CN112766549A - 一种空气污染物浓度预报方法、装置及存储介质 - Google Patents

一种空气污染物浓度预报方法、装置及存储介质 Download PDF

Info

Publication number
CN112766549A
CN112766549A CN202110017772.6A CN202110017772A CN112766549A CN 112766549 A CN112766549 A CN 112766549A CN 202110017772 A CN202110017772 A CN 202110017772A CN 112766549 A CN112766549 A CN 112766549A
Authority
CN
China
Prior art keywords
data
dimension
neural network
network model
forecasting
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.)
Pending
Application number
CN202110017772.6A
Other languages
English (en)
Inventor
黄高
夏卓凡
宋士吉
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110017772.6A priority Critical patent/CN112766549A/zh
Publication of CN112766549A publication Critical patent/CN112766549A/zh
Priority to US17/562,109 priority patent/US20220214322A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
    • G06M3/00—Counters with additional facilities
    • G06M3/02—Counters with additional facilities for performing an operation at a predetermined value of the count, e.g. arresting a machine
    • G06M3/04—Counters with additional facilities for performing an operation at a predetermined value of the count, e.g. arresting a machine with an additional counter train operating in the reverse direction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Combustion & Propulsion (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)

Abstract

一种空气污染物浓度预报方法、装置及存储介质，所述方法包括：根据数据集构造训练集、验证集和测试集；数据集是通过收集目标地区预定时间长度内的污染物浓度数据和气象数据得到的；根据目标地区中监测站点的空间分布，构造图结构的邻接矩阵A；建立神经网络模型F(x；Θ|A)，x为神经网络模型的输入数据，包括设定时间段内的所述污染物浓度数据和气象数据，利用训练集的数据对神经网络模型进行训练，利用验证集的数据和测试集的数据调整神经网络模型的参数Θ，获得修正后的神经网络模型；利用修正后的神经网络模型进行空气污染物浓度预报。

