[發明專利]一種基于時空深度學習的臭氧濃度分布預測方法和系統

有效

• 申請號: 201711347771.8
• 申請日: 2017-12-15
• 公開（公告）號: CN108108836B
• 公開（公告）日: 2019-02-05
• 發明（設計）人: 龍明盛;王建民;張建晉;黃向東
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種臭氧濃度分布預測方法，其特征在于，包括：

獲取當前時刻臭氧濃度分布圖，并獲取待預測時刻的氣象數據；

獲取待預測時間段內的時間氣象序列，所述時間氣象序列包括待預測時間段內各個時刻的氣象數據；所述多個時間段包括第一時間段、第二時間段和第三時間段；

所述預設時間段為{T,T+1,...,T+n}，所述第一時間段為{T-m+1,T-m+2,...,T}，所述第二時間段為{T-24,T-24+1,...,T-24+n}，所述第三時間段為{T-24*7,T-24*7+1,...,T-24*7+n}，n≤12且m≥n；

獲取多個時間段內的臭氧濃度分布圖，基于插值法，通過時間屬性將所述時間氣象序列、所述多個時間段內的臭氧濃度分布圖行內互聯；通過深度學習網絡進行訓練，得到臭氧濃度周期性變化預測模型，通過卷積神經網絡抽取所述第二時間段內每一幀臭氧濃度分布圖的特征{Zb_t2}，T-24≤t2≤T-24+n；

通過卷積神經網絡抽取所述第三時間段內每一幀臭氧濃度分布圖的特征{Zc_t3}，T-7*24≤t3≤T-7*24+n；

通過全連接層神經網絡抽取所述時間氣象序列中的特征{Zd_t4}，T≤t4≤T+n；

通過多層遞歸神經網絡抽取所述第一時間段內每一幀臭氧濃度分布圖的特征，將所述第一時間段內的每一幀臭氧濃度分布圖輸入到多層遞歸神經網絡中，取所述多層遞歸神經網絡中最后一層的最后一個節點隱藏輸出向量h_T，長度為p；

基于時間屬性將所述h_T與Zb_T-24、Zc_T-7*24和Zd_T連結成長度為4p的組合向量，通過全連接層將所述組合向量重新組成與臭氧濃度分布圖大小相同的矩陣；

將所述矩陣作為第二多層遞歸神經網絡的第一層第一個節點的輸入，按時間屬性對所述第二多層遞歸神經網絡最后一層每個節點的輸出按上述時間屬性進行連結處理，將處理后的結果輸入到所述第二多層遞歸神經網絡的第一層下一個節點中，對下一個時刻的臭氧濃度分布進行預測，重復上述訓練過程，得到訓練后的臭氧濃度周期性變化預測模型；

并基于所述臭氧濃度周期性變化預測模型，得到所述預測時間段內的臭氧濃度分布圖序列；

將所述臭氧濃度分布圖序列和所述時間氣象序列作為樣本，進行神經網絡訓練，得到臭氧濃度預測模型；

通過已訓練的臭氧濃度預測模型，對當前時刻臭氧濃度分布圖和待預測時刻的氣象數據進行處理，得到待預測時刻的臭氧濃度分布圖。

2.根據權利要求1所述的臭氧濃度分布預測方法，其特征在于，所述氣象數據包括溫度數據、濕度數據和風速數據。

3.根據權利要求1所述的臭氧濃度分布預測方法，其特征在于，獲取多個時間段內的臭氧濃度分布圖后還包括：

基于插值法，通過時間屬性將所述時間氣象序列、所述多個時間段內的臭氧濃度分布圖行內互聯。

4.根據權利要求1所述的臭氧濃度分布預測方法，其特征在于，將所述臭氧濃度分布圖序列和所述時間氣象序列作為樣本，進行神經網絡訓練，得到基于氣象數據的臭氧濃度預測模型，具體包括：

將所述臭氧濃度分布圖序列和所述時間氣象序列按步長為1取出樣本，構造數據集；

按比例將所述數據集分為訓練集和測試集，從所述訓練集中分批次取出樣本輸入神經網絡，通過隨機梯度下降法進行訓練，迭代若干次后得到訓練后的基于氣象數據的臭氧濃度預測模型；

從訓練集中取出樣本輸入所述基于氣象數據的臭氧濃度預測模型，對所述基于氣象數據的臭氧濃度預測模型進行驗證。