CN112541302A - 空气质量预测模型训练方法、空气质量预测方法及装置 - Google Patents

空气质量预测模型训练方法、空气质量预测方法及装置 Download PDF

Info

Publication number
CN112541302A
CN112541302A CN202011548395.0A CN202011548395A CN112541302A CN 112541302 A CN112541302 A CN 112541302A CN 202011548395 A CN202011548395 A CN 202011548395A CN 112541302 A CN112541302 A CN 112541302A
Authority
CN
China
Prior art keywords
level
matrix
regions
air quality
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011548395.0A
Other languages
English (en)
Other versions
CN112541302B (zh
Inventor
韩金栋
刘浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011548395.0A priority Critical patent/CN112541302B/zh
Publication of CN112541302A publication Critical patent/CN112541302A/zh
Priority to US17/376,256 priority patent/US20210342722A1/en
Application granted granted Critical
Publication of CN112541302B publication Critical patent/CN112541302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了空气质量预测模型训练方法、空气质量预测方法及装置，涉及深度学习、大数据等人工智能领域。具体实现方案为：根据多个区域之间的空间相关性信息，建立空气质量预测模型；根据多个区域之间的空气质量的观测值以及所述空气质量预测模型输出的多个区域的空气质量的预测值，对所述空气质量预测模型进行调整。本公开能够提高空气质量预测结果的准确性。

Description

空气质量预测模型训练方法、空气质量预测方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习、大数据等人工智能领域。
背景技术
随着经济科技的发展，人们生活条件的提高，人们对生命健康的关注度也越来越高，对生活环境也具有越来越高的品质和安全性要求。
由于工业化水平的快速提高，空气质量成为与人们生命健康问题密切相关的因素之一，对空气质量预测的需求也在天气预报、旅游出行等领域逐步提升。预测数据能够足够准确是人们对空气质量预测和天气预报的首要需求之一。
发明内容
本公开提供了一种空气质量预测模型训练方法、空气质量预测方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种空气质量预测模型训练方法，其中，方法包括：
根据多个区域之间的空间相关性信息，建立空气质量预测模型；
根据多个区域之间的空气质量的观测值以及空气质量预测模型输出的多个区域的空气质量的预测值，对空气质量预测模型进行调整。
根据本公开的另一方面，提供了一种空气质量预测方法，其中，包括：
将多个区域之间的空间相关性信息作为输入数据，输入空气质量预测模型，得到空气质量预测值，空气质量预测模型为本公开任意一项实施例所提供的空气质量预测模型。
根据本公开的另一方面，提供了一种空气质量预测模型训练装置，其中，装置包括：
建立模块，用于根据多个区域之间的空间相关性信息，建立空气质量预测模型；
调整模块，用于根据多个区域之间的空气质量的观测值以及空气质量预测模型输出的多个区域的空气质量的预测值，对空气质量预测模型进行调整。
根据本公开的另一方面，提供了一种空气质量预测装置，其中，包括：
预测模块，用于将多个区域之间的空间相关性信息作为输入数据，输入空气质量预测模型，得到空气质量预测值，空气质量预测模型为本公开任意一项实施例所提供的空气质量预测模型。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术，提高了空气质量预测的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的空气质量预测模型训练方法流程示意图；
图2是根据本公开一示例的区域划分以及参数计算示意图；
图3是根据本公开一实施例的空气质量预测方法流程示意图；
图4是根据本公开一示例的空气质量预测模型训练方法流程示意图；
图5是根据本公开一实施例的空气质量预测装置示意图；
图6是根据本公开另一实施例的空气质量预测装置示意图；
图7是根据本公开又一实施例的空气质量预测装置示意图；
图8是根据本公开又一实施例的空气质量预测装置示意图；
图9是根据本公开又一实施例的空气质量预测装置示意图；
图10是根据本公开又一实施例的空气质量预测装置示意图；
图11是根据本公开又一实施例的空气质量预测装置示意图；
图12是根据本公开又一实施例的空气质量预测装置示意图；
图13是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例首先提供一种空气质量预测模型训练方法，如图1所示，空气质量预测模型训练方法包括：
步骤S11：根据多个区域之间的空间相关性信息，建立空气质量预测模型；
步骤S12：根据多个区域之间的空气质量的观测值以及空气质量预测模型输出的多个区域的空气质量的预测值，对空气质量预测模型进行调整。
本公开实施例中，多个区域可以包括对一定的目标范围进行划分后得到的较小范围的区域，比如行政区划形成的区域、县、乡等。多个区域也可以包括对一定的目标范围进行划分后得到的较大范围的区域，比如市、省、自治区等。
多个区域可以是属于同一级别的区域，也可以是属于不同级别的区域。同一级别的区域，相互间范围不重叠的区域，比如，所有行政区域属于同一级别，所有城市属于同一级别，等等。
同一级别的区域也可以是划分方式相同的区域，比如，根据环境特征划分得到的多个区域属于同一级别的区域，根据区域的功能进行划分得到的多个区域属于同一几倍的区域。
示例性地，可以通过层次化时空神经网络捕捉远距离区域之间的长期依赖关系，如图2所示，将一定目标范围划分为三级层次，包括行政区域、功能区和城市。图2从下至上依次是第一级别的区域、第二级别的区域、第三级别的区域，符号21表示向量操作符号，节点22为区域对应的节点，可以看出，在同样的目标范围内，大致上是级别越高，区域数量越少。
具体地，通过构建一个三级层次：城市→功能区→区域，层次化神经网络通过将共享信息从顶层城市传播到底层的细粒度的行政区域来编码远距离时空依赖信息。
多个区域之间的空间相关性信息，具体实施时也可以包括多个区域之间的时空相关性信息或包括多个区域中的至少一个区域的时空相关性信息。比如，可通过每个区域在历史多个时刻的空气质量观测值确定该区域与其它区域的空间相关性信息。
根据多个区域之间的空间相关性信息，建立空气质量预测模型，具体包括：根据包含多个区域之间的空间相关性信息，建立空气质量预测模型，使得空气质量预测模型能够根据输入数据中的多个区域之间的空间相关性信息，进行空气质量的预测。
应当理解，在模型训练、模型构建的过程中，包括对模型进行调整的过程。
根据多个区域之间的空气质量的观测值以及空气质量预测模型输出的多个区域的空气质量的预测值，对空气质量预测模型进行调整，可以是在模型构建后、训练模型的阶段，对空气质量预测模型进行调整；也可以是在模型训练完成并部署之后，通过实际使用所产生的数据对空气质量预测模型进行进一步调整优化。
本公开实施例中，在构建空气质量预测模型时，根据多个区域之间的空间相关性信息进行构建，从而模型在预测空气质量时，能够根据多个区域之间的空间相关性信息进行预测，从而提高空气质量预测模型预测空气质量的准确性。
在一种实施方式中，多个区域之间的空间相关性信息，包括：
多个级别的区域之间的空间相关性信息。
示例性的，多个级别的区域可以包括两个级别、三个级别的区域。同一级别的区域可以按照同样的方式进行划分，不同级别的区域可以相互之间有重叠、归属关系。比如，行政区域属于城市。
示例性的，同一个级别的区域之间可重叠或不重叠。比如，行政区域之间不相互重叠，但是功能区可存在相互重叠的情况。
本实施例中，将区域划分为多个级别，从而在预测时，能够考虑到细粒度区域之间的空间相关性，还能够考虑到细粒度区域的上级区域和细粒度区域之间的空间相关性，使得空气质量预测能够更加准确。
在一种实施方式中，多个级别的区域之间的空气质量的相关性信息包括：
相同级别的区域之间的空间相关性信息；以及
不同级别的区域之间的空间相关性信息。
本实施例中，相同级别的区域之间的空间相关性信息可以通过区域之间的距离来确定。比如，多个行政区域之间的空间相关性信息可以通过各行政区域之间的距离来确定。
不同级别的区域之间的空间相关性信息，可以通过不同级别的区域之间的距离和/或不同级别的区域之间的归属性信息来确定。比如，多个行政区域之间、多个城市之间的相关性信息可以通过行政区域与城市之间的距离或归属关系确定。
在其它实施例中，多个级别的区域之间的空气质量的相关性信息包括下述至少一种：相同级别的区域之间的空间相关性信息以及不同级别的区域之间的空间相关性信息。
本实施例中，通过多个相同级别的区域之间的空间相关性信息以及不同级别的区域之间的空间相关性信息，确定多个区域之间的相关性信息，从而根据该相关性信息构建的模型，能够根据输入数据对区域之间、区域级别之间的相关性信息进行处理，使得空气质量的预测能够将区域之间的空间相关性有机结合，提高空气质量预测的准确性。
在一种实施方式中，第一级别的区域之间的空间相关性信息是根据第一级别的区域的邻接矩阵和第一级别的区域的空气质量特征矩阵确定的。
在本实施例中，第一级别的区域可以是最低级别的区域，即最细粒度的区域，可以包括行政区域、乡、镇等较细粒度的行政划分区域。
在考虑不同级别的区域之间的空间相关性信息的情况下，可以首先计算较低级别的区域之间的空间相关性信息，后续根据低级别的区域之间的空间相关性信息，计算较高级别的区域之间的空间相关性信息。
比如，区域的划分级别从低到高依次包括：第一级别、第二级别、第三级别，那么在确定区域之间的空间相关性信息时，具体可以首先计算第一级别的区域的空间相关性信息，然后根据第一级别的空间相关性信息确定第二级别的区域的空间相关性信息，最后根据第二级别的区域的空间相关性信息确定第三级别的区域的空间相关性信息。
再如，区域的划分级别从低到高依次包括：第一级别、第二级别、第三级别，那么在确定区域之间的空间相关性信息时，具体可以首先计算第一级别的区域的空间相关性信息，然后根据第一级别的空间相关性信息确定第二级别的区域的空间相关性信息，最后根据第二级别的区域的空间相关性信息和第一级别的区域的空间相关性信息确定第三级别的区域的空间相关性信息。
第一级别的区域的邻接矩阵，可以通过第一级别的区域的距离确定，具体的，可以通过第一级别的区域之间具有相邻关系的区域之间的距离确定。
比如，第一级别的区域包括A、B、C、D，其中A、B和B、C和C、D分别为相邻区域，A、D为不相邻区域，那么，第一级别的区域的邻接矩阵可以根据A和B的距离、B和C的距离、C和D的距离确定。
第一级别的区域的空气质量特征矩阵，可以根据第一级别的区域的空气质量历史值确定。具体的，可以根据设定个数的历史时间点的空气质量观测值确定。
本实施例中，第一级别的区域之间的空间相关性信息是根据第一级别的区域的邻接矩阵和第一级别的区域的空气质量特征矩阵确定的，从而第一级别的区域之间的空间相关性信息既包含了地理空间的相关性，又包含了空气质量的相关性，使得后续进行空气质量预测时，能够基于多方面因素进行综合性预测，得到更为准确的预测数据。
在一种实施方式中，第二级别的区域之间的空气质量的相关性信息是根据第二级别的区域的邻接矩阵、第一级别的区域的空气质量特征矩阵和第二级别的区域的分配概率矩阵确定的。
本实施例中，第二级别的区域的分配概率矩阵，可以用于表示第一级别的区域与第二级别的区域之间的相关性，比如，每个第一级别的区域与各个第二级别的区域之间的相关的可能性。
第二级别的区域可以是与第一级别的区域的划分方式不同的区域。具体例如，第二级别的区域可以是功能区。
本实施例中，各级第一级别的区域之间的空气质量特征矩阵、第二级别的区域与第一级别的区域之间的相关性信息以及第二级别的区域在本级别内相互之间的相关性信息确定第二级别的区域之间的空间相关性信息，从而，能结合多方面因素对空气质量进行综合预测，提高预测结果的准确性。
在一种实施方式中，第二级别的区域的邻接矩阵是根据第一级别的区域的邻接矩阵、第二级别的区域的分配概率矩阵确定的。
本实施例中，在确定第二级别的区域的邻接矩阵时，考虑到第一级别的区域之间的空间相关因素，使得空气质量的预测结果更为准确。
在一种实施方式中，第二级别的区域的分配概率矩阵是根据第二级别的区域的软分配矩阵、第一级别的区域和第二级别的区域是否属于同一个第三级别的区域的指示矩阵确定的。
本实施例中，构建空气质量预测模型时，考虑第一级别、第二级别、第三级别的各区域之间的联系，使得预测结果更为准确。
在一种实施方式中，第二级别的区域的软分配矩阵是根据第一级别的区域的环境上下文特征和第一级别的区域的邻接矩阵确定的。
在本公开各种实施例中，功能区可以是具有一定的环境特征或者功能特征的区域，比如，工业区、绿化区、居民区、种植区等。一个区域可能同时具有多个功能区的特点，从而一个区域可以同时属于多个功能区。一个第一级别的区域，可能其中一部分属于一种或几种功能区，另一部分属于另外一种或另外几种功能区。
本实施例中，通过计算分配矩阵和软分配矩阵，将第二级别的区域和第一级别的区域进行了有机结合，从而使得预测结果更加准确。
在一种实施方式中，第二级别的区域之间的空气质量的相关性信息的计算方式为：
将第一级别的区域的空气质量特征矩阵、和第二级别的区域的分配概率矩阵的转置矩阵相乘，得到第二级别的区域的第一节点表征矩阵；
对第二级别的区域的第一节点表征矩阵、第二级别的区域的邻接矩阵进行图卷积操作，得到第二级别的区域的第二节点表征矩阵；
对第二级别的区域的第二节点表征矩阵和第二级别的区域的分配概率矩阵的乘积进行第一门控操作，得到第二级别的区域之间的空气质量的相关性信息。
本实施例中，通过对各种参数进行计算，将区域之间的空气质量相关性、空间相关性、环境相关性因素加入到空气质量的预测过程，使得预测结果更加准确。
在一种实施方式中，对第二级别的区域的第二节点表征矩阵和第二级别的区域的分配概率矩阵的乘积进行第一门控操作，包括：
利用激活函数计算第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第一门控参数矩阵，得到第一门控操作矩阵；
将第一门控操作矩阵、第二级别的区域的第二节点表征矩阵和第二级别的区域的分配概率矩阵相乘。
本实施例中，通过门控操作，对第二级别的区域的数据进行过滤，使得过滤后的数据能够在第一级别的区域的空间相关性信息的基础上，保留对空气质量预测更为有用的数据，从而为最大程度简化后续计算进行铺垫。
在一种实施方式中，第三级别的区域之间的空气质量的相关性信息是根据第三级别的区域的邻接矩阵、第一级别的区域的空气质量特征值矩阵、第三级别的区域的分配概率矩阵、第二级别的区域的分配概率矩阵确定的。
本实施例中，在第一、第二级别的区域的基础上，划分出第三级别的区域，第三级别的区域的粒度可以大于第一、第二级别的区域的粒度。比如，第三级别的区域可以包括多个第一级别的区域，也可以同时具有多个第二级别的区域的特征。
本实施例中，第三级别的区域的划分方式还是可以以行政划分方式为标准，例如，第三级别的区域可以是城市、分区的市等等。
本实施例中，在第一级别的区域、第二级别的区域的基础上，进一步按照另外的划分标准，划分出第三级别的区域，使得在空气质量预测模型训练时，能够考虑到由小到大的粒度的不同区域之间的相关性，从而模型预测结果更为准确。
在一种实施方式中，第三级别的区域的邻接矩阵是根据第三级别的区域的分配概率矩阵、第一级别的区域的空气质量特征矩阵确定的。
第三级别的区域的分配概率矩阵，具体可以根据第一级别的区域和第三级别的区域之间的相关性情况确定。
本实施例中，在计算第三级别的区域的邻接矩阵时，结合了第三级别的区域、第一级别的区域的空间信息，从而构建的空气质量预测模型，能够总和多级区域之间的空间关系进行空气质量的预测，提高空气质量预测的准确性。
在本公开任意一种实施方式中，无论是第二级别的区域的分配概率矩阵或第三级别的区域的分配概率矩阵，都可结合实际地理位置的地形环境因素进行前进的。比如，在平原地区，相近的区域之间的空气质量相互影响程度较高，在较高的山脉地区与平原地区的交界处，空气质量的相互影响程度相对较小。
