一种基于神经网络的城市空气质量预测方法技术

本发明专利技术提供一种基于神经网络的城市空气质量预测方法，通过二维卷积单元对过去5年内的历史气象数据和空气质量模拟数据进行填充后特征提取，将提取后的特征历史气象数据和特征模拟数据输入LSTM，经遗忘门和输入门各自仿射变换后将计算结果输入空气质量网格化神经网络，输出未来一年内逐日各项污染物的浓度值及空气质量指数。向空气质量网格化神经网络输入年度目标条件，若某项污染物浓度不满足年度目标条件，则将其作为输入反向计算得到减排方案。优点：建立融合空气质量模拟数据和监测数据的神经网络模型，从而预测未来空气质量日浓度和减排工作相关关系，采用2层LSTM与相应遗忘层叠加的方式使模型不易过拟合，提升泛化性和普适性。和普适性。和普适性。

【技术实现步骤摘要】
一种基于神经网络的城市空气质量预测方法


[0001]本专利技术涉及环境空气领域，尤其涉及一种基于神经网络的城市空气质量预测方法。

技术介绍

[0002]随着工业技术的发展，工厂及民用设施向空气中排放大量污染物导致空气污染，雾霾天数增多。现有技术中通常采用根据已有数据进行分析，根据分析结果对污染物浓度的排放进行改善。
[0003]然而，现有技术中并没有一种能够快速根据历史污染物浓度对未来逐日空气质量浓度进行预测并能给出相应大气污染物减排量分析的模型。所以如何能够提供一种能够以大气污染源排放清单、气象数据、空气质量监测数据为基础，采用空气质量模拟、空气质量预测神经网络，预测未来逐日空气质量浓度和分析减排工作量的环境空气质量浓度和改善工作定量分析方法成为亟待解决的问题。

