一种扬尘源的排量计算模型构建方法及扬尘排量计算方法

摘要

本发明公开了一种扬尘源的排量计算模型构建方法及扬尘排量计算方法，该扬尘源的排量计算模型构建方法包括：按照预设周期采集扬尘源的若干个扬尘排量数据；采集与扬尘排量数据对应的若干个影响因素的数据；根据扬尘排量数据及其对应的各影响因素的数据训练生成扬尘源的排量计算模型。通过根据扬尘排量数据，以及扬尘排量数据对应的若干个影响因素的数据训练生成扬尘源的排量计算模型，使构建的模型中的各个参数均是在大量历史数据集训练的基础上得到的，准确性较高，从而使基于本发明实施例的方法得到的排量计算模型进行扬尘源的扬尘排量计算时，得到的计算结果的准确性也较高。

说明书

技术领域

本发明涉及环境污染物测量技术领域，尤其涉及到一种扬尘源的排量计算模型构建方法及扬尘排量计算方法。

背景技术

扬尘是造成城市颗粒物污染的主要源头之一，也是我国大多数城市空气污染中首要的污染物。国内外研究与实验表明，扬尘是城市大气中PM10的重要来源，早期扬尘对大气中PM10的贡献率超过50％，经过多年的治理，近期，许多城市空气质量有了极大的改善，但扬尘PM10的贡献率仍在20％以上，此外，其对PM2.5的贡献率也有着不可忽视的影响，因此，有效控制城市特别是城市中的主要扬尘源的扬尘排放量，对促进环境空气质量的持续改善具有十分重要的意义。

目前，国内常用的扬尘排放量的计算方法为排放因子法(USEPA)，基于排放因子法计算扬尘源的扬尘排放总量的计算公式如下：W_ci＝E_ci×A_c×T，E_ci＝2.69×10^-4×(1-η)，其中，W_ci为施工扬尘源中PMi总排放量，吨/年，E_ci为整个施工工地PMi的平均排放系数，2.69×10-4t/(m²·月)，AC为施工区域面积，m²，T为工地的施工活跃月份数，一般按施工天数/30计算，η为污染控制技术对扬尘的去除效率，％。该公式可用于整个建筑施工区域排放总量的估算，也可对TSP、PM10和PM2.5排放量分别计算。但是，上述公式中的PMi的平均排放系数W_ci为从预先编制的扬尘排量清单中查找确定，而扬尘排量清单中一般仅收录国内的几个主要城市(北京、香港等)以及部分国外的具体颗粒物排放因子，当排放清单中未收录待计算的扬尘源所在城市时，就需要选用国外或国内其它省市的排放因子作为本地区的排放因子参与计算，得到的计算结果的误差较大。

发明内容

有鉴于此，本发明实施例提供了一种扬尘源的排量计算模型构建方法及扬尘排量计算方法，以解决使用现有的计算方法计算扬尘源的扬尘排量时，得到的计算结果的误差较大的问题。

根据第一方面，本发明实施例提供了一种扬尘源的排量计算模型构建方法，包括如下步骤：按照预设周期采集扬尘源的若干个扬尘排量数据；采集与扬尘排量数据对应的若干个影响因素的数据；根据扬尘排量数据及其对应的各影响因素的数据训练生成扬尘源的排量计算模型。

通过根据扬尘排量数据，以及扬尘排量数据对应的若干个影响因素的数据训练生成扬尘源的排量计算模型，使构建的模型中的各个参数均是在大量历史数据集训练的基础上得到的，准确性较高，从而使基于本发明实施例的方法得到的排量计算模型进行扬尘源的扬尘排量计算时，得到的计算结果的准确性也较高。

结合第一方面，在第一方面第一实施方式中，影响因素包括扬尘源内的颗粒物平均质量浓度。

通过将影响因素设置为包括扬尘源内的颗粒物平均质量浓度，建立颗粒物平均质量浓度与扬尘排量之间的定量关系，使得在通过扬尘监测设备实时采集扬尘源内的颗粒物平均质量浓度时，能够使用训练生成的排量计算模型实时计算得到扬尘源的扬尘排量，为评价扬尘源的扬尘控制措施效果提供量化数据基础。

