[发明专利]顾及时空相关性和气象因素的PM2.5

说明书

本发明公开了一种顾及时空相关性和气象因素的PM_2.5浓度预测方法及装置，在充分顾及空气质量监测站点时空相关性的基础上，融合气象因素对不同时间尺度下PM_2.5浓度进行预测，该方法包括：构建数据集；补全处理；构建时间图卷积网络；时空特征提取；模型耦合和微调；预测精度对比。本发明构建了时间图卷积网络，通过图卷积神经网络提取站点的空间相关性，通过门控递归单元提取站点的时间相关性。在叠加多个时间图卷积网络后，构建全连接神经网络，实现多种气象因素的融合。通过本发明所提供的耦合模型，充分顾及不同站点在时间和空间的相关性，并兼顾到站点位置相应的气象因子的时空相关特征，大大提高了不同时间尺度下空气质量预测效果。

技术领域

本发明涉及人工智能应用领域、大气环境管理与监测领域，具体涉及一种顾及时空相关性和气象因素的PM_2.5浓度预测方法及装置。

背景技术

空气污染已经成为世界范围内一个严重的问题，由于其与人体健康的密切关系，引起了许多研究者的关注。长期暴露于细颗粒物(如PM_2.5)的环境中会对人体健康产生负面影响，空气污染物的衍生物也会造成酸沉降、水质恶化、全球气候变化等问题。因此，建立一个准确可靠的大气污染物浓度预测模型具有十分重要的意义，它可以提前提供大气污染信息，指导大气污染控制和公共卫生保护工作。传统的PM_2.5浓度预测方法主要有：潜式预测、机理模型、统计预测。但由于数据资料较难获取以及过于简化空气污染物浓度与预测变量之间的复杂非线性关系，在多种气象因素影响下难获得较好的空气质量预测精度。随着机器学习和深度学习的发展，神经网络在处理复杂的非线性关系方面表现出明显的优势，且预测精度较高。已有研究表明，卷积神经网络和循环神经网络可以分别提取空气质量监测站点在空间和时间上的相关性。然而，监测站点作为一种非欧几里得分布，基于卷积神经网络获取空间特征时会破坏原始空间信息，因此需要对现有的模型结构进行改进。

发明内容

本发明针对目前难以同时兼顾空气质量监测站点和气象因素时空相关性的问题，结合图卷积神经网络、门控递归单元和全连接神经网络，提出一种顾及时空相关性和气象因素的PM_2.5浓度预测方法及装置，该方法基于深度学习的时空特征学习，实现城市监测站点位置的空气质量未来时段连续预测，为政府部门和决策者制定空气污染治理的各项措施提供参考。

为了实现上述目的，本发明一种顾及时空相关性和气象因素的PM_2.5浓度预测方法包括以下步骤：

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。

进一步地，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。

进一步地，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。