一种大气污染物来源的解析方法、装置、存储介质及终端

摘要

本发明公开了一种大气污染物来源的解析方法、装置、存储介质及终端，所述方法包括：根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件；因此，采用本申请实施例，不仅能够通过第一模型确定第二模型中的各项关键参数属性；还能够根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行自动解析，生成至少包括大气污染物来源解析结果的解析文件，这样，能够自动确定第二模型中的各项关键参数属性，不仅节省了大量的人力和物力，还能够提升第二模型对大气污染物数据的解析效率。

权利要求

1.一种大气污染物来源的解析方法，其特征在于，所述方法包括：

获取预设区域的大气污染物数据以及根据所述大气污染物数据提取用于确定第一模型的各项因素；

根据所述各项因素确定所述第一模型，所述第一模型用于确定第二模型中的各项关键参数属性，所述第二模型为预设的正定矩阵因子分解模型；所述各项因素包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素，所述根据所述各项因素确定第一模型包括：获取与所述第一因素、所述第二因素和所述第三因素关联的历史数据；

根据所述历史数据，确定各项历史关键参数和/或各项历史关键参数对应的历史数值范围；

根据所述各项历史关键参数和/或所述各项历史关键参数对应的历史数值范围，确定所述第一模型；

根据所述第一模型确定的所述各项关键参数属性，运行所述第二模型，对所述大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

2.根据权利要求1所述的方法，其特征在于，在所述生成至少包括大气污染物来源解析结果的解析文件之后，所述方法还包括：根据历史解析数据，对所述解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源。

3.根据权利要求2所述的方法，其特征在于，所述根据历史解析数据，对所述解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源包括：根据历史解析数据确定预置条件；

根据预置条件确定每个源在每个因子中的权重值；

根据每个源的组分、每个源的浓度和每个源在每个因子中的权重值，确定出每个源在每个因子中的占比数值；

根据每个因子中的每个源的占比数值，以及占比数值和每个源的映射关系，确定出每个因子中占比数值处于预设排序范围内的各个源。

4.根据权利要求3所述的方法，其特征在于，在所述根据历史解析数据，对所述解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源之后，所述方法还包括：响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示；

其中，所述源关联信息包括以下至少一项：

每个因子在总大气污染物中的占比数值信息、每个因子对应的处于预设排序范围内的各个源名称信息、每个因子对应的处于预设排序范围内的各个源的排序信息、每个因子对应的处于预设排序范围内的各个源的占比数值信息。

5.根据权利要求4所述的方法，其特征在于，所述响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示包括：响应于用户的展示指令，在所述展示指令中携带的展示方式信息为以诊断谱图展示方式展示所述源关联信息的情况下，以诊断谱图方式展示所述源关联信息；或者，响应于用户的展示指令，在所述展示指令中携带的展示方式信息为以线性回归展示方式展示所述源关联信息的情况下，以线性回归展示方式展示所述源关联信息；或者，响应于用户的展示指令，在所述展示指令中携带的展示方式信息为以源成分谱矩阵和源贡献矩阵对应的展示方式展示所述源关联信息的情况下，以源成分谱矩阵和源贡献矩阵对应的展示方式展示所述源关联信息。

6.一种大气污染物来源的解析装置，其特征在于，所述装置包括：

获取及提取模块，用于获取预设区域的大气污染物数据以及根据所述大气污染物数据提取用于确定第一模型的各项因素；

确定模块，用于根据所述获取以及提取模块提取的所述各项因素确定第一模型，所述第一模型用于确定第二模型中的各项关键参数属性，所述第二模型为预设的正定矩阵因子分解模型；所述各项因素包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素，所述确定模块具体用于：获取与所述第一因素、所述第二因素和所述第三因素关联的历史数据；

根据所述历史数据，确定各项历史关键参数和/或各项历史关键参数对应的历史数值范围；

根据所述各项历史关键参数和/或所述各项历史关键参数对应的历史数值范围，确定所述第一模型；

解析模块，用于根据所述确定模块确定的所述第一模型确定的所述各项关键参数属性，运行所述第二模型，对所述大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

7.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至5任意一项的方法步骤。

8.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1至5任意一项的方法步骤。

说明书

一种大气污染物来源的解析方法、装置、存储介质及终端

技术领域

[0001] 本发明涉及计算机技术领域，特别涉及一种大气污染物来源的解析方法、装置、存储介质及终端。

背景技术

[0002] VOCs(Volatile Organic Compounds，挥发性有机物)是大气中普遍存在且组成复杂的一类有机污染物。其污染主要表现在两个方面，一方面，多数VOCs本身具有毒理特性，危害人体健康。另一方面，一些VOCs物种具有较强的光化学反应活性，能在环境中进行二次转化。其光化学反应主导着光化学烟雾的进程，对城市和区域臭氧的生成至关重要，也是导致灰霾天气的重要前体物之一。总之，挥发性有机物是复合型大气污染形成的重要原因之一。