结合第一方面，在第一方面第二实施方式中，影响因素包括扬尘源内的风速、空气湿度和活动强度；活动强度是指扬尘源内的当前颗粒物平均质量浓度相对于若干个历史颗粒物平均质量浓度中的最小值的非负变化率。

通过将影响因素设置为包括风速、空气湿度和活动强度，并且将扬尘源内的当前颗粒物平均质量浓度相对于若干个历史颗粒物平均质量浓度中的最小值的非负变化率作为活动强度，使该活动强度可以反映建筑工地施工强度、货物堆场作业强度、道路交通车流量强度，以及其他场所的人流、车流活动的强度，而这些强度对扬尘源的扬尘排量具有较大影响，因此，考虑了活动强度这一影响扬尘排放量的关键因素的排量模型，能够使基于该模型计算得到的扬尘排放量更准确。

结合第一方面第一实施方式或第一方面第二实施方式，在第一方面第三实施方式中，颗粒物平均质量浓度为扬尘源内的颗粒物扩散高度的中心位置处的颗粒物浓度。

结合第一方面第一实施方式或第一方面第二实施方式，在第一方面第四实施方式中，根据扬尘排量数据及其对应的各影响因素的数据训练生成扬尘源的排量计算模型的步骤，包括：基于扬尘排量数据计算得到扬尘源的扬尘排放速率数据；扬尘排放速率数据是指在预设周期内扬尘源的单位面积排放的颗粒物的质量；根据扬尘排放速率数据及其对应的各影响因素的数据训练生成扬尘源的扬尘排放速率计算模型；将扬尘排放速率计算模型与扬尘源的面积相乘，生成扬尘源的排量计算模型。

结合第一方面第二实施方式，在第一方面第五实施方式中，按照预设周期采集扬尘源的若干个扬尘排量数据的步骤，包括：按照预设周期采集扬尘源内的颗粒物平均质量浓度数据；构建用于采集扬尘源的扬尘排量数据的虚拟采样空间；根据虚拟采样空间的体积以及颗粒物平均质量浓度数据计算得到扬尘排量数据。

通过构建可以表征扬尘源的扬尘扩散情况的虚拟采样空间，使扬尘排放量可以简单的通过虚拟采样空间的体积(通过构建的虚拟采样体自身的参数计算得到)以及扬尘源内的颗粒物平均质量浓度数据(通过扬尘监测设备采集得到)计算得到，降低了扬尘排量数据的采集难度。

结合第一方面第五实施方式，在第一方面第六实施方式中，构建用于采集扬尘源的扬尘排量数据的虚拟采样空间的步骤，包括：获取扬尘源的中心点处的风速；风速为采集颗粒物平均质量浓度时的风速；根据风速以及扬尘源内的颗粒物扩散高度构建虚拟采样空间。

结合第一方面第六实施方式，在第一方面第七实施方式中，虚拟采样空间为一长方体，长方体的长为风速与预设周期的乘积，宽为一预设采样宽度，高为颗粒物扩散高度。

根据第二方面，本发明实施例提供了一种扬尘源的扬尘排量计算方法，包括如下步骤：采集扬尘源的扬尘排量的若干个影响因素的当前数据；将当前数据输入根据第一方面或者第一方面的任意一种实施方式中所述的扬尘源的排量计算模型构建方法构建的排量计算模型中，得到扬尘源的扬尘排量的计算结果；当前数据的采集周期与预设周期相同。

由于根据第一方面或者第一方面的任意一种实施方式中所述的方法构建的排量计算模型，为基于大量历史数据集的训练建立的，准确性较高，因此，将当前数据输入该排量计算模型得到的扬尘源的扬尘排量的计算结果的准确性也较高，能够较好地贴近扬尘源的实际扬尘排放量。

根据第三方面，本发明实施例提供了一种扬尘源的排量计算模型构建装置，包括：第一数据采集模块，用于按照预设周期采集扬尘源的若干个扬尘排量数据；第二数据采集模块，用于采集与扬尘排量数据对应的若干个影响因素的数据；模型训练模块，用于根据扬尘排量数据及其对应的各影响因素的数据训练生成扬尘源的排量计算模型。

