[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

说明书

本发明公开了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，包括以下：采集整理空气污染监测数据及协变量数据；基于非监督学习进行分区；依据每个分区内的长时间序列数据，提取时间基函数；预测未来一定时间段内的时间基本函数变化趋势；基于时间基函数建立时空场；优化求解空间各区时间基函数的空间系数；选定目标点，依据时基函数及目标点的监测与/或估计数据进行趋势拟合，包括对未来趋势预测结果；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。本发明可以探测一定时空范围内的浓度变化的模式及趋势，进行稳定、可靠的空气污染物浓度的监测预警。

技术领域

本发明涉及一种预测方法，尤其涉及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。

背景技术

空气污染监测预警对监控环境空气质量水平，具有非常重要的现实意义，当前空气污染监测数据均基于有限的监测样本点进行，这些有限监测样本点的监测数据对于地形、地貌、气象等差异变化较大的地区而言是非常有限的。采用卫星遥感技术，加上地面的其他如气象、交通、土地利用、POI(兴趣点)等变量，已采用了时空建模方法进行地面的栅格估算。目前，常规的空间及时空插值算法，包括最近邻、克里格、贝叶斯最大熵、概化累加模型等，在样本数充足情况下，这些模型结果训练可以获得较好的精度；但是在实际预测中，由于受到数据测量误差及建模不确定性的影响，在空气污染物如PM_2.5估值结果可能会有偏差，如预测结果中极值(超过实际中可能出现的最大值)的出现；而对NO₂及NO_x的估计，会导致关系的不一致等。此外，现有的时空估计方法都需要协变量的输入，对于未来一定时段内由于缺乏协变量无法采用这些模型进行预测。而如果能对未来一定时段内(如1年)空气污染浓度趋势进行预测，无疑将提升预警及辅助决策的功能。

时间序列方法如卷积神经网络(Convolutional Neural Network，简称CNN)、长短记忆(Long-Short Term Memory)等，需要密集的历史数据的输入，而这些密集的历史数据对于扩展性的时空预测是较难获取的。所以时间序列模型对于较大区域的大规模的空气污染浓度预测是较难实现的。

利用基于时间基函数的时空场方法，可以以较少的样本数，获得可靠的空气污染浓度的长时间序列的模拟。但是现有的方法都是基于一个基函数的方法，对于在地形、气象、污染源等差异显著的较大的研究区域，这些方法是有缺陷的。主要是在不同的子区域，其气象因子及地形等导致了空气污染物浓度不同的时空变化模式，而采用一套时间基函数，将导致一些区域的差异无法在一套时间基函数里捕捉。如若能够根据区域属性采用不同的时间基函数，体现出区域的差异性，使得提取的时空场的模拟捕捉这种区间差异，以便系统更准确的进行空气污染物浓度的模式提取，实现空气污染物浓度的时空趋势的预测。此外，虽然说可以采用k-最近邻方法进行长时间序列的监测点生成时间基函数，但是这种方法主要有两个弱点：一是计算时间效率不高，每个点都需要进行最近邻提取并生成基函数，需要成倍的计算时间；二是k-最近邻不能保证用于提取时间基函数的长时间系列样本的一致性，如在不同子区域的边界地带，此时原本属于不同区域的点放在一起提取时间基函数，不同模式的样本点会导致混杂要素的引入从而使得提取结果有偏。