一种基于深度学习模型与经验模态分解耦合的PM2.5污染浓度长时空预测方法，收集PM2.5污染数据以及相关变量数据，数据清洗，相关性分析确定选择变量的相关性；构建图数据结构并输入至模型的GAT模块，得到PM2.5污染的空间信息；将PM2.5序列输入至模型的EMD模块，分解为若干个低频率的时间序列以及残差，并进行拼接，得到PM2.5污染的时间序列信息；整合空间信息以及时间序列信息，得到PM2.5污染的时空信息，输入至模型的GRU模块，再通过全连接层得到最终的预测结果。本发明专利技术将PM2.5污染的时间与空间信息结合，并将信号分解领域的经验模态分解算法和深度学习算法结合，提高PM2.5长步长预测的精度。预测的精度。预测的精度。
【技术实现步骤摘要】
Systems.2020: 163
‑
166.DOI：10.1145/3397536.3422208)该研究通过构建图数据结构，将PM2.5 浓度数据与天气变量数据结合，融入PM2.5的领域知识，体现了PM2.5空间上的扩散与传输，使其能够捕捉PM2.5预测时的长期依赖关系。但其构建图数据结构时未能体现城市节点之间的关联，并且未对PM2.5的时序数据进行处理，其预测仅在数据量较大时才较准确，当数据量过少时其预测精度较低。
[0007]学术文献3(刘金培,陈丽娟,汪漂,陈华友.基于MEMD和空间层次聚类的PM2.5三角模糊序列多因子组合预测研究[J/OL].控制与决策:1
‑
9[2022
‑
02
‑
17].DOI:10.13195/j.kzyjc.2021.1163)该研究提出基于多元经验模态分解和空间层次聚类的PM2.5三角模糊序列多因子组合预测模型。运用皮尔曼相关系数分析PM2.5与本地污染物浓度、气象要素间的关联度，选取本地影响因子；其次，计算PM2.5与空间污染物浓度间的关联度，并据此对邻近城市 K
‑
means空间聚类得到核心影响、一般影响和偏远影响城市群，并统计各城市群不同污染物的综合指数，即空间影响因子；进而，利用MEMD对PM2.5和影响因子的三角模糊序列同时进行分解，重构得到高频、低频以及趋势序列。最后，用BP、LSTM、LSSVR分别对子序列进行多输入单输出的预测，最后集成得到计算结果。此研究的局限主要是要求对大气污染数据要求高，并且通过组合预测模型进行计算，算法复杂度较高，计算效率较慢。
[0008]相关的现有专利1(CN202011041190.3一种基于深度学习的PM2.5高精度时空预测方法(审中
‑
实质审查))公开了一种基于深度学习PM2.5浓度时空预测的方法，该方法不仅可以提高长期时空预测的精度，而且可用于预测空间连续大范围未来时刻的PM2.5浓度，满足实际应用中的需求。包括步骤1)选取影响PM2.5的多源数据进行预处理和影响因素分析,所述多源数据包括地面监测站点PM2.5数据、气象数据、空间相关数据以及物理特征数据；步骤2)对所述多源数据进行时空匹配；步骤3)基于时空相关性将多源数据进行聚类并找到合适的时间滞后值；步骤4)利用递归的LSTM模型，对各个聚类的站点PM2.5进行训练，并评估本预测方法的精度；步骤5)对预报结果进行精细PM2.5时空分布制图。
[0009]现有专利2(CN202110598978.2一种基于图自监督学习的PM2.5预测方法及存储介质(审中
‑
实质审查))涉及一种基于图自监督学习的PM2.5预测方法及存储介质，通过运用图神经网络对非欧数据强大的学习能力，建立预测模型。本专利技术中，PM2.5预测方法包括：步骤1)输入区域内多站点的历史环境时空数据进行图构建；步骤2)构建PM2.5预测模型；步骤3)输入时空图序列数据，训练步骤2构建的预测模型；步骤4)计算模型预测的准确率，若准确率超过预设阈值，则执行步骤5，否则，返回步骤3；步骤5)将区域内多站点数据输入训练好的预测模型，获得区域内多站点的PM2.5预测浓度值。
[0010]现有专利3(CN201911359480.X一种融合EMD和LSTM的城市PM2.5 浓度预测方法(审中
‑
实质审查))涉及一种空气质量浓度预测方法，尤其是涉及一种融合EMD和LSTM的深度学习城市PM2.5浓度预测方法。包括步骤：1) 获取每小时时间序列数据，对获取的数据进行数据清洗；2)使用经验模态分解 EMD对PM2.5浓度数据进行平稳化处理，得到多个分量；3)确定滑动时间窗口 T，对每个分量进行数据序列段切分处理，并归一化统一量纲，得到多个数据集；4) 将数据集划分为训练集和测试集，分别构建LSTM网络模型进行训练，使用训练好的模型对各个分量进行预测，并对其进行反归一化处理，得到最终的城市 PM2.5浓度预测结果；5)在此基础上构建长短期记忆神经网络LSTM模型并进行训练；6)使用训练好的模型进行预测，并对其进行反归一化处理，得到最终的城市PM2.5浓度预测结果。
[0011]上述三项专利基本上侧重于利用深度学习技术，选取相关变量来对PM2.5 浓度进行预测，然而相关的专利却存在如下问题：专利1选取的变量过多，容易造成算法复杂度过高，模型实用性不足；专利2采用的GCN是针对于全图的计算方式，一次计算需要更新全图的节点特征，对于复杂多变的PM2.5预测来说适用性不足；专利3仅考虑了PM2.5时间序列，未利用造成PM2.5污染的空间信息，在面对长步长时空预测时预测精度有限。