根据第四方面，本发明实施例提供了一种扬尘源的扬尘排量计算装置，其特征在于，包括：第三数据采集模块，用于采集扬尘源的扬尘排量的若干个影响因素的当前数据；排量计算模块，用于将当前数据输入根据第一方面或者第一方面的任意一种实施方式中所述的扬尘源的排量计算模型构建方法构建的排量计算模型中，得到扬尘源的扬尘排量的计算结果；当前数据的采集周期与预设周期相同。

根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，存储器和所述处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面、第一方面的任意一种实施方式或者第二方面中所述的方法。

根据第六方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行第一方面、第一方面的任意一种实施方式或者第二方面中所述的方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的扬尘源的排量计算模型构建方法的流程图；

图2为本发明另一实施例提供的扬尘源的排量计算模型构建方法的流程图；

图3为本发明实施例提供的扬尘源的扬尘排量计算方法的流程图；

图4为本发明实施例提供的扬尘源的排量计算模型构建装置的原理框图；

图5为本发明实施例提供的扬尘源的扬尘排量计算装置的原理框图；

图6为本发明实施例提供的一种电子设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

实施例1

图1示出了本发明实施例的扬尘源的排量计算模型构建方法的流程图，如图1所示，该方法可以包括如下步骤：

S101，按照预设周期采集扬尘源的若干个扬尘排量数据。在这里，预设周期可以根据扬尘排量数据的采集情况具体设置，例如，当使用按照预设周期采集扬尘源内的颗粒物平均质量浓度数据；构建用于采集扬尘源的扬尘排量数据的虚拟采样空间；根据虚拟采样空间的体积以及颗粒物平均质量浓度数据计算得到扬尘排量数据的方法时，预设周期可以根据用以采集颗粒物平均质量浓度数据的设备(如扬尘监测设备)的采集周期设置，具体地，可以设置为1min，在其他可选的实施方式中，也可以将预设周期设置为1min-15min中的任一所需周期，如选择2min、3min、5min或者15min等。例如，降尘(DF)测量的方法采集扬尘排量数据时，为了使集尘缸沉降的颗粒物的量足够多，增加采集的数据的准确性，预设周期一般为相对较长的时间段，具体地，可以将预设周期设置为1个月或者更长的时间段。

S102，采集与扬尘排量数据对应的若干个影响因素的数据。在这里，影响因素可以为包括扬尘源内的颗粒物平均质量浓度数据，还可以为包括扬尘源内的风速、空气湿度和活动强度。当然，还可以根据实际应用场景中能够影响扬尘源的扬尘排量的具体因素进行调整。

S103，根据扬尘排量数据及其对应的各影响因素的数据训练生成扬尘源的排量计算模型。在这里，排量计算模型的类型以及具体参数均为根据上述采集的若干个影响因素的数据进行具体设置，沿用上例，当影响因素为包括扬尘源内的颗粒物平均质量浓度数据时，可以构建CNN、RNN、CRNN等神经网络模型，并将各影响因素的数据作为神经网络模型的输入，对应的扬尘排量作为神经网络模型的输出对其进行训练；当影响因素为包括扬尘源内的风速、空气湿度和活动强度时，可以构建非线性数学模型，并根据扬尘排量数据及其对应的各影响因素的数据求解各影响因素对应参数的系数。需要说明的是，此处的扬尘源的排量计算模型为S101中所述的预设周期内扬尘源的扬尘排量计算模型，例如，当预设周期为1min时，此处的扬尘排量计算模型为扬尘源在1min内的扬尘排量的计算模型。

在本发明实施例中，通过根据扬尘排量数据，以及扬尘排量数据对应的若干个影响因素的数据训练生成扬尘源的排量计算模型，使构建的模型中的各个参数均是在大量历史数据集训练的基础上得到的，准确性较高，从而使基于本发明实施例的方法得到的排量计算模型进行扬尘源的扬尘排量计算时，得到的计算结果的准确性也较高。

作为本实施例的一种可选实施方式，以影响因素包括扬尘源内的风速、空气湿度和活动强度为例来描述本发明实施例的扬尘源的排量计算模型构建方法。如图2所示，该方法可以包括如下步骤：

