[发明专利]一种空气PM2.5浓度预测方法、系统、终端及存储介质

说明书

本发明提供一种空气PM2.5浓度预测方法、系统、终端及存储介质，均可进行：原始数据获取：得到原始数据集；缺失数据处理：基于删除和填充法修复缺失数据得到修复原始数据集；延时分析：得到过去24小时前P小时内各污染物及气象特征与PM2_5在过去2×P小时内的特征数据的时移Pearson结果；构建特征矩阵：以污染物及气象特征中的所有特征为列，利用污染物及气象特征中每一个特征在修复原始数据集中的特征数据及上述得到的所有时移Pearson结果构建初始矩阵，基于初始矩阵获取特征矩阵；PM2.5浓度预测：将所构建的特征矩阵输入SPP‑LSTM神经网络进行计算，从输出结果中读取得到未来1小时空气中PM2.5的浓度。本发明用于提高空气PM2.5浓度预测精度，用于增加对输入特征的适应能力。

技术领域

本发明涉及空气污染物浓度预测领域，具体涉及一种空气PM2.5浓度预测方法、系统、终端及存储介质。

背景技术

PM2.5是一种直径小于或等于2.5微米的复杂颗粒物，是形成近年来中国北方地区雾霾天气的主要成分，暴露于高PM2.5的环境会引起糖尿病、肺癌、呼吸系统疾病、心血管疾病等一系列疾病，比如暴露于高PM2.5环境会使患有哮喘、心肌梗死和心力衰竭的风险增加。完成空气中PM2.5的预测并提前发布预警能够有效保障人类的身体健康。

对空气PM2.5浓度的预测，从预测时间上看可以分为长期预测和短期预测两种情况。长期预测可预测3天到6个月的PM2.5浓度预测，长期预测可以为政策制定者提供参考，使其在进行政策制定时更好的考虑PM2.5对环境的影响；短期预测更多是预测1小时后的PM2.5浓度，短期预测更具有实时性，能为人类短时的活动提供防护。

目前,已经有多种建立PM2.5浓度预测模型的方法，总体上可分为基于化学机理模型(chemical transport models)、基于统计及机器学习模型、基于深度学习模型三大类。化学机理模型预测方法是利用污染物扩散方式、气象环境因素以及污染物排放源数量及地理位置等多源信息构建的预测模型，这种方法仅需依据当前模型中各个变量的状态来获得较为准确的PM2.5预测结果，但是在模型中往往存在化学反应过程不完全明确，污染排放源的信息不全或者动态变化较大等问题，模型中每一个因素的调节都需要重新对模型进行修正，影响到预测的准确性及适应性。现阶段中国的环境监测网络已经建立，积累的大量的历史数据为采用数据统计和深度学习方法进行分析和预测提供了可能。基于统计及机器学习模型主要包括线性回归方法、马尔科夫模型、自回归滑动平均模型、支持向量机(SVM)模型、支持向量回归(SVR)、随机森林算法及人工神经网络(ANN)模型等。

目前，多数的研究都将污染物及气象特征(meteorological variables)作为预测PM2.5浓度模型的重要输入，污染物及气象特征与PM2.5存在着密切的关系，部分参数与PM2.5的相关性较强，对预测结果有重要的影响，同时也是最容易获得的，研究者可以从环境监测站(Environmental Monitoring Station)获得PM2.5数据的同时获得污染物及气象特征。但是这些参数对PM2.5的影响不一定为短时，如风速对PM2.5的消散有重要作用，但是风速的影响有滞后性，一段时间的强风后才能带来PM2.5的消散。

而且在实际中，历史数据往往存在缺失的情况，为了保证算法能够使用，通常单独采取填充法或者删除法保证算法输入特征的一致性。然而，删除法会导致数据缺失，会导致输入特征大小的不一致。填充法会增加数据的不确定性，一定程度上会影响模型预测的精度。

为此，本发明提供一种空气PM2.5浓度预测方法、系统、终端及存储介质，用于解决上述问题。

发明内容

针对现有技术的上述不足，本发明提供一种空气PM2.5浓度预测方法、系统、终端及存储介质，用于提高空气PM2.5浓度预测精度，并用于增加对输入特征的适应能力。

第一方面，本发明提供一种空气PM2.5浓度预测方法，包括：