CN113919231A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113919231A CN113919231A CN202111241495.3A CN202111241495A CN113919231A CN 113919231 A CN113919231 A CN 113919231A CN 202111241495 A CN202111241495 A CN 202111241495A CN 113919231 A CN113919231 A CN 113919231A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- station
- atmospheric
- meteorological
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Abstract
本发明涉及一种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。获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据;构建样本,使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;构建基于时空图神经网络模型预测各个站点预测结果,获取对应的PM2.5浓度预测值。本发明以全国约1500个大气监测站点观测数据为训练集,结合气象、高程等多种数据源,使用基于时空图神经网络,构建一个统一的预测框架,可以同时预测大区域内的PM2.5浓度变化,并且提高预测精度。
Description
技术领域
本发明涉及气象预测技术领域,尤其涉及一种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。
背景技术
空气污染是影响健康的主要环境问题之一。准确的大气污染短期预测可以为政府决策提供依据,及时做出预防措施,减少污染事件的发生。
现有的PM2.5预测方法主要分为机理模型和数据驱动方法。机理模型通过模拟已知的物理规律,输入所需的历史观测数据对模型进行初始化即可进行预测,但由于对污染物形成的机理过程尚未完全探明,也受计算资源的限制,无法充分模拟,此类方法的预测精度较低。数据驱动方法包括传统的经验统计方法和目前较为流行的机器学习方法,在机器学习方法中,由于LSTM 模型擅长处理时序数据,因此最多被用来进行PM2.5浓度的预测。一般的做法是,使用大气监测站点的历史污染物浓度以及一些气象观测数据作为模型输入,使用预测时刻后一段时间的PM2.5浓度作为标签,建立训练数据集,训练LSTM模型。最后将实时观测数据作为输入,预测当前时刻后一段时间的 PM2.5浓度变化。这种做法的缺点是,它仅使用单个站点的历史观测作为输入,从历史数据中学习时序关系,并且仅使用局部区域的少数站点数据训练模型,并没有考虑到污染物在空间上的传输过程。而事实上很多污染事件是外源性的,边界层传输是区域间污染物交换的重要过程之一,高程、地形、风速等条件也会影响污染物的传输。因此,现有方法大多仅考虑时间关系而没有考虑空间关系,预测的准确度有待提高。
发明内容
针对现有技术中存在的问题,本发明提供一种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,以全国约1500个大气监测站点观测数据为训练集,结合气象、高程等多种数据源,使用时序图神经网络同时考虑大气污染物的时序变化和空间上的传输过程,构建一个统一的预测框架,可以同时预测大区域内的PM2.5浓度变化,并且提高预测精度。
为达到上述目的,本发明提供了一种基于时空图神经网络的PM2.5浓度时空变化预测方法,包括:
获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、气象预报数据以及高程数据;
确定单个样本的历史输入时长p和预测时长q;构建样本,包括时刻t 之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间变量、最近气象站的气象数据,时刻t之后q小时的气象预报数据和时间变量;时刻t之后q小时的PM2.5浓度作为训练样本的标签;样本数据进行归一化处理后,形成训练样本集;
使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
构建基于时空图神经网络的预测模型;
将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型,由所述样本数据集中选择样本,训练所述基于时空图神经网络的预测模型,直至输出的预测结果满足精度要求;
采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间、最近气象站的气象数据、预测时刻之后q小时的气象预报数据和时间;进行归一化处理后输入所述基于时空图神经网络模型;
所述基于时空图神经网络的预测模型输出各个站点预测结果,获取对应的PM2.5浓度预测值。
进一步地,构建训练数据的步骤包括:
检查所有数据的时间序列完整性,去除有缺失值和异常值的数据;
从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
遍历所有时间的数据,通过滚动时间窗截取数据:获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程,该大气监测站点在t之后q小时的PM2.5浓度,作为训练样本的标签;各个大气监测站点距离最近的气象站,获取时刻t之前p小时的气象观测数据,运行NWP得到时刻t之后q小时的气象预报数据;
将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间变量、最近气象站的气象数据合并,形成数据维度为 n×p×m1,n为站点数量,m1为历史输入特征个数;将时刻t之后q小时的气象预报数据和时间变量作为未来输入数据,数据维度为n×q×m2,m2为未来输入特征个数;输出维度为n×q×1,代表n个站点在未来q个时刻的PM2.5数值。