S201，按照预设周期采集扬尘源内的颗粒物平均质量浓度数据。在这里，预设周期可以设置为1min，在其他可选的实施方式中，也可以将预设周期设置为1min-15min中的所需周期，如选择2min、3min、5min或者15min等。在这里，扬尘源内的颗粒物平均质量浓度数据可以通过在扬尘源内的不同位置处以及不同高度处设置多个扬尘监测设备，并计算多个扬尘监测设备的监测结果的平均值得到，还可以将水平位置为扬尘源的中心位置，竖直位置为扬尘源内的颗粒物扩散高度的中心位置的扬尘监测设备的监测结果直接作为的颗粒物平均质量浓度数据得到。

S202，构建用于采集扬尘源的扬尘排量数据的虚拟采样空间。在这里，虚拟采样空间的形状以及大小可以根据实际应用场景的需要设置，以其能够表征扬尘源的扬尘扩散情况为准。例如，可以将虚拟采样空间设置为长方体，当然，也可以设置为普通棱柱体、圆柱体等。以虚拟采样空间为长方体为例，长方体的长、宽和高均可以根据实际应用场景进行调整，如，长可以根据应用场景中扬尘源的扬尘扩散距离(水平距离)进行设置，宽可以根据扬尘源的面积大小进行设置，高可以根据扬尘源的扬尘扩散高度(垂直距离)进行设置。其他形状的虚拟采样空间的大小的设置可以参照虚拟采样空间为长方体进行理解，在此不再赘述。

在其他可选的实施方式中，当虚拟采样空间为长方体时，可以将扬尘源的中心点处的风速与S201所述的预设周期的乘积作为长方体的长，一预设采样宽度作为长方体的宽，扬尘源内的颗粒物扩散高度作为高。在这里，扬尘源的中心点处的风速为S201中采集颗粒物平均质量浓度数据时，扬尘源中心点处的风速；预设采样宽度可以为30m，当然，也可以根据实际应用场景的需要进行调整，例如还可以为20m-50m中的任一数值；由于研究表明扬尘等悬浮颗粒物主要在5m以下的空间扩散，因此，可以将长方体的高度设置为5m，当然，当颗粒物扩散高度存在变化时，长方体的高度也可以相应的做出调整。

S203，根据虚拟采样空间的体积以及颗粒物平均质量浓度数据计算得到扬尘排量数据。在这里，沿用上例，当虚拟采样空间为长方体时，虚拟采样空间的体积长方体的长、宽和高的乘积，扬尘排量数据为长方体的体积与颗粒物平均质量浓度数据的乘积。

S204，采集与扬尘排量数据对应的风速、空气湿度和活动强度的数据。在这里，活动强度是指扬尘源内的当前颗粒物平均质量浓度相对于若干个历史颗粒物平均质量浓度中的最小值的非负变化率，具体地，可以通过公式(1)计算活动强度：

其中，TSP是指扬尘源内的当前颗粒物平均质量浓度，TSP_BG为背景颗粒物平均质量浓度。在这里，当TSP大于若干个历史颗粒物平均质量浓度中的最小值时，TSP_BG即为若干个历史颗粒物平均质量浓度中的最小值，当TSP小于或者等于若干个历史颗粒物平均质量浓度中的最小值时，TSP_BG＝TSP，即活动强度S为0。

S205，基于扬尘排量数据计算得到扬尘源的扬尘排放速率数据。在这里，扬尘排放速率数据是指在预设周期内扬尘源的单位面积排放的颗粒物的质量。

S206，根据扬尘排放速率数据及其对应的风速、空气湿度和活动强度的数据训练生成扬尘源的扬尘排放速率计算模型。在这里，扬尘排放速率计算模型的类型设置方法可以参照S103中扬尘排量计算模型的设置来理解，在此不再赘述。