本实施例中，在构建空气质量预测模型时，考虑到不同级别的区域之间的空间相关性，从而使得模型的准确预测能力更高。
在一种实施方式中，第三级别的区域的分配概率矩阵，是根据第三级别的区域的软分配矩阵、第二级别的区域是否属于第三级别的区域的指示矩阵确定的。
本实施例中，根据第二级别的区域和第三级别的区域的空间关系、第一级别的区域和第三级别的区域的空间关系，构建空气质量预测模型，从而模型的预测结果更加准确。
在一种实施方式中，第三级别的区域的软分配矩阵是根据第二级别的区域的邻接矩阵和第一级别的区域的环境上下文特征矩阵确定的。
本实施例中，根据第二级别的区域和第三级别的区域的空间关系、第一级别的区域的环境状况和第三级别的区域的空间关系，构建空气质量预测模型，从而模型的预测结果更加准确。
在一种实施方式中，第三级别的区域之间的空气质量的相关性信息的确定方式为：
将第三级别的区域的分配概率矩阵的转置矩阵、第一级别的区域的空气质量特征矩阵相乘，得到第三级别的区域的第一节点表征矩阵；
对第三级别的区域的第一节点表征矩阵、第三级别的区域的邻接矩阵进行图卷积操作，得到第三级别的区域的第二节点表征矩阵；
对第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵进行第二门控操作，得到第三级别的区域之间的空气质量的相关性信息。
本实施例中，在确定第三级别的区域的空间相关性信息时，对第一级别、第二级别的区域的空间相关性信息进行过滤，从而使得有用的数据参与后续计算，尽量减少后续计算的过程的复杂度。
在一种实施方式中，对第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵进行第二门控操作，包括：
利用激活函数计算第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第二门控参数矩阵，得到第二门控操作矩阵；
将第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵与第二门控操作矩阵相乘。
本实施例中，在确定第三级别的区域的空间相关性信息时，对第一级别、第二级别的区域的空间相关性信息进行过滤，从而使得有用的数据参与后续计算，尽量减少后续计算的过程的复杂度。
在一种实施方式中，根据多个区域之间的空间相关性信息，建立空气质量预测模型，包括：
根据多个区域之间的时空相关性信息，建立空气质量预测模型；时空相关性信息是根据历史时空相关性信息和空间相关性信息确定的。
本实施例中，时空相关性信息包含了空间相关性信息和时空相关性信息，时空相关性信息可以是同一个地区的历史时刻的空气质量与当前时刻的空气质量的相关程度。
历史时空相关性信息可以根据一个时空相关性信息初始值，进行逐时刻的计算得到。比如，通过第一时刻的时空相关性信息(初始值)，计算第二时刻的时空相关性信息；根据第二时刻的时空相关性信息，计算第三时刻的时空相关性信息……如此类推。
历史时空相关性信息可以是多个历史时刻的时空相关性信息。
本实施例在构建模型时，基于多个地区的时空相关性信息进行构建，从而，模型的预测结果的准确性能够提高。
在一种实施方式中，根据多个区域之间的空气质量的观测值以及空气质量预测模型输出的多个区域的空气质量的预测值，对空气质量预测模型进行调整，包括：
根据观测值和预测值的最小二乘误差，计算损失值；
根据损失值，调整空气质量预测模型。
观测值可以是通过空气质量检测手段检测得到的真实的空气质量数值。
本实施例中，采用观测值和预测值的最小二乘误差对模型进行调整优化，从而，模型的预测结果能够通过调整进一步更为准确，模型的预测功能能够更为完善。
本公开实施例还提供一种空气质量预测方法，如图3所示，包括：
步骤S31：将输入数据输入空气质量预测模型，空气质量预测模型为本公开任意一项实施例所提供的空气质量预测模型；
步骤S32：采用空气质量预测模型，根据输入数据获得多个区域的空间相关性信息；
步骤S33：采用空气质量预测模型，根据多个区域的空间相关性信息得到空气质量预测值。
本公开实施例采用空气质量预测模型进行空气质量预测，空气质量预测模型为本公开任意一项实施例提供的空气质量预测模型训练方法得到的模型，从而，在预测时，模型能够考虑多个区域之间的空间相关性信息进行空气质量的预测，具有较高的预测准确性。
在一种实施方式中，采用空气质量预测模型，根据多个区域的空间相关性信息得到空气质量预测值，还包括：
采用空气质量预测模型，根据多个区域的空间相关性信息得到多个区域的时空相关性信息；
采用空气质量预测模型，根据多个区域的时空相关性信息得到空气质量预测值。
本实施例中，输入数据除了包含多个区域之间的空间相关性信息和多个区域中各区域的空气质量的时空相关性信息，从而，预测结果考虑了区域之间的空间相关性以及不同时刻的时间相关性，预测结果更为准确。
本公开的一种示例中，空气质量预测模型训练方法包括如图4所示的步骤：
步骤S41：建立层次化区域图。本示例的区域划分仍然可参照图2。
在本示例中，可以根据标准的乡镇行政区划，将每个城市划分为一组不相交的区域，用R表示。
每个区域ri∈R表示一个具有特定名称、地理位置(即经纬度)的人类聚集地。
功能区zi∈Z由多个区域组成，具备一种城市功能，如生态区和工业区。
城市ci∈C是一组集行政、经济、文化、交通等多种功能于一体的功能区集合。
区域、功能区和城市自然形成了一个自下而上的三级层次结构，可以利用不同层的性质来捕捉长距离的空间依赖性，可以通过这三级层次结构定义层次化区域图。
层次化区域图定义为Gh＝{V,E}，其中V＝R∪Z∪C是包括区域、功能区和城市在内的节点，E＝{AR,AZ,AC,ARZ,AZC}是每个节点之间的边。具体地说，AR,AZ和AC分别表示(1)两个区域节点，(2)两个功能区节点，(3)两个城市节点之间的连通性的邻接矩阵，ARZ和AZC分别是区域到功能区和功能区到城市的映射权重矩阵。
本示例中，区域和城市是现实世界中的真实行政区，而功能区是本公开的模型需要学习的虚拟节点。
步骤S42：建模区域相关性。
由于区域和城市是按行政区划分的，因此可以利用公式(3)中高斯核直接计算相应的邻接矩阵AR和AC，
Figure BDA0002856318250000131
其中dist(vi,vj)用来计算vi和vj的地理空间距离，δ是距离的标准差，
Figure BDA0002856318250000132
代表了相邻区域节点的边权。使用图卷积网络(GCN)作为建模层次化区域图Gh空间相关性的基本组件。GCN是一种轻量级的、高效的图神经网络模型，可以大大降低层次空间相关性建模的计算复杂度。假设图的输入特征为X，首先将图卷积运算(GConv)定义为：
Figure BDA0002856318250000133
其中X′是经过图卷积操作更新的节点表征，A表示邻接矩阵，D是节点的度矩阵，σ是非线性激活函数，W代表可学习的参数矩阵。首先利用图卷积技术，通过对相邻区域的信息进行聚合来捕获短距离依赖关系。
Xr＝GConv(Xu,AR) (公式3)；
其中Xu是所有区域的空气质量特征矩阵，Xr包含了各区域节点的短距离依赖信息。
步骤S43：建模功能区相关性。
