[发明专利]一种基于图自监督学习的PM2.5预测方法及存储介质

权利要求书

1.一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的PM2.5预测方法包括：

步骤1：进行图构建；

步骤2：构建PM2.5预测模型；

步骤3：训练步骤2构建的预测模型；

步骤4：计算模型预测的准确率，若准确率超过预设阈值，则执行步骤5，否则，返回步骤3；

步骤5：将多站点数据输入训练好的预测模型，获得所有站点的PM2.5预测浓度值。

2.根据权利要求1所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的步骤1具体为：

采集区域内多个站点的空气污染物和环境时空监测数据，对数据进行预处理后，将区域内的站点视为图中的节点，站点中采集到的环境时空数据作为节点特征向量，两个节点间距离小于预设阈值L，则视为两个节点间存在连边。

3.根据权利要求2所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的环境时空监测数据包括污染物浓度值、气象监测值和时空条件值。

4.根据权利要求1所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的步骤2具体为：

基于深度学习原理构建图自编码网络ST-GAE和长短期记忆网络LSTM建立时空联合预测模型，图自编码网络ST-GAE用于提取空间依赖关系，长短期记忆网络LSTM用于提取时间依赖关系，图自编码网络ST-GAE和长短期记忆网络LSTM相连。

5.根据权利要求4所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的图自编码网络ST-GAE使用Encoder-Decoder架构，ST-GAE的Encoder部分使用GCN来融合多阶邻居信息得到新的特征矩阵，可以用以下公式对Encoder部分进行表示：

Z＝GCN(X,A)

其中，为节点的特征矩阵；为图的邻接矩阵；为融合了邻居信息的图表示；

GCN的计算方法为：

其中，W₀和W₁为待学习的参数；D为图的度矩阵。

6.根据权利要求4所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的所述的图自编码网络ST-GAE采用前馈神经网络作为Decoder来重构原始的图结构，具体方法为：

其中，为重构后的邻接矩阵；g为sigmod激活函数；W_d和b_d为待学习的参数。

7.根据权利要求4所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的步骤3具体为：

首先对ST-GAE部分进行自监督训练，训练过程中使用损失函数进行训练；

得到预训练模型后，将重构的特征矩阵输入到LSTM网络中，提取时序依赖关系，使用损失函数MSE进行训练，并对模型进行微调，完成模型的训练。

8.根据权利要求7所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的损失函数为交叉熵，具体为：

其中，y表示邻接矩阵A中的某个元素值，为0或1；表示重构后的邻接矩阵中对应元素的值，为0或1；N为节点的数量。

9.根据权利要求7所述的一种基于图自监督学习的PM2.5预测方法，其特征在于，所述的损失函数MSE为均方误差，具体为：

其中，y_i表示PM2.5浓度的实际值；表示模型PM2.5浓度的预测值。

10.一种存储介质，其特征在于，所述的存储介质内存储有如权利要求1～9中任一项所述的PM2.5预测方法。