[发明专利]一种深度学习的空气质量监测方法以及装置、设备

说明书

本申请公开了一种深度学习的空气质量监测方法以及装置、设备。该方法包括输入空气污染物时序数据到降噪自编码模型；合并根据所述降噪自编码模型提取的空气质量特征；生成空气质量的预测输出结果；其中，所述空气质量特征包括：历史空气质量数据和辅助输入时间数据。本申请解决了在空气质量预测方面预测速度慢且精度低的技术问题。通过本申请实现了基于深度网络的预测模型，从而对空气质量进行更加准确、快速的监测。

技术领域

本申请涉及空气污染预测领域，具体而言，涉及一种深度学习的空气质量监测方法以及装置、设备。

背景技术

空气质量预测对于政府应急管理重污染天气有着重要意义，不仅能警示公众合理回避高污染天气，还能为政府实施重污染企业限产限排、机动车限行等恰当的减缓大气污染应急措施提供时间裕量。同时，空气质量预测也是实现科学决策、综合管理环境以加强空气污染防治的有效技术手段，是将相关环境监测信息快速转化为空气污染防治决策依据的重要形式。

尽管深度网络在空气质量预测方面已经实现较好的应用，但是依然存在一些问题：

一是，空气质量或气象监测数据存在噪声，而现有空气质量预测方法对噪声很敏感，一定程度上影响了预测的精度；

二是，训练阶段耗时长的问题，如果使用硬件设备成本和维护费用太高。

针对相关技术中在空气质量预测方面预测速度慢且精度低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种深度学习的空气质量监测方法以及装置、设备，以解决空气质量预测方面预测速度慢且精度低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种深度学习的空气质量监测方法。

根据本申请的深度学习的空气质量监测方法包括：输入空气污染物时序数据到降噪自编码模型；合并根据所述降噪自编码模型提取的空气质量特征；生成空气质量的预测输出结果；其中，所述空气质量特征包括：历史空气质量数据和辅助输入时间数据。

进一步地，输入空气污染物时序数据到降噪自编码模型的输入层，采用双向长短时记忆模型网络。

进一步地，合并根据所述降噪自编码模型提取的空气质量特征的中间层，采用全连接层。

进一步地，生成空气质量的预测输出结果的输出层，采用双向长短时记忆模型网络。

进一步地，所述降噪自编码模型在训练时，使用均方根误差和平均绝对误差作为预测精度的评估标准。

进一步地，所述降噪自编码模型在训练前，对原始空气质量数据进行归一化处理。

为了实现上述目的，根据本申请的另一方面，提供了一种深度学习的空气质量监测装置。

根据本申请的深度学习的空气质量监测装置包括：输入层模块，用于输入空气污染物时序数据到降噪自编码模型；中间层模块，用于合并根据所述降噪自编码模型提取的空气质量特征；输出层模块，用于生成空气质量的预测输出结果；其中，作为降噪自编码模型的输入层，采用双向LSTM网络；

合并根据所述降噪自编码模型提取的空气质量特征的中间层，采用全连接层；

生成空气质量的预测输出结果的输出层，采用双向LSTM网络。

进一步地，装置还包括：归一化模块，用于对原始空气质量数据进行归一化处理。

进一步地，装置还包括：预测精度的评估模块，用于使用均方根误差和平均绝对误差作为预测精度的评估标准。