[發明專利]基于多維特征深度學習的熱點網格識別方法

有效

• 申請號: 201811059910.1
• 申請日: 2018-09-12
• 公開（公告）號: CN109213840B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 廖炳瑜;丁相元;湯宇佳;范迎春
• 申請（專利權）人: 北京英視睿達科技股份有限公司
• 主分類號: G06F16/29
• 分類號: G06F16/29;G06F16/2458;G06Q50/26
• 代理公司: 天津市尚文知識產權代理有限公司 12222
• 代理人: 徐楊陽

1.一種基于多維特征深度學習的熱點網格識別方法，其特征在于，所述方法包括：

獲取監測區域的區域信息,根據所述區域信息將所述監測區域劃分為多個網格單元；

獲取每一個所述網格單元的多維特征數據，所述多維特征數據包括：

污染物數據，所述污染物數據包括PM2.5濃度數據以及其他標準的污染物濃度數據；

基礎地理數據，所述基礎地理數據包括網格單元的工業信息點POI數據和工業園區分布數據；

氣象要素特征數據，所述氣象要素特征數據包括根據三維氣象數據，計算的邊界層高度、溫度、相對濕度、風速風向和壓強數據；

地面要素特征數據，所述地面要素特征數據包括網格單元的地形高程、地表熱異常、建成區比例和潛在工業廠房數據；

地理位置數據，包括檢測子區域所在位置的經度數據和維度數據；

提取每一項所述多維特征數據的第一特征參數；所述第一特征參數包括污染物濃度背景數據、POI數據、風速風向、相對濕度數據、地表熱異常、地形高程、經度數據和緯度數據；

獲取每一個所述網格單元的第一污染源信息，并對所述第一污染源信息進行校正處理，得到第二污染源信息；

提取所述第二污染源信息的第二特征參數，第二特征參數為第二污染源信息的多個特征中的一部分對應的特征參數；

根據所述第一特征參數、第二特征參數構造多維特征向量；

將所有網格單元的多維特征向量生成多維特征樣本集；

采用深度學習模型對所述多維特征樣本集進行訓練，得到識別模型；

根據所述識別模型對監測區域進行識別處理，得到熱點網格。

2.根據權利要求1所述的方法，其特征在于，獲取網格單元的污染物數據具體包括：

根據衛星遙感數據獲取所述網格單元的近地面第一PM2.5濃度數據；

根據空氣質量地面觀測數據和高密度空氣質量監測設備對所述第一PM2.5濃度數據進行校正處理，得到第二PM2.5濃度數據；

根據氣象觀測數據、地形數據和氣象動力學模型對所述第二PM2.5濃度數據進行校正處理，得到所述網格單元近期地面PM2.5濃度背景數據。

3.根據權利要求1所述的方法，其特征在于，所述第一污染源信息包括網格單元內污染物排放企業的分布特征和數量特征。

4.根據權利要求1所述的方法，其特征在于，所述第二特征參數包括工業企業分布特征參數和工業園區分布特征參數。

5.根據權利要求1所述的方法，其特征在于，獲取地面要素特征數據具體包括：

利用遙感識別提取網格單元的地形高程、地表熱異常、建成區比例、潛在工業廠房數據。

6.根據權利要求1所述的方法，其特征在于，在將所有網格單元的多維特征向量生成多維特征樣本集之后，所述方法還包括：

將所述多維特征樣本集劃分為訓練樣本集和驗證樣本集。

7.根據權利要求6所述的方法，其特征在于，所述采用深度學習模型對所述多維特征樣本集進行訓練，得到識別模型具體包括：

采用深度玻爾茲曼機對所述訓練樣本集進行訓練，得到識別模型參數；

根據所述識別模型參數生成識別模型；

采用所述驗證樣本集對所述識別模型進行驗證處理。

8.一種設備，包括存儲器和處理器，其特征在于，所述存儲器用于存儲程序，所述處理器用于執行如權利要求1-7任一所述的方法。

9.一種包含指令的計算機程序產品，其特征在于，當所述計算機程序產品在計算機上運行時，使得所述計算機執行如權利要求1-7任一權利要求所述的方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1-7任一權利要求所述的方法。