[發明專利]一種基于圖注意力機制的空氣污染物濃度預測方法

有效

• 申請號: 202010620605.6
• 申請日: 2020-07-01
• 公開（公告）號: CN111832814B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 張珣;劉憲圣;馬廣馳;江東;付晶瑩;郝蒙蒙;趙瑞芳
• 申請（專利權）人: 北京工商大學;中國科學院地理科學與資源研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/0464;G06N3/042;G06N3/0455;G06N3/08;G01N33/00
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

本發明公布了一種基于圖注意力機制的空氣污染物濃度預測方法，構建基于圖注意力機制的空間污染物濃度預測模型，將氣象數據、空氣監測數據、環境因素數據作為模型輸入數據，通過圖注意力機制構建圖鄰接矩陣，利用圖卷積神經網絡層和多層感知機網絡層提取圖信息特征，輸出預測的空氣污染物濃度值。本發明對空氣污染物濃度預測更加準確，過程更加高效。

技術領域

本發明屬于圖卷積神經網絡技術和空氣質量監控技術領域，涉及一種預測點位置處空氣污染物濃度預測技術，尤其涉及一種基于圖注意力機制的空氣污染物濃度預測方法。

背景技術

空氣質量一直是研究環境污染變化的一個重要組分，空氣質量的變化是由空氣污染物濃度決定的，研究空氣污染物濃度能夠更好的掌握空氣質量的變化。大多數對空氣污染物濃度預測是收集多種相關影響因素數據，進行污染物的相關性分析，空氣污染物在空氣中的濃度與污染物的排放量、污染源的布局、類型和氣象條件等各種變量因素有關，將收集到的影響因素數據作為自變量，空氣污染物濃度數據作為因變量進行相關性分析，但是由于周圍環境的復雜性以及自變量之間的相互影響，使得自變量因素與因變量空氣污染物濃度之間的相關性具有不確定性。對此，后續的污染物濃度預測研究中多使用機器學習算法來解決復雜的多元非線性問題。

預測算法的實質是通過對一系列動態數據分析其特征之間的關聯性、變化狀況而構建出對未來進行預測的算法。其中，空氣質量預測通常是利用歷史污染物濃度數據，通過分析動態數據間的關聯來找到空氣污染過程的規律性，進而對未來空氣質量狀況做出預測。目前常用的空氣污染物預測算法主要利用機器學習方法和深度學習方法來進行構建。機器學習方法在預測過程中具有堅實的數學基礎，為建立合理的空氣質量預測模型提供了理論依據，而深度學習方法可以通過不斷地訓練找出數據間的非線性關系。

在針對空氣污染物濃度預測的研究中，Cobourn?W?G等人針對PM2.5濃度預測開發了一種非線性回歸模型，并在模型基礎上增加了基于PM2.5濃度的附加參數PM24，PM24是結合空氣流動軌跡和當前空氣質量人為估計得到，PM24參數的添加使模型效果表現的更好，但是這種人工判斷參數值的方式需要不斷地手工調整參數，會被噪聲數據干擾，同時對結果具有不確定性。Zhao等人將收集到的空氣中的氣體成分信息通過基于徑向基函數(RBF)的模糊神經網絡模型進行定量分析，實現了對混合氣體的定量檢測。王麗梅等人利用BP神經網絡建立了城市大氣二氧化硫濃度預測模型，引入了城市人口、國內生產總值、年燃煤量等相關變量對某城市二氧化硫濃度作出了合理的預測。王芳等利用遺傳算法來對BP神經網絡的初始權重和參數進行優化，將優化后的權重和參數輸入BP神經網絡并對北京市PM10的濃度進行預測，該模型通過遺傳算法提高了BP神經網絡的收斂速度，同時提高了預測的精度。但是這些算法中使用的變量較少，沒有考慮到外界氣象條件以及環境因素對氣體濃度的影響，并且算法較為單一，很難將模型泛化到其它地區的數據中。

姚寧等人在構建BP神經網絡預測模型時，在數據集收集階段考慮了氣溫、濕度、降水量等氣象因素對大氣污染物濃度的影響，通過AGNES算法對這些特征數據進行處理，減少離散值。萬顯列等在在構建基于人工神經網絡的氣體濃度預測模型時，也加入了風速、風向、溫度、濕度等這些環境影響因素。數據維度的增加會適當的提高模型預測的精度，但是當數據量過多時，造成數據冗余或者不必要的網絡噪聲。隨著人工智能優化算法研究逐漸深入，深度學習在氣體濃度檢測領域也開始廣泛應用。其中基于LSTM和RNN的循環神經網絡是深度學習應用于氣體濃度監測的主要方法。此外，孫蒙等也使用了基于深度置信網絡的方法建立空氣質量指數預測模型。但這些方法仍然具有對樣本依賴性較強，輸入較多冗余數據，預測準確率較低等問題。