[发明专利]空气污染物浓度时空域关联预测方法

权利要求书

1.一种空气污染物浓度时空域关联预测方法，其特征在于，包括：

步骤S1：根据环境监测各类污染物浓度和气象因子的数据及时空分布特点，以PM2.5为样例的目标污染物预测，构建基于残差网络和卷积LSTM网络的预测模型，

步骤S2：从环境监测数据中选择训练和测试数据，完成对预测模型的初始化，

步骤S3：对预测模型逐阶段进行训练，得到能够对PM2.5进行精确预测的神经网络预测模型，

步骤S4：利用验证集选择模型的超参数，直至模型最优，

步骤S5：利用验证后的预测模型进行城市PM2.5预测；

所述预测模型包括：

底层，由ResNet组成，用于压缩和提取输入数据空间关联特征，并以三维特征序列形式输出；

高层，由Convolutional LSTM组成，用于基于三维特征序列产生最终预测序列；

所述步骤S2中模型初始化过程包括：

步骤S21：对选取的监测数据进行归一化的预处理，并将数据集按照70％，15％，15％的比例划分训练集、验证集和测试集；

步骤S22：设置模型的误差阈值，将训练集的污染物数据和气象数据转化为二维矩阵输入模型；

ResNet网络的卷积层数取为9层，卷积核的尺寸为3x3，Convolutional LSTM网络为单层，全连接层的每层神经元数量分别为256和64；

对于ResNet网络，定义其训练阶段的损失函数为均方根误差函数：

其中：RMSE为均方根误差函数，y_i为污染物浓度的观测值，p_i为污染物浓度的预测值，n为预测序列的长度，

对于整个预测模型，定义其训练阶段的损失函数为：

其中：为整个预测模型训练阶段的损失函数，λ为非负参数，ζ为控制L1，L2使用比例的参数，为网络中连接权值的集合；

所述步骤S3具体包括：

步骤S31：将被转化成二维矩阵的输入特征输入到ResNet中对ResNet进行训练，以ResNet网络训练阶段的损失函数衡量预测的准确性，直至误差小于设定阈值，

步骤S32：基于训练集数据对整个预测模型进行训练；

所述步骤S31中，ResNet网络训练阶段输入的二维矩阵中，包括以下因子：PM2.5浓度，温度，风速，风向，湿度，降水量，PM10，站点。

2.根据权利要求1所述的一种空气污染物浓度时空域关联预测方法，其特征在于，所述步骤S31中，ResNet的内部结构是以重构单元为单位对传统CNN重构，每一层的重构单元为三层的卷积层，每一个重构单元的输入为上一个重构单元的输入和输出的和，其中，输入和输出的和表示输入和输出特征图中每个对应通道的特征值相加过后得到的新的特征图。

3.根据权利要求1所述的一种空气污染物浓度时空域关联预测方法，其特征在于，所述步骤S32中训练过程具体包括：

步骤S321：ConvLSTM对ResNet输出的信息进行选择性遗忘；

步骤S322：ConvLSTM选择输入信息中用来更新状态单元的信息；

步骤S323：将旧的单元状态更新为新的单元状态；

步骤S324：基于新的单元状态确定输出信息输出提取的最终时空序列特征。