[0003] NAQPMS(Nested Air Quality Prediction Modeling System，嵌套网格空气质量预报模式)是基于“一个大气”理念设计的第三代空气质量模式。NAQPMS全面考虑了大气污染物在大气中的平流、扩散、干湿沉降以及化学转化等过程。NAQPMS模式耦合的污染在线源追踪技术从源排放开始对各种物理、化学过程进行分源类别、分地域的质量追踪，可以跟踪污染物来源，定量分析输送过程及区域污染排放贡献率。NAQPMS等数值预报模式的分析需要基于较为详细的排放源清单，所以大气污染物来源解析成为数值预报模式应用的基础和前提条件。

[0004] 1997年，Paatero发表论文提出了PMF模型的运算方法。PMF(Positive Matrix Factorization，正定矩阵因子分解法)是在因子分析方法基础上发展起来的一种新的分析方法，并很快在国际上得的推广和使用。该方法主要基于环境受体点颗粒物样品的化学组分数据，不直接依赖于污染源的化学成分谱资料，因此其应用具有更大的灵活性。PMF是一种多变量因子分析工具，它将一个含有多个日期、不同组分的样品数据矩阵分解为两个矩阵，即源谱分布矩阵和源贡献矩阵，然后依据掌握的源谱分布的信息来决定分解出的源的类型，对于源的数量也依据分析者对污染源的理解给定，数量没有限制。在Paatero提出了PMF模型的运算方法之后，Paatero和Hopke不断对PMF模型进行改进，并在美国EPA官方网站上推出了EPAPMF软件。Paatero也自主推出了PMF2和PMF3模型软件。自从基于PMF模型的PMF软件推出以来，在对污染物源解析的过程中发挥了重要的作用。

[0005] PMF模型是源未知类受体模型的一种，源未知类受体模型无需事先知道源的数量和成分谱的信息，它根据在同一受体上测得大量的数据，对这些数据进行解析，提取出多个因子，并将这些因子一一对应识别为不同的污染源类型，从而得到源的数目和源的成分谱，并估算出这些污染源类对受体的贡献值。但目前通过PMF模型对污染物源解析，生成对应解析结果的过程不仅繁琐，还需要操作人员有专业的知识和操作技能。

[0006] 目前，使用基于PMF模型的PMF软件对污染物源解析的过程中，人工经验占比高，结果准确性往往依赖操作人员的操作经验。而且，在对污染物源的解析过程，需要操作人员多次调整各项参数。对于初学者来说，在对污染物源的解析过程中，很难识别各项因子，因此，也很难得到合理的解析结果。在得到最初的解析结果之后，更加无法结合不同地区的污染物信息，对最初的解析结果进行调整。总之，通过现有的PMF模型的PMF软件，对不同地区的污染物源进行解析，得到解析结果的过程不仅繁琐，还需要投入大量的人力物力和时间，还无法确保得到的解析结果是准确的。

发明内容

[0007] 本申请实施例提供了一种大气污染物来源的解析方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

[0008] 第一方面，本申请实施例提供了一种大气污染物来源的解析方法，所述方法包括：

[0009] 获取预设区域的大气污染物数据以及根据所述大气污染物数据提取用于确定第一模型的各项因素；

[0010] 根据所述各项因素确定所述第一模型，所述第一模型用于确定第二模型中的各项关键参数属性，所述第二模型为预设的正定矩阵因子分解模型；

[0011] 根据所述第一模型确定的所述各项关键参数属性，运行所述第二模型，对所述大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0012] 第二方面，本申请实施例提供了一种大气污染物来源的解析装置，所述装置包括：

[0013] 获取及提取模块，用于获取预设区域的大气污染物数据以及根据所述大气污染物数据提取用于确定第一模型的各项因素；

[0014] 确定模块，用于根据所述获取及提取模块提取的所述各项因素确定第一模型，所述第一模型用于确定第二模型中的各项关键参数属性，所述第二模型为预设的正定矩阵因子分解模型；

[0015] 解析模块，用于根据所述确定模块确定的所述第一模型确定的所述各项关键参数属性，运行所述第二模型，对所述大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0016] 第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

[0017] 第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

[0018] 本申请实施例提供的技术方案可以包括以下有益效果：

[0019] 在本申请实施例中，获取预设区域的大气污染物数据以及大气污染物数据中的各项因素；根据各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型；根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。由于本申请不仅能够通过第一模型确定第二模型中的各项关键参数属性；还能够根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行自动解析，生成至少包括大气污染物来源解析结果的解析文件，这样，能够自动确定第二模型中的各项关键参数属性，不仅节省了大量的人力和物力，还能够提升第二模型对大气污染物数据的解析效率。

