CN113947238A - 一种基于多站点时空关联的城市污染物浓度预测方法 - Google Patents

Abstract

本发明涉及一种基于多站点时空关联的城市污染物浓度预测方法，包括以下步骤：1)获取设定时间范围的城市范围内多个分布站点的空气污染物浓度和气象数据；2)构建城市污染物浓度预测模型并进行训练参数调优后，以空气污染物浓度和气象数据作为训练好的城市污染物浓度预测模型输入，获取城市污染物浓度预测结果。与现有技术相比，本发明具有考虑时空关联特性、预测准确、性能好等优点。

Description

一种基于多站点时空关联的城市污染物浓度预测方法

技术领域

本发明涉及城市空气污染物检测领域，尤其是涉及一种基于多站点时空关联的城市污染物浓度预测方法。

背景技术

城市空气污染问题日趋严重，已经对人们的身体健康以及日常生活造成了严重的影响，相关环境部门以及研究人员对空气质量问题的关注度越来越高，随着信息技术的飞速发展，空气污染预测问题也迎来了全新的研究思维，利用大数据思维与深度学习技术的结合对空气污染进行有效的数据分析，进而做出准确的预测是当前环境科学和计算机科学交叉学科研究的前沿热点问题。

目前城市空气污染预测主要通过在部署多个污染监测站点进行数据监测，然后采用综合数据分析等方面开展。一般来说，数据分析预测，如：概率模型法、机器学习方法等都在这类问题中有广泛的应用，这些研究方法各有特点，如朴素贝叶斯，BP(Back-Propagation)神经网络等都能在一定规模的数据集下取得比较好的预测效果。深度学习方法近年来在各个领域都获得了突破，比如图像识别、自然语言处理、生物工程以及时空结构的特征学习与分析等领域，基于深度学习的城市空气污染物浓度预测也获得了相应的关注。通过对大量数据的有效训练，深度学习可以很好地提取数据之间的时间与空间关联性，这是传统预测方法所不具备的。

现有的应用在城市空气污染预测的深度学习模型虽然能够取得一定的预测效果，但是都面临着以下几个问题：由于站点地理分布不均的原因，无法提取数据间深层次的空间以及时间关联关系，从而难以实现特定地点预测水平的提升；不能同时融合时空特征，有效地连续预测未来一段时间内的污染物情况；由于模型结构以空间或时间为主，多维度数据的利用能力不足，提取数据内部关联特征能力单一，导致模型的泛化能力不足。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多站点时空关联的城市污染物浓度预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于多站点时空关联的城市污染物浓度预测方法，包括以下步骤：

1)获取设定时间范围的城市范围内多个分布站点的空气污染物浓度和气象数据；

2)构建城市污染物浓度预测模型并进行训练参数调优后，以空气污染物浓度和气象数据作为训练好的城市污染物浓度预测模型输入，获取城市污染物浓度预测结果。

所述的步骤2)中，所述的城市污染物浓度预测模型以包含卷积层和池化层的CNN网络作为模型底部，用以提取空间关联性特征，并且以基于LSTM的自编码网络作为模型顶部，用以提取时间关联性特征并生成最终的预测结果。

所述的步骤1)中，在空间维度上，对于分布在城市范围内的多个站点S＝{s₁,s₂,..s_t..,s_n}，其中，s_t为目标站点，其余站点为目标站点的相邻站点，n为站点总数，第k个站点采集包含污染物浓度及气象数据的时间序列数据集合

其中，r_t表示待预测的目标污染物的时间序列，除r_t以外的其余时间序列为与待预测的目标污染物相关的特征序列，w表示总特征数。

在时间维度上，给定一个时间点t，将在时间点t之前的D小时内的数据作为城市污染物浓度预测模型的历史输入数据，用于预测在时间点t之后的M个小时的目标污染物浓度，且每个时间点对应的输入数据均为一个n×w的二维矩阵I_i。

