基于组合深度学习模型的空气污染物浓度预测方法及系统技术方案

本申请涉及一种基于组合深度学习模型的空气污染物浓度预测方法及系统。所述方法获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到空气污染物PM2.5的时间序列；并利用该时间序列对构建的组合深度学习网络进行训练，并采用贝叶斯优化方式进行超参数，得到训练好的空气污染物浓度预测模型；获取多个空气质量站的待测空气污染物PM2.5浓度，并进行预处理，将预处理结果输入空气污染物浓度预测模型中，得到目标站空气污染物PM2.5浓度预测值。本发明专利技术提出的组合深度学习模型可以高效提取不同时间段的空气污染物的时间相关性，并有效提取地区内的不同空气监测站之间的空气污染物浓度的空间相关性，使得预测效果得到提升。

【技术实现步骤摘要】
基于组合深度学习模型的空气污染物浓度预测方法及系统
本申请涉及空气质量监控
，特别涉及一种基于组合深度学习模型的空气污染物浓度预测方法及系统。
技术介绍
工业化和技术的飞速发展的同时，伴随着能源的大量消耗，环境被严重破坏，从而引发了一系列环境问题，例如全球变暖、废物处置、空气污染、酸雨、水污染等。世界范围内先后出现过煤烟型污染、光化学烟雾等空气污染问题，据估计空气污染每年导致全球700万人死亡，2018年世界卫生组织报告指出全球多个国家和地区仍然有严重的空气污染问题，90％的人类在污染的空气环境中生活，空气污染已经成为全世界高度关注的环境问题。空气质量一直是国内外学者的研究热点，为了预测空气中各种污染物的浓度，现有多种建模方法。包括确定性方法、统计方法、机器学习、神经网络。确定性方法也称为化学迁移模型，专注于大气物理和化学反应对空气污染物的排放、扩散过程建模。Byun等采用多尺度空气质量模型(CMAQ)模拟空气中的污染物传输过程建模。WangZ等用嵌套空气质量预测建模系统(NAQPMS)研究在城市范围内各种规模的大气运动中化学物质和人为气溶胶的各种过程。现有的长短期记忆网络(LongShort-TermMemory简称：LSTM)或者线性回归预测方法只考虑单个站点pm2.5数据，从而预测时会产生一定的误差。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够利用多个空气质量站检测的空气污染物PM2.5浓度数据之间的时间和空间的相关性，降低预测误差的基于组合深度学习模型的空气污染物浓度预测方法及系统。一种基于组合深度学习模型的空气污染物浓度预测方法，所述方法包括：获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到空气污染物PM2.5的时间序列。构建组合深度学习网络；所述组合深度学习网络包括多个时间embedding提取模块、多个长短期记忆神经网络、1个图卷积神经网络以及1个输出网络，所述时间embedding提取模块和长短期记忆神经网络的数量与所述空气质量站的数量相同；所述时间embedding提取模块用于提取所述空气污染物PM2.5的时间序列的时间embedding；所述长短期记忆神经网络用于将历史时间段的空气污染物PM2.5浓度信息和下一时刻的信息进行关联，提取空气污染物PM2.5浓度之间的时间相关性特征；所述图卷积神经网络用于接收多个所述长短期记忆神经网络输出的时间相关性特征，在图结构上实现卷积操作，提取地区内的不同空气监测站之间的空间相关性特征；所述输出网络用于输出预测结果。根据所述空气污染物PM2.5的时间序列对所述组合深度学习网络进行训练，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型。获取多个空气质量站的待测空气污染物PM2.5浓度，并进行预处理得到待测空气污染物PM2.5的时间序列。将所述待测空气污染物PM2.5的时间序列输入到所述空气污染物浓度预测模型中，得到目标站空气污染物PM2.5浓度预测值。