[發(fā)明專利]一種基于深度學(xué)習(xí)的多尺度空氣質(zhì)量預(yù)報(bào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010111029.2
• 申請(qǐng)日: 2020-02-24
• 公開（公告）號(hào): CN111339092B
• 公開（公告）日: 2023-09-08
• 發(fā)明（設(shè)計(jì)）人: 徐愛蘭;張?jiān)俜?/a>;孫強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 江蘇省南通環(huán)境監(jiān)測(cè)中心;南通大學(xué)
• 主分類號(hào): G06F18/25
• 分類號(hào): G06F18/25;G06N3/0442;G06N3/045;G06N3/0464;G06N3/048;G06N3/09;G06F16/2458;G01N33/00;G01W1/10
• 代理公司: 南京同澤專利事務(wù)所(特殊普通合伙) 32245
• 代理人: 蔡晶晶

1.一種基于深度學(xué)習(xí)的多尺度空氣質(zhì)量預(yù)報(bào)方法，其特征在于包括以下步驟：

步驟1、獲取實(shí)時(shí)更新的多源融合數(shù)據(jù)集并進(jìn)行歸一化處理，所述多源融合數(shù)據(jù)集包括各個(gè)空氣質(zhì)量監(jiān)測(cè)站點(diǎn)的各污染物實(shí)時(shí)數(shù)據(jù)和以及各個(gè)氣象站點(diǎn)的各氣象實(shí)時(shí)數(shù)據(jù)；各污染物實(shí)時(shí)數(shù)據(jù)包括：PM2.5、PM10、NO₂、CO、SO₂、O₃空氣污染物的濃度，氣象實(shí)時(shí)數(shù)據(jù)包括：降水量、風(fēng)速、風(fēng)向、氣壓、氣溫、污染源情況、AQI數(shù)據(jù)、氣象站與監(jiān)測(cè)站拓?fù)湮恢茫嘣慈诤蠑?shù)據(jù)集從各個(gè)監(jiān)測(cè)站點(diǎn)實(shí)時(shí)更新獲得，并通過數(shù)據(jù)庫(kù)模塊進(jìn)行保存；

步驟2、依據(jù)預(yù)報(bào)時(shí)間尺度將多源融合數(shù)據(jù)集進(jìn)行劃分為大尺度數(shù)據(jù)集和小尺度數(shù)據(jù)集；

步驟3、若用戶選擇大尺度預(yù)報(bào)，則利用大尺度預(yù)報(bào)模型對(duì)大尺度數(shù)據(jù)集進(jìn)行處理得到大尺度預(yù)報(bào)數(shù)據(jù)；若用戶選擇小尺度預(yù)報(bào)，則利用小尺度預(yù)報(bào)模型對(duì)小尺度數(shù)據(jù)集進(jìn)行處理得到小尺度預(yù)報(bào)數(shù)據(jù)，然后對(duì)經(jīng)過模型運(yùn)算的預(yù)報(bào)數(shù)據(jù)進(jìn)行反歸一化處理，得到預(yù)報(bào)結(jié)果；

本步驟中，大尺度預(yù)報(bào)模型和小尺度預(yù)報(bào)模型均使用HDAQF模型作為空氣質(zhì)量預(yù)報(bào)的訓(xùn)練模型；使用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)多源歷史數(shù)據(jù)進(jìn)行一維卷積運(yùn)算，挖掘數(shù)據(jù)內(nèi)在的深層關(guān)聯(lián)以及時(shí)空相關(guān)性，提取最有效的參數(shù)特征，利用雙向長(zhǎng)短時(shí)記憶模型對(duì)參數(shù)特征進(jìn)行預(yù)報(bào)，最后使用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)預(yù)報(bào)的參數(shù)特征進(jìn)行綜合分析，得到預(yù)報(bào)結(jié)果；

所述HDAQF模型包含有CNN、LSTM和DNN，其中，CNN用于對(duì)時(shí)間序列的歷史數(shù)據(jù)進(jìn)行數(shù)值特征提取，LSTM用于對(duì)CNN提取得到的特征進(jìn)行更深層次的時(shí)間特征提取，給出預(yù)報(bào)空氣質(zhì)量的特征結(jié)果，DNN用于對(duì)LSTM給出的空氣質(zhì)量預(yù)報(bào)特征進(jìn)行計(jì)算，給出空氣質(zhì)量的數(shù)值預(yù)報(bào)結(jié)果；所述DNN中，第一層和第二層神經(jīng)網(wǎng)絡(luò)加入Dropout正則化層，設(shè)置dropout比率為0.3，第三層作為預(yù)報(bào)結(jié)果的輸出層；所述大尺度預(yù)報(bào)模型根據(jù)大尺度歷史數(shù)據(jù)集訓(xùn)練獲得，所述小尺度預(yù)報(bào)模型根據(jù)小尺度歷史數(shù)據(jù)集訓(xùn)練獲得；

