[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

说明书

本发明公开了一种面向动态相关空气质量时间序列的预测方法及系统，其中，该方法包括：获取网格气象数据，利用图像卷积法对其进行处理得到污染物时间序列；采用多特征聚类法根据上述数据的不同特征与多种空气污染物之间的相关性对特征分组；根据ARIMA模型对污染物时间序列进行拟合，获得残差序列和一部分预测值，并将其放入特征组中，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另一部分预测值；利用CNN对历史空气质量数据进行卷积得到空气质量时间序列，并使用ARIMA模型处理得到第三部分预测值，通过softmax函数将上述三部分预测值加权求和，得到最终预测结果。

技术领域

本发明涉及时间序列预测技术领域，特别涉及一种面向动态相关空气质量时间序列的预测方法及系统。

背景技术

近年来随着我国经济的建设和社会的发展，以及城市化、现代化的进程加快，人们的生活已经与许许多多不同种类的传感器密切联系在一起，其中对空气污染进行监测的空气质量监测传感器具有很重要的地位。空气质量监测站点就是通过多种传感器显示环境中实时的空气污染物数值的设施，人们将这些数据收集起来与时间按序一一对应就形成了空气质量时间序列，有了这些空气污染的数据就可以做出一定的对策来控制污染，降低危害。但这种传感器只能显示当前时刻的数值和记录历史数据，无法对未来时间的数据进行预测，这就使其应用范围大打折扣，如果可以预测将来的空气污染情况，政府可以及时对污染情况进行预警，并采取相应的应对措施，比如对污染严重的企业进行关停或限产、对公共交通进行限制、对大型活动进行推迟；人们可以避开污染严重的时候并提前安排出行时间或者佩戴口罩等防护措施等等。因此对于空气质量时间序列的预测可以为空气污染的预报和防治提供可靠的依据。

目前的时间序列预测研究存在的问题主要有：(1)传感器时间序列在时间维度上通常既有线性也有非线性特征，缺乏合适的方法同时考虑两种特征。(2)传感器时间序列会受到多种来源、结构不同的多源异构数据影响，并且它们与不同的空气污染物之间可能存在不同程度的跨领域影响，现有方法大多只是简单加入这些外部特征而没有对这种影响进行考虑。(3)传感器时间序列在空间维度上也会受到影响。来自不同传感器的时间序列之间存在相关性，并且这种相关性是动态变化的。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种面向动态相关空气质量时间序列的预测方法，该方法能够对空气质量监测站点所在区域的空气质量时间序列数据进行准确的预测，为空气污染的预报和防治提供可靠的依据。

本发明的另一个目的在于提出一种面向动态相关空气质量时间序列的预测系统。

为达到上述目的，本发明一方面实施例提出了面向动态相关空气质量时间序列的预测方法，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；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；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，通过一个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。