[发明专利]一种基于多层注意力机制的空气质量推断方法

说明书

本发明公开了一种基于多层注意力机制的空气质量推断方法，属于环境空气质量监测领域。本发明将城市划分成大小相同的网格，每个网格的空气质量受到相邻网格区域的影响，为了推断未部署空气质量监测传感器区域准确的空气质量，利用待推断区域、待推断区域周围的网格区域以及已部署传感器区域的时序数据和非时序数据，通过多层注意力机制，自适应地对不同的站点、网格区域、历史时间片数据赋予不同的权值，大大提升模型对空气质量推断的精度。

技术领域

本发明涉及一种基于多层注意力机制的空气质量推断方法，属于环境空气质量监测领域。

背景技术

由于城市空气污染对人类健康的不利影响，其这些年备受关注，因此准确知道某区域的准确的空气质量至关重要。现阶段利用神经网络对城市未来的空气质量的预测已经非常成熟且准确，但有绝大多数的研究只是针对已经部署传感器监测的空间区域进行处理(预测、实时展示、分析等)，由于受实际部署的限制，通常传感器覆盖粒度较粗，对其临近区域效果较好，但对距离部署站点较远的区域，无法真实反映其实际情况。本发明将城市划分成大小相同的网格，每个网格的空气质量受相邻区域网格的影响，为了推断未部署空气质量监测传感器区域准确的空气质量，利用待推断区域、待推断区域周围的网格区域以及已部署传感器区域的时序数据和非时序数据，通过多层注意力机制，自适应的对不同的站点、网格区域、历史时间片数据进行调整，提升模型对空气质量推断的表现。

发明内容

本发明的目的是提出一种基于多层注意力机制的空气质量推断方法，以解决现有技术中影响空气质量因素考虑不充分，特征提取采用经验主义抽取和人工定义，传统的神经网络没有考虑到局部空间特征的问题。

一种基于多层注意力机制的空气质量推断方法，所述空气质量推断方法包括以下步骤：

S100、将城市划分为大小相同的网格区域，对于网格内没有部署空气质量监测传感器的区域划分为待推断区域，待推断区域的周围八个网格区域作为局部区域，已部署空气质量监测传感器的区域作为全局区域；

S200、获取影响空气质量数据相关的时序数据和非时序数据，所述获取影响空气质量数据相关的时序数据包括：历史空气质量数据、气象数据和天气预报数据，所述空气质量的非时序数据包括：城市的路网数据和城市兴趣点数据；

S300、对时序数据和非时序数据进行数据处理，对于时序数据，去除会影响模型推断能力的部分突变值，对于时序数据的缺失值采用滑动窗口进行填充，对于非时序数据的缺失值采用平均值进行填充；

S400、构建多层注意力机制神经网络模型，所述多层注意力机制神经网络模型包括混合注意力层、空间注意力层、融合层和推断层；

S500、将处理完的数据输入到多层注意力机制神经网络模型中，进行训练；

S600、对待推断区域进行推断。

进一步的，S100具体包括以下步骤：

S110、将城市进行网格区域划分，将城市区域划分为边长为c的相互不相交的正方形网格Ri，每个网格区域的周围八个相邻的网格区域作为局部空间区域，其他已经部署传感器的区域作为全局区域；

S120、将每个网格区域的中心点的经纬度作为网格坐标，将所述网格坐标作为待推断的基本单元。

进一步的，S200具体包括以下步骤：

S210、采用爬虫程序定时对天气网的天气数据进行爬取，获得城市空气质量数据，将爬取得到的历史空气质量数据持久化存储到数据库中，记网格区域Ri的空气质量数据为

S220、用爬虫程序定时对中国天气网的天气数据进行爬取，获取城市的气象数据，将爬取得到的气象数据持久化至数据库存储，所述气象数据包括历史气象数据和实时气象数据，所述气象数据具体为：温度、湿度、风速以及风向，记历史时间网格区域Ri的气象数据为历史气象数据