一种双级注意力机制的臭氧浓度预测和成因分析方法技术

本发明专利技术公开了一种双级注意力机制的臭氧浓度预测和成因分析方法，其技术方案是：具体步骤如下：S1、数据处理；S2、构建模型；S3、DA

【技术实现步骤摘要】
一种双级注意力机制的臭氧浓度预测和成因分析方法


[0001]本专利技术涉及臭氧浓度预测和成因分析
，具体涉及一种双级注意力机制的臭氧浓度预测和成因分析方法。

技术介绍

[0002]工业生产、汽车尾气、煤炭燃烧、其他人类活动产生的气态污染物和微粒而造成的污染物会造成空气污染，大气污染物对人体的危害是多方面的，主要表现是呼吸道疾病与生理机能障碍，以及眼鼻等粘膜组织受到刺激而患病，是造成老年哮喘的慢性因素，肺气不足导致体力下降。
[0003]现有的大气预测模型存在着缺陷，模拟复杂，耗时长，需要数据多，不够简便，通用性差，准确度低，统计学方法不太注重污染物的物理和化学机理，而是直接将前一时段的气象相关的变量、污染物数据等输入数据与未来污染物浓度进行关联，捕捉空气质量数据中非线性动态的能力有限。

技术实现思路

[0004]为此，本专利技术提供一种双级注意力机制的臭氧浓度预测和成因分析方法，通过使用了一种基于双阶段注意机制递归神经网络(DA
‑
RNN)的神经网络模型来预测臭氧浓度，以解决存在着缺陷，模拟复杂，耗时长，需要数据多，不够简便，通用性差，准确度低的问题。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种双级注意力机制的臭氧浓度预测和成因分析方法，具体步骤如下：
[0006]S1、数据处理：通过空气质量检测仪收集细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等空气质量数据，通过气象监测站收集气候资料和天气资料等数据，将收集到的数据通过终端进行预处理；
[0007]S2、构建模型：模型分为两部分：输入注意力机制和时间注意力机制，在第一阶段，引入了一种新的输入注意力机制，可以自动选择合适的时间序列；在第二阶段，我们使用时间注意机制在所有时间步长中选择相关的编码器隐藏状态；
[0008]S3、DA
‑
RNN模型：
[0009]A、输入注意力机制和时间注意力机制两部分，模型的输入是一维的时间序列X＝(x_1,x_2,
…
,x_T)，其中x_t∈X，主要结构有编码器和解码器，编码器主要负责将输入序列转换为隐藏状态序列，解码器则根据隐藏状态序列和目标序列来生成预测序列；
[0010]B、在编码器部分，模型首先使用LSTM将时间序列转换为一系列编码器隐藏状态，然后，输入注意力机制自适应地选择与目标序列相关的隐藏状态，使用全连接层将编码器隐藏状态映射到注意力权重，并对它们进行加权求和以生成一个新的隐藏状态向量，用于传递到下一步的解码器。
[0011]C、在解码器部分，DA
‑
RNN使用LSTM将注意力加权的编码器隐藏状态和目标序列一起转换为一系列解码器隐藏状态，时间注意力机制再次自适应地选择与目标序列相关的隐
藏状态，提高了模型的预测准确性；
[0012]S4、模型比较与性能评估：通过多种机器学习模型和WRF
‑
CMAQ模型对同一输入数据进行同时间段预测，将预测结果与DA
‑
RNN模型的预测结果进行比较，用来评估DA
‑
RNN模型的预测性能，根据评估结果对DA
‑
RNN模型参数进行修改。；
[0013]S5、臭氧污染预测：通过测试集上使用DA
‑
RNN模型预测臭氧浓度，并计算了预测值与观测值之间的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)等指标。
[0014]优选的，所述步骤S1中，对收集到的数据进行数据清洗也就是对数据进行重新审查和校验，删除重复信息、纠正存在的错误，并提供数据一致性，对数据补全和数据集划分。
[0015]优选的，所述步骤S2中，选择模型和算法，对模型的参数进行选择，对训练参数进行选择。
[0016]优选的，所述步骤S3中，DA
‑
RNN可以自适应地选择最相关的输入特征以及时间序列长度并捕获时间序列的长期时间依赖性。
