申请/专利权人：华南理工大学;华云创信(广东)生态环境科技有限公司

申请日：2023-06-27

公开（公告）日：2024-06-28

公开（公告）号：CN117031582B

主分类号：G01W1/10

分类号：G01W1/10;G01N33/00;G06F18/25;G06F18/2113;G06F18/15;G06N5/01;G06N20/20;G06N7/01;G06N3/044;G06N3/0442;G06N3/0455;G06N3/0464;G06N3/049;G06N3/084;G06N3/098;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.11.28#实质审查的生效;2023.11.10#公开

摘要：本发明公开的递归时空学习及模拟监测融合的臭氧小时浓度预报方法，包括以下步骤：S11、选择对臭氧预报重要度较高的气象因子，作为气象输入特征；S12、根据气象输入特征、臭氧模拟值和臭氧监测值，建立递归时空模型所需的数据集；S13、搭建递归时空模型，基于数据集进行递归时空模型的训练，同步捕捉抓取模式时空特征，预报站点臭氧小时浓度；S14、基于递归时空模型预报结果，通过Downscaler数据融合技术将其与模式结果耦合，实现区域水平的臭氧小时浓度预报。本发明使用Downscaler数据融合方法，融合递归时空模型结果与模式区域预报值，实现了区域范围的臭氧小时浓度精确预报，弥补了现有技术的缺陷。

主权项：1.递归时空学习及模拟监测融合的臭氧小时浓度预报方法，其特征在于，包括以下步骤：S11、选择对臭氧预报重要度较高的气象因子，作为气象输入特征；S12、根据气象输入特征、臭氧模拟值和臭氧监测值，建立递归时空模型所需的数据集；S13、搭建递归时空模型，基于数据集进行递归时空模型的训练，同步捕捉抓取模式时空特征，预报站点臭氧小时浓度；S14、基于递归时空模型预报结果，通过Downscaler数据融合技术将其与模式结果耦合，实现区域水平的臭氧小时浓度预报；其中，S13步骤所述的搭建递归时空模型，具体步骤为：以卷积结构连接输入到状态、状态到状态之间的转换，形成卷积时空层，公式表示为： 式中，输入门决定当前时刻信息输入信息的筛取，遗忘门决定上一时刻输入信息的筛取，输出门决定当前时刻输出信息的筛取，、、、、、、、、、均为通过训练学习得到的参数；为卷积运算；，为时刻的隐状态和记忆单元；为上一时刻的隐状态和记忆单元；是通过非线性函数得到的候选状态；为时刻的训练集输入；，，，，，均为三维张量，隐藏层h_t是保存和传输时间信息的基本参数；为函数；是哈达玛积；将卷积时空层叠加，形成编码-预报结构，建立端到端的递归时空模型；递归时空模型的递归部分包括编码器和解码器，编码器和解码器能够拓展臭氧预报时间序列——编码器用于提取低层次、细粒度的特征图，解码器用于提取高层次、粗粒度的特征图；所述编码器和解码器的过程如下： 式中，是到时刻的气象以及臭氧模拟数据；是时的监测臭氧浓度；是编码器的预报臭氧浓度；是解码器的预报臭氧浓度；是编码器的过程输出数据；是网格域的宽和高；是的通道数；是气象因子和污染物浓度的特征总数；和分别表示编码器和解码器过程，解码器通过跳跃连接过程整合编码器的输出信息。

全文数据：

权利要求：

百度查询： 华南理工大学;华云创信(广东)生态环境科技有限公司 递归时空学习及模拟监测融合的臭氧小时浓度预报方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD