[发明专利]一种基于AI技术的空气质量短期高精度预测模型

权利要求书

1.一种基于AI技术的空气质量短期高精度预测模型，其特征在于，包括以下步骤：

S1：对原始数据的处理与分析；

S2：神经网络框架的搭建；

S3：全连接FC层。

2.如权利要求1所述的一种基于AI技术的空气质量短期高精度预测模型，其特征在于，针对步骤一中包括错误数据的删减、缺失数据的插值处理、气象因素如风向风级风速的插值处理、时间以及风速等数据的编码等相关数据计算。

3.如权利要求1所述的一种基于AI技术的空气质量短期高精度预测模型，其特征在于，针对步骤二中采用两层LSTM+两层全连接FC的网络结构，将历史污染物浓度与使用的气象因素区分开来，实现利用LSTM网络提取历史污染物浓度的历史变化的时序特征，在第二层LSTM网络输出层后面，连接第一层全连接FC层，该FC层的具体输入为LSTM层的输出结果、各项气象因素、时间节点编码信息、以及中心城市周围的插值数据信息。

4.如权利要求1所述的一种基于AI技术的空气质量短期高精度预测模型，其特征在于，针对步骤三中，影响空气质量的各项污染指标由诸多因素决定，温度、湿度、风向、风力等气象因素都会为污染物的传播扩散产生影响，通过分析个各项污染物的分部信息，可以发现不同污染物在时间分布上呈现随时间变化。

5.如权利要求2所述的一种基于AI技术的空气质量短期高精度预测模型，其特征在于，包括以下步骤：

S11：有关AQI的统计分析；

S21：删除原始数据中无关数据；

S31：错误数据处理；

S41：基于时间的缺失数据插值处理；

S51：对于‘月份’，‘星期’，‘小时’等日期数据进行one_hot编码处理；

S61：数据标准化；

S71： 解决one_hot编码对于时间变量在作为神经网络输入的不合理性；

S81：对气象数据做处理：风向数据处理；

S9：地理信息数据处理。

6.如权利要求3所述的一种基于AI技术的空气质量短期高精度预测模型，其特征在于，第一层隐藏神经元个数为512，第二层全连接层隐藏神经单元个数1024；FC全连接模块包含一层全连接层和输出全连接层，全连接层隐藏神经元个数分别为512，24。

7.如权利要求4所述的一种基于AI技术的空气质量短期高精度预测模型，其特征在于，时间变化按照已知规律变化，不需要LSTM网络去提取特征，只作为全连接的输入。