[发明专利]融合领域知识的污染物浓度预测方法及其相关设备

权利要求书

1.一种融合领域知识的污染物浓度预测方法，其特征在于，包括：

获取节点的有向图，其中，所述有向图包括所述节点信息以及所述节点之间的有向边，所述有向边用于表示所述节点之间的关系数据；

将所述节点信息和所述关系数据输入至图神经网络GNN模型，获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值；

将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU，得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数；以及

基于所述损失函数进行模型训练，并根据所述训练结果，获取污染物浓度预测值。

2.根据权利要求1所述的方法，其特征在于，所述节点信息包括历史时刻污染物浓度值、预测时刻气象信息，所述关系数据包括所述节点之间的连边属性及所述节点之间的邻接矩阵，其中，所述邻接矩阵通过以下方式建立：

根据所述节点信息和所述节点之间的连边属性，确定邻居节点信息；

通过计算所述节点与所述邻居节点之间的距离和海拔，建立所述节点之间的邻接矩阵。

3.根据权利要求1所述的方法，其特征在于，将所述节点信息和所述关系数据输入至图神经网络GNN模型，所述图神经网络GNN模型通过以下方式预先训练得到：

获取多个节点信息样本和节点对应的关系数据样本；

通过图卷积网络GCN分别对所述多个节点信息样本和所述节点对应的关系数据样本进行卷积；

将卷积后的所述多个节点信息样本和所述节点对应的关系数据样本输入至图注意力网络GAN，进行空间特征自学习训练，得到图神经网络GNN模型。

4.根据权利要求1所述的方法，其特征在于，所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU，得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数，包括：

所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述门控循环神经单元GRU，得到所述节点未来时刻污染物浓度的估计值；

采用均方根误差RMSE或均方误差MAE，计算所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数。

5.根据权利要求4所述的方法，其特征在于，所述门控循环神经单元GRU包括输入层、隐藏层和输出层，其中，所述得到所述节点未来时刻污染物浓度的估计值，包括：

所述将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度和所述关系数据输入至所述输入层；

所述隐藏层的GRU模块单元接收来自所述输入层的输入数据，并按时间顺序建立时间序列数据；

将所述隐藏层计算结果传输到输出层中作为下一时刻的污染物浓度，并将所述下一时刻的污染物浓度作为所述节点未来时刻污染物浓度的估计值。

6.根据权利要求1所述的方法，其特征在于，所述基于所述损失函数进行模型训练，并根据所述训练结果，获取污染物浓度预测值，包括：

根据所述损失函数，更新模型参数；

对更新的模型继续进行训练，直至模型收敛，将所述收敛的模型确定为图神经网络GNN预测模型，用于所述获取污染物浓度预测值。

7.一种融合领域知识的污染物浓度预测装置，其特征在于，包括：

第一获取模块，用于获取节点的有向图，其中，所述有向图包括所述节点信息以及所述节点之间的有向边，所述有向边用于表示所述节点之间的关系数据；

第二获取模块，用于将所述节点信息和所述关系数据输入至图神经网络GNN模型，获取所述节点当前时刻污染物浓度值和所述节点未来时刻污染物浓度值；

第三获取模块，用于将所述节点当前时刻污染物浓度值、所述节点未来时刻污染物浓度值和所述关系数据输入门控循环神经单元GRU，得到所述节点未来时刻污染物浓度的估计值与预设目标值的损失函数；以及

第四获取模块，用于基于所述损失函数进行模型训练，并根据所述训练结果，获取污染物浓度预测值。