【技术实现步骤摘要】
一种基于深度学习的多尺度空气质量预报方法
本专利技术涉及空气质量预报方法，尤其涉及一种基于深度学习的多尺度空气质量预报方法。
技术介绍
当前，我国在推进生态文明建设的大背景下，空气质量问题日渐受到公众关注。空气污染会对公众的日常生活出行造成一定影响，严重的甚至会引发一系列健康问题。建设空气质量预报预警体系，提升空气质量监测预警能力，开展环境空气质量预报工作是保障及时妥善应对重污染天气的重要技术手段，对区域大气污染联合减排也具有指导意义。现有的空气质量预报方法分为数值分析法、统计预报法。数值分析法多用于大尺度区域预报，对于揭示污染机理有优势，但预报成本高，预报所需数据较为苛刻，且无法实现空气质量的实时在线预报。统计预报法适用于短期、小范围预报工作，预报成本低，但无法适用于长期空气质量预报，且预报精度低。目前通过人工智能、机器学习等方法实现环境空气质量预报已成为各国环保领域的研究热点和发展趋势。深度学习方法是近年来新兴的一种机器学习算法，通过对大量数据的学习，发现其中的内在特征，从而提升分类或者预测的准确性。本专...
【技术保护点】
1.一种基于深度学习的多尺度空气质量预报方法，其特征在于包括以下步骤：/n步骤1、获取实时更新的多源融合数据集并进行归一化处理；/n步骤2、依据预报时间尺度将多源融合数据集进行划分为大尺度数据集和小尺度数据集；/n步骤3、若用户选择大尺度预报，则利用大尺度预报模型对大尺度数据集进行处理得到大尺度预报数据；若用户选择小尺度预报，则利用小尺度预报模型对小尺度数据集进行处理得到小尺度预报数据，然后对经过模型运算的预报数据进行反归一化处理，得到预报结果；/n本步骤中，大尺度预报模型和小尺度预报模型均使用HDAQF模型作为空气质量预报的训练模型；所述HDAQF模型包含有CNN、LST...
【技术特征摘要】
1.一种基于深度学习的多尺度空气质量预报方法，其特征在于包括以下步骤：
步骤1、获取实时更新的多源融合数据集并进行归一化处理；
步骤2、依据预报时间尺度将多源融合数据集进行划分为大尺度数据集和小尺度数据集；
步骤3、若用户选择大尺度预报，则利用大尺度预报模型对大尺度数据集进行处理得到大尺度预报数据；若用户选择小尺度预报，则利用小尺度预报模型对小尺度数据集进行处理得到小尺度预报数据，然后对经过模型运算的预报数据进行反归一化处理，得到预报结果；
本步骤中，大尺度预报模型和小尺度预报模型均使用HDAQF模型作为空气质量预报的训练模型；所述HDAQF模型包含有CNN、LSTM和DNN，其中，CNN用于对时间序列的历史数据进行数值特征提取，LSTM用于对CNN提取得到的特征进行更深层次的时间特征提取，给出预报空气质量的特征结果，DNN用于对LSTM给出的空气质量预报特征进行计算，给出空气质量的数值预报结果；所述DNN中，第一层和第二层神经网络加入Dropout正则化层，设置dropout比率为0.3，第三层作为预报结果的输出层；所述大尺度预报模型根据大尺度历史数据集训练获得，所述小尺度预报模型根据小尺度历史数据集训练获得。
2.根据权利要求1所述的基于深度学习的多尺度空气质量预报方法，其特征在于：所述HDAQF模型以Tensorflow作为深度学习框架。
3.根据权利要求1所述的基于深度学习的多尺度空气质量预报方法，其特征在于：将历史多源融合数据集归一化后进行时间序列建模，用于训练HDAQF模型。
4.根据权利要求1所述的基于深度学习的多尺度空气质量预报方法，其特征在于：HDAQF模型的训练循环次数为50-100次，每次训练的批处理量为32；CNN为两层一维卷积神经网络结构，每一层使用64个卷积核，卷积核的长度为1，使用Relu作为激活函数；LSTM选用两层双向长短时记忆网络结构，每一层的神经元数量为128，使用tanh作为激活函数；DNN为三层全连接神经网络结构，第一层、第二层的神经元...
【专利技术属性】
技术研发人员：徐爱兰，张再峰，孙强，
申请(专利权)人：江苏省南通环境监测中心，南通大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。