进一步地,使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W,包括:
将大气监测站点的经纬度转换为弧度;
第i个和第j个大气监测站点之间的距离D(i,j)为:
其中(xi,yi)和(xj,yj)分别为第i个和第j个大气监测站点的弧度坐标;Mij为邻接矩阵M的第i行第j列的数值;设定距离阈值S,距离D(i,j)小于S,则Mij为1,否则为0,得到邻接矩阵M;
使用高斯核函数计算Mij为1的大气监测站点之间边的权重Wij,Mij为0 的大气监测站点之间边的权重Wij为0,得到边的权重矩阵W;
其中σ为所有距离D(i,j)的标准差,Wij为权重矩阵W第i行第j列的数值。
进一步地,所述基于时空图神经网络模型包括,第一GCLSTM网络、第二 GCLSTM网络以及全连接层;
所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p 小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据;
所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q 小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征;
所述第二GCLSTM网络的输出到所述全连接层,所述全连接层输出各个站点q个小时的预测结果。
进一步地,大气污染物浓度监测历史数据包括PM2.5,PM10,O3,CO,NO2和SO2浓度监测历史数据;气象数据包括温度变化、湿度和风速;预测气象数据采用NWP气象预报数据。
进一步地,将样本数据集划分为训练集、验证集和测试集;分别对训练集、验证集和测试集中训练样本、验证样本和测试样本;
训练步骤包括:选择训练样本对所述基于时空图神经网络模型,当满足训练要求后,进入验证步骤;
验证步骤包括:选择验证样本输入所述基于时空图神经网络模型进行验证,计算模型精度,返回训练步骤,调整模型结构参数;
比较不同模型结构参数对应的模型精度,选择模型精度最高的模型作为最优模型,选择最优模型固定模型结构参数;
测试步骤包括:选择测试样本输入所述基于时空图神经网络模型进行测试,评价模型精度。
进一步地,计算决定系数R2、平均绝对误差MAPE和归一化均方根误差 NRMSE作为模型精度评价指标:
另一方面提供一种基于时空图神经网络的PM2.5浓度时空变化预测系统,包括:
数据获取模块,采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、预测时刻之后q小时的气象预报数据和时间;
数据处理模块,对所述数据获取模块获取的数据进行归一化处理后输入预测模块;
所述预测模块内置基于时空图神经网络模型,输出各个站点预测结果;
后处理模块,基于所述预测结果获取对应的PM2.5浓度预测值;
所述时空图神经网络模型的训练包括:
获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据;
确定单个样本的历史输入时长p和预测时长q;构建样本,包括时刻t 之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、时刻t之后q小时的预测气象数据和时间;时刻t之后q小时的PM2.5浓度作为训练样本的标签;样本数据进行归一化处理后,形成训练样本集;
使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型,由所述样本数据集中选择样本,训练所述基于时空图神经网络的预测模型,直至输出的预测结果满足精度要求。
进一步地,构建训练数据包括:
检查所有数据的时间序列完整性,去除有缺失值和异常值的数据;
从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
遍历所有时间的数据,通过滚动时间窗截取数据:获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程,该大气监测站点在t之后q小时的PM2.5浓度,作为训练样本的标签;各个大气监测站点距离最近的气象站,获取时刻t之前p小时的气象观测数据,运行NWP得到时刻t之后q小时的气象预报数据;
将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间、最近气象站的气象数据合并,形成数据维度为n×p×m1,n为站点数量,m1为历史输入特征个数;将时刻t之后q小时的气象预报数据和时间作为未来输入数据,数据维度为n×q×m2,m2为未来输入特征个数;输出维度为n×q×1,代表n个站点在未来q个时刻的PM2.5数值;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W,包括:
将大气监测站点的经纬度转换为弧度;
第i个和第j个大气监测站点之间的距离D(i,j)为:
其中(xi,yi)和(xj,yj)分别为第i个和第j个大气监测站点的弧度坐标;Mij为邻接矩阵M的第i行第j列的数值;
设定距离阈值S,距离D(i,j)小于S,则Mij为1,否则为0,得到邻接矩阵M;
使用高斯核函数计算Mij为1的大气监测站点之间边的权重Wij,Mij为0 的大气监测站点之间边的权重Wij为0,得到边的权重矩阵W;
其中σ为所有距离D(i,j)的标准差,Wij为权重矩阵W第i行第j列的数值。
进一步地,所述基于时空图神经网络模型包括,第一GCLSTM网络、第二 GCLSTM网络以及全连接层;
所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p 小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据;
所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q 小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征;
