基于多元融合时空特征卷积网络的气体浓度预测方法.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CN113742893A(43)申请公布日2021.12.03(21)申请号202110904175.5(22)申请日2021.08.06(71)申请人中煤科工集团沈阳研究院有限公司地址113122辽宁省抚顺市沈抚示范区滨河路11号申请人北京工商大学(72)发明人梁运涛孟祥宁王刚田富超王永敬于重重孙勇苏伟伟张军杰冯文彬任杰唐辉韩露(74)专利代理机构沈阳易通专利事务所21116代理人邢慧清(51)Int.Cl.G06F30/20(2020.01)权利要求书3页说明书10页(54)发明名称基于多元融合时空特征卷积网络的气体浓度预测方法(57)摘要本发明涉及一种基于多元融合时空特征卷积网络的气体浓度预测方法，包括以下步骤：步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析，选择与目标气体相关性高的气体作为辅助变量；步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析，得到三维时空特征；步骤C、使用时空卷积模型对目标气体的气体浓度进行预测；步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。本发明在时间卷积网络基础上，融合了采空区目标监测点周围其他监测点的空间数据，然后提取目标监测点处的空间特征，还通过分析目标监测点处其他气体浓度数据数据与目标气体数据之间的相关性，作为辅助因素来提高预测精度。CN113742893ACN113742893A权利要求书1/3页1.基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，包括以下步骤：步骤A、对目标监测点处指标气体中的目标气体与其他气体进行多元辅助因素分析，选择与目标气体相关性高的气体作为辅助变量；所述目标气体为指标气体中的任意一个气体，其余为其他气体；步骤B、通过对所有目标监测点处的所有传感器的三维空间特征进分析，得到三维时空特征；步骤C、使用时空卷积模型对所述目标气体的气体浓度进行预测；步骤D、通过平均百分比误差对时空卷积模型预测效果进行检测。2.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，所述步骤A具体包括以下步骤：步骤A1、计算所述目标气体和所述其他气体延迟T(1,2,…7)个时刻的时间序列的相关系数；步骤A2、根据所述步骤A1的相关系数计算结果选择出与所述目标气体相关性高的气体作为所述辅助变量。3.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，所述步骤B具体包括以下步骤：步骤B1、构建GSM气体空间矩阵；1)根据所述传感器分布情况，将空间划分为l*w*h个具有相同大小的单元，每个单元包含一组传感器；其中，l*w*h为划分后的长*宽*高，单位分别为米；2)根据两个时间序列Sij＝(Si,Sj)，计算皮尔逊相关系数，Si和Sj的皮尔逊相关系数如式1所示；其中，为序列Si在P[d:g]时间段内的平均值，同理，为序列Sj在P[d:g]时间段内的平均值；为序列Si在P[d:g]时间段内的方差；为序列Sj在P[d:g]时间段内的方差；单维时间序列是由所述传感器采样得到的连续的数据点，一条长度为N的时间序列表示为S＝{S1,S2,…,ST}，其中每个序列点Su＝(xu,tu)表示为一个时间点的数值，xu是一个实数值，tu是时间记录点；是所有时间点的集合；时间区间P[d:g]是时间区间P[1:T]内的一个时间段，则S[d:g]代表起始于d，终止于g的单维时间序列段；步骤B2、分析目标气体在t时刻的多维空间特征；2CN113742893A权利要求书2/3页1)在t时刻，对GSM气体空间矩阵每一个单元监测点为中心，将DXY,DXZ,DYZ三个维度分别提取出来，得到三个方向上的特征矩阵，且每一维度监测位置及其周围邻域大小的矩阵大小为n×n，监测点位于每一维矩阵的中心；n的大小与所涉及的传感器的数量相关，保证每个矩阵内包含一个传感器；其中DXY,DXZ,DYZ代表三个二维平面；2)对已经提取出来的DXY,DXZ,DYZ三个维度，单独对每一个维度的特征矩阵提取特征，即每一个特征矩阵作为具有一个通道的张量，输入卷积核大小为3×3以及k层卷积层、池化层和全连接层，获得三个维度的特征其中，设采空区各个监测点为L＝{l0,l1,…,li,…,ln}，li为目标监测点；R为实数集，n×n×λ表示三维矩阵的大小；3)为了减少参数量，将三个维度的特征的组合，再利用1×1卷积进行特征压缩，最终得到目标监测点在t时刻的三维空间特征R为实数集，n×n×λ表示三维矩阵的大小。4.如权利要求1所述的基于多元融合时空特征卷积网络的气体浓度预测方法，其特征在于，所述步骤C具体包括以下步骤：步骤C1、输入数据属性包括时间、温度、所述指标气体的气体浓度的传