[发明专利]一种基于全局注意力机制的雾霾预测方法

说明书

本发明涉及一种基于全局注意力机制的雾霾预测方法，属于人工智能信息预测技术领域。本方法首先获取环境监测点的雾霾数据，对获取的雾霾数据进行处理，基于全局注意力机制训练雾霾预测模型，使用雾霾预测模型输出最终预测结果。在雾霾预测任务中，引入全局注意力机制，为不同影响因素赋予不同的权重，有效解决信息传输距离过长的问题。引入双向门控循环神经网络，不仅引入训练数据中前面时刻数据对后面时刻数据的影响，并且分析后面时刻数据和前面时刻数据的关联，解决了雾霾预测数据中的长期依赖问题，能够准确地预测未来时刻的雾霾数据。本方法具有良好的扩展性，可根据不同地区的数据特征，动态改变网络结构，得到适合本地区的雾霾预测方法。

技术领域

本发明涉及一种基于全局注意力机制的雾霾预测方法，属于人工智能信息预测技术领域。

背景技术

雾霾是影响空气污染状况的重要因素之一。雾霾具有区域传输的特性，一个地区产生的雾霾会传输至其他地区，并且雾霾的区域传输和时间相关联，过去多个时刻的雾霾数据和未来时刻的雾霾数据具有一定关联。因此，可以使用各个地区多个时段的环境监测点数据，对各地区未来时刻的环境质量进行预测。

2005年，在文献《A neural network forecast for daily average PM10concentrations in Belgium》(Atmospheric Environment,2005)中，Hooyberghs和Mensink等人，根据比利时五年间十个监测点的测量结果，利用神经网络对比利时下一天的日平均PM10浓度进行了预测。在文献《基于BP人工神经网络的城市PM2.5浓度空间预测》(环境污染与防治，2013)中，王敏等人使用BP(Back Propagation，反向传播)神经网络预测了PM2.5浓度的空间变化，研究结果表明，在固定地点预测PM2.5浓度时，BP神经网络比普通克里格插值方法更为准确。范峻翔等人在文献《基于RNN的空气污染时空预报模型研究》(测绘科学，2017)中使用RNN(Recurrent Neural Network，循环神经网络)对雾霾时间序列数据进行了预测，并且数据中包含缺失值，使用长短期记忆网络LSTM(Long Short-TermMemory，长短期记忆)和全连接层构建了深度学习模型，用于时空预报，研究结果表明，长短期记忆模型用于空气污染预测时，性能优于全连接神经网络层。

但是，现有的雾霾预测方法，较难对不同时刻数据之间的关联进行有效表示。当输入数据的特征维度较大或神经网络较深时，模型中信息传输的距离过长，往往会丢失部分有效信息，因此，需要对不同时刻数据之间关联的表示进行改进，解决信息传输距离过长的问题。

发明内容

本发明的目的是为了解决雾霾预测任务中网络信息传输距离过长，导致难以获取有效信息的技术问题，提出一种基于全局注意力机制的雾霾预测方法。

该方法的特点是将全局注意力机制和双向门控循环神经网络相结合，并应用在雾霾预测中，有效地考虑了不同时刻的数据对未来时刻数据的影响。

在序列数据处理方面，循环神经网络具有较好的性能，可以对序列数据中的时序信息进行提取。双向门控循环神经网络是一种循环神经网络，不仅具有较好的性能，而且结构比长短期记忆网络更为简洁。门控循环神经网络由门控循环单元GRU(Gate RecurrentUnit)组成，门控循环单元中使用更新门和重置门。更新门表示前一时刻的信息对当前时刻状态的影响程度，重置门表示新的输入信息与之前的记忆信息结合的方式。双向门控循环神经网络，由两层门控循环单元叠加组成，一层表示正向传播的状态，另一层表示反向传播的状态，对不同时刻状态之间的关联进行表示。