【技术实现步骤摘要】
本专利技术涉及区域空气污染物浓度预测领域，尤其是涉及一种基于时空图数据的空气污染物浓度预测方法及装置。
技术介绍
1、近年来，随着社会生产力的不断发展，空气污染问题已经成为世界各国面临的环境问题，严重影响了世界各国经济的发展，同时也严重影响了人们的健康户外生活。空气污染预测和治理是每年国家重点研究领域。空气污染物浓度预测是一种跨学科的分析方法，它结合了环境科学、气象学、地理信息科学和计算机科学的原理与技术。空气污染物浓度预测主要通过利用监测站历史记录的空气污染数据和气象信息，该方法旨在构建高效的模型，预测未来某个时刻或一段时间内特定空气污染物的浓度。这种预测不仅是对空气质量未来变化的科学估计，也是对环境管理和公共健康预防措施的重要支撑。
2、随着近些年深度学习在自然语言处理、时空数据预测等方面均取得了重大研究进展，时空数据预测开始被广泛应用于药物蛋白质分子合成、交通流量预测、以及动作姿势识别等任务中，这对污染物浓度预测领域的研究也起到了巨大的启示作用，也为其未来的发展方向提供了新的思路。因此，在气象数据和监测站点污染物浓度数据日益增长的今天，时空数据预测方法能够从过去海量的历史数据中学习不同污染物之间以及污染物与特殊的气象条件之间的深层联系，并且建模污染物相互之间传播扩散的演变规律，进而预测出未来时刻空气污染物浓度特别是pm2.5的变化趋势，可以作为现有数值预测手段的补充和参考。因此，为了更好地符合人与自然健康地和谐发展，甚至预防如极端天气如雾霾、沙尘暴等自然灾害，加强对包括pm2.5在内的空气污染物浓度进行有效地准
3、目前，关于包括pm2.5在内的空气污染物浓度预测的研究比较丰富，包括传统预测方法和基于深度学习的预测方法。其中，传统预测方法非基于深度学习，包括基于假设理论和先验知识的确定性模型、基于小样本数据的传统机器学习的模型等。具体例如，一些方法基于气象场并且使用天气研究和预测(wrf)生成的气象场对社区多尺度空气质量(cmaq)模型进行模拟，然后进行pm2.5浓度的预测；还有采用遥感卫星技术检索的气溶胶aod数据和嵌套气象空气质量预报模型系统(naopms)的模拟数据来进行pm2.5浓度的预测；又如，根据空气动力学理论、气象理论和大气物理理论建立一个空气质量预报系统siam混合模型，来对区域内的空气污染物的传播、消散和消退过程进行模拟，等等。这些传统预测方法曾在空气污染物浓度预测领域具有突出的表现，但是随着越来越多的地面监测站、气象卫星的建立，污染物浓度历史数据和气象数据量呈现指数级增长，这些方法却并没有充分考虑整个区域内监测站点和监测站点之间污染物传播扩散的影响，导致无法很好地对区域内整个时空数据进行特征提取，会出现处理过程复杂和预测效率低下等问题。而基于深度学习的预测方法，包括基于卷积神经网络(cnn)和长短期记忆网络(lstm)的预测方法、基于图注意力网络(gat)和长短期记忆网络(lstm)的预测方法等，这些方法在一定程度上考虑了研究区域内的时空数据关系。因此，如何在确保空气污染物浓度预测准确性的同时，进一步提高预测的效率，成为本领域需要解决的问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的空气污染物浓度预测复杂度较高、预测效率较低的缺陷而提供一种基于时空图数据的空气污染物浓度预测方法及装置。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供一种基于时空图数据的空气污染物浓度预测方法，包括以下步骤：
4、s1，获取空气污染物浓度数据和气象数据；
5、s2，确定目标空气污染物，并基于所述空气污染物数据和所述气象数据，利用mgatt-lstm预测模型预测所述目标空气污染物的浓度，其中，所述mgatt-lstm预测模型的构建过程包括以下步骤：
6、s21，获取空气污染物浓度历史数据和相对应的气象数据，构建数据集，同时获取监测站点分布数据；
7、s22，基于所述数据集和所述目标空气污染物，利用基于多图注意力机制的图卷积网络、长短期记忆网络和全连接网络，初始化所述mgatt-lstm预测模型；
8、s23，基于所述数据集，训练并迭代优化当前的mgatt-lstm预测模型，当预测结果满足预设的预测条件时，得到最终的mgatt-lstm预测模型。
9、作为优选的技术方案，所述s21具体包括：
10、归一化处理所述空气污染物浓度历史数据和所述相对应的气象数据，并将所述数据集按照60％、20％、20％的比例划分成训练集、验证集、测试集；
11、将所述训练集中的空气污染物浓度历史数据和相对应的气象数据转化为二维矩阵，根据时间序列组成时空图序列数据，并根据所述监测站点分布数据分别构建距离图的图权重矩阵、功能图的图权重矩阵和邻接图的图权重矩阵。
