[發明專利]融合多源時空數據的城市空氣質量精細化估測方法及裝置

有效

• 申請號: 201910768187.2
• 申請日: 2019-08-20
• 公開（公告）號: CN110610258B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 關慶鋒;王君毅
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/26
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

1.一種融合多源時空數據的城市空氣質量精細化估測方法，其特征在于，包含如下步驟：

S1、對待預測目標城市，采集其歷史的空氣質量數據集和與所述空氣質量數據集中城市空氣質量相關的城市時空數據集，對空氣質量數據集和城市時空數據集進行清洗，以剔除無效數據；所述歷史空氣質量數據集包括PM2.5以及氣象特征數據；

S2、對城市時空數據集中的各個空間屬性按照時間戳進行排序，并保留空氣質量數據集中的同一時間戳的空氣質量數據，若某時刻存在某一屬性的數據缺失，則將該時刻的時空屬性以及所對應的空氣質量數據剔除；

S3、對待預測目標城市進行空間格網劃分，每個網格作為基本預測單元；

S4、對劃分好的基本預測單元進行時空屬性信息的時空匹配，按照基本預測單元的空間位置，將對應空間位置的時空數據以及對應的空氣質量數據進行匹配，然后基于匹配結果，進行插值處理，使得每個基本預測單元均有對應的時空數據以及與時空數據對應的空氣質量數據，從而形成各個基本預測單元的歷史特征數據集；

S5、對每個基本預測單元進行特征掃描，以獲取每個基本預測單元的各個多時相且多屬性的時空特征信息；時空特征信息包含N維輸入特征和一個輸出特征，輸出特征為當前時刻的PM2.5，N維輸入特征的各個輸入特征分別包含如下因子的特征信息：上一時刻的PM2.5、當前時刻的氣象特征數據、上一時刻的氣象特征數據以及時空屬性；N為大于2的正整數；

S6、將所有的時空特征信息輸入到改進型級聯森林模型的各層中進行訓練，得到PM2.5與氣象特征數據及時空屬性之間的映射關系；改進型級聯森林模型是指：該改進型級聯森林模型第一層有k1個隨機森林及k2個完全隨機樹森林作為基學習器，每個基學習器都會返回一個回歸結果，則第一層共得到k1+k2個回歸預測值，將這k1+k2個回歸預測值同N維輸入特征疊加作為下一層的輸入數據；之后，第2層的輸入數據的維度就會是N+ k1+k2維，同樣的，第2層也擁有k1個隨機森林及k2個完全隨機樹森林作為基學習器并會得到k1+k2個回歸預測值，將這k1+k2個預測值同輸入N維輸入特征疊加，構建新的下一層的N+k1+k2維的輸入數據，以此層層級聯，對該輸入的時空特征信息進行不斷更新的回歸估測，其中改進型級聯森林模型所有的層均有k1個隨機森林及k2個完全隨機樹森林作為基學習器；將訓練數據集中的每個輸入樣本在各個層所得到的回歸預測值分別求均值，將每層的所有時空特征信息的回歸預測值的均值同真實值進行對比得出估測精度，當連續M層級聯的估測精度的提升都小于預設值時，級聯即停止并保留當前層的回歸森林結構作為訓練好的模型；M為大于1的正整數；

S7、在利用改進型級聯森林模型完成訓練之后，對改進型級聯森林模型進行進一步的校正，使得估測精度得以進一步的提高；

S8、利用校正好的模型，得到對于待預測位置空氣質量的實時估測。

2.根據權利要求1所述的融合多源時空數據的城市空氣質量精細化估測方法，其特征在于，步驟S1中，歷史的空氣質量數據集包括溫度、濕度、風速以及壓強，城市時空數據集包括浮動車移動軌跡、POI類別數據、土地利用類型數據、遙感影像、NDVI數據以及AOD數據。

3.根據權利要求1所述的融合多源時空數據的城市空氣質量精細化估測方法，其特征在于，步驟S3中的空間格網劃分是指進行均勻的網格劃分，每個網格的大小形狀一樣，步驟S4中插值處理是指采用IDW插值方法進行處理。

4.根據權利要求1所述的融合多源時空數據的城市空氣質量精細化估測方法，其特征在于，步驟S6中，k1=k2=2，M=4。

5.根據權利要求1所述的融合多源時空數據的城市空氣質量精細化估測方法，其特征在于，步驟S7進行校正的方法為：對改進型級聯森林模型進行了參數校正，校正參數包括劃分屬性時參與判斷的最大特征數、學習器個數以及其所包含決策樹的數量以及級聯層數，選擇出校正參數，從而得到改進型級聯森林模型的精度指標。