[0020] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

[0021] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

[0022] 图1是本申请实施例提供的一种大气污染物来源的解析方法的流程示意图；

[0023] 图2是本申请实施例中具体应用场景中的大气污染物来源的解析方法的流程示意图；

[0024] 图3是本申请实施例提供的一种大气污染物来源的解析装置的结构示意图；

[0025] 图4是本申请实施例提供的一种终端的结构示意图。

具体实施方式

[0026] 以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

[0027] 应当明确，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0028] 下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

[0029] 在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

[0030] 到目前为止，通过现有的PMF模型的PMF软件，对不同地区的大气污染物源进行解析，得到解析结果的过程不仅繁琐，还需要投入大量的人力物力和时间，还无法确保得到的解析结果是准确的。为此，本申请提供了一种大气污染物来源的解析方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，获取预设区域的大气污染物数据以及大气污染物数据中的各项因素；根据各项因素确定第一模型；根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件；由于本申请不仅能够通过第一模型确定第二模型中的各项关键参数属性；还能够根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行自动解析，生成至少包括大气污染物来源解析结果的解析文件，这样，能够自动确定第二模型中的各项关键参数属性，不仅节省了大量的人力和物力，还能够提升第二模型对大气污染物数据的解析效率，下面采用示例性的实施例进行详细说明。

[0031] 下面将结合附图1-附图2，对本申请实施例提供的大气污染物来源的解析方法进行详细介绍。该大气污染物来源的解析方法可依赖于计算机程序实现，可运行于大气污染物来源的解析装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的大气污染物来源的解析装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、5G网络或未来演进网络中的终端设备等。

[0032] 请参见图1，为本申请实施例提供了一种大气污染物来源的解析方法的流程示意图。如图1所示，本申请实施例的大气污染物来源的解析方法可以包括以下步骤：

[0033] S101，获取预设区域的大气污染物数据以及根据大气污染物数据提取用于确定第一模型的各项因素。

[0034] 在此步骤中，预设区域可以为某一地区，例如，北京，也可以为某一城区，例如，北京海淀区。在此对预设区域的范围不做具体限制。

[0035] 大气污染物数据往往对应于各种类型的导致大气污染的大气污染物。例如，在当前大气污染物的类型为挥发性有机物时，则大气污染物数据为挥发性有机物数据。在当前大气污染物的类型为机动车排放源时，则大气污染物数据为典型组分OC、EC、Zn、Cu、Mn、Pb的大气污染物数据。上述仅仅是示例，还可以有其它类型的大气污染物数据，在此不再赘述。

[0036] 在此步骤中，各项因素至少包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素。上述仅仅罗列了常见的因素，还可以根据不同的应用场景，引入其它的因素，以便于通过第一模型确定第二模型中的各项关键参数属性。

[0037] 需要说明的是，在此步骤中，根据大气污染物数据提取用于确定第一模型的各项因素的提取方法为常规的方法，例如，从大量的大气污染物数据中提取出共同的因素，例如，时间、因子数、或者物种等。具体的提取方法在此不再赘述。

[0038] 在此步骤中，第二模型为预设的正定矩阵因子分解模型。本申请公开实施例提供的预设的正定矩阵因子分解模型不同于常规的正定矩阵因子分解模型，是在现有的正定矩阵因子分解模型的基础上进行改进而得到的模型。现有的正定矩阵因子分解模型是基于因子分析的方法，具有不需要测量源指纹谱、分解矩阵中元素非负、可以利用数据标准偏差来进行优化等优点。现有的正定矩阵因子分解模型主要用于大气气溶胶、土壤和沉积物中持久性有毒物质的源解析，已有成熟的应用模型为PMF1.1，PMF2.0，PMF3.0等。

[0039] 而本申请公开实施例提供的方案中的预设的正定矩阵因子分解模型，在得到第一模型确定的第二模型中的各项关键参数属性之后，能够自动运行预设的正定矩阵因子分解模型，即：自动运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。上述从第一模型确定第二模型中的各项关键参数属性的第一确定过程，以及在得到第一模型确定的第二模型中的各项关键参数属性之后，自动运行预设的正定矩阵因子分解模型的第二解析过程均是自动完成的，均无需人工参与，这样，节省了大量的人力和物力。

[0040] 此外，第一模型确定的、且运行于第二模型中的各项关键参数，往往是与预设区域的大气污染物的历史数据相匹配的。将预设区域的大气污染物的历史数据输入至第一模型，通过第一模型自动配置参数，得到并输出待运行于第二模型中的各项关键参数。根据第一模型确定的各项关键参数对应的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。上述对各项关键参数的配置过程以及对大气污染物数据的解析过程均是自动完成的。相对于现有技术而言，本公开实施例提供的解析方法，避免了解析前的手动配置各项关键参数的繁琐且复杂的过程，因此，从整体上看，解析效率得以提升。据统计，相对于现有的解析方法，本公开实施例提供的大气污染物来源的解析方法，解析效率能够提升150％。

