一种基于多模态融合的空气质量预测系统及预测方法技术方案

本发明专利技术属于空气质量监测及预测技术领域，具体涉及一种基于多模态融合的空气质量预测系统及预测方法。该方法利用无人机

【技术实现步骤摘要】
一种基于多模态融合的空气质量预测系统及预测方法


[0001]本专利技术属于空气质量监测及预测
，具体涉及一种基于多模态融合的空气质量预测系统及预测方法。

技术介绍

[0002]根据世界卫生组织的报告，每年有450万人因室外空气污染而过早死亡，空气污染增加了人类患严重疾病的概率，如呼吸系统和心血管疾病。为了量化空气污染的严重程度，通过空气中各种颗粒物(如PM2.5和PM10)的浓度来计算一个名为空气质量指数(AQI)的指标，在空气质量指数的帮助下，人类可以提前采取保护措施。因此，实现准确和及时的AQI监测和预测，找到有效的空气污染控制方法，对人类来说非常重要。
[0003]现有的AQI监测方法主要分为两类：基于传感器的监测和基于视觉的监测。其中，基于传感器的监测方法通常利用公共或私人机构在城市中的专门地点设立的传感器监测站来实现AQI监测。然而，由于两个监测站之间距离较远，这些方法只能提供粗粒度的二维监测，且存在成本高和缺乏流动性的问题。而基于视觉的监测方法一般用航拍图像推断整个区域内的空气质量指数，但是受限于飞行器的飞行距离以及一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态融合的空气质量预测系统，其特征在于，该系统包括嵌入模块、LSTM模块、CNN模块和组合模块，其中嵌入模块用于捕捉学习影响空气质量的外部分类特征，将外部分类特征数据从源空间映射到目标空间并进行结构保留；所述LSTM模块用于监测站空气质量数据时间相关性的学习，并对空气质量数据进行处理后通过LSTM模型输出空气质量特征向量；所述CNN模块用于提取雾霾图像中的特征编码，通过CNN模型输出雾霾特征；所述组合模块用于将嵌入模块、LSTM模块和CNN模块得到的输出值进行归一化后使用加权和进行组合计算得到空气质量预测结果。2.一种基于多模态融合的空气质量预测方法，其特征在于：包括以下步骤：步骤一、通过嵌入模块学习外部分类特征，利用one
‑
hot编码表示外部分类特征，将one
‑
hot编码向量作为全连接层的输入，然后用反向传播算法计算全连接层中每条边的权重，然后由全连接层输出层输出将外部分类数据从源空间映射到目标空间并进行结构保留：式中：表示嵌入模块输出值；代表分类特征集合，i，是这个集合中的分类特征；V
i
表示i类嵌入特征；<V
i
,V
j
>是两个嵌入向量V
i
和V
j
的内积；ω
i,j
代表内积值的权重；ω
i
是嵌入向量的权重；步骤二、将空气质量数据进行预处理，然后通过LSTM模块进行时间相关性学习，通过LSTM模型得到LSTM数据输出值；式中：为LSTM模块输出值；W
hy
为当前隐藏状态信息的权重；h
t
为t时刻的隐藏状态的信息；b
h
为偏差值；步骤三、将无人机采集的雾霾图像通过CNN模型进行处理得到雾霾图像特征图；所述CNN模型架构包括特征提取层、多个卷积层和全局平均汇集层，其中特征提取层提取雾霾图像中与雾霾估计相关的特征得到一个特征张量，将提取的特征编码作为卷积层的输入进行卷积运算，最后经全局平均汇集层输出特征张量，式中：表示CNN模块的输出向量；c为特征图；步骤四、将嵌入模块、LSTM模块和CNN模块的输出值进行归一化后使用加权和作为隐藏特征进行组合，送入整流线性单元，输出空气质量预测结果，式中：Y是预测值；W是上述模块的联合权重，b是偏置项。3.根据权利要求1所述的基于多模态融合的空气质量预测方法，其特征在于：步骤一中所述外部分类特征包括天气特征、POI数据和路网数据，其中天气特征数据包括温度、湿度、风速和风向；对于POI数据，将收集到的POI数据重新进行类别划分，计算出1kmaPOI特征内所有站点的每个类别中的POI数量作为特征向量。
4.根据权利要求1所述的基于多模态融合的空气质量预测方法，其特征在于：步骤二中所述预处理包括以下内容：(1)缺失值处理：遍历数据，找到缺失的数据，记录缺失值上一个数据和下一个数据，使用上下数据的平均值填充改缺失数据；(2)异常值处理：对于影响空气质量的一个特征因素的所有数据首先按照从小到大的顺序排序，找数据中的下四分位数、中位数和上四分位数，按照上界和下界的计算公式得到数据上界和下界；然后再次遍历该特征的所有数据，将每个数据与上界和下界对比，如果当前值比下界小，则使用下界替换该值；如果当前值大于...

【专利技术属性】
技术研发人员：梅嘉容，王煜炜，刘敏，刘庆祥，付艳波，王元卓，陈文治，
申请(专利权)人：郑州大学，
类型：发明
国别省市：