CN114298270A - 融合领域知识的污染物浓度预测方法及其相关设备 - Google Patents
融合领域知识的污染物浓度预测方法及其相关设备 Download PDFInfo
- Publication number
- CN114298270A CN114298270A CN202111466394.6A CN202111466394A CN114298270A CN 114298270 A CN114298270 A CN 114298270A CN 202111466394 A CN202111466394 A CN 202111466394A CN 114298270 A CN114298270 A CN 114298270A
- Authority
- CN
- China
- Prior art keywords
- pollutant concentration
- node
- nodes
- value
- future
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合领域知识的污染物浓度预测方法,其中,该方法包括:获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据,将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度值和节点未来时刻污染物浓度值,将节点当前时刻污染物浓度值、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值与预设目标值的损失函数,基于损失函数进行模型训练,并根据训练结果,获取污染物浓度预测值。该方法实现了对污染物浓度的精准预测,提高了污染物浓度预测的精准度。
Description
技术领域
本发明涉及气象预测技术领域,尤其涉及一种融合领域知识的污染物浓度预测方法、装置、计算机设备和计算机可读存储介质。
背景技术
随着工业化的发展,大气中存在许多有可能危害人体健康的污染物,对污染物准确实时预测,有助于政府做出决策,指导工厂建设,有助于工厂排放治理,还有助于提前对重污染物天气预防,帮助个人做出出行规划。
相关技术中,可通过数值式预测对污染物进行预测,其中,数值式预测可理解为通过微分方程建模污染物的传播与化学反应,该方法融合了环境领域最权威的研究成果,领域知识强;可解释性强,是环境领域主流的污染物溯源方法。然而,这种方法只能依赖工厂的污染物排放清单来预测不同污染物的质量浓度,且只适用于对污染事件的仿真模拟和离线模式,因此,如何更好的实现对污染物准确预测成为亟待解决的问题。
发明内容
本申请的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本申请的第一个目的在于提出一种融合领域知识的污染物浓度预测方法,该方法利用有向图能够有效融合领域知识,且通过图神经网络GNN模型与门控循环神经单元GRU相结合,实现对污染物浓度的精准预测,提高了污染物浓度预测的精准度。
本申请的第二个目的在于提出一种融合领域知识的污染物浓度预测装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的,本申请第一方面实施例提出的一种融合领域知识的污染物浓度预测方法,包括:获取节点的有向图,其中,所述有向图包括所述节点信息以及所述节点之间的有向边,所述有向边用于表示所述节点之间的关系数据;将所述节点信息和所述关系数据输入至图神经网络GNN模型,获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值;将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数;以及基于所述损失函数进行模型训练,并根据所述训练结果,获取污染物浓度预测值。
根据本申请实施例的融合领域知识的污染物浓度预测方法,可获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据,然后将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度值和节点未来时刻污染物浓度值,之后将节点当前时刻污染物浓度值、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值与预设目标值的损失函数,基于损失函数进行模型训练,并根据训练结果,获取污染物浓度预测值。该方法利用有向图能够有效融合领域知识,且通过图神经网络GNN模型与门控循环神经单元GRU相结合,实现对污染物浓度的精准预测,提高了污染物浓度预测的精准度。
为达到上述目的,本申请第二方面实施例提出的一种融合领域知识的污染物浓度预测装置,包括:第一获取模块,用于获取节点的有向图,其中,所述有向图包括所述节点信息以及所述节点之间的有向边,所述有向边用于表示所述节点之间的关系数据;第二获取模块,用于将所述节点信息和所述关系数据输入至图神经网络GNN模型,获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值;第三获取模块,用于将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数;以及第四获取模块,用于基于所述损失函数进行模型训练,并根据所述训练结果,获取污染物浓度预测值。
