[发明专利]一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法

权利要求书

1.一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法，其特征在于：步骤如下：

(1)获取各个空气监测站的空气污染物及气象的小时级监测数据，并对数据进行存储和预处理；

(2)从与目标站点空间强相关的站点数据中挖掘时空依赖特征，构建ST-CCN-PM2.5模型；

(3)调整相关性阈值、数据归一化、数据划分以及滑动窗口参数，进行多组对比实验，完成超参数调优；

(4)对参数调优后的ST-CCN-PM2.5模型进行训练，并与基准模型进行性能比较；

(5)输出目标站点未来一小时PM2.5浓度预测值。

2.根据权利要求1所述的一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法，其特征在于，所述步骤(1)中，进行数据预处理包括：

(1)对采集到的空气污染物与气象数据中的缺失值进行填充；对于时间跨度较小的缺失值，采用线性插值或者二次插值来填充缺失值；对于长时间跨度的缺失值的情况，使用临近日期内相同时间段的数据进行填充；

(2)计算NO₂、风向、风速、PM10、CO、相对湿度、大气压力、温度、SO₂、O₃特征序列与PM2.5浓度序列的相关性，选择与PM2.5相关性小的因素作为输入ST-CCN-PM2.5模型的特征；

(3)由筛选得到的特征序列构建特征矩阵，将95个站点的特征矩阵扩充至初始矩阵的五倍规模。

3.根据权利要求1所述的一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法，其特征在于，所述步骤(2)中，构建ST-CCN-PM2.5模型包括：

(1)利用相关性分析及空间注意力机制提取、融合空间强相关站点信息，具体步骤包括：

(a)计算目标站点和其他站点PM2.5历史数据之间相关性系数，使用皮尔森相关性系数衡量两个站点的相互影响程度；计算公式如下所示：

其中Y^*代表目标站点PM2.5浓度历史数据，Y_i代表其他站点PM2.5浓度历史数据；cov()是协方差函数，和分别是两个站点数据的方差；由上述公式计算得到目标站点和全部站点的相关性系数ρ_list，如下所示：

ρ_list＝[ρ(Y^*,Y₁),ρ(Y^*,Y₂),...,ρ(Y^*,Y_M)] (2)

在(2)式中获取了全部M个站点和目标站点的相关性系数；将相关性系数和阈值比较，最终得到与目标站点相关性系数大于ρ_th的站点数据的集合如下：

X＝{X_i|ρ(Y^*,Y_i)＞ρ_th,i∈1,...,N} (3)

在(3)式中，X_i∈R^T×L为第i个与目标站点空间强相关站点的特征矩阵，X∈R^M×T×L代表与目标站点空间强相关的三维特征矩阵，其中M＜＝N，M代表与目标站点空间强相关的站点数量；

(b)利用1×1卷积核，对X∈R^M×T×L这个特征矩阵中M个通道的特征值进行线性组合来完成升维操作，经过升维处理后三维矩阵变为其中M_new表示升维后的通道数量；

在升维过程中，采用的1×1卷积核数量大于特征矩阵的通道数量，经过卷积运算使不同通道信息得以交互和融合，从而增大输入矩阵通道数量，提升模型对非线性特征的提取能力；

(c)基于空间注意力机制实现降维操作，提取各通道第i项特征序列与目标站点第i项特征序列的相关性系数，基于相关性信息计算权重分布，各通道第i项特征序列依据权重值线性组合为该特征的序列；循环进行此过程将三维特征矩阵聚合至二维矩阵；

首先对目标站点的第i个特征序列与M_new个特征矩阵中的第i个特征序列进行相关性分析，计算皮尔逊相关性系数；计算公式如下所示：

在(4)式中表示第m个通道第i个特征序列与目标序列的相关性，表示目标站点的第i个特征序列，表示第m个通道的第i个特征序列，Pearson()表示皮尔逊相关性系数的计算方法；

其次引入SoftMax的计算方法对第一阶段的相关性系数进行数值转换，将原始相关性系数整理成所有元素权重之和为1的概率分布，这样做也能更加突出重要特征序列的权重；计算公式如下：

其中表示第m个通道的第i个特征序列的注意力权重；

最后，将各通道的第i项特征序列乘以对应的权重值再求和，使第i项特征序列聚合为最终序列，由聚合后的各项特征序列构成最终特征矩阵；因此最终降维聚合后的特征序列及特征矩阵应如以下公式所示：

(2)利用膨胀卷积从特征矩阵中提取有效的时间依赖关系，具体步骤包括；

(a)使用步骤(1)最终形成的二位特征矩阵作为时序数据输入膨胀卷积；

(b)膨胀卷积允许卷积时的输入存在间隔采样，采样率受到膨胀因子d的控制；最下面一层d＝1，表示输入时每个点都采样，中间层d＝2，表示输入时每两个点采样一个作为输入；随着层数的升高，膨胀因子呈指数型增长；在不同网络层次中提取到不同周期的时间依赖关系，提升数据预测的准确性；在x_t处的膨胀因子为d的膨胀卷积如下所示：

如公式(7)所示，滤波器F＝(f₁,f₂,…,f_K)，序列X＝(x₁,x₂,…,x_T)，*_d为膨胀卷积运算符；K表示膨胀卷积内核大小，T代表历史数据时长；在低网络层中，滤波器f_k与t-(K-k)d时刻的数据进行卷积，最后求和，得到高一级层次中t时刻的数据；设置滤波器大小k＝3，网络深度为4，且使用d＝2ⁱ的膨胀因子，以此来保证预测结果覆盖到长期历史数据，避免引入噪声数据，i是网络深度。