[发明专利]基于非监督限制性优化的空气污染时空趋势预测方法

权利要求书

1.一种基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：包括以下步骤：

步骤一、采集整理空气污染监测站点的空气污染监测数据及协变量数据；

步骤二、基于提取的协变量数据，对研究区进行非监督学习分区；

步骤三、针对提取得到的分区，依据每个分区内的长时间序列数据，提取其时间基函数；

步骤四、对提取得到的时间基函数的数据进行整理，并预测未来一定时间段内的时间基函数变化趋势；

步骤五、基于时间基函数建立时空场；

根据域知识及历史经验数据加入限制性条件，限制性条件包括：区域的参数限制、区域化的最小最大空气污染物浓度限制、季节变化模式、空气长期的变化趋势、不同污染物之间关系的趋势、年平均值趋势；

步骤六、优化求解空间各区时间基函数的空间系数；

步骤七、选定目标点，依据该目标点的监测与/或估计数据，采用时间基函数进行趋势拟合，包括对未来趋势预测结果；

步骤八、基于现有的估计栅格数据进行未来的高分辨率的空气污染时空趋势预测。

2.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤一中，采集的空气污染监测数据为长时间序列数据；对于协变量数据，提取影响其空气污染浓度相关的要素，包括坐标、高程、气象要素的均值、土地利用。

3.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤二中，对具备先验知识的研究区域，以先验知识为基础，确定聚类个数，采用K-Means方法进行分区；

如若研究区域缺乏先验知识，采用肘法确定聚类个数，在该方法中，确定从小到大的聚类个数，对每个聚类数目采用K-Means进行聚类，评估聚类的目标函数，当该目标函数值变化趋缓时，对应聚类个数即可作为分区数；

K-Means通过区域变差最小而区间变差最大的方法进行分区：

式中，J为聚类需要最小化的目标函数，即类内平方和；K为聚类的分类个数，k为分区的类别索引，i代表空间点索引，n_k为样本中属于第k类的样本个数，x_i^(k)为属于第k类的第i个样本的特征矢量，c_k为第k类的聚类中心点的特征矢量，d(…)为x_i^(k)同c_k之间的距离函数，缺省采用欧式距离函数：

式中，为特征x_i^(k)的第j个元素值，c_kj为中心点特征c_k的第j个元素值。

4.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤三中，在每个分区内选择研究时间段可靠的长时间序列的空气污染浓度的监测站点，要求监测站点在监测时间段内的监测样本达到75％以上；当区内监测样本点数量不足时，采用最近邻方法补充监测样本点；依据长时间序列监测样本，采用迭代性的奇异分解方法提取其时间基函数。

5.根据权利要求1所述的基于非监督限制性优化的空气污染时空趋势预测方法，其特征在于：步骤四中，将时间基函数的数据整理划分X和y，其中，X代表历史数据，y代表要预测的变化趋势数据；将气象及地形因素加入进行时间序列的预测，并采用XGBoost方法预测时间基函数变化趋势。