空气质量评价方法、装置、设备和存储介质与流程

本发明涉及环境监测领域，尤其涉及一种空气质量评价方法、装置、设备和存储介质。

背景技术：

随着经济高速发展和城市化进程的加快，能源大量消耗以及污染排放大幅增加，导致空气质量问题形势严峻，持续的高浓度大气污染频发，严重威胁到人们的身体健康和生态安全。由于大气污染物的浓度受气象因素的干扰，为了大气污染的管理需求，需要对空气质量进行客观准确的评估。

目前，空气质量评估方法通常是对实时监测到的大气污染物逐小时浓度数据，进行简单的算术平均，从而确定大气污染物年平均浓度。然而，空气质量受到气象因素的干扰很大，现有技术中对评价的大气污染物浓度数据单纯的算术平均不具有时间和空间上的可比性，不能客观反映空气的实际质量。

技术实现要素：

根据本发明实施例提供的空气质量评价方法、装置、设备和存储介质，实现大气污染物的浓度在时间和空间上具有可比性，以客观地反映实际的空气质量。

根据本发明实施例的一方面，提供一种空气质量评价方法，该空气质量评价方法包括：

基于监测的大气污染物浓度数据和气象因素的历史数据，利用回归分析法，确定大气污染物浓度和气象因素的回归关系；

利用气象因素的历史数据构建基准气象场，基准气象场用于描述气象因素在指定监测区域和指定监测时间段的基准概率分布；

利用大气污染物浓度和气象因素的回归关系，计算基准气象场下的大气污染物浓度，以对空气质量进行评价。

根据本发明实施例的另一方面，提供一种空气质量评价装置，该空气质量评价装置包括：

回归关系确定模块，用于基于监测的大气污染物浓度数据和气象因素的历史数据，利用回归分析法，确定大气污染物浓度和气象因素的回归关系；

基准气象场构建模块，用于利用气象因素的历史数据构建基准气象场，基准气象场用于描述气象因素在指定监测区域和指定监测时间段的基准概率分布；

大气污染物浓度计算模块，用于利用大气污染物浓度和气象因素的回归关系，计算基准气象场下的大气污染物浓度，以对空气质量进行评价。

根据本发明实施例的再一方面，提供一种空气质量评价设备，该空气质量评价设备包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现如本发明实施例提供的空气质量评价的方法。

根据本发明实施例的再一方面，提供一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如本发明实施例提供的空气质量评价的方法。

本发明实施例提供的空气质量评价方法、装置、设备和存储介质，首先基于监测的大气污染物浓度数据和气象因素的历史数据，结合回归分析法，确定大气污染浓度和气象因素的回归关系，然后利用气象因素的历史数据构建基准气象场，再利用该回归关系，计算基准气象场下的大气污染浓度，实现大气污染物的浓度在时间和空间上具有可比性，以客观地反映实际的空气质量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本发明一实施例提供的空气质量评价方法的流程示意图；

图2示出本发明一实施例提供的空气质量评价装置的结构示意图；

图3示出本发明一实施例提供的空气质量评价设备的硬件结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

目前实时监测到的大气污染物的浓度不仅受污染物排放的影响，还受到气象因素的影响，例如：气温、气压、风速与风向等气象因素。然而导致大气污染的根本原因是严重的污染物排放，正是由于气象因素的影响，因此实时监测的某一地域的大气污染物的浓度并不能反映该地域的真实污染物排放量。

作为一个示例，甲城市位于海边，乙城市位于平原地带，并且甲城市每年的大气污染物排放量大于乙城市每年的大气污染物排放量。但是由于甲城市位于海边，因此甲城市的气象条件便于大气污染物的扩散，而由于乙城市位于平原地带，而乙城市的大气污染物不易扩散。正式由于气象因素的影响，引起监测的甲城市的大气污染物的浓度低于乙城市的大气污染物的浓度，导致监测的大气污染物的浓度不能真实反映大气污染物的排放情况，进而造成空气质量评价的准确率低。因此，在对空气质量进行评价时，需要在时间和空间上去除气象因素的影响，真实地反应各地区的大气污染物排放情况，以使各地区测量的大气污染物浓度在时间和空间上具有可比较性。