在其中一个实施例中，获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到空气污染物PM2.5的时间序列，包括：获取多个空气质量站的空气污染物PM2.5浓度。对每个空气质量站的所述空气污染物PM2.5浓度采用插值法补全空缺值，得到每个空气质量站的空气污染物PM2.5的时间序列。在其中一个实施例中，根据所述空气污染物PM2.5的时间序列对所述组合深度学习网络进行训练，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型，包括：将所述空气污染物PM2.5的时间序列分为训练样本和测试样本。将所述训练样本输入到所述时间embedding提取模块中，得到所述空气污染物PM2.5的时间序列的时间embedding。将所述时间embedding输入到所述长短期记忆神经网络中，得到空气污染物PM2.5浓度之间的时间相关性特征。经所述时间相关性特征输入到所述图卷积神经网络中，得到地区内的不同空气监测站之间的空间相关性特征。将所述空间相关性特征输入到输出层得到空气污染物PM2.5浓度预测值，得到预估的空气污染物浓度预测模型。利用测试样本对预估的空气污染物浓度预测模型进行测试，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型。在其中一个实施例中，所述时间embedding提取模块中采用Time2Vec方式进行所述空气污染物PM2.5的时间序列的时间embedding提取。一种基于组合深度学习模型的空气污染物浓度预测系统，所述系统包括：数据获取和预处理模块，用于获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到空气污染物PM2.5的时间序列。模型构建模块，用于构建组合深度学习网络；所述组合深度学习网络包括多个时间embedding提取模块、多个长短期记忆神经网络、1个图卷积神经网络以及1个输出网络，所述时间embedding提取模块和长短期记忆神经网络的数量与所述空气质量站的数量相同；所述时间embedding提取模块用于提取所述空气污染物PM2.5的时间序列的时间embedding；所述长短期记忆神经网络用于将历史时间段的空气污染物PM2.5浓度信息和下一时刻的信息进行关联，提取空气污染物PM2.5浓度之间的时间相关性特征；所述图卷积神经网络用于接收多个所述长短期记忆神经网络输出的时间相关性特征，在图结构上实现卷积操作，提取地区内的不同空气监测站之间的空间相关性特征；所述输出网络用于输出预测结果。模型训练模块，用于根据所述空气污染物PM2.5的时间序列对所述组合深度学习网络进行训练，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型。目标站空气污染物PM2.5浓度预测值确定模块：获取多个空气质量站的待测空气污染物PM2.5浓度，并进行预处理得到待测空气污染物PM2.5的时间序列；将所述待测空气污染物PM2.5的时间序列输入到所述空气污染物浓度预测模型中，得到目标站空气污染物PM2.5浓度预测值。在其中一个实施例中，数据获取和预处理模块，还用于获取多个空气质量站的空气污染物PM2.5浓度；对每个空气质量站的所述空气污染物PM2.5浓度采用插值法补全空缺值，得到每个空气质量站的空气污染物PM2.5的时间序列。在其中一个实施例中，模型训练模块，还用于将所述空气污染物PM2.5的时间序列分为训练样本和测试样本；将所述训练样本输入到所述时间embedding提取模块中，得到所述空气污染物PM2.5的时间序列的时间embedding；将所述时间embedding输入到所述长短期记忆神经网络中，得到空气污染物PM2.5浓度之间的时间相关性特征；经所述时间相关性特征输入到所述图卷积神经网络中，得到地区内的不同空气监测站之间的本文档来自技高网...