在现实世界中，每个区域可以同时服务于多种功能。例如，商业区通常有许多娱乐设施。
本示例中，假设每个区域有机会以不同的概率属于多个功能区，而不是将每个区域聚集到一个特定的功能区中。由于地理兴趣点(POI，Point of Interest)和路网信息可以反映一个地区的环境和功能布局。因此，在本示例中，首先使用图卷积运算，基于各种环境上下文特征学习一个软分配矩阵SRZ
SRZ＝GConv(Xc,AR) (公式4)；
其中
Figure BDA0002856318250000134
矩阵的每一行衡量一个特定区域与不同功能区相关的可能性。由于各城市的功能区可能有所不同，为每个城市分配nz个独立的功能区，其中NZ＝|C|nz。
在本示例中，定义一个指示矩阵MRZ，其中如果区域r和功能区z属于同一个城市,那么MRZ[r,z]＝1，否则MRZ[r,z]＝0。区域到功能区的分配矩阵ARZ可以计算如下：
ARZ＝Softmax(MRZ⊙SRZ) (公式5)；
式中⊙表示矩阵元素相乘，ARZ[r,z]可以看作是区域映射到功能区的概率。每个功能区
Figure BDA0002856318250000141
的表征可以通过底层区域表征的线性组合得到
XZ＝(ARZ)TXu (公式6)；
(ARZ)T是矩阵ARZ的转置矩阵。同样地，通过公式(7)进一步得到功能区节点的邻接矩阵AZ：
AZ＝(ARZ)TARARZ (公式7)；
与区域节点的空间依赖建模类似，可以采用图卷积运算来捕捉各功能区之间的依赖关系：
Xz′＝GConv(Xz,AZ) (公式8)；
此外，已证明天气条件和POI密度会显著影响空气污染物在不同区域的传输和扩散。为了进一步建模外部环境因素对空气质量的影响，可以设计一个门控消息传递机制来控制信息从功能区传递到底层区域，即：
Xrz＝GZ⊙(ARZXz′) (公式9)；
式中GZ是门控机制的输出，可以定义为：
GZ＝Sigmoid((Xm,t||Xc)Wz) (公式10)；
其中Xm,t是时刻t的所有区域的天气特征，Xc表示所有区域的环境上下文特征，Wz是可学习的参数矩阵。通过使用上述门控机制，本示例的空气质量预测模型可以自适应地捕捉不同环境条件下远距离区域之间的空间交互。
步骤S44：建模城市相关性。
城市层面的空间依赖性也以类似的方式进行建模。首先，本示例中使用式(4)中定义的相同图卷积运算来计算软分配矩阵SZC。为了避免不同城市的功能区之间相互干扰，本示例中，设置一个从功能区到城市的映射矩阵MZC，如果功能区z属于城市c，那么MZC[r,z]＝1，否则MZC[r,z]＝0。
基于公式(5)到公式(8)，可以进一步得到了区域到城市分配矩阵AZC，城市节点表征Xp和Xp′。然后，可以将式(9)推广，从高层城市节点到底层区域节点的信息传播计算方式如下：
Xzc＝GC⊙(ARZAZCXp′) (公式11)；
GC＝Sigmoid((Xm,t||Xc)Wp) (公式12)；
其中，⊙符号可用于表示矩阵的叉乘。基于以上区域级表征
Figure BDA0002856318250000142
功能区级表征
Figure BDA0002856318250000143
城市级表征
Figure BDA0002856318250000144
可以得到统一的层次化区域表征如下：
Figure BDA0002856318250000151
其中
Figure BDA0002856318250000152
表示当前天气状况特征，
Figure BDA0002856318250000153
包含了不同层次的长距离空间依赖信息。
步骤S45：建模时间相关性。
每个区域节点的空气质量不仅与图上的相邻节点相关，而且还受其前一时刻的状态影响。可以通过门控递归单元(GRU，Gate Recurrent Unit)扩展图神经网络，将图神经网络融入GRU模型用于时间依赖性建模。考虑一个区域ri和其过去T个时刻的表征
Figure BDA0002856318250000154
Figure BDA0002856318250000155
是t时刻层次化图卷积的输出。将t-1和t时刻ri的状态分别表示为
Figure BDA0002856318250000156
和
Figure BDA0002856318250000157
GRU操作定义如下：
Figure BDA0002856318250000158
Figure BDA0002856318250000159
和
Figure BDA00028563182500001510
的计算方式如下：
Figure BDA00028563182500001511
Figure BDA00028563182500001512
Figure BDA00028563182500001513
通过输入t-1时刻门循环神经网络的输出
Figure BDA00028563182500001514
和t时刻层次化图神经网络的输出
Figure BDA00028563182500001515
结合门机制可得到t时刻的输出
Figure BDA00028563182500001516
其中由于
Figure BDA00028563182500001517
包含了t时刻的空间相关性信息，
Figure BDA00028563182500001518
包含了t时刻之前的时空相关性信息，因此得到的
Figure BDA00028563182500001519
将同时包含时间和空间相关性信息。其中，
Figure BDA00028563182500001520
Wz、Wr、br、bz、
Figure BDA00028563182500001521
可以为模型参数，可以通过模型优化或训练来变更。ο可以表示矩阵的叉乘。
步骤S46：模型预测和训练。
隐态
Figure BDA00028563182500001522
同时编码了过去的时间和空间依赖性信息，可直接用于区域空气质量预测。使用一个前馈神经网络f(·)可以生成未来的空气质量预测。
Figure BDA00028563182500001523
其中
Figure BDA00028563182500001524
和
Figure BDA00028563182500001525
是天气预报和区域的环境上下文特征。与现有的空气质量预测工作相似，本示例中，模型训练的目标可以是最小化真实观测值与预测值之间的最小二乘误差。
Figure BDA00028563182500001526
可以是t+1时刻的空气质量预测值……如此类推。
Figure BDA00028563182500001527
本公开实施例还提供一种空气质量预测模型训练装置，如图5所示，装置包括：
建立模块51，用于根据多个区域之间的空间相关性信息，建立空气质量预测模型；
调整模块52，用于根据多个区域之间的空气质量的观测值以及空气质量预测模型输出的多个区域的空气质量的预测值，对空气质量预测模型进行调整。
在一种实施方式中，多个区域之间的空间相关性信息，包括：
多个级别的区域之间的空间相关性信息。
在一种实施方式中，多个级别的区域之间的空气质量的相关性信息包括：
相同级别的区域之间的空间相关性信息；以及
不同级别的区域之间的空间相关性信息。
在一种实施方式中，多个级别的区域包括第一级别的区域，第一级别的区域之间的空间相关性信息是根据第一级别的区域的邻接矩阵和第一级别的区域的空气质量特征矩阵确定的。
