[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

说明书

本发明涉及一种基于图自监督学习的PM2.5预测方法及存储介质，其中PM2.5预测方法包括：步骤1：输入区域内多站点的历史环境时空数据进行图构建；步骤2：构建PM2.5预测模型；步骤3：输入时空图序列数据，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：将区域内多站点数据输入训练好的预测模型，获得区域内多站点的PM2.5预测浓度值。与现有技术相比，本发明具有预测效果好、实用性好等优点。

技术领域

本发明涉及空气质量监测技术领域，尤其是涉及一种基于图自监督学习的PM2.5多站点联合预测方法及存储介质。

背景技术

随着我国社会的不断发展和城市规模的不断扩大，近年来，城市的空气污染问题不断受到社会的关注。空气污染会产生许多问题，如引起人体呼吸道和心肺系统疾病，影响社会生产效率等。特别是PM2.5这类微小颗粒，一旦形成具有面积大，难以消解等特点更需要被重点关注。为了改善空气污染引起的社会问题，及时准确的了解PM2.5传播扩散趋势，建立准确的PM2.5浓度预测模型，能够帮助我们提前了解污染物浓度变化趋势，帮助管理部门提前做出决策。当前，空气污染物浓度预测涉及到多个部门，多种时空数据和多个区域，准确的预测往往面对海量的数据和复杂的非线性传播依赖关系。

国内外许多研究人员都提出了众多预测方法和技术，但大部分使用的仍然是传统的机器学习方法，只能提取浅层特征。此外，现有的大部分研究方法都没有考虑到污染物数据采集自监测站点这类非欧几里得空间。对于利用非欧几里得空间下的空间关联性研究较少，尽管现有技术中存在对PM2.5的预测方法，但是预测准确率和精度都较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测效果好、实用性好的基于图自监督学习的PM2.5预测方法及存储介质。

本发明的目的可以通过以下技术方案来实现：

一种基于图自监督学习的PM2.5预测方法，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。

优选地，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。

更加优选地，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。

优选地，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。

更加优选地，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：