【技术保护点】
1.一种基于组合深度学习模型的空气污染物浓度预测方法，其特征在于，所述方法包括：/n获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到多个空气质量站的空气污染物PM2.5的时间序列；/n构建组合深度学习网络；所述组合深度学习网络包括多个时间embedding提取模块、多个长短期记忆神经网络、1个图卷积神经网络以及1个输出网络，所述时间embedding提取模块和长短期记忆神经网络的数量与所述空气质量站的数量相同；所述时间embedding提取模块用于提取所述空气污染物PM2.5的时间序列的时间embedding；所述长短期记忆神经网络用于将历史时间段的空气污染物PM2.5浓度信息和下一时刻的信息进行关联，提取空气污染物PM2.5浓度之间的时间相关性特征；所述图卷积神经网络用于接收多个所述长短期记忆神经网络输出的时间相关性特征，在图结构上实现卷积操作，提取地区内的不同空气监测站之间的空间相关性特征；所述输出网络用于输出预测结果；/n根据所述空气污染物PM2.5的时间序列对所述组合深度学习网络进行训练，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型；/n获取多个空气质量站的待测空气污染物PM2.5浓度，并进行预处理得到待测空气污染物PM2.5的时间序列；/n将所述待测空气污染物PM2.5的时间序列输入到所述空气污染物浓度预测模型中，得到目标站空气污染物PM2.5浓度预测值。/n...

【技术特征摘要】
1.一种基于组合深度学习模型的空气污染物浓度预测方法，其特征在于，所述方法包括：
获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到多个空气质量站的空气污染物PM2.5的时间序列；
构建组合深度学习网络；所述组合深度学习网络包括多个时间embedding提取模块、多个长短期记忆神经网络、1个图卷积神经网络以及1个输出网络，所述时间embedding提取模块和长短期记忆神经网络的数量与所述空气质量站的数量相同；所述时间embedding提取模块用于提取所述空气污染物PM2.5的时间序列的时间embedding；所述长短期记忆神经网络用于将历史时间段的空气污染物PM2.5浓度信息和下一时刻的信息进行关联，提取空气污染物PM2.5浓度之间的时间相关性特征；所述图卷积神经网络用于接收多个所述长短期记忆神经网络输出的时间相关性特征，在图结构上实现卷积操作，提取地区内的不同空气监测站之间的空间相关性特征；所述输出网络用于输出预测结果；
根据所述空气污染物PM2.5的时间序列对所述组合深度学习网络进行训练，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型；
获取多个空气质量站的待测空气污染物PM2.5浓度，并进行预处理得到待测空气污染物PM2.5的时间序列；
将所述待测空气污染物PM2.5的时间序列输入到所述空气污染物浓度预测模型中，得到目标站空气污染物PM2.5浓度预测值。


2.根据权利要求1所述的方法，其特征在于，获取多个空气质量站的空气污染物PM2.5浓度，并进行预处理得到空气污染物PM2.5的时间序列，包括：
获取多个空气质量站的空气污染物PM2.5浓度；
对每个空气质量站的所述空气污染物PM2.5浓度采用插值法补全空缺值，得到每个空气质量站的空气污染物PM2.5的时间序列。


3.根据权利要求1所述的方法，其特征在于，根据所述空气污染物PM2.5的时间序列对所述组合深度学习网络进行训练，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型，包括：
将每个空气质量站的所述空气污染物PM2.5的时间系列作为1路输入，并将多个空气质量站的所述空气污染物PM2.5的时间序列分为训练样本和测试样本；
将所述训练样本一一对应输入到多个所述时间embedding提取模块中，得到多个空气监测站的所述空气污染物PM2.5的时间序列的时间embedding；
将多个所述时间embedding一一对应输入到多个所述长短期记忆神经网络中，得到多个空气监测站的空气污染物PM2.5浓度之间的时间相关性特征；
将多个所述时间相关性特征输入到所述图卷积神经网络中，得到地区内的不同空气监测站之间的空间相关性特征；
将所述空间相关性特征输入到输出层得到空气污染物PM2.5浓度预测值，迭代训练结束后，得到预估的空气污染物浓度预测模型；
利用测试样本对预估的空气污染物浓度预测模型进行测试，并采用贝叶斯优化方式对所述组合深度学习网络中的超参数进行调整，得到训练好的空气污染物浓度预测模型。


4.根据...

【专利技术属性】
技术研发人员：陈曦，何世柱，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43