CNN的模型参数对应于不同因素对大气污染的相关性

       1.将京津冀区域大气污染数据按照经纬度高度进行空间编码，形成污染-位置特征向量；

       2.将企业分布按照空间位置进行编码，形成企业-位置特征向量；

       3.将温度分布按照空间位置进行编码，形成温度-位置特征向量；

       4.将特征向量进行组合，形成XX-位置特征矩阵；

       5.特征矩阵标签化，根据PM2.5 标记为污染样本和非污染样本；

       6.将矩阵-标记放入CNN，进行模型训练。

 

　　数据分析应用示例

 

　　时间序列分（更多……）

 

　　将历年冬季的多次污染现象（如雾霾）的大气指标数据序列作为样本，形成数据样本集。

 

　　将样本集送入到RNN（或者LSTM）深度神经网络。

 

　　对数据变化规律进行数据建模。

 

　　针对一个新的大气指标数据序列，送入模型，进行数据变化趋势的预测。
 

　　环保云优势：云认知，端智能

 

　　1.为重污染天气预测，雾霾成因解析提供完备的数据支持。

 

　　2.建立大气仿真模型；

 

　　3.污染物发展演变趋势预测；

 

　　4.雾霾相关性因素权重界定；

 

　　5.优化治控方案。