Description

一种空气污染物浓度预报方法、装置及存储介质
技术领域
本文涉及但不限于空气污染物浓度预报技术，尤其涉及一种空气污染物浓度预报方法、装置及存储介质。
背景技术
通过空气质量监测站进行监测的方法是最常用的空气质量感知和空气污染情况观测的方法，其具有测量精度高、稳定性好等特点。但是我国的监测站点空间分布过于稀疏，很难为分析和研究提供有效而准确的数据。因此，针对现有的数据获取现状，要想对空气污染颗粒物进行有效地分析，采用合理的数据分析方法非常重要。
一些技术中，针对空气污染物浓度的数据建模方法主要包括基于理论的方法以及基于统计的方法，这些方法能够依据历史空气污染物浓度监测数据对当前或未来某一时刻空气污染物浓度进行预报，然而均不能够对空气污染物的时间和空间动态特性进行整合利用，并且泛化能力及预报准确率一般。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种空气污染物浓度预报方法，可以提高泛化能力及预测精度。
本申请实施例提供了一种空气污染物浓度预报方法，包括：
根据数据集构造训练集、验证集和测试集；所述数据集是通过收集目标地区预定时间长度内的污染物浓度数据和气象数据得到的；
根据所述目标地区中监测站点的空间分布，构造图结构的邻接矩阵A；
建立神经网络模型F(x；Θ|A)，x为所述神经网络模型的输入数据，包括设定时间段内的所述污染物浓度数据和气象数据，利用所述训练集的数据对所述神经网络模型进行训练，利用所述验证集的数据和测试集的数据调整所述神经网络模型的参数Θ，获得修正后的神经网络模型；
利用所述修正后的神经网络模型进行空气污染物浓度预报。
本申请实施例还提供了一种空气污染物浓度预报装置，包括存储器和处理器，所述存储器用于保存进行空气污染物浓度预报的程序；所述处理器用于读取所述进行空气污染物浓度预报的程序，并执行如上所述的空气污染物浓度预报方法。
本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的空气污染物浓度预报方法。
本申请实施例采用基于图神经网络的空气污染物浓度预报方法，对空气污染物的时间和空间动态特性进行整合利用，不仅能够更加有效地捕捉更大范围地区的空气污染物浓度变化情况，还提高了预测的效率和准确度，同时具有较高的泛化能力，便于实际应用。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例中空气污染物浓度预报方法的流程图；
图2为本申请实施例中神经网络模型的示意图；
图3为本申请实施例中空气污染物浓度预报装置的示意图；
图4为本申请实施例中又一实现形式的空气污染物浓度预报装置的示意图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
如背景技术中所说的，一些技术中针对空气污染物浓度的数据建模方法主要包括基于理论的方法以及基于统计的方法，本申请发明人在实践中敏锐的发现这些方法存在以下问题：
基于理论的方法又称数值预报，是现代天气预报的常用技术之一。这类方法一般以大气动力学理论为基础，对空气污染物颗粒的分子在大气中的反应以及扩散进行模拟，通过数值计算的方法给出对空气污染物浓度的模拟。这类方法可以较好地给出大气的运动情况，对气象现象的解释性较好。然而，由于气象系统的变化具有极强的非线性和时变特性，基于大气动力学理论的建模对短时间快速变化的动态建模效果不佳，往往在实践中需要采用多个系统联合预报的方式来增强预报的准确度和稳定性。
基于统计方法的预报算法，如：整合移动平均自回归模型(ARIMA)、支持向量机回归(SVR)和深度神经网络等方法，能够在各种场景下使用，由于基于统计的方法抛弃了复杂的机理建模，具有快速、简单、计算量少的特点，适合分析短期时间的变化趋势。
然而，上述这些方法并不能够对空气污染物的时间和空间动态特性进行整合利用，并且泛化能力不强，预报的准确率不高。
如图1所示，本申请实施例提供了一种空气污染物浓度预报方法，包括：
S100：根据数据集构造训练集、验证集和测试集；数据集是通过收集目标地区预定时间长度内的污染物浓度数据和气象数据得到的；
S101：根据目标地区中监测站点的空间分布，构造图结构的邻接矩阵A；
S102：建立神经网络模型F(x；Θ|A)，x为神经网络模型的输入数据，包括设定时间段内的污染物浓度数据和气象数据，利用训练集的数据对神经网络模型进行训练，利用验证集的数据和测试集的数据调整神经网络模型的参数Θ，获得修正后的神经网络模型；
S103：利用修正后的神经网络模型进行空气污染物浓度预报。
在执行步骤S100时，可以根据需求选择任意目标地区，如以省、市、县等为单位进行选择，也可以只选定某一片区域，不限于某行政划界，本申请实施例对此不作限制。
