[發明專利]一種基于遷移學習的空氣質量的預測方法及裝置

有效

• 申請號: 202010163503.6
• 申請日: 2020-03-10
• 公開（公告）號: CN111461410B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 劉亮;馬華東;雷田子
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 孫翠賢;丁蕓

1.一種基于遷移學習的空氣質量的預測方法，其特征在于，所述方法包括：

針對劃分目標城市得到的多個第一區域，獲取該第一區域在與目標時間間隔指定時長的歷史時間的影響數據；其中，所述影響數據為能夠影響空氣質量的數據；

針對每個第一區域，基于該第一區域的所述影響數據，以及預先訓練得到的多個預測模型中，與該第一區域對應的預測模型，獲得該第一區域在所述目標時間的空氣質量數據，并將所獲得的多個空氣質量數據，作為所述目標城市在所述目標時間的空氣質量數據；其中，任一第一區域對應的預測模型為利用該第一區域的歷史空氣質量數據，以及與該第一區域的歷史空氣質量數據對應的歷史影響數據，對基于遷移學習獲得的多個初始模型中，與該第一區域對應的初始模型進行訓練得到的；

其中，所述遷移學習包括：針對劃分源城市得到的多個第二區域，利用該第二區域的歷史空氣質量數據，以及與該第二區域的歷史空氣質量數據對應的歷史影響數據，訓練得到該第二區域的預測模型，作為與該第二區域匹配的第一區域對應的初始模型；其中，所述每個第二區域的歷史空氣質量數據的數量大于任一第一區域的歷史空氣質量數據；所述與該第二區域匹配的第一區域為所述多個第一區域中，與該第二區域的空間密度數據之間的相似度，滿足預設相似條件的第一區域；任一區域的空間密度數據用于反映該區域中關于城市服務的興趣點的密集程度。

2.根據權利要求1所述的方法，其特征在于，任一影響數據包括：城市服務數據和城市環境數據；其中，所述城市服務數據為關于實現城市服務所利用的資源的數據；所述城市環境數據為關于城市的自然環境的數據；

針對任一第二區域，該第二區域的預測模型的結構包括：第一神經網絡組和第二神經網絡組相串聯，串聯得到的輸出與第三神經網絡組連接；

其中，所述第一神經網絡組，用于利用多個相互連接的第一神經網絡，對所述城市服務數據進行特征提取；所述第二神經網絡組，用于利用多個相互連接的第二神經網絡和填充網絡，對所述城市環境數據進行特征提??；所述填充網絡用于保證所述第二神經網絡組與所述第一神經網絡組具有相同維度的輸出；所述第三神經網絡組用于利用所述串聯得到的輸出，獲得預測結果。

3.根據權利要求1所述的方法，其特征在于，所述針對劃分源城市得到的多個第二區域，與該第二區域匹配的第一區域，采用如下步驟確定：

將所述源城市劃分為多個指定尺寸的網格，并獲取每個網格的空間密度數據，以及每個第一區域的空間密度數據；

針對所述每個網格，分別基于該網格的空間密度數據以及所述每個第一區域的空間密度數據，利用預設相似度模型，獲得該網格的多個相似度，并將該網格的多個相似度中最大的相似度對應的第一區域的標識，作為該網格的標識；

獲取并基于所述源城市的空氣質量監測站的位置數據，對所述源城市的空氣質量監測站進行聚類，得到所述源城市的多個第二區域；

分別統計每個第二區域中所述網格的標識的數量，并將數量最多的標識對應的第一區域，作為與該第二區域匹配的第一區域。

4.根據權利要求1所述的方法，其特征在于，所述任一第一區域對應的預測模型的訓練目標，包括：

針對任一第一區域，對該第一區域對應的匹配誤差和所訓練的模型的預測誤差之間的加權結果，進行最小化處理；

其中，針對任一第一區域，該第一區域對應的所述匹配誤差為基于該第一區域的空間密度數據和相應的第二區域的空間密度數據，計算該第一區域和相應的第二區域之間匹配度的差異值；

針對任一第一區域，該第一區域的所訓練的模型的預測誤差為該第一區域的所訓練的模型的輸出數據與該第一區域的歷史空氣質量數據之間的差異值。