所述第二GCLSTM网络的输出到所述全连接层,所述全连接层输出各个站点q个小时的预测结果。
本发明的上述技术方案具有如下有益的技术效果:
(1)本发明以全国约1500个大气监测站点观测数据为训练集,结合气象、高程等多种数据源,使用基于时空图神经网络,构建一个统一的预测框架,可以同时预测大区域内的PM2.5浓度变化,并且提高预测精度。
(2)本发明充分考虑到了污染物之间可能存在相互转换或相互影响的关系,采用六种大气污染物浓度数据作为模型判断依据;考虑温度变化、湿度和风速以及预测时间的气象条件,对于污染物扩散的影响,选择历史及预测的气象条件作为模型判断依据;考虑地形地势的影响,将高程作为模型判断依据;对于不同站点,通过经纬度构造邻接矩阵M和权重矩阵W,体现空间上的相互影响。本发明构建基于时空图神经网络,同时考虑大气污染物的时序变化和空间上的传输过程,准确预测PM2.5浓度变化
附图说明
图1是PM2.5浓度时空变化预测流程图;
图2为PM2.5浓度时空变化预测原理示意图;
图3为样本结构示意图;
图4为模型结构示意图;
图5为PM2.5预测24小时总体精度图;
图6为预测示例1PM2.5浓度预测对比图;
图7为预测示例2PM2.5浓度预测对比图;
图8为预测示例3PM2.5浓度预测对比图;
图9为预测示例4PM2.5浓度预测对比图;
图10为PM2.5浓度时空变化预测系统组成示意图;
图11为基于时空图神经网络的PM2.5浓度时空变化预测系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
提供一种基于时空图神经网络的PM2.5浓度时空变化预测方法,结合图 1-2,包括如下步骤:
(1)获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据。
数据源包括全国大气监测站点数据、全国气象站的气象数据、预测气象数据以及高程数据。
1.1全国大气监测站点数据
实时和历史的大气污染物浓度监测数据是支撑预测模型最重要的数据之一,因为不同污染物浓度之间可能存在相互转换或相互影响的关系,比如SO2和NO2的二次转化会导致PM2.5浓度的增长,而目标污染物本身的历史和实时观测也跟未来的短期变化有较强的自相关性,也有助于污染物浓度的预测。因此,这些污染物浓度观测数据在模型构建过程中既能作为输入变量,又能作为真值来训练污染物浓度的预测模型。大气站点数据来源于中国环境监测总站(CNEMC,China National Environmental Monitoring Centre),从2013 年起在全国范围内陆续布设了多个大气监测站点,到现在总数已有约1500个,可对六种大气污染物浓度进行实时监测,包括PM2.5,PM10,O3,CO,NO2和SO2,逐小时更新。本发明使用的为2017年之后的大气监测站点数据。
1.2全国气象站数据
气象条件会显著影响污染物的累积和转化,一些常见的导致污染发生的气象条件如逆温情况下空气对流条件差,导致污染物累积,无法扩散;湿度高有利于污染物的二次转化;风速的高低很大程度上决定了污染物的扩散等。气象数据来源于国家气象局的站点历史观测记录,时间分辨率为1小时。
1.3气象预报数据
除了历史的气象观测,预测时间的气象条件也有助于提高PM2.5的预测精度,预测时段内的气象预报数据通过运行NWP得到。
1.4高程数据
地形地势也是影响污染物传播的因素之一,山脉的阻隔和较小的风速会阻碍污染物的水平扩散。以北京为例,位置北靠山脉,南边与河北相邻。通常南风会加剧北京的空气污染程度,受山体的阻隔,如果风速不够大,污染物将无法继续向北输送;相比之下,北风更易于污染物的扩散。因此,受地形地势的影响,不同的风速和风向会产生不同的扩散结果。高程数据可以较好地表达地形特征,本专利的高程数据来自USGS的SRTM(Shuttle RadarTopography Mission)产品,空间分辨率约30米。
(2)确定单个样本的历史输入时长p和预测时长q;构建样本,包括时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、时刻t之后q小时的预测气象数据;时刻t之后q小时的PM2.5浓度作为训练样本的标签;样本数据进行归一化处理后,形成训练样本集。
步骤(1)中数据源为基础,最终构造的样本结构如图3所示,按照预测时刻划分,预测时刻之前的为历史输入,包括大气监测站记录的PM2.5,PM10, O3等要素以及历史气象数据;预测时刻之后的为未来输入,包括气象预报数据;还有预测时刻前后均已知的时间变量,包括时间戳、儒略日、月份、星期、小时等;还有一些固定数据包括高程、大气站点经纬度和站点编号,用来构建模型输入所需的邻接矩阵和权重。输出即为预测时刻后一段时间的待预测要素(PM2.5)。具体的处理流程如下:
2-1.确定单个样本的历史输入时长p和预测时长q。
2-2.检查所有大气站点数据的时间序列完整性,将有缺失值和异常值的站点数据去除。
2-3.获取预测时刻t之前p小时所有大气监测站点的监测数据、站点编号、经纬度、高程,然后获取这些站点在t之后q小时的PM2.5浓度,作为训练样本的标签。
2-4.从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量。
2-5.遍历所有大气监测站点,寻找各个站点距离最近的气象站,获取预测时刻t之前p小时的气象观测数据,并运行NWP得到t之后q小时的气象预报数据。
2-6.将上述提到的历史输入数据合并,数据维度为n×p×m1,n为站点数量,m1为历史输入特征个数;将未来输入数据合并,数据维度为n×q× m2,m2为未来输入特征个数;输出维度为n×q×1,代表n个站点在未来q 个时刻的PM2.5数值。
按照滚动时间窗的方法,重复步骤2-3到2-6,遍历所有时间的数据,得到全部的样本数据集。
在一个实施例中,使用的数据时间范围为2017.1~2021.5,按照样本时间的先后顺序,将全部样本划分为训练集、验证集和测试集,其中测试集的时间范围为2021.1~2021.5,2021.1之前的样本为训练集和验证集。
由于不同类型的输入特征的物理意义和数值范围不同,差异过大会导致不同特征对模型参数的影响不同,甚至模型无法收敛,因此在输入模型之前需要对各个特征单独做归一化。本发明采用最大最小值归一化方法,公式如下:
