[发明专利]一种基于深度学习的空气质量浓度反演方法

说明书

本发明涉及生态环境监测技术领域，公开了一种基于深度学习的空气质量浓度反演方法，将卷积神经网络、长短期记忆神经网络和全连接神经网络与引入Nesterov动量的自适应学习率RMSProp算法和参数初始化策略相结合，对传统的LSTM模型进行了优化并且提出使用了自适应学习算法。基于建立的双向LSTM模型对空气质量浓度的变化进行反演，这种方法能够大幅度减少训练模型所需要的时间并且能提高空气质量浓度的精度，根据新的环境数据的变化去在线训练模型。通过基于深度学习的空气质量浓度反演方法可以实现对区域式空气质量浓度的变化进行准确的反演。

技术领域

本发明涉及生态环境监测技术领域，尤其是涉及了一种基于深度学习的空气质量浓度反演方法。

背景技术

随着工业化、城镇化的发展，当前大气问题日益凸显，城市生态环境问题逐渐引起人们的关注，解决城市生态环境问题的基础是对生态现象进行智能认知与归因，并最终实现对生态环境现象的预测与反演。由于一般常规的统计方式用于空气质量浓度反演时缺乏时空可拓展性，在信息化的新时代，计算机行业飞速发展，物联网技术在生态环境领域的不断应用，高度小型化低成本传感器技术快速发展，智能化、立体化的环境污染数据综合监测体系日益成熟，高精度、高时空分辨率的大气污染和水污染物的连续实时监测数据集不断积累扩大，亟待人们挖掘开发其中的巨大价值；同时，随着人工智能和大数据技术的蓬勃发展，大数据分析和深度学习技术在环境污染方面的研究应用日益受到关注。因此，基于大量污染物监测数据积累和机器学习等新兴技术发展的基础，数据驱动模式成为研究污染物溯源的新思路。

传统研究空气质量浓度变化的反演方法大体可分为统计学以及经典机器学习这两类方法，但是因为数据集不断积累扩大以及相关的影响因子又极为繁多，采用传统的反演方法势必会将消耗大量时间和财力，而传统的反演方法采用的传统的LSTM模型(LongShort-Term Memory)即长短期记忆循环神经网络，其缺点是容易梯度消失，空气质量浓度难以准确反演。

发明内容

为解决上述问题，本发明提出了一种基于深度学习的空气质量浓度反演方法，相较于传统的统计学方法和机器学习方法，该方法能够更好提高反演的精确度并且能够降低模型训练时所花费的代价。

本发明所述的一种基于深度学习的空气质量浓度反演方法，包括如下步骤:

步骤1、采集数据，对采集到的数据进行预处理；

步骤2、利用经过预处理的数据构建卷积神经网络，提取重要特征；

步骤3、采用改进的RMSProp算法优化LSTM双向模型；

步骤4、建立长短期记忆神经网络层和全连接神经网络层，对优化后的LSTM双向模型进行解码，拟合并且加以训练，最终预测结果。

进一步的，步骤1中包括如下具体步骤：

步骤1-1、数据获取：通过某个区域内设立的多个监测点获取到的影响空气质量浓度及空间特征相关的大气数据组成的时间序列；

步骤1-2、离散特征数值化编码：将获取到的大气数据组成的时间序列进行抽象、抽取大量特征，然后通过独热编码方式将这些特征处理转化为数字信息；

步骤1-3、缺失值处理：由于机械原因和人为原因导致的数据缺失，如果不超过两个时间间隔的缺失数据采用相邻数据进行填充，对于超过两个时间间隔的缺失数据采用线性插值法进行填充；

步骤1-4、异常值处理：做数据预处理的时候对数据进行异常过滤，首先可以将数据可视化成图表然后进行一阶差分运算，如果超过了设定的阈值0.1就认为是异常数据，对于异常数据的处理是先进行删除，然后把这些数据当作缺失值处理，重复进行步骤1-3的操作；

步骤1-5、标准化处理：将步骤1-4得到的数据进行标准化处理，使数据具备可比性；