CN113610286A - 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 - Google Patents
顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 Download PDFInfo
- Publication number
- CN113610286A CN113610286A CN202110847994.0A CN202110847994A CN113610286A CN 113610286 A CN113610286 A CN 113610286A CN 202110847994 A CN202110847994 A CN 202110847994A CN 113610286 A CN113610286 A CN 113610286A
- Authority
- CN
- China
- Prior art keywords
- time
- concentration
- data
- different sites
- meteorological factors
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 239000013618 particulate matter Substances 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 239000002245 particle Substances 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种顾及时空相关性和气象因素的PM2.5浓度预测方法及装置，在充分顾及空气质量监测站点时空相关性的基础上，融合气象因素对不同时间尺度下PM2.5浓度进行预测，该方法包括：构建数据集；补全处理；构建时间图卷积网络；时空特征提取；模型耦合和微调；预测精度对比。本发明构建了时间图卷积网络，通过图卷积神经网络提取站点的空间相关性，通过门控递归单元提取站点的时间相关性。在叠加多个时间图卷积网络后，构建全连接神经网络，实现多种气象因素的融合。通过本发明所提供的耦合模型，充分顾及不同站点在时间和空间的相关性，并兼顾到站点位置相应的气象因子的时空相关特征，大大提高了不同时间尺度下空气质量预测效果。
Description
技术领域
本发明涉及人工智能应用领域、大气环境管理与监测领域，具体涉及一种顾及时空相关性和气象因素的PM2.5浓度预测方法及装置。
背景技术
空气污染已经成为世界范围内一个严重的问题，由于其与人体健康的密切关系，引起了许多研究者的关注。长期暴露于细颗粒物(如PM2.5)的环境中会对人体健康产生负面影响，空气污染物的衍生物也会造成酸沉降、水质恶化、全球气候变化等问题。因此，建立一个准确可靠的大气污染物浓度预测模型具有十分重要的意义，它可以提前提供大气污染信息，指导大气污染控制和公共卫生保护工作。传统的PM2.5浓度预测方法主要有：潜式预测、机理模型、统计预测。但由于数据资料较难获取以及过于简化空气污染物浓度与预测变量之间的复杂非线性关系，在多种气象因素影响下难获得较好的空气质量预测精度。随着机器学习和深度学习的发展，神经网络在处理复杂的非线性关系方面表现出明显的优势，且预测精度较高。已有研究表明，卷积神经网络和循环神经网络可以分别提取空气质量监测站点在空间和时间上的相关性。然而，监测站点作为一种非欧几里得分布，基于卷积神经网络获取空间特征时会破坏原始空间信息，因此需要对现有的模型结构进行改进。
发明内容
本发明针对目前难以同时兼顾空气质量监测站点和气象因素时空相关性的问题，结合图卷积神经网络、门控递归单元和全连接神经网络，提出一种顾及时空相关性和气象因素的PM2.5浓度预测方法及装置，该方法基于深度学习的时空特征学习，实现城市监测站点位置的空气质量未来时段连续预测，为政府部门和决策者制定空气污染治理的各项措施提供参考。
为了实现上述目的，本发明一种顾及时空相关性和气象因素的PM2.5浓度预测方法包括以下步骤：
S1、构建空气质量特征数据集，包括PM2.5浓度数据和多种气象因素数据。
S2、将所述PM2.5浓度数据和所述多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM2.5浓度时序数据和不同站点的多种气象因素时序数据；
S3、搭建时间图卷积网络；
S4、将所述不同站点的PM2.5浓度时序数据和所述不同站点的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；
S5、将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM2.5浓度预测值。
进一步地，在步骤S2之后，还包括：
对不同站点的多种气象因素时序数据进行插值处理，补全不同站点的多种气象因素时序数据；
对不同站点的PM2.5浓度时序数据进行缺失值填补，补全不同站点的PM2.5浓度时序数据。
进一步地，通过IDW反距离权重插值方法对不同站点的多种气象因素时序数据进行插值处理。
进一步地，通过随机森林拟合气象因素与PM2.5浓度之间的关系模型，得到不同站点的PM2.5浓度时序数据的缺失填补值。
进一步地，所述时间图卷积网络结构包括：图卷积神经网络和门控递归单元；
所述图卷积神经网络由两层图卷积层构成；图卷积神经网络嵌入进所述门控递归单元中；所述图卷积神经网络的输入分别为不同站点的PM2.5浓度时序数据和多种气象因素时序数据，所述门控递归单元的输入为图卷积神经网络的输出。
进一步地，步骤S1中的所述气象因素数据包括：风速、风向、温度、湿度、压强。
此外，为了实现上述目的，本发明还提供了一种顾及时空相关性和气象因素的PM2.5浓度预测装置，包括以下模块：
数据集构建模块，用于构建空气质量特征数据集，包括PM2.5浓度数据和多种气象因素数据；
时空匹配模块，用于将PM2.5浓度数据和多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM2.5浓度时序数据和不同站点的多种气象因素时序数据；
