一种基于注意力机制的PM2.5浓度预测的方法技术

本发明专利技术属于人工智能和环境科学领域，具体的说是一种基于注意力机制的PM2.5浓度预测的方法，该方法首先将空气污染物(PM2.5、PM10、SO2等)进行预处理，通过阈值判定、K

【技术实现步骤摘要】
一种基于注意力机制的PM2.5浓度预测的方法


[0001]本专利技术属于人工智能和环境科学领域，具体的说是一种基于注意力机制的PM2.5浓度预测的方法。

技术介绍

[0002]近些年来，经济将得到了快速发展，但是的经济发展是以资源的超常消耗和生态的严重恶化为代价的。空气污染物超标排放，这些物质对人类健康具有长期性影响，不但严重影响了人们的正常学习和工作，也给社会造成了巨大的损失。
[0003]空气质量监测站的数据的监测与采集，由于自身存在物理性缺点，易受外界环境因素的干扰，会导致采集的数据失真，数据存在一定的偏差，对于日常数据的异常检测和维护更多的是靠人工去进行。这样耗费大量的人力物力，并且工作效率低，人工检测会存在大量的漏检，错检。

技术实现思路

[0004]为提高空气质量数据的分析和环境预警能力，本专利技术提出一种基于Attention
‑
LSTM的PM2.5污染物小时浓度预测的方法。通过对历史时间序列的空气污染物数据建模，更准确的预测未来PM2.5污染物小时浓度。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]一种基于注意力机制的PM2.5浓度预测的方法，包括以下步骤：
[0007]获取空气污染物浓度历史小时数据，并对其进行预处理；
[0008]将预处理后的数据分为训练集和测试集，并对训练集数据进行标准化处理；
[0009]构建Attention
‑
LSTM神经网络预测模型，并使用训练集数据对其进行训练；
[0010]将测试集数据输入到训练好的预测模型中进行预测，得到未来PM2.5污染物的小时浓度。
[0011]所述预处理包括以下步骤：
[0012]1)去除数据中除PM2.5污染物小时浓度数据以外的数据；
[0013]2)使用阈值标记噪声数据，并去除；
[0014]3)使用K
‑
means算法得到异常点数据，并去除；
[0015]4)用过去24小时平均数据填充去除的噪声数据和异常点数据。
[0016]所述使用K
‑
means算法得到异常点数据，具体为：使用拐点法确定K值，即分类的类别数量，在每一个类别中，分别计算每一个数据点到聚类中心的距离，每一类别设置一个阈值，将距离超过阈值的数据点作为异常点数据。
[0017]所述Attention
‑
LSTM神经网络预测模型包括顺次连接的输入层、两个LSTM层、Attention层、全连接层以及输出层。
[0018]所述使用训练集数据对其进行训练，包括以下步骤：
[0019]a)将训练集数据输入到Attention
‑
LSTM神经网络预测模型中；
[0020]b)根据预设的超参数对模型进行训练，根据模型输出的预测值与实际值的误差，使用反向传播算法调整神经网络预测模型的权值跟偏置，神经网络预测模型训练到预设的次数后，保存神经网络预测模型；
[0021]c)输入测试集的数据，获得未来PM2.5污染物的小时浓度的预测值所为测试结果；
[0022]d)调整神经网络预测模型的超参数，重复步骤b)至步骤c)，选取得到的所有预测值中与测试集中实际值MSE最小的神经网络预测模型作为最终的Attention
‑
LSTM神经网络预测模型。
[0023]所述的超参数为：优化器，优化器学习率、每一批次输入数据的数量、权重衰减系数。
[0024]一种基于注意力机制的PM2.5浓度预测系统，包括：
[0025]数据获取模块，用于获取空气污染物浓度历史小时数据，并对其进行预处理；
[0026]数据处理模块，用于将预处理后的数据分为训练集和测试集，并对训练集数据进行标准化处理；
[0027]模型训练模块，用于构建Attention
‑
LSTM神经网络预测模型，并使用训练集数据对其进行训练；
[0028]数据预测模块，用于将测试集数据输入到训练好的预测模型中进行预测，得到未来PM2.5污染物的小时浓度。
[0029]一种基于注意力机制的PM2.5浓度预测系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于注意力机制的PM2.5浓度预测的方法。
