[发明专利]一种空气污染物浓度预测方法及系统

说明书

本发明提供一种空气污染物浓度预测方法及系统，所述方法包括：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，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；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。本发明通过提取空气监测站点的空间特征信息，并综合时序和空间特征信息对空气污染物进行预测，从而有效提高了空气污染物浓度的预测精度。

技术领域

本发明涉及数据预测技术领域，尤其涉及一种空气污染物浓度预测方法及系统。

背景技术

空气污染物浓度的预测一直是国内外空气污染监测与环境监测相关领域的研究热点。近年来随着大数据技术的快速发展与广泛应用，业界已经有越来越多的机构将大数据中的预测技术应用到空气中污染物预测和空气质量预测方面。目前，较为广泛的应用是将深度神经网络通过监督学习的方式应用到空气中各种污染物的预测。此外，还有将能够高效的提取连续时间特征的长短期记忆神经网络(Long Short-Term Memory，LSTM)应用到空气中污染物的浓度预测，该方法可以有效的提取有关空气污染物浓度的历史数据之间的时间特征从而获得污染物的预测值。

然而，现有的预测方法只考虑了监测数据的时间特征，缺乏对监测数据空间上的相关性的考虑，使得预测结果由于忽略空间特征而产生一定的误差，预测精度不高。

发明内容

本发明提供一种空气污染物浓度预测方法、系统、电子设备及存储介质，用以解决上述技术问题，能够综合考虑时序与空间特征信息，提高空气污染物浓度的预测精度。

本发明提供一种空气污染物浓度预测方法，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。

根据本发明提供的空气污染物浓度预测方法，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。

根据本发明提供的空气污染物浓度预测方法，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。