CN110598953A - 一种时空相关的空气质量预测方法 - Google Patents

Abstract

本发明是一种时空相关的空气质量预测方法。本发明将城市划分成大小相同的网格，每个网格受相邻区域网格影响，按照网格内是否有空气监测站分为预测区域和估计区域；获取影响空气质量数据相关时序数据，对时序数据采用循环神经网络和空间深度学习进行特征提取，进行时序模型训练。获取影响空气质量数据相关非时序数据，对非时序数据采用卷积神经网络进行特征提取，进行空间模型训练；将时序模型训练和空间训练模型进行协同训练，得到预测模型；利用训练好的协同训练模型进行预测区域的训练，得到预测区域空气质量数据；利用训练好的协同训练模型进行估计网格区域的训练，得到估计区域空气质量数据。

Description

一种时空相关的空气质量预测方法

技术领域

本发明涉及空气质量预测技术领域，是一种时空相关的空气质量预测方法。

背景技术

近年来，随着人口的剧增、经济的高速发展，汽车尾气和工厂企业排放的污染物排放到空气中，由此引发的空气污染问题成为社会关心的热点问题，因此精准的空气质量预测数据可以为空气污染治理提供可靠地依据。为了掌握空气的污染情况，政府建立了空气监测站实时监测地区的空气质量，但是空气监测站数量有限，无法进行全范围的覆盖监测，同时监测站不能对未来空气质量情况进行预测以及对造成的空气污染进行溯源分析。因此，对于空气质量的预测、估计研究能够弥补空气监测站功能上的缺失，通过科学可靠地分析数据为空气污染的预防和治理提供有效的方法。

随着神经网络和深度学习在各个领域的广泛使用，人们尝试用数据挖掘的方法预测空气质量数据。现有的预测方法存在对于影响空气质量因素考虑不充分，特征提取采用经验主义抽取和人工定义，传统的神经网络没有考虑到局部空间特征，以及站点数量有限且间隔较远，导致训练样本缺失和说服力不强等一系列问题。

发明内容

本发明针对影响空气质量因素考虑不充分，特征提取采用经验主义抽取和人工定义，传统的神经网络没有考虑到局部空间特征问题的问题，本发明提供了一种时空相关的空气质量预测方法，本发明提供了以下技术方案：

一种时空相关的空气质量预测方法，包括以下步骤：

步骤1：将城市划分为大小相同的网格，根据网格内是否有空气检测站分为预测区域和估计区域；

步骤2：获取影响空气质量数据相关的时序数据，所述获取影响空气质量数据相关的时序数据包括：历史空气质量数据、气象数据、天气预报数据、工厂排放污染物数据以及交通流量数据；

步骤3：采用神经网络对所述时序数据进行特征提取，建立时序模型，采用深度学习对时序数据进行特征构建，得到空间训练模型；

步骤4：获取空气质量的非时序数据，所述空气质量的非时序数据包括：城市的路网结构数据、城市的兴趣点数据，采用卷积神经网络对所述空气质量的非时序数据进行特征提取，将提取的结果用于时序模型和空间训练模型的预测和估计任务，对时序模型和空间训练模型进行训练；

步骤5：将所述时间模型和空间模型进行协同训练，得到空气质量预测模型，根据空气质量预测模型对预测区域进行训练，得到预测区域内的空气质量数据；根据空气质量预测模型对估计区域进行训练，得到估计区域的空气质量数据。

优选地，所述步骤1具体为：

步骤1.1：将城市进行网格区域划分，将城市区域划分为边长为c的相互不相交的正方形网格R_i，每个网格区域与它相邻的八个网络区域构成影响区域；

步骤1.2：将每个网格区域的中心经纬度作为网格的坐标，所述网格坐标作为预测的基本单元。

优选地，所述步骤2具体为：

步骤2.1：采用爬虫程序定时对中国天气网的天气数据进行爬取，获得城市检测站历史空气质量数据，将爬取得到的历史空气质量数据持久化至数据库存储，记网格区域R_i的历史空气质量数据为

步骤2.2：采用爬虫程序定时对中国天气网的天气数据进行爬取，获取城市的气象数据，将爬取得到的气象数据持久化至数据库存储，所述气象数据包括历史气象数据和实时气象数据，所述气象数据具体为：温度、湿度、风速以及风向，记t时刻网格区域R_i的实时气象数据为历史气象数据为

步骤2.3：采用爬虫程序定时对中国天气网的天气数据进行爬取，获取天气预测数据，将爬取得到的天气预测数据持久化至数据库存储，记t时刻网格区域R_i天气预测数据为

步骤2.4：通过分表记电在线监管平台数据库中记录的城区大型工厂污染物排放数据，从而获取城市的企业污染排放数据，所述企业污染排放数据包括各种污染物的浓度值，记t时刻网格区域R_i的企业污染排放数据为

