一种基于非监督学习的空气质量推断方法技术

本发明专利技术公开了一种基于非监督学习的空气质量推断方法，具体为：首先将区域栅格化，再获取空气质量数据、气象数据、交通数据和地理数据；建立空气质量推断模型，非监督学习任务致力于特征提取，而监督学习任务则负责执行核心的推断过程，模型包含类别型特征编码、位置编码模块、空间插值模块、特征编码模块和特征解码模块；将基于梯度的正则化纳入损失函数中；基于梯度计算特征重要性，完成空气质量推断。本发明专利技术提出了适用于类别型特征方法，提升了模型的预测准确性，进一步提升了模型的推断能力和可解释性。

【技术实现步骤摘要】

本专利技术属于环境工程，尤其涉及一种基于非监督学习的空气质量推断方法。

技术介绍

1、随着空气污染对人类健康的危害逐渐被揭露，公众对空气质量的要求显著提高。这种变化激发了全球学术界和工业界对于细粒度空气质量信息前所未有的关注。然而，尽管标准站能提供精确的空气质量数据，但高昂的建设与维护成本限制了其广泛部署，为获取细粒度空气质量信息带来了挑战。虽然低成本的微站能够在城市多个地点进行部署，提高监测覆盖率，但它们的数据准确性不高，且容易受到局部扰动的影响。此外，对环境部门而言，准确识别与空气质量密切相关的关键特征并据此采取防治措施是至关重要的。尽管现有的特征选择和重要性计算技术在处理连续型特征时表现出色，但却无法处理类别型特征。

技术实现思路

1、针对上述问题。本专利技术提供了一种基于非监督学习的空气质量推断方法。

2、本专利技术的一种基于非监督学习的空气质量推断方法，包括以下步骤：

3、步骤1：研究数据的获取与预处理。

4、(1)区域栅格化：为了获得细粒度的空气质量数据，将研究本文档来自技高网...

【技术保护点】

1.一种基于非监督学习的空气质量推断方法，其特征在于，包括以下步骤：

【技术特征摘要】

1.一种基于非监督学习的空气质量推...

【专利技术属性】
技术研发人员：韩科，徐濛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：