本发明专利技术公开了一种基于LSTM‑WaveNet的空气质量预测方法，涉及深度学习相关领域。所述方法包括：对污染物数据集进行数据预处理；采用在长短期记忆网络LSTM单元块间插入WaveNet残差块作为主干网络；将污染物浓度数据输入主干网络进行特征提取，数据流先后经过LSTM单元块和WaveNet残差块，提取污染物浓度的时间变化特征和与风向、温湿度等影响因素相关性特征；将主干网络输出的特征数据输入注意力机制网络中，计算不同特征的权重占比，用经过注意力权重计算的特征来预测空气质量等级。
【技术实现步骤摘要】
本专利技术涉及一种基于lstm-wavenet的空气质量等级预测方法，涉及深度学习相关领域。
技术介绍
1、随着全球经济和工业化的发展，人们的生活水平得到了提高，与此同时，空气污染等环境问题也成为人们关注的焦点。正如世界卫生组织(世界卫生组织)指出的，空气污染是世界上最大的环境健康风险，它将导致许多疾病，包括但不限于呼吸道感染、心脏病、慢性阻塞性肺病、中风和癌症。因此，随着人们健康意识的提高，越来越多的智能设备(如智能带)被开发和配备，可以报告空气质量状况。
2、空气污染问题在物联网和传感网络领域得到了广泛的讨论。c.zhang等人设计了一种有效的卷积神经网络，用于预测空气质量指数，主要由两部分组成：首先，在网络的最后一层设计了一个负对数序分类器，可以提高模型的序数判别能力。其次，设计了一种基于线性整流函数的激活函数用于基于天空图像的空气质量检测问题。l.lin等人提出了基于循环神经网络和长短期记忆神经网络(long short time memory，lstm)模型的两个动态模型用于利用在空气质量监测站获得的pm2.5时间序列和在临近天气获得的天气信息来预测pm2.5浓度。
3、目前，lstm模型普遍应用到空气质量等级预测中去，而且也受到了广泛的认可，然而忽略了wavenet网络对时间序列数据的处理同样也适用于污染物浓度数据。他们都具有相同的数据结构，wavenet网络在特征提取中利用卷积层大大的提升了效率，提高了预测准确度。因此本专利技术提出了一种基于lstm-wavenet的空气质量等级预测方法。</p>
技术实现思路
1、本专利技术的目的在于公开一种基于lstm-wavenet的空气质量等级预测方法，使用在lstm循环块之间插入wavenet残差块的网络，不仅能更好的处理污染物浓度数据，提取特征，而且还提升了网络的效率，提高了预测的准确度。
2、基于lstm-wavenet的空气质量等级预测方法，包括：
3、步骤1、对污染物数据集进行数据预处理；
4、步骤2、采用在长短期记忆网络lstm单元块间插入wavenet残差块作为主干网络；
5、步骤3、将步骤1中预处理后的污染物浓度数据输入到步骤2中的主干网络中进行特征提取和数据细化处理，数据流先后经过lstm单元块和wavenet残差块，提取污染物浓度的时间变化特征和与风向、温湿度等影响因素相关性特征；
6、步骤4、将步骤3提取的时间变化特征和相关性特征输入注意力机制网络，计算不同的特征各自的注意力权重；
7、步骤5、利用步骤4中的经过注意力机制加权后的输出特征，预测空气质量等级。
8、本专利技术特点还在于：
9、步骤1中所谓污染物数据包含时间、颗粒物浓度、风向、温度以及湿度等，数据来源于中国环境监测总站，获得的数据需要预处理，将格式改为具有时序结构，能够输入网络结构中去的数据集。
10、步骤2中的主干网络采用在两个lstm单元块之间，使单元块状态输出和单元块输出再经过wavenet残差块输出，输入到下一个单元块中，以此进行下去作为本专利技术的主干网络。
11、步骤3具体过程以当前时刻为例为：将步骤1预处理过后的数据输入到步骤2的主干网络中，在lstm单元块中，当前时刻的输入会与上一刻的输出值进行拼接，分别输入到遗忘门，输入门和输出门。遗忘门具体将拼接后的值一同进行sigmod操作，操作后的值ft与上一时刻的单元块状态ct-1进行按位乘法操作。输入门具体将拼接后的值做sigmod操作得到it，再做tanh操作得到当前时刻单元块更新状态将it和做按位乘法操作，得到的值与遗忘门操作完成后的单元块状态做按位加法操作得到当前单元块状态ct。输出门具体将拼接后的值做sigmod操作，得到ot，将ct做tanh操作与ot做按位乘法操作得到当前时刻的输出值ht。然后将当前时刻单元块状态和当前时刻的输出分别输入wavenet残差块，参差块由5层特征提取网络叠加组成，每层都是经过空洞卷积和膨胀卷积后分别做tanh操作和sigmod操作，按位相乘经过1×1卷积与刚输入经过空洞卷积后的值做按位相加得到输出值，将5层的输出值按位相加跳跃连接作为wavenet残差块的输出值，当前时刻单元块状态通过残差块输出作为下一时刻单元块输入，当前时刻的输出会与下一时刻的输入进行拼接，重复以上所述过程提取时间变化特征和与风向、温湿度等影响因素相关性特征。
12、步骤4具体为：在步骤3中处理时序信息时，每一个时刻都有输出，将主干网络的单元块特征输出作为注意力机制网络的输入，进到softmax层计算不同特征的权重占比，然后输入加权层，根据输入特征的影响力不同进行加权。
13、步骤5具体为：在步骤4中经过注意力机制加权后的输出特征，来预测接下来的空气质量等级。
14、本专利技术的有益效果为：
15、本专利技术提出了一种基于lstm-wavenet的空气质量等级预测方法，构建了在长短期记忆网络lstm单元块间插入wavenet残差块的主干网络，针对时序数据在lstm单元块间插入wavenet残差块能更好的得到处理，提高网络训练效率，提取的特征更贴近实际，提高预测准确度，然后将网络特征输出经过注意力机制加权处理，选择关键性数据赋予高权重，能提高预测网络预测的相关度，更准确的预测空气质量等级。
本文档来自技高网...
【技术保护点】
1.基于LSTM-WaveNet的空气质量等级预测方法，其特征在于：通过以下步骤实现：
【技术特征摘要】
1.基于lstm-wavenet的空气质量等...
【专利技术属性】
技术研发人员：于天河，刘珂鑫，赵思诚，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。