Vnorm=(V-Vmin)/(Vmax-Vmin) (1)
其中V为归一化之前的值,Vmin和Vmax为最小值和最大值,Vnorm为归一化之后的值。统计各个输入变量的最大值和最小值,并使用公式(3)对各个变量单独进行归一化处理,得到范围在0~1内的数值。
(3)使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W。具体步骤为:
a)将站点经纬度转换为弧度;
b)使用半正矢公式(haversine formula)计算所有站点两两之间的距离 Mij:
其中(xi,yi)和(xj,yj)分别为两点的弧度坐标;
c)设定距离阈值S,距离D(i,j)小于S的站点之间有边连接,则Mij值为 1;距离大于S的站点之间没有边连接,则Mij值为0,即可得到邻接矩阵M;
d)使用高斯核函数计算有边连接(Mij=1)的站点之间边的权重Wij,没有边连接的(Mij=0)站点之间边的权重Wij为0,得到边权重W;
其中σ为所有距离D(i,j)的标准差,Wij为权重矩阵W第i行第j列的数值。
(4)构建基于时空图神经网络模型。
为了同时考虑大气污染物在时间和空间上的变化规律,模型主体为基于图卷积神经网络和循环神经网络的耦合模型GCLSTM。由于大气站点数据在空间上的分布是离散的,而非图像一样是均匀分布的,因此采用图卷积神经网络而非针对图像的卷积神经网络,以此来学习不同站点在空间上的关系。模型主要由两个GCLSTM构成,第一个负责接收历史输入特征和对应的邻接矩阵,第二个GCLSTM同时接收第一个GCLSTM输出的隐藏变量和未来输入特征,将其在预测时段内输出的隐藏变量ht+1,…,ht+q输入到全连接层,最后输出预测结果yt+1,…,yt+q。
图4所示为一个站点的输入及输出情况,共n个站点,分别输入各个站点对应的数据。通过邻接矩阵M和权重矩阵W构建各个站点之间的联系。
(5)将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络模型,由所述样本数据集中选择样本,训练所述基于时空图神经网络,直至输出的预测结果满足精度要求。
设定超参数和模型结构参数,包括学习率,优化器,输入输出长度,滤波器大小,邻接矩阵阈值等。
训练步骤包括:选择训练样本对所述基于时空图神经网络模型,当满足训练要求后,进入验证步骤。训练要求例如为训练50轮次,或者损失函数不再降低。
验证步骤包括:选择验证样本输入所述基于时空图神经网络模型进行验证,计算精度,并返回训练步骤,并调整模型结构参数。直至完成所有模型结构参数的验证。
比较不同模型结构参数对应的精度,选择精度最高的模型作为最优模型,选择最优模型对应的模型结构参数。例如可以使用随机搜索方法,比较不同参数设置下的模型精度,得到精度最优的参数设置。
测试步骤包括:选择测试样本输入所述基于时空图神经网络模型进行测试,评价模型精度。
该模型为回归预测问题,因此选择决定系数R2、平均绝对误差MAPE和归一化均方根误差NRMSE作为精度评价指标,来为训练过程中的参数选择和最终的精度评价提供依据。R2越接近1,MAPE和NRMSE越小,表示精度越高,误差越小,三者的计算公式分别为:
总体精度验证的具体流程为:
5-1.初始化模型,读取训练好的参数文件并恢复模型。
5-2.将测试集中的样本输入已恢复的模型,得到所有测试样本在q个时刻的预测结果,每个样本的预测结果为所有大气站点在未来q个时刻的PM2.5预测结果。
5-3.对比每个测试样本中所有站点在各个时刻的真实值和预测值,计算 q个预测时刻的R2、MAPE和NRMSE。遍历计算所有样本。
5-4.统计所有样本在各个时刻的R2、MAPE和NRMSE的数值分布,得到图5所示的精度分布图。可以看出在0~24小时内R2从0.9降低到0.4左右,MAPE从0.2增加到0.5左右,NRMSE从0.2增加到0.6左右,并且方差逐渐增大,说明随着预测时间的推移,总体误差升高,误差大的样本数量逐渐增加。
(6)采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、预测时刻之后q小时的预测气象数据;进行归一化处理后输入所述基于时空图神经网络模型。
在模型训练完成后,需要搭建定时预测服务,以满足实际应用中大气预测和预警的需求。
6-1.获取全部大气监测站点前24小时的历史大气监测数据和对应的气象站点数据,运行NWP获得未来24小时的气象预报数据。
6-2.按照数据集构造部分中的步骤构造模型预测所需的输入数据,其中归一化过程中使用的最大最小值需要与训练数据集保持一致。
6-3.初始化模型,读取训练好的参数文件并恢复模型。
6-4.将步骤6-2的结果输入模型得到输出结果。
数据进行归一化处理后,还包括存输入数据库,作为新的测试样本,加入训练数据集;定期对所述基于时空图神经网络模型进行增量训练。
(7)所述基于时空图神经网络模型输出各个站点预测结果,获取对应的 PM2.5浓度预测值。对模型输出结果进行逆向归一化,即公式(1)的逆运算,得到未来24小时的PM2.5预测值。
使用IDW将站点预测结果插值为栅格,将站点预测结果和栅格图通过接口服务上传到平台前端展示。将上述过程部署为定时运行的预测服务。
进一步地,由于人类活动、气候变化、政府监管等的影响,随着时间的推移,PM2.5的污染程度、时空变化规律等可能出现变化,用历史数据训练的模型精度会出现退化,因此需要隔一段时间将新增的历史数据加入训练数据集,对模型进行增量训练,更新模型,保持较高的预测精度,这一步对于预测服务的持续稳定运行是必要的。
测试集中的样本包括全部大气监测站点在2021.1~2021.5月的数据,从中随机抽取5个站点的预测结果,如图6到图10所示,标题为站点编号,横坐标为时间,纵坐标为PM2.5浓度,通过真实值和预测值的比较,可以看出,模型可以较好地捕捉PM2.5的浓度变化规律,在大部分情况下,预测值与真实值的变化趋势具有较好的一致性。
另一方面提供一种基于时空图神经网络的PM2.5浓度时空变化预测系统,结合图11,包括数据获取模块、数据处理模块、预测模块以及后处理模块。
