[發(fā)明專利]一種基于注意力增強(qiáng)圖卷積神經(jīng)網(wǎng)絡(luò)AGC和門控循環(huán)單元GRU的空氣質(zhì)量預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010870423.4
• 申請(qǐng)日: 2020-08-26
• 公開（公告）號(hào): CN112085163A
• 公開（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 韓啟龍;張育懷;門瑞;隋珊珊;張艷平;宋洪濤;李麗潔
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G01N33/00
• 代理公司: 哈爾濱市陽(yáng)光惠遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 23211
• 代理人: 孫莉莉

1.一種基于注意力增強(qiáng)圖卷積神經(jīng)網(wǎng)絡(luò)AGC和門控循環(huán)單元GRU的空氣質(zhì)量預(yù)測(cè)方法，其特征在于：具體包括以下步驟：

步驟1：選取待預(yù)測(cè)的污染物，采集用于空氣質(zhì)量預(yù)測(cè)的數(shù)據(jù)，并建立數(shù)據(jù)集；

步驟2：對(duì)步驟1中采集到的數(shù)據(jù)進(jìn)行預(yù)處理；

步驟3:將步驟2中得到的預(yù)處理后的數(shù)據(jù)按比例分為訓(xùn)練集和測(cè)試集；

步驟4:構(gòu)建AGC-GRU神經(jīng)網(wǎng)絡(luò)模型；

步驟5:將步驟3中得到的訓(xùn)練集輸入步驟4中的AGC-GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，同時(shí)提取時(shí)序特征以及空間特征；

步驟6:采用反向傳播算法策略對(duì)步驟5中的AGC-GRU神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代學(xué)習(xí)，得到最優(yōu)的模型參數(shù)；

步驟7:將測(cè)試集輸入到步驟6中訓(xùn)練后的AGC-GRU神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行預(yù)測(cè)，得出所選取污染物的預(yù)測(cè)值。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述采集用于空氣質(zhì)量預(yù)測(cè)的數(shù)據(jù)，具體為：

步驟1.1：采集監(jiān)測(cè)站數(shù)據(jù)，所述監(jiān)測(cè)站數(shù)據(jù)為所述污染物濃度歷史數(shù)據(jù)；

步驟1.2：采集路網(wǎng)數(shù)據(jù)并進(jìn)行提取處理；

步驟1.3：采集天氣數(shù)據(jù)，所述天氣數(shù)據(jù)包括歷史氣象數(shù)據(jù)和天氣預(yù)報(bào)數(shù)據(jù)；

步驟1.4：采集監(jiān)測(cè)站坐標(biāo)數(shù)據(jù)；

步驟1.5：采集興趣點(diǎn)PoI數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述待預(yù)測(cè)的污染物包括PM2.5、PM10、CO和NO。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述的預(yù)處理具體為異常數(shù)據(jù)、缺失數(shù)據(jù)和數(shù)據(jù)標(biāo)準(zhǔn)化處理。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于：對(duì)于缺失的數(shù)據(jù)采用線性插值的方法，即根據(jù)當(dāng)前時(shí)刻的前后時(shí)刻的缺失值估計(jì)出當(dāng)前時(shí)刻的缺失值，具體計(jì)算公式為：

其中，X_t是t時(shí)刻的缺失值，X_t-1和X_t+1是前后時(shí)刻的缺失值。

6.根據(jù)權(quán)利要求4所述的方法，其特征在于：所述數(shù)據(jù)標(biāo)準(zhǔn)化采用最大最小值標(biāo)準(zhǔn)化方法，通過利用數(shù)據(jù)集中的最大值和最小值，將輸入數(shù)據(jù)轉(zhuǎn)換為[0,1]之間的數(shù)，從而使得數(shù)據(jù)范圍縮小，具體計(jì)算公式為：

其中，X為輸入數(shù)據(jù)，X_MIN為數(shù)據(jù)集的最小值，X_MAX為數(shù)據(jù)集的最大值，X_n為采用標(biāo)準(zhǔn)化方式獲取的新值。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述步驟4具體為：

步驟4.1：將門控循環(huán)單元GRU中的算子替換成圖卷積算子，使模型可以同時(shí)捕獲到數(shù)據(jù)集的時(shí)間特征和空間特征；

步驟4.2：將步驟4.1得到的隱藏狀態(tài)矩陣輸入到加性注意力機(jī)制中，進(jìn)一步選擇關(guān)鍵節(jié)點(diǎn)。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于：在步驟4.2中，AGC-GRU神經(jīng)網(wǎng)絡(luò)模型中的中間隱藏狀態(tài)包含了數(shù)據(jù)集中的時(shí)間動(dòng)態(tài)信息和空間結(jié)構(gòu)信息，能夠訓(xùn)練出關(guān)鍵節(jié)點(diǎn)。