[发明专利]一种结合气象特征的CNN-LSTM-BP多模态空气污染物预测方法

说明书

本发明公开了一种结合气象特征的CNN‑LSTM‑BP多模态空气污染物预测方法，包括以下步骤：采集监测站空气质量数据，对异常值和缺失值预处理；利用皮尔逊相关系数对数据进行分析，挖掘气象因素与不同污染物之间的相关性，选取高相关性的气象因素作为辅助特征；构建卷积‑长短时记忆网络(CNN‑LSTM)对多种空气污染物时间变化规律及其相互关进行系建模与特征提取，利用CNN对影响空气质量的气象因素时间变化规律进行建模与特征提取；通过BP网络将多种污染物与气象因素特征融合、并进行预测，获取多种污染物的预测值。本发明构建多模态空气污染物预测模型，充分考虑不同污染物之间的影响、气象条件的变化，有效提高空气污染物预测模型的精度。

技术领域

本发明属于环境监测和深度学习领域，具体为一种结合气象特征的CNN-LSTM-BP多模态空气污染物预测方法。

技术背景

近年来大气污染问题日益严重，其危害已遍及全球。大气污染的影响主要体现在：臭氧层破坏、酸雨和全球气候变暖。臭氧层的破坏可导致人类眼部疾病和皮肤癌发病率的上升；酸雨会导致土壤酸化以及建筑物的腐蚀，影响植物正常发育和建筑物使用寿命。全球气候变暖更是危害人类生存和发展的一个重大隐患，海平面上升、森林火灾、极端天气等都是环境向人类发起的最严峻的挑战，大气污染达到足够的浓度和持续时间会严重影响人体的健康，因此，环境治理问题受到越来越多国家的关注，大气污染问题的解决迫在眉睫。

实践表明，空气质量预报模型可以对可能发生的污染进行预测并采取控制措施，能够有效减轻大气污染对人类和环境产生的危害，为此，制定合理的污染防治措施受到越来越多国家和相关部门的重视。WRF-CMAQ是目前常用的空气质量预报模型，它由提供气象场数据的WRF(中尺度数值天气预报系统)和通过模拟污染物变化过程得到预报结果的CMAQ(三维欧拉大气化学与传输模拟系统)组成。然而由于模拟的气象场、排放清单和污染物生成机理等因素的不确定性，目前已有基于物理模型的预测结果并不理想。

发明内容

发明目的：针对上述问题，本发明引入一种结合气象特征的CNN-LSTM-BP多模态空气污染物预测方法，该方法针对现有物理预报模型预测效果不理想的问题，在数据驱动的基础上，建立了基于CNN-LSTM-BP网络的空气污染物预测模型。首先，利用皮尔逊相关系数方法对预处理后的数据进行相关性分析，挖掘气象因素与不同污染物之间的相关性，选取相关性高的气象因素作为模型外界特征输入。然后，构建基于CNN-LSTM的空气污染物特征提取网络，来表述各污染物历史实测数据逐日、逐小时变化规律及其相互影响关系；构建CNN气象特征提取网络表征高关联气象数据逐日、逐小时变化规律；通过BP网络将各个污染物时序特征与气象辅助特征进行拼接，预测获取各个污染物的预测值。

本发明有效利用机器学习和深度学习方法对多种空气污染物历史数据的时间变化规律及其相互影响关系、高关联气象数据的时间变化规律进行准确的建模与特征提取，建立数据驱动的污染物-气象多模态空气质量预测模型，从而准确预测空气中有害的污染物浓度。

技术方案：一种结合气象特征的CNN-LSTM-BP多模态空气污染物预测方法包括如下步骤：

步骤1)采集环境监测站空气质量数据，并将数据实时传输至后台服务器，对原始数据中的异常值和缺失值进行预处理来降低数据冗余度；

步骤2)利用皮尔逊相关系数方法对预处理后的数据进行相关性分析，挖掘气象因素与不同污染物之间的相关性，选取相关性高的气象因素作为模型外界特征输入；

步骤3)构建基于CNN-LSTM的空气污染物特征提取网络，学习多种污染物历史实测数据逐日、逐小时的变化规律及其相互影响关系；构建基于CNN的气象因素辅助特征提取网络，学习各气象数据数据逐日、逐小时的变化规律；通过BP网络将各污染物时序特征与气象辅助特征进行融合、并预测获取各个污染物预测输出；

步骤4)训练所构建的基于CNN-LSTM-BP的空气污染物预测网络，并用训练好的模型预测未来空气污染物浓度值。