基于此，本发明实施例提出一种空气质量评价方法、装置、设备和存储介质，基于监测的大气污染物浓度数据和气象因素的历史数据，建立大气污染物浓度和气象因素的回归关系；并利用气象因素的历史数据构建用于描述气象因素在指定监测区域和指定监测时间段的基准概率分布的基准气象场；利用大气污染物浓度和气象因素的回归关系，计算基准气象场下的大气污染物浓度，以去除气象因素对大气污染物浓度的影响，实现对空气质量进行准确的评价。

下面首先结合附图对本发明实施例提供的空气质量评价方法进行详细说明。图1示出根据本发明实施例提供的空气质量评价方法100的流程示意图。如图1所示，本发明实施例提供中的空气质量评价方法包括以下步骤：

s110，基于监测的大气污染物浓度数据和气象因素的历史数据，利用回归分析法，确定大气污染物浓度和气象因素的回归关系。

在本发明的实施例中，由于气象因素的影响，监测的大气污染物的浓度并不能反应真实的大气污染物的排放量，因此需要建立监测的大气污染物的浓度与气象因素的反应关系，以确定气象因素对大气污染浓度的影响。而建立大气污染物的浓度与气象因素的反应关系，则需要获取气象因素的历史数据以及和气象因素对应的大气污染物的浓度。

在本发明的实施例中，步骤s110包括以下步骤：

s1101，获取指定监测区域中的空气质量监测点在指定监测时间段对应的气象因素的历史数据。

在本发明的实施例中，对于空气质量监测点在指定监测时间段的气象因素的历史数据是从该空气质量监测点对应的气象站点所获取的气象数据。作为一个示例，空气质量监测点对应的气象站点可以为距离该空气质量监测点最近的气象站点。对于各监测区域内的气象站点的气象因素的历史数据可以从国家气象数据网进行获取。对于气象因素的历史数据的获取可根据空气质量评价的需求进行选取。

作为一个示例，若空气质量监测点对应的气象站点为北京市的a气象站点，指定监测时间段为2012年北京市的a气象站点的1月份，则需要获取北京市a气象站点2012年的1月份的气象因素的历史数据。

s1102，利用回归分析法，将空气质量监测点在指定监测时间段的大气污染物浓度表示为由空气质量监测点在指定监测时间段对应的气象因素表示的回归函数，通过回归函数确定大气污染物浓度和气象因素的回归关系。

在本发明的实施例中，每个空气质量监测点的大气污染物浓度的数据可以从环境监测总站进行获取。

其中，回归分析指的是确定两种或两种以上变量之间相互依赖的定量关系的一种统计分析方法。因此在本发明实施例中利用回归分析法，揭示大气污染物浓度和气象因素的反应关系。

回归分析包括非参数回归，非参数回归是在回归函数的形式未知的情况下，利用给定的一组数据(xk，yk)，对指定的自变量x值去估计因变量y的值。其中，k＝1，2…..n，n为正整数。由于非参数回归方法不依赖于数据的任何先验假设，非参数回归函数的形式自由，因此增强了灵活性和适应性。

因此本发明实施例可以采用非参数回归算法构建大气污染浓度和气象因素的回归关系，其中，大气污染浓度和气象因素的回归关系可以利用下面的表达式进行表示：

yt(s)＝m(xt(s)，s)+εt(s)(1)

其中，s为指定的空气质量监测点，yt(s)为在指定的空气质量监测点在指定监测时间段内采集的大气污染物浓度。作为一个示例，指定的空气质量监测点为北京市的b空气质量监测点，yt(s)则为b空气质量监测点在第i年的第j季度的第t小时内的大气污染物浓度，其中i，j和t均为正整数，t的取值范围为1到k，k为大于1的正整数。

xt(s)为指定空气质量监测点在指定监测时间段对应的气象因素。作为一个示例，xt(s)为b空气质量监测点在第i年的第j季度的第t小时对应的气象因素。其中，气象因素至少包括以下项中的任一项：气温t、气压p、风向w和风速v。

作为一个具体示例，xt(s)为包含至少一种气象因素的向量，即xt(s)＝(tt,pt,wt,vt)，tt为第i年的第j季度的第t小时对应的气温，pt为第i年的第j季度的第t小时对应的气压，wt第i年的第j季度的第t小时对应的风向，vt为第i年的第j季度的第t小时对应的风速。

