【技术实现步骤摘要】
本专利技术涉及空气质量评估以及深度学习领域，特别涉及一种基于时空图卷积网络的空气质量评估方法。
技术介绍
1、随着工业化的迅猛发展和城市化进程的持续推进，化石能源产业得到了高度发展，私家车普及率不断提升。然而，这些进展也带来了一个严峻的挑战，即大气污染物排放量逐年增加，导致空气污染问题日益严重。
2、据研究表明，全球每年约有700万人死于由空气污染引发的并发症。面对日益严峻的空气污染问题，空气质量评估及污染防治已成为当前研究的热点。随着社会经济的发展和民众健康意识的增强，人们对于生活环境的空气质量投以极大关注，特别是在城市区域，空气质量的优劣直接影响着居民的日常生活和健康状况。城市空气质量的科学评估不仅为公众提供了空气质量的实时信息，促使人们能够根据空气质量状况作出合理的行为选择，同时也为环保部门识别污染源头、制定和实施空气污染防控策略提供了科学依据。综合而言，准确的空气质量评估是推动大气污染治理、实现环境可持续发展的重要前提。
3、近年来，国内外研究人员针对大气环境质量的综合评价问题，提出了若干基础理论模型，当前的空气质量评估方法有两种分类：物理传播模型和数据驱动模型。物理传播模型的研究主要基于空气动力学、大气传播学大气物理和化学来探索污染物扩散机制，并应用数学方法来计算污染物的时空分布状态。数据驱动模型是一类以数据为基础的建模方法，其核心在于通过对海量数据进行深入分析与学习，从而挖掘出其中的模式、规律和关联性，进而用于模型构建或对未来数据进行预测。
4、然而，现有空气质量评估模型会受到外部
技术实现思路
1、有鉴于此，本专利技术目的在于提出一种基于时空图卷积网络的空气质量评估方法，用于建模空气监测站点之间的时空关系，以提升空气质量评估的准确性，有效预防和治理空气污染。
2、为达到上述目的，本专利技术采用的技术方案如下：
3、一种基于时空图卷积网络的空气质量评估方法，该方法具体包括以下步骤：
4、s1,获得同一个城市不同区域的监测站点的空气质量数据和poi兴趣点数据；
5、s2,将数据集随机划分为训练集和测试集，并对数据进行预处理，作为网络的输入；
6、s3,通过训练集数据训练时空图卷积网络模型，并保存训练完成后的网络参数；
7、s4,将测试集数据输入到训练好的时空图卷积网络模型中，得到空气质量等级。
8、优选地，步骤s2包括：将数据集划分为训练集及测试集，将训练集和测试集的数据8个小时为一组，划分成一个训练样本；
9、优选地，根据训练集训练时空图卷积网络模型的步骤包括：
10、s31,搭建时空图卷积网络模型结构；搭建时空图卷积网络模型结构；所述时空图卷积网络模型结构包括双分支输入，动态图卷积模块和时空注意力模块组成；
11、s32,所述双分支输入模块由邻近时间步和每日时间步组成，沿时间轴截取两个时间序列片段，分别作为最近时间段、每日周期段分量的输入，每日周期段是最近时间段的整数倍；
12、s33,构造地理损失加权函数：
13、为了更好的建立相邻站点间空间相关性，地理空间距离和城市兴趣点(poi)信息，对监测站点间的空间相关性进行了量化分析，其计算方式如下：
14、
15、
16、式中，站点vi和站点vj之间的距离采用基于地理空间距离进行计算，而采用欧氏距离来评估两个空气质量监测站点间功能相似性的度量，p(vi)和p(vj)分别表示站点vi和站点vj所处的不同功能区的数量。通过这种方法，可以得出空间权重，并将这些权重用作构建空间图初始邻接矩阵的初始值。
17、s34,所述动态图卷积模块包括局部时空图构建和图卷积操作两部分；
18、s3401,所述局部时空图构建：通过将所有节点的前一时刻与下一时刻，即两个相邻的时间步与节点自身连接，能够构建出一个局部的时空图。利用这个局部时空图的拓扑结构，可以直接探测到每个节点与其时空邻近节点之间的相关性；
19、s3402,所述图卷积操作：在局部时空图中的每个节点上添加了自循环。图卷积操作的输入是局部时空图的图信号矩阵，而聚合函数则采用线性组合形式，其权重由节点及其邻居间的连接权重决定，具体的图卷积运算如下：
20、gcn(h(l-1))＝h(l)＝σ(ah(l-1)w+b)
21、其中，是局部时空图的邻接矩阵，是第l个卷积层的输入，和是可学习的参数，σ表示激活函数。
22、s35,所述时空注意力模块包括时间注意力和空间注意力两部分；
23、s3501，时间注意力：在时间维度上，不同时间段内的空气质量状态也相互关联，且这种关联性随过程变化。因此，采用时间注意力机制来适应性地为数据分配不同的权重，以精准捕捉时间序列数据中的变化趋势。其计算公式如下：
24、e＝v·σ((x·u1)u2(u3·x)t+b)
25、其中n代表n个站点，c表示为通道即节点特征数，t代表输入的t个时间步，和是五个可学习的参数，函数σ用作激活函数。
26、s3502，空间注意力：在空间维度上，不同站点的空气状态相互影响，具有很强的动态性。因此使用空间注意力机制自适应地捕捉空间维度中节点之间的动态关联性。其计算公式如下：
27、s＝v·σ((x·w1)w2(w3·x)t+b)
28、其中，其中n代表n个站点，c表示为通道即节点特征数，t代表输入的t个时间步，和是五个可学习的参数，最终的函数σ用作激活函数。
29、优选地，步骤s4包括：在已划分好的测试集中空气质量数据，按照训练集的预处理方法对测试集数据进行预处理；将预处理过后的测试集输入至时空图卷积网络模型中，得到空气质量等级；将分类结果与标签结果进行对比，计算衡量指标acc。
30、与现有技术相比，本专利技术具有如下有益效果：
31、本专利技术针对空气质量评估中的时空关系复杂问题，提出基于时空图卷积网络的空气质量评估方法，该方法通过双分支输入和地理信息加权引入更多的时空特征，通过构建局部时空图，揭示节点间的动态互动模式，还能挖掘节点之间更深层次的时空联系；为了进一步提高网络的时空特征提取能力，引入时空注意力机制，加深对重要信息的关注度。
本文档来自技高网...【技术保护点】
1.一种基于时空图卷积网络的空气质量评估方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于时空图卷积网络的空气质量评估方法，其特征在于，步骤S2包括：将数据集划分为训练集及测试集，将训练集和测试集的数据8个小时为一组，划分成一个训练样本。
3.根据权利要求2所述的基于时空图卷积网络的空气质量评估方法，其特征在于，根据训练集训练时空图卷积网络模型的步骤包括:
4.根据权利要求1所述的基于时空图卷积网络的空气质量评估方法，其特征在于，步骤S4包括：在已划分好的测试集中空气质量数据，按照训练集的预处理方法对测试集数据进行预处理；将预处理过后的测试集输入至时空图卷积网络模型中，得到空气质量等级；将分类结果与标签结果进行对比，计算衡量指标ACC。
【技术特征摘要】
1.一种基于时空图卷积网络的空气质量评估方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于时空图卷积网络的空气质量评估方法，其特征在于，步骤s2包括：将数据集划分为训练集及测试集，将训练集和测试集的数据8个小时为一组，划分成一个训练样本。
3.根据权利要求2所述的基于时空图卷积网络的空气质量评估方法，其特征在于...
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。