【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及空氣污染預(yù)測(cè)的，尤其是涉及一種pm2.5濃度預(yù)測(cè)方法與系統(tǒng)。
技術(shù)介紹
1、隨著工業(yè)化和城市化的建設(shè)，空氣污染已經(jīng)成為一個(gè)無法逃避的問題，既威脅人們的健康，又透支了一個(gè)國(guó)家的發(fā)展前景。每增加10μg/m3的顆粒物濃度，人群的發(fā)病率就會(huì)增加0.38％。因此，開發(fā)有效的算法來長(zhǎng)期預(yù)測(cè)pm2.5濃度至關(guān)重要。
2、目前，大氣污染濃度預(yù)測(cè)的方法主要有兩類：基于形成機(jī)制的化學(xué)模型和基于數(shù)據(jù)的統(tǒng)計(jì)模型?；瘜W(xué)模型主要研究pm?2.5的形成機(jī)制，并考慮多種污染物之間的相互作用，如社區(qū)多尺度空氣質(zhì)量建模系統(tǒng)和化學(xué)天氣研究與預(yù)報(bào)模型。基于化學(xué)模型形成機(jī)理的化學(xué)模型的優(yōu)勢(shì)在于其對(duì)實(shí)際情況的考慮和對(duì)大氣污染物之間轉(zhuǎn)化過程的解釋能力。然而，化學(xué)模型在處理地理因素方面存在局限性，特別是在高海拔地區(qū)和長(zhǎng)距離運(yùn)輸方面。此外，這些模型需要大量的計(jì)算資源，使其不適合在復(fù)雜場(chǎng)景中預(yù)測(cè)空氣污染。與化學(xué)模型相比，基于數(shù)據(jù)的統(tǒng)計(jì)模型更加高效和簡(jiǎn)單。這些模型通常利用歷史數(shù)據(jù)進(jìn)行數(shù)學(xué)建模，從而提高預(yù)測(cè)準(zhǔn)確性。統(tǒng)計(jì)模型主要包括機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型。在機(jī)器學(xué)習(xí)模型中，空氣污染物的歷史數(shù)據(jù)被頻繁使用，采用多種回歸分析方法進(jìn)行預(yù)測(cè)，如人工神經(jīng)網(wǎng)絡(luò)(ann)、線性回歸(lr)、隨機(jī)森林(rf)、自回歸移動(dòng)平均(arma)和支持向量回歸(svr)。然而，由于影響pm2.5濃度的因素眾多，而且空氣污染物的擴(kuò)散和沉積過程具有高度非線性的性質(zhì)，因此簡(jiǎn)單的機(jī)器學(xué)習(xí)模型可能無法很好地發(fā)揮作用。
3、近年來，深度學(xué)習(xí)模型的普及程度激增，因?yàn)樗鼈円子趯?shí)施并且
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)的pm2.5濃度預(yù)測(cè)方法與系統(tǒng)。
2、本專利技術(shù)的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：
3、根據(jù)本專利技術(shù)的第一方面，提供了一種pm2.5濃度預(yù)測(cè)方法，利用幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)地區(qū)的pm2.5濃度進(jìn)行預(yù)測(cè)，所述的幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)和幾何代數(shù)-長(zhǎng)短期記憶網(wǎng)絡(luò)；該方法包括以下步驟：
4、采集目標(biāo)地區(qū)內(nèi)的多源數(shù)據(jù)并進(jìn)行整合和預(yù)處理得到預(yù)處理數(shù)據(jù)；所述的多源數(shù)據(jù)包括pm2.5濃度、氣象數(shù)據(jù)以及監(jiān)測(cè)站的地理位置信息；
5、利用幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)所述的預(yù)處理數(shù)據(jù)提取空間特征；所述的空間特征在幾何代數(shù)空間中通過幾何代數(shù)乘積進(jìn)行高度表達(dá)和計(jì)算；
6、基于所述的空間特征利用幾何代數(shù)-長(zhǎng)短期記憶網(wǎng)絡(luò)獲取pm2.5的時(shí)空特征；
7、根據(jù)所述的空間特征對(duì)pm2.5濃度進(jìn)行預(yù)測(cè)。
8、作為優(yōu)選技術(shù)方案，所述的提取空間特征的方法包括以下步驟：
