[发明专利]空气污染物浓度时空域关联预测方法

说明书

本发明涉及一种空气污染物浓度时空域关联预测方法，包括：步骤S1：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网络预测模型；步骤S2：从环境监测数据中选择合适的训练和测试数据，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路预测模型；步骤S4：利用验证集选择模型的超参数(层数、节点数、学习率)，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。与现有技术相比，本发明使用卷积LSTM网络为中间层，实现对底层ResNet网络提取到的空间特征进行深层次时空关联特征提取，从而提升网络模型的预测性能，使用全连接层接收卷积LSTM的隐藏状态，产生最终的预测结果。

技术领域

本发明涉及一种城市空气污染物浓度预测方法，尤其是涉及一种空气污染物浓度时空域关联预测方法。

背景技术

近年来，空气污染问题的日益严重引发了全世界的广泛关注。以PM2.5与PM10等污染物给人们的生活健康带来巨大的影响。空气污染问题日益突出，空气污染分析和预测具有复杂性和动态性，涉及多部门、多地区和多领域，对空气污染进行准确的预测，需要处理大量与之相关的环境数据和环境信息。各类机构重视并聚焦于空气污染的应对与处理能力的提升，其中空气污染预测技术是目前关注的焦点问题之一。目前，深度学习技术为代表的新型人工智能技术，为综合利用空气污染海量监测数据实现高精度预测提供了新的技术支撑。因此，如何借助深度学习技术，实现空气污染预测技术的性能提升，是目前环境污染现状下我们所要解决的一个问题。

传统的空气污染物浓度预测技术主要以数值预测为关键手段，可以借助过往历史污染浓度数据实现对未来污染状态的预测分析。大多传统的空气污染物浓度数值预测模型，主要包括：基于假设理论和先验知识的确定性模型；基于数理统计的模型；基于小样本数据的传统机器学习的模型等。这些模型主要的优点在于计算复杂度低、计算速度快、易于实现。然而，面对空气污染数据维度高、影响因素多样性高、污染检测数据海量化等情况，传统数值分析模型遇到了以下关键难题：(1)分析模型采用的数据源过于单一，大多仅建立在污染数据单一集合上面，缺乏对其他环境因素，如天气数据的综合考虑；(2)在空间维度和时间维度上，传统模型缺乏对污染数据内部时空关联特征的挖掘能力，无法实现数据内部深层次联系提取和应对突变天气环境带来的影响；(3)模型的大规模数据运用能力有限，很难从大数据的角度挖掘出污染物的时空相关性。

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空气污染物浓度时空域关联预测方法。

本发明的目的可以通过以下技术方案来实现：

一种空气污染物浓度时空域关联预测方法，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合适的训练和测试数据，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路预测模型；

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；