[发明专利]一种基于时空矩阵分解的空气质量推断方法

说明书

一种基于时空矩阵分解的空气质量推断方法，涉及风险评估技术领域包括步骤1、收集空气质量监测数据，获取时间特征矩阵和空间特征矩阵；步骤2、设计基于时空矩阵分解的空气质量推断模型，并以此模型为依据推断未知区域的空气质量。本发明提供了一种基于时空矩阵分解的空气质量推断方法，该方法可以依据区域内现有的空气质量监测站的数据，合理推断区域内没有空气质量监测站的地区的空气质量，并且推断的结果具有良好的精度和稳定性。

技术领域

本发明涉及风险评估技术领域，具体涉及一种基于时空矩阵分解的空气质量推断方法。

背景技术

随着城市化进程的加快，空气污染已成为危害人类身体健康的重要问题。因此，获取高时空分辨率(细粒度)的城市空气质量地图，并依据地图的指导规划出行计划和出行方式，对于保护人类的身体健康具有重要意义。

目前，人们获取城市空气质量数据的途径大致有4种，1、通过空气质量监测站的监测；2、通过卫星遥感；3、通过人群或车辆携带的移动传感器的检测；4、根据已有数据，通过计算来评估一定区域内的空气质量。

通过空气质量监测站监测空气质量具有良好的效果，但也存在着明显的缺陷，具体体现在：虽然这些监测站可以定期采集各种空气污染物，并提供高时间分辨率的准确空气质量值 (如每小时)，但由于其庞大的建设和维护成本(一个基站的建设费用约为20万美元，每年维护的费用为3万美元)严重限制了监测站部署的数量，导致空间覆盖率极小。而卫星遥感数据只能体现大气层的空气质量，不能体现人类居住的城市地面空间的空气质量，在多云天气，卫星遥感数据的准确度会受到较大影响，而且收集使用这类数据的成本也较高。通过人群或车辆携带移动传感器的方式检测空气质量可以弥补空气质量监测站数量稀少的缺陷，但现有的传感器通常是通过光散射法进行感知，对CO等部分气体敏感，而对于具有普遍影响的PM2.5和PM10并不适合，因此，并不能解决实际问题。

通过计算来评估一定区域内的空气质量的方法明显具有低成本的优势，其原理是：基于区域内的空气质量监测站提供的数据，以一定的数学计算方法，对区域内没有空气质量监测站的地区的空气质量进行推断。常见的推断方法有：高斯烟羽模型、土地利用回归(LUR)模型、支持向量回归(SVR)、深度循环神经网络(RNN)、人工神经网络(ANN)、差分自回归综合移动平均(ARIMA)模型、高斯过程回归(GPR)和反距离加权(IDW)插值等。

这些计算方法也存在着一定的缺陷，比如有些方法(如深度循环神经网络(RNN))依赖于大量的空气质量监测站提供的数据，当空气质量监测站数量不足时，该方法就无法使用，再比如，一些方法(如差分自回归综合移动平均(ARIMA)模型)对于没有空气监测站的地区无法作出合理推断，其推断出来的数据的精度和稳定性都不理想。

如何根据现有的空气质量监测站的数据去推断区域内没有空气质量监测站的地区的空气质量，并且使推断数据具有良好的精度和稳定性，能够满足人类保护身体健康的需要，是一个迫切需要解决的问题。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于时空矩阵分解的空气质量推断方法，该方法可以依据区域内现有的空气质量监测站的数据，合理推断区域内没有空气质量监测站的地区的空气质量，并且推断的结果具有良好的精度和稳定性。

为实现上述目的，本发明的技术方案是：

一种基于时空矩阵分解的空气质量推断方法，包括步骤1、收集空气质量监测数据，获取时间特征矩阵和空间特征矩阵；步骤2、设计基于时空矩阵分解的空气质量推断模型，并以此模型为依据推断未知区域的空气质量。