一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113962489A(43)申请公布日2022.01.21(21)申请号202111428869.2(22)申请日2021.11.27(71)申请人北京工业大学地址100124北京市朝阳区平乐园100号(72)发明人林绍福赵俊杰张羽民李建强刘希亮(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人沈波(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)G06N3/06(2006.01)G06N3/08(2006.01)G06Q50/26(2012.01)权利要求书3页说明书8页附图2页(54)发明名称一种基于ST-CCN-PM2.5的PM2.5浓度细粒度预测方法(57)摘要本发明公开了一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，该方法从与目标站点空间强相关的站点数据中挖掘时空依赖特征，以提升PM2.5的单步预测精度。对采集到的空气污染物及气象数据进行了插值处理、特征选择、数据扩充等预处理。利用相关性分析及空间注意力机制，提取融合与目标站点空间强相关的站点信息；采用基于时间注意力的膨胀卷积网络，优化了输入数据窗口大小并扩展了预测覆盖的时域范围。然后基于ST‑CCN‑PM2.5模型进行了相关性阈值、数据归一化、数据集划分等超参数调优的实验以辅助优化模型。最后将多站点数据集用于对该模型的训练。本发明克服了传统RNN模型的梯度问题、复杂体系结构等弊端，为PM2.5浓度细粒度预测提供了一个开放研究框架。CN113962489ACN113962489A权利要求书1/3页1.一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，其特征在于：步骤如下：(1)获取各个空气监测站的空气污染物及气象的小时级监测数据，并对数据进行存储和预处理；(2)从与目标站点空间强相关的站点数据中挖掘时空依赖特征，构建ST‑CCN‑PM2.5模型；(3)调整相关性阈值、数据归一化、数据划分以及滑动窗口参数，进行多组对比实验，完成超参数调优；(4)对参数调优后的ST‑CCN‑PM2.5模型进行训练，并与基准模型进行性能比较；(5)输出目标站点未来一小时PM2.5浓度预测值。2.根据权利要求1所述的一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，其特征在于，所述步骤(1)中，进行数据预处理包括：(1)对采集到的空气污染物与气象数据中的缺失值进行填充；对于时间跨度较小的缺失值，采用线性插值或者二次插值来填充缺失值；对于长时间跨度的缺失值的情况，使用临近日期内相同时间段的数据进行填充；(2)计算NO2、风向、风速、PM10、CO、相对湿度、大气压力、温度、SO2、O3特征序列与PM2.5浓度序列的相关性，选择与PM2.5相关性小的因素作为输入ST‑CCN‑PM2.5模型的特征；(3)由筛选得到的特征序列构建特征矩阵，将95个站点的特征矩阵扩充至初始矩阵的五倍规模。3.根据权利要求1所述的一种基于ST‑CCN‑PM2.5的PM2.5浓度细粒度预测方法，其特征在于，所述步骤(2)中，构建ST‑CCN‑PM2.5模型包括：(1)利用相关性分析及空间注意力机制提取、融合空间强相关站点信息，具体步骤包括：(a)计算目标站点和其他站点PM2.5历史数据之间相关性系数，使用皮尔森相关性系数衡量两个站点的相互影响程度；计算公式如下所示：*其中Y代表目标站点PM2.5浓度历史数据，Yi代表其他站点PM2.5浓度历史数据；cov()是协方差函数，和分别是两个站点数据的方差；由上述公式计算得到目标站点和全部站点的相关性系数ρ_list，如下所示：***ρ_list＝[ρ(Y,Y1),ρ(Y,Y2),...,ρ(Y,YM)](2)在(2)式中获取了全部M个站点和目标站点的相关性系数；将相关性系数和阈值比较，最终得到与目标站点相关性系数大于ρth的站点数据的集合如下：*X＝{Xi|ρ(Y,Yi)＞ρth,i∈1,...,N}(3)T×LM×T×L在(3)式中，Xi∈R为第i个与目标站点空间强相关站点的特征矩阵，X∈R代表与目标站点空间强相关的三维特征矩阵，其中M＜＝N，M代表与目标站点空间强相关的站点数量；(b)利用1×1卷积核，对X∈RM×T×L这个特征矩阵中M个通道的特征值进行线性组合来完成升维操作，经过升维处理后三维矩阵变为其中Mnew表示升维后的通道数量；2CN113962489A权利要求书2/3页在升维过程中，采用的1×1卷积核数量大于特征矩阵的通道数量，经过卷积运算使不同通道信息得以交互和融合，从而增大输入矩阵通道数量，提升模型对非线性特征的提取能力；(c)基于空间注意力机制实现降维操作，提取各通道第i项特征