HDAQF模型的訓(xùn)練循環(huán)次數(shù)為50-100次，每次訓(xùn)練的批處理量為32；CNN為兩層一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每一層使用64個(gè)卷積核，卷積核的長(zhǎng)度為1，使用Relu作為激活函數(shù)；LSTM選用兩層雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)，每一層的神經(jīng)元數(shù)量為128，使用tanh作為激活函數(shù)；DNN為三層全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，第一層、第二層的神經(jīng)元數(shù)量均為256，使用linear作為激活函數(shù)，第一層和第二層神經(jīng)網(wǎng)絡(luò)加入Dropout正則化層，設(shè)置dropout比率為0.3，第三層作為預(yù)報(bào)結(jié)果的輸出層，神經(jīng)元數(shù)量為1，使用linear作為激活函數(shù)；

對(duì)于多尺度預(yù)報(bào)而言，需要針對(duì)不同尺度訓(xùn)練擬合出對(duì)應(yīng)尺度的深度學(xué)習(xí)模型，對(duì)應(yīng)預(yù)報(bào)精度為一小時(shí)的小尺度預(yù)報(bào)需求，需要對(duì)時(shí)間間隔為一小時(shí)的多源歷史數(shù)據(jù)集進(jìn)行訓(xùn)練與擬合；對(duì)應(yīng)預(yù)報(bào)精度為一天的大尺度預(yù)報(bào)需求，在完成小尺度深度學(xué)習(xí)模型的擬合后，通過使用遷移學(xué)習(xí)的方法，固定小尺度模型中的第一層卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，第一層雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)參數(shù)以及第一層深度神經(jīng)網(wǎng)絡(luò)參數(shù)，包括但不限于神經(jīng)網(wǎng)絡(luò)的單元數(shù)量、神經(jīng)元之間連接的權(quán)重以及偏置項(xiàng)，再對(duì)時(shí)間間隔為一天的多源歷史數(shù)據(jù)集進(jìn)行訓(xùn)練與擬合，得到大尺度深度學(xué)習(xí)模型。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多尺度空氣質(zhì)量預(yù)報(bào)方法，其特征在于：所述HDAQF模型以Tensorflow作為深度學(xué)習(xí)框架。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多尺度空氣質(zhì)量預(yù)報(bào)方法，其特征在于：將歷史多源融合數(shù)據(jù)集歸一化后進(jìn)行時(shí)間序列建模，用于訓(xùn)練HDAQF模型。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多尺度空氣質(zhì)量預(yù)報(bào)方法，其特征在于：對(duì)于HDAQF模型，其訓(xùn)練階段的損失函數(shù)如下：

其中，MSE為均方誤差，i為時(shí)間序號(hào)，o_i為第i時(shí)刻目標(biāo)污染物的真實(shí)數(shù)值，p_i為第i時(shí)刻目標(biāo)污染物的預(yù)報(bào)數(shù)值，n為總時(shí)長(zhǎng)。

5.一種基于深度學(xué)習(xí)的多尺度空氣質(zhì)量預(yù)報(bào)系統(tǒng)，其特征在于包含：

客戶端，用于將預(yù)報(bào)需求傳遞至深度學(xué)習(xí)服務(wù)器和從深度學(xué)習(xí)服務(wù)器獲取預(yù)報(bào)結(jié)果并顯示，所述預(yù)報(bào)需求包含所要預(yù)報(bào)的地區(qū)、預(yù)報(bào)時(shí)長(zhǎng)和預(yù)報(bào)精度，所述客戶端為移動(dòng)端、電腦端或空氣質(zhì)量預(yù)報(bào)站點(diǎn)；

深度學(xué)習(xí)服務(wù)器，包含有多源歷史數(shù)據(jù)融合模塊、深度學(xué)習(xí)模塊和數(shù)據(jù)庫(kù)模塊；

所述多源歷史數(shù)據(jù)融合模塊用于對(duì)多源歷史氣象和空氣質(zhì)量數(shù)據(jù)進(jìn)行融合，并制作成深度學(xué)習(xí)模塊所需的數(shù)據(jù)集，其中，多源歷史氣象數(shù)據(jù)和空氣質(zhì)量數(shù)據(jù)從各個(gè)監(jiān)測(cè)站點(diǎn)實(shí)時(shí)更新獲得，并通過數(shù)據(jù)庫(kù)模塊進(jìn)行保存；空氣質(zhì)量數(shù)據(jù)包括PM2.5、PM10、NO₂、CO、SO₂、O₃空氣污染物的濃度，氣象數(shù)據(jù)包括降水量、風(fēng)速、風(fēng)向、氣壓、氣溫、污染源情況、AQI數(shù)據(jù)、氣象站與監(jiān)測(cè)站拓?fù)湮恢茫?/p>