网络搭建模块，用于搭建时间图卷积网络；
初步预测模块，用于将所述不同站点的PM2.5浓度时序数据和所述不同站点的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；
最终预测模块，用于将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM2.5浓度预测值。
进一步地，所述顾及时空相关性和气象因素的PM2.5浓度预测装置还包括：
数据补全模块，用于对不同站点的多种气象因素时序数据进行插值处理，得到不同站点补全后的多种气象因素时序数据；
还用于对不同站点的PM2.5浓度时序数据进行缺失值填补，得到不同站点补全后的PM2.5浓度时序数据。
与现有技术相比，本发明带来的有益效果是：
(1)本发明通过定义基于监测站点的图卷积运算，结合循环神经网络获取节点的动态变化，解决了难以同时充分获取监测站点间的时空依赖性特征这一问题。将PM2.5浓度的时空变化作为一个整体来考虑，避免割裂了空气质量数据的时空相关特征，从时间和空间维度上同时考虑了PM2.5自身的影响，适用于对来自城市多个监测站点的空气质量进行预测。
(2)本发明通过全连接神经网络将多个时间图卷积网络进行拼接，实现了多个气象因素辅助预测，从而更好地确定大气污染物浓度数据的规律性，通过引入多种气象数据，可以提高模型长期预测的能力，有助于有关部门展开和采取相应的治理措施。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种顾及时空相关性和气象因素的PM2.5浓度预测方法的流程图；
图2是图1对应的网络示意图；
图3是本发明进行数据补全后得到的空气质量多维特征；
图4是本发明时间图卷积网络的结构；
图5是本发明对以1～12h为预测时间长度时，各个模型的精度变化图；
图6是本发明以1h为预测时间长度时，各个模型预测的PM2.5浓度与真实PM2.5浓度之间的相关性可视化图；
图7是本发明以12h为预测时间长度时，各个模型预测的PM2.5浓度与真实PM2.5浓度之间的相关性可视化图；
图8是本发明一种顾及时空相关性和气象因素的PM2.5浓度预测装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1和图2，本发明一种顾及时空相关性和气象因素的PM2.5浓度预测方法包括以下步骤：
S1、构建空气质量特征数据集，包括PM2.5浓度数据和多种气象因素数据。
具体地，参考图3，多种气象因素数据包括：风速(Wind_speed)、风向(Wind_direction)、温度(Temperature)、湿度(Humidity)和压强(Pressure)。
S2、将PM2.5浓度数据和多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM2.5浓度时序数据和不同站点的多种气象因素时序数据，也即是图2的图信号；
S3、对不同站点的多种气象因素时序数据进行插值处理，得到不同站点补全后的多种气象因素时序数据；对不同站点的PM2.5浓度时序数据进行缺失值填补，得到不同站点补全后的PM2.5浓度时序数据。
数据补全地具体实现为：由于空气质量监测站点与气象监测站点的空间位置不重合，因此，对气象因素进行插值得到同一时刻相应位置下的气象特征，采用反距离加权算法进行插值。
PM2.5浓度数据具有部分缺失值，通过随机森林算法对同一时刻的气象因素特征和PM2.5浓度之间的相关性进行建模，得到完整的PM2.5时间序列，最终得到空气质量多维特征数据集参考图3。分别为风速、风向、温度、湿度、压强和PM2.5的时间序列，横轴为时间长度，总10806小时，纵轴为各自的取值大小。
S4、搭建时间图卷积网络(时空相关特征提取模型)，主要分为两个步骤：
a.构建图卷积神经网络，以获取空间相关性，图卷积神经网络由两层图卷积层构成。首先，构建基于站点的无向图。以空气质量监测站点为节点，计算站点之间的空间距离，以距离为倒数构建了邻接矩阵A，A∈RN×N，N为站点的个数。设定距离阈值，当站点间距离小于距离阈值时，将站点进行相连，此时Ai，j等于站点间距离的倒数，i，j为不同的站点编号。当站点间距离大于距离阈值时，站点不相连，Ai，j＝0；然后，根据节点的连接情况，计算了各节点的度矩阵
由于空气质量数据是时间序列数据，并且一个站点的当前空气状态必然会影响未来，所以节点的邻域需要考虑其自身，即
A为邻接矩阵，I为单位矩阵。最后，搭建两层的图卷积层以获取站点的空间相关性，完成图卷积神经网络的构建，如下公式所示：
其中，
为度矩阵；
ReLU()为激活函数；X为图卷积层的输入，即PM2.5与气象因素；W0为图卷积网络输入层至隐藏层的权重矩阵，W1为隐藏层至输出层的权重矩阵。f(X，A)为图卷积神经网络的输出结果。
b.构建门控递归单元。递归神经网络广泛运用于处理时序数据，而门控递归单元结构相对简单，参数较少。本发明中，门控递归单元用以获取时序数据的时间相关性，如图4(a)所示，门控递归单元有两个门控结构：重置门rt和更新门ut。rt越小，前一时刻的状态信息忽略得越多。ut控制前一时刻的状态信息保存到当前时间状态的程度。ct是候选隐藏状态，ht为当前状态的隐藏信息。σ和tanh为激活函数。门控递归单元通过将t-1时的隐藏状态ht-1和当前空气质量信息xt作为输入，获得t时考虑时间相关性的空气质量信息ht。
c.形成时间图卷积网络。参考图4(b)和(c)，图4(b)通过将GCN(图卷积神经网络)嵌入到门控递归单元中，构成了一个时间图卷积单元TGC Cell。图4(c)为一个时空预测过程，通过将空气质量信息Xt、Xt-1、Xt-2、......进行输入，就可以得到当前时刻t考虑时空相关性的空气质量信息Yt。因此，时间图卷积网络的输入为邻接矩阵A和空气质量信息包括PM2.5(PMt)和各气象特征(Ht、...、Pt)，也即是图2的输入层。