步骤2.5：采用政府公共数据平台获取城市的交通流量数据，所述交通流量数据包括车流量、速度以及拥挤程度，记t时刻网格区域R_i的交通流量数据为

优选地，所述步骤3具体为：

步骤3.1：采用循环神经网络RNN对时序数据进行特征构建，得到时序模型；

步骤3.2：根据时序数据长期短期特征以及周期变化，采用空间深度学习ConvLSTM对时序数据的时间空间依赖序列进行特征构建，从而得到空间训练模型。

优选地，所述步骤4具体为：

步骤4.1：获取城市的路网结构数据，所述路网结构数据包括道路的条数、长度和类别，记网格区域R_i的路网结构数据为

步骤4.2：获取城市的兴趣点数据，所述兴趣点数据包括特定点的集合和属性集，所述集合包括学校、医院和商场，所述属性集包括名称、类别和坐标，记网格区域R_i的城市兴趣点数据为

步骤4.3：采用卷积神经网络CNN对所述空气质量的非时序数据进行特征提取，将提取的结果用于时序模型和空间训练模型的预测和估计任务，对时序模型和空间训练模型进行训练。

本发明具有以下有益效果：

本发明针对传统的神经网络没有考虑到局部空间特征问题，与现有研究相比，本发明具有本质上的创新和改进，能够空气质量预测的精度。本发明从时间和空间两个维度考虑与空气质量相关的影响信息，利用ConvLSTM长短期记忆网络对时序数据进行特征构建，利用卷积神经网络提取非时序特征，进而通过预测模型进行空气质量的预测和估计，提高预测的精度。

本发明能够为城市提供细粒度的区域空气质量预测和估计数据，弥补空气监测站数量少、功能上的缺失，通过科学可靠地分析数据为空气污染的预防和治理提供有效的方法

附图说明

图1是基于时空相关的空气质量预测流程图；

图2是时空相关的空气质量预测模型框架图。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

按照图1所示，本发明提供一种时空相关的空气质量预测方法，包括以下步骤：

步骤1：将城市划分为大小相同的网格，根据网格内是否有空气检测站分为预测区域和估计区域；

对网格划分的具体方法为：

将城市进行网格区域划分，把城市整体区域划分成边长为c的互不相交的正方形网格R_i，其中每个子网格属于城市总网格的一部分即R_i∈R，每一个网格区域与它相邻的八个网络区域构成影响区域，每个网格的中心经纬度作为网格的坐标，网格即为估计预测的基本单元。

步骤2：获取影响空气质量数据相关的时序数据，所述获取影响空气质量数据相关的时序数据包括：历史空气质量数据、气象数据、天气预报数据、工厂排放污染物数据以及交通流量数据；

(1)利用爬虫程序定时对中国天气网的天气数据进行爬取，获取城市的监测站历史空气质量数据。本文应用到的城市范围内空气监测站点的历史空气质量数据。网格区域R_i的历史空气质量数据

(2)利用爬虫程序定时对中国天气网的天气数据进行爬取，将获取的气象数据持久化到数据库存储。本文应用到城市的历史以及实时气象数据包括温度、湿度、风速以及风向。记t时刻，网格区域R_i的实时气象历史气象

(3)利用爬虫程序定时对中国天气网的天气数据进行爬取，将获取的天气预测数据持久化到数据库存储。本文应用到城市的天气数据包括温度、湿度、风速以及风向。记t时刻，网格区域R_i的天气预测数据

(4)通过获取分表记电在线监管平台数据库中记录的城区大型工厂污染物排放数据，从而获取城市的企业污染排放数据。本文应用到城市的企业排放数据，包括各种污染物浓度值。记t时刻，网格区域R_i的企业排放数据

(5)利用政府公共数据平台获取城市的交通流量数据。本文应用到城市的交通流量数据，包括车流量、速度以及拥挤程度。t时刻，网格区域R_i的交通流量数据

步骤3：采用神经网络对所述时序数据进行特征提取，建立时序模型，采用深度学习对时序数据进行特征构建，得到空间训练模型；

采用RNN循环神经网络处理时序数据(气象数据、历史空气质量数据)，考虑到企业污染排放数据、交通流量数据还包含一定的空间依赖性以及长期变化特性，因此考虑采用ConvLSTM长短期记忆网络用于对这类长时间空间依赖序列进行建模，分析结果用于模型的预测和估计任务。

步骤4：获取空气质量的非时序数据，所述空气质量的非时序数据包括：城市的路网结构数据、城市的兴趣点数据，采用卷积神经网络对所述空气质量的非时序数据进行特征提取，将提取的结果用于时序模型和空间训练模型的预测和估计任务，对时序模型和空间训练模型进行训练；

(1)通过太乐地图软件，根据限定城市及路网级别，获取城市的路网结构数据。本文应用到城市的路网结构数据，路网属性分为道路的条数、长度和类别。网格区域R_i的路网结构数据

