【技术实现步骤摘要】
本专利技术属于深度学习，具体地说是一种基于resgcn-gru的风险源识别方法。
技术介绍
1、大气污染是环境污染治理问题中难以从根源解决的重点难题，大气中的污染物会对人类的身体健康产生较大的影响。当城市的空气中的污染物浓度达到一定指标时，不仅对整个生态环境产生负面影响，而且会给人类的正常生活带来危害。目前我国城市空气质量总体上仍未摆脱“气象影响型”的问题，大气治理仍然任重道远。若在重污染天气对风险源进行识别分类并及时发出预警，使工作人员做好环境治理，防止风险源进一步扩散。
2、对于风险源的识别大都基于红外遥感与卫星遥感传来的影像数据进行分析，利用卫星遥感技术可以对污染物进行监测，但是该技术对于高污染区与和云区识别容易混淆，在进行图像识别时准确度不高，无法精准识别风险源。并且红外遥感和卫星遥感相比网格化监测的成本高，运行维护不方便等缺点。从监测数据中提取时空特征方法较为成熟，但大多用于空气污染预测，在风险源识别方面目前较少，因此，本文提出一种基于resgcn-gru的风险源识别方法。
技术实现思路
1、为了更好加强的网格化监测系统对大气污染的监测能力，充分发挥深度学习在大气污染监测领域的作用，本专利技术提出一种基于resgcn-gru的风险源识别方法。本专利技术是将72个监测站点的监测数据以及邻接矩阵作为模型的输入，采用resgcn-gru提取监测数据的时空特征，再将提取到的时空特征输入到全连接层和softmax函数中，进而得到分类结果。
2、本专利技术为实
3、1)获取监测区域内各监测站的历史监测数据；
4、2)对获取到的历史监测数据进行数据清洗，并将数据划分为训练集和测试集；
5、3)根据历史监测数据的传播趋势和各监测站点地理位置关系构建邻接矩阵；
6、4)根据构建的邻接矩阵以及空气污染指数标准，对每一时刻标记是否为风险源时刻，将训练集数据及其对应的标签构成输入向量；
7、5)把输入向量和邻接矩阵输入到resgcn-gru模型进行训练，并采用测试集数据进行校验；
8、6)获取监测站的某时刻前设定时间至某时刻的监测数据，输入到训练好的resgcn-gru模型进行风险源的识别，判别当前时刻监测区域是否存在风险源。
9、所述监测数据包括pm2.5污染数值、地理位置、编号以及站点名。
10、步骤5)所述把输入向量和邻接矩阵输入到resgcn-gru模型进行训练，并采用测试集数据进行校验，包括以下步骤：
11、把输入向量和邻接矩阵输入到resgcn模型中提取数据的空间特征；
12、把resgcn模型输出的带有空间特征的时序向量输入到gru网络结构中进行模型训练，提取出数据的时空特征；
13、将时空特征依次输入全连接层和softmax激活函数，输出分类结果，以表示风险源时刻和非风险源时刻；
14、将清洗后的历史监测数据中的测试集输入到训练好的resgcn-gru模型进行模型的校验。
15、所述清洗数据具体为：对获取的历史监测数据进行离群点检测，将检测出的异常值视为缺失值，然后使用k近邻法通过附近关联监测站点的值加权平均估计该站点的缺失值。
16、所述构建邻接矩阵，包括以下步骤：
17、根据每个监测站的所有时间段所对应的监测数据，得到出现风险源以及风险源消失时监测站间的关联关系，并结合监测站的地理位置，构建监测站间的邻接矩阵；
18、所述邻接矩阵的行与列分别表示n个站点，根据所述关联关系将邻接矩阵中两个站点对应的值设为0或1，0表示两个站点之间没有相关性，即不存在传播趋势；1表示两个站点之间有相关性，即存在传播趋势。
19、所述标记风险源具体为：根据设定的空气污染指数标准，若监测站点某一时刻的监测值大于阈值a，则判定为污染站点；如果在某一时刻相关联的污染监测站站点数大于阈值b，就将这一时刻标记为风险源时刻，否则标记为非风险源时刻。
20、一种基于resgcn-gru的风险源识别装置，包括：
21、数据获取模块，用于获取监测区域内各监测站的历史监测数据；
22、数据清洗模块，用于对获取到的历史监测数据进行数据清洗，并将数据划分为训练集和测试集；
23、模型训练模块，用于根据历史监测数据的传播趋势和各监测站点地理位置关系构建邻接矩阵；根据构建的邻接矩阵以及空气污染指数标准，对每一时刻标记是否为风险源时刻，将清洗后的历史监测数据中的训练集数据及其对应的标签构成输入向量；把输入向量和邻接矩阵输入到resgcn-gru模型进行训练；
24、风险源识别模块，用于获取监测站的某时刻前设定时间至某时刻的监测数据，输入到训练好的resgcn-gru模型进行风险源的识别，判别当前时刻监测区域是否存在风险源。
25、所述resgcn模型如下：
26、映射关系x′t＝f(xt)+xt，xt是输入向量，f(xt)为残差函数，x′t是残差块的输出，能有效的将两层gcn提取的空间特征融合，并提高了模型的精确度。
