[發明專利]一種基于注意力增強圖卷積神經網絡AGC和門控循環單元GRU的空氣質量預測方法

在審

• 申請號: 202010870423.4
• 申請日: 2020-08-26
• 公開（公告）號: CN112085163A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 韓啟龍;張育懷;門瑞;隋珊珊;張艷平;宋洪濤;李麗潔
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01N33/00
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 孫莉莉

本發明提出一種基于注意力增強圖卷積神經網絡AGC和門控循環單元GRU的空氣質量預測方法，所述方法具體包括：首先選取待預測的污染物并獲取用于空氣質量預測的數據集進行預處理，對預處理后的數據集按比例劃分訓練集和測試集；其次構建AGC?GRU模型，并將訓練集輸入到AGC?GRU模型并采用反向傳播算法進行訓練，得到最優模型參數；最后將測試集輸入訓練后的AGC?GRU模型中進行預測，得出所選擇污染物的預測值。本發明可以同時考慮并提取相關數據集的時序特征和空間特征，達到準確預測的目的。

技術領域

本發明屬于空氣質量預測技術領域，特別是涉及一種基于注意力增強圖卷積神經網絡AGC和門控循環單元GRU的空氣質量預測方法。

背景技術

近年來，隨著工業的發展，空氣污染問題日益嚴重，成為了人們關注的熱點話題。各種污染物比如PM2.5，PM10，顆粒半徑小，面積大，擴散性強，非常容易附帶有毒有害物質，對人體健康和大氣環境影響巨大，所以治理空氣污染問題迫在眉睫。而準確的空氣質量預測信息可以為空氣污染治理提供很大幫助。為了掌握空氣污染情況，政府建立空氣監測站實時監測地區的空氣質量，但其不能對未來空氣質量進行預測，因此對于空氣質量預測的研究能夠彌補監測站功能上的缺失。

空氣質量預測的研究一直都是一個熱點，有不同領域的研究人員致力于此。空氣質量指數(AQI)的預測具有一定的挑戰性，主要的原因是因為影響因素過多且不穩定，其中不僅有地理因素的影響，還有人為因素以及各種污染物之間的化學作用。目前空氣污染預測主要分為兩種方面，一種是基于大氣化學模式的機理模型成為確定性模型，另一方面就是基于機器學習的統計模型。近些年許多神經網絡和深度學習的相關技術被應用到這個領域之中，這些模型網絡的預測效果良好，展示了一定的預測能力。

但是現在的空氣質量預測模型存在了一些不足:(1)對于影響空氣質量因素考慮不充分。由于空氣具有擴散性，待預測監測站的空氣質量受鄰近區域空氣質量的影響，缺乏合適的方法獲取影響空氣質量預測的空間因素。(2)傳統的循環神經網絡模型會因為訓練序列長度增大存在梯度消失及誤差積累等問題。(3)僅依靠短期數據建模進行預測，忽略空氣質量數據具有周期性趨勢的特點。當今正處于大數據時代，我們擁有大量的環境空氣數據，可以利用海量的數據進行模型訓練，而且在大數據訓練下模型的參數效果更佳。

發明內容

本發明目的在于解決現有技術中的問題，提出了一種基于注意力增強圖卷積神經網絡AGC和門控循環單元GRU的空氣質量預測方法。本發明同時考慮到同一監測站的不同時間的空氣質量變化，也考慮到不同監測站的空間關系。

本發明是通過以下技術方案實現的，本發明提出一種基于注意力增強圖卷積神經網絡AGC和門控循環單元GRU的空氣質量預測方法，具體包括以下步驟：

步驟1：選取待預測的污染物，采集用于空氣質量預測的數據，并建立數據集；

步驟2：對步驟1中采集到的數據進行預處理；

步驟3:將步驟2中得到的預處理后的數據按比例分為訓練集和測試集；

步驟4:構建AGC-GRU神經網絡模型；

步驟5:將步驟3中得到的訓練集輸入步驟4中的AGC-GRU神經網絡模型進行訓練，同時提取時序特征以及空間特征；

步驟6:采用反向傳播算法策略對步驟5中的AGC-GRU神經網絡進行迭代學習，得到最優的模型參數；

步驟7:將測試集輸入到步驟6中訓練后的AGC-GRU神經網絡模型中進行預測，得出所選取污染物的預測值。

進一步地，所述采集用于空氣質量預測的數據，具體為：

步驟1.1：采集監測站數據，所述監測站數據為所述污染物濃度歷史數據；

步驟1.2：采集路網數據并進行提取處理；