融合空间和统计特征的CNN-GRU臭氧浓度预测模型建立方法、预测方法及模型技术

本发明专利技术公开一种融合空间和统计特征的CNN

【技术实现步骤摘要】
融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法、预测方法及模型


[0001]本专利技术涉及臭氧浓度预测
，具体涉及一种融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法、预测方法及模型。

技术介绍

[0002]近年来，我国大气污染问题备受关注，其中，近地面的臭氧是大气污染物的一种，同时也是光化学烟雾的组成之一，在大气中会发生光化学反应生成氮氧化物(NOx)和挥发性有机物(VOCs)等对生物有害的二次污染物。另外，暴露在一定臭氧浓度下会对人体心血管及呼吸系统有所影响，高浓度的臭氧不仅影响人体健康，导致多种疾病发生，还会阻碍农作物的生产，影响昆虫的发育和行为，甚至会对生态环境产生严重的危害。目前，大气环境监测站为臭氧相关研究提供了数据支持。通过监测数据，可以了解当前的空气质量，但无法直接观测未来空气质量的发展趋势。对未来臭氧浓度进行预测，可为受臭氧影响的户外工作者及政府决策提供科学支持，并可对生态环境起到进一步保护作用。因此，对臭氧浓度的精准预测具有重要意义。
[0003]当前对臭氧浓度预测的研究主要分为两类，一类是基于传统方法的预测模型，如吴莹等利用NAQPMS(嵌套空气质量预报模式系统)和CMAQ(通用多尺度空气质量模型)对臭氧进行预报，两种模型对O3预报的相关系数分别为0.67、0.79，NMB分别为1.1％、2.2％，NME分别为30.5％、20.7％(吴莹，王玉祥.NAQPMS和CMAQ模式在臭氧预报应用中的效果检验[J].四川环境，2019，38(01)：81
‑
84.)。此方法能对臭氧浓度进行大致预测，但需要大量人力物力，有时预测并不准确。另一类是基于机器学习的预测模型，相比传统的预测模型，该类模型使用臭氧浓度和相关气象因子的时间序列数据作为模型输入，众多学者搭建了使用随机森林、BP神经网络、决策树、XGBoost等机器学习方法的数值关系模型用于预测大气污染物的浓度，此类模型构造简单且便于操作。贾鹏程等通过分析气象因子、前体物以及颗粒物对近地面臭氧浓度的影响，利用q2seq模型对未来1小时臭氧浓度进行预测，实验结果均方根误差为12.0μg/m3，平均绝对误差为9.27μg/m3(贾鹏程.基于深度学习的长三角地区臭氧临近预报技术研究[D].南京：南京信息工程大学，2021.)。王馨陆等基于成都市的气象数据，使用随机森林等机器学习方法，建立了成都市夏季臭氧污染潜势模型，该模型对臭氧的短期污染潜势具有良好的预报效果，测试集的相关系数在0.73
‑
0.76(王馨陆，黄冉，张雯娴，等.基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例[J].北京大学学报(自然科学版)，2021，57(05)：938
‑
950.)。蔡旺华等运用XGBoost模型预测空气中的臭氧浓度，充分考虑臭氧浓度的时序变化规律，将气象条件和生成臭氧的重要前体物纳入模型考虑后均取得了90％的预报等级准确率(蔡旺华.运用机器学习方法预测空气中臭氧浓度[J].中国环境管理，2018，10(02)：78
‑
84.)。目前臭氧的预测方法着重研究解决臭氧的时间依赖性和臭氧与其他环境因子之间的关系，而结合臭氧的空间特征和自相关性研究较少，即单个站点臭氧浓度的历史数据与周围站点在同一时序上的相关性和臭氧自身的强时
序特征研究较少，导致臭氧的预测精度仍有较大的提升空间。

