[发明专利]顾及时空相关性和气象因素的PM2.5

权利要求书

1.一种顾及时空相关性和气象因素的PM_2.5浓度预测方法，其特征在于，包括以下步骤：

S1、构建空气质量特征数据集，包括PM_2.5浓度数据和多种气象因素数据；

S2、将所述PM_2.5浓度数据和所述多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM_2.5浓度时序数据和不同站点的多种气象因素时序数据；

S3、搭建时间图卷积网络；

S4、将所述不同站点的PM_2.5浓度时序数据和所述不同站点的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；

S5、将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM_2.5浓度预测值。

2.根据权利要求1所述的顾及时空相关性和气象因素的PM_2.5浓度预测方法，其特征在于，在步骤S2之后，还包括：

对不同站点的多种气象因素时序数据进行插值处理，补全不同站点的多种气象因素时序数据；

对不同站点的PM_2.5浓度时序数据进行缺失值填补，补全不同站点的PM_2.5浓度时序数据。

3.根据权利要求2所述的顾及时空相关性和气象因素的PM_2.5浓度预测方法，其特征在于，通过IDW反距离权重插值方法对不同站点的多种气象因素时序数据进行插值处理。

4.根据权利要求2所述的顾及时空相关性和气象因素的PM_2.5浓度预测方法，其特征在于，通过随机森林拟合气象因素与PM_2.5浓度之间的关系模型，得到不同站点的PM_2.5浓度时序数据的缺失填补值。

5.根据权利要求1所述的顾及时空相关性和气象因素的PM_2.5浓度预测方法，其特征在于，所述时间图卷积网络结构包括：图卷积神经网络和门控递归单元；

所述图卷积神经网络由两层图卷积层构成；图卷积神经网络嵌入进所述门控递归单元中；所述图卷积神经网络的输入分别为不同站点的PM_2.5浓度时序数据和多种气象因素时序数据，所述门控递归单元的输入为图卷积神经网络的输出。

6.根据权利要求1所述的顾及时空相关性和气象因素的PM_2.5浓度预测方法，其特征在于，步骤S1中的所述气象因素数据包括：风速、风向、温度、湿度、压强。

7.一种顾及时空相关性和气象因素的PM_2.5浓度预测装置，其特征在于，包括以下模块：

数据集构建模块，用于构建空气质量特征数据集，包括PM_2.5浓度数据和多种气象因素数据；

时空匹配模块，用于将所述PM_2.5浓度数据和所述多种气象因素数据分别按时间和空间位置进行匹配，得到不同站点的PM_2.5浓度时序数据和不同站点的多种气象因素时序数据；

网络搭建模块，用于搭建时间图卷积网络；

初步预测模块，用于将所述不同站点的PM_2.5浓度时序数据和所述不同站点的多种气象因素时序数据，依次输入多个所述时间图卷积网络进行训练，输出未来时段下顾及站点时空相关性的多维特征预测值；

最终预测模块，用于将所述多维特征预测值输入全连接神经网络，输出目标站点在未来时段的最终PM_2.5浓度预测值。

8.如权利要求7所述的顾及时空相关性和气象因素的PM_2.5浓度预测装置，其特征在于，还包括：

数据补全模块，用于对不同站点的多种气象因素时序数据进行插值处理，得到不同站点补全后的多种气象因素时序数据；

还用于对不同站点的PM_2.5浓度时序数据进行缺失值填补，得到不同站点补全后的PM_2.5浓度时序数据。