在选定目标地区后，收集该目标地区在预定时间长度内的污染物浓度数据和气象数据，该“预定时间长度”可以根据实际的需求进行设置，如可以设置为3个月以上的时间长度，数据的时间分辨率可以根据需要进行设置，如可以设置为1小时。空气污染物浓度数据，可以包括PM10、PM2.5、O3、SO2、NOx等的浓度数据，气象数据，可以包括温度、湿度、风速、风向、大气压强等。对所收集到的预定长度的时间内的污染物浓度数据和气象数据，可以利用线性插值模型计算后补充其中的缺失值，即利用缺失部分前后时间段内多个数据点的线性平均值来填充时间上缺失的数据点的值，并在整理后得到数据集。在得到数据集后，可以利用数据集来构造训练集、验证集和测试集，以对神经网络模型进行训练和调整。
在步骤S101中的目标地区中监测站点的空间分布，指的是目标地区中所布置的空气质量监测站的空间分布。
在确定目标地区后，可以先收集整理数据集，也可以先构造图结构的邻接矩阵A，这两步的执行顺序可以根据需要进行选择。
在步骤S102中，神经网络模型F(x；Θ|A)的输入数据x，可以包括设定时间段内的污染物浓度数据和气象数据，用户可以根据需要设置该“设定时间段”的长度，神经网络模型可以基于对设定时间段内的污染物浓度数据和气象数据的分析，来预测未来一段时间内(未来的时间段长度也可以由用户设置)的污染物浓度数据。可以基于梯度来优化神经网络模型的参数Θ，如采用自适应动量算法Adam，这一算法能够使优化模型参数的过程收敛更快，有助于通过更少的步数达到最优解。本申请实施例对优化神经网络模型的参数Θ的方法不作限制。
利用验证集中的验证数据Xval和测试集中的测试数据Xtest对训练得到的模型参数Θ作进一步修正，即根据神经网络模型在验证数据集上的表现来调整参数Θ，以提高神经网络模型的预测精度，获取更佳的泛化性能。
本申请实施例基于图神经网络、利用深度学习算法对空气污染物浓度进行预报，通过将目标地区中所布置的空气质量监测站的空间分布构造为图结构的邻接矩阵，使用图神经网络建模地区中空气污染物浓度的空间变化，能够更加有效地捕捉更大范围地区的空气污染物浓度变化情况，并且，通过与目标地区预定长度的时间内的污染物浓度数据和气象数据结合起来进行建模分析，有效整合利用了空气污染物的时间和空间动态特性，提高了预测精度，并获得了较强的泛化能力。
一种示例性的实施例中，根据数据集构造训练集、验证集和测试集，包括：
从数据集中读取污染物浓度数据和气象数据，其中，污染物浓度数据包括各个污染物浓度的值，气象数据包括各种气象条件的值；
根据预报需要的输入时间长度tin、输出时间长度tout，将数据集在时间维度上进行滑窗切片操作后获得多个数据片段，该多个数据片段在时间维度上的长度均为t，该多个数据片段的特征维度为各种气象条件的值以及各个污染物浓度的值，其中，t＝tin+tout；
根据获得的多个数据片段构造训练集、验证集和测试集。
上述步骤S103中的利用修正后的神经网络模型进行空气污染物浓度预报，可以是神经网络模型对输入时间长度tin内的数据进行分析，并据此预测输出时间长度tout内的污染物浓度数据。因此事先将数据集中的数据划分为多个数据片段，每个数据片段在时间维度上的长度t＝tin+tout，并根据获得的多个数据片段构造训练集、验证集和测试集，能够方便的对神经网络模型进行训练和参数调整。
输入时间长度tin和输出时间长度tout可以根据需要进行设置，如可以设置tin为72小时，tout为24小时，本申请实施例对此不作限制。
在构造训练集、验证集和测试集时，可以根据需要在多个数据片段中进行选取，也可以按照一定的比例进行划分，如：可以在数量上将数据集的所有数据片段划分为70％，10％和20％的比例，并分别分配给训练集、验证集和测试集。本申请实施例对构造训练集、验证集和测试集时的数据选择或划分的方式不作限制。
图2为本申请实施例中神经网络模型的示意图，下面结合图2对本申请实施例的空气污染物浓度预报方法进行说明。
一种示例性的实施例中，利用训练集对神经网络模型进行训练，包括：
将训练集中的数据(x，y)按批量送入神经网络模型F(x；Θ|A)进行训练，得到预测的输出
Figure BDA0002887586010000071
计算损失函数
Figure BDA0002887586010000072
基于梯度下降算法优化模型的参数Θ；
其中，y为污染物浓度数据；神经网络模型F(x；Θ|A)包括：输入层、隐藏层和输出层，隐藏层包括多个基于图卷积层和一维卷积层的自注意力模块。
可以根据需要划分训练集数据Xtrain的批次和批量，并按批量将(x，y)∈Xtrain送入神经网络模型进行训练，本申请实施例对训练集数据的划分方式不作限制。
一种示例性的实施例中，神经网络模型F(x；Θ|A)可以包括：一层线性输入层、隐藏层和一层线性输出层，一层线性输入层和一层线性输出层可以对各自层的输入数据作线性映射，假设输入为x，输出为y，那么线性层可以表达为y＝xw+b，其中w和b为线性层参数，线性输入层和线性输出层的线性层参数可以根据需要设置，本申请实施例对此不作限制。
神经网络模型F(x；Θ|A)的隐藏层可以包括两组基于自注意力机制的模块的堆叠，如时间自注意力模块和图节点自注意力模块。通过引入基于自注意力机制的模块，可以有效地提高网络提取特征的能力，利用数据更加充分，有助于提高预测的效率和准确度，同时使构建的神经网络模型具有较高的泛化能力，便于实际应用，具有较大的现实意义。
一种示例性的实施例中，根据目标地区中监测站点的空间分布，构造图结构的邻接矩阵A，包括：