数据获取模块,采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据、预测时刻之后q小时的预测气象数据。
数据处理模块,对所述数据获取模块获取的数据进行归一化处理后输入预测模块。
所述预测模块内置基于时空图神经网络模型,输出各个站点预测结果。
后处理模块,基于所述预测结果获取对应的PM2.5浓度预测值。
所述时空图神经网络模型的训练包括:
获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据;
确定单个样本的历史输入时长p和预测时长q;构建样本,包括时刻t 之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据、时刻t之后q小时的预测气象数据;时刻t之后q小时的PM2.5浓度作为训练样本的标签;样本数据进行归一化处理后,形成训练样本集;
使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络模型,由所述样本数据集中选择样本,训练所述基于时空图神经网络,直至输出的预测结果满足精度要求。
进一步地,构建训练数据包括:
检查所有数据的时间序列完整性,去除有缺失值和异常值的数据;
从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
遍历所有时间的数据,通过滚动时间窗截取数据:获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程,该大气监测站点在t之后q小时的PM2.5浓度,作为训练样本的标签;各个大气监测站点距离最近的气象站,获取时刻t之前p小时的气象观测数据,运行NWP得到时刻t之后q小时的气象预报数据;
将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据合并,形成数据维度为n ×p×m1,n为站点数量,m1为历史输入特征个数;将时刻t之后q小时的气象预报数据作为未来输入数据,数据维度为n×q×m2,m2为未来输入特征个数;输出维度为n×q×1,代表n个站点在未来q个时刻的PM2.5数值;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W,包括:
将大气监测站点的经纬度转换为弧度;
第i个和第j个大气监测站点之间的距离Mij为:
其中(xi,yi)和(xj,yj)分别为第i个和第j个大气监测站点的弧度坐标;Mij为邻接矩阵M的第i行第j列的数值;
设定距离阈值S,距离D(i,j)小于S,则Mij为1,否则为0,得到邻接矩阵M;
使用高斯核函数计算Mij为1的大气监测站点之间边的权重Wij,Mij为0 的大气监测站点之间边的权重Wij为0,得到边的权重矩阵W;
进一步地,所述基于时空图神经网络模型包括,第一GCLSTM网络、第二 GCLSTM网络以及全连接层;
所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p 小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据;
所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q 小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征;
所述第二GCLSTM网络的输出到所述全连接层,所述全连接层输出各个站点q个小时的预测结果。
综上所述,本发明涉及一种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。获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据;构建样本,使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;构建基于时空图神经网络模型预测各个站点预测结果,获取对应的PM2.5浓度预测值。本发明以全国约1500个大气监测站点观测数据为训练集,结合气象、高程等多种数据源,使用基于时空图神经网络,构建一个统一的预测框架,可以同时预测大区域内的PM2.5浓度变化,并且提高预测精度。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于时空图神经网络的PM2.5浓度时空变化预测方法,其特征在于,包括:
获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、气象预报数据以及高程数据;
确定单个样本的历史输入时长p和预测时长q;构建样本,包括时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间变量、最近气象站的气象数据,时刻t之后q小时的气象预报数据和时间变量;时刻t之后q小时的PM2.5浓度作为训练样本的标签;样本数据进行归一化处理后,形成训练样本集;
使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
构建基于时空图神经网络的预测模型;
将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型,由所述样本数据集中选择样本,训练所述基于时空图神经网络的预测模型,直至输出的预测结果满足精度要求;
采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间、最近气象站的气象数据、预测时刻之后q小时的气象预报数据和时间;进行归一化处理后输入所述基于时空图神经网络模型;
所述基于时空图神经网络的预测模型输出各个站点预测结果,获取对应的PM2.5浓度预测值。
2.根据权利要求1所述的基于时空图神经网络的PM2.5浓度时空变化预测方法,其特征在于,构建训练数据的步骤包括:
检查所有数据的时间序列完整性,去除有缺失值和异常值的数据;
从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
