[发明专利]一种基于重污染特征约束的PM2.5深度学习预测方法

说明书

本发明公开了一种基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，包括建立PM2.5重污染特征案例库和PM2.5深度学习预测模型，所述PM2.5深度学习预测模型的建立基于所述PM2.5重污染特征案例库的重污染特征约束。本发明提供一种新型PM2.5深度学习预测方法，创新性地将外来输送特征考虑到PM2.5污染预报中，联合污染本地气象条件，建立重污染特征案例库，并且将卷积神经网络和长短期记忆神经网络相结合，自动提取PM2.5时空特征，使模型具备地理意义，将重污染特征约束加入损失函数，同时考虑到常规数据本身和实际污染事件两大因素，进一步提升模型预报精度及其可解释性，更适用于大气PM2.5研究。

技术领域

本发明涉预报预警领域，具体涉及一种基于重污染特征约束的PM2.5深度学习预测方法。

背景技术

随着我国工业化、城市化的不断发展，环境污染问题逐渐突出，大气细颗粒物PM2.5在降低大气能见度、人类健康、气候方面起着重要作用，对其进行浓度实时监测及预报预警，是国家改善空气质量的基本需求，能够为环境政策的制定、公共健康研究的开展，以及提前制定有效的预防和治理措施，降低重污染天气带来的不利影响等提供基础数据支撑，具有重要科学与现实意义，是当前建设生态文明社会的迫切需要。受污染源排放清单、气象初始场、大气化学反应机理等各方面因素影响，当前空气质量预报系统的精度还无法满足实际应用需求。

传统空气质量预测预报一般采用统计方法和数值模型两种。统计方法，如多元线性回归，根据气象与污染物浓度等资料，建立定量关系，无法揭示污染物及其影响因子之间的非线性复杂关系，预报精度较低。数值模型通过对空气质量的输送、扩散采用复杂方程进行解析，利用数值模拟方法求解，物理意义明确，但是其需要高精度动态的污染源排放清单，模式复杂成本高，难以全面开展应用。近年来，深度学习因其优越的非线性表达能力，被较多地应用到PM2.5的预测中，如卷积神经网络CNN、长短期记忆网络LSTM等，取得了精度较高的预测效果。但是，深度学习模型常被视为黑盒子，不能探究大气扩散的机理，且相关研究显示，当PM2.5浓度较高时，模型很难学习到过高数值，即对重污染天气的预报能力欠缺

发明内容

本发明要解决的技术问题是提供一种基于重污染特征约束的PM2.5深度学习预测方法，创新性地将外来输送特征考虑到PM2.5污染预报中，联合污染本地气象条件，建立重污染特征案例库，并且将卷积神经网络和长短期记忆神经网络相结合，自动提取PM2.5时空特征，使模型具备地理意义，将重污染特征约束加入损失函数，同时考虑到常规数据本身和实际污染事件两大因素，进一步提升模型预报精度及其可解释性，更适用于大气PM2.5研究。

为了解决上述技术问题，本发明提供了一种基于重污染特征约束的PM2.5深度学习预测方法，其特征在于，包括建立PM2.5重污染特征案例库和PM2.5深度学习预测模型，所述PM2.5深度学习预测模型的建立基于所述PM2.5重污染特征案例库的重污染特征约束；

所述PM2.5深度学习预测模型的建立包括如下步骤：(1)根据环境监测PM2.5污染物浓度、气象因子数据、自然和人为数据，以PM2.5为预测目标污染物，构建目标城市的PM2.5浓度预测模型；(2)对初始样本数据集去噪，消除异常值，插补缺失值；并进行归一化处理；(3)对标准化后的样本数据集划分为训练集、验证集和测试集；并完成对PM2.5浓度预测模型的初始化；(4)利用步骤三中训练集的训练数据对PM2.5浓度预测模型进行训练，并采用验证集的验证数据进行验证；(5)利用训练完成的PM2.5浓度预测模型对步骤三中测试集的测试数据进行预测；(6)判定测试数据的预测结果准确性，若准确性超过阈值，则执行步骤七，若准确性不超过阈值，则返回步骤三：(7)得到最终的PM2.5深度学习预测模型，进行预测。