一种基于多因素优化的大气污染可解释性预测方法技术

本发明专利技术涉及数据挖掘和人工智能领域，公开了一种基于多因素优化的大气污染可解释性预测方法，使用遗传算法来优化多源外部环境监测变量的权重，从而构建不同外部变量的重要性排序，再将其输入进多头注意力时序网络中实现大气污染变化的可解释预测。本发明专利技术还在遗传算法中提出了两个算子，来分别解决无法对精英变量进行细化探索，以及不能更有效地保存上一代信息的问题。本发明专利技术在多个大气污染检测站的预测中，取得了较好的预测结果。取得了较好的预测结果。取得了较好的预测结果。

【技术实现步骤摘要】
一种基于多因素优化的大气污染可解释性预测方法


[0001]本专利技术涉及数据挖掘和人工智能领域，具体涉及一种基于多因素优化的大气污染可解释性预测方法。

技术介绍

[0002]近年来，随着城市化和工业化的发展，空气质量问题被列入议程，空气污染在政策制定和实施方面处于越来越重要的地位。城市的空气污染主要由工业排放和交通运输产生的NO2、O3、SO2等污染物所引起的。各种污染源排放大量的污染物，在一定的气候条件下，各污染物之间容易发生复杂的化学反应，产生更多的污染物，如臭氧等，空气污染对经济发展和人类健康有着不可逆转的损害。因此，对空气污染数据的预测是空气污染监测的一个重要组成部分。
[0003]时间序列是相同统计指标的按连续出现的顺序排列的值序列。空气污染时间序列预测的主要目的是基于现有的历史空气污染数据进行未来的预测。在机器学习流行之前，大多数都使用统计方法来预测时间，如自回归模型(AR)、移动平均模型(MA)、自动回归和移动平均模型(ARMA)、自回归综合移动平均模型(ARIMA)，这些方法可以建立时间序列预测模型，但这些模型需要时间序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多因素优化的大气污染可解释性预测方法，包括以下步骤：步骤S1：获取多个大气污染监测站的大气污染外部变量，大气污染外部变量包括大气污染物监测数据、空气质量指数，以及天气气象监测数据；步骤S2：随机生成大气污染外部变量的初始权重种群。步骤S3：使用遗传算来优化大气污染外部变量的权重，将种群中的优秀个体存储至候选优化变量档案中；步骤S4：在候选优化变量档案中获取适应度值最高的外部变量，并将适应度值最高的外部变量的权重输入多头自注意力模型中得到大气污染预测的损失。2.根据权利要求1所述的基于多因素优化的大气污染可解释性预测方法，其特征在于，步骤S3具体包括：S31：将种群W中的大气污染外部变量权重与对应的大气污染外部变量进行点乘后，输入多头自注意力网络，将得到预测结果Loss
w
作为种群中个体的适应度值；S32：计算候选优化变量档案archive中的个体的适应度值Loss
a
；S33：取种群W中适应度值前五名的个体放入候选优化变量档案archive中，更新候选优化变量档案；S34：根据适应度值Loss
w
进行投票，选举得出新的大气污染外部变量的权重种群；S35：对种群W执行精英选举算子，选举出大气污染外部变量中的精英变量；S36：对种群W执行候选优化变量档案储存算子，将优秀个体存入候选优化变量档案archive中；S37：将种群W与精英变量输入交叉算子中，对种群W中的个体进行交叉操作；对种群W的个体与精英变量进行高斯变异操作；得到新种群W；S38：对步骤S31至步骤S36重复执行t次。3.根据权利要求2所述的基于多因素优化的大气污...

【专利技术属性】
技术研发人员：许镇义，潘凯，康宇，曹洋，程凡，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：