(2)通过太乐地图软件，根据限定城市及城市兴趣点类型获取城市的兴趣点数据。本文应用到城市的兴趣点数据，包括特定点的集合，例如学校、医院和商场等，属性集包括名称、类别和坐标。网格区域R_i的城市兴趣点POI数据

利用卷积神经网络对区域内非时序信息(路网结构数据、POI点数据)进行处理来提取潜在的局部特征，将提取结果用于模型的预测和估计任务。

步骤5：将所述时间模型和空间模型进行协同训练，得到空气质量预测模型，根据空气质量预测模型对预测区域进行训练，得到预测区域内的空气质量数据；根据空气质量预测模型对估计区域进行训练，得到估计区域的空气质量数据。

以上所述仅是一种时空相关的空气质量预测方法的优选实施方式，一种时空相关的空气质量预测方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (5)

1.一种时空相关的空气质量预测方法，其特征是：包括以下步骤：

步骤1：将城市划分为大小相同的网格，根据网格内是否有空气检测站分为预测区域和估计区域；

步骤2：获取影响空气质量数据相关的时序数据，所述获取影响空气质量数据相关的时序数据包括：历史空气质量数据、气象数据、天气预报数据、工厂排放污染物数据以及交通流量数据；

步骤3：采用神经网络对所述时序数据进行特征提取，建立时序模型，采用深度学习对时序数据进行特征构建，得到空间训练模型；

步骤4：获取空气质量的非时序数据，所述空气质量的非时序数据包括：城市的路网结构数据和城市的兴趣点数据，采用卷积神经网络对所述空气质量的非时序数据进行特征提取，将提取的结果用于时序模型和空间训练模型的预测和估计任务，对时序模型和空间训练模型进行训练；

步骤5：将所述时间模型和空间模型进行协同训练，得到空气质量预测模型，根据空气质量预测模型对预测区域进行训练，得到预测区域内的空气质量数据；根据空气质量预测模型对估计区域进行训练，得到估计区域的空气质量数据。

2.根据权利要求1所述的一种时空相关的空气质量预测方法，其特征是：所述步骤1具体为：

步骤1.1：将城市进行网格区域划分，将城市区域划分为边长为c的相互不相交的正方形网格R_i，每个网格区域与它相邻的八个网络区域构成影响区域；

步骤1.2：将每个网格区域的中心经纬度作为网格的坐标，所述网格坐标作为预测的基本单元。

3.根据权利要求1所述的一种时空相关的空气质量预测方法，其特征是：所述步骤2具体为：

步骤2.1：采用爬虫程序定时对中国天气网的天气数据进行爬取，获得城市检测站历史空气质量数据，将爬取得到的历史空气质量数据持久化至数据库存储，记网格区域R_i的历史空气质量数据为

步骤2.2：采用爬虫程序定时对中国天气网的天气数据进行爬取，获取城市的气象数据，将爬取得到的气象数据持久化至数据库存储，所述气象数据包括历史气象数据和实时气象数据，所述气象数据具体为：温度、湿度、风速以及风向，记t时刻网格区域R_i的实时气象数据为历史气象数据为

步骤2.3：采用爬虫程序定时对中国天气网的天气数据进行爬取，获取天气预测数据，将爬取得到的天气预测数据持久化至数据库存储，记t时刻网格区域R_i天气预测数据为

步骤2.4：通过分表记电在线监管平台数据库中记录的城区大型工厂污染物排放数据，从而获取城市的企业污染排放数据，所述企业污染排放数据包括各种污染物的浓度值，记t时刻网格区域R_i的企业污染排放数据为

步骤2.5：采用政府公共数据平台获取城市的交通流量数据，所述交通流量数据包括车流量、速度以及拥挤程度，记t时刻网格区域R_i的交通流量数据为

4.根据权利要求1所述的一种时空相关的空气质量预测方法，其特征是：所述步骤3具体为：

步骤3.1：采用循环神经网络RNN对时序数据进行特征构建，得到时序模型；

步骤3.2：根据时序数据长期短期特征以及周期变化，采用空间深度学习ConvLSTM对时序数据的时间空间依赖序列进行特征构建，从而得到空间训练模型。

5.根据权利要求1所述的一种时空相关的空气质量预测方法，其特征是：所述步骤4具体为：

步骤4.1：获取城市的路网结构数据，所述路网结构数据包括道路的条数、长度和类别，记网格区域R_i的路网结构数据为

步骤4.2：获取城市的兴趣点数据，所述兴趣点数据包括特定点的集合和属性集，所述集合包括学校、医院和商场，所述属性集包括名称、类别和坐标，记网格区域R_i的城市兴趣点数据为

步骤4.3：采用卷积神经网络CNN对所述空气质量的非时序数据进行特征提取，将提取的结果用于时序模型和空间训练模型的预测和估计任务，对时序模型和空间训练模型进行训练。