[发明专利]一种基于特征增强ConvLSTM的雾霾预测方法

说明书

本发明涉及一种基于特征增强ConvLSTM的雾霾预测方法。目的是解决现有的雾霾预测方法过多地依赖前提假设、预测结果准确率不高、未运用数据空间信息的技术问题。技术方案为：一种基于特征增强ConvLSTM的雾霾预测方法，包括如下步骤：数据预处理；生成图像数据；ConvLSTM特征融合；CNN特征提取；多元LSTM时间序列预测，其中本发明预测方法中作为训练样本的是图像数据，提取特征后，对各层特征分别进行两两融合得到预测图，本发明基于深度神经网络探索天气系统对雾霾的影响以及雾霾数据的时空相关性，建立细粒度雾霾预测模型，极大地提高了雾霾预测的深度、广度和精确度；充分地利用了空间信息，通过特征融合保证了预测结果的准确性以及模型的稳定性。

技术领域

本发明属于气象预测技术领域，具体涉及一种基于特征增强ConvLSTM的雾霾预测方法。

背景技术

雾霾，其主要组成部分为细微颗粒物(Fine particulate matter，PM_2.5)，它是由有毒物质如重金属和致癌物质等组成的有机化合物，因其可以直接进入肺部的原因，被称为对人体最有害的空气污染物之一，近年来，越来越多的人们对于污染物对城市的环境损害问题以及其对身体产生的负面影响给予密切关注。

为了防治雾霾，我国出台了各种各样的法律条例以及应对方法，但是大多措施都只是在雾霾污染发生后的补救措施。本质上，我们要及时监测雾霾的各影响因子数据，对数据进行建模分析及预测，进而提前提出应对方法来防止大规模雾霾污染的发生，探究其根源，掌握其规律，才能更好的应对雾霾天气污染，即融合人工智能，机器学习、环境科学、气象科学等相关领域的知识对雾霾时空演化进行建模分析及预测。

对雾霾时空演化的研究是由两方面决定的：数据与方法；在数据获取方面，近年来我国建立了越来越多的大气污染物监测站，发射了风云气象卫星(搭载了监测气溶胶光学深度的传感器)可以得到更多的雾霾相关遥感数据，由此可见我国对雾霾治理的重视程度。在雾霾数据分析方面，主要有三类方法。

第一类方法以环保部门为主：在大气动力学模式的基础上耦合大气物理化学模块(污染物的沉降，运输和扩散以及二次气溶胶反应)，代入污染物排放清单对未来大气情况进行推测，其中数值预报模式为最常用方法，该模式有一定的理论基础，会保留更多的物理化学过程，但是计算量特别大，需要在超级巨型计算机上进行部署；此外，数值预报是在天气现象已知情况下的因果关系基础上建立起来的，会因人们认识的不完整性而存在一定的系统误差，从而造成预测结果不准确。

第二类方法以普通科研人员为主：主要是采用数理统计模型方法进行预测；统计模型预报方法首先是选取与预报对象相关的物理因子，然后在预报对象与物理因子之间建立某种统计关系，根据统计关系预报未来时刻的天气，例如多元回归和分类等模型；该方法虽然在实际操作过程中比较容易实现，但是综合考虑大气能见度、气象条件、化学成分、谱分布、气溶胶浓度的关系比较复杂，若要单独建立准确率较高的雾霾统计预报方程难度比较大。

第三类方法以气象部门为主：主要是依据污染物浓度数据集筛选出关联性强的气象因子，利用统计方法建立预报方程，最后将气象数值预报模式的输出量代入预报方程进行统计预报，该方法需要雾霾数据满足一些前提假设：如线性系统或平稳随机过程，但是雾霾的形成具有明显的非线性性和混沌性，不满足上述假设，预测准确率普遍较低。

发明内容

本发明的目的是解决现有的雾霾预测方法过多地依赖前提假设和预测结果准确率不高的技术问题，提供一种基于特征增强ConvLSTM的雾霾预测方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于特征增强ConvLSTM的雾霾预测方法，包括如下步骤：

1)数据预处理：从公开途径获取雾霾指标数据，提取日度数据，然后按照温度、气压、相对湿度、露点温度、风力风向、气溶胶光学厚度AOD、气溶胶散射系数、气溶胶吸收系数、PM_2.5分别汇总到9个表中；