在这里，以构建非线性数学模型，并求解其中的系数从而实现扬尘排放速率计算模型为例，具体地，可以利用量纲分析法中铂金汉π定理，建立如下模型：

EF＝k·μ^a·M^b·S^c>

其中，EF是指扬尘排放速率，k是指量纲平衡系数，μ是指风速，M是指空气湿度，S是指活动强度，a、b、c是量纲指数。

在这里，根据若干组风速、空气湿度和活动强度的数据及对应的扬尘排放速率数据，不断进行回归训练，求解上述模型中的k、a、b和c，从而完成扬尘排放速率计算模型的建立。

在本实施例中，为了最大化降低计算的复杂度，可以对上述非线性模型取对数变形后可以得到线性回归模型，具体解法如下：

对公式(2)两边分别取对数可得：

将公式(3)做变换可得：

y＝β₀+β₁x₁+β₂x₂+β₃x₃(4)，

其中，β₀＝ln^k，β₁＝a，β₂＝b，β₃＝c，x₁＝ln^μ，x₂＝ln^M，x₃＝ln^S，

则，β₀，β₁，β₂，β₃这4个参数就是待求指数。

由于某一因变量y受k个自变量x₁,x₂,...,x_k的影响，其n组观测值为y_a,x_1a,x_2a,...,x_ka(a＝1,2,...,n)时，则其多元线性回归模型的结构形式为：

y_a＝β₀+β₁x_1a+β₂x_2a+...+β_kx_ka(5)

式中：β₀,β₁,...,β_k为待定参数。

而如果θ₀,θ₁,...,θ_k分别为β₀,β₁,β₂...,β_k的拟合值，则回归方程为：

其中，θ₀为常数，θ₁,θ₂,...,θ_k称为偏回归系数。

根据最小二乘法原理，β_i(i＝0,1,2,...,k)的估计值θ_i(i＝0,1,2,...,k)应该使损失函数最小，即：

因此，θ_i的具体求解方法步骤如下：

S1，随机选取参数θ_i-1。

S2，若θ_i-1不能使损失函数达到最小，则继续调整θ_i-1，得到θ_i。在这里，通常有θ_i＝θ_i-1+Δ，但是，由于求变量的偏导数是当该变量向正向的变化量趋向于0时该函数值变化量的极限，而本实施例的目标函数是求极小值，所以有：θ_i＝θ_i-1+(-Δ)。

而若△过大会导致损失函数值出现震荡，因此在梯度前面乘上一个很小的系数α，即有：θ_i＝θ_i-1+(-αΔ)，从而得到：

S3，若θ_i值还不能使得损失函数值最小，则再次调整θ_i，得到θ_i+1。在这里，

S4，若θ_i+1值使得损失函数值最小，也就是收敛到某个值不再进行变化，迭代停止，输出最佳的拟合参数θ_i+1。在这里，若θ_i+1值不能使得损失函数值最小，则将继续执行步骤S2。

在本实施例中，通过使用上述方法不断迭代更新规则，可以求解β₀，β₁，β₂，β₃的拟合值θ₀，θ₁，θ₂，θ₃，从而能够确定扬尘排放速率计算模型。

S207，将扬尘排放速率计算模型与扬尘源的面积相乘，生成扬尘源的排量计算模型。

在这里，需要说明的是，此处的扬尘源的排量计算模型为S201中所述的预设周期内扬尘源的扬尘排量计算模型，例如，当预设周期为1min时，此处的扬尘排量计算模型为扬尘源在1min内的扬尘排量的计算模型。

在本发明实施例中，通过将影响因素设置为包括风速、空气湿度和活动强度，并且将扬尘源内的当前颗粒物平均质量浓度相对于若干个历史颗粒物平均质量浓度中的最小值的非负变化率作为活动强度，使该活动强度可以反映建筑工地施工强度、货物堆场作业强度、道路交通车流量强度，以及其他场所的人流、车流活动的强度，而这些强度对扬尘源的扬尘排量具有较大影响，因此，考虑了活动强度这一影响扬尘排放量的关键因素的排量模型，能够使基于该模型计算得到的扬尘排放量更准确。

此外，通过构建可以表征扬尘源的扬尘扩散情况的虚拟采样空间，使扬尘排放量可以简单的通过虚拟采样空间的体积(通过构建的虚拟采样体自身的参数计算得到)以及扬尘源内的颗粒物平均质量浓度数据(通过扬尘监测设备采集得到)计算得到，降低了扬尘排量数据的采集难度。并且，由于通过扬尘监测设备可以采集较短的预设周期内的颗粒物平均质量浓度数据，从而能够计算较短预设周期内的扬尘排量数据，训练生成较短时间周期内的扬尘源的排量计算模型，从而在实时采集到预设周期内的颗粒物平均质量浓度数据时，使用本发明实施例中的方法得到的排量计算模型能够实时计算得到扬尘源的扬尘排量数据。

