【技术实现步骤摘要】
基于时空图常微分方程网络的PM2.5浓度预测方法
[0001]本专利技术属于智能大气感知
，具体涉及基于时空图常微分方程网络的PM2.5浓度预测方法。
技术介绍
[0002]随着我国经济的快速发展，工业化和城市化进程逐步加快，以PM2.5为主的空气污染物造成的空气污染问题越来越突出，由此引发的空气污染不仅危害着人们的身体健康，严重时还会干扰社会秩序，对人们的生产和生活产生了越来越严重的影响，工业园区是PM2.5的主要来源之一，对工业园区的PM2.5浓度进行预测就显得格外重要。
[0003]目前，PM2.5浓度预测的方法主要分为基于统计规律模型的统计预测方法、基于传统机器学习的预测方法以及基于深度学习的预测方法，具体而言，主要有以下几种方法：（1）整合移动平均自回归模型（ARIMA）；（2）线性回归方法（LR）；（3）支持向量机回归方法（SVR）；（4）基于长短时记忆网络的方法（LSTM）；（5）基于卷积神经网络的方法（CNN）；（6）时空图卷积神经网络方法（STGCN）。这些解决PM2.5浓度预测的方法，分别从...
【技术保护点】
【技术特征摘要】
1.一种基于时空图常微分方程网络的PM2.5浓度预测方法，其特征在于，采用构建的时空图常微分方程网络对工业园区PM2.5浓度进行实时预测，具体包括如下步骤：步骤1、在工业园区内设置若干气体监测站，通过各个气体监测站采集园区内PM2.5浓度、空气湿度、风向三种大气数据，并进行数据预处理和相关性分析；步骤2、根据高斯扩散模型，融合监测站欧氏距离和风向数据构建邻接矩阵；步骤3、把工业园区中所有气体监测站构建成图的形式来表征监测站之间在空间上的相关性，整个数据集构造成图时间序列数据，图中数据包括邻接矩阵和PM2.5浓度数据；步骤4、对空气湿度数据进行数据处理；步骤5、构建时空图常微分方程网络模型；步骤6、将PM2.5浓度数据、邻接矩阵以及空气湿度数据输入到时空图常微分方程网络进行模型训练；步骤7、各个气体监测站实时采集园区内当前时刻的PM2.5浓度、空气湿度、风向三种大气数据，基于训练完成的模型对园区内的PM2.5浓度进行实时预测。2.根据权利要求1所述基于时空图常微分方程网络的PM2.5浓度预测方法，其特征在于，所述步骤1的具体过程如下：步骤1.1、对采集到的工业园区PM2.5浓度、空气湿度、风向数据进行数据预处理，数据预处理包括数据填充、数据筛选、数据标准化；具体为：步骤1.1.1、数据填充；对于数据的缺失值，用相关系数最大的监测站的值来填补；步骤1.1.2、数据筛选；对数据进行重采样，将时间间隔调整为10分钟，保证数据集的规整性；步骤1.1.3、数据标准化；通过z
‑
score方法对数据进行标准化，加快模型训练过程；步骤1.2、分析各个气体监测站PM2.5浓度、空气湿度数据之间的相关性，分析PM2.5浓度和空气湿度之间的周期性、不同气体监测站的差异性以及空气湿度数据和风向对PM2.5浓度的影响。3.根据权利要求1所述基于时空图常微分方程网络的PM2.5浓度预测方法，其特征在于，所述步骤2的具体过程如下：步骤2.1、根据高斯扩散模型，在工业园区场景下，将高斯扩散模型抽象为公式(1)，
ꢀꢀ
(1)由于工业园区的地理空间有限，各个监测站在同一时刻的风向看作是相同的，所以公式(1)简化为(2)，其中常数项省略；
ꢀꢀ
(2)其中，cost(E
ij
)用来描述空气污染物从监测站i到监测站j扩散的难度；E
ij
是两监测站之间的边；D
i
和D
j
表示ij两监测站的风向方位角；D
M
表示E
ij
的方位角；L
ij
代表E
ij
的长度，也就是监测站i与监测站j的距离；F表示计算方位角差的绝对值的函数；步骤2.2、构建邻接矩阵，邻接矩阵A的各个元素为监测站之间的空间关联程度a
ij
，表示为公式(3)，
ꢀꢀ
(3)其中，i和j都表示监测站的序号，也分别表示为邻接矩阵的行和列。4.根据权利要求3所述基于时空图常微分方程网络的PM2.5浓度预测方法，其特征在于，所述步骤3的具体过程如下：步骤3.1、将PM2.5浓度数据构造成形状为[T,N,F]的矩阵形式，T代表数据集总的时间跨度；N代表监测站个数；F表示每个监测站所利用的特征数，这里只用PM2.5浓度，所以F等于1；步骤3.2、...
【专利技术属性】
技术研发人员：陈赓，曾庆田，王超，段华，邵睿，徐先杰，张旭，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
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。