买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南开大学申请的专利基于空气质量机器学习滚动预测模型的污染源强动态反演方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120104983B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510163961.2，技术领域涉及：G06F18/15；该发明授权基于空气质量机器学习滚动预测模型的污染源强动态反演方法是由戴启立;张裕芬;冯银厂设计研发完成，并于2025-02-14向国家知识产权局提交的专利申请。

本基于空气质量机器学习滚动预测模型的污染源强动态反演方法在说明书摘要公布了：本发明涉及一种基于空气质量机器学习滚动预测模型的污染源强动态反演方法，包括如下步骤：步骤S1，空气质量建模数据集的获取和处理；步骤S2，空气质量机器学习预测模型的构建；步骤S3，空气质量气象标准化评估；步骤S4，空气质量滚动预测及气象标准化迭代计算。本发明既解决了现有气象归一化技术受限于时效性不足主要应用于政策干预的事后分析，又降低了随机气象归一化导致有偏估计从而提升了结果的准确性，尤其适用于重污染天气应急评估等具有高时效性要求的环境管理应用场景，具有重要的应用价值。

本发明授权基于空气质量机器学习滚动预测模型的污染源强动态反演方法在权利要求书中公布了：1.基于空气质量机器学习滚动预测模型的污染源强动态反演方法，其特征在于：所述污染源强动态反演方法包括如下步骤： 步骤S1，空气质量建模数据集的获取和处理：基于研究区域内空气质量监测站点逐小时连续监测的SO2、NO2、CO、O3、PM10及PM2.5六项污染物浓度数据，以及同步环境气象参数和时间趋势变量，所述时间趋势变量用以表征具有周期性变化的污染排放或大气理化过程； 步骤S2，空气质量机器学习预测模型的构建：针对六项污染物，对所研究的时刻t，逐个利用回归算法对污染物浓度与环境气象参数和时间趋势变量进行建模，比较模型预测的污染物浓度与实际监测浓度的一致性和差异，计算相关系数和均方根误差，用以评估模型拟合效果； 其中是模型残差项，当前时刻t所训练的污染物预测模型为： ； ； ； 式中表示建模的环境气象参数；表示时间趋势变量；T表示地面温度，RH表示相对湿度，WS表示风速，WD表示风向、SP表示气压、SSR表示辐射强度、BLH表示混合层高度、TCC表示总云量、Prep表示降水量，Aircluster表示轨迹类别，Airlength表示轨迹长度；Hour表示每日的小时时序，Day-of-Week表示每星期的周天数，Day-of-Year表示阳历日期中的天数，LunarDay表示农历日的天数，Unixtime表示时间戳； 步骤S3，空气质量气象标准化评估：将训练好的模型用以预测t时刻污染物在固定一组历史气象条件下，取代数平均值作为排放强度的表征，即t时刻污染物的气象标准化浓度为： ； 式中，k为选取的固定N组历史气象数据的第k个样本，为选取的固定N组的第k个历史气象数据下的模型预测的污染物浓度； 步骤S4，空气质量滚动预测及气象标准化迭代计算： 对下一时刻t+1的污染物监测浓度，待监测数据收集完成后，将t+1时刻的污染物、气象参数与时间变量数据作为一个新样本纳入相同时长的原始训练数据集，利用新数据集重复步骤S2、步骤S3，利用t+1时刻的新训练模型分别计算t、t+1时刻污染物的气象标准化浓度，K组历史气象条件保持不变；随着新监测数据随着时间的持续同步，对t+2时刻，重复t+1的步骤，纳入t+2时刻的新数据重新训练一个污染物预测模型，利用所述模型对t、t+1、t+2时刻的污染物气象标准化浓度进行更新，新训练的模型用以预测固定N组气象下的各项污染物浓度，并舍弃上一轮利用的计算结果，重复上述步骤，直至每一时刻均滚动迭代计算。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南开大学，其通讯地址为：300350 天津市津南区同砚路38号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。