[发明专利]一种顾及时空关联性的城市空气质量时序预测方法

说明书

本发明公开了一种顾及时空关联性的城市空气质量时序预测方法，该方法引入了奇异谱分析进行PM2.5监测数据和气象特征数据的时间序列预测，设计了时空相关立方体以自适应地选择前K个重要的空间邻域站点特征，将时间序列预测结果与前K个重要的空间邻域特征进行叠加构建样本特征集，最后利用随机森林算法完成不同时间尺度下的最终结果的拟合。通过本发明所提供的耦合模型，可以有效地顾及不同空间站点之间的时空关联性，从而提高城市空间环境中单个站点在不同时间尺度下的时序预测效果和稳定程度，可以为城市大气管理决策提供参考依据。

技术领域

本发明涉及大气环境管理与监测领域，更具体的讲，涉及一种顾及时空关联性的城市空气质量时序预测方法，其是一种能够在顾及时空关联性基础之上，进行不同时间尺度未来时段城市空气质量的时序预测方法。

背景技术

空气污染是项重要的环境健康问题，雾霾、粉尘、可吸入细颗粒物等所带来的空气质量污染无时无刻不在危害着城市居民的健康生活环境，尤其对于老人、孩子、孕妇及其他敏感人群的影响更甚。除此之外，空气污染还会带来许多更为严重的环境问题，如酸雨、气候变化、水资源污染、生态系统恶化等。因此，为了更好地满足辅助政府职能部门决策和指导公众生活服务的需要，迫切的需要提出能够在顾及时空相关性基础上的城市空气质量未来时段连续预测方法。传统空气质量预测方法中最为常用的便是经验推论方法、参数统计模型等。其中，经验推论方法是指从气象特征或空气质量历史记录数据中总结经验、发现趋势，从而基于主观导向性和计算结果对未来时段空气质量变化趋势作出预测和判断。该类型方法主要具有以下特点：优点是计算速度快、使用简单、在静态环境下适用性较强，但总体预测精度低，当空气质量发生较大波动时很难做出反应。为了进一步提升预测精度，更加客观有效的参数统计模型得到了广泛的应用，例如分类、聚类、回归、滤波等方法以及基于这些模型之上的集成统计方法。该类方法模型结构较为简单，可以在局部实验地区取得较高的拟合精度，但其需要大量的观测数据用于训练。而且对于不同影响因子之间的综合作用和传输过程，即使参数统计模型具备较高的计算效率并具备发现数据之间潜在联系的能力，却仍然很难完全模拟空气质量的非线性变化过程。同时，深度学习技术也为空气污染物浓度预测提出了许多新的研究方法，典型的例子包括反向传播神经网络(BPNN)、径向基函数神经网络(RBFNN)、循环神经网络等(RNN)。其中，RNN可以动态捕获不同长度输入序列所包含的时序信息，但受限于梯度消失问题无法有效学习过长的输入序列。而在RNN基础之上提出的长短时记忆神经网络(LSTM)可以有效弥补这一缺点，其在时序预测领域得到了广泛的应用。但尽管深度学习具有极佳的数据挖掘性能，但其模型结构及调参过程过于复杂，需要大量的观测数据用于训练，也导致了计算成本的复杂和高昂。

发明内容

本发明要解决的技术问题在于针对现有方法中的不足，提供一种顾及时空关联性的城市空气质量时序预测方法，其能够充分顾及不同预测位置之间的时空相关性，并对城市空间范围内特定位置的空气质量进行未来时段的连续预测。

本发明是这样实现的：本发明提供了一种顾及时空关联性的城市空气质量时序预测方法，包括如下步骤：

S1)采集城市空间范围内所设立的空气质量监测站点的历史时段记录数据，将采集的历史时段记录数据进行数据匹配形成多特征变量在不同空气质量站点的时序记录数据；

S2)对步骤S1)采集的时序记录数据进行数据预处理，最终形成时序完整的气象数据；

S3)将待预测站点历史时刻的气象数据输入到奇异谱分析模型中，得到待预测站点预测数据；利用构建的时空相关立方体来提取在待预测时刻和待预测站点相关性最强的前K个站点的预测数据作为辅助站点数据；

S4)将通过时空相关立方体提取到的辅助站点数据和利用奇异谱分析模型得到的待预测站点预测数据进行耦合，共同组成输入特征集，将输入特征集放入随机森林模型之中，由随机森林模型预测得到待预测站点在待预测时刻的最终的预测结果。