[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

说明书

本发明公开了一种基于AI技术的空气质量短期高精度预测模型，对原始数据的处理与分析；神经网络框架的搭建；全连接FC层，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。最后一层全连接FC层为模型的输出层，该层实现将上述各层的输出压缩为24个节点，每个节点对应一个小时的预测输出结果，从而实现以小时为单位的空气质量预报，最终该预报模型能够实现以小时为单位的污染物短时高精度预报。

技术领域

本发明涉及空气质量监测领域技术领域，具体为一种基于AI技术的空气质量短期高精度预测模型。

背景技术

环境空气质量与人们日常生活息息相关，同时也在城市环境综合测评评比中占有重要地位。随着人类文明和经济的发展，空气污染日益严重，环境污染、大气污染的监测与防治也逐渐成为国家发展建设中的一项重要工程。根据中华人民共和国生态环境部5月底公布的《2017中国生态环境状况公报》显示：全国338个地级市及以上城市，仅有99个城市环境空气质量达标，占全部城市数量的29.3%；城市环境空气质量超标城市数量高达239，占比高达70.7%。338个城市发生重度污染2311天次、严重污染802天次，以 PM 2.5为首要污染物的天数占重度及以上污染天数的74.2%，以PM 10为首要污染物的占 20.4%，以O 3为首要污染物的占5.9%。因此城市空气质量（AQI）及其相关有害污染物的预报对公众健康、城市规划、以及政府管控都尤为重要。如何对空气质量以及各项污染物进行高精度预报，并为政府管控部门实施有效管控措施提供预留时间，是空气质量监测与防治的工作重点。

空气污染物预报是根据历史空气污染物排放情况以及气象条的变化、扩散状况、地理地貌等因素进行下一时刻的空气污染程度。空气污染物的预测方法一般分为两类：

1：数值预报方法。2：统计学预报方法。

数值预报是一种以空气动力学理论为基础，基于物理化学过程的确定性预报方法。利用数学方法建立大气污染物浓度在空气中的稀释扩散的数值模型，通过计算机进行计算，从而实现对大气污染物浓度在空气中的变化进行预测。数值预报模型同样存在缺陷不足：数值预报方法更适合区域性空气污染物预报；数值预报需要详细的污染物资料，但是常常难以获得；数值预报方法计算复杂度极高，总体成本巨大，一定程度限制了该理论方法的完善。

统计学方法预报不依赖于污染物的物理化学变化等演变过程。通过分析污染物相关的输入输出的统计规律，进行污染物未来浓度变化趋势预测。该预报方法简单快捷，避免了复杂的理论计算，计算成本相对较低，并且能够实现一定程度的预测精度。统计方法同样存在不足之处：统计学预报方法简化了较多影响因子，一定程度上影响了预测的精度。

现有基于统计方法的空气质量预测一般为考虑把原始数据作为预测模型的特征输入，但是原始数据并不能充分体现数据统计特征，无法体现数据的集中或离散趋势、时间趋势等，因此无法保证预测的准确性，另一方面，现有预测模型大多为以天为单位的预测，也即是基于历史污染物浓度预测接下来一整天的浓度，明显这种精度的预测结果无法满足预期，无法满足人们对于逐小时精度的需求。上述各专利提出的预测方法虽然一定程度上实现了依据历史空气污染物浓度数据对当前或者未来污染物浓度进行预报，但是无法实现逐小时短时高精度的预报，也没有综合考虑各种气象以及地理地貌等因素对污染物扩散的影响，对数据的使用以及模型的范化能力和预报的准确度均有待提高。

发明内容

本发明的目的在于提供一种基于AI技术的空气质量短期高精度预测模型，解决了背景技术中的等问题。

为实现上述目的，本发明提供如下技术方案：一种基于AI技术的空气质量短期高精度预测模型，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；