在时间点t之前的D小时内的空气污染物浓度和气象数据表示为I＝{I_t-D,I_t-D+1,...,I_t}，其维度为D×(n×w)，在时间点t之后的M个小时的目标污染物浓度数据表示为P＝{P_t+1,P_t+2,...,P_t+M}，其维度为(M×1)，采用CAE-Learning模型表示为目标函数则有：

f_CAE(I＝{I_t-D,I_t-D+1,...,I_t})＝{P_t+1,P_t+2,...,P_M}。

城市污染物浓度预测模型的历史输入数据与预测目标污染物浓度数据的时间间隔相同，且均为1小时。

所述的步骤2)中，城市污染物浓度预测模型训练参数调优及预测具体包括以下步骤：

21)以包含空气污染物浓度和气象数据的训练数据集作为CNN网络的输入；

22)自编码网络中由LSTM构成的编码器部分提取城市空气污染物浓度和气象数据的时间关联性特征，实现对历史污染物的浓度和气象数据的编码，生成一个具有时序特征的隐藏向量C；

23)将隐藏向量C作为解码器部分的输入，解码器部分将每个时刻的隐藏状态输入到全连接层并产生最终的预测结果，即下一时刻目标污染物的浓度预测值；

24)定义训练目标，获取使得目标函数最小时的参数，完成参数调优；

25)以时间点t之前的D小时内的空气污染物浓度和气象数据输入到训练好的城市污染物浓度预测模型进行目标污染物浓度的预测。

在训练过程中，通过在CNN网络中加入dropout的方式避免过拟合，并且使用随机梯度下降法，通过误差反向传播的方式计算误差函数来对网络全部权重和偏置值的梯度进行更新，直至模型的性能符合期望。

所述的步骤24)中，在训练过程中，目标函数在均方根误差的基础上增加正则化约束避免网络对训练数据的过度学习。

所述的目标函数

的表达式为：

其中，O_i为目标污染物的观测值，P_i为目标污染物的预测值，N为预测时间段污染物浓度的时间序列长度，λ为非负超参数，

为整个训练过程参数，包括卷积层的权值矩阵、池化层的权值矩阵、自编码网络内部神经元之间传递信息的权值矩阵、全连接层的权值矩阵，ζ为控制惩罚大小使用的比例参数，且ζ∈(0，1)。

与现有技术相比，本发明具有以下优点：

一、将单城市多站点间的污染物浓度和气象数据进行结合，多维卷积的CNN能够联合多站点间的污染物浓度和气象数据特征做到深层的空间相关性提取，能够从环境污染大数据的空间关联特征角度去进一步提升预测模型的精确度，并且模型的卷积部分，采用了全卷积方法，即去除了池化层带来的大幅度特征损耗问题，充分地提取污染物与气象数据的空间特征；

二、引入了端到端的编码预测模型，轻量化了基于LSTM的自编码模型的复杂度，能够充分提取多站点间空气污染物和气象数据的时间关联性，降低了模型的过拟合问题，避免梯度消失和梯度爆炸问题，能够从时序数据的角度进一步提升预测模型的精确度。

三、本发明从基于真实数据的实验证明，对于时空融合的时间序列预测问题，本发明构建的预测模型和其他对比模型相比有很好的预测性能，预测精度高、速度快，具有较好的泛化能力，因而具有广阔而实际的应用前景。

附图说明

图1为本发明方法的主要步骤流程示意图。

图2为本发明实施例中的多站点时空关系图。

图3为本发明所构建的预测模型的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

首先对空气污染物浓度预测进行定义：

定义1：

空气污染物浓度预测：主要是通过历史污染物和气象信息，对PM2.5、PM10等一系列空气污染在未来一定时间内的浓度进行预测，是环境科学、气象科学、计算机科学等都在重点研究的课题之一，因而具有一定的学科交叉性。

定义2：

传统预测方法：本实施例中，非深度学习的空气污染物浓度预测方法统称为传统的预测方法，如基于历史数据和统计学方法的经验模型的预测；基于统计学和数学方法或模型建立概率模型的预测；利用综合方法的预测；以及基于传统机器学习建立的预测模型等，均属于传统预测法。

如图1至图3所示，本发明提供一种基于多站点时空关联的城市污染物浓度预测方法，包括以下步骤：

步骤S1：提取D时间序列的城市内多个站点的空气污染物浓度和气象数据；

步骤S2：将数据输入具有卷积层和池化层的CNN中进行空间关联性特征提取，再将提取过的特征数据输入到自编码网络的编码器中进行时间关联特征提取；

具体地，基于深度学习原理，利用一种基于多站点的时空预测问题建模方法构建城市污染物浓度预测的模型；CNN是模型的底部，用于提取空间特征，卷积和池化后获得数据之间的相关性；基于LSTM的自编码网络是模型的顶部，用于提取输入的时间序列特征，产生最终的预测结果。

