[發(fā)明專利]一種基于時序卷積網(wǎng)絡(luò)算法的空氣質(zhì)量預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202011565251.6
• 申請日: 2020-12-25
• 公開（公告）號: CN112668775A
• 公開（公告）日: 2021-04-16
• 發(fā)明（設(shè)計）人: 李剛;賈磊;雷紅濤;陳高科;劉磊;汪宇澤;梅建剛
• 申請（專利權(quán)）人: 西安翔迅科技有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 西安智邦專利商標代理有限公司 61211
• 代理人: 王少文

本發(fā)明涉及一種基于時序卷積網(wǎng)絡(luò)算法的空氣質(zhì)量預(yù)測方法，以解決現(xiàn)有的空氣質(zhì)量預(yù)測方法難以建立精準的預(yù)測模型問題。該方法包括以下步驟：1)從一個地區(qū)多個觀測站獲取歷史數(shù)據(jù)并進行預(yù)處理；2)將待預(yù)測觀測站過去第一時間段內(nèi)的歷史數(shù)據(jù)作為訓練集，將其余觀測站過去第二時間段內(nèi)相同時刻的歷史數(shù)據(jù)均值作為驗證集，訓練集與驗證集的樣本數(shù)比為6:4?8:2；將訓練集和驗證集的數(shù)據(jù)歸一化，并轉(zhuǎn)換為三通道格式；3)搭建由因果卷積、膨脹卷積和5層殘差塊組成的TCN模型；設(shè)置模型超參數(shù)，利用訓練集與驗證集對TCN模型進行訓練；4)將當前時刻之前若干小時的歷史數(shù)據(jù)作為輸入，利用訓練結(jié)果進行推理，得到未來若干小時的空氣質(zhì)量預(yù)測值。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于時序卷積網(wǎng)絡(luò)算法的空氣質(zhì)量預(yù)測方法。

背景技術(shù)

近年來，空氣污染問題已成為社會熱點問題，在空氣污染治理方面，實時掌握空氣的污染情況，并且對空氣質(zhì)量進行中長期趨勢預(yù)測，能夠為空氣污染治理工作提供可靠的依據(jù)。

傳統(tǒng)的空氣質(zhì)量預(yù)測主要有數(shù)值模式法和統(tǒng)計學預(yù)報法，由于空氣質(zhì)量受多個因素的耦合影響，影響機理十分復(fù)雜，因此采用傳統(tǒng)單一的空氣質(zhì)量預(yù)測方法很難建立精準的預(yù)測模型。

發(fā)明內(nèi)容

本發(fā)明的目的是解決現(xiàn)有的空氣質(zhì)量預(yù)測方法難以建立精準的預(yù)測模型問題，而提供了一種基于時序卷積網(wǎng)絡(luò)算法的空氣質(zhì)量預(yù)測方法。

本發(fā)明的思路是：大氣污染的影響因素復(fù)雜，包括氣象因素、地形因素等，各觀測站測量值包括PM2.5、PM10、O₃等多個表征，是一個復(fù)雜的多輸入、多輸出的時序問題，難以用精確的數(shù)學模型進行描述。各級觀測站得到的觀測數(shù)據(jù)目前只提供了參考作用，無法提供精準的空氣質(zhì)量實時預(yù)警，觀測站得到的海量數(shù)據(jù)并未挖掘出其背后真實的關(guān)聯(lián)關(guān)系，而人工智能恰恰是一個基于大數(shù)據(jù)進行信息深度挖掘的技術(shù)，完美地契合了大氣污染預(yù)警預(yù)報的應(yīng)用場景。深度學習是近幾年人工智能領(lǐng)域興起的一種新的算法，可以對大量輸入數(shù)據(jù)的特征進行有效學習，得到精準的預(yù)測模型。通過深度學習中的時序卷積網(wǎng)絡(luò)算法(Temporal Convolutional Network，TCN)，尋找空氣質(zhì)量影響因素的內(nèi)在關(guān)聯(lián)關(guān)系，能夠?qū)崿F(xiàn)短期精準預(yù)測和中長期趨勢預(yù)測。

本發(fā)明所采用的技術(shù)方案是：

一種基于時序卷積網(wǎng)絡(luò)算法的空氣質(zhì)量預(yù)測方法，其特殊之處在于，包括以下步驟：

1)數(shù)據(jù)獲取及預(yù)處理

1.1)從一個地區(qū)的多個觀測站獲取歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括歷史空氣質(zhì)量數(shù)據(jù)和歷史氣象數(shù)據(jù)；其中，空氣質(zhì)量數(shù)據(jù)包括SO₂、NO₂、O₃、CO、PM10和PM2.5數(shù)值，氣象數(shù)據(jù)包括風速、風向、氣壓、溫度和濕度；

1.2)對歷史數(shù)據(jù)中的噪聲點基于3-σ準則進行檢測，并對檢測出的噪聲點采用K最近鄰法進行補齊；對歷史數(shù)據(jù)中的缺失值和錯誤值采用K最近鄰法進行補齊和處理；對歷史數(shù)據(jù)中與空氣質(zhì)量預(yù)測無關(guān)的數(shù)據(jù)進行刪除；

2)輸入數(shù)據(jù)處理

2.1)預(yù)處理完成后，將待預(yù)測觀測站過去第一時間段內(nèi)的歷史數(shù)據(jù)作為訓練集，將其余觀測站過去第二時間段內(nèi)相同時刻的歷史數(shù)據(jù)均值作為驗證集；所述訓練集與驗證集的樣本數(shù)比為6:4-8:2；

2.2)將訓練集和驗證集的數(shù)據(jù)歸一化；

2.3)將歸一化后的數(shù)據(jù)格式轉(zhuǎn)換為[樣本數(shù)、基準步長、特征數(shù)]的三通道格式；

3)模型搭建及訓練

3.1)搭建由因果卷積、膨脹卷積和殘差塊組成的TCN模型；所述殘差塊為5層結(jié)構(gòu)，5層殘差塊的膨脹率分別為2⁰K、2¹K、2²K、2³K、2⁴K，其中K為基礎(chǔ)膨脹率；