[发明专利]基于时空图网络的区域污染物时空联合预测方法及装置

说明书

本发明涉及一种基于时空图网络的区域污染物时空联合预测方法及装置。其中，方法包括：步骤S1：以PM2.5作为预测的空气污染物，构建空气污染物浓度预测模型，其中，空气污染物浓度预测模型包括图注意力网络和改进LSTM网络；步骤S2：输入时空图序列数据至图注意力网络，获得各时刻污染物传播的空间关联；步骤S3：根据各时刻污染物传播的空间关联，使用向量拉伸拼接的方法，构造各时刻的隐向量z；步骤S3：将各时刻隐向量z作为改进LSTM网络的输入，得到预测结果，其中，改进LSTM网络中，内置有重置门，基于连续两个输入计算重置门的值，当重置门的值超限时，网络重置记忆。与现有技术相比，本发明具有提高预测准确性等优点。

技术领域

本发明涉及区域污染物浓度预测领域，尤其是涉及一种基于时空图网络的区域污染物时空联合预测方法及装置。

背景技术

近年来，随着工业化和城市化的发展，空气污染逐渐引起了各国的关注。根据世界卫生组织(WHO)的数据，全球有近十分之九的人正遭受日益严重的空气污染，空气污染会严重危害人们的健康和社会效率，提前预测空气污染物浓度对人们的出行计划和政府决策具有重要意义。然而，空气污染物的传播受到许多因素的影响，城市的空气污染物浓度不仅与上一时段的浓度相关，还受到相邻城市的污染物浓度影响。这种复杂的时空相关性使得空气污染物浓度预测成为了一个巨大的挑战。当前，随着传感器和监测站点日益增多，我们拥有了大量监测数据，这为我们提出并应用新型深度学习模型来预测空气污染物浓度提供了基础。

国内外许多学者都对空气污染物浓度预测进行了研究。传统方法通常利用对大气物理学和化学理论的知识来分析污染物的传播和扩散过程，然后建立回归方程来预测不同污染物的浓度。随着传感器收集的历史监测数据日益增多，研究人员开始使用统计学方法从历史数据中建立模型。但是，由于计算能力的限制，大多数模型无法充分利用海量的观测数据，限制了这些模型的预测精度。此外，传统方法也很少同时考虑空气污染物浓度的时间和空间相关性。近年来，深度学习在很多领域都展现了其强大的非线性建模能力，一些研究人员为了对空气污染物复杂的非线性空间依赖关系进行建模，提出了一些基于卷积神经网络(CNN)的模型。然而CNN是针对欧式空间下的网格数据(如图像和视频等)设计的，对于诸如地面监测站之类的自然设施等非欧式空间下的数据，使用CNN的卷积运算会影响数据本身的语义，不适合处理采集自非欧式空间下的空气污染物数据，因此基于CNN的模型存在瓶颈。

发明内容

本发明的目的就是为了提供一种基于时空图网络的区域污染物时空联合预测方法及装置，该方法能够实现对时空大数据的充分利用，并结合气象数据和时空辅助信息来挖掘污染物传播的复杂动态依赖关系，从而降低预测误差，提高预测准确率。

本发明的目的可以通过以下技术方案来实现：

一种基于时空图网络的区域污染物时空联合预测方法，包括：

步骤S1：以PM2.5作为预测的空气污染物，构建空气污染物浓度预测模型，其中，所述空气污染物浓度预测模型包括图注意力网络和改进LSTM网络，以时空图序列数据为输入，预测区域未来一段时间内的PM2.5浓度为输出；

步骤S2：输入时空图序列数据至图注意力网络，获得各时刻污染物传播的空间关联；

步骤S3：根据各时刻污染物传播的空间关联，使用向量拉伸拼接的方法，构造各时刻的隐向量z；

步骤S4：将各时刻隐向量z作为改进LSTM网络的输入，得到预测结果，其中，所述改进LSTM网络中，内置有重置门，基于连续两个输入计算重置门的值，当重置门的值超限时，网络重置记忆，输入时空图序列数据，得到未来一段时间目标站点的PM2.5浓度预测值，然后根据损失函数计算预测值和真实值之间的误差，利用梯度下降法进行多轮训练，最终确定预测模型参数和模型结构。

所述时空图序列数据的构建过程包括：

步骤A1：将预测区域内所有监测站点处的空气污染物数据、气象数据、时空属性视为图信号，建立节点特征向量；