[0012]科学合理的PM2.5长时空序列预测方法是保障大气污染联防联控政策的前提，现有技术存在以下问题：
[0013]1.方法的使用受限，现有的研究多针对于短时间预测，在实际应用过程中无法满足要求；
[0014]2.实用性差，需要海量的大气污染数据和地理数据，数值模拟模型需要大量参数，构建模型较复杂，需要计算资源过多；
[0015]3.现有的深度学习方法大多数仅针对PM2.5序列，或提取PM2.5污染的空间相关信息时复杂度较高，对于长时空预测的精度不够。
技术实现思路
[0016]针对现有技术存在的缺陷，本专利技术的目的在于提供一种基于 GAT
‑
EMD
‑
GRU深度学习算法的PM2.5浓度长时空预测方法，提供一种新的解决PM2.5浓度预测问题的思路，将信号分解领域的经验模态分解算法与深度学习算法结合，提高PM2.5长时空预测的精度。
[0017]为了达到上述目的，本专利技术的技术方案如下：
[0018]一种基于深度学习模型与经验模态分解耦合的PM2.5污染浓度长时空预测方法，步骤如下：
[0019]步骤000，收集PM2.5污染数据以及相关气象变量数据并进行数据清洗，并进行相关性分析；
[0020]步骤010，通过收集到的数据，构建图数据结构，并输入至模型的GAT模块，得到PM2.5污染的空间信息；
[0021]步骤020，根据经验模态分解算法，将PM2.5污染序列分解为若干个低频的子污染序列以及残差，将子序列以及残差进行拼接，得到PM2.5污染的时间信息；
[0022]步骤030，选用门控循环单元作为基本单元，将前述两步得到的时空特征信息进行聚合，并输入至GRU中进行计算，最后通过全连接层输出，得到预测结果。
[0023]优选的，还包括以下步骤：
[0024]步骤001，通过皮尔逊相关系数(Pearson correlation coefficient)，进行相关性分析，确定选取气象变量与PM2.5污染之间的相关性。
[0025]优选的，步骤010还包括以下步骤：
[0026]步骤011，根据选取的变量以及关联规则，构建图数据结构。
[0027]步骤012，将图数据结构输入至GAT中，基于GAT的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习模型与经验模态分解耦合的PM2.5污染浓度长时空预测方法，其特征在于，包括以下步骤：步骤1，收集PM2.5污染数据以及相关气象变量数据，数据清洗并进行相关性分析；通过皮尔逊相关系数进行相关性分析，确定选取的相关气象变量数据与PM2.5污染数据之间的相关性，皮尔逊相关系数公式如下：此为总体相关系数，其中，X、Y指两个随机变量，指PM2.5与单个相关气象变量；单个相关气象变量数据与PM2.5污染数据为总体的样本，cov(X，Y)指PM2.5数据与单个气象变量数据的协方差，σ指样本数据的标准差，E[]指求随机变量的期望，μ指样本数据的均值；对于样本数据，即PM2.5数据以及单个气象变量数据，cov(X，Y)和σ公式为：cov(X，Y)＝E[XY]
‑
E[X]E[Y]将其代入到ρ
X，Y
的公式中，得到样本的皮尔逊相关系数r：其中，X
i
，Y
i
指随机变量X，Y中的样本，指单条PM2.5污染数据与单条单个气象变量数据，指PM2.5污染数据与单个气象变量数据的总体均值，n为数据的数量；步骤2，通过步骤1中清洗过的相关气象变量数据，构建图数据结构，并基于注意力机制以及图数据结构，构建模型GAT
‑
EGRU的GAT模块，将PM2.5污染数据以及相关气象变量数据输入，得到新的空间特征信息；步骤2.1，根据步骤1中选取的相关气象变量数据以及关联规则，构建图数据结构，关联规则如下：A
ij
＝H(d
θ
‑
d
ij
)
·
H(m
θ
‑
m
ij
)其中，d
ij
＝||ρ
i
‑
ρ
j
||，其中，A
ij
代表是否有关联：数值为0时表示无关联，数值为1时表示有关联，ρ
i
代表图数据结构中城市节点i的位置，d
ij
表示两个节点之间的距离；m
ij
表示城市节点i与城市节点j之间的山脉海拔高度，在求解m
ij
的公式中，h(
·
)为高度函数，λ为占比参数，sup{}表示求上界；||
·
||为向量的L2范数，H(
·
)为阶跃函数，当且仅当x＞0时，H(x)＝1；d
θ
、m
θ
为距离和海拔高度的阈值；步骤2.2，基于GAT的注意力机制以及步骤2.1的图数据结构，构造模型的GAT模块，具体地，构造GAT的公式如下：
其中，a：R
p
′
×
R
p
′
→
R为自注意力机制，W∈R
p
×
p
′
为权重矩阵，M是节点i邻居节点的集合，为节点i的空间特征矩阵，e
ij
表示节点j对节点i的重要性；为了使e
ij
易于在不同节点之间进行比较，使用Softmax函数对j的所有注意力系数进行归一化，得到α
ij...
【专利技术属性】
技术研发人员：杨光飞，张强，关晓微，
申请(专利权)人：大连凌空数据科技有限公司，
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。