根据本申请实施例的融合领域知识的污染物浓度预测装置,可获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据,然后将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度值和节点未来时刻污染物浓度值,之后将节点当前时刻污染物浓度值、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值与预设目标值的损失函数,基于损失函数进行模型训练,并根据训练结果,获取污染物浓度预测值。由此利用有向图能够有效融合领域知识,且通过图神经网络GNN模型与门控循环神经单元GRU相结合,实现对污染物浓度的精准预测,提高了污染物浓度预测的精准度。
为达到上述目的,本申请第三方面实施例提出的计算机设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面实施例所述的融合领域知识的污染物浓度预测方法。
为达到上述目的,本申请第四方面实施例提出的计算机可读存储介质,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的融合领域知识的污染物浓度预测方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一个实施例的融合领域知识的污染物浓度预测方法的流程图;
图2是根据本申请一个具体实施例的融合领域知识的污染物浓度预测方法的流程图;
图3是根据本申请一个实施例的图神经网络GNN模型迭代过程的结构示意图;
图4是根据本申请一个实施例的融合领域知识的污染物浓度预测装置的结构示意图;
图5是根据本发明一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
相关技术中,可通过数值式预测对污染物进行预测,其中,数值式预测可理解为通过微分方程建模污染物的传播与化学反应,该方法融合了环境领域最权威的研究成果,领域知识强;可解释性强,是环境领域主流的污染物溯源方法。然而,这种方法只能依赖工厂的污染物排放清单来预测不同污染物的质量浓度,且只适用于对污染事件的仿真模拟和离线模式,因此,如何更好的实现对污染物精准预测成为亟待解决的问题。
为此,本申请提出了一种融合领域知识的污染物浓度预测方法、装置、计算机设备和存储介质,本申请解决了相关技术中污染物预测不精准的技术问题。具体地,下面参考附图描述本申请实施例的融合领域知识的污染物浓度预测方法、装置、计算机设备和计算机可读存储介质。
图1是根据本申请一个实施例的融合领域知识的污染物浓度预测方法的流程图,需要说明的是,本申请实施例的融合领域知识的污染物浓度预测方法可适用于本申请实施例的融合领域知识的污染物浓度预测装置,该装置可被配置于计算机设备上。
如图1所示,该融合领域知识的污染物浓度预测方法可以包括:
S110,获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据。
其中,节点信息包括历史时刻污染物浓度值、预测时刻气象信息,关系数据包括节点之间的连边属性及节点之间的邻接矩阵。
其中,在本申请的实施例中,可通过各监测站获取历史时刻污染物浓度值、预测时刻气象信息。例如,污染物监测站可实时采集污染物浓度值,进而可获取历史时刻污染物浓度值;又如,可通过气象监测站实时获取预测时刻气象信息。
其中,预测时刻气象信息包括但不仅限于温度、湿度、气压、边界层高度等。其中,边界层高度可理解为较忽略因素,且能反应逆温层的高度,与污染物的垂直上的扩散有直接的关系。
其中,连边属性可理解为与污染物水平方向上的传播有关的量,包括但不仅限于风速、风向等。
其中,邻接矩阵可通过以下方式建立:根据节点信息和节点之间的连边属性,确定邻居节点信息,通过计算节点与邻居节点之间的距离和海拔,建立节点之间的邻接矩阵。
S120,将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度和节点未来时刻污染物浓度值。
也就是说,将历史时刻污染物浓度值、预测时刻气象信息、节点之间的连边属性及节点之间的邻接矩阵输入至图神经网络GNN模型,可获取节点当前时刻污染物浓度和节点未来时刻污染物浓度值。具体的实现过程可参考后续实施例。
S130,将节点当前时刻污染物浓度值、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值与预设目标值的损失函数。
在本申请的实施例中,获取到节点当前时刻污染物浓度和所述节点未来时刻污染物浓度值,可将节点当前时刻污染物浓度、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值,然后采用均方根误差RMSE或均方误差MAE,计算节点未来时刻污染物浓度的估计值与预设目标值的损失函数。具体的实现过程可参考后续实施例。
S140,基于损失函数进行模型训练,并根据训练结果,获取污染物浓度预测值。
在本申请的实施例中,可根据损失函数,更新模型参数,然后对更新的模型继续进行训练,直至模型收敛,将收敛的模型确定为图神经网络GNN预测模型,用于获取污染物浓度预测值。
