本发明专利技术提供了一种空气污染时空预测方法及相关设备，通过确定多个的目标监测站点采集历史空气污染数据、交通数据和气象数据；以每个目标监测站点为节点，以每两个目标监测站点之间的空间关系为边，构建无向图；构建并训练包括依次连接的图卷积神经网络和因果卷积神经网络的时空图因果卷积神经网络，并将无向图输入训练后的时空图因果卷积神经网络进行时空预测，得到研究区域的空气污染预测结果；与现有技术相比，通过图卷积神经网络的时空分析各个监测站点的相互依存关系，解决了站点与站点之间的时空相关性问题，提高了空气污染预测的精度，重点考虑了交通数据和气象数据对空气污染的影响，辅助完成对目标监测站点的空气污染预测。
【技术实现步骤摘要】
本专利技术涉及空气污染预测，特别涉及一种空气污染时空预测方法及相关设备。
技术介绍
1、空气污染对全球的人类健康、生态系统、和气候构成威胁，世界卫生组织在早些年发表声明称，每年约有七百万人死于室内和室外空气污染。交通运输工具排放的废气对空气污染有着重大影响，尤其是在车辆密集的城市地区。小汽车、卡车、公交和其他车辆的排放物质会促进有害污染物如颗粒物(pm)、挥发性有机化合物(vocs)、氮氧化物(nox)的形成。
2、为了解决有害污染物的形成，采用空气污染预测方法对空气污染情况进行预测；空气污染预测方法可以分为深度学习和非深度学习，非深度学习方法通常依赖于统计脉冲和机器学习算法，如线性回归、随机森林、支持向量机等，这些方法通常需要先验知识和人工选择特征来构建预测空气污染水平的数学模型，虽然这些方法在一定程度上可以提供准确的预测，但在处理复杂的非线性关系和大规模数据方面可能存在局限性；相反，深度学习方法利用深度神经网络进行特征学习和模式识别，能够自动从源数据中提取高级属性，可以更全面而准确的描述特征关系。在探究影响空气污染的主要因素(如交通运输)方面，深度学习可以描述时空关系，同时能预测未来趋势并据此制定有效的缓解策略，但其对空气质量预测的精度还有待提高。
技术实现思路
1、本专利技术提供了一种空气污染时空预测方法及相关设备，其目的是为了解决时空相关性问题，提高空气污染预测的精度。
2、为了达到上述目的，本专利技术提供了一种空气污染时空预测方法，包括：
<
p>3、步骤1，根据研究区域内的历史空气污染数据、风向、风速及污染影响范围确定多个目标监测站点；4、步骤2，通过所有目标监测站点采集历史空气污染数据、交通数据和气象数据；
5、步骤3，以每个目标监测站点为节点，以每两个目标监测站点之间的空间关系为边，构建包括空气污染数据、交通数据和气象数据的无向图；
6、步骤4，构建并训练包括依次连接的图卷积神经网络和因果卷积神经网络的时空图因果卷积神经网络，并将无向图输入训练后的时空图因果卷积神经网络进行时空预测，得到研究区域的空气污染预测结果。
7、进一步来说，在将无向图输入训练后的时空图因果卷积神经网络进行时空预测之前，还包括：
8、在无向图中提取得到用于表征每两个目标监测站点之间的空间关系和数据特征的特征矩阵和空间权重矩阵。
9、进一步来说，空间权重矩阵中的元素通过多个目标监测站点之间的距离得到，表达式为：
10、
11、其中，ai,j表示空间权重矩阵中的第i行、第j列元素，di,j表示第i个目标监测站点与第j个目标监测站点之间的距离，di,j＝dgeo((xi,yi),(xj,yj))，xi、yi表示第i个目标监测站点的经纬度，xj、yi表示第j个目标监测站点的经纬度，r表示两个目标监测站点之间的预设距离。
12、进一步来说，步骤4包括：
13、构建并训练包括依次连接的图卷积神经网络和因果卷积神经网络的时空图因果卷积神经网络；
14、将特征矩阵和空间权重矩阵输入时空图因果卷积神经网络中的图卷积神经网络；
15、通过图卷积神经网络中的图卷积计算，得到研究区域的空间特征；
16、将研究区域的空间特征与特征矩阵输入时空图因果卷积神经网络中的因果卷积神经网络进行预测，得到每个目标监测站点的空气污染预测结果；
17、将每个目标监测站点的空气污染预测结果进行结合，得到研究区域的空气污染预测结果。
18、进一步来说，图卷积神经网络中卷积算子的表达式为：
19、y＝gθ*x＝gθ(l)x＝gθ(uλut)x＝ugθ(λ)utx
20、其中，l表示归一化图拉普拉斯矩阵，gθ表示滤波器，可理解为归一化图拉普拉斯l的特征函数gθ(λ)，θ表示待学习的傅里叶系数矢量，u表示特征向量矩阵，λ表示特征对角矩阵，utx表示图信号x的图像傅里叶变换。
21、进一步来说，因果卷积神经网络为多层全卷积网络，多层全卷积网络包括依次连接的第一隐藏层、第二隐藏层、输出层；
