[發明專利]一種基于深度學習的多尺度空氣質量預報方法

有效

• 申請號: 202010111029.2
• 申請日: 2020-02-24
• 公開（公告）號: CN111339092B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 徐愛蘭;張再峰;孫強
• 申請（專利權）人: 江蘇省南通環境監測中心;南通大學
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06N3/0442;G06N3/045;G06N3/0464;G06N3/048;G06N3/09;G06F16/2458;G01N33/00;G01W1/10
• 代理公司: 南京同澤專利事務所(特殊普通合伙) 32245
• 代理人: 蔡晶晶

本發明涉及一種基于深度學習的多尺度空氣質量預報方法，包括以下步驟：獲取實時更新的多源融合數據集并進行歸一化處理；依據預報時間尺度將多源融合數據集進行劃分為大尺度數據集和小尺度數據集；根據用戶選擇的預報尺度，調用對應尺度的預報模型對數據集進行處理得到預報數據；然后對經過模型運算的預報數據進行反歸一化處理，得到預報結果。預報模型包含有CNN、LSTM和DNN，DNN中，第一層和第二層神經網絡加入Dropout正則化層，設置dropout比率為0.3，第三層作為預報結果的輸出層。

技術領域

本發明涉及空氣質量預報方法，尤其涉及一種基于深度學習的多尺度空氣質量預報方法。

背景技術

當前，我國在推進生態文明建設的大背景下，空氣質量問題日漸受到公眾關注。空氣污染會對公眾的日常生活出行造成一定影響，嚴重的甚至會引發一系列健康問題。建設空氣質量預報預警體系，提升空氣質量監測預警能力，開展環境空氣質量預報工作是保障及時妥善應對重污染天氣的重要技術手段，對區域大氣污染聯合減排也具有指導意義。

現有的空氣質量預報方法分為數值分析法、統計預報法。數值分析法多用于大尺度區域預報，對于揭示污染機理有優勢，但預報成本高，預報所需數據較為苛刻，且無法實現空氣質量的實時在線預報。統計預報法適用于短期、小范圍預報工作，預報成本低，但無法適用于長期空氣質量預報，且預報精度低。目前通過人工智能、機器學習等方法實現環境空氣質量預報已成為各國環保領域的研究熱點和發展趨勢。深度學習方法是近年來新興的一種機器學習算法，通過對大量數據的學習，發現其中的內在特征，從而提升分類或者預測的準確性。

本發明所涉及的預報方法，基于深度學習，針對不同時間尺度，通過對多源融合數據集的訓練分析，擬合出對應時間尺度的深度學習模型，能夠實現對空氣質量的實時、在線預報。多尺度深度學習模型部署于服務器端，根據客戶端的預報需求，實時更新多源融合數據集與深度學習模型，完成高精度、多尺度預報空氣質量的工作，最終將預報結果在客戶端進行直觀顯示。

發明內容

本發明的目的在于：克服上述現有技術的缺陷，提出一種基于深度學習的多尺度空氣質量預報方法。

為了達到上述目的，本發明提出的一種基于深度學習的多尺度空氣質量預報方法，其特征在于包括以下步驟：

步驟1、獲取實時更新的多源融合數據集并進行歸一化處理；

步驟2、依據預報時間尺度將多源融合數據集進行劃分為大尺度數據集和小尺度數據集；

步驟3、若用戶選擇大尺度預報，則利用大尺度預報模型對大尺度數據集進行處理得到大尺度預報數據；若用戶選擇小尺度預報，則利用小尺度預報模型對小尺度數據集進行處理得到小尺度預報數據，然后對經過模型運算的預報數據進行反歸一化處理，得到預報結果；

本步驟中，大尺度預報模型和小尺度預報模型均使用HDAQF模型作為空氣質量預報的訓練模型；所述HDAQF模型包含有CNN、LSTM和DNN，其中，CNN用于對時間序列的歷史數據進行數值特征提取，LSTM用于對CNN提取得到的特征進行更深層次的時間特征提取，給出預報空氣質量的特征結果，DNN用于對LSTM給出的空氣質量預報特征進行計算，給出空氣質量的數值預報結果；所述DNN中，第一層和第二層神經網絡加入Dropout正則化層，設置dropout比率為0.3，第三層作為預報結果的輸出層；所述大尺度預報模型根據大尺度歷史數據集訓練獲得，所述小尺度預報模型根據小尺度歷史數據集訓練獲得。

DNN中加入Dropout層，可防止模型在訓練過程中出現過擬合現象，提高模型預報精度與泛化能力，給出最終的數值預報結果。

進一步的，本發明還具有如下特征：