S5、将不同站点补全后的PM2.5浓度时序数据和不同站点补全后的多种气象因素时序数据，依次输入多个时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值，也即是图2的PMt′、Ht′、...、Pt′；
通过时间图卷积网络对PM2.5数据进行处理，可以顾及其在时间和空间维度上由自身和周围站点造成的影响，从而完成时空相关特征的提取，得到多维特征预测值。
S6、将多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM2.5浓度预测值。
具体地，步骤S5用于实现气象因素辅助预测，也即是完成图2的时空处理部分。通过一个全连接神经网络，以耦合多个时间图卷积网络，实现多个时空相关特征提取模型的拼接，并进行整体微调，完成目标站点在未来时段的最终PM2.5浓度预测，也即是图2的Zt+T′。
具体地，输出PM2.5浓度预测值时，采用RMSE(均方根误差)、MAE(平均绝对误差)、R2(决定系数)(公式如下)作为精度指标，计算真实值与预测值之间的差异。
m是样本的总数，yi表示第i个真实值，
表示第i个预测输出值。
以1～12h为预测时间长度时，各个模型的精度变化参考图5，包括本发明提出的FC-TGC模型，即全连接时间图卷积网络(通过全连接神经网络将多个时间图卷积网络进行拼接构成)，和其他对比模型：CNN(卷积神经网络)、GCN(考虑空间相关性的图卷积神经网络)、LSTM(考虑时间相关性的长短时记忆神经网络)。可以发现，本发明提出的FC-TGC模型在各个预测时间尺度下都取得了最小的误差和最高的精度，对下一时刻进行预测时，RMSE值为16.209μg/m3，MAE为8.768μg/m3，R2为0.939，优于只考虑空间相关性的GCN模型(RMSE为20.621μg/m3，MAE为12.229μg/m3，R2为0.901)和只考虑了时间依赖性的LSTM模型(RMSE为19.365μg/m3，MAE为12.245μg/m3，R2为0.905)，基于时空特征的方法比基于单因素特征的方法具有更好的预测精度，证明了FC-TGC模型考虑PM2.5和气象因素时空相关性的必要性。
以1h和12h为预测时间长度时，各个模型预测的PM2.5浓度与真实PM2.5浓度之间的相关性可视化参考图6和图7，图中实线为拟合线，虚线为y＝x参考线。FC-TGC模型在1h和12h分别获得最小的RMSE(16.209μg/m3和42.108μg/m3)和最高的R2(0.939和0.583)。结果表明，预测值与观测值一致性较好。当预测时间尺度为12h时，FC-TGC模型拟合系数为0.523。进一步表明，随着预测尺度的增大，FC-TGC模型具有更好的预测性能。
作为可选地实施方式，为了实现上述的一种顾及时空相关性和气象因素的PM2.5浓度预测方法，本实施例还提供了一种顾及时空相关性和气象因素的PM2.5浓度预测装置。
参考图8，该装置包括以下模块：
数据集构建模块1，用于构建空气质量特征数据集，包括PM2.5浓度数据和多种气象因素数据；
时空匹配模块2，用于将PM2.5浓度数据和多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM2.5浓度时序数据和不同站点的多种气象因素时序数据；
数据补全模块3，用于对不同站点的多种气象因素时序数据进行插值处理，得到不同站点补全后的多种气象因素时序数据；还用于对不同站点的PM2.5浓度时序数据进行缺失值填补，得到不同站点补全后的PM2.5浓度时序数据。
网络搭建模块4，用于搭建时间图卷积网络；
初步预测模块5，用于将所述不同站点补全后的PM2.5浓度时序数据和所述不同站点补全后的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；
最终预测模块6，用于将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM2.5浓度预测值。
本发明通过定义基于监测站点的图卷积运算，结合循环神经网络获取节点的动态变化，解决了难以同时充分获取监测站点间的时空依赖性特征这一问题。将PM2.5浓度的时空变化作为一个整体来考虑，避免割裂了空气质量数据的时空相关特征，从时间和空间维度上同时考虑了PM2.5自身和周围站点的影响；通过全连接神经网络将多个时间图卷积网络进行拼接，实现了多个气象因素辅助预测，从而更好地确定大气污染物浓度数据的规律性，通过引入多种气象数据，可以提高模型长期预测的能力，有助于有关部门展开和采取相应的治理措施。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种顾及时空相关性和气象因素的PM2.5浓度预测方法，其特征在于，包括以下步骤：
S1、构建空气质量特征数据集，包括PM2.5浓度数据和多种气象因素数据；
S2、将所述PM2.5浓度数据和所述多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM2.5浓度时序数据和不同站点的多种气象因素时序数据；
S3、搭建时间图卷积网络；
S4、将所述不同站点的PM2.5浓度时序数据和所述不同站点的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；
S5、将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM2.5浓度预测值。
2.根据权利要求1所述的顾及时空相关性和气象因素的PM2.5浓度预测方法，其特征在于，在步骤S2之后，还包括：
对不同站点的多种气象因素时序数据进行插值处理，补全不同站点的多种气象因素时序数据；
对不同站点的PM2.5浓度时序数据进行缺失值填补，补全不同站点的PM2.5浓度时序数据。
3.根据权利要求2所述的顾及时空相关性和气象因素的PM2.5浓度预测方法，其特征在于，通过IDW反距离权重插值方法对不同站点的多种气象因素时序数据进行插值处理。
4.根据权利要求2所述的顾及时空相关性和气象因素的PM2.5浓度预测方法，其特征在于，通过随机森林拟合气象因素与PM2.5浓度之间的关系模型，得到不同站点的PM2.5浓度时序数据的缺失填补值。