遍历所有时间的数据,通过滚动时间窗截取数据:获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程,该大气监测站点在t之后q小时的PM2.5浓度,作为训练样本的标签;各个大气监测站点距离最近的气象站,获取时刻t之前p小时的气象观测数据,运行NWP得到时刻t之后q小时的气象预报数据;
将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间变量、最近气象站的气象数据合并,形成数据维度为n×p×m1,n为站点数量,m1为历史输入特征个数;将时刻t之后q小时的气象预报数据和时间变量作为未来输入数据,数据维度为n×q×m2,m2为未来输入特征个数;输出维度为n×q×1,代表n个站点在未来q个时刻的PM2.5数值。
3.根据权利要求2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法,其特征在于,使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W,包括:
将大气监测站点的经纬度转换为弧度;
第i个和第j个大气监测站点之间的距离D(i,j)为:
其中(xi,yi)和(xj,yj)分别为第i个和第j个大气监测站点的弧度坐标;Mij为邻接矩阵M的第i行第j列的数值;设定距离阈值S,距离D(i,j)小于S,则Mij为1,否则为0,得到邻接矩阵M;
使用高斯核函数计算Mij为1的大气监测站点之间边的权重Wij,Mij为0的大气监测站点之间边的权重Wij为0,得到边的权重矩阵W;
其中σ为所有距离D(i,j)的标准差,Wij为权重矩阵W第i行第j列的数值。
4.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法,其特征在于,所述基于时空图神经网络模型包括,第一GCLSTM网络、第二GCLSTM网络以及全连接层;
所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据;
所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征;
所述第二GCLSTM网络的输出到所述全连接层,所述全连接层输出各个站点q个小时的预测结果。
5.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法,其特征在于,大气污染物浓度监测历史数据包括PM2.5,PM10,O3,CO,NO2和SO2浓度监测历史数据;气象数据包括温度变化、湿度和风速;预测气象数据采用NWP气象预报数据。
6.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法,其特征在于,将样本数据集划分为训练集、验证集和测试集;分别对训练集、验证集和测试集中训练样本、验证样本和测试样本;
训练步骤包括:选择训练样本对所述基于时空图神经网络模型,当满足训练要求后,进入验证步骤;
验证步骤包括:选择验证样本输入所述基于时空图神经网络模型进行验证,计算模型精度,返回训练步骤,调整模型结构参数;
比较不同模型结构参数对应的模型精度,选择模型精度最高的模型作为最优模型,选择最优模型固定模型结构参数;
测试步骤包括:选择测试样本输入所述基于时空图神经网络模型进行测试,评价模型精度。
8.一种基于时空图神经网络的PM2.5浓度时空变化预测系统,其特征在于,包括:
数据获取模块,采集目标监测站点的预测时刻之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、预测时刻之后q小时的气象预报数据和时间;
数据处理模块,对所述数据获取模块获取的数据进行归一化处理后输入预测模块;
所述预测模块内置基于时空图神经网络模型,输出各个站点预测结果;
后处理模块,基于所述预测结果获取对应的PM2.5浓度预测值;
所述时空图神经网络模型的训练包括:
获取各个大气监测站点的大气污染物浓度监测历史数据、全国气象站的气象数据、预测气象数据以及高程数据;
确定单个样本的历史输入时长p和预测时长q;构建样本,包括时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、高程、时间、最近气象站的气象数据、时刻t之后q小时的预测气象数据和时间;时刻t之后q小时的PM2.5浓度作为训练样本的标签;样本数据进行归一化处理后,形成训练样本集;
使用各个大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型,由所述样本数据集中选择样本,训练所述基于时空图神经网络的预测模型,直至输出的预测结果满足精度要求。
9.根据权利要求8所述的基于时空图神经网络的PM2.5浓度时空变化预测系统,其特征在于,构建训练数据包括:
检查所有数据的时间序列完整性,去除有缺失值和异常值的数据;
从t-p到t+q范围内的时刻中提取时间戳、儒略日、月份、星期和小时作为时间变量;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W;
遍历所有时间的数据,通过滚动时间窗截取数据:获取时刻t之前p小时各个大气监测站点的监测数据、站点编号、经纬度、高程,该大气监测站点在t之后q小时的PM2.5浓度,作为训练样本的标签;各个大气监测站点距离最近的气象站,获取时刻t之前p小时的气象观测数据,运行NWP得到时刻t之后q小时的气象预报数据;
将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、时间、最近气象站的气象数据合并,形成数据维度为n×p×m1,n为站点数量,m1为历史输入特征个数;将时刻t之后q小时的气象预报数据和时间作为未来输入数据,数据维度为n×q×m2,m2为未来输入特征个数;输出维度为n×q×1,代表n个站点在未来q个时刻的PM2.5数值;
使用大气监测站点经纬度构造邻接矩阵M和权重矩阵W,包括:
将大气监测站点的经纬度转换为弧度;
第i个和第j个大气监测站点之间的距离D(i,j)为:
