基于时空融合RNN与注意力机制的空气质量预测方法及系统技术方案

本发明专利技术公开一种基于时空融合RNN与注意力机制的空气质量预测方法及系统，方法包括以下步骤：获取经纬度、过去的空气质量六项污染物浓度数据、气象条件数据、过去与未来的日期与时间；对其进行标准差与均值进行标准化、归一化、类别编码处理；将处理后的数据经多层神经网络模型处理得到六项污染物的浓度预测值；多层神经网络模型包括经纬度编码器和多个线性控制单元，经纬度编码器连接前GRU编码器，多个线性控制单元分别连接前GRU编码器和后GRU编码器，线性控制单元还连接后GRU编码器，前GRU编码器和后GRU编码器依次通过一个Dropout层、多头注意力层和一个全连接层；对环境空气质量的预测更精准；实现单个模型对空气质量六项污染物的长程预测，不需要分别建模。

【技术实现步骤摘要】

本专利技术属于环境空气质量预测，具体涉及一种基于时空融合rnn与注意力机制的空气质量预测方法及系统。

技术介绍

1、在过去的数年里深度学习技术得到长足的发展，其发展深远的影响了各行各业。在大气环境空气质量监测与管控场景下，对未来空气质量的预测无疑是一个值得探索和开发的领域。虽然目前市面上已经有了很多相关预测模型，但由于天气、气象与人为因素条件的复杂性，对未来一段时间空气质量的预测，仍然是一件具有挑战性的工作。

技术实现思路

1、为了解决现有技术中存在的问题，本专利技术提供一种基于时空融合rnn与注意力机制的空气质量预测方法，结合了循环神经网络与自注意力机制等优点的多层模式提取架构，开发出了高精度的空气质量预测模型，并对长程预测问题进行了专门训练，使得预测结果对空气质量预警作用进一步增强。

2、为了实现上述目的，本专利技术采用的技术方案是：一种基于时空融合rnn与注意力机制的空气质量预测方法，包括以下步骤：

3、获取经纬度、过去的空气质量六项污染物浓度数据、气象条件数据、过去与未来的日期本文档来自技高网...

【技术保护点】

1.一种基于时空融合RNN与注意力机制的空气质量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时空融合RNN与注意力机制的空气质量预测方法，其特征在于，多层神经网络模型中，经纬度编码器的输出作为前GRU编码器隐含状态的初始输入，日期与时间经过Embedding层变换，其输出将根据当前时刻节点进行过去与未来的划分，过去的时段与过去的空气质量与气象数据一起输入到前GRU编码器层，未来的时段单独输入到后GRU编码器层；前GRU编码器与后GRU编码器都以单向的GRU网络构成；经过GRU网络的时序处理，后续通过一个Dropout处理，然后会将数据流通过多头注意力网络...

【技术特征摘要】

1.一种基于时空融合rnn与注意力机制的空气质量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时空融合rnn与注意力机制的空气质量预测方法，其特征在于，多层神经网络模型中，经纬度编码器的输出作为前gru编码器隐含状态的初始输入，日期与时间经过embedding层变换，其输出将根据当前时刻节点进行过去与未来的划分，过去的时段与过去的空气质量与气象数据一起输入到前gru编码器层，未来的时段单独输入到后gru编码器层；前gru编码器与后gru编码器都以单向的gru网络构成；经过gru网络的时序处理，后续通过一个dropout处理，然后会将数据流通过多头注意力网络层，多头注意力网络层对未来时段进行屏蔽处理，数据流在最后一层将通过一个全连接层处理，同时输出六项污染物的浓度预测值。

3.根据权利要求2所述的基于时空融合rnn与注意力机制的空气质量预测方法，其特征在于，多层神经网络模型中,线性控制单元前向传播的过程如下所示：

4.根据权利要求2所述的基于时空融合rnn与注意力机制的空气质量预测方法，其特征在于，gru网络层前向传播的公式如下：

5.根据权利要求2所述的基于时空融合rnn与注意力机制的空气质量预测方法，其特征在于，多头注意力机制层前向传播的过程如下...

【专利技术属性】
技术研发人员：李宁周，白龙刚，
申请(专利权)人：西安鼎研科技股份有限公司，
类型：发明
国别省市：