基于CNN-AGU的空气质量指数预测方法及装置制造方法及图纸

本申请适用于空气质量指数技术领域，提供了基于CNN

【技术实现步骤摘要】
基于CNN
‑
AGU的空气质量指数预测方法及装置


[0001]本申请属于空气质量指数
，尤其涉及基于CNN
‑
AGU的空气质量指数预测方法及装置。

技术介绍

[0002]空气污染对国民经济的发展和人们的身心健康造成了很大的影响，引起社会各界的高度重视。AQI(Air Quality Index，空气质量指数)根据环境空气质量标准和各项污染物对人体健康、生态、环境的影响，将常规监测的几种空气污染物浓度简化成为单一的概念性指数值形式。使用AQI来评价空气质量情况，评价结果能充分反映出实际空气质量情况。长期以来，AQI的预测一直是国内外空气污染监测与治理相关领域的研究热点之一。

技术实现思路

[0003]本申请实施例提供了基于CNN
‑
AGU的空气质量指数预测方法及装置，以提高空气质量指数的预测精度。
[0004]本申请是通过如下技术方案实现的：
[0005]第一方面，本申请实施例提供了一种基于CNN
‑
AGU的空气质量指数预测方法，包括：
[0006]获取预设时间内的空气质量指数和空气质量指数的影响因素，对空气质量指数和影响因素进行数据预处理，得到构建好的时间序列输入数据；
[0007]基于卷积神经网络、门控循环单元和注意力机制建立空气质量指数预测模型；
[0008]将构建好的时间序列输入数据输入空气质量指数预测模型，得到空气质量指数的预测值。
[0009]结合第一方面，在一些可能的实现方式中，数据预处理包括缺失值处理、规范标准化处理和数据三维构建；缺失值处理根据缺失数据的属性和时长来对缺失数据进行填补。当缺失数据的属性为空气质量指数时，通过空气质量指数定义法填补缺失数据；当缺失数据的属性为污染物浓度或天气数据时，对于缺失时长小于或等于单位时间的污染物浓度或天气数据使用前向递补法填补，对于缺失时长大于单位时间的污染物浓度或天气数据使用移动平均法填补。数据三维构建为基于已经完成缺失值处理和规范标准化处理的数据、预设步长和预设序列长度，得到多个样本，多个样本的集合为构建好的时间序列输入数据。
[0010]结合第一方面，在一些可能的实现方式中，规范标准化处理包括去除异常数据和规范数据格式。
[0011]结合第一方面，在一些可能的实现方式中，预测模型包括CNN层、AGU层和输出层；CNN层用于提取并输出输入数据的数据特征；AGU层基于数据特征对数据进行预测，得到预测结果；输出层用于输出预测结果。
[0012]结合第一方面，在一些可能的实现方式中，CNN层的输入数据为构建好的时间序列输入数据，CNN层使用梯度下降法训练构建好的时间序列输入数据，得到提取好的数据特
征。
[0013]结合第一方面，在一些可能的实现方式中，AGU层的数据处理函数为：h
t
＝z
t
·
h
t
‑1+(1
‑
z
t
)h
′
t
，其中，z
t
＝σ(W
z
*[h
t
‑1，x
t
]+b
z
)，z
t
为更新门的输出结果，σ为sigmoid激活函数，W
z
为更新门的权重，b
z
为更新门的偏置，x
t
为当前节点的输入向量，h
t
‑1为上一个节点传递下来的隐藏状态，h
′
t
＝tanh(U
t
*[DAM
·
h
t
‑1，x
t
]+b
t
)，DAM＝tanh(r
t
)，b
t
为预设偏置，r
t
为重置门的输出结果，r
t
＝σ(W
r
*[h
t
‑1，x
t
]+b
r
)，W
r
为重置门的权重，b
r
为重置门的偏置，U
t
＝softmax(α
t
)，α
t
＝σ(W
α
*[h
t
‑1，x
t
]+b
α
)，其中，U
t
为注意力概率分布，α
t
为x
t
和h
t
‑1之间的匹配度，W
α
为α
t
的权重，b
α
为α
t
的偏置。
[0014]结合第一方面，在一些可能的实现方式中，基于CNN
‑
AGU的空气质量指数预测方法还包括对空气质量指数预测模型进行训练的步骤，包括：获取训练样本，将训练样本划分为训练集、验证集和测试集，训练集、验证集和测试集的数据的数量比例为6:2:2；基于训练集、验证集和测试集对空气质量指数预测模型进行训练和评估。其中，训练集用于模型训练更新模型参数；验证集用于检验模型的准确率、调整训练次数和学习率，监控模型是否发生过拟合；测试集用于在模型最终训练完成后，评估模型的泛化能力，得到预测准确率。
