浓度历史数据作为输出数据对神经网络模型的模型参数进行训练，得到粉尘浓度预测模型。
[0132]
在通过k组样本数据对神经网络模型的模型参数进行训练时，可以将所得k组样本数据均匀地分成2组：即训练样本和测试样本，它们分别占样本数据总数的2/3和1/3。训练样本用于神经网络模型的训练，通过计算性能函数的梯度，不断更新网络的权值和阈值，使性能函数不断减小；测试样本用于检验神经网络模型的训练结果，验证网络泛化能力的优劣。将以上2组样本代入神经网络模型中进行训练，并测试泛化能力，根据训练的结果与实际值的差异不断地调整网络的各个属性值，直到最终满意为止，如果经训练后的神经网络模型能够根据采样点的位置信息和环境参数稳健地预测各个采样点的粉尘浓度，并与实际值的误差很小，则该神经网络模型通过检验，并将通过验证的神经网络模型作为粉尘浓度预测模型。
[0133]
在对得到的环境参数预测值进行预处理的实施例中，在构建粉尘浓度预测模型时，需要先对样本数据进行同样的预处理步骤，然后，通过预处理后的样本数据对神经网络模型的参数进行训练，这样，可以增强神经网络模型的训练效果和泛化能力。例如，将k个采样点的坐标值—x,y,z、风速、风向、气压、温度、湿度和粉尘浓度分别代入式(15)，进行预处理。
[0134]
神经网络模型一般包括输入层、隐含层、输出层，通过将输入层的数据传递到隐含层，然后再将隐含层的数据传递到输出层，从而实现神经网络的正向传播。其中隐含层节点和输出层节点的输出结果zk、yj分别为：
[0135][0136]
[0137]
式中，f1(
·
)、f2(
·
)分别为输入层到隐含层的传递函数和隐含层到输出层的传递函数；n、q、m分别为输入层、隐含层、输出层的节点数；v
kj
、w
jk
分别为输入层与隐含层、隐含层与输出层的权值。
[0138]
确定神经网络模型的反向传播的步骤包括：
[0139]
步骤1、定义误差函数
[0140]
输入p个学习样本，用x1，x2，x3，
……
，x
p
来表示，第p个样本输入到网络后得到输出采用平方型误差函数，于是得到第p个样本的误差e
p
：
[0141][0142]
式中：为期望输出。
[0143]
对于p个样本，全局误差为：
[0144][0145]
步骤2、确定输出层权值的变化
[0146]
采用累计误差bp算法调整w
jk
，使全局误差e变小，即
[0147][0148]
式中：η为学习率
[0149]
定义误差信号为：
[0150][0151]
其中第一项：
[0152][0153]
第二项：
[0154][0155]
是输出层传递函数的偏微分。
[0156]
于是：
[0157][0158]
由链定理得：
[0159][0160]
于是输出层各神经元的权值调整公式为：
[0161]
[0162]
步骤3、确定隐层权值的变化
[0163][0164]
定义误差信号为：
[0165][0166]
其中第一项
[0167][0168]
依链定理有：
[0169][0170]
第二项：
[0171][0172]
是隐层传递函数的偏微分。
[0173]
于是：
[0174][0175]
由链定理：
[0176][0177]
从而得到隐层各神经元的权值调整公式为：
[0178][0179]
在确定神经网络模型的正向传播和反向传播函数后，便可以使用训练样本对该神经网络模型反复进行正向传播和反向传播的训练。在反复训练的过程中，误差越来越小，最终到达预定的训练次数或者误差减少到指定的可接受程度，训练结束。
[0180]
在一种可能的实现方式中，在得到粉尘浓度预测模型后，还包括对粉尘浓度预测模型进行精度评价的步骤。
[0181]
运用平均绝对误差(mae)、平均相对误差(mre)、均方根误差(rmse)和拟合优度(r2)对验证样本的预测值与实际测定值进行比较分析，得到不同模型的精度评价结果。
[0182]
[0183][0184][0185][0186]
式中：y
act(i)
表示第i个样品的实测值；y
pre(i)
是第i个样品的预测值；为样品的实测值平均值，n为数据个数。
[0187]
在本公开中，先采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值；再根据待预测点的位置信息和环境参数预测值，使用预先构建的粉尘浓度预测模型，得到待预测点在预测时段下的粉尘浓度预测值。本公开通过环境参数灰色预测模型和粉尘浓度预测模型结合的方式实现了对粉尘浓度的准确预测。
[0188]
《装置实施例》
[0189]
图2示出根据本公开一实施例的粉尘浓度的时空分布预测装置的示意性框图。如图2所示，该粉尘浓度的时空分布预测装置2000包括：
[0190]
环境参数预测模块2100，用于采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值；
