[发明专利]基于元学习和图注意力时空神经网络的空气质量预测方法

权利要求书

1.基于元学习和图注意力时空神经网络的空气质量预测方法，其特征在于，所述预测方法包括以下步骤：

步骤一、获取与空气质量相关的时序数据，所述时序数据包括：城市监测站点地理空间数据、历史空气质量数据、气象数据和天气预报数据；

步骤二、将多个城市划分为源城市和目标城市；

步骤三、根据所述城市监测站点地理空间数据构建图结构，将监测站点位置作为图的顶点，通过设置距离阀值来确定任意两顶点是否存在边，边上权值则通过GAT学习获得；

步骤四、构造图注意力时空神经网络，图注意力时空神经网络模型是由GAT和双层LSTM组成，利用GAT学习监测站点之间的空间相关性，使用LSTM学习时间上的相关性，根据步骤三得到的城市监测站点图结构构造输入特征向量，将特征向量输入到图注意力时空神经网络模型进行计算；

步骤五、从多个源城市中迁移知识，对注意力时空神经网络模型进行有效的初始化，用于目标城市的空气质量预测；

步骤六、在目标城市数据集上进行模型评估，

其中，步骤四具体包括以下步骤：

步骤四一、使用城市所有监测站点过去一段时间的数据预测某个监测站点未来某一段时间的空气质量，监测站所在地区的气象数据表示为矩阵监测站所在地区的空气质量数据表示为矩阵/要预测的监测站所在地区的天气预报数据表示为向量/

步骤四二：根据城市监测站点图结构构造输入特征向量，构造一个三维的特征矩阵T为时间跨度，N为监测站点个数，F为所有相关特征维度，输入矩阵为：

其中S是监测站点集合，F表示每个站点的特征维数，作为图注意力层的输入值；

步骤四三：构造图注意力时空神经网络，图注意力时空神经网络模型是由GAT和双层LSTM组成，利用GAT学习监测站点之间的空间相关性，使用LSTM学习时间上的相关性，将步骤四二构造的特征向量输入到图注意力时空神经网络模型进行计算，其中，需调节的参数为图注意力层参数和LSTM层参数；

步骤四四：GAT层通过共享权值矩阵W将输入特征转换成更高级的特征，利用一个单层前馈神经网络将高维特征映射到一个实数上，获得节点间的注意力系数，最后通过softmax层获得归一化后的注意力系数；

步骤四五：将叠加了空间相关性的输出结果输入到第一层LSTM中获取时间相关性，再和原始数据拼接后输入到第二层LSTM中，通过一层全连接层获得最终的预测值。

2.根据权利要求1所述的基于元学习和图注意力时空神经网络的空气质量预测方法，其特征在于，步骤一具体包括以下步骤：

步骤一一、定时获取城市监测站点地区的空气质量数据，每个监测站s所在地区的空气质量数据向量为向量中t表示某一时刻；

步骤一二、每个监测站s所在地区的气象数据向量为向量中t表示某一时刻；

步骤一三、每个监测站s所在地区的天气预报数据向量为向量中t表示某一时刻,l表示预测的时长；

步骤一四、对于原始数据中的缺失值和异常值使用均值插补法进行补全或替换，如果缺失值或异常值过多则删除。

3.根据权利要求1所述的基于元学习和图注意力时空神经网络的空气质量预测方法，其特征在于，步骤二具体为：设置一个城市为目标城市，其它城市为源城市，从多个源城市中提取包含空间相关性和时间相关性的时空相关性知识，以便在不同场景下实现拥有有限数据集的目标城市的预测任务。

4.根据权利要求1所述的基于元学习和图注意力时空神经网络的空气质量预测方法，其特征在于，步骤三具体包括以下步骤：

步骤三一、已知城市监测站点的经纬度，以一个监测站点为圆心，设置半径为R，该监测站点与圆内所有监测站点之间均存在边，最终获得一张城市监测站点空间图结构；

步骤三二、通过修改R的大小来确定一个站点的入度数，入度数越大则表示与之相关的其它监测站点数越多。