22、第一隐藏层和第二隐藏层中通过注入空洞形成有扩张卷积，扩张卷积的表达式为：
23、
24、其中，s表示序列元素，a表示输入的时间序列，f(·)表示滤波器函数，i表示网络深度，k表示卷积核大小，d表示膨胀因子，s-d·i表示历史方向，*d表示扩张卷积运算符。
25、进一步来说，在步骤4之后，还包括：
26、对每个目标监测站点的空气污染预测结果进行分析，得到研究区域空气污染的影响因素。
27、本专利技术还提供了一种空气污染时空预测装置，包括：
28、站点确定模块，用于根据研究区域内的历史空气污染数据、风向、风速及污染影响范围确定多个目标监测站点；
29、数据采集模块，用于通过所有目标监测站点采集历史空气污染数据、交通数据和气象数据；
30、图构建模块，用于以每个目标监测站点为节点，以每两个目标监测站点之间的空间关系为边，构建包括空气污染数据、交通数据和气象数据的无向图；
31、时空预测模块，用于构建并训练包括依次连接的图卷积神经网络和因果卷积神经网络的时空图因果卷积神经网络，并将无向图输入训练后的时空图因果卷积神经网络进行时空预测，得到研究区域的空气污染预测结果。
32、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现空气污染时空预测方法。
33、本专利技术还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现空气污染时空预测方法。
34、本专利技术的上述方案有如下的有益效果：
35、本专利技术通过根据研究区域内的历史空气污染数据、风向、风速及污染影响范围确定多个目标监测站点；通过所有目标监测站点采集历史空气污染数据、交通数据和气象数据；以每个目标监测站点为节点，以每两个目标监测站点之间的空间关系为边，构建包括空气污染数据、交通数据和气象数据的无向图；构建并训练包括依次连接的图卷积神经网络和因果卷积神经网络的时空图因果卷积神经网络，并将无向图输入训练后的时空图因果卷积神经网络进行时空预测，得到研究区域的空气污染预测结果；与现有技术相比，通过图卷积神经网络的时空分析各个监测站点的相互依存关系，解决了站点与站点之间的时空相关性问题，提高了空气污染预测的精度，重点考虑了交通数据和气象数据对空气污染的影响，辅助完成对目标监测站点的空气污染预测。
36、本专利技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...
【技术保护点】
1.一种空气污染时空预测方法，其特征在于，包括：
2.根据权利要求1所述的空气污染时空预测方法，其特征在于，
3.根据权利要求2所述的空气污染时空预测方法，其特征在于，所述空间权重矩阵中的元素通过所述多个目标监测站点之间的距离得到，表达式为：
4.根据权利要求3所述的空气污染时空预测方法，其特征在于，所述步骤4包括：
5.根据权利要求4所述的空气污染时空预测方法，其特征在于，所述图卷积神经网络中卷积算子的表达式为：
6.根据权利要求5所述的空气污染时空预测方法，其特征在于，所述因果卷积神经网络为多层全卷积网络，所述多层全卷积网络包括依次连接的第一隐藏层、第二隐藏层、输出层；
7.根据权利要求6所述的空气污染时空预测方法，其特征在于，在步骤4之后，还包括：
8.一种空气污染时空预测装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当该计算机程序被处理器执行时，实现如权利要求1至7任一项所述的空气污染时空预测方法。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的空气污染时空预测方法。
...
【技术特征摘要】
1.一种空气污染时空预测方法，其特征在于，包括：
2.根据权利要求1所述的空气污染时空预测方法，其特征在于，
3.根据权利要求2所述的空气污染时空预测方法，其特征在于，所述空间权重矩阵中的元素通过所述多个目标监测站点之间的距离得到，表达式为：
4.根据权利要求3所述的空气污染时空预测方法，其特征在于，所述步骤4包括：
5.根据权利要求4所述的空气污染时空预测方法，其特征在于，所述图卷积神经网络中卷积算子的表达式为：
6.根据权利要求5所述的空气污染时空预测方法，其特征在于，所述因果卷积神经网络为多层全卷积网络，所述多...
【专利技术属性】
技术研发人员：杨嘉钰，李载宁，石琳昌，
申请(专利权)人：中南大学，
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。