[发明专利]基于深度学习的扩散预测方法及系统

权利要求书

1.一种基于深度学习的扩散预测方法，其特征在于，包括以下步骤：

获取目标区域内污染源信息，根据所述污染源信息筛选目标污染物，根据目标区域的GIS地理数据确定目标污染物监测点；

通过目标污染物监测点采集目标污染物浓度信息，基于所述目标污染物浓度信息对各监测点进行聚类，获取目标区域的污染扩散格局；

根据目标区域的污染扩散格局获取污染区域的目标污染物的浓度变化序列，构建扩散预测模型，基于污染区域的目标污染物的浓度变化序列进行训练；

通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征，通过时空关联特征表征目标污染物的扩散趋势；

利用目标区域当前时间的污染分布结合目标污染物的扩散趋势获取潜在污染区域，生成预测污染扩散分布，并进行可视化显示；

根据所述污染源信息筛选目标污染物，根据目标区域的GIS地理数据确定目标污染物监测点，具体为：

根据目标区域的区域范围获取范围内的污染源信息，根据污染源信息提取污染源位置信息及污染源产出的污染物，通过污染物筛选出目标区域的标志性污染物；

根据预设环境监测任务在标志性污染物中进行筛选获取目标污染物，获取目标区域现有环境监测井的位置信息，并提取环境监测井中环境监测信息，分析目标污染物现有监测数据；

将目标污染物的现有监测数据进行数据预处理，通过预处理后的现有监测数据进行数据分析，通过大数据手段检索获取目标污染物扩散相关经验，设置当前环境监测井位置分布下的监测数据相关性标准；

根据数据分析获取不同位置环境监测井的数据关联，判断所述数据关联与监测数据相关性标准的偏差，当偏差不处于预设偏差区间时，则获取目标区域的GIS地理数据；

根据所述GIS地理数据获取目标区域内的地形及水文数据，在现有环境监测井的基础上根据污染源位置信息利用遗传算法进行位置寻优新增监测点，结合环境监测井生成目标污染物监测点。

2.根据权利要求1所述的一种基于深度学习的扩散预测方法，其特征在于，通过目标污染物监测点采集目标污染物浓度信息，基于所述目标污染物浓度信息对各监测点进行聚类，获取目标区域的污染扩散格局，具体为：

根据目标污染物监测点的位置信息将目标区域进行格网划分，获取目标污染物监测点采集的目标污染物浓度信息，将格网结合所述目标污染物浓度信息获取聚类样本集；

根据聚类样本集中格网位置信息及目标污染物浓度信息获取格网样本之间的相似度矩阵，通过所述相似度矩阵获取格网样本之间的吸引度及归属度，经过多次迭代后，得到聚类样本集的聚类中心；

通过所述聚类样本集的聚类中心获取聚类结果，根据聚类结果获取目标区域的污染分布，并根据聚类结果中的各格网样本的类内距离确定扩散方向；

根据所述目标区域的污染分布及扩散方向生成目标区域内目标污染物的扩散格局。

3.根据权利要求1所述的一种基于深度学习的扩散预测方法，其特征在于，通过扩散预测模型对连续时间段内目标污染物浓度及土壤性质、水质性质获取时空关联特征，具体为：

根据目标污染物的历史监测数据结合目标污染物的扩散格局获取污染区域目标污染物的浓度变化序列，将所述浓度变化序列进行预处理，剔除异常监测数据；

基于深度学习构建扩散预测模型，将预处理后的目标污染物浓度变化序列作为模型输入，并进行归一化处理；

通过图注意力网络对目标区域目标污染物监测点形成的图结构进行学习表示，构建邻接矩阵获取相邻目标污染物监测点之间的空间关系，利用平均池化及最大池化结合对邻居节点分配不同的权重；

另外在目标污染物监测站点之间根据扩散方向设置注意力系数，根据所述注意力系数进行邻居节点的聚合，并滤除无用节点，根据图注意力网络的邻居聚合机制获取目标污染物浓度变化序列对应的空间特征；

将图注意力网络输出的特征序列输入DASeq2Seq模型进行特征编码，利用当前时间戳的特征输入和上一时间戳的隐藏状态获取当前时间戳的隐藏状态，并在DASeq2Seq模型中引入时间注意力，表征特征序列中各个特征的重要性；

通过解码器进行解码后，获取时空关联特征。