9、將預(yù)處理數(shù)據(jù)輸入幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)，并利用其中的圖卷積神經(jīng)網(wǎng)絡(luò)提取預(yù)處理數(shù)據(jù)的節(jié)點(diǎn)特征和邊特征；所述節(jié)點(diǎn)特征包括監(jiān)測(cè)站的pm2.5濃度以及氣象數(shù)據(jù)；所述的邊特征包括監(jiān)測(cè)站之間的物理距離以及風(fēng)向關(guān)系；
10、所述的節(jié)點(diǎn)特征由圖卷積神經(jīng)網(wǎng)絡(luò)映射至幾何代數(shù)空間，得到幾何代數(shù)特征向量，將幾何代數(shù)特征向量在多層圖卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征傳遞輸出空間特征。
11、作為優(yōu)選技術(shù)方案，所述的特征傳遞的計(jì)算式為：
12、
13、其中，為監(jiān)測(cè)站v的第l+1層幾何代數(shù)特征向量；σ(·)為激活函數(shù)；θ為可訓(xùn)練的網(wǎng)絡(luò)參數(shù)；(ga)表示幾何代數(shù)計(jì)算輸出；b為監(jiān)測(cè)站之間的鄰接矩陣，是重新標(biāo)準(zhǔn)化的拉普拉斯矩陣表達(dá)式為且為度矩陣的逆矩陣，a為鄰接矩陣。
14、作為優(yōu)選技術(shù)方案，所述的幾何代數(shù)計(jì)算輸出的表達(dá)式為：
15、
16、其中，e12...k為幾何代數(shù)空間g的正交基元素；n表示矩陣階數(shù)；l代表幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)層數(shù)；代表幾何代數(shù)權(quán)重；w(l)，g代表幾何代數(shù)權(quán)重矩陣；代表監(jiān)測(cè)站v的幾何代數(shù)特征向量；⊙表示點(diǎn)積運(yùn)算。
17、作為優(yōu)選技術(shù)方案，所述的鄰接矩陣滿足以下任一要求：若兩個(gè)節(jié)點(diǎn)之間歐式距離大于最大鄰近距離，則節(jié)點(diǎn)之間不存在邊；若兩個(gè)節(jié)點(diǎn)之間存在三座或以上高度超過規(guī)定高度的山脈，則節(jié)點(diǎn)之間不存在邊。
18、作為優(yōu)選技術(shù)方案，所述的獲取pm2.5的時(shí)空特征的方法包括：
19、將幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)提取到的空間特征以及歷史pm2.5濃度數(shù)據(jù)進(jìn)行特征融合，得到融合特征，計(jì)算式為：
20、hfusion＝concat(hgnn，xhist)，
21、其中，hgnn表示空間特征；xhist表示歷史pm2.5濃度數(shù)據(jù)；hfusion表示融合特征；
22、將所述的融合特征輸入幾何代數(shù)-長(zhǎng)短期記憶網(wǎng)絡(luò)中經(jīng)長(zhǎng)短期記憶網(wǎng)絡(luò)處理輸出時(shí)空特征。
23、作為優(yōu)選技術(shù)方案，長(zhǎng)短期記憶網(wǎng)絡(luò)的處理過程為：
24、計(jì)算遺忘門值：
25、
26、其中，u和w表示權(quán)重矩陣；b表示偏置項(xiàng)；σ表示sigmoid激活函數(shù)；ht-1上一時(shí)刻的隱藏狀態(tài)；表示t時(shí)刻的融合特征；ft為遺忘門值；幾何積運(yùn)算；計(jì)算輸入門值并生成候選值向量：
27、
28、其中，it為輸入門值；表示候選值向量；α表示tanh激活函數(shù)；
29、更新單元狀態(tài)：
30、
31、其中，ct為當(dāng)前單元狀態(tài)；ct-1為前一時(shí)刻單元狀態(tài)；
32、計(jì)算輸出門值并獲取最終隱藏狀態(tài)：
33、
34、ht＝ot⊙α(ct))，
35、其中，ot表示輸出門值；ht表示最終隱藏狀態(tài)值即時(shí)空特征。
36、作為優(yōu)選技術(shù)方案，所述的幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型通過白鯊優(yōu)化算法進(jìn)行參數(shù)優(yōu)化。
37、根據(jù)本專利技術(shù)的第二方面，提供了一種pm2.5濃度預(yù)測(cè)系統(tǒng)，該系統(tǒng)包括：