由于非参数回归方法中的回归响应函数的形式不固定，因此需要根据监测的大气污染物浓度数据和气象因素的历史数据进行估计回归响应函数。非参数回归方法包括核回归、局部多项式回归和近邻回归等多种回归方法。

虽然不同的非参数回归方法的起源不同，但是可以将回归响应函数视为关于yt(s)的线性组合。也就是说，回归响应函数m(x，s)的估计可以利用下面的表达式进行表示：

其中，wt(x，s)称为权函数。权函数在对回归响应函数进行估计中起光滑作用，以消除扰动的随机因素。

作为一个示例，采用核回归中的n-w核函数估计方法对回归响应函数m(x)进行估计。n-w核估计是一种加权平均估计，核函数k(.)即为一个权函数。其中，wt(x)可以利用核函数k(.)、气象因素的历史数据xt(s)和平滑参数h进行计算。作为一个具体示例，核函数可以为k(u)＝(2π)^-1/2exp(-u²/2)。

在本发明的实施例中，对于辅助参数，也就是平滑参数h对回归响应函数的估计具有重要的影响。当h增大时，会提高对回归响应函数估计的精度，但可能导致失去有用信息造成残差增大；当h减小时，虽然残差会减小，但是会造成过分拟合，降低对回归响应函数估计的精度。其中，对于平滑参数h的选取可以利用回归交叉验证的方法进行选取，以恰当的对回归响应函数进行估计。

其中，εt(s)为误差项系数，其中εt(s)的期望值为0。

在本发明的实施例中，利用回归分析方法可以计算出多个空气质量监测点的大气污染物浓度与气象因素的回归响应函数。

s120，利用气象因素的历史数据构建基准气象场，基准气象场用于气象因素在指定监测区域和指定监测时间段的基准概率分布。

在本发明的实施例中，为了保证大气污染浓度值能够真实的反映污染物的排放量，因此需要将气象因素去除，也就是说在同一气象因素的条件下，不同时刻或不同地点的大气污染物的排放量才具有可比性。

作为一个示例，假设北京市的某一空气质量监测区点在2012年到2017年中每一年的1月份大气污染物的排放量相同，但是由于2014年1月份的气候发生异常，导致大气污染物的扩散加快，结果2014年1月份监测的大气污染物的浓度值比其他年份的1月份的大气污染物浓度低。由此可知，由于气象因素的影响，仅依赖于监测的大气污染物浓度值，并不能对2012年到2017年中每一年的1月份大气污染物的真实排放量进行有效对比。

为了保证对空气评价质量的准确性，需要利用气象因素的历史数据，建立基准气象场，以使不同空气质量监测点在指定监测时间段内的大气污染物浓度值是在同一基准气象场下进行计算。

在本发明的实施例中，步骤s120包括以下步骤：

s1201，对气象因素的历史数据进行归一化处理。

在本发明的实施例中，为了使气象因素的历史数据在同一水平上进行比较，需要将数据进行归一化处理，使数据之间具有可比性。作为一个示例，可以将气象因素的历史数据转化为(0，1)之间的小数。

为了进一步保证气象因素的历史数据之间的可比性，可选的，气象因素的历史数据在是根据统一的监测标准采集的数据。

作为一个示例，对上述北京市的空气质量监测点对应的气象站点在2012年-2017年中每一年的1月份的气象因素的历史数据进行归一化。

s1202，根据归一化处理的气象因素的历史数据，分析指定监测区域中的多个指定气象站点分别在指定监测时间段下的气象因素的概率分布特征。

在本发明的实施例中，指定监测区域包括多个空气质量监测点和多个指定气象站点。指定气象站点在指定监测时间段下的概率分布特征可以为气象因素的概率密度分布函数。其中，气象因素至少包括如下项中的任一项：气温、气压、风向、露点温度和风速。

在本发明的实施例中，一个指定气象站点在指定监测时间段内的概率分布特征是根据指定气象站点在多个不同监测条件下的指定监测时间段内的概率密度函数分布得到的。

作为一个示例，指定气象站点为北京市a气象站点，指定监测时间段为北京市a气象站点的春季。多个不同的监测条件下的指定监测时间段为北京市a气象站点在2012年到2017年中每一年的春季。也就是说，不同的监测条件是不同的年份。则a气象站点在春季内的概率分布特征为2012年到2017年中每一年的春季的气象因素的概率密度分布函数的平均值。

