CN119293463A Pm2.5与臭氧复合污染智能预测方法、系统及介质 （湖南工商大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119293463A(43)申请公布日2025.01.10

(21)申请号202411824236.7

(22)申请日2024.12.12

(71)申请人湖南工商大学

地址410205湖南省长沙市岳麓区岳麓大

道569号

(72)发明人陈绪武唐智恒唐湘博李晓东唐易凡邢文乐汪文军

GO6F18/211(2023.01)

GO6F18/214(2023.01)

(74)专利代理机构湖南兆弘专利事务所(普通

合伙)43008专利代理师胡君

(51)Int.CI.

GO6F18/20(2023.01)

G16C20/20(2019.01)

G16C20/70(2019.01)

GO6N3/084(2023.01)

权利要求书3页说明书11页附图2页

(54)发明名称

PM2.5与臭氧复合污染智能预测方法、系统及介质

(57)摘要

CN119293463A本发明公开一种PM2.5与臭氧复合污染智能预测方法、系统及介质，该方法步骤包括：收集待预测区域历史空气质量数据、环境气象数据以及大气污染源排放数据；收集不同环境气象条件与不同的关联污染源组合形成的交叉特征数据；将收集的数据形成训练数据集，并进行数据匹配；训练多任务神经网络模型；根据各输入特征对训练后多任务神经网络模型预测的增量贡献度选取出最优输入特征参数，构建形成最终的复合污染识别模型；获取待预测区域实时的空气质量数据、环境气象数据以及大气污染源排放数据，并输入至复合污染识别模型中，预测出PM2.5和臭

CN119293463A

收集待预测区域在指定历史时间段内的空气质量数据、环境气象数据以及大气污染物排放数据

根据环境气象数据以及大气污染源排放数掘构建交叉特征数据，其

中由不同环境气象条件与不同前体物组合构建形成气象

排放交叉特征、由不同前体物组合构建形成排放排放交叉特征

将空气质量数据、环境气象数据、大气污染物排放数据以及交叉特征数据形成训练数据集，并对环境气象数据、大气污染物排放数据以及交叉特征数据与PM2.5浓度数据和臭氧浓度数据进行数据匹配

使用训练数据集训练多任务神经网络模型，训练过程中以环境气象数据、大气污染物排放数据以及交叉特征数据作为输入数据，以及

将对应匹配的PM2.5浓度数据和臭氧浓度数据作为输出数据

根据各输入特征对训练后的多任务神经网络模型预测结果的增量贡

献度选取出最优输入特征参数组合，构建形成最终的复合污染识别

模型

获取待预测区域实时的空气质量数据、环境气象数据以及大气污染

物排放数据，并输入至复合污染识别模型中，由复合污染识别模型

输出预测出的PM2.5浓度数据和臭氧浓度数据

CN119293463A权利要求书1/3页

2

1.一种PM2.5与臭氧复合污染智能预测方法，其特征在于，步骤包括：

收集待预测区域在指定历史时间段内的空气质量数据、环境气象数据以及大气污染源排放数据，所述空气质量数据包括PM2.5浓度数据和臭氧浓度数据；

根据收集的所述环境气象数据以及大气污染源排放数据构建形成交叉特征数据，其中由不同环境气象条件与不同前体物组合构建形成气象-排放交叉特征以用于表征不同环境气象条件与不同前体物排放之间的相互作用关系，以及由不同前体物组合构建形成排放-排放交叉特征以用于表征不同前体物排放的复合效应，所述前体物为与产生PM2.5、臭氧相关联的空气污染源；

将所述空气质量数据、环境气象数据、大气污染源排放数据以及所述交叉特征数据形成训练数据集，并对训练数据集中所述环境气象数据、大气污染源排放数据以及所述交叉特征数据与所述空气质量数据中PM2.5浓度数据和臭氧浓度数据进行数据匹配；

使用所述训练数据集训练多任务神经网络模型，训练过程中以环境气象数据、大气污染源排放数据以及所述交叉特征数据作为输入数据，以及将对应匹配的PM2.5浓度数据和臭氧浓度数据作为输出数据；

根据训练好的多任务神经网络模型的各输入特征对模型预测结果的增量贡献度对输入特征进行筛选，选取出最优输入特征参数组合，构建形成最终的复合污染识别模型；

获取待预测区域实时的空气质量数据、环境气象数据以及大气污染源排放数据，并输入至所述复合污染识别模型中，由所述复合污染识别模型输出预测出的PM2.5浓度数据和臭氧浓度数据