【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。