[发明专利]面向动态相关空气质量时间序列的预测方法及系统

权利要求书

1.一种面向动态相关空气质量时间序列的预测方法，其特征在于，包括以下步骤：

步骤S1，获取监测区域所有空气质量监测站点的网格气象数据；

步骤S2，利用图像卷积法对所述网格气象数据进行处理，获得污染物时间序列；

步骤S3，采用多特征聚类法根据所述网格气象数据的不同特征与多种空气污染物之间的相关性对特征进行分组，具体包括：

步骤S301，使用SPSS软件中的双变量皮尔森相关系数对历史空气质量数据进行分析，得到每种特征之间的相关系数矩阵；

步骤S302，计算所述相关系数矩阵中任意特征组中每个特征与其他所有特征的距离并求均值，将所述均值作为两个特征组间的距离，生成各特征间的平均距离矩阵；

步骤S303，采用相关性距离法作为度量方法、以平均距离矩阵为基础进行自底向上的层次聚类分析，生成聚类结果；

步骤S4，根据差分自回归滑动平均模型ARIMA对所述污染物时间序列进行拟合，以获得残差序列和第一部分预测值，并将所述残差序列作为一个特征放入特征组中，根据不同特征组的数据是否为序列形式将其输入到不同的编码器中，然后将结果融合后输入解码器中进行预测得到第二部分预测值，具体包括：

步骤S401，采用差分自回归滑动平均模型ARIMA对所述污染物时间序列进行拟合，获得所述第一部分预测值以及预测值和观察值之间差值构成的残差序列；

步骤S402，将所述残差序列作为一个特征放入特征组中，采用基于门控循环单元网络GRU和前馈神经网络FNN的多组编解码器分别对序列形式的特征组和非序列形式的特征进行编码，将结果融合后输入解码器进行预测得到第二部分预测值；

步骤S5，利用卷积神经网络CNN对所述网格气象数据的历史空气质量数据进行卷积，以获得包含动态相关性的空气质量时间序列，并使用差分自回归滑动平均模型ARIMA处理所述包含动态相关性的空气质量时间序列，得到第三部分预测值，通过softmax函数将所述第一部分预测值、所述第二部分预测值和所述第三部分预测值加权求和，得到最终预测结果。

2.根据权利要求1所述的面向动态相关空气质量时间序列的预测方法，其特征在于，所述网格气象数据包括历史空气质量数据、基于网格形式的高频天气预报和气象数据、兴趣点数据和路网数据。

3.根据权利要求1所述的面向动态相关空气质量时间序列的预测方法，其特征在于，所述步骤S2具体包括：

步骤S201，根据所述网格气象数据将监测区域划分为由形状和大小一致的网格单元组成的集合体，每个方格内的数值代表该区域内的气象特征数值；

步骤S202，将划分后的监测区域的网格视为矩阵，以待预测监测站点为中心对周围n*n大小的网格矩阵使用卷积核进行卷积，得到一个数值作为该监测站点的气象数据。