[发明专利]一种空气污染物浓度预报方法、装置及存储介质

说明书

一种空气污染物浓度预报方法、装置及存储介质，所述方法包括：根据数据集构造训练集、验证集和测试集；数据集是通过收集目标地区预定时间长度内的污染物浓度数据和气象数据得到的；根据目标地区中监测站点的空间分布，构造图结构的邻接矩阵A；建立神经网络模型F(x；Θ|A)，x为神经网络模型的输入数据，包括设定时间段内的所述污染物浓度数据和气象数据，利用训练集的数据对神经网络模型进行训练，利用验证集的数据和测试集的数据调整神经网络模型的参数Θ，获得修正后的神经网络模型；利用修正后的神经网络模型进行空气污染物浓度预报。

技术领域

本文涉及但不限于空气污染物浓度预报技术，尤其涉及一种空气污染物浓度预报方法、装置及存储介质。

背景技术

通过空气质量监测站进行监测的方法是最常用的空气质量感知和空气污染情况观测的方法，其具有测量精度高、稳定性好等特点。但是我国的监测站点空间分布过于稀疏，很难为分析和研究提供有效而准确的数据。因此，针对现有的数据获取现状，要想对空气污染颗粒物进行有效地分析，采用合理的数据分析方法非常重要。

一些技术中，针对空气污染物浓度的数据建模方法主要包括基于理论的方法以及基于统计的方法，这些方法能够依据历史空气污染物浓度监测数据对当前或未来某一时刻空气污染物浓度进行预报，然而均不能够对空气污染物的时间和空间动态特性进行整合利用，并且泛化能力及预报准确率一般。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本申请实施例提供了一种空气污染物浓度预报方法，可以提高泛化能力及预测精度。

本申请实施例提供了一种空气污染物浓度预报方法，包括：

根据数据集构造训练集、验证集和测试集；所述数据集是通过收集目标地区预定时间长度内的污染物浓度数据和气象数据得到的；

根据所述目标地区中监测站点的空间分布，构造图结构的邻接矩阵A；

建立神经网络模型F(x；Θ|A)，x为所述神经网络模型的输入数据，包括设定时间段内的所述污染物浓度数据和气象数据，利用所述训练集的数据对所述神经网络模型进行训练，利用所述验证集的数据和测试集的数据调整所述神经网络模型的参数Θ，获得修正后的神经网络模型；

利用所述修正后的神经网络模型进行空气污染物浓度预报。

本申请实施例还提供了一种空气污染物浓度预报装置，包括存储器和处理器，所述存储器用于保存进行空气污染物浓度预报的程序；所述处理器用于读取所述进行空气污染物浓度预报的程序，并执行如上所述的空气污染物浓度预报方法。

本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的空气污染物浓度预报方法。

本申请实施例采用基于图神经网络的空气污染物浓度预报方法，对空气污染物的时间和空间动态特性进行整合利用，不仅能够更加有效地捕捉更大范围地区的空气污染物浓度变化情况，还提高了预测的效率和准确度，同时具有较高的泛化能力，便于实际应用。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。

在阅读并理解了附图和详细描述后，可以明白其他方面。

附图说明

附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1为本申请实施例中空气污染物浓度预报方法的流程图；

图2为本申请实施例中神经网络模型的示意图；