一种基于时空深度学习的臭氧浓度分布预测方法和系统技术方案

本发明专利技术提供一种基于时空深度学习的臭氧浓度分布预测方法和系统，所述方法包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的基于气象数据的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。通过插值等方法被处理为臭氧浓度分布图序列及气象‑时间序列。使用递归神经网络处理一段时间的历史数据，抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据，最大程度的利用臭氧的周期性特征。同时，加入预测时刻的气象数据及时间数据作为额外输入，利用气象和时间对于臭氧的影响进一步提高预测准确性。

【技术实现步骤摘要】
一种基于时空深度学习的臭氧浓度分布预测方法和系统
本专利技术涉及臭氧浓度分析
，更具体地，涉及一种基于时空深度学习的臭氧浓度分布预测方法和系统。
技术介绍
臭氧是地球大气中一种微量气体，臭氧(O3)又称为超氧，是氧气(O2)的同素异形体，在常温下，它是一种有特殊臭味的淡蓝色气体。它是由于大气中氧分子受太阳辐射分解成氧原子后，氧原子又与周围的氧分子结合而形成的，含有3个氧原子。大气中90％以上的臭氧存在于大气层的上部或平流层，离地面有10～50千米，这才是需要人类保护的大气臭氧层。还有少部分的臭氧分子徘徊在近地面，仍能对阻挡紫外线有一定作用。但是，一些专家发现地面附近大气中的臭氧浓度有快速增高的趋势，就令人感到不妙了。虽然臭氧在平流层起到了保护人类与环境的重要作用，但若其在对流层浓度增加，则会对人体健康产生有害影响。臭氧对眼睛和呼吸道有刺激作用，对肺功能也有影响，较高浓度的臭氧对植物也是有害的。从臭氧的性质来看，它既可助人又会害人，它既是上天赐与人类的一把保护伞，有时又像是一剂猛烈的毒药。至今，对于臭氧的正面作用以及人类应该采取哪些措施保护臭氧层，人们已达成共识并做了许多工作。但是，对于臭氧层的负面作用，人们虽然已有认识，但至今除了进行大气监测和空气污染预报外，还没有真正切实可行的方法加以解决。近年来，现代工业飞速发展，车辆保有量不断上升，人们在享受便捷生活的同时，也不得不面对日益严重的空气污染。如果能够做到对于空气污染的分析与预测，则对于空气质量问题的主要来源分析以及严重污染天气预警能够起到重要的作用。目前我国的环境监测站点大多监测PM10、PM2.5、NO2、O3、SO2、CO六种污染物，在不同的地区可能存在不同的主要污染物。如在北京地区，人们长期受PM2.5的困扰，而在南方的部分省份，则O3的污染比较严重。不同的污染物来源不同，在实际处理中需要分别分析。O3由氮氧化物(NOx)和挥发性有机物(VOCs)在光照条件下生成，此反应为可逆反应，在其他气象条件下，O3可能重新氧化NOx生成NO2。NOx与VOCs的来源包括工厂、机动车、植被等，这就造成了对于O3的分析极度复杂化。传统的预测方法往往采用依附于气象数值模式WARF的WARF-CHARM模式。该方法使用气象模式数据、污染源清单等数据作为输入，经过大量的物理化学过程模拟运算，计算出某一片地区的空气污染物浓度分布。这种方法存在一下几个问题：1、求解过程复杂，运算量巨大，即使采用服务器集群也需要3-4小时运行。2、输入污染源清单由于过时等原因往往不准确，这就导致结果的不准确。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的一种基于时空深度学习的臭氧浓度分布预测方法和系统，解决了现有技术中臭氧浓度预测过程复杂、运算量大，且污染源不准确导致的预测结果不准确的问题。根据本专利技术的一个方面，提供一种臭氧浓度分布预测方法，包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。作为优选的，通过已训练的臭氧浓度预测模型，对所述当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理前，还包括：获取待预测时间段内的时间气象序列，所述时间气象序列包括待预测时间段内各个时刻的气象数据；获取多个时间段内的臭氧浓度分布图，通过深度学习网络进行训练，得到臭氧浓度周期性变化预测模型，并基于所述臭氧浓度周期性变化预测模型，得到所述预测时间段内的臭氧浓度分布图序列；将所述臭氧浓度分布图序列和所述时间气象序列作为样本，进行神经网络训练，得到臭氧浓度预测模型。作为优选的，所述气象数据包括温度数据、湿度数据和风速数据。作为优选的，所述多个时间段包括第一时间段、第二时间段和第三时间段；所述预设时间段为{T,T+1,...,T+n}，所述第一时间段为{T-m+1,T-m+2,...,T}，所述第二时间段为{T-24,T-24+1,...,T-24+n}，所述第三时间段为{T-24*7,T-24*7+1,...,T-24*7+n}，n≤12且m≥n。作为优选的，获取多个时间段内的臭氧浓度分布图后还包括：基于插值法，通过时间属性将所述时间气象序列、所述多个时间段内的臭氧浓度分布图行内互联。作为优选的，通过深度学习网络进行训练，得到臭氧浓度周期性变化预测模型，具体包括：通过卷积神经网络抽取所述第二时间段内每一帧臭氧浓度分布图的特征{Zbt2}，T-24≤t2≤T-24+n；通过卷积神经网络抽取所述第三时间段内每一帧臭氧浓度分布图的特征{Zct3}，T-7*24≤t3≤T-7*24+n；通过全连接层神经网络抽取所述时间气象序列中的特征{Zdt4}，T≤t4≤T+n；通过多层递归神经网络抽取所述第一时间段内每一帧臭氧浓度分布图的特征，将所述第一时间段内的每一帧臭氧浓度分布图输入到多层递归神经网络中，取所述多层递归神经网络中最后一层的最后一个节点隐藏输出向量hT，长度为p；基于时间属性将所述hT与ZbT-24、ZcT-7*24和ZdT连结成长度为4p的组合向量，通过全连接层将所述组合向量重新组成与臭氧浓度分布图大小相同的矩阵；将所述矩阵作为第二多层递归神经网络的第一层第一个节点的输入，按时间属性对所述第二多层递归神经网络最后一层每个节点的输出按上述时间属性进行连结处理，将处理后的结果输入到所述第二多层递归神经网络的第一层下一个节点中，对下一个时刻的臭氧浓度分布进行预测，重复上述训练过程，得到训练后的臭氧浓度周期性变化预测模型。作为优选的，将所述臭氧浓度分布图序列和所述时间气象序列作为样本，进行神经网络训练，得到基于气象数据的臭氧浓度预测模型，具体包括：将所述臭氧浓度分布图序列和所述时间气象序列按步长为1取出样本，构造数据集；按比例将所述数据集分为训练集和测试集，从所述训练集中分批次取出样本输入神经网络，通过随机梯度下降法进行训练，迭代若干次后得到训练后的基于气象数据的臭氧浓度预测模型；从训练集中取出样本输入所述基于气象数据的臭氧浓度预测模型，对所述基于气象数据的臭氧浓度预测模型进行验证。一种臭氧浓度分布预测系统，包括：数据获取模块，用于获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；臭氧浓度预测模块，用于通过已训练的基于气象数据的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。一种臭氧浓度分布预测设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述臭氧浓度分布预测方法。一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上述臭氧浓度分布预测方法。本专利技术提出一种基于时空深度学习的臭氧浓度分布预测方法和系统，通过插值等方法被处理为臭氧浓度分布图序列及气象-时间序列。本文档来自技高网...