[0041] S102，根据各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型。

[0042] 在本公开实施例中，第一模型用于确定第二模型中的各项关键参数属性。第一模型的调参模型为常规模型，凡是能够对各项参数进行自动调整的模型均可以应用在本公开实施例提供的方法实施例中。

[0043] 在此步骤中，关键参数属性不仅包括各项关键参数具体指什么，例如，关键参数可以为时间，关键参数还可以为因子数，关键参数或者为物种；还可以指关键参数对应的数值范围，具体如下所述：

[0044] 例如，将时间对应的第一因素对应的数值范围可以设置成，2020.5.1-2020.5.31，即：对2020.5.1至2020.5.31这段时间内的大气污染物数据进行统计。

[0045] 又例如，因子数对应的第二因素的数值范围可以根据历史数据设置成1-N，其中，N为大于或等于2的正整数。

[0046] 在某一具体应用场景中，当前因子数为7。具体地，因子1为挥发性有机物，其中，挥发性有机物可以为甲醛，也可以为乙醛等。因子2代表二次无机气溶胶来源，硫酸盐、硝酸盐、铵盐是该因子的主要组分。因子3代表燃煤来源，该因子中OC、EC、Cl、Na以及一些土壤元素的相对含量较高。因子4代表机动车排放源，典型组分OC、EC、Zn、Cu、Mn、Pb等含量相对较高。因子5为扬尘来源，该源中含有大量的地壳成分，如Al、Fe、Mg等。因子6为与冶金工业来源相关的来源，该源中含有较高比例的Fe、Cr、Mn等。因子7为其它来源，其中，OC、EC、Mn可能来源于化学工业、水泥工业等。OC、EC可能来源于生物质燃烧。

[0047] 关键参数属性还可以为物种，例如，因子1为挥发性有机物，其中，挥发性有机物可以为甲醛，也可以为乙醛等。上述仅仅是示例，关键参数属性还可以根据不同应用场景的需求，引入其它含义的参数属性，在此不再赘述。

[0048] 本申请公开实施例提供的方案中的预设的正定矩阵因子分解模型，在得到第一模型确定的第二模型中的各项关键参数属性之后，能够自动运行预设的正定矩阵因子分解模型，即：自动运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0049] 在此步骤中，各项因素至少包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素。上述仅仅罗列了常见的因素，还可以根据不同的应用场景，引入其它的因素，以确定第一模型，该第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型。

[0050] 在此步骤中，根据各项因素确定第一模型包括以下步骤：

[0051] 获取与第一因素、第二因素和第三因素关联的历史数据；

[0052] 根据历史数据，确定各项历史关键参数和/或各项历史关键参数对应的历史数值范围；

[0053] 根据各项历史关键参数和/或各项历史关键参数对应的历史数值范围，确定第一模型。

[0054] 需要说明的是，在此步骤中的历史数据可以是与第一因素、第二因素、第三因素中的任一因素关联的历史数据，也可以是与第一因素、第二因素、第三因素均关联的历史数据。

[0055] 在此步骤中，第一模型用于确定第二模型中的各项关键参数属性。第二模型为预设的正定矩阵因子分解模型。本申请公开实施例提供的预设的正定矩阵因子分解模型不同于常规的正定矩阵因子分解模型，是在现有的正定矩阵因子分解模型的基础上进行改进而得到的模型。本申请公开实施例提供的方案中的预设的正定矩阵因子分解模型，在得到第一模型确定的第二模型中的各项关键参数属性之后，能够自动运行预设的正定矩阵因子分解模型，即：自动运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0056] S103，根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0057] 大气污染物数据往往对应于各种类型的导致大气污染的大气污染物。例如，在当前大气污染物的类型为挥发性有机物时，则大气污染物数据为挥发性有机物数据。在当前大气污染物的类型为机动车排放源时，则大气污染物数据为典型组分OC、EC、Zn、Cu、Mn、Pb的大气污染物数据。上述仅仅是示例，还可以有其它类型的大气污染物数据，在此不再赘述。

[0058] 在本公开实施例提供的解析方法的方案中，除了生成至少包括大气污染物来源解析结果的解析文件之外，还可以生成能够查看各项特征值的表格、或者还可以生成表征各项拟合结果的示意图、或者还可以根据获取的因子相关数据进行因子确认。

[0059] 需要说明的是，生成表格中的各项特征值是常见的特征值，在此对各项特征值的含义不做具体描述。

[0060] 得到各项拟合结果的拟合过程也是常规方法，在此不再赘述。

[0061] 此外，根据获取的因子相关数据进行因子确认的过程也是常规方法，在此不再赘述。在实际应用中，用于进行因子确认中的因子可以为挥发性有机物，其中，挥发性有机物可以为甲醛，也可以为乙醛等。用于进行因子确认中的因子还可以为机动车排放源，机动车排放源的典型组分为OC、EC、Zn、Cu、Mn、Pb等。