其中(xi,yi)和(xj,yj)分别为第i个和第j个大气监测站点的弧度坐标;Mij为邻接矩阵M的第i行第j列的数值;
设定距离阈值S,距离D(i,j)小于S,则Mij为1,否则为0,得到邻接矩阵M;
使用高斯核函数计算Mij为1的大气监测站点之间边的权重Wij,Mij为0的大气监测站点之间边的权重Wij为0,得到边的权重矩阵W;
其中σ为所有距离D(i,j)的标准差,Wij为权重矩阵W第i行第j列的数值。
10.根据权利要求8或9所述的基于时空图神经网络的PM2.5浓度时空变化预测系统,其特征在于,所述基于时空图神经网络模型包括,第一GCLSTM网络、第二GCLSTM网络以及全连接层;
所述第一GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、站点编号、经纬度、高程、最近气象站的气象数据;
所述第二GCLSTM网络的输入为邻接矩阵M和权重矩阵W、时刻t之后q小时的预测气象数据以及所述第一GCLSTM网络的隐藏变量和未来输入特征;
所述第二GCLSTM网络的输出到所述全连接层,所述全连接层输出各个站点q个小时的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241495.3A CN113919231B (zh) | 2021-10-25 | 2021-10-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241495.3A CN113919231B (zh) | 2021-10-25 | 2021-10-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113919231A true CN113919231A (zh) | 2022-01-11 |
CN113919231B CN113919231B (zh) | 2023-04-07 |
Family
ID=79242938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111241495.3A Active CN113919231B (zh) | 2021-10-25 | 2021-10-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919231B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114694767A (zh) * | 2022-05-31 | 2022-07-01 | 山东科技大学 | 基于时空图常微分方程网络的pm2.5浓度预测方法 |
CN114743072A (zh) * | 2022-05-24 | 2022-07-12 | 中国科学院计算机网络信息中心 | 一种短期时间序列预测模型的训练方法 |
CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN114863418A (zh) * | 2022-04-29 | 2022-08-05 | 中科三清科技有限公司 | 一种均压场识别方法、装置、存储介质及终端 |
CN115994629A (zh) * | 2023-03-23 | 2023-04-21 | 南京信息工程大学 | 一种基于gn-rbf的空气湿度预测方法及系统 |
CN116362130A (zh) * | 2023-03-30 | 2023-06-30 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
CN117074627A (zh) * | 2023-10-16 | 2023-11-17 | 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 |
WO2024031763A1 (zh) * | 2022-08-09 | 2024-02-15 | 之江实验室 | 一种基于图神经网络的时空感知信息预测方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 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 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
CN111160628A (zh) * | 2019-12-13 | 2020-05-15 | 重庆邮电大学 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
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 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
CN113065098A (zh) * | 2021-03-23 | 2021-07-02 | 北京航天创智科技有限公司 | 基于卫星遥感和地气系统数据的pm2.5浓度检测方法及装置 |
-
2021
- 2021-10-25 CN CN202111241495.3A patent/CN113919231B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 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 |
AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
CN111160628A (zh) * | 2019-12-13 | 2020-05-15 | 重庆邮电大学 | 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法 |
CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