[0015]第二方面，本申请实施例提供了一种基于CNN
‑
AGU的空气质量指数预测装置，包括：预处理模块，用于获取预设时间内的空气质量指数和空气质量指数的影响因素，对空气质量指数和影响因素进行数据预处理，得到构建好的时间序列输入数据；建模模块，用于基于卷积神经网络、门控循环单元和注意力机制建立空气质量指数预测模型；预测模块，用于将构建好的时间序列输入数据输入空气质量指数预测模型，得到空气质量指数的预测值。
[0016]第三方面，本申请实施例提供了一种终端设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的基于CNN
‑
AGU的空气质量指数预测方法。
[0017]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的基于CNN
‑
AGU的空气质量指数预测方法。
[0018]第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的基于CNN
‑
AGU的空气质量指数预测方法。
[0019]可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0020]本申请实施例与现有技术相比存在的有益效果是：
[0021]本申请通过在卷积神经网络和门控循环单元的基础上引入注意力机制，增强了门控循本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
AGU的空气质量指数预测方法，其特征在于，包括：获取预设时间内的空气质量指数和所述空气质量指数的影响因素，对所述空气质量指数和所述影响因素进行数据预处理，得到构建好的时间序列输入数据；基于卷积神经网络、门控循环单元和注意力机制建立空气质量指数预测模型；将所述构建好的时间序列输入数据输入所述空气质量指数预测模型，得到空气质量指数的预测值。2.如权利要求1所述的基于CNN
‑
AGU的空气质量指数预测方法，其特征在于，所述数据预处理包括缺失值处理、规范标准化处理和数据三维构建；所述缺失值处理根据缺失数据的属性和时长来对缺失数据进行填补；当缺失数据的属性为空气质量指数时，通过空气质量指数定义法填补缺失数据；当缺失数据的属性为污染物浓度或天气数据时，对于缺失时长小于或等于单位时间的污染物浓度或天气数据使用前向递补法填补，对于缺失时长大于单位时间的污染物浓度或天气数据使用移动平均法填补；所述数据三维构建为基于已经完成所述缺失值处理和规范标准化处理的数据、预设步长和预设序列长度，得到多个样本，所述多个样本的集合为所述构建好的时间序列输入数据。3.如权利要求2所述的基于CNN
‑
AGU的空气质量指数预测方法，其特征在于，所述规范标准化处理包括去除异常数据和规范数据格式。4.如权利要求1所述的基于CNN
‑
AGU的空气质量指数预测方法，其特征在于，所述预测模型包括CNN层、AGU层和输出层；所述CNN层用于提取并输出所述输入数据的数据特征；所述AGU层基于所述数据特征对数据进行预测，得到预测结果；所述输出层用于输出所述预测结果。5.如权利要求4所述的基于CNN
‑
AGU的空气质量指数预测方法，其特征在于，所述CNN层的输入数据为所述构建好的时间序列输入数据，CNN层使用梯度下降法训练所述构建好的时间序列输入数据，得到提取好的数据特征。6.如权利要求4所述的基于CNN
‑
AGU的空气质量指数预测方法，其特征在于，所述AGU层的数据处理函数为：h
t
＝z
t
·
h
t
‑1+(1
‑
z
t
)h
′
t
其中，z
t
＝σ(W
z
*[h
t
‑1,x
t
]+b
z
)，z
t
为更新门的输出结果，σ为sigmoid激活函数，W
z
为更新门的权重，b
z
为更新门的偏置，x
t
为当前节点的输入向量，h
t
‑1为上一个节点传递下来的隐藏状态，h
′
t
＝tanh(U
t

【专利技术属性】
技术研发人员：王海瑶，王井阳，靳璐凯，李晓磊，黄敏，
申请(专利权)人：河北科技大学，
类型：发明
国别省市：