[0062] 在实际应用中，用于进行因子确认的因子还可以为其它因子，具体可能的因子可以参见前面相同或相关描述，在此不再赘述。

[0063] 在一种可能的实现方式中，在生成至少包括大气污染物来源解析结果的解析文件之后，所述方法还包括以下步骤：

[0064] 根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源。

[0065] 在此步骤中，预设排序范围可以根据不同应用场景的需求进行调整。例如，可以将预设排序范围配置为1，这样，能够将浓度最高、且权重值最高的源作为识别出的源。

[0066] 反之，也可以将预设排序范围配置为2，或更宽的排序范围，这样，尽可能地将同一因子下的不同源，按照从高到低的排序分别罗列出来。例如，将浓度最高、且权重值最高的源作为排序最靠前的源，对其它源依次排序。这样，在后续根据确定出的各种源指定治理方案时，优先选取针对排序最靠前的源的治理方案，最终提高了治理效果。

[0067] 在实际应用中，在根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源的过程中，往往为了提高解析效率，将预设排序范围设置为1，即：仅仅选取每一个因子中处于排序第一的源作为识别出的源。例如，在当前因子为挥发性有机物，其中，挥发性有机物仅包括甲醛和乙醛，甲醛的浓度、权重值均分别高于乙醛浓度、乙醛的权重值，则甲醛排序高于乙醛，且设置的条件为：选取当前因子中排序第一的源作为识别出的源时，则识别出当前因子中处于排序第一的源为甲醛，并将甲醛作为识别出的源。

[0068] 在实际应用中，还可以根据不同应用场景的需求，对预设排序范围对应的数值进行配置，若预设排序范围配置的越大，则当前因子对应的候选源也就越丰富，能够更加详实地了解同一因子下的不同源对当前污染的贡献率，即：同一因子下的不同源对当前污染的影响情况。反之，若预设排序范围配置的越小，当预设排序范围配置为1时，则可以快速地确定出：基于当前因子，哪一个源对污染的贡献率最大。例如，在当前因子为挥发性有机物时，其中，挥发性有机物仅包括甲醛和乙醛，甲醛的浓度、权重值均分别高于乙醛浓度、乙醛的权重值，则甲醛排序高于乙醛，则识别出当前因子中处于排序第一的源为甲醛，并将甲醛作为识别出的源。这样，最终就能快速且精准地确定出：在当前因子为挥发性有机物时，甲醛是贡献率最高的源。因此，在对预设区域的污染源进行处理时，优选选取能够快速去除甲醛的处理方法。

[0069] 在一种可能的实现方式中，根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源包括以下步骤：

[0070] 根据历史解析数据确定预置条件；其中，预置条件是用于确定每个源在每个因子中的权重值的条件，实际应用中，预置条件可以根据历史统计结果进行配置，预置条件也可以根据用户的历史经验进行配置；

[0071] 根据预置条件确定每个源在每个因子中的权重值；

[0072] 根据每个源的组分、每个源的浓度和每个源在每个因子中的权重值，确定出每个源在每个因子中的占比数值；

[0073] 根据每个因子中的每个源的占比数值，以及占比数值和每个源的映射关系，确定出每个因子中占比数值处于预设排序范围内的各个源。

[0074] 在此步骤中，预置条件可以根据不同应用场景进行配置，在本公开实施例提供的方案中，对预置条件并不做具体限制。

[0075] 例如，当前因子为挥发性有机物，其中，挥发性有机物除了包括甲醛之外，还包括乙醛。在某一具体应用场景中，甲醛的浓度与乙醛的浓度之比为3:1，甲醛的权重值与乙醛的权重值之比为4:1，则甲醛占比与乙醛占比之比为12:1。若在当前应用场景下，预设排序范围为仅仅选取排序为第一的源作为当前因子的源，则选取出当前甲醛作为唯一为预设区域的挥发性有机物作出贡献的源。在后续对大气污染物源的处理过程中，选取能够有效消除甲醛污染的处理方法即可。

[0076] 在另一应用场景下，在预设排序范围为选取2个源的情况下，则甲醛和乙醛均作为当前因子的源。该应用场景跟前面的应用场景的大部分条件均是相同的，唯一的区别在于，前面应用场景下预设排序范围为仅仅选取唯一的为挥发性有机物作出贡献的源，而本实用场景下，不仅可以选取甲醛，还可以选取乙醛。甲醛为挥发性有机物污染作出贡献，而乙醛次之。这样，为了取消当前因子对环境的污染，首先选取能够消除甲醛污染的处理方法，次之，还要选取能够消除乙醛污染的处理方法。

[0077] 在一种可能的实现方式中，在根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源之后，所述方法还包括以下步骤：

[0078] 响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示；

[0079] 其中，源关联信息包括以下至少一项：

[0080] 每个因子在总大气污染物中的占比数值信息、每个因子对应的处于预设排序范围内的各个源名称信息、每个因子对应的处于预设排序范围内的各个源的排序信息、每个因子对应的处于预设排序范围内的各个源的占比数值信息。

