[發明專利]基于卷積全連接的雙向門控循環單元的空氣質量預測方法

在審

• 申請號: 202010054277.8
• 申請日: 2020-01-17
• 公開（公告）號: CN111275168A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 王保衛;孔維紋;朱志宏
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06Q10/04;G06Q50/26;G01N15/06;G01W1/10
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于卷積全連接的雙向門控循環單元的空氣質量預測方法，利用卷積神經網絡提取出氣象數據所包含的深度特征，隨后利用循環神經網絡學習數據的時序性和連貫性，最后通過全連接層預測所需的下一時刻的數據。在本專利中，由于氣象數據對抗旋轉性無較高要求，故我們選用一種特殊的無池化層的卷積網絡提取相關特征。本方法可以在大量的學習樣本中較為準確的預測數后一時刻的空氣污染指標。從整體來看，本方法不僅可以預測單一指標，同時也可以預測輸入數據特征的所有指標，一定程度上可以結合全局特征進行合理的預測，實現本專利中的預測功能。

技術領域

本發明屬于深度學習領域，具體涉及一種基于卷積全連接的雙向門控循環單元的空氣質量預測方法。

背景技術

隨著科技的快速發展，人工智能與深度學習已經得到了廣泛應用。目前，霧霾預測的方法大致可分為三種類別：第一類是統計方法，第二類是傳統的預測方法，第三類是深度學習算法。統計方法包括線性回歸，灰色系統預測，馬爾可夫預測等。大多數統計模型對數據都有一定的要求，并且這些模型也具有相對清晰的數學形式，很難用有限的數學公式描述具有復雜成分的數據。傳統方法簡單，理論成熟，易于實施，僅需搜索各種指標的歷史統計數據即可建立出有效的學習模型。傳統分析使分析未來的發展變得容易，尤其是短期趨勢。深度學習算法可以建立環境指標與環境指標之間的內在映射關系，其預測精度明顯高于傳統的分析方法并且可以精確到特定的日期。為此，基于卷積全連接的雙向門控循環單元神經網絡(CDBGRU)被提出，相比其他方法，本方法在空氣質量數據預測上具有更好的性能。

空氣質量研究歷史悠久，現有的大多數統計方法和淺層機器學習技術都可以解決空氣質量預測問題。支持向量回歸(SVR)，決策樹回歸(DTR)和梯度增強回歸(GBR)等模型具有良好的性能。作為常見的回歸器，SVR在許多情況下均具有良好的性能損失函數。根據核函數的類型，SVR可分為線性SVR，多項式SVR和rbf核SVR，大量的實驗證明當數據較為復雜時rbf核SVR具有更好的性能，例如空氣質量數據。DTR是基于決策樹的算法，所以通常使用CART決策樹進行回歸。GBR是一種梯度提升模型，是一種從錯誤中學習的方法。本質上,它是收集信息并整合大量的算法進行學習。另外，許多研究顯示空氣質量數據中每個要素之間都有直接或者間接的關系。

但是，隨著深度學習和大數據分析研究越來越深入，更多的研究者考慮如何將深度學習模型與空氣質量數據結合，這是因為空氣質量相關數據具備明顯的動態時間序列關系和動態非線性特征，在這些關系下數據驅動模型逐漸被越來越多的研究者利用。到目前為止，大量的基于大數據分析和數據驅動的模型被提出，無一例外的在預測每個特征和污染值上都取得了較好的結果。由于氣象數據復雜度較高且時序性過強，單一的CNN網絡或RNN網絡都很難適應當前的預測需求。而對于已經提出的CNN和RNN相結合的模型，無一例外這些模型都無法很好的提取出所需的深層特征用于預測。結合氣象數據無需較強的抗旋轉性，本專利提出一種基于無池化層的CNN和RNN相結合的網絡模型，我們稱之為基于卷積全連接的雙向門控循環單元模型(CBDGRU)。

發明內容

發明目的：本發明提出一種基于卷積全連接的雙向門控循環單元的空氣質量預測方法，可以預測輸入數據特征的所有指標，可以結合全局特征進行合理的預測，實現精準的預測功能。

技術方案：本發明所述的一種基于卷積全連接的雙向門控循環單元的空氣質量預測方法，包括以下步驟：

(1)利用卷積神經網絡提取出預先獲取的氣象數據的深度特征；

(2)利用雙向門控循環單元學習數據的時序性和連貫性；

(3)通過額外的兩個全連接層預測所需的下一時刻的數據。

進一步地，步驟(1)所述的卷積神經網絡用1X2卷積核的CNN+Relu代替原來的池化層，對輸入變量進行局部特征學習和降維。