[0017]优选的，所述步骤S3的B中，使用全连接层将编码器隐藏状态映射到注意力权重，并对它们进行加权求和以生成一个新的隐藏状态向量，用于传递到下一步的解码器。
[0018]优选的，所述步骤S4中，模型基于多维时间序列和多个驱动序列的先前值，适当地捕获了长期的时间依赖性，并选择相应的驱动序列进行预测。
[0019]本专利技术实施例具有如下优点：
[0020]使用了一种基于双阶段注意机制递归神经网络(DA
‑
RNN)的神经网络模型来预测臭氧浓度，该模型基于多维时间序列和多个驱动序列的先前值，适当地捕获了长期的时间依赖性，并选择相应的驱动序列进行预测，分析了各特征对臭氧的重要性和相关性，选择多种评价标准对模型预测的准确性进行评价，将优化后的DA
‑
RNN模型与WRF
‑
CMAQ模型进行了性能比较，进行了最终的测试验证，具有很高的预测精度，模拟更加简单，时间缩短，需要数据减少，更加简便，通用性强。
附图说明
[0021]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0022]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。
[0023]图1为本专利技术提供的臭氧浓度检测方法流程图；
[0024]图2为本专利技术提供的臭氧浓度成因扇形图；
[0025]图3为本专利技术提供的臭氧浓度预测值与观测值之间的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)等指标图。
具体实施方式
[0026]以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]参照附图1
‑
3，本专利技术提供的一种双级注意力机制的臭氧浓度预测和成因分析方法，具体步骤如下：
[0028]S1、数据处理：通过空气质量检测仪收集细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等空气质量数据，通过气象监测站收集气候资料和天气资料等数据，将收集到的数据通过终端进行预处理，对收集到的数据进行数据清洗也就是对数据进行重新审查和校验，删除重复信息、纠正存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双级注意力机制的臭氧浓度预测和成因分析方法，其特征在于：具体步骤如下：S1、数据处理：通过空气质量检测仪收集细颗粒物、可吸入颗粒物、二氧化硫、二氧化氮、臭氧、一氧化碳等空气质量数据，通过气象监测站收集气候资料和天气资料等数据，将收集到的数据通过终端进行预处理；S2、构建模型：模型分为两部分：输入注意力机制和时间注意力机制，在第一阶段，引入了一种新的输入注意力机制，可以自动选择合适的时间序列；在第二阶段，我们使用时间注意机制在所有时间步长中选择相关的编码器隐藏状态；S3、DA
‑
RNN模型：A、输入注意力机制和时间注意力机制两部分，模型的输入是一维的时间序列X＝(x_1,x_2,
…
,x_T)，其中x_t∈X，主要结构有编码器和解码器，编码器主要负责将输入序列转换为隐藏状态序列，解码器则根据隐藏状态序列和目标序列来生成预测序列；B、在编码器部分，模型首先使用LSTM将时间序列转换为一系列编码器隐藏状态，然后，输入注意力机制自适应地选择与目标序列相关的隐藏状态，使用全连接层将编码器隐藏状态映射到注意力权重，并对它们进行加权求和以生成一个新的隐藏状态向量，用于传递到下一步的解码器。C、在解码器部分，DA
‑
RNN使用LSTM将注意力加权的编码器隐藏状态和目标序列一起转换为一系列解码器隐藏状态，时间注意力机制再次自适应地选择与目标序列相关的隐藏状态，提高了模型的预测准确性；S4、模型比较与性能评估：通过多种机器学习模型和WRF
‑
CMAQ模型对同一输入数据进行同时间段预测，将预测结果与DA
...

【专利技术属性】
技术研发人员：焦正，张元新，高松，宁珠凯，
申请(专利权)人：上大合肥产业技术创新中心有限公司，
类型：发明
国别省市：