作为一个具体示例，利用归一化处理后的气象因素的历史数据，可以得出上述北京市a气象站点在2012年-2017年中每一年的j季度的气象因素的概率密度函数faj(x，s’)，其中a的取值范围为1，2…..6。当a＝1时，f1j(x，s’)代表2012年的j季度的气象因素的概率密度分布函数；当a＝2时，f2j(x，s’)代表2013年的j季度的气象因素的概率密度分布函数；以此类推，当a＝6时，f6j(x，s’)代表2017年的j季度的气象因素的概率密度分布函数。s’为指定的a气象站点。

在该示例中，则a气象站点在j季度下气象因素的概率密度分布函数f.j(x，s’)可以利用下面的表达式计算：

其中，n为6，n是指定监测条件的个数，也就是指定年份的个数。

在本发明的实施例中，可以利用f.j(x，s’)计算a气象站点在不同年份的j季度去除气象因素后的大气污染物浓度，以使a气象站点在不同年份的j季度的大气污染物浓度在时间上具有可比性。因此，f.j(x，s’)也可以称为时间平衡密度函数。

在本发明的实施例中，利用与上述示例中相似的方法，可以计算出指定监测区域中多个不同的指定气象站点分别在j季度的概率密度分布函数，在此不再赘述。也就是说，根据获取的气象因素的历史数据，可以获取多个指定气象站点分别在指定监测时间段下的气象因素的概率密度分布函数。

s1203，根据多个指定气象站点在指定监测时间段下的气象因素的概率分布特征，构建基准气象场。

在本发明的实施例中，为了使空气质量监测点的大气污染物浓度不仅在时间上可比，也为了实现指定监测区域内的每个空气质量监测点的大气污染物浓度在空间上可以进行比较，可利用多个指定气象站点分别在指定监测时间段下的气象因素的概率分布特征构建基准气象场，以使在指定监测区域中的不同空气质量监测点的大气污染物浓度在时间和空间上均具有可比性。

在本发明的实施例中，基准气象场是气象因素在指定监测区域和指定监测时间段的基准概率分布。也就是说，基准气象场是根据指定监测区域中的多个指定气象站点分别在指定监测时间段下的气象因素的概率分布特征得到的。

作为一个示例，目标区域r中包括n个气象站点和m个空气质量监测点，n个气象站点位于集合w中。基准气象场的基准概率密度分布函数f.j(x)可以利用下面的表达式表示：

其中，s’代表w中的任一气象站点，f.j(x,s’)为气象站点s’在第j季度下的气象因素的概率密度分布函数。也就是说，f.j(x)为目标监测区域r的基准气象场，即为指定的目标监测区域r中每个空气质量监测点在指定监测时间段下对应的气象因素的基准概率分布函数。

在本发明的实施例中，基准气象场在时间平衡密度函数的基础上在空间上进一步调整了气象条件。因此在基准气象场下计算m个空气质量监测点中各个空气质量监测点的大气污染物浓度，可以使m个空气质量监测点的大气污染物浓度在时间和空间上均具有可比性，且提高了大气污染物的浓度的准确性。

s130，利用大气污染物浓度和气象因素的回归关系，计算基准气象场下的大气污染物浓度，以对空气质量进行评价。

在本发明的实施例中，步骤s130包括以下步骤：

根据大气污染物浓度和气象因素的回归关系以及基准气象场，计算指定监测区域中的空气质量监测点在指定监测时间段内经基准气象场调整后的大气污染物的平均浓度，平均浓度值至少包括如下项中的任一项：日平均浓度值、月平均浓度值、季平均浓度值和年平均浓度值；或，计算指定监测区域中的空气质量监测点在指定监测时间段内经基准气象场调整后的大气污染物浓度分布在指定百分位数浓度值。

在本发明的实施例中，对于指定空气质量监测点在指定监测时间段内的经基准气象场调整后的大气污染物的平均浓度，可利用在该空气质量监测点的大气污染物浓度和气象因素的回归响应函数以及基准气象场进行计算。其中，经基准气象场调整后的大气污染物的浓度即为去除气象因素干扰后的大气污染物的浓度。