12、作为优选的技术方案，所述图权重矩阵的构建过程包括：
13、基于所述监测站点分布数据，计算所有监测站点之间的距离，构建所有节点的距离图，所述节点表示监测站点；
14、当任一节点与另一节点之间的距离小于预设距离时，在两节点之间建立连边，构建所有节点的邻接图；
15、基于各节点在不同预设区域之间的距离，计算区域相似度，得到相似度矩阵，构建所有节点的功能图。
16、作为优选的技术方案，所述s23具体包括：
17、s231，将所述时空图序列数据、所述距离图的图权重矩阵、所述功能图的图权重矩阵和所述邻接图的图权重矩阵输入所述初始化后的mgatt-lstm预测模型；
18、s232，训练所述初始化后的mgatt-lstm预测模型，直至预测误差小于预设的阈值。
19、作为优选的技术方案，所述s231具体包括：
20、利用所述基于多图注意力机制的图卷积网络提取空间关联特征；
21、利用所述长短期记忆网络对所述空间关联特征进行选择性遗忘；
22、利用所述长短期记忆网络选择输入数据中用来更新状态单元的数据信息；
23、将旧的单元状态更新为新的单元状态；
24、基于所述新的单元状态，确定输入数据输出提取的最终时空序列特征。
25、作为优选的技术方案，所述基于多图注意力机制的图卷积网络的构建过程包括：
26、利用图卷积网络，对所述时空图序列数据进行特征提取；
27、分别计算基于注意力机制的空间注意力矩阵和图注意力矩阵，通过融合门控机制融合所述空间注意力矩阵和所述图注意力矩阵，得到最终的空间关联特征矩阵。
28、作为优选的技术方案，所述初始化所述mgatt-lstm预测模型的过程包括：
29、s221，基于所述数据集和所述监测站点分布数据，利用所述多图注意力机制的图卷积网络压缩并提取空间关联特征，得到二维特征序列；
30、s222，基于所述二维特征序列，利用所述长短期本文档来自技高网...
【技术保护点】
1.一种基于时空图数据的空气污染物浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述S21具体包括：
3.根据权利要求2所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述图权重矩阵的构建过程包括：
4.根据权利要求2所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述S23具体包括：
5.根据权利要求4所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述S231具体包括：
6.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述基于多图注意力机制的图卷积网络的构建过程包括：
7.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述初始化所述MGATT-LSTM预测模型的过程包括：
8.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述基于多图注意力机制的图卷积网络包括2层，所述长短期记忆网络包括1层，所述全连接网络包括2层
9.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述MGATT-LSTM预测模型在训练阶段的损失函数定义为：
10.一种基于时空图数据的空气污染物浓度预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法。
...【技术特征摘要】
1.一种基于时空图数据的空气污染物浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述s21具体包括：
3.根据权利要求2所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述图权重矩阵的构建过程包括：
4.根据权利要求2所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述s23具体包括：
5.根据权利要求4所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述s231具体包括：
6.根据权利要求1所述的基于时空图数据的空气污染物浓度预测方法，其特征在于，所述基于多图注意力机制的图卷积网络的构建过程包括：<...
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。