从数据集中读取监测站点的经度纬度坐标，转换为笛卡尔坐标系下的相对坐标，根据监测站点的两两间距离构造如下邻接矩阵：
Figure BDA0002887586010000073
其中，Aij为邻接矩阵的第i行第j列的元素，dij表示监测站点i与监测站点j之间的距离，σ为所有监测站点间距离的标准差，κ为预设的超参数，用于保证邻接矩阵稀疏性。
预设的超参数κ(即Kappa)用于保证在邻接矩阵中存在足够多的0，以此来保证图连接的稀疏性，本申请实施例中设置κ为0.1，然而该值可以依据需求进行设置，本申请实施例对此不作限制。
根据空气质量监测站点的经度纬度坐标，可以获取监测站的空间分布情况，空气污染物浓度数据的捕捉范围更广，结合目标地区一段时间内的空气污染物浓度数据，即能够联合地建模空气污染物浓度的时空变化特性，使整个模型拥有更强的表达能力，预测精度更高。
一种示例性的实施例中，神经网络模型F(x；Θ|A)的输入数据x在特征维度上进行过z-score标准化处理，以使输入数据x具有零均值和单位标准差，即：
Figure BDA0002887586010000081
其中，上标(c)表示第c个特征维度，
Figure BDA0002887586010000082
表示在第c个特征维度上进行过z-score标准化处理的输入数据x，μ表示数据点的平均值，σ表示所有监测站点间距离的标准差；将输入数据x在特征维度上进行z-score标准化处理后，输入数据x具有零均值和单位标准差，此时输入神经网络模型F(x；Θ|A)进行训练，更加利于神经网络模型进行学习。
神经网络模型的输入数据x的构成张量的维度是N×T×G×C，其中，N表示批量，T表示时间，G表示图节点，C表示特征维度，下同。
一种示例性的实施例中，数据在隐藏层中按照如下顺序进行运算：
先进行时间自注意力运算，然后进行一次时间维度上的带门控线性激活的一维卷积运算，一次图节点自注意力运算，一次图节点维度带残差连接的一阶Chebyshev图卷积运算，一次时间维度上带残差连接的一维卷积运算；
其中，上述运算中，将顺序在先的运算结果数据作为下一运算的输入数据进行运算。
可以是由隐藏层中的自注意力模块执行上述运算。
一种示例性的实施例中，时间自注意力运算，包括：
当时间自注意力运算的输入数据x1的维度为N×T×G×C时，将输入数据x1分别通过两个图卷积层
Figure BDA0002887586010000091
和θG进行运算，运算后分别得到
Figure BDA0002887586010000092
和z2＝θG(x1|A)；
将运算后得到的特征z1，z2变形维度为N×T×GC，并在最后一维上按批量矩阵乘法之后按行做softmax运算，得到自注意力关系
Figure BDA0002887586010000093
自注意力关系a1的维度是N×T×T；
再将自注意力关系a1按批量右乘在输入数据x1的线性映射上，并乘以预设的缩放因子γ后，变形为N×T×G×C，然后与输入数据x1相加，得到时间自注意力运算结果y1并输出，即y1＝x1+γbmm(ψ(x1)，a1)，其中ψ为线性层，y1为时间自注意力模块的输出。缩放因子γ用于保证注意力的改变幅度足够小，使得神经网络模型更容易训练，可以设置缩放因子γ的值为0.1，然而本申请实施例对缩放因子γ的值的设置不作限制。
一种示例性的实施例中，时间维度上的带门控线性激活的一维卷积运算，包括：
当时间维度上的带门控线性激活的一维卷积运算的输入数据x2的维度为N×L×C1时，门控线性激活对输入数据x2在维度L上进行卷积运算，得到输出z，z的维度为N×L×2C2，其中，L为单个样本长度，C1为输入数据x2的特征维度，C2为设定的输出的维度；
将z按照特征维度对半拆分为z3，z4，z3，z4的维度均为N×L×C2，将z3经过sigmoid函数激活后按元素乘z4得到运算结果y2并输出，即
Figure BDA0002887586010000094
其中，
Figure BDA0002887586010000095
表示逐元素相乘，y2为带门控线性激活的一维卷积模块的输出。
一种示例性的实施例中，图节点自注意力运算，包括：
当图节点自注意力运算的输入数据x3的维度为N×T×G×C时，将输入数据x3分别通过两个一维卷积层
Figure BDA0002887586010000096
和θT进行运算，运算后分别得到
Figure BDA0002887586010000097
和z6＝θT(x3)；
将运算后得到的特征z5，z6变形维度为N×G×TC，并在最后一维上按批量矩阵乘法之后按行做softmax运算，得到自注意力关系
Figure BDA0002887586010000098
自注意力关系a2的维度是N×G×G；
再将自注意力关系a2按批量右乘在输入数据x3的线性映射上，并乘以预设的缩放因子γ后，变形为N×T×G×C，然后与输入数据x3相加得到图节点自注意力运算结果y3并输出，即y3＝x3+γbmm(ψ(x3)，a2)，其中ψ为线性层。
一种示例性的实施例中，图节点维度带残差连接的一阶Chebyshev图卷积运算，包括：