38、數(shù)據(jù)采集和處理模塊：用于采集目標(biāo)地區(qū)的相關(guān)數(shù)據(jù)，并進(jìn)行預(yù)處理得到預(yù)處理數(shù)據(jù)；
39、特征提取融合模塊：用于接收來與處理數(shù)據(jù)，先將其經(jīng)過幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)提取空間特征，提取某一時(shí)刻的空間特征和對(duì)應(yīng)的鄰域綜合信息并進(jìn)行特本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種PM2.5濃度預(yù)測(cè)方法，其特征在于，該方法利用幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)地區(qū)的PM2.5濃度進(jìn)行預(yù)測(cè)，所述的幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)和幾何代數(shù)-長(zhǎng)短期記憶網(wǎng)絡(luò)；
2.根據(jù)權(quán)利要求1所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，所述的提取空間特征的方法包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，所述的特征傳遞的計(jì)算式為：
4.根據(jù)權(quán)利要求3所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，所述的幾何代數(shù)計(jì)算輸出的表達(dá)式為：
5.根據(jù)權(quán)利要求3所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，所述的鄰接矩陣滿足以下任一要求：
6.根據(jù)權(quán)利要求1所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，所述的獲取PM2.5的時(shí)空特征的方法包括：
7.根據(jù)權(quán)利要求6所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，長(zhǎng)短期記憶網(wǎng)絡(luò)的處理過程為：
8.根據(jù)權(quán)利要求1所述的一種PM2.5濃度預(yù)測(cè)方法，其特征在于，所述的幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型
9.一種PM2.5濃度預(yù)測(cè)系統(tǒng)，其特征在于，包括：
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1～8中任一項(xiàng)所述的方法。
...【技術(shù)特征摘要】
1.一種pm2.5濃度預(yù)測(cè)方法，其特征在于，該方法利用幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)地區(qū)的pm2.5濃度進(jìn)行預(yù)測(cè)，所述的幾何代數(shù)時(shí)空?qǐng)D循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括幾何代數(shù)-圖卷積神經(jīng)網(wǎng)絡(luò)和幾何代數(shù)-長(zhǎng)短期記憶網(wǎng)絡(luò)；
2.根據(jù)權(quán)利要求1所述的一種pm2.5濃度預(yù)測(cè)方法，其特征在于，所述的提取空間特征的方法包括以下步驟：
3.根據(jù)權(quán)利要求2所述的一種pm2.5濃度預(yù)測(cè)方法，其特征在于，所述的特征傳遞的計(jì)算式為：
4.根據(jù)權(quán)利要求3所述的一種pm2.5濃度預(yù)測(cè)方法，其特征在于，所述的幾何代數(shù)計(jì)算輸出的表達(dá)式為：
5.根據(jù)權(quán)利要求3所述的一種pm2.5濃度預(yù)測(cè)方法，其特...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王瑞，黃遙，居明，鐘宇軒，葉曉茜，劉奕琳，孫施妍，
申請(qǐng)(專利權(quán))人：上海大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。