一种基于混合注意力机制的PM2.5污染等级预测方法技术

本发明专利技术涉及一种基于混合注意力机制的PM2.5污染等级预测方法，包括如下步骤：收集环境历史数据、气象数据，并对其进行预处理；基于预处理后的数据，构建训练数据集、验证数据集、测试数据集，通过滑动窗口方法分别构建序列数据集；基于Encoder‑Decoder架构，构建基于混合注意力机制的Seq2Seq模型；使用训练数据集对模型进行训练，使用验证数据集对模型结构性调整，使用测试数据集对PM2.5等级进行预测。本发明专利技术提出了一种基于混合注意力机制方法的PM2.5污染等级预测方法，解决了现有PM2.5预测模型中数据预处理方法单一、不能有效捕获长期时间依赖特征、输入变量维度低等问题，能够显著提高PM2.5污染等级的预测精度。

【技术实现步骤摘要】

本专利技术涉及数据深度学习，尤其涉及一种基于混合注意力机制的pm2.5污染等级预测方法。

技术介绍

1、pm2.5污染会严重危害人体健康。大量研究表明，长期暴露在高浓度pm2.5环境中会引发多种健康问题，如过早死亡、肺功能和免疫功能下降、心血管疾病、呼吸系统疾病等，每年有数百万人死于暴露于环境空气污染物。

2、由于pm2.5来源复杂、且易扩散，目前还无法从根源上解决pm2.5污染问题，因此精准地预测pm2.5质量，对大气污染治理有重要意义。随着深度学习的发展，越来越多的研究使用基于时间序列建模的方式预测pm2.5质量，然而现有研究在特征工程处理以及时间序列建模方式上还存在一定不足，使得精确的pm2.5质量预测还存在着许多困难：

3、一是现有的绝大多数研究预测的是pm2.5数值，而在实际情况下，关注的重点往往是pm2.5等级是否为污染及以上等级，以此人们决定是否外出或政府决定是否实行交通管控。并且模型在拟合pm2.5数值时，为了减少真实值与预测值之间对人们决策无显著影响的微小偏差，预测模型需要更多的迭代次数和更久的训练时间，并且在此过本文档来自技高网...

【技术保护点】

1.一种基于混合注意力机制的PM2.5污染等级预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种基于混合注意力机制的PM2.5污染等级预测方法，其特征在于，步骤S1中，所述环境历史数据包括每小时的PM2.5、PM10、SO2、NO2、CO、O3六种空气污染物的浓度数据。

3.根据权利要求1所述一种基于混合注意力机制的PM2.5污染等级预测方法，其特征在于，步骤S1中，所述气象数据包括每小时的温度、相对湿度、风向、风力级数、降水量。

4.根据权利要求1至3中任意一项的所述一种基于混合注意力机制的PM2.5污染等级预测方法，其特征在于，步骤S...

【技术特征摘要】

1.一种基于混合注意力机制的pm2.5污染等级预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种基于混合注意力机制的pm2.5污染等级预测方法，其特征在于，步骤s1中，所述环境历史数据包括每小时的pm2.5、pm10、so2、no2、co、o3六种空气污染物的浓度数据。

3.根据权利要求1所述一种基于混合注意力机制的pm2.5污染等级预测方法，其特征在于，步骤s1中，所述气象数据包括每小时的温度、相对湿度、风向、风力级数、降水量。

4.根据权利要求1至3中任意一项的所述一种基于混合注意力机制的pm2.5污染等级预测方法，其特征在于，步骤s1中，所述预处理包括异常值处理、数据离散化处理中的一种或两种。

5.根据权利要求4所述一种基于混合注意力机制的pm2.5污染等级预测方法，其特征在于，步骤s2包括：按照时间升序对预处理后的所述基本数据进行排序，前80％的数据为训练数据集，80％-90％之间的数据为验证数据集，最后10％的数据为测试数据集；对于划分好的所述训练数据集、验证数据集、测试数据集，基于滑动窗口方法分别构建序列数据集。

6...

【专利技术属性】
技术研发人员：杨光飞，钱翔宇，关晓微，
申请(专利权)人：大连理工大学人工智能大连研究院，
类型：发明
国别省市：