[0030]一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于注意力机制的PM2.5浓度预测的方法。
[0031]本专利技术具有以下有益效果及优点：
[0032]1.数据处理：使用多种方法对获得的历史序列数据进行处理，识别出更多的异常点，提高了数据质量，有利于后续模型的训练。
[0033]2.Attention
‑
LSTM神经网络：由于历史序列数据太长，传统的预测模型会弱化长距离的信息，导致预测效果不好。Attention
‑
LSTM神经网络能够捕捉到更远的时间序列数据，将有限的注意力集中在重点信息上，从而节省资源，快速获得最有效的信息。
附图说明
[0034]图1是本专利技术方法的流程图；
[0035]图2是Attention
‑
LSTM神经网络结构图；
[0036]图3是PM2.5污染物小时浓度的实际值和预测值。
具体实施方式
[0037]下面结合附图及实施例对本专利技术做进一步的详细说明。
[0038]如图1所示，一种基于Attention
‑
LSTM的PM2.5污染物小时浓度预测的方法。具体实施步骤如下：
[0039]步骤1：数据采集与预处理。从数据库中获得空气污染物浓度历史小时数据，删除
与预测任务无关的字段，设定阈值初步标记噪声数据，用过去24小时平均数据去填充缺失值和噪声，使用K
‑
means算法，用拐点法确定K值为5，即将类别分为5类。在分出来的5个类别中，分别用不同的阈值计算该类中所有点到聚类中心的距离，将超出阈值的点标记为异常点。用过去24小时平均数据去替换异常点。
[0040]步骤2：将步骤1处理后的数据集分为训练集和测试集。对训练集进行标准化处理使数据分布满足N(0,1)分布。使用X表示所有训练集数据中的某小时空气污染物浓度值，X
mean
表示所有训练集数据中的平均值，X
std
表示所有训练集数据中的标准差，利用以下公式计算训练集数据中，某一个变量标准化后的数据X
norm
：
[0041][0042]图2为Attention
‑
LSTM神经网络的结构，具体如下：
[0043]Attention
‑
LSTM是LSTM神经网络跟Attention机制的融合。LSTM层的作用是为了选择记住重要的信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的PM2.5浓度预测的方法，其特征在于，包括以下步骤：获取空气污染物浓度历史小时数据，并对其进行预处理；将预处理后的数据分为训练集和测试集，并对训练集数据进行标准化处理；构建Attention
‑
LSTM神经网络预测模型，并使用训练集数据对其进行训练；将测试集数据输入到训练好的预测模型中进行预测，得到未来PM2.5污染物的小时浓度。2.根据权利要求1所述的一种基于注意力机制的PM2.5浓度预测的方法，其特征在于，所述预处理包括以下步骤：1)去除数据中除PM2.5污染物小时浓度数据以外的数据；2)使用阈值标记噪声数据，并去除；3)使用K
‑
means算法得到异常点数据，并去除；4)用过去24小时平均数据填充去除的噪声数据和异常点数据。3.根据权利要求2所述的一种基于注意力机制的PM2.5浓度预测的方法，其特征在于，所述使用K
‑
means算法得到异常点数据，具体为：使用拐点法确定K值，即分类的类别数量，在每一个类别中，分别计算每一个数据点到聚类中心的距离，每一类别设置一个阈值，将距离超过阈值的数据点作为异常点数据。4.根据权利要求1所述的一种基于注意力机制的PM2.5浓度预测的方法，其特征在于，所述Attention
‑
LSTM神经网络预测模型包括顺次连接的输入层、两个LSTM层、Attention层、全连接层以及输出层。5.根据权利要求1所述的一种基于注意力机制的PM2.5浓度预测的方法，其特征在于，所述使用训练集数据对其进行训练，包括以下步骤：a)将训练集数据输入到Attention
‑
LSTM神经网络预测模型中；b)根据预设的超参数对模型进行训练，...

【专利技术属性】
技术研发人员：张镝，王宁，杨柳，杜毅明，武暕，康利荥，白雪，周晓鸥，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：