[发明专利]一种基于图注意力机制的空气污染物浓度预测方法

说明书

本发明公布了一种基于图注意力机制的空气污染物浓度预测方法，构建基于图注意力机制的空间污染物浓度预测模型，将气象数据、空气监测数据、环境因素数据作为模型输入数据，通过图注意力机制构建图邻接矩阵，利用图卷积神经网络层和多层感知机网络层提取图信息特征，输出预测的空气污染物浓度值。本发明对空气污染物浓度预测更加准确，过程更加高效。

技术领域

本发明属于图卷积神经网络技术和空气质量监控技术领域，涉及一种预测点位置处空气污染物浓度预测技术，尤其涉及一种基于图注意力机制的空气污染物浓度预测方法。

背景技术

空气质量一直是研究环境污染变化的一个重要组分，空气质量的变化是由空气污染物浓度决定的，研究空气污染物浓度能够更好的掌握空气质量的变化。大多数对空气污染物浓度预测是收集多种相关影响因素数据，进行污染物的相关性分析，空气污染物在空气中的浓度与污染物的排放量、污染源的布局、类型和气象条件等各种变量因素有关，将收集到的影响因素数据作为自变量，空气污染物浓度数据作为因变量进行相关性分析，但是由于周围环境的复杂性以及自变量之间的相互影响，使得自变量因素与因变量空气污染物浓度之间的相关性具有不确定性。对此，后续的污染物浓度预测研究中多使用机器学习算法来解决复杂的多元非线性问题。

预测算法的实质是通过对一系列动态数据分析其特征之间的关联性、变化状况而构建出对未来进行预测的算法。其中，空气质量预测通常是利用历史污染物浓度数据，通过分析动态数据间的关联来找到空气污染过程的规律性，进而对未来空气质量状况做出预测。目前常用的空气污染物预测算法主要利用机器学习方法和深度学习方法来进行构建。机器学习方法在预测过程中具有坚实的数学基础，为建立合理的空气质量预测模型提供了理论依据，而深度学习方法可以通过不断地训练找出数据间的非线性关系。

在针对空气污染物浓度预测的研究中，Cobourn W G等人针对PM2.5浓度预测开发了一种非线性回归模型，并在模型基础上增加了基于PM2.5浓度的附加参数PM24，PM24是结合空气流动轨迹和当前空气质量人为估计得到，PM24参数的添加使模型效果表现的更好，但是这种人工判断参数值的方式需要不断地手工调整参数，会被噪声数据干扰，同时对结果具有不确定性。Zhao等人将收集到的空气中的气体成分信息通过基于径向基函数(RBF)的模糊神经网络模型进行定量分析，实现了对混合气体的定量检测。王丽梅等人利用BP神经网络建立了城市大气二氧化硫浓度预测模型，引入了城市人口、国内生产总值、年燃煤量等相关变量对某城市二氧化硫浓度作出了合理的预测。王芳等利用遗传算法来对BP神经网络的初始权重和参数进行优化，将优化后的权重和参数输入BP神经网络并对北京市PM10的浓度进行预测，该模型通过遗传算法提高了BP神经网络的收敛速度，同时提高了预测的精度。但是这些算法中使用的变量较少，没有考虑到外界气象条件以及环境因素对气体浓度的影响，并且算法较为单一，很难将模型泛化到其它地区的数据中。

姚宁等人在构建BP神经网络预测模型时，在数据集收集阶段考虑了气温、湿度、降水量等气象因素对大气污染物浓度的影响，通过AGNES算法对这些特征数据进行处理，减少离散值。万显列等在在构建基于人工神经网络的气体浓度预测模型时，也加入了风速、风向、温度、湿度等这些环境影响因素。数据维度的增加会适当的提高模型预测的精度，但是当数据量过多时，造成数据冗余或者不必要的网络噪声。随着人工智能优化算法研究逐渐深入，深度学习在气体浓度检测领域也开始广泛应用。其中基于LSTM和RNN的循环神经网络是深度学习应用于气体浓度监测的主要方法。此外，孙蒙等也使用了基于深度置信网络的方法建立空气质量指数预测模型。但这些方法仍然具有对样本依赖性较强，输入较多冗余数据，预测准确率较低等问题。