[发明专利]一种基于图卷积网络的多站点预测方法

权利要求书

1.一种基于图卷积网络的多站点预测方法，其特征在于：该方法包括以下步骤：

步骤1、获取气象站点相关大气能见度数据，包括体感温度、温度、风力、湿度、降水量、大气压强和大气能见度七个特征；

步骤2、针对步骤1中收集到的大气能见度数据中的数据缺失、不平滑情况对数据进行预处理；

步骤3、基于图卷积网络的预测模型，利用进行预处理后的实验数据构建训练集和测试集，在实验过程中利用梯度下降进行超参数的优化进而得到预测模型的最优解；

步骤4、对照实验使用相同配置进行预测，最终对比结果。

2.根据权利要求1所述的一种基于图卷积网络的多站点预测方法，其特征在于：步骤2具体包括以下步骤：

步骤2.1、针对数据中的缺失值，利用前后时刻平均值填充来进行补全；

步骤2.2、针对不平稳的时间序列，通过一阶差分处理的方法转化成平稳序列；

步骤2.3、基于16个气象站点所在位置，通过两两气象站点之间的地理位置距离构建气象站点的邻接矩阵，作为图卷积网络的另一个输入数据。

3.根据权利要求1所述的一种基于图卷积网络的多站点预测方法，其特征在于：步骤3具体包括以下步骤：

步骤3.1、根据数据划分方法将初始数据集分为训练集，验证集和测试集，比例分别为60％、20％和20％；训练集用于训练模型的参数，然后在每一轮迭代后使用验证集测试当前模型的准确性；

步骤3.2、模型由两个时空卷积模块组成，每个时空卷积模块由两个时间卷积层和一个空间卷积层构成，通过在时间维度和空间维度分别对输入数据进行卷积操作来提取时间和空间特征，另外通过加入注意力机制来实现为输入数据赋予不同权重的目的；

步骤3.3、定义损失函数，使用平均绝对误差MAE损失函数和随机梯度下降的Adam版本，此外分别设置12小时作为历史时间步长，3、6、9、12小时为预测时间步长，即用过去12个小时的能见度数据预测未来3、6、9、12小时的大气能见度；

步骤3.4、该模型将适用于批量大小为128的512个训练时期，然后训练模型，不断调整超参数，得到模型最优解。

4.根据权利要求1所述的一种基于图卷积网络的多站点预测方法，其特征在于：步骤4具体包括以下步骤：

步骤4.1、对照实验模型使用基于seq2seq结构的模型，分别为编码器和解码器均为LSTM的seq2seq-LSTM、编码器和解码器均为LSTM且添加注意力机制的seq2seq-LSTM-AM、编码器和解码器均为GRU的seq2seq-GRU和编码器和解码器均为GRU且添加了注意力机制的seq2seq-GRU-AM；

步骤4.2，利用对照实验模型执行相同参数配置的能见度预测，得出结果并进行误差衡量，其中衡量指标选取了MAE、MSE和RMSE，相比较于seq2seq模型对每一个站点分别进行建模预测来说，模型无论是在时间还是准确性上，都有一定程度的提升。