根据本申请实施例的融合领域知识的污染物浓度预测方法,可获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据,然后将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度值和节点未来时刻污染物浓度值,之后将节点当前时刻污染物浓度值、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值与预设目标值的损失函数,基于损失函数进行模型训练,并根据训练结果,获取污染物浓度预测值。该方法利用有向图能够有效融合领域知识,且通过图神经网络GNN模型与门控循环神经单元GRU相结合,实现对污染物浓度的精准预测,提高了污染物浓度预测的精准度。
为了本领域人员更容易理解本申请,图2是根据本申请一个具体实施例的融合领域知识的污染物浓度预测方法的流程图。如图2所示,该融合领域知识的污染物浓度预测方法可以包括:
S210,获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据。
其中,节点信息包括历史时刻污染物浓度值、预测时刻气象信息,关系数据包括节点之间的连边属性及节点之间的邻接矩阵。
其中,在本申请的实施例中,可通过各监测站获取历史时刻污染物浓度值、预测时刻气象信息。
其中,预测时刻气象信息包括但不仅限于温度、湿度、气压、边界层高度等。其中,边界层高度可理解为较忽略因素,且能反应逆温层的高度,与污染物的垂直上的扩散有直接的关系。
其中,连边属性可理解为与污染物水平方向上的传播有关的量,包括但不仅限于风速、风向等。
其中,邻接矩阵可通过以下方式建立:根据节点信息和节点之间的连边属性,确定邻居节点信息,通过计算节点与邻居节点之间的距离和海拔,建立节点之间的邻接矩阵。
举例而言,可根据污染物的垂直分布与水平传播,对距离约束为100-800米以内,对海拔约束为1.2千米以下,建立节点之间的邻接矩阵。
S220,将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度和节点未来时刻污染物浓度值。
其中,在本申请的实施例中,图神经网络GNN模型可通过以下方式预先训练得到:通过获取多个节点信息样本和节点对应的关系数据样本,然后通过图卷积网络GCN分别对多个节点信息样本和节点对应的关系数据样本进行卷积,将卷积后的多个节点信息样本和节点对应的关系数据样本输入至图注意力网络GAN,进行空间特征自学习训练,得到图神经网络GNN模型。
在本申请的一个实施例中,将历史时刻污染物浓度值和当前时刻气象信息输入至图神经网络GNN模型,图神经网络GNN模型可输出当前时刻污染物浓度值,进而可获取节点当前时刻污染物浓度值。
在本申请的另一个实施例中,如图3所示,将节点的当前时刻污染物浓度值和未来时刻天气信息输入至图神经网络GNN模型,图神经网络GNN模型可输出节点未来时刻污染物浓度值,进而可获取节点未来时刻污染物浓度值。
S230,将节点当前时刻污染物浓度值、节点未来时刻污染物浓度和关系数据输入至门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值。
其中,门控循环神经单元GRU包括输入层、隐藏层和输出层。
在本申请的实施例中,可将节点当前时刻污染物浓度值、节点未来时刻污染物浓度和关系数据输入至输入层,隐藏层的GRU模块单元接收来自输入层的输入数据,并按时间顺序建立时间序列数据,之后将隐藏层计算结果传输到输出层中作为下一时刻的污染物浓度,并将下一时刻的污染物浓度作为节点未来时刻污染物浓度的估计值。
S240,采用均方根误差RMSE或均方误差MAE,计算节点未来时刻污染物浓度的估计值与预设目标值的损失函数。
其中,损失函可理解为建模型得到的估计值与预设目标值之间的差距。
需要说明的是,模型训练中,损失函数计算的是均方根误差,并反向传播更新模型参数。
S250,根据损失函数,更新模型参数。
也就是说,计算模型输入与输出的均方根误差,根据误差,通过随机梯度下降更新模型参数。
S260,对更新的模型继续进行训练,直至模型收敛,将收敛的模型确定为图神经网络GNN预测模型,用于获取污染物浓度预测值。
也就是说,计算模型输入与输出的均方根误差,根据误差,通过随机梯度下降更新模型参数,整个过程迭代进行,直到收敛。迭代过程是对污染物浓度时域和空域特征的自动学习,替代了大量特征工程和领域内知识的设计过程,抓住了数据本身规律,具备客观性。
需要说明的是,该图神经网络GNN预测模型充分考虑了温度、湿度、气压、风速、风向、距离、海拔等因素,充分精确地提取了基于有向图的丰富信息,使得给图神经网络GNN预测模型提供了更多可靠的特征,体现了节点之间的污染物传输过程。
综上所述,本申请实施例结合图神经网络GNN模型和门控循环神经单元GRU,充分学习了污染物浓度的时域和空域特征,尤其是对节点信息和节点对应的关系数据进行的卷积操作,充分利用了传统方法忽略的空间关系,以及通过门控循环神经单元GRU利用了污染物浓度在时间上的相关性,这样可以有效捕获时空期依赖关系,并对污染物浓度值有长期的捕捉能力。
与上述几种实施例提供的融合领域知识的污染物浓度预测方法相对应,本申请的一种实施例还提供一种融合领域知识的污染物浓度预测装置,由于本申请实施例提供的融合领域知识的污染物浓度预测装置与上述几种实施例提供的融合领域知识的污染物浓度预测方法相对应,因此在融合领域知识的污染物浓度预测方法的实施方式也适用于本实施例提供的融合领域知识的污染物浓度预测装置,在本实施例中不再详细描述。图4是根据本申请一个实施例的融合领域知识的污染物浓度预测装置的结构示意图。