所述深度學(xué)習(xí)模塊，選擇Tensorflow作為深度學(xué)習(xí)框架，使用HDAQF模型作為空氣質(zhì)量預(yù)報(bào)的訓(xùn)練模型；HDAQF模型包含有CNN、LSTM和DNN，其中，CNN用于對(duì)時(shí)間序列的歷史數(shù)據(jù)進(jìn)行數(shù)值特征提取，LSTM用于對(duì)CNN提取得到的特征進(jìn)行更深層次的時(shí)間特征提取，給出預(yù)報(bào)空氣質(zhì)量的特征結(jié)果，DNN用于對(duì)LSTM給出的空氣質(zhì)量預(yù)報(bào)特征進(jìn)行計(jì)算，給出空氣質(zhì)量預(yù)的數(shù)值預(yù)報(bào)結(jié)果；并且所述DNN中加入有Dropout層；DNN中，第一層和第二層神經(jīng)網(wǎng)絡(luò)加入Dropout正則化層，設(shè)置dropout比率為0.3，第三層作為預(yù)報(bào)結(jié)果的輸出層；主要參數(shù)設(shè)定如下：設(shè)定循環(huán)次數(shù)epoch為50，批處理量batch_size為32，卷積神經(jīng)網(wǎng)絡(luò)為兩層一維卷積結(jié)構(gòu)，每一層使用64個(gè)卷積核，卷積核的長(zhǎng)度為1，使用Relu作為激活函數(shù)；長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)為兩層雙向長(zhǎng)短時(shí)記憶模型，每一層的神經(jīng)元數(shù)量為128，使用tanh作為激活函數(shù)；深度神經(jīng)網(wǎng)絡(luò)為三層全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，第一層、第二層的神經(jīng)元數(shù)量均為256，使用linear作為激活函數(shù)，第三層作為預(yù)報(bào)結(jié)果的輸出層，神經(jīng)元數(shù)量為1，使用linear作為激活函數(shù)；對(duì)于多尺度預(yù)報(bào)而言，需要針對(duì)不同尺度訓(xùn)練擬合出對(duì)應(yīng)尺度的深度學(xué)習(xí)模型，對(duì)應(yīng)預(yù)報(bào)精度為一小時(shí)的小尺度預(yù)報(bào)需求，需要對(duì)時(shí)間間隔為一小時(shí)的多源歷史數(shù)據(jù)集進(jìn)行訓(xùn)練與擬合；對(duì)應(yīng)預(yù)報(bào)精度為一天的大尺度預(yù)報(bào)需求，在完成小尺度深度學(xué)習(xí)模型的擬合后，通過使用遷移學(xué)習(xí)的方法，固定小尺度模型中的第一層卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，第一層雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)參數(shù)以及第一層深度神經(jīng)網(wǎng)絡(luò)參數(shù)，包括但不限于神經(jīng)網(wǎng)絡(luò)的單元數(shù)量、神經(jīng)元之間連接的權(quán)重以及偏置項(xiàng)，再對(duì)時(shí)間間隔為一天的多源歷史數(shù)據(jù)集進(jìn)行訓(xùn)練與擬合，得到大尺度深度學(xué)習(xí)模型；

所述數(shù)據(jù)庫(kù)模塊，用于存儲(chǔ)多源歷史數(shù)據(jù)和空氣質(zhì)量預(yù)報(bào)結(jié)果，選用MySQL作為數(shù)據(jù)庫(kù)管理系統(tǒng)，存儲(chǔ)多源數(shù)據(jù)融合模塊中的每一條歷史數(shù)據(jù)以及深度學(xué)習(xí)模塊給出的每一次預(yù)報(bào)結(jié)果，包括每個(gè)空氣質(zhì)量預(yù)報(bào)站點(diǎn)的地理位置，將預(yù)報(bào)值與真實(shí)值進(jìn)行比對(duì)，并作為優(yōu)化深度學(xué)習(xí)模塊所需的多源數(shù)據(jù)集和尺度模型的基礎(chǔ)。