[发明专利]空气质量预测方法、装置、计算机设备及可读存储介质

说明书

本发明提出了一种空气质量预测方法、装置、计算机设备及可读存储介质，其中，空气质量预测方法包括：获取污染物采集点的历史污染物数据和气象采集点的历史气象数据；根据污染物采集点与气象采集点的位置信息，将历史污染物数据加权得到气象采集点处的历史污染物映射数据；利用极端梯度上升模型，以历史污染物映射数据和历史气象数据作为训练集进行训练，得到预测模型；根据当前污染物数据与当前气象数据，利用预测模型得到预测空气质量数据。本发明提出的空气质量预测方法，无需对缺失数据进行预处理，使得整个深度学习过程更快捷，并且，将污染物采集点所采集的历史污染物数据映射到气象采集点处，得到更精确的样本数据，提升了预测精度。

技术领域

本发明涉及环境科学领域，具体而言，涉及一种空气质量预测方法、一种空气质量预测装置、一种计算机设备、一种计算机可读存储介质。

背景技术

传统基于特征工程的EMOS(Ensemble Model Output Statistics)模型和ARMA(Auto-Regressive Moving Average)模型针对气象预测SO₂浓度预测任务可以取得较好的效果，但这些方法和模型需要研究者花大量精力去hand_crafted特征提取、建立模型及参数调整整定。深度学习Conv_LSTM模型能很好的捕捉空间时序关系，由于监测站在在获取空气质量数据时，一般因为设备故障或网络延时卡顿等问题，导致空气质量数据出现较多的缺失值。在数据预处理上，尤其是缺失值处理，填补缺失值大多数的方法是删除、均值法以及邻近法等方法，填补的精度较差，然而空气质量数据带有时序信息，导致了深度学习方法在训练时精度较差。在现有技术中，通常采用GBDT(Gradient Boosting Decision Tree，梯度增强决策树)模型进行空气质量的预测，但是，GBDT模型在优化时只用到一阶导数信息，没有二阶导数信息和正则项信息，使学习出来的模型更加复杂，容易过拟合，并且，GBDT模型需要对缺失值进行预处理，而实际空气质量预测样本中有很多缺失值，导致使用范围受限，以及GBDT模型不支持并行，训练时间长。

发明内容

本发明旨在至少解决现有技术中存在的在空气质量预测上如遇数据缺失，将导致工程模型的深度学习的精度较差，进而导致空气质量预测精度低的技术问题。

为此，本发明的第一方面实施例提出了一种高精度的空气质量预测方法。

本发明的第二方面实施例提出了一种高精度的空气质量预测装置。

本发明的第三方面实施例提出了一种计算机设备。

本发明的第四方面实施例提出了一种计算机可读存储介质。

有鉴于此，根据本发明的第一方面实施例，本发明提出了一种空气质量预测方法，包括：获取污染物采集点的历史污染物数据和气象采集点的历史气象数据；根据污染物采集点与气象采集点的位置信息，将历史污染物数据加权得到气象采集点处的历史污染物映射数据；利用极端梯度上升模型，以历史污染物映射数据和历史气象数据作为训练集进行训练，得到预测模型；根据当前污染物数据与当前气象数据，利用预测模型得到预测空气质量数据。

本发明提出的空气质量预测方法，采用极端梯度上升模型进行深度学习，分析历史污染物数据和历史气象数据，进而得到一个预测模型实现对空气质量的预测，利用极端梯度上升模型的特点，即使面对缺失样本数据的情况，也可以自动学习出样本数据的分裂方向，进而无需对缺失数据进行预处理，使得整个深度学习过程更快捷，并且，通常污染物采集点与气象采集点的不再同一位置，因此，将污染物采集点所采集的历史污染物数据映射到气象采集点处，可以得到更精确的样本数据，进而提升了对空气质量预测的精度。

另外，本发明提供的上述实施例中的空气质量预测方法还可以具有如下附加技术特征：