在本发明的实施例中，利用在时间和空间上调整后的气象因素的基准概率密度分布函数，可以计算经基准气象场调整后的空气质量监测点s在第i年第j季度的季平均浓度μij(s)。其中，μij(s)可以利用下面的表达式进行计算：

其中，是指根据空气质量监测点s在第i年第j季度中每个小时的大气污染物的浓度值和每个小时对应的气象因素的历史数据，得出的空气质量监测点s在第i年第j季度下的回归响应函数mij(x,s)的估计。f.j(x)为指定监测区域的基准气象场的基准概率密度分布函数。

作为一个示例，北京市的目标区域r包括a空气质量监测点、b空气质量监测点和c空气质量监测点在内的3个空气质量监测点。若要计算a空气质量监测点在2013年的第1季度(春季)且在时间上和空间上去除气象因素后的大气污染物的季平均浓度μ1(a)，则需要首先利用监测的a空气质量监测点在2013年春季n个小时中每个小时的大气污染物的浓度值和每个小时对应的气象因素的历史数据，得出在a空气质量监测点在2013年春季条件下的回归响应函数m1(x,a)的估计

然后，对2013年到2107年中每一年的春季的气象因素的概率密度分布函数进行平均，得出a空气质量监测点在春季对应的基准气象因素的概率密度分布函数f.1(x，a)。

再者，分别计算出b空气质量监测点在春季对应的基准气象因素的概率密度分布函数f.1(x，b)以及c空气质量监测点在春季对应的基准气象因素的概率密度分布函数f.1(x，c)。

最后，计算f.1(x，a)、f.1(x，b)和f.1(x，c)的平均值f.1(x)。f.1(x)即为基准气象场的基准概率分布。然后，利用f.1(x)和a空气质量监测点在2013年春季对应的计算a空气质量监测点去除气象因素后的大气污染物的2013年春季的季平均浓度μ1(a)：

其中，按照上述类似的方法可以计算出b空气质量监测点在2013年春季大气污染物的季平均浓度μ1(b)以及c空气质量监测点在2013年春季大气污染物的季平均浓度μ1(c)。由于不同空气质量监测点在2013年春季的大气污染物的季平均浓度是在时间和空间上进行气象调整后的浓度，因此μ1(a)、μ1(b)和μ1(c)在空间上具有可比性。

在本发明的实施例中，类似的，可采用相似方法计算空气质量监测点去除气象因素后的大气污染物的月平均浓度和年平均浓度等浓度值。

在本发明的实施例中，对于在空间和时间上去除气象因素的大气污染物浓度分布在指定百分位数浓度值，可以利用与上述计算大气污染物的平均浓度相似的方法进行计算。

与表达式(5)相似，经基准气象场调整后的空气质量监测点s在第i年第j季度的大气污染物浓度的q分位数浓度值ξij(q，s)可以利用下面的表达式进行表示：

其中，0<q<1。是的逆函数。其中，是fij(y'|x,s)的估计。fij(y'|x,s)＝p[yt(s)≤y'|x]，表示当气象因素x固定时，空气质量监测点s的大气污染物浓度小于等于y’的条件分布函数。其中，y’为气象调整之前的第i年第j季度的大气污染物的q分位数浓度值。

具体来说，为空气质量监测点s在第i年第j季度的大气污染物的q分位数浓度值和每个小时内q分位数浓度值对应的气象因素的历史数据，得出的空气质量监测点s在第i年第j季度的大气污染物浓度与气象因素的回归响应函数fij(y'|x,s)的估计。f.j(x)为基准气象场对应的气象因素的基准概率密度分布函数。

本发明实施例提供的空气质量评价方法，通过在时间和空间上对大气污染物浓度进行气象调整，既去除了气象因素对大气污染物浓度的影响，提高了空气质量评价的准确度，并且实现了不同空气质量监测点的经气象调整后的大气污染物的浓度在时间和空间上可以比较，以便于进行区域性空气质量评估。

在本发明的实施例中，回归分析不仅包括非参数回归分析，还包括参数分析和半参数分析，因此，在本发明的一些实施例中，在步骤s1102中，还可以通过构建参数回归模型或半参数回归模型以替代非参数回归方法，并利用构建的参数回归模型或半参数回归模型确定大气污染物浓度和气象因素的回归关系。