【技术保护点】
一种臭氧浓度分布预测方法，其特征在于，包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。

【技术特征摘要】
1.一种臭氧浓度分布预测方法，其特征在于，包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。2.根据权利要求1所述的臭氧浓度分布预测方法，其特征在于，通过已训练的臭氧浓度预测模型，对所述当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理前，还包括：获取待预测时间段内的时间气象序列，所述时间气象序列包括待预测时间段内各个时刻的气象数据；获取多个时间段内的臭氧浓度分布图，通过深度学习网络进行训练，得到臭氧浓度周期性变化预测模型，并基于所述臭氧浓度周期性变化预测模型，得到所述预测时间段内的臭氧浓度分布图序列；将所述臭氧浓度分布图序列和所述时间气象序列作为样本，进行神经网络训练，得到臭氧浓度预测模型。3.根据权利要求2所述的臭氧浓度分布预测方法，其特征在于，所述气象数据包括温度数据、湿度数据和风速数据。4.根据权利要求2所述的臭氧浓度分布预测方法，其特征在于，所述多个时间段包括第一时间段、第二时间段和第三时间段；所述预设时间段为{T,T+1,...,T+n}，所述第一时间段为{T-m+1,T-m+2,...,T}，所述第二时间段为{T-24,T-24+1,...,T-24+n}，所述第三时间段为{T-24*7,T-24*7+1,...,T-24*7+n}，n≤12且m≥n。5.根据权利要求2所述的臭氧浓度分布预测方法，其特征在于，获取多个时间段内的臭氧浓度分布图后还包括：基于插值法，通过时间属性将所述时间气象序列、所述多个时间段内的臭氧浓度分布图行内互联。6.根据权利要求5所述的臭氧浓度分布预测方法，其特征在于，通过深度学习网络进行训练，得到臭氧浓度周期性变化预测模型，具体包括：通过卷积神经网络抽取所述第二时间段内每一帧臭氧浓度分布图的特征{Zbt2}，T-24≤t2≤T-24+n；通过卷积神经网络抽取所述第三时间段内每一帧臭氧浓度分布图的特征{Zct3}，T-7*24≤t3≤T-7*24+n；通过全连接层神经网络抽取所述时间气象序列中的特征{Zdt4}，T≤t4≤T+n；通过多层递归神经网络抽取所述第一时间段内每一帧臭氧浓度分布图的特征，将所述第一时间段内的每...

【专利技术属性】
技术研发人员：龙明盛，王建民，张建晋，黄向东，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11