空气质量数据监控分析元数据说明

Echarts绘图空气质量数据监控

分析元数据说明导语元数据采集元数据分析元数据的选择导语/01元数据在分析预测模块。分析预测模块主要是以石家庄市空气质量监测站所获得的大气污染指标数据为基础，将数据挖掘技术和BP神经网络算法相结合，建立了石家庄市大气质量预测模型。预测模型首先利用数据挖掘技术分析选择出影响空气质量的候选因子，将候选影响因子与监测数据进行相关性分析，确定神经网络拓扑结构后，使用影响因子数据进行神经网络训练，最后对建立的预测模型进了评价测试。分析预测模块主要分为：元数据采集、元数据分析、元数据的选择、元数据的预处理、神经网络结构的定义、选择候选影响因子、预测模型的建立、误差分析。分析预测子功能控制流程图如图1-1所示。导语导语图1-1：分析预测子功能控制流程元数据采集/02

由于互联网中海量的数据、并且形式多种多样，为了保证数据的准确、权威本实验用到的空气质量数据是通过WebService技术从国家空气质量监测网站获取，气象数据从中国气象网获取，地理位置信息从百度地图网站获取。空气质量分析系统把采集到的原始数据信息经过清洗、去噪、格式化后存储到本地数据库中。数据采集功能的体系结构如图1-2所示。元数据采集图1-2：元数据采集功能的体系结构元数据采集

这里以石家庄地区为例，收集该地区2014年度的大气监测数据和气象条件数据来进行数据挖掘。PM2.5、PM10测量值的全年分布图如图1-3所示：图1-3PM2.5、PM10测量值的全年分布

从图中可看出大气污染情况的全年分布不均匀，整体趋势为冬季指数高，空气污染较严重；而夏季指数低，空气污染较轻。所以为了提高预测准确度，本文将按照月份进行划分，分别建立不同的两个预测模型。划分的月份为1，2,3，11，12五个月为第一预测模型；4,5,6,7,8,9，10六个月为第二预测模型。第一预测模型PM2.5与气温的分布关系图如下图所示：15「 25「 〇元数据采集I | | | | |Q 〇。

〇I〇 | | | | |100 200 300 400 500 600 0 100" 200 300 400 500 600第一预测模型FM2.5指数与最低气温分布元数据分析/03

预测模型的原理就是使用一系列已知的影响因素（气象条件，污染源排放，人口密度，周边区域情况等）经过一定的分类算法从而得出一个未知的结果（未来一段时间内大气质量情况）。那么哪些影响因素可以作为分类算法的基础，而哪些不能作为影响因素则需要使用数据挖掘技术来进行分析。元数据分析元数据的选择/04

在“元数据分析”中提出在已经收集数据的情况下，运用数据挖掘技术获得了空气污染指数的分布情况，根据分布情况，按照月份进行划分，分别建立不同的两个预测模型。划分的月份为1，2,3，11，12五个月为第一预测模型；4,5,6,7，8,9,10六个月为第二预测模型。这里拟釆用2014年污染物数据作为网络训练数据，建立神经网络模型，用2015年的数据作为验证数据，对预测模型进行评价测试。训练好的网络用于预测未来一天的空气质量。以第二预测模型为例，选取与测试有关的数据，建立矩阵，2014年4-10月一共有214天，所以矩阵有214行，每一行代表一条数据；选取的影响因子有29项（’’levelData”空气质量等级，”pm2.5’’PM2.5浓度，’pmHTPMlO浓度，’’co”一氧化碳浓度，f’no2n二氧化氮浓度n，so2’’二氧化硫浓度，’’〇3’’臭氧浓度，nlevelData_oneDayn—天前空气质量等级，nlevelData_twoDayn两天前空气质量等级，元数据的选择‘’pmlOoneDay”一天前PM10浓度，npm2.5_oneDay’’一天前PM2.5浓度，’’co_oneDay’’一天前一氧化碳浓度，nno2_oneDay’’一天前二氧化氮浓度，nso2_oneDayn—天前二氧化硫浓度，no3_oneDay’’一天前臭氧浓度，npmlO_towDayn两天前PM10浓度，npm2.5_towDay’’两天前PM2.5浓度，nco_towDay’’两天前一氧化碳浓度，’’no2_towDay’’两天前二氧化氮浓度，nso2_towDay’’两天前二氧化硫浓度，’’o3_towDay’’两天前臭氧浓度，’’maxtemp’’最高温度，’’mintemp’’最低温度，’’QData”风级，’’weatherData”天气情况，’’maxtemp_onedayn—天前最高温度，nm