在一种实施方式中，第二级别的区域之间的空气质量的相关性信息是根据第二级别的区域的邻接矩阵、第一级别的区域的空气质量特征矩阵和第二级别的区域的分配概率矩阵确定的。
在一种实施方式中，第二级别的区域的邻接矩阵是根据第一级别的区域的邻接矩阵、第二级别的区域的分配概率矩阵确定的。
在一种实施方式中，第二级别的区域的分配概率矩阵是根据第二级别的区域的软分配矩阵、第一级别的区域和第二级别的区域是否属于同一个第三级别的区域的指示矩阵确定的。
在一种实施方式中，第二级别的区域的软分配矩阵是根据第一级别的区域的环境上下文特征和第一级别的区域的邻接矩阵确定的。
在一种实施方式中，如图6所示，第二级别的区域之间的空气质量的相关性信息通过装置的下述模块确定：
第一乘法模块61，用于将第一级别的区域的空气质量特征矩阵、和第二级别的区域的分配概率矩阵的转置矩阵相乘，得到第二级别的区域的第一节点表征矩阵；
第一图卷积模块62，用于对第二级别的区域的第一节点表征矩阵、第二级别的区域的邻接矩阵进行图卷积操作，得到第二级别的区域的第二节点表征矩阵；
第一门控模块63，用于对第二级别的区域的第二节点表征矩阵和第二级别的区域的分配概率矩阵的乘积进行第一门控操作，得到第二级别的区域之间的空气质量的相关性信息。
在一种实施方式中，如图7所示，第一门控模块包括：
第一激活单元71，用于利用激活函数计算第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第一门控参数矩阵，得到第一门控操作矩阵；
第一乘法单元72，用于将第一门控操作矩阵、第二级别的区域的第二节点表征矩阵和第二级别的区域的分配概率矩阵相乘。
在一种实施方式中，第三级别的区域之间的空气质量的相关性信息是根据第三级别的区域的邻接矩阵、第一级别的区域的空气质量特征值矩阵、第三级别的区域的分配概率矩阵、第二级别的区域的分配概率矩阵确定的。
在一种实施方式中，第三级别的区域的邻接矩阵是根据第三级别的区域的分配概率矩阵、第一级别的区域的空气质量特征矩阵确定的。
在一种实施方式中，第三级别的区域的分配概率矩阵，是根据第三级别的区域的软分配矩阵、第二级别的区域是否属于第三级别的区域的指示矩阵确定的。
在一种实施方式中，第三级别的区域的软分配矩阵是根据第二级别的区域的邻接矩阵和第一级别的区域的环境上下文特征矩阵确定的。
在一种实施方式中，如图8所示，第三级别的区域之间的空气质量的相关性信息通过装置的下述模块确定：
第二乘法模块81，用于将第三级别的区域的分配概率矩阵的转置矩阵、第一级别的区域的空气质量特征矩阵相乘，得到第三级别的区域的第一节点表征矩阵；
第二图卷积模块82，用于对第三级别的区域的第一节点表征矩阵、第三级别的区域的邻接矩阵进行图卷积操作，得到第三级别的区域的第二节点表征矩阵；
第二门控模块83，用于对第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵进行第二门控操作，得到第三级别的区域之间的空气质量的相关性信息。
在一种实施方式中，如图9所示，第二门控模块包括：
第二激活单元91，用于利用激活函数计算第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第二门控参数矩阵，得到第二门控操作矩阵；
第二乘法单元92，用于将第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵与第二门控操作矩阵相乘。
在一种实施方式中，如图10所示，建立模块包括：
时空相关单元101，用于根据多个区域之间的时空相关性信息，建立空气质量预测模型；时空相关性信息是根据历史时空相关性信息和空间相关性信息确定的。
在一种实施方式中，如图11所示，调整模块包括：
损失值单元111，用于根据观测值和预测值的最小二乘误差，计算损失值；
损失值处理单元112，用于根据损失值，调整空气质量预测模型。
本公开实施例还提供一种空气质量预测装置，如图12所示，包括：
输入模块121，用于将输入数据输入空气质量预测模型，所述空气质量预测模型为本公开任意一项实施例所提供的空气质量预测模型；
空间相关性模块122，用于采用所述空气质量预测模型，根据输入数据获得多个区域的空间相关性信息；
预测模块123，用于采用所述空气质量预测模型，根据多个区域的空间相关性信息得到空气质量预测值。
在一种实施方式中，所述预测模块还用于：
采用所述空气质量预测模型，根据多个区域的空间相关性信息得到多个区域的时空相关性信息；
采用所述空气质量预测模型，根据多个区域的时空相关性信息得到空气质量预测值。
本公开实施例各数据处理装置中的各单元、模块或子模块的功能可以参见上述数据处理方法中的对应描述，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的方法的电子设备130的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。
如图13所示，设备130包括计算单元131，其可以根据存储在只读存储器(ROM)132中的计算机程序或者从存储单元138加载到随机访问存储器(RAM)133中的计算机程序来执行各种适当的动作和处理。在RAM 133中，还可存储设备130操作所需的各种程序和数据。计算单元131、ROM 132以及RAM 133通过总线134彼此相连。输入输出(I/O)接口135也连接至总线134。
设备130中的多个部件连接至I/O接口135，包括：输入单元136，例如键盘、鼠标等；输出单元137，例如各种类型的显示器、扬声器等；存储单元138，例如磁盘、光盘等；以及通信单元139，例如网卡、调制解调器、无线通信收发机等。通信单元139允许设备130通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元131可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元131的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元13执行上文所描述的各个方法和处理，例如空气质量预测模型训练方法。例如，在一些实施例中，空气质量预测模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元138。在一些实施例中，计算机程序的部分或者全部可以经由ROM 132和/或通信单元139而被载入和/或安装到设备130上。当计算机程序加载到RAM 133并由计算单元131执行时，可以执行上文描述的空气质量预测模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元131可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行空气质量预测模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括根据一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (43)