[0081] 上述仅仅罗列了常见的源关联信息，还可以针对不同的应用场景，引入其它的源关联关系，在此不再赘述。

[0082] 在此步骤中，响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示包括以下步骤：

[0083] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以诊断谱图展示方式展示源关联信息的情况下，以诊断谱图方式展示源关联信息；或者，

[0084] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以线性回归展示方式展示源关联信息的情况下，以线性回归展示方式展示源关联信息；或者，

[0085] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息的情况下，以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息。

[0086] 上述仅仅罗列了常见的展示方式，还可以有其它的展示方式，在此不再赘述。

[0087] 如图2是本申请实施例中具体应用场景中的大气污染物来源的解析方法的流程示意图；针对如图2的大气污染物来源的解析方法的步骤如下所述：

[0088] 如图2所示的大气污染物来源的解析方法包括自动调参和结果展示两大步骤。

[0089] 自动调参的步骤包括如下子步骤，具体如下所述：

[0090] 获取预设区域的大气污染物数据；本实施例中，大气污染物数据为挥发性有机物数据。

[0091] 数据审核就是常规的审核方法，在此不再赘述。

[0092] 在获取到挥发性有机物数据之后，将数据输入至PMF模型中，在通过PMF模型运行方案之前，进行调参。各项因素包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素，根据各项因素确定第一模型包括以下步骤：

[0093] 根据第一因素、第二因素和第三因素，确定第二模型中的各项关键参数和/或各项关键参数对应的数值范围；

[0094] 根据各项历史关键参数和/或各项历史关键参数对应的历史数值范围，确定第一模型。

[0095] 在此步骤中，第一模型用于确定第二模型中的各项关键参数属性。第二模型为预设的正定矩阵因子分解模型。本申请公开实施例提供的预设的正定矩阵因子分解模型不同于常规的正定矩阵因子分解模型，是在现有的正定矩阵因子分解模型的基础上进行改进而得到的模型。本申请公开实施例提供的方案中的预设的正定矩阵因子分解模型，在得到第一模型确定的第二模型中的各项关键参数属性之后，能够自动运行预设的正定矩阵因子分解模型，即：自动运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0096] 在调整好各项参数之后，运行方案，生成至少包括大气污染物来源解析结果的解析文件。此外，解析文件中还包括用于表征各项特征值的第一解析结果、用于表征各项拟合结果的第二解析结果和用于进行因子确认的第三解析结果。

[0097] 在得到上述解析结果之后，根据经验库，对因子进行识别。根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源包括以下步骤：

[0098] 根据历史解析数据确定预置条件；

[0099] 根据预置条件确定每个源在每个因子中的权重值；

[0100] 根据每个源的组分、每个源的浓度和每个源在每个因子中的权重值，确定出每个源在每个因子中的占比数值；

[0101] 根据每个因子中的每个源的占比数值，以及占比数值和每个源的映射关系，确定出每个因子中占比数值处于预设排序范围内的各个源。

[0102] 在此步骤中，预置条件可以根据不同应用场景进行配置，在本公开实施例提供的方案中，对预置条件并不做具体限制。

[0103] 例如，当前因子为挥发性有机物，其中，挥发性有机物除了包括甲醛之外，还包括乙醛。在某一具体应用场景中，甲醛的浓度与乙醛的浓度之比为3:1，甲醛的权重值与乙醛的权重值之比为4:1，则甲醛占比与乙醛占比之比为12:1。若在当前应用场景下，预设排序范围为仅仅选取排序为第一的源作为当前因子的源，则选取出当前甲醛作为唯一为预设区域的挥发性有机物作出贡献的源。在后续对大气污染物源的处理过程中，选取能够有效消除甲醛污染的处理方法即可。

[0104] 在另一应用场景下，在预设排序范围为选取2个源的情况下，则甲醛和乙醛均作为当前因子的源。该应用场景跟前面的应用场景的大部分条件均是相同的，唯一的区别在于，前面应用场景下预设排序范围为仅仅选取唯一的为挥发性有机物作出贡献的源，而本实用场景下，不仅可以选取甲醛，还可以选取乙醛。甲醛为挥发性有机物污染作出贡献，而乙醛次之。这样，为了取消当前因子对环境的污染，首先选取能够消除甲醛污染的处理方法，次之，还要选取能够消除乙醛污染的处理方法。

[0105] 需要说明的是，在通过第一模型确定第二模型中的各项关键参数属性的过程中，能够自动生成对应的参数文件，输入数据文件，不确定度数据文件，再调用EPA的PMF模型对应的计算程序，生成结果文件。

[0106] 不确定度数据文件是基于不确定度算法生成的数据得到的文件。本申请公开实施例中的不确定度算法均是常规算法，例如，低于检测线选用一种常规算法，而高于检测线选用另外一种常规算法，能够将低于检测线的数据处理过程，与高于检测线的数据处理过程进行有效地区分。基于采用的不确定度算法是常规算法，在此不再赘述。

