[发明专利]一种基于时空深度学习的移动污染源排放浓度预测方法

说明书

本发明公开了一种基于深度学习的移动污染源排放浓度预测方法，本发明根据移动污染源污染物的区域时空分布特点，提出基于注意力机制的卷积长短期记忆神经网络预测方法。首先，通过分析站点之间的Granger因果关系并开发超参数高斯向量权重函数以确定空间自相关变量作为输入特征的一部分。其次，使用卷积神经网络来提取LSTM网络使用的数据的时空间特征，同时注意力模型分别用于加权特征图和通道以增强特征的有效性。最后，基于深度LSTM的时间序列预测器，用于学习大气污染物浓度的长期和短期依赖性。本发明从历史大气污染物数据中提取固有的有用特征，并将辅助数据纳入所提出的模型中以提高性能，从而浓度预测方法。

技术领域

本发明涉及一种数据驱动的预测方法，尤其涉及一种基于时空深度学习的移动污染源排放浓度预测方法。

背景技术

大气污染，尤其是移动污染源超细颗粒物和挥发性有机物(Volatile OrganicCompounds，VOCs)造成的大范围雾霾已经成为我国最突出的环境问题之一。超细颗粒物和VOCs不仅对人体健康具有严重的直接危害，同时作为PM_2.5的重要前体物和光化学烟雾的主要组成部分，对复合大气污染的形成起着至关重要的作用。因此，监控移动污染源超细颗粒物和VOCs的排放量，是减少雾霾天气和光化学烟雾污染，改善区域城市大气环境质量的有效手段之一。有必要了解这些污染物的来源和数量，以尽量减少大气污染对健康的不利影响。在空间维度上，对不同地区的污染物变化的特征进行分析，剖析污染物浓度在时间和空间上的差异性及形成原因，进而提高污染物浓度的预测的效率和准确可靠性，为政府控制大气污染以及交通管控、生活出行提供决策依据。

通常，空气污染过程通常涉及相互作用的多种类型的污染物，并且受到局部反应，空气污染物浓度的时空演变特性和混杂因素的影响，例如风和湿度的方向。因此，对空气污染物浓度预测的研究仍面临以下两个挑战：(1)LSTM网络一般用于时间特征提取，但其缺点是当输入序列具有长期依赖性和复杂性任务的时，存在差异性。模型难以学习合理的矢量表示，使模型的学习效率较差；(2)空气污染因果路径在自然界的不同位置之间是复杂的。监测站之间的相关性很复杂，因为它可能受到地理，自然过程，大气现象或其他因素的影响。

发明内容

本发明针对现有技术中预测空气污染物浓度的准确性不高的问题，提供了一种基于时空深度学习的移动污染源排放浓度预测方法。

一种基于时空深度学习的移动污染源排放浓度预测方法，包括以下步骤：

步骤1：利用格兰杰因果分析解决时空相关性问题，格兰杰因果关系作为衡量时间序列之间相互作用的指标，近几十年来一直备受青睐。对于复杂的空间因素，使用格兰杰因果关系来分析空气浓度的时间序列。将一个监测站的空气污染物的时间序列定义为Y_i，另一个监测点的时间序列为X_i。格兰杰因果关系的格式和零假设是：

这是N_d空间聚类的邻域集(采用K-Means算法来考虑所有空间因素对监测点进行聚类)；ε_t是一个白高斯随机向量，n是时间戳的数量，向量Φ_i是对应的权重Y_i；μ_i表示空间位置X_i和Y_i之间的空间权重。

然而，大气污染物对不同环境条件的依赖性也不同，污染物在扩散过程中易受风向影响。因此，有必要研究不同监测点之间不同风向下不同污染物的时空因果关系。基于以下实例如图1，可以看到空间和时间之间的因果分析应该反映两个方面：1)时空结构的依赖性，它反映了各种污染物在空间和时间上的传播；2)可预测性，表明不同的环境条件可能导致不同的时空因果关系。