[發明專利]一種空氣污染物濃度預報方法、裝置及存儲介質

在審

• 申請號: 202110017772.6
• 申請日: 2021-01-07
• 公開（公告）號: CN112766549A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 黃高;夏卓凡;宋士吉
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06Q50/26
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 栗若木

1.一種空氣污染物濃度預報方法，其特征在于，包括：

根據數據集構造訓練集、驗證集和測試集；所述數據集是通過收集目標地區預定時間長度內的污染物濃度數據和氣象數據得到的；

根據所述目標地區中監測站點的空間分布，構造圖結構的鄰接矩陣A；

建立神經網絡模型F(x；Θ|A)，x為所述神經網絡模型的輸入數據，包括設定時間段內的所述污染物濃度數據和氣象數據，利用所述訓練集的數據對所述神經網絡模型進行訓練，利用所述驗證集的數據和測試集的數據調整所述神經網絡模型的參數Θ，獲得修正后的神經網絡模型；

利用所述修正后的神經網絡模型進行空氣污染物濃度預報。

2.根據權利要求1所述的空氣污染物濃度預報方法，其特征在于，所述根據所述數據集構造訓練集、驗證集和測試集，包括：

從所述數據集中讀取污染物濃度數據和氣象數據，其中，所述污染物濃度數據包括各個污染物濃度的值，所述氣象數據包括各種氣象條件的值；

根據預報需要的輸入時間長度t_in、輸出時間長度t_out，將所述數據集在時間維度上進行滑窗切片操作后獲得多個數據片段，所述多個數據片段在時間維度上的長度均為t，所述多個數據片段的特征維度為各種氣象條件的值以及各個污染物濃度的值，其中，t＝t_in+t_out；

根據所述獲得的多個數據片段構造訓練集、驗證集和測試集。

3.根據權利要求1所述的空氣污染物濃度預報方法，其特征在于，所述利用所述訓練集的數據對所述神經網絡模型進行訓練，包括：

將所述訓練集中的數據(x，y)按批量送入所述神經網絡模型進行訓練，得到預測的輸出計算損失函數基于梯度下降算法優化模型的參數Θ；

其中，y為污染物濃度數據；所述神經網絡模型包括：輸入層、隱藏層和輸出層，所述隱藏層包括多個基于圖卷積層和一維卷積層的自注意力模塊。

4.根據權利要求1所述的空氣污染物濃度預報方法，其特征在于，所述根據所述目標地區中監測站點的空間分布，構造圖結構的鄰接矩陣A，包括：

從所述數據集中讀取所述監測站點的經度緯度坐標，轉換為笛卡爾坐標系下的相對坐標，根據所述監測站點的兩兩間距離構造如下鄰接矩陣：

其中，A_ij為鄰接矩陣的第i行第j列的元素，d_ij表示監測站點i與監測站點j之間的距離，σ為所有監測站點間距離的標準差，κ為預設的超參數，用于保證鄰接矩陣稀疏性。

5.根據權利要求1-4中任一項所述的空氣污染物濃度預報方法，其特征在于，所述神經網絡模型的輸入數據x在特征維度上進行過z-score標準化處理，以使所述輸入數據x具有零均值和單位標準差，即

其中，上標(c)表示第c個特征維度，表示在第c個特征維度上進行過所述z-score標準化處理的輸入數據x，μ表示數據點的平均值，σ表示所有監測站點間距離的標準差；

所述神經網絡模型的輸入數據x的構成張量的維度是N×T×G×C；

其中，N表示批量，T表示時間，G表示圖節點，C表示特征維度。

6.根據權利要求3所述的空氣污染物濃度預報方法，其特征在于，數據在所述隱藏層中按照如下順序進行運算：

先進行時間自注意力運算，然后進行一次時間維度上的帶門控線性激活的一維卷積運算，一次圖節點自注意力運算，一次圖節點維度帶殘差連接的一階Chebyshev圖卷積運算，一次時間維度上帶殘差連接的一維卷積運算；

其中，上述運算中，將順序在先的運算結果數據作為下一運算的輸入數據進行運算。