技术实现思路

[0004]本专利技术的目的是提供一种融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法、预测方法及模型，以解决现有技术的不足。
[0005]本专利技术采用以下技术方案：
[0006]一种融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法，包括如下步骤：
[0007]步骤1、获取待预测大气环境监测站点及其周边多个大气环境监测站点气象污染物多年历史数据，所述气象污染物包括O3、CO、NO2、SO2、PM2.5和PM10；
[0008]步骤2、对步骤1获取的气象污染物数据预处理，即将气象污染物数据的缺失值进行线性填充；预处理后的气象污染物数据根据时间划分为训练集数据和测试集数据；
[0009]步骤3、对步骤2预处理后的气象污染物数据进行数据分析，包括从时间特征、空间特征和其他气象因子对臭氧浓度的影响进行特征分析，所述其他气象因子包括CO、NO2、SO2、PM2.5和PM10；
[0010]步骤4、根据步骤3，利用统计学方法和克里金插值法对步骤2训练集数据进一步预处理提取数据的时空相关特征，具体包括：
[0011](1)提取空间特征：采用克里金插值法对训练集数据进行网格化处理，即根据各监测站点的经纬度，进行坐标平移，以待预测监测站点为原点，将多个监测站点构成m
×
n的网格，m、n为自然数，得到网格化数据；将网格化数据采用卷积神经网络进行空间特征提取，作为GRU分支和CNN分支的输入；
[0012](2)提取统计特征：就训练集数据，遍历每一个时间点，计算统计历史预测时间点前一小时臭氧浓度值、前三小时平均臭氧浓度值、24小时前同一时间点与下一小时的差值和24小时前下一小时与下二小时的差值，遍历每一个时间点，将计算得到的统计特征加入列表，将数据转换为二维矩阵，再通过全连接神经网络提取后作为统计分支的输出；
[0013]步骤5、步骤4(1)中提取空间特征后的数据作为GRU分支和CNN分支的输入分别通过GRU模型、CNN模型得到GRU分支的输出、CNN分支的输出，结合步骤4(2)中的统计分支的输出，将三个输出并行拼接作为全连接神经网络的输入，得到最终的输出，由此构建得到融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型；
[0014]步骤6、通过测试集数据对步骤5构建好的融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型进行模型测试，利用模型测试的结果对所述融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型的预测精度进行评价。
[0015]进一步地，步骤1所述待预测大气环境监测站点及其周边多个大气环境监测站点气候环境条件相近，地理位置相对较密集集中。
[0016]进一步地，步骤4(1)中采用二维CNN进行空间特征提取；步骤5CNN模型采用一维CNN，GRU模型采用双层GRU。
[0017]进一步地，步骤6使用平均绝对误差MAE、均方根误差RMSE、可决定系数R
2 3个指标对构建的融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型臭氧浓度预测结果的预测精度进行评价；
[0018]表达式如下：
[0019][0020][0021][0022]其中，为预测值，y
i
为真实值，为真实值的平均值，m为样本数量，i为第i个样本。
[0023]一种臭氧浓度预测方法，包括如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法，其特征在于，包括如下步骤：步骤1、获取待预测大气环境监测站点及其周边多个大气环境监测站点气象污染物多年历史数据，所述气象污染物包括O3、CO、NO2、SO2、PM2.5和PM10；步骤2、对步骤1获取的气象污染物数据预处理，即将气象污染物数据的缺失值进行线性填充；预处理后的气象污染物数据根据时间划分为训练集数据和测试集数据；步骤3、对步骤2预处理后的气象污染物数据进行数据分析，包括从时间特征、空间特征和其他气象因子对臭氧浓度的影响进行特征分析，所述其他气象因子包括CO、NO2、SO2、PM2.5和PM10；步骤4、根据步骤3，利用统计学方法和克里金插值法对步骤2训练集数据进一步预处理提取数据的时空相关特征，具体包括：(1)提取空间特征：采用克里金插值法对训练集数据进行网格化处理，即根据各监测站点的经纬度，进行坐标平移，以待预测监测站点为原点，将多个监测站点构成m
×
n的网格，m、n为自然数，得到网格化数据；将网格化数据采用卷积神经网络进行空间特征提取，作为GRU分支和CNN分支的输入；(2)提取统计特征：就训练集数据，遍历每一个时间点，计算统计历史预测时间点前一小时臭氧浓度值、前三小时平均臭氧浓度值、24小时前同一时间点与下一小时的差值和24小时前下一小时与下二小时的差值，遍历每一个时间点，将计算得到的统计特征加入列表，将数据转换为二维矩阵，再通过全连接神经网络提取后作为统计分支的输出；步骤5、步骤4(1)中提取空间特征后的数据作为GRU分支和CNN分支的输入分别通过GRU模型、CNN模型得到GRU分支的输出、CNN分支的输出，结合步骤4(2)中的统计分支的输出，将三个输出并行拼接作为全连接神经网络的输入，得到最终的输出，由此构建得到融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型；步骤6、通过测试集数据对步骤5构建好的融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型进行模型测试，利用模型测试的结果对所述融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型的预测精度进行评价。2.根据权利要求1所述的融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法，其特征在于，步骤1所述待预测大气环境监测站点及其周边多个大气环境监测站点气候环境条件相近，地理位置相对较密集集中。3.根据权利要求1所述的一种融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法，其特征在于，步骤4(1)中采用二维CNN进行空间特征提取；步骤5CNN模型采用一维CNN，GRU模型采用双层GRU。4.根据权利要求1所述的一种融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型建立方法，其特征在于，步骤6使用平均绝对误差MAE、均方根误差RMSE、可决定系数R
2 3个指标对构建的融合空间和统计特征的CNN
‑
GRU臭氧浓度预测模型臭氧浓度预测结果的预测精度进行评价；表达式如下：
其中，为预测值，y
i
为真实值，为真实值的平均值，m为样本数量，i为第i个样本。5.一种臭氧浓度预测方法，其特征在于，包括如下步骤：步骤1、获取待预测大气...

【专利技术属性】
技术研发人员：曾松伟，杨雨佳，陈坤，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：