1.一种空气质量预测模型训练方法，其中，所述方法包括：
根据多个区域之间的空间相关性信息，建立空气质量预测模型；
根据多个区域之间的空气质量的观测值以及所述空气质量预测模型输出的多个区域的空气质量的预测值，对所述空气质量预测模型进行调整。
2.根据权利要求1所述的方法，其中，所述多个区域之间的空间相关性信息，包括：
多个级别的区域之间的空间相关性信息。
3.根据权利要求2所述的方法，其中，多个级别的区域之间的空气质量的相关性信息包括：
相同级别的区域之间的空间相关性信息；以及
不同级别的区域之间的空间相关性信息。
4.根据权利要求3所述的方法，其中，所述多个级别的区域包括第一级别的区域，所述第一级别的区域之间的空间相关性信息是根据第一级别的区域的邻接矩阵和第一级别的区域的空气质量特征矩阵确定的。
5.根据权利要求4所述的方法，其中，所述多个级别的区域包括第二级别的区域，所述第二级别的区域之间的空气质量的相关性信息是根据第二级别的区域的邻接矩阵、所述第一级别的区域的空气质量特征矩阵和第二级别的区域的分配概率矩阵确定的。
6.根据权利要求5所述的方法，其中，所述第二级别的区域的邻接矩阵是根据第一级别的区域的邻接矩阵、第二级别的区域的分配概率矩阵确定的。
7.根据权利要求5或6所述的方法，其中，所述多个级别的区域包括第三级别的区域，所述第二级别的区域的分配概率矩阵是根据第二级别的区域的软分配矩阵、第一级别的区域和第二级别的区域是否属于同一个第三级别的区域的指示矩阵确定的。
8.根据权利要求7所述的方法，其中，所述第二级别的区域的软分配矩阵是根据所述第一级别的区域的环境上下文特征和所述第一级别的区域的邻接矩阵确定的。
9.根据权利要求5所述的方法，其中，所述第二级别的区域之间的空气质量的相关性信息的计算方式为：
将所述第一级别的区域的空气质量特征矩阵、和所述第二级别的区域的分配概率矩阵的转置矩阵相乘，得到所述第二级别的区域的第一节点表征矩阵；
对所述第二级别的区域的第一节点表征矩阵、第二级别的区域的邻接矩阵进行图卷积操作，得到所述第二级别的区域的第二节点表征矩阵；
对所述第二级别的区域的第二节点表征矩阵和所述第二级别的区域的分配概率矩阵的乘积进行第一门控操作，得到所述第二级别的区域之间的空气质量的相关性信息。
10.根据权利要求9所述的方法，其中，对所述第二级别的区域的第二节点表征矩阵和所述第二级别的区域的分配概率矩阵的乘积进行第一门控操作，包括：
利用激活函数计算所述第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第一门控参数矩阵，得到所述第一门控操作矩阵；
将所述第一门控操作矩阵、所述第二级别的区域的第二节点表征矩阵和所述第二级别的区域的分配概率矩阵相乘。
11.根据权利要求5所述的方法，其中，所述多个级别的区域包括第三级别的区域，所述第三级别的区域之间的空气质量的相关性信息是根据第三级别的区域的邻接矩阵、第一级别的区域的空气质量特征值矩阵、第三级别的区域的分配概率矩阵、第二级别的区域的分配概率矩阵确定的。
12.根据权利要求11所述的方法，其中，所述第三级别的区域的邻接矩阵是根据第三级别的区域的分配概率矩阵、第一级别的区域的空气质量特征矩阵确定的。
13.根据权利要求11或12所述的方法，其中，所述第三级别的区域的分配概率矩阵，是根据第三级别的区域的软分配矩阵、第二级别的区域是否属于第三级别的区域的指示矩阵确定的。
14.根据权利要求11所述的方法，其中，所述第三级别的区域的软分配矩阵是根据第二级别的区域的邻接矩阵和第一级别的区域的环境上下文特征矩阵确定的。
15.根据权利要求11所述的方法，其中，所述第三级别的区域之间的空气质量的相关性信息的确定方式为：
将第三级别的区域的分配概率矩阵的转置矩阵、第一级别的区域的空气质量特征矩阵相乘，得到所述第三级别的区域的第一节点表征矩阵；
对所述第三级别的区域的第一节点表征矩阵、第三级别的区域的邻接矩阵进行图卷积操作，得到第三级别的区域的第二节点表征矩阵；
对所述第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵进行第二门控操作，得到所述第三级别的区域之间的空气质量的相关性信息。
16.根据权利要求15所述的方法，其中，所述对所述第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵进行第二门控操作，包括：
利用激活函数计算所述第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第二门控参数矩阵，得到所述第二门控操作矩阵；
将所述第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵与第二门控操作矩阵相乘。
17.根据权利要求1-3中任意一项所述的方法，其中，所述根据多个区域之间的空间相关性信息，建立空气质量预测模型，包括：
根据多个区域之间的时空相关性信息，建立所述空气质量预测模型；所述时空相关性信息是根据历史时空相关性信息和所述空间相关性信息确定的。
18.根据权利要求1-3中任一项所述的方法，其中，所述根据多个区域之间的空气质量的观测值以及所述空气质量预测模型输出的多个区域的空气质量的预测值，对所述空气质量预测模型进行调整，包括：
根据所述观测值和所述预测值的最小二乘误差，计算损失值；
根据所述损失值，调整所述空气质量预测模型。
19.一种空气质量预测方法，其中，包括：
将输入数据输入空气质量预测模型，所述空气质量预测模型为权利要求1-18中任意一项所述的空气质量预测模型；
采用所述空气质量预测模型，根据输入数据获得多个区域的空间相关性信息；
采用所述空气质量预测模型，根据多个区域的空间相关性信息得到空气质量预测值。
20.根据权利要求19所述的方法，其中，所述采用所述空气质量预测模型，根据多个区域的空间相关性信息得到空气质量预测值，还包括：
采用所述空气质量预测模型，根据多个区域的空间相关性信息得到多个区域的时空相关性信息；
采用所述空气质量预测模型，根据多个区域的时空相关性信息得到空气质量预测值。
21.一种空气质量预测模型训练装置，其中，所述装置包括：
建立模块，用于根据多个区域之间的空间相关性信息，建立空气质量预测模型；
调整模块，用于根据多个区域之间的空气质量的观测值以及所述空气质量预测模型输出的多个区域的空气质量的预测值，对所述空气质量预测模型进行调整。
22.根据权利要求21所述的装置，其中，所述多个区域之间的空间相关性信息，包括：
多个级别的区域之间的空间相关性信息。
23.根据权利要求22所述的装置，其中，多个级别的区域之间的空气质量的相关性信息包括：
相同级别的区域之间的空间相关性信息；以及
不同级别的区域之间的空间相关性信息。
24.根据权利要求22所述的装置，其中，所述多个级别的区域包括第一级别的区域，所述第一级别的区域之间的空间相关性信息是根据第一级别的区域的邻接矩阵和第一级别的区域的空气质量特征矩阵确定的。
25.根据权利要求24所述的装置，其中，所述多个级别的区域包括第二级别的区域，所述第二级别的区域之间的空气质量的相关性信息是根据第二级别的区域的邻接矩阵、所述第一级别的区域的空气质量特征矩阵和第二级别的区域的分配概率矩阵确定的。
26.根据权利要求25所述的装置，其中，第二级别的区域的邻接矩阵是根据第一级别的区域的邻接矩阵、第二级别的区域的分配概率矩阵确定的。
27.根据权利要求25或26所述的装置，其中，所述多个级别的区域包括第三级别的区域，所述第二级别的区域的分配概率矩阵是根据第二级别的区域的软分配矩阵、第一级别的区域和第二级别的区域是否属于同一个第三级别的区域的指示矩阵确定的。
28.根据权利要求27所述的装置，其中，所述第二级别的区域的软分配矩阵是根据所述第一级别的区域的环境上下文特征和所述第一级别的区域的邻接矩阵确定的。
29.根据权利要求25所述的装置，其中，所述第二级别的区域之间的空气质量的相关性信息通过所述装置的下述模块确定：
第一乘法模块，用于将所述第一级别的区域的空气质量特征矩阵、和所述第二级别的区域的分配概率矩阵的转置矩阵相乘，得到所述第二级别的区域的第一节点表征矩阵；
第一图卷积模块，用于对所述第二级别的区域的第一节点表征矩阵、第二级别的区域的邻接矩阵进行图卷积操作，得到所述第二级别的区域的第二节点表征矩阵；
第一门控模块，用于对所述第二级别的区域的第二节点表征矩阵和所述第二级别的区域的分配概率矩阵的乘积进行第一门控操作，得到所述第二级别的区域之间的空气质量的相关性信息。
30.根据权利要求29所述的装置，其中，所述第一门控模块包括：
第一激活单元，用于利用激活函数计算所述第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第一门控参数矩阵，得到所述第一门控操作矩阵；
第一乘法单元，用于将所述第一门控操作矩阵、所述第二级别的区域的第二节点表征矩阵和所述第二级别的区域的分配概率矩阵相乘。
31.根据权利要求25所述的装置，其中，所述多个级别的区域包括第三级别的区域，所述第三级别的区域之间的空气质量的相关性信息是根据第三级别的区域的邻接矩阵、第一级别的区域的空气质量特征值矩阵、第三级别的区域的分配概率矩阵、第二级别的区域的分配概率矩阵确定的。
32.根据权利要求31所述的装置，其中，所述第三级别的区域的邻接矩阵是根据第三级别的区域的分配概率矩阵、第一级别的区域的空气质量特征矩阵确定的。
33.根据权利要求31或32所述的装置，其中，所述第三级别的区域的分配概率矩阵，是根据第三级别的区域的软分配矩阵、第二级别的区域是否属于第三级别的区域的指示矩阵确定的。
34.根据权利要求31所述的装置，其中，所述第三级别的区域的软分配矩阵是根据第二级别的区域的邻接矩阵和第一级别的区域的环境上下文特征矩阵确定的。
35.根据权利要求31所述的装置，其中，所述第三级别的区域之间的空气质量的相关性信息通过所述装置的下述模块确定：
第二乘法模块，用于将第三级别的区域的分配概率矩阵的转置矩阵、第一级别的区域的空气质量特征矩阵相乘，得到所述第三级别的区域的第一节点表征矩阵；
第二图卷积模块，用于对所述第三级别的区域的第一节点表征矩阵、第三级别的区域的邻接矩阵进行图卷积操作，得到第三级别的区域的第二节点表征矩阵；
第二门控模块，用于对所述第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵进行第二门控操作，得到所述第三级别的区域之间的空气质量的相关性信息。
36.根据权利要求35所述的装置，其中，所述第二门控模块包括：
第二激活单元，用于利用激活函数计算所述第一级别的区域的环境上下文特征矩阵、第一级别的区域的天气特征矩阵、第二门控参数矩阵，得到所述第二门控操作矩阵；
第二乘法单元，用于将所述第二级别的区域的分配概率矩阵、第三级别的区域的分配概率矩阵、第三级别的区域的第二节点表征矩阵与第二门控操作矩阵相乘。
37.根据权利要求21-23中任意一项所述的装置，其中，所述建立模块包括：
时空相关单元，用于根据多个区域之间的时空相关性信息，建立所述空气质量预测模型；所述时空相关性信息是根据历史时空相关性信息和所述空间相关性信息确定的。
38.根据权利要求21-23中任一项所述的装置，其中，所述调整模块包括：
损失值单元，用于根据所述观测值和所述预测值的最小二乘误差，计算损失值；
损失值处理单元，用于根据所述损失值，调整所述空气质量预测模型。
39.一种空气质量预测装置，其中，包括：
输入模块，用于将输入数据输入空气质量预测模型，所述空气质量预测模型为权利要求21-38中任意一项所述的空气质量预测模型；
空间相关性模块，用于采用所述空气质量预测模型，根据输入数据获得多个区域的空间相关性信息；
预测模块，用于采用所述空气质量预测模型，根据多个区域的空间相关性信息得到空气质量预测值。
40.根据权利要求39所述的装置，其中，所述预测模块还用于：
采用所述空气质量预测模型，根据多个区域的空间相关性信息得到多个区域的时空相关性信息；
采用所述空气质量预测模型，根据多个区域的时空相关性信息得到空气质量预测值。
41.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-20中任一项所述的方法。
42.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-20中任一项所述的方法。
43.一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据权利要求1-20中任一项所述的方法。
CN202011548395.0A 2020-12-23 2020-12-23 空气质量预测模型训练方法、空气质量预测方法及装置 Active CN112541302B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011548395.0A CN112541302B (zh) 2020-12-23 2020-12-23 空气质量预测模型训练方法、空气质量预测方法及装置
US17/376,256 US20210342722A1 (en) 2020-12-23 2021-07-15 Air quality prediction model training method, air quality prediction method, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011548395.0A CN112541302B (zh) 2020-12-23 2020-12-23 空气质量预测模型训练方法、空气质量预测方法及装置