其中，参数回归模型是具有已知形式的函数，但该函数中含有未知参数。通过利用最小二乘法的原理，将预先采集的实测值y与计算值y’的差值的平方和最小为优化判据，利用对不同的未知参数求偏导，并令每个未知参数的偏导数都等于0，进而可以得到关于未知参数的方程。通过求解未知参数的方程，即可以得出参数回归模型中未知参数的估计值。

在本发明的实施例中，参数回归模型对应的回归关系可以利用下面的表达式进行表示：

yt(s)＝β×yt-1(s)+m(xt(s)，θ)+εt(s)(8)

其中，s为指定的空气质量监测点，yt(s)为空气质量监测点在指定监测时间段采集的大气污染物浓度，yt-1(s)为空气质量监测点在指定监测时间段的上一个监测时间段采集的大气污染物浓度，β为参数回归模型的回归系数，xt(s)为空气质量监测点在指定监测时间段对应的气象因素，θ为回归模型的参数，m(xt(s)，θ)为构建的回归响应函数，εt(s)为误差项系数。

在本发明的实施例中，结合最小二乘法的原理，利用监测的大气污染物的浓度和气象因素的历史数据，以及回归参数模型，可以求解出参数回归模型中未知参数β和θ的估计值，进而确定参数回归模型的具体函数形式。其中，回归响应函数的函数形式，可根据具体应用场景而定，本发明实施例不做具体限制。

其中，半参数回归模型既含有参数分量又含有非参数分量，更能充分的利用观测值所提供的信息，更接近于真实情况。

在本发明的实施例中，半参数模型对应的回归关系可以利用下面的表达式进行表示：

yt(s)＝β×yt-1(s)+m(xt(s)，s)+εt(s)(9)

其中，s为指定空气质量监测点，yt(s)为空气质量监测点在指定监测时间段采集的大气污染物浓度，yt-1(s)为空气质量监测点在指定监测时间段的上一个监测时间段采集的大气污染物浓度，xt(s)为空气质量监测在指定监测时间段对应的气象因素，m(xt(s)，s)为根据大气污染物浓度数据和气象因素的历史数据计算的回归响应函数，εt(s)为误差项系数。

在本发明的实施例中，对于半参数回归模型中的参数分量中的未知参数β可以利用监测的大气污染物的浓度和气象因素的历史数据并结合最小二乘法进行确定。对于半参数回归模型中的非参数分量m(xt(s)，s)，可以利用局部最小二乘法进行估计。

通过本发明实施例提供的空气质量评价方法，通过在同一个基准气象场下计算指定监测区域中多个空气质量监测点在指定监测时间段的大气污染浓度，去除了气象因素的影响，保证了不同空气质量监测点在不同时间和不同空间内的大气污染浓度具有可比性，实现了对空气质量评价的准确性。

图2示出了根据本发明一实施例提供的空气质量评价装置200的结构示意图，该空气质量评价装置包括：

回归关系确定模块210，用于基于监测的大气污染物浓度数据和气象因素的历史数据，利用回归分析法，确定大气污染物浓度和气象因素的回归关系；

基准气象场构建模块220，用于利用气象因素的历史数据构建基准气象场，基准气象场用于描述气象因素在指定监测区域和指定监测时间段的基准概率分布；

大气污染物浓度计算模块230，用于利用大气污染物浓度和气象因素的回归关系，计算基准气象场下的大气污染物浓度，以对空气质量进行评价。

在本发明的实施例中，回归关系确定模块210具体用于：

获取指定监测区域中的空气质量监测点在指定监测时间段对应的气象因素的历史数据；

利用回归分析法，将空气质量监测点在指定监测时间段的大气污染物浓度表示为由空气质量监测点在指定监测时间段对应的气象因素表示的回归函数，通过回归函数确定大气污染物浓度和气象因素的回归关系。

在本发明的实施例中，回归关系确定模块210，具体用于：

利用非参数回归算法构建回归关系，回归关系的表达式为yt(s)＝m(xt(s)，s)+εt(s)，其中，s为空气质量监测点，yt(s)为空气质量监测点在指定监测时间段的大气污染物浓度，xt(s)为空气质量监测点在指定监测时间段对应的气象因素，m(xt(s)，s)为根据大气污染物浓度数据和气象因素的历史数据计算的回归响应函数，εt(s)为误差项系数。