技术实现思路

[0004]本专利技术提供一种基于神经网络的城市空气质量预测方法，用以解决在现有技术中没有一种能够快速根据历史污染物浓度对未来逐日空气质量浓度进行预测并能给出相应大气污染物减排量分析模型的问题。
[0005]为了实现上述目的，本专利技术技术方案提供了一种基于神经网络的城市空气质量预测方法，包括：使用3层二维卷积单元对已处理后的过去5年内的历史气象数据和空气质量模拟数据进行特征提取，得到特征历史气象数据、特征模拟数据一起输入长短期记忆网络中，长短期记忆网络计算特征历史气象数据、预测气象数据与监测数据的误差，反复迭代后修正误差从而得到合适的预测模型。其中神经网络模型训练时，输入的数据指的是空气质量模拟数据和历史气象数据。
[0006]向空气质量网格化神经网络输入年度目标条件，若空气质量网格化神经网络的输出结果符合年度目标条件则结束，否则以所述输出结果中不合格的污染物对应的合格指标作为输入条件，使得所述空气质量网格化神经网络通过反向计算得到减排方案。
[0007]作为上述技术方案的优选，较佳的，过去5年内的空气质量数据包括，PM
2.5
、PM
10
、SO2、NO
x
、O3、CO的小时值，风速，气压，气温，相对湿度和混合层高度的小时值。
[0008]作为上述技术方案的优选，较佳的，对空气质量数据中的缺失值填充为均值后，做零一均值化处理，处理后的数据输入长短期记忆网络前添加1层3x3、步幅为1、填充的幅度为1的卷积层。
[0009]作为上述技术方案的优选，较佳的，所述长短期记忆网络通过遗忘门和输入门各自的仿射变换后输出能够合格的空气质量预测值，包括：
[0010]长短期记忆网络通过遗忘门和输入门各自的仿射变换后输出隐藏态数据结果：
[0011]遗忘门的仿射变化:f
t
＝σ(x
t
W
x(f)
+h
t
‑1W
h(f)
+b
(f)
)；
[0012]输入门的仿射变化:i
t
＝σ(x
t
W
x(i)
+h
t
‑1W
h(i)
+b
(i)
)；
[0013]隐藏态数据：h
t
＝o
t x tanh(c
t
)；
[0014]所述长短期记忆网络的下一层的输入结合上一层输出的隐藏态数据结果进行迭代后输出所述合格的空气质量预测值。
[0015]作为上述技术方案的优选，较佳的，输出门的仿射变化:o
t
＝σ(x
t
W
x(o)
+h
t
‑1W
h(o)
+b
(o)
)；记忆单元的仿射变化c
t
＝f
t
xc
t
‑1+g
t
xi
t
；
[0016]其中遗忘门的仿射变化、所述输入门的仿射变化和所述输出门的仿射变化均在0
‑
1之间。
[0017]作为上述技术方案的优选，较佳的，输出门本次输入权重、输出门上一时刻输入权重、输入门本次输入权重、输入门本次输入权重随着所述长短期记忆网络的反向传播不断迭代更新。
[0018]作为上述技术方案的优选，较佳的，更新迭代后的记忆单元的仿射为：g
t
＝tanh(x
t
W
x(g)
+h
t
‑1W
h(g)
+b
(g)
)，
[0019]其中，新的记忆单元的输入包括上一时刻的隐藏态数据及此时刻的特征提取数据，此特征提取数据包括上一时刻长短期记忆网络单元输出的预测数据和监测数据，其中所述监测数据包括气象数据。
[0020]作为上述技术方案的优选，较佳的，具有两层所述长短期记忆网络，两层所述长短期记忆网络之间设有Dropout遗忘层，用于在同一时刻的纵向忽略部分特征数据。
[0021]作为上述技术方案的优选，较佳的，否则以不满足年度目标条件的污染物的考核指标作为输入条件，使得空气质量网格化神经网络通过反向计算得到减排方案，包括：目标中各项污染物包括，PM
2.5
、PM
10
、SO2、NO
x
、O3、CO的小时值；年度目标中各项污染物的数值输入所述空气质量网格化神经网络中，得到目标年度应输出各项污染物的指标；当目标年度应输出各项污染物的指标中有至少一项污染物指标不合格时，获取该不合格污染物指标对应的合格指标数据；将该合格指标数据作为空气质量网格化神经网络的输入条件，使得空气质量网格化神经网络通过反向计算得到减排方案。
[0022]本专利技术技术方案提供了环境空气质量浓度改善分析方法，使用二维卷积单元对过去5年内的历史气象数据和空气质量模拟数据进行填充后进行特征提取，得到特征历史气象数据、特征模拟数据。将特征历史气象数据、特征模拟数据输入长短期记忆网络，长短期记忆网络通过遗忘门和输入门各自的仿射变换后输出迭代结果。将迭代结果输入空气质量网格化神经网络中，输出未来一年内逐日的各项污染物的浓度值及空气质量指数。向空气质量网格化神经网络输入年度目标条件，若所述空气质量网格化神经网络的输出结果符合年度目标条件则结束，否则以不满足年度目标条件的污染物的考核指标作为输入条件，使得所述空气质量网格化神经网络通过反向计算得到减排方案。
[0023]本专利技术的优点是：建立能够融合空气质量模拟结果和空气质量监测数据的神经网络模型，利用建立的神经网络模型修正空气质量模式模拟结果，从而预测未来空气质量日浓度和减排工作量，使得污染减排工作能够具有目标可达性的方案。通过采用2层长短期记忆网络叠加的方式，实现学习更加复杂的数据模式，提高模型的精度。在长短期记忆网络中增加遗忘层(Dropout层)使模型不容易过拟合，克服城市空气质量数据缺失的缺陷，避免模型仅对训练后的数据精确预测，提升了模型的泛化性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的城市空气质量预测方法，其特征在于，所述方法包括：二维卷积单元对过去5年内的历史气象数据和空气质量模拟数据进行填充后进行特征提取，得到特征历史气象数据和特征模拟数据；将所述特征历史气象数据、特征模拟数据一起输入长短期记忆网络中，所述长短期记忆网络通过遗忘门和输入门各自的仿射变换后输出计算结果；将所述计算结果输入空气质量网格化神经网络中，输出未来一年内逐日的各项污染物的浓度值和空气质量指数；向所述空气质量网格化神经网络输入年度目标条件，若所述空气质量网格化神经网络的输出结果符合年度目标条件则结束，否则以不满足年度目标条件的污染物的考核指标作为输入条件，使得所述空气质量网格化神经网络通过反向计算得到减排方案。2.根据权利要求1所述的方法，其特征在于，所述过去5年内的空气质量数据包括，PM
2.5
、PM
10
、SO2、NO
x
、O3、CO的小时值，风速，气压，气温和相对湿度和混合层高度的小时值。3.根据权利要求2所述的方法，其特征在于，对所述空气质量数据中的缺失值填充为均值后，做零一均值化处理，处理后的数据输入长短期记忆网络前添加1层3x3、步幅为1、填充的幅度为1的卷积层。4.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络通过遗忘门和输入门各自的仿射变换后输出能够合格的空气质量预测值，包括：所述长短期记忆网络通过遗忘门和输入门各自的仿射变换后输出隐藏态数据结果：遗忘门的仿射变化:f
t
＝σ(x
t
W
x(f)
+h
t
‑1W
h(f)
+b
(f)
)；输入门的仿射变化:i
t
＝σ(x
t
W
x(i)
+h
t
‑1W
h(i)
+b
(i)
)；隐藏态数据：h
t
＝o
t x tanh(c
t
)；所述长短期记忆网络的下一层的输入结合本次隐藏态数据结果进行迭代后输出所述合格的空气质量预测值。5.根据权利要求4所述的方法，其特...

【专利技术属性】
技术研发人员：于瑞，束韫，黄家玉，王红梅，张辰，胡丙鑫，石耀鹏，
申请(专利权)人：中国环境科学研究院，
类型：发明
国别省市：