[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

说明书

本发明公开了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，属于空气质量预测技术领域。获取数据；将多个城市划分为源城市和目标城市；根据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；根据城市监测站点图结构构造输入特征向量，输入图注意力时空神经网络模型进行计算，图注意力时空神经网络模型是由图注意力网络(GAT)和双层长短期记忆网络(LSTM)组成，获取监测站之间的空间相关性和时间相关性；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。本发明可以在数据缺失的情况下保持空气质量的时空预测的准确性。

技术领域

本发明涉及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，属于空气质量预测技术领域。

背景技术

近年来，空气质量是大家最为关心的问题。在很多国家空气质量成为评价城市幸福指数中的重要一项。为了实现空气质量的实时监控，国家在城市主要区域建设了监测点，还出现了许多便携式监测设备。尽管如此，由于空气因素的复杂性、动态性，以及部分数据的不公开，预测模型在这种情况下保持预测的精确性和稳定性，是极具挑战性的。

随着数据收集技术的提高，与空气质量相关的数据也逐渐被收集全面，再结合当前普遍使用的时空网络模型使得预测的准确性有了进一步的提升。根据数据分析，相邻地区间的依赖关系对空气质量预测有着重要影响。但是，以往的研究在刻画地区之间相关性方面明显不足。该方向上研究的难点在于一方面，很难根据地理距离的远近来判断两个地区空气质量是否相似，因为污染物的扩散受地理、风向、风速等各种因素影响。另一方面，相邻的多个区域对预测区域的影响强度也各有不同。其次，在实际的项目应用中发现，空气质量相关数据很难收集完整。例如，一些城市的数据集不公开或者国控监测站点稀少导致数据集缺失。迁移学习是当前用于应对数据量不足最为有效的方法，然而，传统的迁移方法要求源域和目标域具有很强的相似性，由于不同的地区间的空气质量、气象数据、兴趣点(POI)等数据的分布有很大的差异，这会导致模型的泛化能力不强，有时候还会有负迁移的风险。

发明内容

本发明的目的是提出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，以解决上述现有问题存在的缺陷。

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，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。

进一步的，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；