[發(fā)明專(zhuān)利]空氣質(zhì)量預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910478507.0
• 申請(qǐng)日: 2019-06-03
• 公開(kāi)（公告）號(hào): CN110333556A
• 公開(kāi)（公告）日: 2019-10-15
• 發(fā)明（設(shè)計(jì)）人: 邢軍華;羅鐵;歐陽(yáng)一村;曾志輝;賀濤;許文龍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳中興網(wǎng)信科技有限公司
• 主分類(lèi)號(hào): G01W1/10
• 分類(lèi)號(hào): G01W1/10;G01N33/00;G01W1/02
• 代理公司: 北京友聯(lián)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11343
• 代理人: 尚志峰;汪海屏

本發(fā)明提出了一種空氣質(zhì)量預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及可讀存儲(chǔ)介質(zhì)，其中，空氣質(zhì)量預(yù)測(cè)方法包括：獲取污染物采集點(diǎn)的歷史污染物數(shù)據(jù)和氣象采集點(diǎn)的歷史氣象數(shù)據(jù)；根據(jù)污染物采集點(diǎn)與氣象采集點(diǎn)的位置信息，將歷史污染物數(shù)據(jù)加權(quán)得到氣象采集點(diǎn)處的歷史污染物映射數(shù)據(jù)；利用極端梯度上升模型，以歷史污染物映射數(shù)據(jù)和歷史氣象數(shù)據(jù)作為訓(xùn)練集進(jìn)行訓(xùn)練，得到預(yù)測(cè)模型；根據(jù)當(dāng)前污染物數(shù)據(jù)與當(dāng)前氣象數(shù)據(jù)，利用預(yù)測(cè)模型得到預(yù)測(cè)空氣質(zhì)量數(shù)據(jù)。本發(fā)明提出的空氣質(zhì)量預(yù)測(cè)方法，無(wú)需對(duì)缺失數(shù)據(jù)進(jìn)行預(yù)處理，使得整個(gè)深度學(xué)習(xí)過(guò)程更快捷，并且，將污染物采集點(diǎn)所采集的歷史污染物數(shù)據(jù)映射到氣象采集點(diǎn)處，得到更精確的樣本數(shù)據(jù)，提升了預(yù)測(cè)精度。

技術(shù)領(lǐng)域

本發(fā)明涉及環(huán)境科學(xué)領(lǐng)域，具體而言，涉及一種空氣質(zhì)量預(yù)測(cè)方法、一種空氣質(zhì)量預(yù)測(cè)裝置、一種計(jì)算機(jī)設(shè)備、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)

傳統(tǒng)基于特征工程的EMOS(Ensemble Model Output Statistics)模型和ARMA(Auto-Regressive Moving Average)模型針對(duì)氣象預(yù)測(cè)SO₂濃度預(yù)測(cè)任務(wù)可以取得較好的效果，但這些方法和模型需要研究者花大量精力去hand_crafted特征提取、建立模型及參數(shù)調(diào)整整定。深度學(xué)習(xí)Conv_LSTM模型能很好的捕捉空間時(shí)序關(guān)系，由于監(jiān)測(cè)站在在獲取空氣質(zhì)量數(shù)據(jù)時(shí)，一般因?yàn)樵O(shè)備故障或網(wǎng)絡(luò)延時(shí)卡頓等問(wèn)題，導(dǎo)致空氣質(zhì)量數(shù)據(jù)出現(xiàn)較多的缺失值。在數(shù)據(jù)預(yù)處理上，尤其是缺失值處理，填補(bǔ)缺失值大多數(shù)的方法是刪除、均值法以及鄰近法等方法，填補(bǔ)的精度較差，然而空氣質(zhì)量數(shù)據(jù)帶有時(shí)序信息，導(dǎo)致了深度學(xué)習(xí)方法在訓(xùn)練時(shí)精度較差。在現(xiàn)有技術(shù)中，通常采用GBDT(Gradient Boosting Decision Tree，梯度增強(qiáng)決策樹(shù))模型進(jìn)行空氣質(zhì)量的預(yù)測(cè)，但是，GBDT模型在優(yōu)化時(shí)只用到一階導(dǎo)數(shù)信息，沒(méi)有二階導(dǎo)數(shù)信息和正則項(xiàng)信息，使學(xué)習(xí)出來(lái)的模型更加復(fù)雜，容易過(guò)擬合，并且，GBDT模型需要對(duì)缺失值進(jìn)行預(yù)處理，而實(shí)際空氣質(zhì)量預(yù)測(cè)樣本中有很多缺失值，導(dǎo)致使用范圍受限，以及GBDT模型不支持并行，訓(xùn)練時(shí)間長(zhǎng)。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的在空氣質(zhì)量預(yù)測(cè)上如遇數(shù)據(jù)缺失，將導(dǎo)致工程模型的深度學(xué)習(xí)的精度較差，進(jìn)而導(dǎo)致空氣質(zhì)量預(yù)測(cè)精度低的技術(shù)問(wèn)題。