对每个节点，分别计算其本身和一跳邻域内的其他节点的特征，并按照度矩阵对称归一化，即
Figure BDA0002887586010000101
其中，θ为参数，x4为进行图节点维度带残差连接的一阶Chebyshev图卷积运算的输入数据，D为对称矩阵，Dii＝∑jAij是图的度矩阵；
进行一阶Chebyshev图卷积运算后，得到结果y4并输出，y4＝x4+LReLU(gθ(x4))，LReLU为LeakyReLU激活函数，其负半轴斜率可以设置为0.1，本申请实施例对此不作限制。y4为Chebyshev图卷积模块的输出。
一种示例性的实施例中，可以采用本领域技术人员公知的方式进行时间维度上带残差连接的一维卷积运算，在此不再赘述。
一种示例性的实施例中，损失函数为平滑的一范数损失函数，
对每个预测值
Figure BDA0002887586010000102
计算误差的值ei，
Figure BDA0002887586010000103
其中，s为控制误差大小的超参数，当ei＜1时，损失函数为
Figure BDA0002887586010000104
当ei≥1时，损失函数为li＝ei-0.5，总损失函数为
Figure BDA0002887586010000106
采用平滑的一范数损失函数，能够使神经网络模型的训练过程更加稳定，能够加速收敛，也可以使用二范数、一范数等用于回归问题的损失函数，本申请实施例对损失函数的选择不作限定。
与传统方法以及其他基于深度学习的空气污染物浓度预报方法相比，本申请实施例的方法收集长时间内目标区域的多个空气质量监测站的空气数据；将这些数据预处理后得到训练、验证和测试用的数据集；使用训练数据训练基于图神经网络的深度学习模型，迭代地计算并优化损失函数，获得预报能力更强的模型。该方法联合地建模了空气污染物浓度地时空变化特性，并引入了自注意力机制，具有更强的表达能力，有效地降低了空气污染物浓度预测的误差。
如图3所示，本申请实施例还提供一种空气污染物浓度预报装置，包括存储器和处理器，存储器用于保存进行空气污染物浓度预报的程序；处理器用于读取进行空气污染物浓度预报的程序，并执行上述任一实施例中的空气污染物浓度预报方法。
一种示例性的实施例中，如图4所示，本申请实施例提供的空气污染物浓度预报装置，可以包括接收模块、预处理模块、构建模块、学习模块和输出模块。
图4中空气污染物浓度预报装置的接收模块，用于接收用户的设置，如：选择的目标地区，需要哪些种类的空气污染物浓度数据和气象数据，输入时间长度、输出时间长度、数据的时间分辨率，以及训练集、验证集和测试集的数据分配比例，神经网络模型需要用到的超参数等在上述实施例中需要由用户初始设置的内容。可以由接收模块提供准备好的配置选项供用户进行选择(如在面板上展示出可配置的选项，由用户自行选择、填写或删除)，也可以由用户直接输入，用户可以一次性输入所有的设置参数，也可以按照前述的方法流程分步骤的进行输入，本申请实施例对接收模块接收用户设置的方式和形式不作限制。
在接收模块接收到用户的设置后，针对预先设置的多个传感器所采集到的数据：
由预处理模块根据用户的设置对空气污染物浓度数据和气象数据等数据进行补充缺失值、切片处理等预处理操作，并整理得到数据集，在此基础上构建训练集、验证集和测试集；
由构建模块根据监测站点的空间分布的数据构造图结构的邻接矩阵A。
学习模块根据预处理模块和构建模块发送来的数据，以及用户的设置建立神经网络模型F(x；Θ|A)，并执行对神经网络模型的训练和参数调整的过程，获得修正后的神经网络模型；然后根据用户的设置规则(如输入时间长度、输出时间长度等)，利用修正后的神经网络模型进行空气污染物浓度预报，由输出模块输出预报结果。
该空气污染物浓度预报装置可以实现上述任一实施例中空气污染物浓度的预报方法，实现的细节在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一实施例中的空气污染物浓度预报方法。
下面以示例一来对本申请实施例中的空气污染物浓度预报方法进行说明：
示例一
首先，选择一目标城市，收集目标城市从2017年9月1日0时到2018年3月31日23时，每隔1小时的空气污染物浓度数据，包括：PM10、PM2.5、O3、SO2、NOx等，和气象数据，包括：温度、湿度、风速、风向、大气压强等；利用数据缺失点前20个和后20个数据点的线性平均值来填充时间上缺失的数据点的值补充缺失值，整理成数据集。
再根据进行预报需要的输入时间长度tin＝72h、输出时间长度tout＝24h，将数据集在时间维度上执行滑窗切片操作，使得每个数据片段的长度t＝tin+tout＝96h，并在此基础上构造训练集、验证集和测试集，其比例分别为70％，10％和20％。
此外，根据目标城市的35个监测站点的空间分布构造图结构的邻接矩阵A，方法是将各个监测站点的经度纬度坐标转换为笛卡尔坐标系下的相对坐标，计算站点间的两两距离，构造如下邻接矩阵：
Figure BDA0002887586010000121
其中，dij表示监测站点i与监测站点j之间的距离，σ为所有距离的标准差，κ＝0.1为保证邻接矩阵稀疏性的超参数，Ajj为邻接矩阵的第i行第j列的元素。
