[發明專利]一種基于全局注意力機制的霧霾預測方法

有效

• 申請號: 202011415067.3
• 申請日: 2020-12-03
• 公開（公告）號: CN112580859B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 薛曉軍;張春霞;彭成;牛振東;薛濤;鹿旸
• 申請（專利權）人: 北京理工大學;中國地質大學（北京）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 張利萍

1.一種基于全局注意力機制的霧霾預測方法，其特征在于，包括以下步驟：

步驟1：獲取環境監測點的霧霾數據，并將獲取的霧霾數據進行存儲；

其中，獲取的環境監測點霧霾數據，以“小時”為單位，對于環境監測點t，使用前m個時刻的霧霾數據{X_t-m+1,...,X_t-1,X_t}預測該環境監測點t+n時刻的霧霾數據{Y_t+n}；其中，“X_t，X_t-1...X_t-m+1”分別表示“t時刻、t-1時刻，……，t-m+1時刻”的霧霾數據；X_t表示由環境監測點監測數據組成的向量；Y_t+n表示未來t+n時刻的預測數據，Y_t+n∈P，P＝{空氣質量指數，PM2.5細顆粒物，PM10可吸入顆粒物，一氧化碳，二氧化氮，臭氧1小時平均，臭氧8小時平均，二氧化硫}，Y_t+n為集合P中的任意一種指標；

步驟2：對獲取的霧霾數據進行處理；

步驟3：基于全局注意力機制訓練霧霾預測模型，具體如下：

步驟3.1：根據經步驟2處理的數據，構建數據特征和標簽；

數據特征為環境監測點前m個時刻的霧霾數據，標簽為需要預測的未來t+n時刻的霧霾數據，將上述霧霾數據作為霧霾訓練模型的輸入；

步驟3.2：經過雙向門控循環神經網絡，生成不同時間步的隱藏狀態；門控循環單元通過門控機制選擇性地在網絡中傳遞信息，使用更新門和重置門；更新門表示前一時刻的信息對當前時刻狀態的影響程度，重置門表示新的輸入信息與之前的記憶信息結合的方式；

步驟3.3：定義全局注意力機制中的得分函數，將隱藏狀態和全局注意力機制相結合，為隱藏狀態賦予不同的權重；

在全局注意力機制中，得分函數使用全連接神經網絡， 經過全局注意力機制處理后，得到每個時刻帶有權重信息的隱藏狀態，對帶有權重信息的隱藏狀態進行隨機丟棄操作；

步驟3.4：將帶有權重的隱藏狀態經過全連接層處理，獲得初步霧霾預測結果；

步驟3.5：訓練霧霾預測模型；

步驟4：使用霧霾預測模型，輸出最終霧霾預測結果。

2.如權利要求1所述的一種基于全局注意力機制的霧霾預測方法，其特征在于，步驟1獲取的環境監測點霧霾數據，包含12項監測數據：監測點名稱、時間、空氣質量指數AQI、空氣質量指數類別、首要污染物、PM2.5細顆粒物、PM10可吸入顆粒物、一氧化碳、二氧化氮、臭氧1小時平均、臭氧8小時平均、二氧化硫。

3.如權利要求1所述的一種基于全局注意力機制的霧霾預測方法，其特征在于，步驟2對獲取的霧霾數據進行處理，包括：

步驟2.1：對霧霾數據進行去重；

步驟2.2：對去重后的霧霾數據進行過濾和缺失值處理。

4.如權利要求1所述的一種基于全局注意力機制的霧霾預測方法，其特征在于，步驟2對獲取的霧霾數據進行處理，包括步驟2.3：統一數值范圍。

5.如權利要求4所述的一種基于全局注意力機制的霧霾預測方法，其特征在于，步驟2.3統一數值范圍的方法為：對環境監測點名稱進行標簽編碼，并將其轉換為數值類型的數據，將所有數值型數據的數值范圍進行統一，即，將數據范圍均轉換為[0，1]。

6.如權利要求1所述的一種基于全局注意力機制的霧霾預測方法，其特征在于，步驟3.5訓練霧霾預測模型的方法如下：

選取不同環境監測點的霧霾數據，將所選取的數據按照設定比例，劃分為訓練集和測試集；

使用小批量方法進行訓練，每次訓練一小批數據；在訓練的每一次迭代中，對霧霾數據進行分批訓練；在每一批訓練的數據中，將占位符類型數據進行填充，并計算損失值、準確度和預測值；通過計算預測值和真實值之間的損失，將模型在訓練集上進行訓練，不斷更新模型參數，直到訓練完成；

在測試集上，對訓練完成的霧霾預測模型進行測試，計算霧霾預測模型在訓練集上的均方根誤差RMSE和平均絕對誤差MAE，從而檢驗霧霾預測效果。

7.如權利要求1所述的一種基于全局注意力機制的霧霾預測方法，其特征在于，步驟4中，將初步霧霾預測結果進行比例反轉，生成最終霧霾預測結果。