[發明專利]面向結構化數據的深度卷積線性條件隨機場的實現方法

在審

• 申請號: 202010627948.5
• 申請日: 2020-07-02
• 公開（公告）號: CN111754046A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 余化鵬;馮世杰;羅喆;常永鑫
• 申請（專利權）人: 成都大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04
• 代理公司: 四川力久律師事務所 51221
• 代理人: 王波

本發明公開了一種面向結構化數據的深度卷積線性條件隨機場的實現方法，應用在具有上下文聯系的結構化數據預測場景，如空氣質量預測，本方法基于深度卷積神經網絡實現，當數據集的量級上升時，可以靈活的更改模型的結構用以適配當前數量的數據，模型訓練的速度與典型的條件隨機場相比有明顯的提升，同時改善了預測的效果，預測結果更加準確。

技術領域

本發明涉及神經網絡預測技術，特別是一種面向結構化數據的深度卷積線性條件隨機場的實現方法。

背景技術

城市的空氣質量與人民的生活息息相關，城市隨著人類文明和經濟的發展，空氣污染愈發嚴重。如何改善空氣質量、合理進行大氣環境質量預測預警變得越來越重要，根據空氣質量預測，采取相應措施如帶口罩，規劃出行安排，保護自己免受空氣污染物的侵害。

傳統的空氣質量預測方法一般僅考慮把原始數據作為預測模型的特征，而原始數據并不能充分體現數據的統計學特性，如集中趨勢和離散趨勢，這必然嚴重影響預測結果的準確性。因此，現有技術出現了利用條件隨機場進行預測的方式，其考慮了上下文標記間的轉移概率，以序列化形式進行全局參數優化和解碼。線性條件隨機場應用于具有上下文聯系的數據的預測與分類；具有時間關聯性、部分空間關聯性以及上下文語義等的結構化數據預測，均可使用線性條件隨機場進行預測分類。

但，對不同數量量級的數據進行訓練及預測時，傳統的CRF實現算法(如CRF++)無法調整自身來提升模型效果，以及在數據數量龐大時，傳統的條件隨機場實現算法(如CRF++)無法發揮所有數據的潛力。

發明內容

本發明的發明目的在于：針對現有技術進行空氣質量預測時，傳統的CRF實現算法(如CRF++)無法調整自身來提升模型效果、無法發揮所有數據的潛力的問題，提供一種面向結構化數據的深度卷積線性條件隨機場的實現方法。

為了實現上述目的，本發明采用的技術方案為：

一種面向結構化數據的深度卷積線性條件隨機場的實現方法，包括如下步驟：

S1訓練出最優模型(最優模型為根據訓練集訓練出來的最優的模型)，具體包括步驟S11-S15：

S11采集多個站點的污染物數據；污染物數據包括氣象數據和車流數據以及污染物的污染濃度；

S12采用線性函數歸一化將污染物數據進行預處理，將得到的氣象加車流列表與相對應的污染濃度列表作為訓練集；

S13構建兩個輸出張量不同的深度卷積神經網絡；兩個張量分別代表線性條件隨機場的狀態特征函數與轉移特征函數的輸出結果；

S14采用極大似然的方法構建損失函數；

S15將訓練集輸入到兩個構建好的神經網絡中，輸出兩個特定緯度的不同張量；將張量代入線性條件隨機場的損失函數中迭代優化，得到最優模型的模型參數；

S2將待測站點的氣象數據和車流數據輸入所述最優模型，得到待測站點污染物的污染濃度。

一種面向結構化數據的深度卷積線性條件隨機場的實現方法，應用在具有上下文聯系的結構化數據預測場景，如空氣質量預測，本方法基于深度卷積神經網絡實現，當數據集的量級上升時，可以靈活的更改模型的結構用以適配當前數量的數據，模型訓練的速度與典型的條件隨機場相比有明顯的提升，同時改善了預測的效果，預測結果更加準確。

優選的，所述步驟S11包括：

監測每個監測站點的污染物數據，每個站點隔一定時間測試一次周圍的氣象、車流以及污染物的污染濃度，將站點檢測的數據按照時間順序填入表格；其中氣象為風速、風向、溫度、濕度、氣壓，車流為N種不同車型的數量,N大于0。

優選的，所述車流為10種不同車型的數量。

優選的，所述步驟S12包括：