[0107] 图2中的经验库不仅包括污染源种类，还包括当地环境数据变化等数据。以经验库的数据为基础参照物，能够还原历史用于识别源的识别条件，以便于进一步提高大气污染物来源的解析效率。统计出的实验结果显示，本申请提供的大气污染物来源的解析方法，相对于现有的解析方法，解析效率能够提升150％。

[0108] 本公开实施例提供的大气污染物来源的解析方法，因子识别过程采用了因子识别算法构建的因子识别模型。基于因子识别算法构建因子识别模型是常规的构建模型方法，在此不再赘述。

[0109] 针对本公开实施例中的因子识别算法做如下说明：

[0110] 根据用户自行上传的经验库中的物种信息(包含识别源经常用到的物种，识别源在过去相同时间的占比等)，结合EPA-PMF的结果文件，使用TF-IDF(Term Frequency–Inverse Document Frequency)统计方法计算每个源在各个因子中的相关性分数，依据分数高地排序，分数越高，表明该因子越有可能是这个源。例如，识别相同源，则取分数高者为最匹配的一项。在识别出源之后，将该识别源的示踪物种占比，识别源等相关数据存储入数据库中。其中，TF-IDF(Term Frequency–Inverse Document Frequency)是一种用于信息检索与数据挖掘的常用加权技术。TF是词频(Term Frequency)，IDF是逆文本频率指数(Inverse Document Frequency)。

[0111] 在实际应用中，预设区域不同，往往引入不同的修正因子对最初的因子识别算法进行修正，得到修正后的因子识别算法。在得到修正后的因子识别算法之后，在基于常规的模型构建方法，基于修正后的因子识别算法，构建出修正后的因子识别模型。相对于最初的因子识别模型，修正后的因子识别模型往往更加适用于当前地区的大气污染物特点。引入的修正因子为常规修正因子，通过修正因子对最初因子识别算法进行修正的方法也是常规方法，在此均不再赘述。

[0112] 结果展示的步骤包括如下子步骤，具体如下所述：

[0113] 响应于用户的展示指令，直接一条条对解析结果进行展示；或者，

[0114] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以诊断谱图展示方式展示源关联信息的情况下，以诊断谱图方式展示源关联信息；或者，

[0115] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以线性回归展示方式展示源关联信息的情况下，以线性回归展示方式展示源关联信息；或者，

[0116] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息的情况下，以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息；其中，F矩阵为代表源成分谱矩阵，G矩阵代表源贡献矩阵。

[0117] 在本申请实施例中，获取预设区域的大气污染物数据以及根据大气污染物数据提取用于确定第一模型的各项因素；根据各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型；根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。由于本申请不仅能够通过第一模型确定第二模型中的各项关键参数属性；还能够根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行自动解析，生成至少包括大气污染物来源解析结果的解析文件，这样，能够自动确定第二模型中的各项关键参数属性，不仅节省了大量的人力和物力，还能够提升第二模型对大气污染物数据的解析效率。

[0118] 下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

[0119] 请参见图3，其示出了本发明一个示例性实施例提供的大气污染物来源的解析装置的结构示意图。该大气污染物来源的解析装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该大气污染物来源的解析装置包括获取及提取模块10、确定模块20和解析模块30。

[0120] 具体而言，获取及提取模块10，用于获取预设区域的大气污染物数据以及根据大气污染物数据提取用于确定第一模型的各项因素；

[0121] 确定模块20，用于根据获取及提取模块10提取的各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型；

[0122] 解析模块30，用于根据确定模块20确定的第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0123] 可选的，各项因素包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素，确定模块20具体用于：

[0124] 获取与第一因素、第二因素和第三因素关联的历史数据；

[0125] 根据历史数据，确定各项历史关键参数和/或各项历史关键参数对应的数值范围；

[0126] 根据各项历史关键参数和/或各项历史关键参数对应的历史数值范围，确定第一模型。

[0127] 可选的，所述装置还包括：

[0128] 识别模块(在图3中未示出)，用于在解析模块30生成至少包括大气污染物来源解析结果的解析文件之后，根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源。

[0129] 可选的，识别模块具体用于：

[0130] 根据历史解析数据确定预置条件；

[0131] 根据预置条件确定每个源在每个因子中的权重值；

[0132] 根据每个源的组分、每个源的浓度和每个源在每个因子中的权重值，确定出每个源在每个因子中的占比数值；

[0133] 根据每个因子中的每个源的占比数值，以及占比数值和每个源的映射关系，确定出每个因子中占比数值处于预设排序范围内的各个源。

[0134] 可选的，所述装置还包括：

[0135] 展示模块(在图3中未示出)，用于在识别模块根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源之后，响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示；

