[发明专利]一种空气质量指数的预测方法

说明书

本发明涉及空气污染预测技术领域，尤其涉及一种空气质量指数的预测方法，包括以下步骤：构造网络数据；构建空气质量指数预测模型，空气质量指数预测模型包括基于注意力的图卷积网络和长短期记忆神经网络；训练空气质量指数预测模型；利用训练好的空气质量指数预测模型对空气质量指数进行预测。本发明提出的一种空气质量指数的预测方法，解决了现有的预测方法的准确率不高的问题。

技术领域

本发明涉及空气污染预测技术领域，尤其涉及一种空气质量指数的预测方法。

背景技术

空气质量指数(Air Quality Index，简称AQI)，是一个用来定量描述空气质量水平的数值。大气污染能够通过空气质量指数很直接的表现出来，大气污染有地域性和时间性两方面的因素影响，通常来讲就是具有时空性质。

现有的大气污染物的预测技术只针对时间特征和空间特征，没有同时考虑两方面的影响。使用时间特征是一种传统的、利用空气质量指数这种对时间敏感数据的特性，预测空气质量指数，但是现有的模型对时间序列的处理已经到达了瓶颈阶段，无法进一步提升预测准确率。

只使用空间特征，是考虑当前站点和其他站点的相互影响，而忽略了大气数据的时序性，而且现阶段的空间特征的使用往往只局限于邻居节点的学习，而没有像人学习思维一样，有学习注意力的特性，让模型学得邻居节点的权值。

发明内容

本发明提出一种空气质量指数的预测方法，以解决现有的预测方法的准确率不高的问题。

本发明解决上述问题的技术方案是：一种空气质量指数的预测方法，包括以下步骤：

构造网络数据，其中，所述网络数据包括空气监测站点之间的邻接矩阵和各个空气监测站点的特征矩阵；

构建空气质量指数预测模型，所述空气质量指数预测模型包括基于注意力的图卷积网络和长短期记忆神经网络；

训练空气质量指数预测模型

将所述网络数据输入至空气质量指数预测模型，基于损失函数对所述空气质量指数预测模型中进行训练，直至所述空气质量指数预测模型收敛；

利用训练好的空气质量指数预测模型对空气质量指数进行预测。

优选的是，所述构造网络数据的步骤具体包括：

获取多个空气监测站点的大气历史数据以及各个空气监测站点之间的距离，其中所述大气历史数据包括各项污染物空气质量分指数的历史数据和气象历史数据；

根据各个空气监测站点之间的距离构造空气监测站点之间的邻接矩阵；

对大气历史数据进行预处理得到各个空气监测站点的特征矩阵；

将所述大气历史数据划分为训练集、验证集和测试集。

优选的是，预处理方法包括均值填充空值，去除异常数据，平滑数据。

优选的是，所述训练集、验证集和测试集的占比分别为70％、15％和15％。

优选的是，所述根据各个空气监测站点之间的距离构造空气监测站点之间的邻接矩阵的步骤包括：设置阈值k＝1500km，大于k的为0，小于k的设置为1来构造邻接矩阵。

优选的是，所述训练训练空气质量指数预测模型具体包括：

将空气监测站点之间的邻接矩阵和训练集的特征矩阵输入至基于注意力的图卷积网络中，得到大气特征矩阵；

采用多步多变量法重构大气特征矩阵，得到构造后的大气特征数据；

将构造后的大气特征数据输入至长短期记忆神经网络层进行训练；

设计损失函数；