為此，本發(fā)明的第一方面實(shí)施例提出了一種高精度的空氣質(zhì)量預(yù)測(cè)方法。

本發(fā)明的第二方面實(shí)施例提出了一種高精度的空氣質(zhì)量預(yù)測(cè)裝置。

本發(fā)明的第三方面實(shí)施例提出了一種計(jì)算機(jī)設(shè)備。

本發(fā)明的第四方面實(shí)施例提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

有鑒于此，根據(jù)本發(fā)明的第一方面實(shí)施例，本發(fā)明提出了一種空氣質(zhì)量預(yù)測(cè)方法，包括：獲取污染物采集點(diǎn)的歷史污染物數(shù)據(jù)和氣象采集點(diǎn)的歷史氣象數(shù)據(jù)；根據(jù)污染物采集點(diǎn)與氣象采集點(diǎn)的位置信息，將歷史污染物數(shù)據(jù)加權(quán)得到氣象采集點(diǎn)處的歷史污染物映射數(shù)據(jù)；利用極端梯度上升模型，以歷史污染物映射數(shù)據(jù)和歷史氣象數(shù)據(jù)作為訓(xùn)練集進(jìn)行訓(xùn)練，得到預(yù)測(cè)模型；根據(jù)當(dāng)前污染物數(shù)據(jù)與當(dāng)前氣象數(shù)據(jù)，利用預(yù)測(cè)模型得到預(yù)測(cè)空氣質(zhì)量數(shù)據(jù)。

本發(fā)明提出的空氣質(zhì)量預(yù)測(cè)方法，采用極端梯度上升模型進(jìn)行深度學(xué)習(xí)，分析歷史污染物數(shù)據(jù)和歷史氣象數(shù)據(jù)，進(jìn)而得到一個(gè)預(yù)測(cè)模型實(shí)現(xiàn)對(duì)空氣質(zhì)量的預(yù)測(cè)，利用極端梯度上升模型的特點(diǎn)，即使面對(duì)缺失樣本數(shù)據(jù)的情況，也可以自動(dòng)學(xué)習(xí)出樣本數(shù)據(jù)的分裂方向，進(jìn)而無(wú)需對(duì)缺失數(shù)據(jù)進(jìn)行預(yù)處理，使得整個(gè)深度學(xué)習(xí)過(guò)程更快捷，并且，通常污染物采集點(diǎn)與氣象采集點(diǎn)的不再同一位置，因此，將污染物采集點(diǎn)所采集的歷史污染物數(shù)據(jù)映射到氣象采集點(diǎn)處，可以得到更精確的樣本數(shù)據(jù)，進(jìn)而提升了對(duì)空氣質(zhì)量預(yù)測(cè)的精度。

另外，本發(fā)明提供的上述實(shí)施例中的空氣質(zhì)量預(yù)測(cè)方法還可以具有如下附加技術(shù)特征：