然后，建立神经网络模型F(x；Θ|A)，该模型由一层输入线性层、两层自注意力模块和一层输出线性层组成，内部的特征维度为128。自注意力模块对输入的数据先进行时间自注意力运算，然后进行一次时间维度上的带门控线性激活的一维卷积运算，一次图节点自注意力运算，一次图节点维度带残差连接的一阶Chebyshev图卷积运算，一次时间维度上带残差连接的一维卷积运算。
对时间自注意力模块：输入数据x1的维度为N×T×G×C，将其分别通过两个图卷积层计算得到
Figure BDA0002887586010000131
和z2＝θG(x1|A)，其中
Figure BDA0002887586010000132
和θG表示图卷积层；将变换后的特征z1，z2变形维度为N×T×GC，并在最后一维上按批量矩阵乘法之后按行做softmax运算，得到自注意力关系
Figure BDA0002887586010000133
维度是N×T×T；再将此关系按批量右乘在输入数据x1的线性映射上，并乘以缩放因子γ＝0.1，最后变形为N×T×G×C，与输入数据x1相加，即y1＝x1+γbmm(ψ(x1)，a)，其中ψ为线性层，得到模块输出。
对带门控线性激活的一维卷积模块：输入数据x2的维度为N×L×C1，其中，L为单个样本长度，C1为输入数据特征维度，门控线性激活对输入数据x2在维度L上进行卷积运算，得到输出z维度为N×L×2C2，其中C2为设定模块输出的维度。将z按照特征维度对半拆分为z3，z4，z3，z4的维度均为N×L×C2，将z3经过sigmoid函数激活后按元素乘z4得到模块的输出
Figure BDA0002887586010000134
Figure BDA0002887586010000135
其中
Figure BDA0002887586010000136
表示逐元素相乘。
对图节点自注意力模块：输入数据x3的维度为N×T×G×C，将其分别通过两个一维卷积层计算得到
Figure BDA0002887586010000137
和z6＝θT(x3)，其中
Figure BDA0002887586010000138
和θT表示一维卷积层；将变换后的特征z5，z6变形维度为N×G×TC，并在最后一维上按批量矩阵乘法之后按行做softmax运算，得到自注意力关系
Figure BDA0002887586010000139
维度是N×G×G；再将此关系按批量右乘在输入数据的线性映射上，并乘以缩放因子γ＝0.1，最后变形为N×T×G×C，与输入数据x3相加，即y3＝x3+γbmm(ψ(x3)，a2)，其中ψ为线性层，得到模块输出y3。
对Chebyshev图卷积模块：对每个节点，计算其本身和一跳邻域内的其他节点的特征，并按照度矩阵对称归一化，即
Figure BDA0002887586010000141
Figure BDA0002887586010000142
其中，θ为参数，D为对称矩阵，Dii＝∑jAij是图的度矩阵，输出为y4＝x4+LReLU(gθ(x4))，LReLU为LeakyReLU激活函数，这里取其负半轴斜率为0.1。
将训练集数据(x，y)∈Xtrain按批量送入神经网络模型进行训练，输入数据x的维度是N(批量)×T(时间)×G(图节点)×C(特征维度)，输入神经网络模型之前要在特征维度上做z-score标准化，使其具有零均值和单位标准差，即：
Figure BDA0002887586010000143
其中，上标(c)表示第c个特征维度，μ表示数据点的平均值，σ表示数据点的标准差，输入后经过如上所述的计算后，得到预测的输出
Figure BDA0002887586010000144
计算损失函数
Figure BDA0002887586010000145
并基于梯度优化模型的参数Θ。
在训练时，使用的损失函数为平滑的一范数损失函数，对每个预测值
Figure BDA0002887586010000146
计算
Figure BDA0002887586010000147
其中s为控制误差大小的超参数，当ei＜1时，损失函数
Figure BDA0002887586010000148
当ei≥1时损失函数为li＝ei-0.5，总损失函数为
Figure BDA00028875860100001410
训练过程中对网络中所有层使用标准差为0.01的初始化，使用Adam优化器，学习率为0.01，在训练集上训练100轮，每轮训练监测验证集的平均绝对误差(MAE)，当验证集误差持续10轮不再下降时停止训练，否则持续训练；在第30，65，95轮时学习率下降为之前的0.1；同时，对模型施加强度为0.0005的L2正则化，防止过拟合。
最后，通过验证数据Xval和测试数据Xtest微调训练得到的模型参数，即将测试集中的空气污染物浓度数据输入到训练好的模型中，根据在测试集上的表现进一步修正模型的超参数，重新训练以提高模型精度，将该修正后的神经网络模型作为空气污染物浓度预报模型。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (13)