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 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
CN113065098A (zh) * | 2021-03-23 | 2021-07-02 | 北京航天创智科技有限公司 | 基于卫星遥感和地气系统数据的pm2.5浓度检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
GUO, HONG 等: "Assessment of PM2.5 concentrations and exposure throughout China using ground observations", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
YAN LI 等: "Spatio-temporal Spatio-temporal-Aware Sparse Denoising Autoencoder Neural Network for Air Quality Prediction", 《2018 5TH IEEE INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND INTELLIGENCE SYSTEMS (CCIS)》 * |
张亚茹 等: "济南市大气污染物时空变化及预测分析", 《环境工程》 * |
李栋 等: "基于时空卷积残差网络的空气质量预测", 《计算机技术与发展》 * |
梁世文 等: "气流后向轨迹和门限重复单元的PM2.5预报", 《测绘科学》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778774A (zh) * | 2022-04-21 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的温室气体监测方法及相关设备 |
CN114863418A (zh) * | 2022-04-29 | 2022-08-05 | 中科三清科技有限公司 | 一种均压场识别方法、装置、存储介质及终端 |
CN114743072A (zh) * | 2022-05-24 | 2022-07-12 | 中国科学院计算机网络信息中心 | 一种短期时间序列预测模型的训练方法 |
CN114694767A (zh) * | 2022-05-31 | 2022-07-01 | 山东科技大学 | 基于时空图常微分方程网络的pm2.5浓度预测方法 |
WO2024031763A1 (zh) * | 2022-08-09 | 2024-02-15 | 之江实验室 | 一种基于图神经网络的时空感知信息预测方法和系统 |
CN115994629A (zh) * | 2023-03-23 | 2023-04-21 | 南京信息工程大学 | 一种基于gn-rbf的空气湿度预测方法及系统 |
CN115994629B (zh) * | 2023-03-23 | 2023-06-20 | 南京信息工程大学 | 一种基于gn-rbf的空气湿度预测方法及系统 |
CN116362130A (zh) * | 2023-03-30 | 2023-06-30 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
CN116362130B (zh) * | 2023-03-30 | 2023-09-08 | 河南大学 | 一种日尺度自适应建模的pm2.5全覆盖估算方法 |
CN117074627A (zh) * | 2023-10-16 | 2023-11-17 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113919231B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919231B (zh) | 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 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN111833202B (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN115081557A (zh) | 基于地面监测数据的夜间气溶胶光学厚度估算方法和系统 | |
CN111209968A (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN114444020A (zh) | 一种针对电网杆塔点的气温预报订正系统 | |
CN115936238B (zh) | 一种全域风电中长期出力预测方法、系统、设备及介质 | |
CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
Hema et al. | Reconstructing missing hourly real-time precipitation data using a novel intermittent sliding window period technique for automatic weather station data | |
CN109543911B (zh) | 一种日照辐射预测方法及系统 | |
CN115730524A (zh) | 一种基于机器学习的数值模拟虚拟测风误差订正方法 | |
CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
CN113553782B (zh) | 一种用于预报风速的降尺度方法 | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
CN112632799A (zh) | 输电线路设计风速取值方法及装置 |
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 |