[发明专利]一种基于LSTM-GCN的臭氧预测方法

说明书

本发明揭示了一种基于LSTM‑GCN的臭氧预测方法，包括如下步骤，通过长短期记忆网络LSTM得到观测点的隐状态，将每个观测点的隐状态构造成图，作为图卷积神经网络GCN的输入，得到所有观测点加权后的隐状态，最后通过线性网络得出预测结果。本发明的方法结合了邻居观测点来辅助目标观测点预测臭氧数据。LSTM网络能起到很好的时序预测作用，GCN能很好地汇聚周遭观测点对目标观测点的影响，借此辅助预测目标观测点的臭氧含量，二者结合能够更加准确地对目标观测点的臭氧含量做出预测，为臭氧污染问题的控制和监管供科学依据，为环保相关部门和政府治理部门制订相关决策提供科学合理的理论基础和预测方法。

技术领域

本发明属于人工智能信息预测技术领域，尤其涉及一种基于LSTM-GCN的臭氧预测方法。

背景技术

臭氧是一种关键的二次大气污染物，主要是由大气中的氮氧化物、碳氢化合物在特殊的气象条件下（如强烈日光、无风或微风、夏季至初秋），经过一系列复杂的光学反应生成。由于工业化和城市化的迅速发展，我国臭氧前体物排放量不断增加，臭氧问题越发突出。臭氧对人体健康的危害主要体现在以下几方面：1.强烈刺激呼吸道，造成咽喉肿痛、胸闷咳嗽、引发支气管炎和肺气肿；2.造成神经中毒，头晕头痛、视力下降、记忆力衰退；3.对人体皮肤中的维生素E起到破坏作用，致使人的皮肤起皱，出现黑斑；4.破坏人体免疫技能，诱发淋巴细胞染色体病变，加速衰老，致使胎儿畸形。此外，臭氧作为一种强氧化性气体，能够较快地与含有不饱和碳碳键的有机化合物反应。这类有机化合物普遍存在于室内的建筑材料，居家用品，以及橡胶、丝、棉花、醋酸纤维素、尼龙和聚酯的制成品中。因此，含有这些材料的物品极易被臭氧破坏，从而造成燃料褪色、照牌图像层脱色、轮胎老化等现象。生态系统的地下部分也会受到臭氧污染的影响，而且呈现出不断积累的过程，受到最主要直接影响的是植物对水分和养分的吸收以及生态系统的物质循环，土壤中的碳、氮循环系统受到的影响尤其明显，由此造成对植物的伤害而影响土壤的肥力。

目前，臭氧污染已经成为我国重要的大气环境污染物之一，随着城市化、工业化的不断加快和机动车数量的持续增长，我国地面臭氧污染问题也变得愈加突出。由于臭氧形成的机理复杂，远距离传属性强，前体物排放地与臭氧污染出现地往往不在同一区域，各个城市不同区域之间也有相互影响，只有通过高密度、高强度的监测和预测，多地联合互相协作才能掌握其污染规律。但传统的预测方法精度和效率都较为低下。

发明内容

本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于LSTM-GCN的臭氧预测方法。

本发明的目的将通过以下技术方案得以实现：

通过长短期记忆网络LSTM得到观测点的隐状态，将每个观测点的隐状态构造成图，作为图卷积神经网络GCN的输入，得到所有观测点加权后的隐状态，最后通过线性网络得出预测结果。

S101、选定目标观测点，所述目标观测点即环境监测站点，是指可以出具具有法律效力的“水和废水”监测、“噪声”监测、“环境空气和废气”监测、“辐射”监测、“臭氧”监测等报告的单位，作为需要做出臭氧预测的地理位置；

S102、以目标观测点为中心，计算目标观测点与其他观测点的地理距离；其他观测点即在地理位置上距离目标观测点较近的观测点，地理距离为在二维平面坐标系下目标观测点到某个其他观测点的欧式距离，如目标观测点的二维平面坐标为，某个其他观测点的二维平面坐标为，则根据欧式距离公式，目标观测点与某个其他观测点的二维平面坐标为。

S103、对距离进行排序，选择其中距离最小的K个点作为邻居观测点；根据S102计算出所有其他观测点与目标观测点的距离，得到一组距离序列，将序列从小到大进行排序，前K个序列值所对应的其他观测点，即为邻居观测点。