1.一种空气污染物浓度预报方法，其特征在于，包括：
根据数据集构造训练集、验证集和测试集；所述数据集是通过收集目标地区预定时间长度内的污染物浓度数据和气象数据得到的；
根据所述目标地区中监测站点的空间分布，构造图结构的邻接矩阵A；
建立神经网络模型F(x；Θ|A)，x为所述神经网络模型的输入数据，包括设定时间段内的所述污染物浓度数据和气象数据，利用所述训练集的数据对所述神经网络模型进行训练，利用所述验证集的数据和测试集的数据调整所述神经网络模型的参数Θ，获得修正后的神经网络模型；
利用所述修正后的神经网络模型进行空气污染物浓度预报。
2.根据权利要求1所述的空气污染物浓度预报方法，其特征在于，所述根据所述数据集构造训练集、验证集和测试集，包括：
从所述数据集中读取污染物浓度数据和气象数据，其中，所述污染物浓度数据包括各个污染物浓度的值，所述气象数据包括各种气象条件的值；
根据预报需要的输入时间长度tin、输出时间长度tout，将所述数据集在时间维度上进行滑窗切片操作后获得多个数据片段，所述多个数据片段在时间维度上的长度均为t，所述多个数据片段的特征维度为各种气象条件的值以及各个污染物浓度的值，其中，t＝tin+tout；
根据所述获得的多个数据片段构造训练集、验证集和测试集。
3.根据权利要求1所述的空气污染物浓度预报方法，其特征在于，所述利用所述训练集的数据对所述神经网络模型进行训练，包括：
将所述训练集中的数据(x，y)按批量送入所述神经网络模型进行训练，得到预测的输出
Figure FDA0002887579000000011
计算损失函数
Figure FDA0002887579000000012
基于梯度下降算法优化模型的参数Θ；
其中，y为污染物浓度数据；所述神经网络模型包括：输入层、隐藏层和输出层，所述隐藏层包括多个基于图卷积层和一维卷积层的自注意力模块。
4.根据权利要求1所述的空气污染物浓度预报方法，其特征在于，所述根据所述目标地区中监测站点的空间分布，构造图结构的邻接矩阵A，包括：
从所述数据集中读取所述监测站点的经度纬度坐标，转换为笛卡尔坐标系下的相对坐标，根据所述监测站点的两两间距离构造如下邻接矩阵：
Figure FDA0002887579000000021
其中，Aij为邻接矩阵的第i行第j列的元素，dij表示监测站点i与监测站点j之间的距离，σ为所有监测站点间距离的标准差，κ为预设的超参数，用于保证邻接矩阵稀疏性。
5.根据权利要求1-4中任一项所述的空气污染物浓度预报方法，其特征在于，所述神经网络模型的输入数据x在特征维度上进行过z-score标准化处理，以使所述输入数据x具有零均值和单位标准差，即
Figure FDA0002887579000000022
其中，上标(c)表示第c个特征维度，
Figure FDA0002887579000000023
表示在第c个特征维度上进行过所述z-score标准化处理的输入数据x，μ表示数据点的平均值，σ表示所有监测站点间距离的标准差；
所述神经网络模型的输入数据x的构成张量的维度是N×T×G×C；
其中，N表示批量，T表示时间，G表示图节点，C表示特征维度。
6.根据权利要求3所述的空气污染物浓度预报方法，其特征在于，数据在所述隐藏层中按照如下顺序进行运算：
先进行时间自注意力运算，然后进行一次时间维度上的带门控线性激活的一维卷积运算，一次图节点自注意力运算，一次图节点维度带残差连接的一阶Chebyshev图卷积运算，一次时间维度上带残差连接的一维卷积运算；
其中，上述运算中，将顺序在先的运算结果数据作为下一运算的输入数据进行运算。
7.根据权利要求6所述的空气污染物浓度预报方法，其特征在于，所述时间自注意力运算，包括：
当时间自注意力运算的输入数据x1的维度为N×T×G×C时，将所述输入数据x1分别通过两个图卷积层
Figure FDA0002887579000000031
和θG进行运算，运算后分别得到
Figure FDA0002887579000000032
和z2＝θG(x1|A)；
将所述z1，z2变形维度为N×T×GC，并在最后一维上按批量矩阵乘法之后按行做softmax运算，得到自注意力关系
Figure FDA0002887579000000033
所述自注意力关系a1的维度是N×T×T；
再将所述自注意力关系a1按批量右乘在输入数据x1的线性映射上，并乘以预设的缩放因子γ后，变形为N×T×G×C，然后与输入数据x1相加得到所述时间自注意力运算结果y1并输出。
8.根据权利要求6所述的空气污染物浓度预报方法，其特征在于，所述时间维度上的带门控线性激活的一维卷积运算，包括：
当时间维度上的带门控线性激活的一维卷积运算的输入数据x2的维度为N×L×C1时，对输入数据x2在维度L上进行卷积运算的结果进行激活，得到输出z，所述z的维度为N×L×2C2，其中，L为单个样本长度，C1为输入数据x2的特征维度，C2为设定的输出的维度；
将z按照特征维度对半拆分为z3，z4，所述z3，z4的维度均为N×L×C2，将z3经过sigmoid函数激活后按元素乘z4得到运算结果y2并输出，
Figure FDA0002887579000000034
Figure FDA0002887579000000035
其中，
Figure FDA0002887579000000036
表示逐元素相乘。
9.根据权利要求6所述的空气污染物浓度预报方法，其特征在于，所述图节点自注意力运算，包括：
当图节点自注意力运算的输入数据x3的维度为N×T×G×C时，将所述输入数据x3分别通过两个一维卷积层
Figure FDA0002887579000000037
和θT进行运算，运算后分别得到
Figure FDA0002887579000000038
和z6＝θT(x3)；
将所述z5，z6变形维度为N×G×TC，并在最后一维上按批量矩阵乘法之后按行做softmax运算，得到自注意力关系
Figure FDA0002887579000000039
所述自注意力关系a2的维度是N×G×G；
再将所述自注意力关系a2按批量右乘在输入数据x3的线性映射上，并乘以预设的缩放因子γ后，变形为N×T×G×C，然后与输入数据x3相加得到所述图节点自注意力运算结果y3并输出。
10.根据权利要求6所述的空气污染物浓度预报方法，其特征在于，所述图节点维度带残差连接的一阶Chebyshev图卷积运算，包括：
对每个节点，分别计算其本身和一跳邻域内的其他节点的特征，并按照度矩阵对称归一化，即
Figure FDA0002887579000000041
其中，θ为参数，x4为进行所述图节点维度带残差连接的一阶Chebyshev图卷积运算的输入数据，D为对称矩阵，Dii＝∑jAij是图的度矩阵；
进行一阶Chebyshev图卷积运算后，得到结果y4并输出，y4＝x4+LReLU(gθ(x4))，LReLU为LeakyReLU激活函数。
11.根据权利要求3所述的空气污染物浓度预报方法，其特征在于，所述损失函数为平滑的一范数损失函数，
对每个预测值
Figure FDA0002887579000000042
计算误差的值ei，
Figure FDA0002887579000000043
其中，s为控制误差大小的超参数，当ei＜1时，损失函数为
Figure FDA0002887579000000044
当ei≥1时，损失函数为li＝ei-0.5，总损失函数为
Figure FDA0002887579000000045
12.一种空气污染物浓度预报装置，包括存储器和处理器，其特征在于，所述存储器用于保存进行空气污染物浓度预报的程序；所述处理器用于读取所述进行空气污染物浓度预报的程序，并执行如权利要求1-11中任一项所述的空气污染物浓度预报方法。
13.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-11中任一项所述的方法。
CN202110017772.6A 2021-01-07 2021-01-07 一种空气污染物浓度预报方法、装置及存储介质 Pending CN112766549A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110017772.6A CN112766549A (zh) 2021-01-07 2021-01-07 一种空气污染物浓度预报方法、装置及存储介质
US17/562,109 US20220214322A1 (en) 2021-01-07 2021-12-27 Air pollutants concentration forecasting method and apparatus and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110017772.6A CN112766549A (zh) 2021-01-07 2021-01-07 一种空气污染物浓度预报方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112766549A true CN112766549A (zh) 2021-05-07