图2中，具体城市污染物浓度预测模型的建模数据流表示为：给定多个站点S＝{s₁,s₂,..s_t..,s_n}，其中s_t为目标站点，其余站点为相邻站点，n为站点总数。例如站点s₁包含污染物浓度及气象数据的时间序列数据集合

其中，r₁,r₂,..r_w分别代表AQI、PM₁₀、SO₂、NO₂、O₃、CO等相关污染物浓度特征数据和气温、大气压、风向、风速、云量、气象条件、相对湿度和累积降雨量等气象数据作为预测目标污染物PM_2.5的辅助数据，r_t为待预测的目标污染物PM_2.5的时间序列，w为每个站点包含的污染物浓度及气象数据特征总数。在当前多站点数据集下，数据的输入格式、输入时间间隔以及未来污染物浓度预测的时间序列的长度分别为：

给定一个时间点t，将t之前的D小时内的数据作为历史输入数据，数据时间间隔为1小时，令T₁＝{t-D,t-D+1,...,t}为t之前的D小时内输入到预测模型中的数据序列，用于预测之后M个小时T₂＝{t+1,t+2,...t+M}的目标污染物r_t的浓度，预测数据的时间间隔也为1小时，且每个时间点的输入数据为一个n×w的二维矩阵I_i。

输入数据时间间隔为1小时，将t之前的D小时内的数据表示为：I＝{I_t-D,I_t-D+1,...,I_t}，其中I的维度为D×(n×w)，对于M小时后预测的目标污染物的浓度序列时间间隔也为1小时，t之后的预测序列数据表示为：P＝{P_t+1,P_t+2,...,P_t+M}，其中P的维度为(M×1)，将CAE-Learning模型表示为目标函数：

f_CAE(I＝{I_t-D,I_t-D+1,...,I_t})＝{P_t+1,P_t+2,...,P_M}

步骤S2中，城市污染物浓度预测模型训练参数调优及预测的具体步骤如下：

步骤S2.1：用前D小时的污染物浓度和气象数据作为CNN网络的输入；

步骤S2.2：自编码网络由LSTM构成的编码器部分来提取出城市空气污染物浓度和气象数据的时序特征，实现对历史污染物的浓度和气象数据的编码，然后形成一个具有时序特征的隐藏向量C；

步骤S2.3：隐藏向量作为解码器端的输入，解码器部分则将每个时刻的隐藏状态输入到全连接层产生最终的预测结果，即下一时刻的目标污染物浓度预测值。

步骤S2.4：调节网络的参数，最终得到最优的参数；

具体地，使用在CNN中加入dropout的方法避免过拟合，并且在整个模型中使用随机梯度下降法，通过误差反向传播的方式计算误差函数来对网络全部权重和偏置值的梯度进行更新，直至模型的性能符合期望，同时避免网络对训练数据的过度学习，使用EN(Elastic Net)算法进行正则化约束，使目标函数在训练的fine-tuning阶段达到最小：

其中网络的目标函数设置为均方根误差和正则项之和，O_i是目标污染物的观测值(观察值)，P_i是目标污染物的预测值，N为预测的时间段污染物浓度时间序列长度，λ为一个非负超参数，

包含了整个训练过程参数，包括卷积层的权值矩阵、池化层的权值矩阵、自编码网络内部神经元之间传递信息的权值矩阵、全连接层的权值矩阵，ζ为控制惩罚大小使用的比例参数，且ζ∈(0，1)。

步骤S2.5：采用训练好的城市污染物浓度预测模型进行预测，得到目标污染物PM2.5浓度的预测结果。

综上，本发明建立在已存在的两种深度神经网络的研究上的，利用两种神经网络的特点和优势，建立一种可以预测目标城市未来一定时间内的PM2.5浓度的模型，CNN是模型的底部，用于提取空间特征，卷积和池化后获得数据之间的相关性。基于LSTM的自编码网络是模型的顶部，用于提取输入的时间序列特征。该模型对应的预测任务是用城市内分布的多个监测站点的污染物浓度数据和气象数据作为模型的初始特征输入，来预测特定目标站点未来N小时内的污染物浓度。从基于真实数据的实验证明，对于时空融合的时间序列预测问题，该模型和其他对比模型相比有很好的预测性能，在上海市的测试数据集上获得了的不错预测效果后，在杭州、苏州、重庆、北京这四个城市也有着很好的表现，具有较好的泛化能力，因而具有实际性的应用前景。

