[发明专利]一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法

说明书

本发明提供了一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法。包括以下步骤：1)获取预测区域站点的一段时间内的历史空气污染物浓度数据；2)对这些历史数据进行预处理，对缺失的数据采用拉格朗日插值法进行填充，进行标准化处理；3)构建组成污染物浓度数据的时空矩阵，并通过CNN提取其空间特征；4)对预测站点的所有污染物历史浓度数据值提取，通过seq2seq模型架构的编码端提取其时间特征；5)在seq2seq的编码端增加特征注意力机制，编、解码端均采用两层LSTM神经网络，同时解码端引入时间注意力机制，6)拼接得到的时间特征和空间特征来更新下一预测时刻的隐层状态，最后解码端的输出得到预测数据。本发明分别引入了特征和时间注意力，同时将时间和空间特征进行融合，从而有效地提高了数据预测精度。

技术领域

本发明属于环境中污染物的时间序列预测领域，具体提出了一种对空气污染物浓度值的预测方法。

背景技术

随着现代社会的进步和城市化进程的加快，人口和工业的高度聚集，对城市的生态环境带来了许多不利的影响。空气质量是评判环境质量的重要指标，近年来逐渐成为环保部门和人民关心的热点问题。根据世界卫生组织2018年空气污染数据显示世界上每十个人中就有九个呼吸着含有大量污染物的空气，每年因室内外空气污染导致全球约800万人过早死亡，其中约三分之一位于西太平洋地区，而当前亚洲的许多地区空气污染水平仍然很高。

PM2.5为空气污染物的主要污染物，对人体健康影响极大，且是雾霾天气的主要成分。通过对大量PM2.5历史检测浓度值的有效分析，得出PM2.5在天气环境下的演变规律，从而对未来一段时间内空气中PM2.5浓度值进行预测。及时、准确地对未来空气中PM2.5的浓度值进行预测，不仅可以给人们出行活动提供帮助，一定程度上减少空气中PM2.5对人体身体健康的影响；也可以为交通控制做出支持，避免因空气污染而带来的交通事故；同时，使空气质量监测部门能够提前了解空气质量变化趋势，并分析其变化原因，采取有效可行的预防和治理措施，实现更为健康、持续、长远的发展。因此，建立准确、有效的PM2.5预测模型具有十分重要的现实意义。

发明内容

本发明的目的在于针对以上问题提出一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法。

本发明通过以下技术方案来实现上述目的：一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法，包括以下步骤：

(1)数据收集：收集预测区域环境监测站点发布的污染物浓度数据；污染物浓度数据包括AQI、PM2.5、PM10、CO、SO₂、NO₂、O₃每小时的浓度数据。

(2)预处理：对污染物浓度数据的缺失值利用拉格朗日插值法进行填充，并标准化数据；

(3)CNN提取空间特征：将所述预处理后的数据建立污染物浓度时空矩阵，CNN网络分别通过多层卷积、池化操作提取得到污染物的空间特征；

(4)构建seq2seq结构的注意力模型，将预处理后的数据作为模型的输入数据，经过编码端和解码端输出结果，即为模型的预测数据。

进一步，所述seq2seq结构的注意力模型中seq2seq模型架构由编码端和解码端组成，编码端和解码端均为两层LSTM的神经网络结构，预测值由解码端输出。在所述编码端输入前加入特征注意力机制，解码端输入前加入了时间注意力机制。

进一步，所述编码端和解码端的处理包括，编码端输出上下文向量C_t，该上下文向量与步骤(3)中得到的空间特征Y以及解码端上一时刻的预测值y_t-1′进行Concat拼接，更新解码端的隐藏状态。