本发明涉及空气质量预报，具体涉及一种自适应优化城市环境空气质量预报的智能算法。
背景技术：
1、空气质量模型是一套用于模拟和预测大气中污染物浓度的数学和计算框架。这些模型结合了大气化学、物理过程、气象条件以及人类活动产生的排放，以预测特定地区和时间内的空气质量状况。进行预报的方法通常包括收集污染物排放数据、气象数据，利用这些基础数据驱动模型运行，通过模拟大气中的化学反应和污染物扩散过程，来预测未来的空气质量指标。预报结果帮助政府、企业和公众了解未来的空气质量状况，为采取相应的减排措施和保护公众健康提供依据。
2、空气质量模型通常需要大量准确的输入数据，而数据的缺失或不精确会直接影响预报结果的可信度。此外，模型对复杂的大气化学反应和物理过程的简化处理可能无法充分反映城市间的差异，尤其是在小尺度或复杂地形条件下。因此，在城市级别的空间尺度上，考虑直接通过修改空气质量模型来达到提高预报水平，将面临基础数据缺失、模型分辨率偏低和计算资源需求高而且成本较大等问题。这些困难限制了空气质量模型在城市级环境与气象领域的推广应用。
技术实现思路
1、本发明的目的在于提供一种自适应优化城市环境空气质量预报的智能算法，以解决上述背景中问题。
2、本发明的目的可以通过以下技术方案实现：
3、一种自适应优化城市环境空气质量预报的智能算法，包括以下步骤：
4、对于预测日往前回溯1-90天的实测的某项污染物浓度小时值记为xi，j，其中i＝0,1,2…90，j＝0,1,2…23，i表示日期序数，j表示小时序数；计算得到标准化数据列；
5、对某项污染物1-90天历史浓度进行预处理后得到的x’i,其中将得到的x’i’按照每天同一时刻计算平均值，得到并记录归属于该主类型的样本序号i为新的集合n；
6、对当日预报数据yj进行标准化计算后，得到y’j；
7、假定预测值和实测值满足线性方程f(x)＝ax+b，计算得到新的预报值；
8、按照滚动预报原则，经前述步骤，已完成m天完整预报及一次修订，采用线性回归拟合求系数μi，预测得预报当天的μm，进而计算得到二次订正结果y’m’＝μm×y’m。
9、作为本发明进一步的方案：对第i天的数据列xi，0，xi，1，…，xi，23，计算它的均值xmi和标准差xsi，得到标准化数据列：
10、作为本发明进一步的方案：所述x’i的计算方式包括：
11、首先，采用聚类算法，将数据集中的样本划分为k(k≥3)个不同的类别：
12、然后，对k个聚类簇进行分别进行计数；
13、如果存在一个主类簇(样本数量占总样本的比例＞50％)，则提取并保存该类簇样本为数据集；
14、如果不能满足样本数量占比＞50％，则重新取样并聚类。
15、作为本发明进一步的方案：所述采用聚类算法包括以下步骤：以k均值算法为例，将视为一个多维空间向量，具体步骤如下：
16、v1:随机选择k个初始的聚类中心点，这些中心点将作为最终的聚类簇的代表；
17、v2：针对每个数据样本，计算其与每个聚类中心点的距离，并将其归类到距离最近的中心点所代表的聚类簇中；
18、v3：对于每个聚类簇，计算该簇中所有样本的平均值，将其作为新的聚类中心点；
19、v4：重复步骤v2和步骤v3，直到聚类中心点不再发生变化或达到预设的迭代次数；
20、v5：算法:输出k个聚类簇，每个簇包含一组相似的数据样本。
21、作为本发明进一步的方案：所述一次项系数
22、作为本发明进一步的方案：所述新的预报值的计算方式为：
23、对于i∈n采用最大似然估计法，计算参数引入反距离权重系数至此得到对预报数据的修订方程，计算得到新的预报值
24、作为本发明进一步的方案：所述μi的计算方式为：μi＝regress(xi，j，y’i，j)，i＝1,2，…，m-1。
25、作为本发明进一步的方案：所述一次修订包括：对i∈m，存在实测样本集xi-1，j，一次订正预报样本集y’i，j。
26、作为本发明进一步的方案：所述μi划分为：训练集、验证集、测试集。
27、作为本发明进一步的方案：预测得到预报当天的μm，利用长短期记忆网络(lstm)机器学习模型。
28、本发明的有益效果：
29、(1)本发明中，自适应优化城市环境空气质量预报的智能算法是在空气质量模型计算结果的基础之上，针对预报目标城市的特点，利用1-90天历史数据采用统计方法反演当地空气质量6项污染物浓度随时间变化规律，然后通过机器学习算法识别主要污染特征并计算出对未来0-48小时污染物浓度预报结果的修正模式，然后通过集合空气质量模型计算结果和修正模式即时更新并发布空气质量6项污染物浓度，达到提高预报准确率的目的。
30、(2)本方法应用于城市尺度空气质量预报时明显具有以下优势：一是数据依赖小，只需要1-90天回溯历史实测数据；二是能够最大程度还原当地污染现状特征，且不需要对大气物理化学参数、地形地理参数等进行重构；三是采用机器学习算法模型进行滚动计算，全过程自动执行不需要人工干预，且准确度高；因此，该方法实施成本低、运行效果好，完全满足城市级空气质量预报的要求；
31、(3)本发明中，新算法通过引入实时数据源、并通过对历史数据集的学习和建模，实现对现有预报结果的自动优化流程，能够实现更及时的预报，实时快速地修订空气质量预报的so2、no2、o3、co、pm2.5和pm10六项污染物浓度指标，使决策者和公众能够更快速地获取最新的空气质量信息，实时性和及时性好；
32、相对于传统方法，该模型实施成本低。只需短期历史实测数据，不需对大气物理化学参数重构，从而降低了预报成本；
33、机器学习算法模型的应用提高了预报准确度。通过自动滚动计算，能够更准确地还原当地污染现状特征，为城市居民提供更可靠的空气质量预报信息；且模型全过程自动执行，无需人工干预，提高了操作效率。这意味着预报结果的更新更及时，预报信息更可靠，有助于公众做出及时决策；
34、该方法的低成本和高效率使其具有可持续发展的潜力。通过为城市提供可靠的空气质量管理支持，有助于促进城市的环境保护和可持续发展。
1.一种自适应优化城市环境空气质量预报的智能算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，对第i天的数据列xi，0，xi，1，…，xi，23，计算它的均值xmi和标准差xsi，得到标准化数据列：
3.根据权利要求1所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述x’i的计算方式包括：
4.根据权利要求3所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述采用聚类算法包括以下步骤：以k均值算法为例，将视为一个多维空间向量，具体步骤如下：
5.根据权利要求1所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述一次项系数
6.根据权利要求1所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述新的预报值的计算方式为：
7.根据权利要求1所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述μi的计算方式为：μi＝regress(xi，j，y’i，j)，i＝1,2，…，m-1。
8.根据权利要求1所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述一次修订包括：对i∈m，存在实测样本集xi-1，j，一次订正预报样本集y’i，j。
9.根据权利要求8所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，所述μi划分为：训练集、验证集、测试集。
10.根据权利要求9所述的一种自适应优化城市环境空气质量预报的智能算法，其特征在于，预测得预报当天的μm，利用长短期记忆网络(lstm)机器学习模型。