如图4所示,该融合领域知识的污染物浓度预测400包括:第一获取模块410、第二获取模块420、第三获取模块430和第四获取模块440,其中:
第一获取模块410,用于获取节点的有向图,其中,所述有向图包括所述节点信息以及所述节点之间的有向边,所述有向边用于表示所述节点之间的关系数据;
第二获取模块420,用于将所述节点信息和所述关系数据输入至图神经网络GNN模型,获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值;
第三获取模块430,用于将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数;以及
第四获取模块440,用于基于所述损失函数进行模型训练,并根据所述训练结果,获取污染物浓度预测值。
根据本申请实施例的融合领域知识的污染物浓度预测装置,可获取节点的有向图,其中,有向图包括节点信息以及节点之间的有向边,有向边用于表示节点之间的关系数据,然后将节点信息和关系数据输入至图神经网络GNN模型,获取节点当前时刻污染物浓度值和节点未来时刻污染物浓度值,之后将节点当前时刻污染物浓度值、节点未来时刻污染物浓度值和关系数据输入门控循环神经单元GRU,得到节点未来时刻污染物浓度的估计值与预设目标值的损失函数,基于损失函数进行模型训练,并根据训练结果,获取污染物浓度预测值。由此利用有向图能够有效融合领域知识,且通过图神经网络GNN模型与门控循环神经单元GRU相结合,实现对污染物浓度的精准预测,提高了污染物浓度预测的精准度。
在本申请的一个实施例中,所述节点信息包括历史时刻污染物浓度值、预测时刻气象信息,所述关系数据包括所述节点之间的连边属性及所述节点之间的邻接矩阵,其中,所述邻接矩阵通过以下方式建立:根据所述节点信息和所述节点之间的连边属性,确定邻居节点信息;通过计算所述节点与所述邻居节点之间的距离和海拔,建立所述节点之间的邻接矩阵。
在本申请的一个实施例中,还包括:模型训练模块,其中,所述模型训练模块,具体用于:获取多个节点信息样本和节点对应的关系数据样本;通过图卷积网络GCN分别对所述多个节点信息样本和所述节点对应的关系数据样本进行卷积;将卷积后的所述多个节点信息样本和所述节点对应的关系数据样本输入至图注意力网络GAN,进行空间特征自学习训练,得到图神经网络GNN模型。
在本申请的一个实施例中,所述第三获取模块430,包括:获取单元,用于所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值;计算单元,用于采用均方根误差RMSE或均方误差MAE,计算所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数。
在本申请的一个实施例中,所述门控循环神经单元GRU包括输入层、隐藏层和输出层,其中,所述获取单元,具体用于:所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述输入层;所述隐藏层的GRU模块单元接收来自所述输入层的输入数据,并按时间顺序建立时间序列数据;将所述隐藏层计算结果传输到输出层中作为下一时刻的污染物浓度,并将所述下一时刻的污染物浓度作为所述节点未来时刻污染物浓度的估计值。
在本申请的一个实施例中,所述第四获取模块,具体用于:根据所述损失函数,更新模型参数;对更新的模型继续进行训练,直至模型收敛,将所述收敛的模型确定为图神经网络GNN预测模型,用于所述获取污染物浓度预测值。
为了实现上述实施例,本申请还提出了一种计算机设备。
图5是根据本申请一个实施例的计算机设备的结构示意图。如图5所示,该计算机设备500可以包括:存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530,处理器520执行程序时,实现本申请上述任一项所述的融合领域知识的污染物浓度预测方法。
为了实现上述实施例,本申请还提出了一种计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的融合领域知识的污染物浓度预测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种融合领域知识的污染物浓度预测方法,其特征在于,包括:
获取节点的有向图,其中,所述有向图包括所述节点信息以及所述节点之间的有向边,所述有向边用于表示所述节点之间的关系数据;
将所述节点信息和所述关系数据输入至图神经网络GNN模型,获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值;
将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数;以及
基于所述损失函数进行模型训练,并根据所述训练结果,获取污染物浓度预测值。
2.根据权利要求1所述的方法,其特征在于,所述节点信息包括历史时刻污染物浓度值、预测时刻气象信息,所述关系数据包括所述节点之间的连边属性及所述节点之间的邻接矩阵,其中,所述邻接矩阵通过以下方式建立:
根据所述节点信息和所述节点之间的连边属性,确定邻居节点信息;
通过计算所述节点与所述邻居节点之间的距离和海拔,建立所述节点之间的邻接矩阵。