实施例2

本发明实施例的扬尘源的扬尘排量计算方法的流程图，如图3所示，该方法可以包括如下步骤：

S301，采集扬尘源的扬尘排量的若干个影响因素的当前数据。需要说明的是，此处的若干个影响因素为训练生成S302中的排量计算模型的影响因素。

S302，将当前数据输入根据实施例1所述的扬尘源的排量计算模型构建方法构建的排量计算模型中，得到扬尘源的扬尘排量的计算结果。在这里，当前数据的采集周期与预设周期相同，并且，得到的扬尘排量的计算结果也为扬尘源在预设周期内的扬尘排量。

本实施例所述方法的具体内容可以参考实施例1来理解，在此不再赘述。

在本实施例中，由于根据实施例1或者其任意可选实施方式所述的方法构建的排量计算模型，为基于大量历史数据集的训练建立的，准确性较高，因此，将当前数据输入该排量计算模型得到的扬尘源的扬尘排量的计算结果的准确性也较高，能够较好地贴近扬尘源的实际扬尘排放量。

实施例3

图4示出了本发明实施例的一种扬尘源的排量计算模型构建装置的原理框图，该装置可以用于实现实施例1或者其任意可选实施方式所述的扬尘源的排量计算模型构建方法。如图4所示，该装置包括：第一数据采集模块10、第二数据采集模块20和模型训练模块30。

第一数据采集模块10用于按照预设周期采集扬尘源的若干个扬尘排量数据；详细内容可参见上述任意方法实施例所述的步骤S101的相关描述。

第二数据采集模块20用于采集与扬尘排量数据对应的若干个影响因素的数据；详细内容可参见上述任意方法实施例所述的步骤S102的相关描述。

模型训练模块30用于用于根据扬尘排量数据及其对应的各影响因素的数据训练生成扬尘源的排量计算模型；详细内容可参见上述任意方法实施例所述的步骤S103的相关描述。

本发明实施例提供的扬尘源的排量计算模型构建装置，通过根据扬尘排量数据，以及扬尘排量数据对应的若干个影响因素的数据训练生成扬尘源的排量计算模型，使构建的模型中的各个参数均是在大量历史数据集训练的基础上得到的，准确性较高，从而使基于本发明实施例的方法得到的排量计算模型进行扬尘源的扬尘排量计算时，得到的计算结果的准确性也较高。

实施例4

图5示出了根据本发明实施例的一种扬尘源的扬尘排量计算装置的原理框图，该装置可以用于实现实施例2或者其任意可选实施方式所述的扬尘源的扬尘排量计算方法。如图5所示，该装置包括：第三数据采集模块40和排量计算模块50。

第三数据采集模块40用于采集扬尘源的扬尘排量的若干个影响因素的当前数据；详细内容可参见上述任意方法实施例所述的步骤S301的相关描述。

排量计算模块50用于将当前数据输入根据实施例1或者其任意可选实施方式所述的扬尘源的排量计算模型构建方法构建的排量计算模型中，得到所述扬尘源的扬尘排量的计算结果；详细内容可参见上述任意方法实施例所述的步骤S302的相关描述。在这里，当前数据的采集周期与所述预设周期相同。

本发明实施例提供的扬尘源的扬尘排量计算装置，由于根据实施例1或者其任意可选实施方式所述的方法构建的排量计算模型，为基于大量历史数据集的训练建立的，准确性较高，因此，将当前数据输入该排量计算模型得到的扬尘源的扬尘排量的计算结果的准确性也较高，能够较好地贴近扬尘源的实际扬尘排放量。

本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图6中以通过总线连接为例。

处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的扬尘源的排量计算模型构建方法对应的程序指令/模块(例如，图4所示的第一数据采集模块10、第二数据采集模块20和模型训练模块30)。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例1或实施例2中的方法。

存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1-3所示的方法。

上述电子设备具体细节可以对应参阅图1-图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。