[发明专利]一种网格化监测的空气质量预测方法

说明书

本发明涉及一种网格化监测中的空气质量预测方法。该方法首先将用户输入的网格化监测中各个监测站的位置信息和历史空气污染物浓度信息进行数据清洗，然后将处理过的数据输入GCN来提取各个监测站之间的空间关联信息，再将具备空间信息的数据输入LSTM提取时间特征，最后由一个线性回归层来综合GCN和LSTM所提取的特征并产生预测结果，返回给用户。本发明方法通过相关实验验证了方法的有效性。

技术领域

本发明涉及深度学习领域，具体的说是一种基于GCN和LSTM的网格化监测的空气质量预测方法。

背景技术

随着我国环境监测技术和理念的不断发展，空气中污染物浓度的网格化监测技术越来越受到相关工作人员的青睐，这种空气中污染物浓度的网格化监测技术可以在一定程度上达到污染源头早发现，早治理的效果，但是由于网格化监测所产生的各个监测站的监测数据是具有明显的空间关联信息的，而现有的空气质量预测算法很少会考虑到监测站之间的空间关联特征，这也就使得在网格化监测中使用常规的预测方法会由于忽略网格化监测中的空间关联特征而导致一定的预测精度的损失。

发明内容

针对上述技术不足，通过分析网格化监测中监测站的空气中污染物浓度数据的变化趋势发现，在网格化监测中空气中污染物浓度数据的变化趋势和网格化监测中的各个监测点的空间关联具有一定的联系，本发明要解决的技术问题就是提取网格化监测中监测站点之间的空间关联特征，并提高网格化监测的空气中污染物浓度数据(空气质量)的预测精度。

本发明解决其技术问题所采用的技术方案是：一种网格化监测的空气质量预测方法，包括以下步骤：

1)获取空气质量网格化监测区域内各个监测站采集的K个时刻内历史空气中污染物浓度数据；

2)将历史空气中污染物浓度数据转换成时间序列并归一化；

3)利用各个监测站的经纬度信息和监测站之间的最大影响距离获取空气质量网格化监测区域中监测站的空间关联拓扑图并归一化；

4)将归一化后的每组空气中污染物浓度的时间序列的前n个时刻数据和归一化后的空间关联拓扑图即邻接矩阵输入至预测模型中，每组时间序列中从第n+1到第n+k时刻的各个监测站历史空气中污染物浓度数据作为预测模型的期望输出，对预测模型进行训练；k为需要预测的时间长度；

5)获取需要预测的时间段中第一个时刻的前n个时刻的空气中污染物浓度数据，转换成时间序列并归一化，将归一化后的时间序列和归一化后的空间关联拓扑图输入至训练好的预测模型中，通过逆归一化处理得到需要预测时刻的污染物浓度。

所述将历史空气中污染物浓度数据转换成时间序列，具体如下：

将每个时刻的N个监测站的空气中污染物浓度数据聚合成一个N×1的矩阵X_i，i表示第i个时刻；

然后再将所有时刻的空气中污染物浓度数据X₁...X_i...X_M按照每若干个时刻为一组构成空气中污染物浓度的时间序列，M表示按照上述N个监测站聚合成一个矩阵的方式将所有输入数据聚合后产生的矩阵个数，M＝L*(n+k)；其中前n个时刻的数据为特征数据作为模型训练时的输入，从n+1到n+k个时刻的数据为标签作为模型训练时的期望输出用来调整预测模型，最终得出时间序列的维度为(L，n+k，N)，其中L表示空气中污染物浓度序列个数。

所述利用各个监测站的经纬度信息和监测站之间的最大影响距离获取空气质量网格化监测区域内监测站的空间关联拓扑图，具体如下：

首先，根据空气质量网格化监测区域中每两个监测站之间的距离构建一个N×N的距离矩阵V；V的各距离元素d通过下式得到：