Claims (10)

1.一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，包括以下步骤：

1)获取设定时间范围的城市范围内多个分布站点的空气污染物浓度和气象数据；

2)构建城市污染物浓度预测模型并进行训练参数调优后，以空气污染物浓度和气象数据作为训练好的城市污染物浓度预测模型输入，获取城市污染物浓度预测结果。

2.根据权利要求1所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，所述的步骤2)中，所述的城市污染物浓度预测模型以包含卷积层和池化层的CNN网络作为模型底部，用以提取空间关联性特征，并且以基于LSTM的自编码网络作为模型顶部，用以提取时间关联性特征并生成最终的预测结果。

3.根据权利要求1所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，所述的步骤1)中，在空间维度上，对于分布在城市范围内的多个站点S＝{s₁,s₂,..s_t..,s_n}，其中，s_t为目标站点，其余站点为目标站点的相邻站点，n为站点总数，第k个站点采集包含污染物浓度及气象数据的时间序列数据集合R_sk＝{r₁,r₂,..r_t..r_w}，其中，r_t表示待预测的目标污染物的时间序列，除r_t以外的其余时间序列为与待预测的目标污染物相关的特征序列，w表示总特征数。

4.根据权利要求3所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，在时间维度上，给定一个时间点t，将在时间点t之前的D小时内的数据作为城市污染物浓度预测模型的历史输入数据，用于预测在时间点t之后的M个小时的目标污染物浓度，且每个时间点对应的输入数据均为一个n×w的二维矩阵I_i。

5.根据权利要求4所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，在时间点t之前的D小时内的空气污染物浓度和气象数据表示为I＝{I_t-D,I_t-D+1,...,I_t}，其维度为D×(n×w)，在时间点t之后的M个小时的目标污染物浓度数据表示为P＝{P_t+1,P_t+2,...,P_t+M}，其维度为(M×1)，采用CAE-Learning模型表示为目标函数则有：

f_CAE(I＝{I_t-D,I_t-D+1,...,I_t})＝{P_t+1,P_t+2,...,P_M}。

6.根据权利要求4所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，城市污染物浓度预测模型的历史输入数据与预测目标污染物浓度数据的时间间隔相同，且均为1小时。

7.根据权利要求5所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，所述的步骤2)中，城市污染物浓度预测模型训练参数调优及预测具体包括以下步骤：

21)以包含空气污染物浓度和气象数据的训练数据集作为CNN网络的输入；

22)自编码网络中由LSTM构成的编码器部分提取城市空气污染物浓度和气象数据的时间关联性特征，实现对历史污染物的浓度和气象数据的编码，生成一个具有时序特征的隐藏向量C；

23)将隐藏向量C作为解码器部分的输入，解码器部分将每个时刻的隐藏状态输入到全连接层并产生最终的预测结果，即下一时刻目标污染物的浓度预测值；

24)定义训练目标，获取使得目标函数最小时的参数，完成参数调优；

25)以时间点t之前的D小时内的空气污染物浓度和气象数据输入到训练好的城市污染物浓度预测模型进行目标污染物浓度的预测。

8.根据权利要求7所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，在训练过程中，通过在CNN网络中加入dropout的方式避免过拟合，并且使用随机梯度下降法，通过误差反向传播的方式计算误差函数来对网络全部权重和偏置值的梯度进行更新，直至模型的性能符合期望。

9.根据权利要求7所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，所述的步骤24)中，在训练过程中，目标函数在均方根误差的基础上增加正则化约束避免网络对训练数据的过度学习。

10.根据权利要求9所述的一种基于多站点时空关联的城市污染物浓度预测方法，其特征在于，所述的目标函数

的表达式为：

其中，O_i为目标污染物的观测值，P_i为目标污染物的预测值，N为预测时间段污染物浓度的时间序列长度，λ为非负超参数，

为整个训练过程参数，包括卷积层的权值矩阵、池化层的权值矩阵、自编码网络内部神经元之间传递信息的权值矩阵、全连接层的权值矩阵，ζ为控制惩罚大小使用的比例参数，且ζ∈(0，1)。

Images