[0191]
粉尘浓度预测模块2200，用于根据待预测点的位置信息和环境参数预测值，使用预先构建的粉尘浓度预测模型，得到待预测点在预测时段下的粉尘浓度预测值；
[0192]
其中，环境参数灰色预测模型包括气压灰色预测模型、温度灰色预测模型、风速灰色预测模型、风向灰色预测模型和湿度灰色预测模型中的至少一种。
[0193]
在一种可能的实现方式中，环境参数灰色预测模型基于采样点在预测时间段的前n个时间段采集到的环境参数实际值构建得到，其中，n的取值为正数。
[0194]
在一种可能的实现方式中，该粉尘浓度的时空分布预测装置2000还包括第一模型构建模块，该第一模型构建模块用于构建环境参数灰色预测模型，该第一模型构建模块在基于采样点在预测时间段的前n个时间段采集到的环境参数实际值构建得到环境参数灰色预测模型时，具体用于：获取采样点在预测时间段的前n个时间段采集到的环境参数实际值，构建环境参数实际值序列；分别对每个时间段所采集到的环境参数实际值进行依次累加，得到每个时间段对应的环境参数累加值，并基于得到的环境参数累加值构建环境参数累加值序列；基于环境参数实际值序列和环境参数累加值序列，构建得到环境参数灰色预测模型。
[0195]
在一种可能的实现方式中，在得到环境参数灰色预测模型之后，该第一模型构建模块还用于：对环境参数灰色预测模型进行后验差检验，得到后验差比值；判断后验差比值是否满足设定精度等级，在不满足设定精度等级的情况下，采用残差修正的方法对环境参数灰色预测模型进行修正，直到后验差比值满足设定精度等级。
[0196]
在一种可能的实现方式中，环境参数预测模块2100在采用预先搭建的环境参数灰色预测模型，得到待预测点在预测时间段下的环境参数预测值时，具体用于：基于预测时间段确定第一相邻时间段和第二相邻时间段；第二相邻时间段、第一相邻时间段和预测时间段为按时间先后顺序顺次连接的时间段；将第一相邻时间段输入至环境参数灰色预测模
型，得到预测时间段下的预测累加值；将第二相邻时间段输入至环境参数灰色预测模型，得到第一相邻时间段下的预测累加值；根据预测时间段下的预测累加值和第一相邻时间段下的预测累加值，得到预测时间段下的环境参数预测值。
[0197]
在一种可能的实现方式中，环境参数预测模块2100在得到预测时间段下的环境参数预测值之后，还用于对环境参数预测值进行预处理。
[0198]
在一种可能的实现方式中，该粉尘浓度的时空分布预测装置2000还包括第二模型构建模块，该第二模型构建模块用于构建粉尘浓度预测模型，该第二模型构建模块在构建粉尘浓度预测模型时，具体用于：分别获取k个采样点的样本数据；样本数据包括：采样点的位置信息、环境参数历史数据和粉尘浓度历史数据；以各采样点的位置信息、环境参数历史数据和粉尘浓度历史数据作为输入数据，以各采样点的粉尘浓度历史数据作为输出数据对神经网络模型的模型参数进行训练，得到粉尘浓度预测模型。
[0199]
《设备实施例》
[0200]
图3示出根据本公开一实施例的粉尘浓度的时空分布预测设备的示意性框图。如图3所示，该粉尘浓度的时空分布预测设备3000包括处理器3100以及用于存储处理器3100可执行指令的存储器3200。其中，处理器3100被配置为执行可执行指令时实现前面任一的粉尘浓度的时空分布预测方法。
[0201]
此处，应当指出的是，处理器3100的个数可以为一个或多个。同时，在本公开实施例的粉尘浓度的时空分布预测设备3000中，还可以包括输入装置3300和输出装置2400。其中，处理器3100、存储器3200、输入装置3300和输出装置2400之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
[0202]
存储器3200作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的粉尘浓度的时空分布预测方法所对应的程序或模块。处理器3100通过运行存储在存储器3200中的软件程序或模块，从而执行粉尘浓度的时空分布预测设备3000的各种功能应用及数据处理。
[0203]
输入装置3300可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置2400可以包括显示屏等显示设备。
[0204]
《计算机可读存储介质实施例》
[0205]
根据本公开的另一方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器3100执行时实现前面任一的粉尘浓度的时空分布预测方法。
[0206]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。