[发明专利]融合空间和统计特征的CNN-GRU臭氧浓度预测模型建立方法、预测方法及模型

权利要求书

1.一种融合空间和统计特征的CNN-GRU臭氧浓度预测模型建立方法，其特征在于，包括如下步骤：

步骤1、获取待预测大气环境监测站点及其周边多个大气环境监测站点气象污染物多年历史数据，所述气象污染物包括O₃、CO、NO₂、SO₂、PM2.5和PM10；

步骤2、对步骤1获取的气象污染物数据预处理，即将气象污染物数据的缺失值进行线性填充；预处理后的气象污染物数据根据时间划分为训练集数据和测试集数据；

步骤3、对步骤2预处理后的气象污染物数据进行数据分析，包括从时间特征、空间特征和其他气象因子对臭氧浓度的影响进行特征分析，所述其他气象因子包括CO、NO₂、SO₂、PM2.5和PM10；

步骤4、根据步骤3，利用统计学方法和克里金插值法对步骤2训练集数据进一步预处理提取数据的时空相关特征，具体包括：

(1)提取空间特征：采用克里金插值法对训练集数据进行网格化处理，即根据各监测站点的经纬度，进行坐标平移，以待预测监测站点为原点，将多个监测站点构成m×n的网格，m、n为自然数，得到网格化数据；将网格化数据采用卷积神经网络进行空间特征提取，作为GRU分支和CNN分支的输入；

(2)提取统计特征：就训练集数据，遍历每一个时间点，计算统计历史预测时间点前一小时臭氧浓度值、前三小时平均臭氧浓度值、24小时前同一时间点与下一小时的差值和24小时前下一小时与下二小时的差值，遍历每一个时间点，将计算得到的统计特征加入列表，将数据转换为二维矩阵，再通过全连接神经网络提取后作为统计分支的输出；

步骤5、步骤4(1)中提取空间特征后的数据作为GRU分支和CNN分支的输入分别通过GRU模型、CNN模型得到GRU分支的输出、CNN分支的输出，结合步骤4(2)中的统计分支的输出，将三个输出并行拼接作为全连接神经网络的输入，得到最终的输出，由此构建得到融合空间和统计特征的CNN-GRU臭氧浓度预测模型；

步骤6、通过测试集数据对步骤5构建好的融合空间和统计特征的CNN-GRU臭氧浓度预测模型进行模型测试，利用模型测试的结果对所述融合空间和统计特征的CNN-GRU臭氧浓度预测模型的预测精度进行评价。

2.根据权利要求1所述的融合空间和统计特征的CNN-GRU臭氧浓度预测模型建立方法，其特征在于，步骤1所述待预测大气环境监测站点及其周边多个大气环境监测站点气候环境条件相近，地理位置相对较密集集中。

3.根据权利要求1所述的一种融合空间和统计特征的CNN-GRU臭氧浓度预测模型建立方法，其特征在于，步骤4(1)中采用二维CNN进行空间特征提取；步骤5CNN模型采用一维CNN，GRU模型采用双层GRU。

4.根据权利要求1所述的一种融合空间和统计特征的CNN-GRU臭氧浓度预测模型建立方法，其特征在于，步骤6使用平均绝对误差MAE、均方根误差RMSE、可决定系数R² 3个指标对构建的融合空间和统计特征的CNN-GRU臭氧浓度预测模型臭氧浓度预测结果的预测精度进行评价；

表达式如下：

其中，为预测值，y_i为真实值，为真实值的平均值，m为样本数量，i为第i个样本。