5.根据权利要求1所述的顾及时空相关性和气象因素的PM2.5浓度预测方法，其特征在于，所述时间图卷积网络结构包括：图卷积神经网络和门控递归单元；
所述图卷积神经网络由两层图卷积层构成；图卷积神经网络嵌入进所述门控递归单元中；所述图卷积神经网络的输入分别为不同站点的PM2.5浓度时序数据和多种气象因素时序数据，所述门控递归单元的输入为图卷积神经网络的输出。
6.根据权利要求1所述的顾及时空相关性和气象因素的PM2.5浓度预测方法，其特征在于，步骤S1中的所述气象因素数据包括：风速、风向、温度、湿度、压强。
7.一种顾及时空相关性和气象因素的PM2.5浓度预测装置，其特征在于，包括以下模块：
数据集构建模块，用于构建空气质量特征数据集，包括PM2.5浓度数据和多种气象因素数据；
时空匹配模块，用于将所述PM2.5浓度数据和所述多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM2.5浓度时序数据和不同站点的多种气象因素时序数据；
网络搭建模块，用于搭建时间图卷积网络；
初步预测模块，用于将所述不同站点的PM2.5浓度时序数据和所述不同站点的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；
最终预测模块，用于将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM2.5浓度预测值。
8.如权利要求7所述的顾及时空相关性和气象因素的PM2.5浓度预测装置，其特征在于，还包括：
数据补全模块，用于对不同站点的多种气象因素时序数据进行插值处理，得到不同站点补全后的多种气象因素时序数据；
还用于对不同站点的PM2.5浓度时序数据进行缺失值填补，得到不同站点补全后的PM2.5浓度时序数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110847994.0A CN113610286B (zh) | 2021-07-27 | 2021-07-27 | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110847994.0A CN113610286B (zh) | 2021-07-27 | 2021-07-27 | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610286A true CN113610286A (zh) | 2021-11-05 |
| CN113610286B CN113610286B (zh) | 2024-03-29 |
Family
ID=78305519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110847994.0A Active CN113610286B (zh) | 2021-07-27 | 2021-07-27 | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610286B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298445A (zh) * | 2022-03-10 | 2022-04-08 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于图卷积神经网络的站点定量降水预报方法和系统 |
| CN115878695A (zh) * | 2023-02-20 | 2023-03-31 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于气象数据库的数据可视化调整方法及系统 |
| CN117575320A (zh) * | 2023-11-29 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190272468A1 (en) * | 2018-03-05 | 2019-09-05 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Spatial Graph Convolutions with Applications to Drug Discovery and Molecular Simulation |
| CN111340288A (zh) * | 2020-02-25 | 2020-06-26 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
| CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
| 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 |
| CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
| CN112986492A (zh) * | 2019-12-17 | 2021-06-18 | 华为技术有限公司 | 一种建立气体浓度预测模型的方法及装置 |
-
2021
- 2021-07-27 CN CN202110847994.0A patent/CN113610286B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190272468A1 (en) * | 2018-03-05 | 2019-09-05 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Spatial Graph Convolutions with Applications to Drug Discovery and Molecular Simulation |