3.根据权利要求1所述的方法,其特征在于,将所述节点信息和所述关系数据输入至图神经网络GNN模型,所述图神经网络GNN模型通过以下方式预先训练得到:
获取多个节点信息样本和节点对应的关系数据样本;
通过图卷积网络GCN分别对所述多个节点信息样本和所述节点对应的关系数据样本进行卷积;
将卷积后的所述多个节点信息样本和所述节点对应的关系数据样本输入至图注意力网络GAN,进行空间特征自学习训练,得到图神经网络GNN模型。
4.根据权利要求1所述的方法,其特征在于,所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数,包括:
所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值;
采用均方根误差RMSE或均方误差MAE,计算所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数。
5.根据权利要求4所述的方法,其特征在于,所述门控循环神经单元GRU包括输入层、隐藏层和输出层,其中,所述得到所述节点未来时刻污染物浓度的估计值,包括:
所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述输入层;
所述隐藏层的GRU模块单元接收来自所述输入层的输入数据,并按时间顺序建立时间序列数据;
将所述隐藏层计算结果传输到输出层中作为下一时刻的污染物浓度,并将所述下一时刻的污染物浓度作为所述节点未来时刻污染物浓度的估计值。
6.根据权利要求1所述的方法,其特征在于,所述基于所述损失函数进行模型训练,并根据所述训练结果,获取污染物浓度预测值,包括:
根据所述损失函数,更新模型参数;
对更新的模型继续进行训练,直至模型收敛,将所述收敛的模型确定为图神经网络GNN预测模型,用于所述获取污染物浓度预测值。
7.一种融合领域知识的污染物浓度预测装置,其特征在于,包括:
第一获取模块,用于获取节点的有向图,其中,所述有向图包括所述节点信息以及所述节点之间的有向边,所述有向边用于表示所述节点之间的关系数据;
第二获取模块,用于将所述节点信息和所述关系数据输入至图神经网络GNN模型,获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值;
第三获取模块,用于将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数;以及
第四获取模块,用于基于所述损失函数进行模型训练,并根据所述训练结果,获取污染物浓度预测值。
8.根据权利要求7所述的装置,其特征在于,所述节点信息包括历史时刻污染物浓度值、预测时刻气象信息,所述关系数据包括所述节点之间的连边属性及所述节点之间的邻接矩阵,其中,所述邻接矩阵通过以下方式建立:
根据所述节点信息和所述节点之间的连边属性,确定邻居节点信息;
通过计算所述节点与所述邻居节点之间的距离和海拔,建立所述节点之间的邻接矩阵。
9.根据权利要求7所述的装置,其特征在于,还包括:模型训练模块,其中,所述模型训练模块,具体用于:
获取多个节点信息样本和节点对应的关系数据样本;
通过图卷积网络GCN分别对所述多个节点信息样本和所述节点对应的关系数据样本进行卷积;
将卷积后的所述多个节点信息样本和所述节点对应的关系数据样本输入至图注意力网络GAN,进行空间特征自学习训练,得到图神经网络GNN模型。
10.根据权利要求7所述的装置,其特征在于,所述第三获取模块,包括:
获取单元,用于所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述门控循环神经单元GRU,得到所述节点未来时刻污染物浓度的估计值;
计算单元,用于采用均方根误差RMSE或均方误差MAE,计算所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数。
11.根据权利要求10所述的装置,其特征在于,所述门控循环神经单元GRU包括输入层、隐藏层和输出层,其中,所述获取单元,具体用于:
所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述输入层;
所述隐藏层的GRU模块单元接收来自所述输入层的输入数据,并按时间顺序建立时间序列数据;
将所述隐藏层计算结果传输到输出层中作为下一时刻的污染物浓度,并将所述下一时刻的污染物浓度作为所述节点未来时刻污染物浓度的估计值。
12.根据权利要求7所述的装置,其特征在于,所述第四获取模块,具体用于:
根据所述损失函数,更新模型参数;
对更新的模型继续进行训练,直至模型收敛,将所述收敛的模型确定为图神经网络GNN预测模型,用于所述获取污染物浓度预测值。
13.一种计算机设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1至6中任一项所述的融合领域知识的污染物浓度预测方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的融合领域知识的污染物浓度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466394.6A CN114298270A (zh) | 2021-12-03 | 2021-12-03 | 融合领域知识的污染物浓度预测方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466394.6A CN114298270A (zh) | 2021-12-03 | 2021-12-03 | 融合领域知识的污染物浓度预测方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298270A true CN114298270A (zh) | 2022-04-08 |
