[发明专利]一种空气污染物浓度预测方法及系统

权利要求书

1.一种空气污染物浓度预测方法，其特征在于，包括：

获取待测区域中至少两个空气监测站点的空间关系参数，并获取各个所述空气监测站点的当前时刻的监测指标信息；其中，所述监测指标信息包括空气污染物浓度监测值；

基于所述空间关系参数以及所述当前时刻的监测指标信息，利用预先训练好的特征提取模型进行计算得到当前时刻的空气质量特征；其中，所述特征提取模型是基于空气质量特征样本、与所述空气质量特征样本对应的空间关系参数及监测历史数据进行训练得到的；

将所述当前时刻的空气质量特征输入至预先训练好的污染物浓度预测模型，得到所述污染物浓度预测模型输出的下一时刻的待测区域空气污染物浓度预测结果；其中，所述污染物浓度预测模型是基于所述空气质量特征样本、与所述空气质量特征样本对应的污染物浓度真实值进行训练得到的。

2.根据权利要求1所述的空气污染物浓度预测方法，其特征在于，所述污染物浓度预测模型为采用LSTM模型，所述LSTM模型包括正向时序LSTM层、逆向时序LSTM层和结果输出层；所述将所述当前时刻的空气质量特征输入至预先训练好的污染物浓度预测模型，得到所述污染物浓度预测模型输出的下一时刻的待测区域空气污染物浓度预测结果的步骤中，包括：

将所述当前时刻的空气质量特征分别输入至所述LSTM模型的正向时序LSTM层和逆向时序LSTM层，以使所述结果输出层根据所述正向时序LSTM层输出的第一预测结果和所述逆向时序LSTM层输出的第二预测结果进行计算得到所述下一时刻的待测区域空气污染物浓度预测结果。

3.根据权利要求2所述的空气污染物浓度预测方法，其特征在于，所述结果输出层根据所述正向时序LSTM层输出的第一预测结果和所述逆向时序LSTM层输出的第二预测结果进行计算得到所述下一时刻的待测区域空气污染物浓度预测结果的步骤中，具体为：

所述结果输出层根据所述正向时序LSTM层输出的第一预测结果和所述逆向时序LSTM层输出的第二预测结果进行平均值计算得到所述下一时刻的待测区域空气污染物浓度预测结果。

4.根据权利要求1所述的空气污染物浓度预测方法，其特征在于，所述空间关系参数包括所述待测区域的站点空间分布邻接矩阵和模型辅助矩阵；所述获取待测区域中至少两个空气监测站点的空间关系参数的步骤中，包括：

获取所述待测区域中至少两个空气监测站点之间的空间距离；

基于所述空间距离进行构建得到所述站点空间分布邻接矩阵；

根据所述站点空间分布邻接矩阵进行计算得到所述模型辅助矩阵。

5.根据权利要求1所述的空气污染物浓度预测方法，其特征在于，所述特征提取模型为采用图卷积神经网络。

6.根据权利要求5所述的空气污染物浓度预测方法，其特征在于，所述图卷积神经网络为采用三层图卷积神经网络。

7.根据权利要求1所述的空气污染物浓度预测方法，其特征在于，所述监测指标信息还包括风速、温度、气压、湿度中的一种或多种。

8.一种空气污染物浓度预测系统，其特征在于，包括：

获取模块，用于获取待测区域中至少两个空气监测站点的空间关系参数，并获取各个所述空气监测站点的当前时刻的监测指标信息；其中，所述监测指标信息包括空气污染物浓度监测值；

处理模块，用于基于所述空间关系参数以及所述当前时刻的监测指标信息，利用预先训练好的特征提取模型进行计算得到当前时刻的空气质量特征；其中，所述特征提取模型是基于空气质量特征样本、与所述空气质量特征样本对应的空间关系参数及监测历史数据进行训练得到的；

预测模块，用于将所述当前时刻的空气质量特征输入至预先训练好的污染物浓度预测模型，得到所述污染物浓度预测模型输出的下一时刻的待测区域空气污染物浓度预测结果；其中，所述污染物浓度预测模型是基于所述空气质量特征样本、与所述空气质量特征样本对应的污染物浓度真实值进行训练得到的。