| CN112986492A (zh) * | 2019-12-17 | 2021-06-18 | 华为技术有限公司 | 一种建立气体浓度预测模型的方法及装置 |
| CN111340288A (zh) * | 2020-02-25 | 2020-06-26 | 武汉墨锦创意科技有限公司 | 一种顾及时空关联性的城市空气质量时序预测方法 |
| CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
| 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 |
| CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| YANLIN QI: "A hybrid model for spatiotemporal forecasting of PM2.5 based on graph convolutional neural network and long short-term memory", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
| 万永权;徐方勤;燕彩蓉;苏厚勤;: "融合气象参数及污染物浓度的空气质量预测方法", 计算机应用与软件, no. 08 * |
| 于伸庭;刘萍;: "基于长短期记忆网络-卷积神经网络(LSTM-CNN)的北京市PM_(2.5)浓度预测", 环境工程, no. 06 * |
| 刘鹏华;姚尧;梁昊;梁兆堂;张亚涛;王昊松;: "耦合卡尔曼滤波和多层次聚类的中国PM_(2.5)时空分布分析", 地球信息科学学报, no. 04 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114298445A (zh) * | 2022-03-10 | 2022-04-08 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于图卷积神经网络的站点定量降水预报方法和系统 |
| CN114298445B (zh) * | 2022-03-10 | 2022-06-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于图卷积神经网络的站点定量降水预报方法和系统 |
| CN115878695A (zh) * | 2023-02-20 | 2023-03-31 | 中国民用航空局空中交通管理局航空气象中心 | 一种基于气象数据库的数据可视化调整方法及系统 |
| CN117575320A (zh) * | 2023-11-29 | 2024-02-20 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
| CN117575320B (zh) * | 2023-11-29 | 2024-04-30 | 中国科学院空天信息创新研究院 | 一种基于图卷积神经网络的森林火灾风险预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610286B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111639787B (zh) | 一种基于图卷积网络的时空数据预测方法 | |
| CN113610286A (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN112241814A (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
| CN110895878B (zh) | 一种基于ge-gan的交通状态虚拟检测器的生成方法 | |
| CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
| CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| CN113673769A (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN115470201A (zh) | 基于图注意力网络的海洋遥感缺失数据智能补全方法 | |
| CN114936691A (zh) | 一种融合关联度加权与时空注意力的温度预报方法 | |
| CN113345236A (zh) | 一种基于Transformer网络的时空交通状态预测方法 | |
| CN116415730A (zh) | 一种预测水位的融合自注意力机制时空深度学习模型 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| CN115859620A (zh) | 一种基于多头注意力机制和图神经网络的径流重建方法 | |
| CN114860715A (zh) | 一种流量实时预测的Lanczos时空网络方法 | |
| CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| CN115561834A (zh) | 基于人工智能气象短临预报一体机 | |
| CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
| CN113610302B (zh) | 一种基于逐步聚类与循环神经网络的地表温度降尺度方法 | |
| CN116170351B (zh) | 一种基于时空图注意力机制的网络流量预测方法 | |
| CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
| CN117852592A (zh) | 一种降水预测模型的训练方法、系统、计算设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |