[发明专利]一种基于图卷积网络的多站点预测方法

说明书

本发明公开了一种基于图卷积网络的多站点预测方法，获取相关大气能见度数据，再数据获取之后对这些数据进行清洗。并进行预处理。基于图卷积网络的预测模型，对照实验使用相同配置进行预测，最终对比结果。本发明基于图卷积网络进行改进，利用图卷积处理非欧数据的优势，提出了在空间和时间维度的特征提取工作，之后引入注意力机制来提升模型效果的原因。通过实验准确性对比结果可以得出，本发明提出的方法在多站点大气能见度预测上相较于其他模型有一定的提升。

技术领域

本发明属于机器学习技术领域，尤其涉及到基于图卷积网络等相关深度学习技术进行多站点的大气能见度预测任务。

背景技术

大气能见度与人们的日常生活息息相关，它的好坏可以在一定程度上反映一个地区大气环境质量的高低。近年来大气能见度下降、空气质量变差，较多城市常伴有雾霾天气，对人们的生活和工作都产生了较大的负面影响，因此空气质量问题受到了政府和人们的高度关注。对于多站点大气能见度的精确预测能够保证交通安全，尤其对低能见度天气信息的预测可以使人们有针对性地控制和预防空气污染事件的发生、减少污染天气造成的各种损失，这对于交通运营管理部门、广大出行市民和保持良好的空气环境都具有积极的意义。此外，近年来随着数据收集和存储成本的下降以及机器学习技术的快速发展，大部分地区的各类气象数据都可以被精确地观测以及存储，这为气象领域的科学研究提供了丰富的数据和算法研究的基础。

神经网络自2012年以来迅猛发展，其中深度学习技术在计算机视觉和自然语言处理两个研究领域内的研究成果取得多项突破。对比传统方法在进行图片分类任务时需要人工手动提取特征，然后将特征输入分类器最终得到分类结果的这一系列步骤，深度学习技术(如卷积神经网络)可以达到直接将图片按照固定的编码格式输入模型，最终直接输出该图片所属的预测标签。这样可以将特征提取和分类这两个步骤合二为一，同时避免了人工提取特征这种繁琐的操作，后者是一种端到端(end-to-end)的学习，相较于传统方法可以学习到更高纬度的特征与模式，并且在提升准确度的同时降低了人工耗时。

卷积神经网络适用的数据类型比较有限，它要求输入数据必须限制在欧式域内。而欧式数据最显著的特征就这类数据具有规则的空间结构，例如图像是规整的正方形栅格，语音是规则的一维序列数据，并且这些数据可以用矩阵表示。而在现实情况中，比如电子交易、脑信号、推荐系统以及本研究中的多站点的大气能见度预测问题，其中的数据大多都不具备规则的空间结构，称之为非欧数据。在这些数据结构中每个节点连接都不尽相同，也就是说每个节点的度都可能不同。为了将卷积操作移植到这种非欧数据上来，出现了图卷积网络(Graph Convolution Network，GCN)，一般地，图卷积网络都有如下三个步骤，一是发射，即每一个节点会将自己的特征信息经过变换之后发射给邻接节点，这可以达到对每个节点的特征信息进行抽取变换的目的，第二步是接受，每个节点将邻接节点的特征信息聚集起来，从而对节点的局部结构信息进行融合，最后一个步骤是变换，也就是把之前的信息聚集起来然后进行非线性变换，达到增加模型的表达能力的目的。此外GCN模型也同样具备深度学习的三种性质，分别是层级结构(特征一层一层抽取，一层比一层更为抽象和高级)，非线性变换(增加模型的表达能力)以及端对端训练，也就是不需要再去定义任何规则，只需要给图的节点一个标记，便可让模型自己学习，融合特征信息和结构信息。当然，GCN也具有卷积神经网络的共有性质，其一为局部参数共享，二是感受域正比于层数，在开始第一层计算的时候，每个节点包含了各自直属邻接节点的信息，在计算第二层时就能把二阶邻居的信息也包含进来，这样参与运算的信息就更多更充分，也就是说层数越多，感受域越广，参与运算的信息也就更多。

发明内容

本发明要解决的技术问题是，提供一种基于图卷积网络的多站点预测方法，使用到的数据集为16个站点大气能见度相关数据。

本发明采用的技术方案为一种基于图卷积网络的多站点预测方法，该方法包括以下步骤：