[發明專利]一種基于深度學習的PM2.5

在審

• 申請號: 202011041190.3
• 申請日: 2020-09-28
• 公開（公告）號: CN112183625A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 焦利民;毛文婧;王衛林;劉安寶;張威
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06F16/28
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 齊晨涵

1.一種基于深度學習并結合多源數據的PM2.5高精度時空預測的方法，其特征在于，包括以下步驟：

步驟1：選取影響PM2.5的多源數據進行預處理和影響因素分析,所述多源數據包括地面監測站點PM2.5數據、氣象數據、空間相關數據以及物理特征數據；

步驟2：對所述多源數據進行時空匹配；

步驟3：基于時空相關性將多源數據進行聚類并找到合適的時間滯后值；

步驟4：利用遞歸的LSTM模型，對各個聚類的站點PM2.5進行訓練，并評估本預測方法的精度；

步驟5：對預報結果進行精細PM2.5時空分布制圖。

2.根據權利要求1所述的方法，其特征在于：

所述步驟1中對多源數據進行預處理的過程具體為：對數據預先進行異常值剔除和缺失值填補，其中缺失值填補采用前置填補法、后置填補法，對于空間相關因素采用周圍均值填補法。

3.根據權利要求1所述的方法，其特征在于：

所述步驟1中空間相關數據包括氣象數據、建筑用地數據、道路長度數據、人口密度數據、歸一化的植被指數數據、高程數據以及空間滯后變量，其中氣象數據包括降水量、氣壓、相對濕度、日照、溫度以及風向風速。

4.根據權利要求3所述的方法，其特征在于：所述空間滯后變量主要基于Python進行數據處理和分析，其計算方法的公式如下：

式中：ds表示空間距離，m表示空間鄰近網格單元數，w表示權值。

5.根據權利要求1所述的方法，其特征在于：

步驟2中對多源數據進行時空匹配的具體過程為：采用格網化方式對多源數據進行時空匹配，將范圍內覆蓋的區域劃分為分辨率為n的網格，其中，n由區域大小所確定，其中將覆蓋地面監測站的格網作為訓練樣本輸入模型中。

6.根據權利要求1所述的方法，其特征在于：

所述步驟3中基于時空相關性，主要以皮爾遜相關系數為衡量標準，對監測站點進行聚類并找到合適的時間滯后值，所述皮爾遜相關系數如下：

式中：X和Y代表兩個變量，Cov(X·Y)表示兩個變量間的協方差,σ_xσ_y分別表示兩個變量的標準差。

7.根據權利要求1所述的方法，其特征在于：

所述步驟4中進行訓練前需要先對各個聚類的站點PM_2.5真值的格網數據集歸一化處理并結合相關輔助數據再輸入到LSTM改進的模型中進行訓練。

8.根據權利要求7所述的方法，其特征在于：

所述歸一化處理為最大最小歸一化處理，具體公式如下：

9.根據權利要求7所述的方法，其特征在于：

結合相關輔助數據的具體操作為：將輔助數據進行正則化處理，再結合時間數據進行獨熱編碼。

10.根據權利要求1所述的方法，其特征在于：

所述步驟4中遞歸的LSTM模型框架為：

式中：t_N表示當前時刻,g_M表示當前格網，表示當前時刻該格網的PM_2.5濃度值，t_N-n表示n小時前的時刻，m表示鄰近格網個數。