结构解析型神经Petri网模型及其在雾霾危害性评价中的应用

为了评价不同PM_(2.5)质量浓度的雾霾对人群健康的危害性,采用函数Petri网与人工神经网络的学习机制相结合的方法,构建了结构解析型神经Petri网模型,简称SP_NPN模型。该模型可以继承ANN的自学习功能,具有ANN的联想存储功能,并能够快速寻找最优解;该模型的网络结构可以是任意的,从而具有良好的适应性;该模型对输入信息没有依赖,它将网络内部的动态作为关注焦点,因而特别适用于复杂系统结构的解析与因果关联分析;该模型的内部节点具有明确的物理含义,因而方便对复杂系统建模。应用结果表明:利用SP_NPN模型解析雾霾对人体健康的危害性,一组观测输入和输出会获得多种解析结果,据此可以发现人体系统内部存在的所有致病类型,从而为相关精确诊断方案的制定指明方向;通过固定某些弧的权系数,可以使解析结果达到唯一,从而发现导致解析结果唯一时的关键因果关联关系,依据这些关联关系设置观测方案,能够为精确诊断方案的制定提供依据;此外,利用SP_NPN模型的因果关联关系解析功能,能够揭示雾霾中PM_(2.5)质量浓度变化与人体致病机制之间存在的因果关联关系,并计算出不同PM_(2.5)质量浓度的雾霾对人群健康的危害性程度,从而达到对雾霾危害性进行评价的目的。     

环境监测系统中异常数据的识别和修复方法

为准确掌握企业大气监测数据的变化规律,得到完整的、接近真实的大气环境监测数据,提出一种组合异常数据检测算法(SWDS-LOF)以检测异常值,并利用多项式拟合的方法对异常数据进行修正.针对修正后数据不完整的情况提出多变量季节性时间序列模型(SARIMA),对随季节性变化趋势较明显的大气监测数据缺失值进行恢复,并建立高度相关的污染物传感器组之间的SARIMA模型,利用高度相关污染物之间的关系,通过完整监测数据恢复缺失部分数据,最终得到完整准确的监测数据.以某汽车公司的监测数据为例进行实证分析并验证所提算法和所建模型,结果显示SWDS-LOF算法与SARIMA模型检测并修正了 97％的异常数据,缺失数据段的数据全部恢复,且恢复精度达到94.60％,表明对于大气监测数据,该算法及模型具有较高的精度,可为大气监测数据的完整性及可靠性提供有效技术支持.     

基于KPCA-IF-WRF模型的多源VOCs数据清洗方法研究

为了解决多源挥发性有机物(Volatile Organic Compounds, VOCs)数据存在数据维度高、数据关系复杂、数据存在异常的问题,建立了基于核主成分分析(Kernel Principal Component Analysis, KPCA)、孤立森林(Isolated Forest, IF)、加权随机森林(Weighted Random Forest, WRF)混合方法的VOCs数据清洗模型。首先对研究区域进行网格划分,建立了基于KPCA-IF的VOCs降维异常数据识别模型,通过KPCA方法对多源混合VOCs数据降维,使用IF算法识别异常数据并进行剔除。然后设计了基于WRF的VOCs数据补偿算法,对降维与异常识别后的数据集进行缺失值回归填补。最后,以西安市为例,选取空气质量数据、气象数据等多源VOCs数据进行数据清洗。结果表明,该混合模型可有效对多源VOCs数据降维,进行数据清洗的平均绝对误差为5.08、均方根误差为10.24、中值绝对误差为3.54,均优于对比模型,证明了KPCA-IF-WRF混合模型的鲁棒性更强、精确度更高,具有科学性和可行性。     

关联区域内VOCs聚集成因解析方法研究

为研究目标区域VOCs聚集的主要成因，同时挖掘VOCs自潜在污染源扩散迁移至聚集区域的过程，提出一种基于随机函数Petri网的关联区域内VOCs聚集成因的解析方法。运用HYSPLIT确定VOCs聚集的关联区域以及VOCs的聚集路径，并将其映射为随机函数Petri网；通过计算稳态概率等指标对Petri网的性能进行分析，将聚集区域VOCs浓度的增量计算过程融入到随机Petri网的运行过程中，从而分析目标区域VOCs聚集的主要成因。案例研究分析了临汾市一次重污染天气下，各潜在污染源对临汾市VOCs浓度增加的影响大小，得出B企业、C企业和D企业为临汾市VOCs聚集的主要成因。该方法为研究目标区域VOCs聚集的主要来源及成因提供了依据。     

融合时域卷积网络和深度自编码器的VOCs数据异常检测

为了提升挥发性有机物(Volatile Organic Compounds, VOCs)数据异常检测精度，提出一种基于时域卷积网络的深度自编码器(TCN-DAE)异常检测的半监督方法，以对VOCs等空气污染物质量浓度异常值进行精准的检测。首先，使用时域卷积网络(Temporal Convolutional Network, TCN)作为深度自编码器(Deep Auto-encoder, DAE)的隐藏层，利用深层网络结构对高维、多源的时间序列数据进行高效地特征提取和数据重构。然后，通过对比重构误差与核密度估计法确定的阈值进行异常检测，其中重构误差大于此阈值则视为异常。最后，选取西安市城六区的VOCs、空气质量和气象等时间序列数据进行试验。结果显示：基于时域卷积网络的深度自编码器模型对多源、高维的时间序列具有较强的异常检测能力，在准确率、F₁分数、受试者工作特征曲线下面积(Area Under Curve, AUC)等异常检测性能指标上均优于双向长短期记忆网络(Bidirectional Long Short-term Memory, Bi-LSTM)、长短期记忆网...     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。