技術領域

本發明涉及大數據領域、機器學習領域、計算機仿真領域、環境保護領域、以及計算機交互系統領域，更具體地說，本發明涉及一種大數據可視化的空氣污染溯源和走向預測方法。

背景技術

近年來，中國多次爆發大范圍霧霾，霧霾物理成分主要為PM2.5、PM10等，化學成分主要為碳、硫酸鹽、鉛、砷、鎘、銅等。對于這種霧霾，人類呼吸系統無法有效防御，嚴重危害健康。

對污染物的測定，行業內有三種方法：

1、重量法：原理為恒速抽取定量體積空氣，使環境空氣中的PM2.5和PM10被截留在已知質量的濾膜上，根據濾膜采樣前后質量、體積變化，計算PM2.5和PM10濃度。

2、振蕩法：原理為當采樣氣流通過濾膜，顆粒物沉積在濾膜上，濾膜的質量變化導致濾膜振蕩頻率的變化，通過振蕩頻率變化計算出沉積在濾膜上顆粒物的質量。

3、射線法：原理為當采樣氣流通過濾膜，顆粒物沉積在濾膜上，顆粒物沉淀在濾膜上，當β射線通過濾膜時，射線能量衰減，通過對衰減量測定計算顆粒物濃度。

我國目前對大氣顆粒物的測定主要采用重量法，采樣環境及采樣頻率要按照HJ.T194的要求執行。公開的官方空氣質量數據均來自環保部下屬的環境監測站，專人定期采樣、做空氣成分檢測報告。由此，基于天氣氣象預報、季節、監測站歷史數據進行霧霾的預測。

現有環保部下屬的環境監測站檢測方式，優點是事后測量相對精確，但是檢測以實驗室儀器設備為主，受到造價和維護成本昂貴、專人定期采樣的人力成本的限制，官方監測站數量較少(2015年末平均每個省份不足10個)。而且，采用各城市的空氣污染指數(API)分級制，計算城市空氣質量達標天數作為該城市空氣質量的評價,具有測量點時間、地域跨度大、較為粗略的特點。

由于這些缺陷，導致傳統只能使用靜態預報方法，基于天氣氣象預報、季節、交通發達程度、用煤氣暖氣量、本監測站歷史數據等宏觀指標進行預測，不夠精細準確。

而對于微觀層面實時進行霧霾擴散條件、走向的更精確預測，污染來源的更精準溯源和快速處理，則需要更密集的實時數據聯動分析。

目前官方監測站數量少、密度低、實習性和聯動信息化程度較低，對于政府污染監控治理具有滯后性、缺乏預見性，對人民群眾根據霧霾擴散方向速度進行實健康路徑規劃指導也缺乏精細的依據。

發明內容

本發明所要解決的技術問題是針對現有技術中存在上述缺陷，提供一種大數據可視化的空氣污染溯源和走向預測方法。

根據本發明，提供了一種大數據可視化的空氣污染溯源和走向預測方法，包括：

第一步驟：結合空氣擴散條件作為輸入因子，使用誤差逆向傳播算法訓練的多層前饋神經網絡，建立用于空氣污染溯源和走向預測的前饋模型；

第二步驟：執行前饋模型的學習過程，其中采用空氣污染歷史數據作為前饋模型的輸入訓練因子，使用誤差性能函數的最速下降法，通過誤差的反向傳播來逐漸調整網絡前饋模型的權值和閾值，以使網絡前饋模型的輸出誤差不斷減小。

優選地，前饋模型的學習過程包括如下兩個階段：

輸入訓練因子的正向傳播階段，其中輸入訓練因子從輸入層進入網絡，經隱含層后，傳向輸出層，在輸出端產生輸出信號，在此期間，網絡各神經元的權值和閥值保持不變，每一層神經元只影響下一層神經元的輸入和狀態，如果在輸出端沒有得到期望的輸出值，網絡即轉入誤差信號的反向傳播階段；

誤差信號的反向傳播階段，其中將網絡的實際輸出與期望輸出之間的差作為誤差信號，誤差信號由輸出端開始逐層回傳，在此傳播過程中，網絡各神經元的權值和閥值根據誤差反饋進行調整；

其中，輸入訓練因子的正向傳播階段與誤差信號的反向傳播階段交替循環進行，在每完成一次循環時采用實時指標進行污染走向預測。

優選地，所述大數據可視化的空氣污染溯源和走向預測方法還包括第三步驟：通過遺傳算法進行前饋模型的關聯校正。

優選地，在第三步驟中，每次輸入新的樣本，根據交叉驗證法原理，計算SVM分類器識別率，進行適應度評估，不設定遺傳算法的終止值，終止條件采用比高法，其中如果訓練的識別率高于現有則設為最優參數，否則執行選擇、交叉和變異操作以進一步優化訓練參數。

優選地，所述大數據可視化的空氣污染溯源和走向預測方法還包括第四步驟：通過模塊化數據接口多維度地呈現預測結果及溯源結果。

優選地，前饋模型包括輸入層、隱層和輸出層。

優選地，輸入因子包括風速、風力、風向、溫度、溫差、氣壓、雨量、云量中的一個或多個。