Family

ID=75700616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110017772.6A Pending CN112766549A (zh) 2021-01-07 2021-01-07 一种空气污染物浓度预报方法、装置及存储介质

Country Status (2)

Country Link
US (1) US20220214322A1 (zh)
CN (1) CN112766549A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113641918A (zh) * 2021-08-16 2021-11-12 江苏云居检测技术有限公司 一种基于大数据的区域空气环境质量监测系统及方法
CN113830896A (zh) * 2021-09-27 2021-12-24 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114023399A (zh) * 2021-11-15 2022-02-08 上海乘安科技集团有限公司 一种基于人工智能的空气颗粒物分析预警方法和装置
CN114298389A (zh) * 2021-12-22 2022-04-08 中科三清科技有限公司 一种臭氧浓度预报方法及装置
WO2023123926A1 (zh) * 2021-12-28 2023-07-06 苏州浪潮智能科技有限公司 人工智能任务处理方法、装置、电子设备及可读存储介质

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8271980B2 (en) 2004-11-08 2012-09-18 Adaptive Computing Enterprises, Inc. System and method of providing system jobs within a compute environment
US20230367800A1 (en) * 2022-05-13 2023-11-16 S&P Global Inc. Information Extraction for Unstructured Text Documents
CN114626512B (zh) * 2022-05-17 2022-09-06 南京信息工程大学 一种基于有向图神经网络的高温灾害预报方法
CN115345075B (zh) * 2022-08-17 2023-04-18 北京城市气象研究院 一体化气溶胶污染气象指数-气溶胶浓度估算方法及系统
CN115436570B (zh) * 2022-08-25 2023-07-07 二十一世纪空间技术应用股份有限公司 一种基于多元数据的二氧化碳浓度遥感监测方法及装置
CN115455814B (zh) * 2022-08-31 2023-05-12 南京云创大数据科技股份有限公司 基于深度学习的污染源查找及污染物分布预测方法及系统
CN115310367A (zh) * 2022-09-01 2022-11-08 康志文 一种基于lstm神经网络的矿井空气质量监测系统
CN116484995B (zh) * 2022-09-19 2023-10-27 北京城市气象研究院 一种快速预报区域大气气溶胶浓度的方法及系统
CN115453070B (zh) * 2022-11-09 2023-03-10 安徽皖欣环境科技有限公司 一种用于智慧环保管家的污染物预警方法
CN116008481B (zh) * 2023-01-05 2024-06-25 山东理工大学 基于大范围地面监测站点的空气污染物监测方法、装置
CN115907436B (zh) * 2023-01-10 2023-05-05 河海大学 基于量质耦合预报的水资源水环境调控方法和系统
CN115840881B (zh) * 2023-02-15 2023-07-04 湖南红普创新科技发展有限公司 空气数据处理方法、装置及相关设备
CN115983495B (zh) * 2023-02-20 2023-08-11 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于RFR-Net的全球中性大气温度密度预测方法及设备
CN115983725B (zh) * 2023-03-20 2023-06-16 四川国蓝中天环境科技集团有限公司 一种基于移动站监测数据的污染物空间分布趋势挖掘方法
CN116307212B (zh) * 2023-03-24 2023-12-19 淮阴工学院 一种空气质量预测方法及系统
CN116448966B (zh) * 2023-06-15 2023-09-12 吉林省中农阳光数据有限公司 基于智能物联网和深度学习相结合的空气质量评估方法
CN116721711B (zh) * 2023-06-19 2023-12-01 太原科技大学 基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统
CN116541767A (zh) * 2023-07-05 2023-08-04 中国农业大学 一种基于图神经网络的多元温室环境参数预测方法及系统
CN116776745B (zh) * 2023-08-18 2023-10-24 南昌云宜然科技有限公司 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统
CN117058549B (zh) * 2023-08-21 2024-02-20 中科三清科技有限公司 一种多行业二次污染动态来源解析系统及解析方法
CN116862079B (zh) * 2023-09-04 2023-12-05 应辉环境科技服务(烟台)有限公司 一种企业污染物排放预测方法及预测系统
CN116994146B (zh) * 2023-09-26 2023-12-29 航天宏图信息技术股份有限公司 基于sl4did近地面污染物短临预报方法、装置及设备
CN117313551A (zh) * 2023-11-28 2023-12-29 中国科学院合肥物质科学研究院 基于gat-lstm的放射性核素扩散预测方法及系统
CN117390464B (zh) * 2023-12-11 2024-03-08 唐山华洋自动化有限公司 基于kafka技术的分布式大气污染监测方法及系统
CN117909931A (zh) * 2024-01-19 2024-04-19 江苏智伦数字技术研究有限公司 一种空气质量的推断方法、终端及储存介质
CN117592005B (zh) * 2024-01-19 2024-04-26 中国科学院空天信息创新研究院 Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN117612644B (zh) * 2024-01-23 2024-04-09 上海凌泽信息科技有限公司 一种空气安全评价方法及系统
CN117972593B (zh) * 2024-03-27 2024-06-04 中科三清科技有限公司 一种典型重污染历史案例库分析的长期预报预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492822A (zh) * 2018-11-24 2019-03-19 上海师范大学 空气污染物浓度时空域关联预测方法
KR20190118387A (ko) * 2018-04-10 2019-10-18 배재대학교 산학협력단 합성곱 신경망 기반 이미지 처리 시스템 및 방법
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190118387A (ko) * 2018-04-10 2019-10-18 배재대학교 산학협력단 합성곱 신경망 기반 이미지 처리 시스템 및 방법
CN109492822A (zh) * 2018-11-24 2019-03-19 上海师范大学 空气污染物浓度时空域关联预测方法
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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113641918A (zh) * 2021-08-16 2021-11-12 江苏云居检测技术有限公司 一种基于大数据的区域空气环境质量监测系统及方法
CN113830896A (zh) * 2021-09-27 2021-12-24 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113830896B (zh) * 2021-09-27 2022-12-27 湖南工商大学 基于图神经网络的好氧段氧气预警方法、系统及设备
CN113919231A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN113919231B (zh) * 2021-10-25 2023-04-07 北京航天创智科技有限公司 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统
CN114023399A (zh) * 2021-11-15 2022-02-08 上海乘安科技集团有限公司 一种基于人工智能的空气颗粒物分析预警方法和装置
CN114298389A (zh) * 2021-12-22 2022-04-08 中科三清科技有限公司 一种臭氧浓度预报方法及装置
WO2023123926A1 (zh) * 2021-12-28 2023-07-06 苏州浪潮智能科技有限公司 人工智能任务处理方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
US20220214322A1 (en) 2022-07-07

Similar Documents

Publication Publication Date Title
CN112766549A (zh) 一种空气污染物浓度预报方法、装置及存储介质
CN113919448B (zh) 一种任意时空位置二氧化碳浓度预测影响因素分析方法
CN108491970B (zh) 一种基于rbf神经网络的大气污染物浓度预测方法
CN112489497B (zh) 基于深度卷积神经网络的空域运行复杂度评估方法
CN112285807A (zh) 一种气象信息预测方法及装置
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
Biard et al. Automated detection of weather fronts using a deep learning neural network
CN113837499A (zh) 一种超短期风电功率预测方法及系统
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN115542429A (zh) 一种基于XGBoost的臭氧质量预测方法及系统
CN116224473B (zh) 一种风速预报方法、模型训练方法、装置和存储介质
CN111598460A (zh) 土壤重金属含量的监测方法、装置、设备及存储介质
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
CN117391139A (zh) 基于改进UNet神经网络的天气现象预报订正方法
KR102343374B1 (ko) 기상기후데이터를 기반으로 한 인공지능 화장품 매출 예측 방법 및 이를 사용한 서버
CN110826810B (zh) 一种空间推理与机器学习相结合的区域降雨预测方法
CN116187561A (zh) 一种基于空间时域卷积网络的pm10浓度精细化预测方法
CN112288694B (zh) 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法
CN115238967A (zh) 一种结合云图和相邻电站集群的光伏功率预测方法及装置
CN113108949A (zh) 一种基于模型融合的探空仪温度传感器误差预测方法
Lestari et al. Rainfall Prediction using Spatial Convolutional Neural Networks and Recurrent Neural Networks
CN116449460B (zh) 基于卷积UNet和迁移学习的区域月降水预测方法及系统
González-Abad et al. Testing interpretability techniques for deep statistical climate downscaling
CN113361596B (zh) 一种传感器数据增广方法、系统及存储介质

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