Family
ID=80965767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111466394.6A Pending CN114298270A (zh) | 2021-12-03 | 2021-12-03 | 融合领域知识的污染物浓度预测方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298270A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779651A (zh) * | 2022-06-17 | 2022-07-22 | 北京格瑞高科科技股份有限公司 | 一种基于物联网的五恒空间系统的控制方法、装置 |
CN115458071A (zh) * | 2022-08-08 | 2022-12-09 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
-
2021
- 2021-12-03 CN CN202111466394.6A patent/CN114298270A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779651A (zh) * | 2022-06-17 | 2022-07-22 | 北京格瑞高科科技股份有限公司 | 一种基于物联网的五恒空间系统的控制方法、装置 |
CN115458071A (zh) * | 2022-08-08 | 2022-12-09 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
CN115458071B (zh) * | 2022-08-08 | 2024-02-02 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN114298270A (zh) | 融合领域知识的污染物浓度预测方法及其相关设备 | |
CN110969854A (zh) | 一种交通流量的预测方法、系统及终端设备 | |
CN112085163A (zh) | 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 | |
CN114998691B (zh) | 半监督船舶分类模型训练方法及装置 | |
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 | |
Beck | Principles of modelling | |
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 | |
CN111505740A (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
CN113591215A (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN117494871A (zh) | 一种考虑船舶交互影响的船舶轨迹预测方法 | |
CN115561834A (zh) | 基于人工智能气象短临预报一体机 | |
CN114970946A (zh) | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN117593877A (zh) | 一种基于集成图卷积神经网络的短时交通流预测方法 | |
CN111428405A (zh) | 细颗粒物浓度仿真方法、装置、存储介质及电子设备 | |
CN116630277A (zh) | 一种基于持续学习的pcb板缺陷检测方法及装置 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN115238245B (zh) | 污染物监测方法、装置、存储介质及电子设备 | |
CN115204489A (zh) | 基于图注意力网络和天气权重的城市车速预测方法及系统 | |
CN113868223A (zh) | 水质监测方法、装置、系统和可读存储介质 | |
CN113570159A (zh) | 一种径流预测方法、系统及计算机存储介质 | |
CN117292584B (zh) | 基于gcn-lstm模型的多机场终端区流量预测方法及系统 | |
Yang et al. | [Retracted] Urban Ecological Monitoring and Prediction Based on Deep Learning |
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 |