在本发明的实施例中，回归关系确定模块210，具体用于：

构建参数回归模型，通过参数回归模型确定大气污染物浓度和气象因素的回归关系，其中，

参数回归模型对应的回归关系的表达式为：yt(s)＝β×yt-1(s)+m(xt(s)，θ)+εt(s)，其中，s为空气质量监测点，yt(s)为空气质量监测点在指定监测时间段的大气污染物浓度，yt-1(s)为空气质量监测点在指定监测时间段的上一个监测时间段的大气污染物浓度，β为回归模型的回归系数，xt(s)为空气质量监测点在指定监测时间段对应的气象因素，θ为回归模型的参数，m(xt(s)，θ)为构建的回归响应函数，εt(s)为误差项系数。

在本发明的实施例中，回归关系确定模块210，具体用于：

构建半参数模型，通过半参数模型确定大气污染物浓度和气象因素的回归关系，其中，

半参数模型对应的回归关系的表达式为：yt(s)＝β×yt-1(s)+m(xt(s)，s)+εt(s)，其中，s为空气质量监测点在，yt(s)为空气质量监测点在在指定监测时间段的大气污染物浓度，yt-1(s)为空气质量监测点在在指定监测时间段的上一个监测时间段的大气污染物浓度，xt(s)为空气质量监测点在指定监测时间段对应的气象因素，m(xt(s)，s)为根据大气污染物浓度数据和气象因素的历史数据计算的回归响应函数，εt(s)为误差项系数。

在本发明的实施例中，基准气象场构建模块220，具体用于：

对气象因素的历史数据进行归一化处理；

根据归一化处理的气象因素的历史数据，分析指定监测区域中的多个指定气象站点分别在指定监测时间段下的气象因素的概率分布特征；

根据多个指定气象站点分别在指定监测时间段下的气象因素的概率分布特征，构建基准气象场。

在本发明的实施例中，气象因素至少包括如下项中的任一项：气温、气压、风向、露点温度和风速。

在本发明的实施例中，大气污染浓度计算模块230，具体用于：

根据大气污染物浓度和气象因素的回归关系以及基准概率分布，计算指定监测区域中的空气质量监测点在指定监测时间段内经基准气象场调整后的大气污染物的平均浓度，平均浓度值至少包括如下项中的任一项：日平均浓度值、月平均浓度值、季平均浓度值和年平均浓度值；或，

计算指定监测区域中的空气质量监测点在指定监测时间段经基准气象场调整后的大气污染物浓度分布在指定百分位数浓度值。

本发明实施例提供的空气质量评价装置，通过利用监测的大气污染物浓度数据和气象因素的历史数据确定的大气污染物浓度和气象因素的回归关系，以及构建的基准气象场，得到基准气象场下的大气污染物浓度，保证了计算的大气污染浓度真实的反映大气污染浓度的排放量，实现了空气质量评价的准确性。

根据本发明实施例的空气质量评价装置的其他细节与以上结合图1至图2描述的根据本发明实施例的空气质量评价方法类似，在此不再赘述。

结合图1至图2描述的根据本发明实施例的空气质量评价方法和装置可以由空气质量评价设备来实现。图3是示出根据发明实施例的空气质量评价设备的硬件结构300示意图。

如图3所示，本实施例中的空气质量评价设备300包括：处理器301、存储器302、通信接口303和总线310，其中，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。

具体地，上述处理器301可以包括中央处理器(cpu)，或者特定集成电路(asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括hdd、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在空气质量评价设备300的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。在特定实施例中，存储器302包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。

通信接口303，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线310包括硬件、软件或两者，将空气质量评价设备300的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

也就是说，图3所示的空气质量评价设备300可以被实现为包括：处理器301、存储器302、通信接口303和总线310。处理器301、存储器302和通信接口303通过总线310连接并完成相互间的通信。存储器302用于存储程序代码；处理器301通过读取存储器302中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行本发明任一实施例中的空气质量评价方法，从而实现结合图1至图2描述的空气质量评价方法和装置。

本发明实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的空气质量评价方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。