27、其中gcn是使用卷积对图结构数据进行特征提取，定义卷积网络中的第l+1层，其向前传播的非线性激活函数为：
28、
29、上式中σ(·)是激活函数；a为邻接矩阵，in为单位矩阵，是添加自连接后的邻接矩阵；是一个度矩阵，表示中第i个站点的度，即中第i行的和；h(l)为第l层的激活矩阵，并且h0＝xt，xt是输入向量；w(l)为第l层的权重矩阵。
30、一种基于resgcn-gru的风险源识别装置，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resgcn-gru的风险源识别方法。
31、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resgcn-gru的风险源识别方法。
32、本专利技术具有以下有益效果及有点：
33、1.本专利技术为识别风险源提供一种切实有效的方法，能够较为准确的识别出风险源，为大气环境治理提供了有效的技术支撑。
34、2.本专利技术以沈阳市72个小微型监测站点监测的pm2.5数值和根据监测站点的地理位置信息以及风险源传播趋势构造的邻接矩阵作为输入向量，充分发挥了gcn对空间特征的提取以及gru对时间特征的提取。在gcn层加入的残差网络构成的resgcn，提高了最终分类结果的精确度。
本文档来自技高网...【技术保护点】
1.一种基于ResGCN-GRU的风险源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ResGCN-GRU的风险源识别方法，其特征在于，所述监测数据包括PM2.5污染数值、地理位置、编号以及站点名。
3.根据权利要求1所述的一种基于ResGCN-GRU的风险源识别方法，其特征在于，步骤5)所述把输入向量和邻接矩阵输入到ResGCN-GRU模型进行训练，并采用测试集数据进行校验，包括以下步骤：
4.根据权利要求1所述的一种基于ResGCN-GRU的风险源识别方法，其特征在于：所述清洗数据具体为：对获取的历史监测数据进行离群点检测，将检测出的异常值视为缺失值，然后使用K近邻法通过附近关联监测站点的值加权平均估计该站点的缺失值。
5.根据权利要求1所述的一种基于ResGCN-GRU的风险源识别方法，其特征在于：所述构建邻接矩阵，包括以下步骤：
6.根据权利要求1所述的一种基于ResGCN-GRU的风险源识别方法，其特征在于：所述标记风险源具体为：根据设定的空气污染指数标准，若监测站点某一时刻的监测值大于
7.一种基于ResGCN-GRU的风险源识别装置，其特征在于，包括：
8.根据权利要求6所述的一种基于ResGCN-GRU的风险源识别装置，其特征在于：所述ResGCN模型如下：
9.一种基于ResGCN-GRU的风险源识别装置，其特征在于，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，实现如权利要求1-6任一项所述的一种基于ResGCN-GRU的风险源识别方法。
10.一种计算机可读存储介质，其特征在于，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，实现如权利要求1-6任一项所述的一种基于ResGCN-GRU的风险源识别方法。
...【技术特征摘要】
1.一种基于resgcn-gru的风险源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于resgcn-gru的风险源识别方法，其特征在于，所述监测数据包括pm2.5污染数值、地理位置、编号以及站点名。
3.根据权利要求1所述的一种基于resgcn-gru的风险源识别方法，其特征在于，步骤5)所述把输入向量和邻接矩阵输入到resgcn-gru模型进行训练，并采用测试集数据进行校验，包括以下步骤：
4.根据权利要求1所述的一种基于resgcn-gru的风险源识别方法，其特征在于：所述清洗数据具体为：对获取的历史监测数据进行离群点检测，将检测出的异常值视为缺失值，然后使用k近邻法通过附近关联监测站点的值加权平均估计该站点的缺失值。
5.根据权利要求1所述的一种基于resgcn-gru的风险源识别方法，其特征在于：所述构建邻接矩阵，包括以下步骤：
6.根据权利要求1所述的一种基于resgcn-gru的...
【专利技术属性】
技术研发人员：祁柏林，王宁，赵娅倩，魏建勋，刘首正，周晓磊，王兴刚，范秋枫，张师旗，张梁，冯亮，
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：
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。