[发明专利]一种基于深度学习的大气污染物扩散的数值模拟方法

权利要求书

1.一种基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，包括：进行数据清洗，从特定区域内多次采集所有空间点的监测数据中挑选N套数据集，N为整数，N≥10；将N套数据集随机分配成一组训练集和一组验证集；构建深度神经网络；利用训练集和验证集交叉验证训练深度神经网络；利用已训练完成的深度神经网络预测特定区域内所有未知空间点的浓度值，在特定区域的空间网格内插入所有未知空间点的预测浓度值，构建精细化平滑浓度场；

构建深度神经网络的具体方式为：定义八个属性输入值的输入层，八个属性输入值为任一个空间点的风速、风向、温度、降水量、地势、与该空间点最相近建筑物的距离，最相近建筑物与该空间点的方位与该空间点风向的夹角、该空间点和与其最邻近的另一个空间点的距离或时间间隔，对八个属性输入值做归一化预处理，建立两层以上的第一组全连接层，将归一化预处理后的八个属性输入值进行张量扩张，将第一组全连接层的输出结果在第一层激活层进行非线性激活处理，建立两层以上的第二组全连接层，将第一层激活层的输出结果输入至第二组全连接层进行张量缩小且缩小至1个参数值，将第二组全连接层的输出结果在第二层激活层进行激活处理，第二层激活层输出权重浓度值，输出层输出该空间点对应的预测浓度值。

2.根据权利要求1所述的基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，利用训练集和验证集交叉验证训练深度神经网络的具体方式为：将训练集的每一个空间点的八个属性值输入至深度神经网络进行训练，训练后得到每个空间点对应的浓度权重值；根据该空间点的浓度权重值和与其相近的另一个空间点的实际浓度值计算该空间点的预测浓度值；将训练集中的每一个空间点的实际浓度值和预测浓度值比较，通过深度神经网络的反向传播机制优化训练该深度神经网络；每优化一次，验证集上的一个空间点的八个属性值输入至优化后的深度神经网络进行交叉验证，即比较验证集上的该空间的实际浓度值和预测浓度值的差值，当该差值达到最小，深度神经网络训练完成。

3.根据权利要求1所述的基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，构建深度神经网络时，第一组全连接层为两层全连接层，两层全连接层先将八个属性值扩张至32个参数值，再将32个参数值扩张至128个参数值；第二组全连接层设置为四层全连接层，其是将通过第一层激活层处理后的128个参数值先缩小至64个参数值，再将64个参数值缩小至16个参数值，再将16个参数值缩小至4个参数值，最后将4个参数值缩小至1个参数值。

4.根据权利要求1所述的基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，第一层激活层利用激活函数Rectified Linear Unit进行非线性激活处理，第二层激活层利用激活函数SoftMax进行（1，0）区间的激活处理。

5.根据权利要求2所述的基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，利用已训练完成的深度神经网络预测特定区域内所有未知空间点的浓度值的具体方式为：在特定区域内具有空间网格结构的浓度扩散场，采集的空间点和未知空间点都是空间网格上的空间点，观察所有的未知空间点是否经过深度神经网络预测完成，将没有完成预测的未知空间点进行预测，如此递归完成所有未知空间点的预测；预测未知空间点的预测浓度值时，其最邻近的另一个空间点的实际浓度值可以选取采集空间点的实际浓度值，也可以选取已经完成预测的未知空间点的预测浓度值。

6.根据权利要求2所述的基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，通过深度神经网络的反向传播机制优化训练该深度神经网络时，选用交叉熵损失函数进行优化训练。

7.根据权利要求2所述的基于深度学习的大气污染物扩散的数值模拟方法，其特征在于，所述训练集中的数据占据N套数据集的百分之九十，所述验证集中的数据占据所述训练集中的数据占据N套数据集的百分之十。