[0136] 其中，展示模块展示的源关联信息包括以下至少一项：

[0137] 每个因子在总大气污染物中的占比数值信息、每个因子对应的处于预设排序范围内的各个源名称信息、每个因子对应的处于预设排序范围内的各个源的排序信息、每个因子对应的处于预设排序范围内的各个源的占比数值信息。

[0138] 可选的，展示模块具体用于：

[0139] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以诊断谱图展示方式展示源关联信息的情况下，以诊断谱图方式展示源关联信息；或者，

[0140] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以线性回归展示方式展示源关联信息的情况下，以线性回归展示方式展示源关联信息；或者，

[0141] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息的情况下，以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息。

[0142] 需要说明的是，上述实施例提供的大气污染物来源的解析装置在执行大气污染物来源的解析方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的大气污染物来源的解析装置与大气污染物来源的解析方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

[0143] 在本申请实施例中，确定模块根据各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型；根据确定模块确定的第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。由于本申请不仅能够通过第一模型确定第二模型中的各项关键参数属性；还能够根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行自动解析，生成至少包括大气污染物来源解析结果的解析文件，这样，能够自动确定第二模型中的各项关键参数属性，不仅节省了大量的人力和物力，还能够提升第二模型对大气污染物数据的解析效率。

[0144] 本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的大气污染物来源的解析方法。

[0145] 本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例所述的大气污染物来源的解析方法。

[0146] 请参见图4，为本申请实施例提供了一种终端的结构示意图。如图4所示，所述终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

[0147] 其中，通信总线1002用于实现这些组件之间的连接通信。

[0148] 其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。

[0149] 其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。

[0150] 其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

[0151] 其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及大气污染物来源的解析应用程序。

[0152] 在图4所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的大气污染物来源的解析应用程序，并具体执行以下操作：

[0153] 获取预设区域的大气污染物数据以及根据大气污染物数据提取用于确定第一模型的各项因素；

[0154] 根据各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型；

[0155] 根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。

[0156] 在一个实施例中，各项因素包括时间对应的第一因素、因子数对应的第二因素和物种对应的第三因素，所述处理器1001在执行根据各项因素确定第一模型时，具体执行以下操作：

[0157] 根据第一因素、第二因素和第三因素，确定各项关键参数和/或各项关键参数对应的数值范围；

[0158] 根据各项关键参数和/或各项关键参数对应的数值范围，确定第一模型。

[0159] 在一个实施例中，所述处理器1001在执行在所述生成至少包括大气污染物来源解析结果的解析文件之后，还执行以下操作：

[0160] 根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源。

[0161] 在一个实施例中，所述处理器1001在执行所述根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源时，具体执行以下操作：

[0162] 根据历史解析数据确定预置条件；

[0163] 根据预置条件确定每个源在每个因子中的权重值；

[0164] 根据每个源的组分、每个源的浓度和每个源在每个因子中的权重值，确定出每个源在每个因子中的占比数值；

[0165] 根据每个因子中的每个源的占比数值，以及占比数值和每个源的映射关系，确定出每个因子中占比数值处于预设排序范围内的各个源。

[0166] 在一个实施例中，所述处理器1001在执行在根据历史解析数据，对解析结果中的因子进行识别，识别出每个因子中处于预设排序范围内的各个源之后，还执行以下操作：

[0167] 响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示；

[0168] 其中，源关联信息包括以下至少一项：

[0169] 每个因子在总大气污染物中的占比数值信息、每个因子对应的处于预设排序范围内的各个源名称信息、每个因子对应的处于预设排序范围内的各个源的排序信息、每个因子对应的处于预设排序范围内的各个源的占比数值信息。

[0170] 在一个实施例中，所述处理器1001在执行所述响应于用户的展示指令，对与每个因子中处于预设排序范围内的各个源的源关联信息进行展示时，具体执行以下操作：

[0171] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以诊断谱图展示方式展示源关联信息的情况下，以诊断谱图方式展示源关联信息；或者，

[0172] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以线性回归展示方式展示源关联信息的情况下，以线性回归展示方式展示源关联信息；或者，

[0173] 响应于用户的展示指令，在展示指令中携带的展示方式信息为以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息的情况下，以源成分谱矩阵和源贡献矩阵对应的展示方式展示源关联信息。

[0174] 在本申请实施例中，根据各项因素确定第一模型，第一模型用于确定第二模型中的各项关键参数属性，第二模型为预设的正定矩阵因子分解模型；根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行解析，生成至少包括大气污染物来源解析结果的解析文件。由于本申请不仅能够通过第一模型确定第二模型中的各项关键参数属性；还能够根据第一模型确定的各项关键参数属性，运行第二模型，对大气污染物数据进行自动解析，生成至少包括大气污染物来源解析结果的解析文件，这样，能够自动确定第二模型中的各项关键参数属性，不仅节省了大量的人力和物力，还能够提升第二模型对大气污染物数据的解析效率。

[0175] 本领域普通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，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

[0176] 以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。