Publications (2)

Publication Number Publication Date
CN112541302A true CN112541302A (zh) 2021-03-23
CN112541302B CN112541302B (zh) 2024-02-06

Family

ID=75017326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011548395.0A Active CN112541302B (zh) 2020-12-23 2020-12-23 空气质量预测模型训练方法、空气质量预测方法及装置

Country Status (2)

Country Link
US (1) US20210342722A1 (zh)
CN (1) CN112541302B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879627A (zh) * 2022-12-13 2023-03-31 深圳云天励飞技术股份有限公司 飘落物预测方法、装置、电子设备及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11384950B2 (en) * 2019-01-16 2022-07-12 Airviz Inc. Proactive building air quality management
CN114239380B (zh) * 2021-11-17 2024-05-17 电子科技大学 基于自调整映射法则的矩形稀布阵列优化方法
CN114781581A (zh) * 2022-02-28 2022-07-22 陕西理工大学 基于dnb的大气能见度预测方法
CN114638417B (zh) * 2022-03-21 2024-08-27 南京航空航天大学 一种细粒度空气质量预测方法及系统
CN114647819A (zh) * 2022-03-30 2022-06-21 重庆邮电大学 基于图卷积网络的环境数据的格点处理方法
CN115237896B (zh) * 2022-07-12 2023-07-11 四川大学 一种基于深度学习预报空气质量的数据前处理方法及系统
CN115307780B (zh) * 2022-09-29 2023-01-06 中国海洋大学 基于时空信息交互融合的海表温度预测方法、系统及应用
CN116188921B (zh) * 2022-11-30 2023-10-13 中咨公路养护检测技术有限公司 一种基于多图融合的隧道瓦斯浓度预测方法
CN116759009B (zh) * 2023-06-09 2024-02-02 中科三清科技有限公司 通过机器学习匹配天气型的臭氧预报方法、系统、介质
CN117074627B (zh) * 2023-10-16 2024-01-09 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN117391910B (zh) * 2023-12-07 2024-03-12 中国民航大学 一种机场空气质量动态表征方法及系统
CN117633661B (zh) * 2024-01-26 2024-04-02 西南交通大学 一种基于进化图自监督学习的运渣车高危污染源分类方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200103A (zh) * 2014-09-04 2014-12-10 浙江鸿程计算机系统有限公司 一种基于多领域特征的城市空气质量等级预测方法
US20150117767A1 (en) * 2013-10-31 2015-04-30 International Business Machines Corporation Method and apparatus of determining air quality
CN104850734A (zh) * 2015-04-21 2015-08-19 武大吉奥信息技术有限公司 一种基于时空分布特征的空气质量指数预测方法
CN106156844A (zh) * 2015-03-23 2016-11-23 日本电气株式会社 用于构建时空神经网络和利用其进行预测的方法和设备
US20170184561A1 (en) * 2015-12-28 2017-06-29 International Business Machines Corporation Integrated Air Quality Forecasting
US20180196023A1 (en) * 2017-01-11 2018-07-12 International Business Machines Coporation Air quality forecasting based on dynamic blending
CN108701274A (zh) * 2017-05-24 2018-10-23 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
US20190050762A1 (en) * 2015-09-30 2019-02-14 Coway Co., Ltd. Air Quality Prediction System and Method Through Survey, and Air Quality Prediction Server
CN110363350A (zh) * 2019-07-15 2019-10-22 西华大学 一种基于复杂网络的区域空气污染物分析方法
CN110598953A (zh) * 2019-09-23 2019-12-20 哈尔滨工程大学 一种时空相关的空气质量预测方法
CN111461410A (zh) * 2020-03-10 2020-07-28 北京邮电大学 一种基于迁移学习的空气质量的预测方法及装置
CN111832814A (zh) * 2020-07-01 2020-10-27 北京工商大学 一种基于图注意力机制的空气污染物浓度预测方法
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150117767A1 (en) * 2013-10-31 2015-04-30 International Business Machines Corporation Method and apparatus of determining air quality
CN104200103A (zh) * 2014-09-04 2014-12-10 浙江鸿程计算机系统有限公司 一种基于多领域特征的城市空气质量等级预测方法
CN106156844A (zh) * 2015-03-23 2016-11-23 日本电气株式会社 用于构建时空神经网络和利用其进行预测的方法和设备
CN104850734A (zh) * 2015-04-21 2015-08-19 武大吉奥信息技术有限公司 一种基于时空分布特征的空气质量指数预测方法
US20190050762A1 (en) * 2015-09-30 2019-02-14 Coway Co., Ltd. Air Quality Prediction System and Method Through Survey, and Air Quality Prediction Server
US20170184561A1 (en) * 2015-12-28 2017-06-29 International Business Machines Corporation Integrated Air Quality Forecasting
US20180196023A1 (en) * 2017-01-11 2018-07-12 International Business Machines Coporation Air quality forecasting based on dynamic blending
CN108701274A (zh) * 2017-05-24 2018-10-23 北京质享科技有限公司 一种城市小尺度空气质量指数预测方法与系统
CN110363350A (zh) * 2019-07-15 2019-10-22 西华大学 一种基于复杂网络的区域空气污染物分析方法
CN110598953A (zh) * 2019-09-23 2019-12-20 哈尔滨工程大学 一种时空相关的空气质量预测方法
CN111461410A (zh) * 2020-03-10 2020-07-28 北京邮电大学 一种基于迁移学习的空气质量的预测方法及装置
CN111832814A (zh) * 2020-07-01 2020-10-27 北京工商大学 一种基于图注意力机制的空气污染物浓度预测方法
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张天;毛艳艳;王井阳;王会勇;任朋朋;: "一种基于BP神经网络的空气质量预测方法", 信息通信, no. 11, pages 77 - 79 *
李景富;崔英杰;: "基于多传感器融合的空气质量检测", 现代电子技术, no. 19, pages 179 - 182 *
董婷;赵俭辉;胡勇;: "基于时空优化深度神经网络的AQI等级预测", 计算机工程与应用, no. 21, pages 22 - 28 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879627A (zh) * 2022-12-13 2023-03-31 深圳云天励飞技术股份有限公司 飘落物预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112541302B (zh) 2024-02-06
US20210342722A1 (en) 2021-11-04

Similar Documents

Publication Publication Date Title
CN112541302B (zh) 空气质量预测模型训练方法、空气质量预测方法及装置
Li et al. Urban growth models: progress and perspective
Xu et al. Simulation of urban expansion via integrating artificial neural network with Markov chain–cellular automata
Falah et al. Artificial neural networks for flood susceptibility mapping in data-scarce urban areas
CN112561191B (zh) 预测模型的训练、预测方法、装置、设备、程序和介质
Mirbagheri et al. Improving urban cellular automata performance by integrating global and geographically weighted logistic regression models
Grekousis et al. Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area
Sadeghi-Niaraki et al. Short-term traffic flow prediction using the modified elman recurrent neural network optimized through a genetic algorithm
Gomez et al. Hierarchical infrastructure network representation methods for risk-based decision-making
Li et al. Coupling simulation and optimization to solve planning problems in a fast-developing area
Minglei et al. Classified real-time flood forecasting by coupling fuzzy clustering and neural network
Roy et al. An empirical-based rainfall-runoff modelling using optimization technique
Deng et al. Heterogeneous space–time artificial neural networks for space–time series prediction
Chen et al. Calibrating a Land Parcel Cellular Automaton (LP-CA) for urban growth simulation based on ensemble learning
CN114357105B (zh) 地理预训练模型的预训练方法及模型微调方法
Chen et al. Groundwater level prediction using SOM-RBFN multisite model
CN115545758B (zh) 城市服务设施自适应增量选址的方法和系统
CN112561199A (zh) 天气参数预测模型训练方法、天气参数预测方法及装置
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
Maddu et al. Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks
Zhuang et al. Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation
CN117829375A (zh) 城际往返客运的多区域需求预测方法、装置、设备和介质
Chen et al. A cellular automaton integrating spatial case-based reasoning for predicting local landslide hazards
Huang et al. Application of improved ELM algorithm in the prediction of earthquake casualties
Chang et al. A fuzzy inference system for the conjunctive use of surface and subsurface water

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant