[发明专利]一种大气污染因子浓度时空分布预测方法及系统

权利要求书

1.一种大气污染因子浓度时空分布预测方法，其特征在于：包括以下步骤，

S1，基于监测区域内所有站点的历史监测数据构造稀疏特征向量，将所述稀疏特征向量作为因子分解机的输入，通过所述因子分解机的输出预测目标站点无法监测的目标大气污染因子浓度的历史数据；

S2，将所述目标站点的目标大气污染因子浓度的历史数据结合气象参数，训练长短期记忆神经网络，通过训练好的所述长短期记忆神经网络，预测所述目标站点的目标大气污染因子浓度的未来数据；

S3，将所述目标站点的目标大气污染因子浓度的未来数据结合气象参数和所述站点的地理经纬度，训练径向基神经网络，通过训练好的所述径向基神经网络预测所述监测区域内目标位置点的目标大气污染因子浓度的未来数据；

所述站点包括监测站和微观站；所述监测站为监测大气污染因子种类齐全的大气监测站；所述微观站为监测大气污染因子种类不全的大气监测站；

在所述S1中，所述稀疏特征向量由五部分编码阵列构成，分别为站点的独热编码阵列、当前采集到的大气污染因子的独热编码阵列、被当前站点采集过的大气污染因子信息的编码阵列、采集时间的编码阵列和当前站点最近监测过的一种大气污染因子信息的编码阵列；

所述S2具体为，

S21，将所述目标站点的目标大气污染因子浓度的历史数据按时间先后进行排序，并以排序后的所述目标站点的目标大气污染因子浓度的历史数据结合气象参数作为特征属性构建时间序列；

S22，对所述时间序列进行Z标准化处理得到样本，以相邻两个样本构成第一输入输出样本对，训练长短期记忆神经网络；

S23，基于训练好的所述长短期记忆神经网络，以所述目标站点的目标大气污染因子浓度的当前数据作为输入样本，预测所述目标站点的目标大气污染因子浓度的未来数据；

所述S3具体为，

S31，以所有所述监测站的地理经纬度和气象参数作为特征属性构建输入，以所述长短期记忆神经网络预测的所述目标站点的目标大气污染因子浓度的未来数据作为输出，构建第二输入输出样本对；

S32，Z标准化处理所述第二输入输出样本对，并根据Z标准化处理后的所述第二输入输出样本对训练所述径向基神经网络；

S33，基于训练好的所述径向基神经网络，在所述监测区域内确定所述目标位置点的地理经度纬度，结合离所述目标位置点最近的所述监测站的气象参数构造输入向量，预测所述目标位置点的目标大气污染因子浓度的未来数据。

2.一种大气污染因子浓度时空分布预测系统，其特征在于：包括以下模块，

变量预测模块，其用于基于监测区域内所有站点的历史监测数据构造稀疏特征向量，将所述稀疏特征向量作为因子分解机的输入，通过所述因子分解机的输出预测目标站点无法监测的目标大气污染因子浓度的历史数据；

时间预测模块，其用于将所述目标站点的目标大气污染因子浓度的历史数据结合气象参数，训练长短期记忆神经网络，通过训练好的所述长短期记忆神经网络，预测所述目标站点的目标大气污染因子浓度的未来数据；

空间预测模块，其用于将所述目标站点的目标大气污染因子浓度的未来数据结合气象参数和所述站点的地理经纬度，训练径向基神经网络，通过训练好的所述径向基神经网络预测所述监测区域内目标位置点的目标大气污染因子浓度的未来数据；

所述站点包括监测站和微观站；所述监测站为监测大气污染因子种类齐全的大气监测站；所述微观站为监测大气污染因子种类不全的大气监测站；

在所述变量预测模块中，所述稀疏特征向量由五个编码阵列构成，分别为站点的独热编码阵列、当前采集到的大气污染因子的独热编码阵列、被当前站点采集过的大气污染因子信息的编码阵列、采集时间的编码阵列和当前站点最近监测过的一种大气污染因子信息的编码阵列；

所述时间预测模块具体用于，

将所述目标站点的目标大气污染因子浓度的历史数据按时间先后进行排序，并以排序后的所述目标站点的目标大气污染因子浓度的历史数据结合气象参数作为特征属性构建时间序列；

对所述时间序列进行Z标准化处理得到样本，以相邻两个样本构成第一输入输出样本对，训练长短期记忆神经网络；

基于训练好的所述长短期记忆神经网络，以所述目标站点的目标大气污染因子浓度的当前数据作为输入样本，预测所述目标站点的目标大气污染因子浓度的未来数据；

所述空间预测模块具体用于，

以所有所述监测站的地理经纬度和气象参数作为特征属性构建输入，以所述长短期记忆神经网络预测的所述目标站点的目标大气污染因子浓度的未来数据作为输出，构建第二输入输出样本对；

Z标准化处理所述第二输入输出样本对，并根据Z标准化处理后的所述第二输入输出样本对训练所述径向基神经网络；

基于训练好的所述径向基神经网络，在所述监测区域内确定所述目标位置点的地理经度纬度，结合离所述目标位置点最近的所述监测站的气象参数构造输入向量，预测所述目标位置点的目标大气污染因子浓度的未来数据。