[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

说明书

本发明公开一种融合空间和统计特征的CNN‑GRU臭氧浓度预测模型，首先通过对时空因素以及其他气象因子与臭氧浓度进行相关性分析，利用统计学方法和克里金插值法对缺失值填充后的气象污染物数据进一步预处理并提取臭氧浓度数据的时空特征，同时融合其他气象因子，采用统计、CNN和GRU三分支并行的预测模型得到最终臭氧浓度预测结果。本发明预测模型在预测未来一小时、两小时臭氧浓度优于CNN、LSTM、GRU、Convlstm、CNN‑LSTM(parallel)和CNN‑GRU(parallel)预测模型。本发明预测模型融合了空间和统计特征，多角度抽取特征并采用并行网络分支结构，得到了较高预测精度。

技术领域

本发明涉及臭氧浓度预测技术领域，具体涉及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、预测方法及模型。

背景技术

近年来，我国大气污染问题备受关注，其中，近地面的臭氧是大气污染物的一种，同时也是光化学烟雾的组成之一，在大气中会发生光化学反应生成氮氧化物(NOx)和挥发性有机物(VOCs)等对生物有害的二次污染物。另外，暴露在一定臭氧浓度下会对人体心血管及呼吸系统有所影响，高浓度的臭氧不仅影响人体健康，导致多种疾病发生，还会阻碍农作物的生产，影响昆虫的发育和行为，甚至会对生态环境产生严重的危害。目前，大气环境监测站为臭氧相关研究提供了数据支持。通过监测数据，可以了解当前的空气质量，但无法直接观测未来空气质量的发展趋势。对未来臭氧浓度进行预测，可为受臭氧影响的户外工作者及政府决策提供科学支持，并可对生态环境起到进一步保护作用。因此，对臭氧浓度的精准预测具有重要意义。

当前对臭氧浓度预测的研究主要分为两类，一类是基于传统方法的预测模型，如吴莹等利用NAQPMS(嵌套空气质量预报模式系统)和CMAQ(通用多尺度空气质量模型)对臭氧进行预报，两种模型对O₃预报的相关系数分别为0.67、0.79，NMB分别为1.1％、2.2％，NME分别为30.5％、20.7％(吴莹，王玉祥.NAQPMS和CMAQ模式在臭氧预报应用中的效果检验[J].四川环境，2019，38(01)：81-84.)。此方法能对臭氧浓度进行大致预测，但需要大量人力物力，有时预测并不准确。另一类是基于机器学习的预测模型，相比传统的预测模型，该类模型使用臭氧浓度和相关气象因子的时间序列数据作为模型输入，众多学者搭建了使用随机森林、BP神经网络、决策树、XGBoost等机器学习方法的数值关系模型用于预测大气污染物的浓度，此类模型构造简单且便于操作。贾鹏程等通过分析气象因子、前体物以及颗粒物对近地面臭氧浓度的影响，利用q2seq模型对未来1小时臭氧浓度进行预测，实验结果均方根误差为12.0μg/m³，平均绝对误差为9.27μg/m³(贾鹏程.基于深度学习的长三角地区臭氧临近预报技术研究[D].南京：南京信息工程大学，2021.)。王馨陆等基于成都市的气象数据，使用随机森林等机器学习方法，建立了成都市夏季臭氧污染潜势模型，该模型对臭氧的短期污染潜势具有良好的预报效果，测试集的相关系数在0.73-0.76(王馨陆，黄冉，张雯娴，等.基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例[J].北京大学学报(自然科学版)，2021，57(05)：938-950.)。蔡旺华等运用XGBoost模型预测空气中的臭氧浓度，充分考虑臭氧浓度的时序变化规律，将气象条件和生成臭氧的重要前体物纳入模型考虑后均取得了90％的预报等级准确率(蔡旺华.运用机器学习方法预测空气中臭氧浓度[J].中国环境管理，2018，10(02)：78-84.)。目前臭氧的预测方法着重研究解决臭氧的时间依赖性和臭氧与其他环境因子之间的关系，而结合臭氧的空间特征和自相关性研究较少，即单个站点臭氧浓度的历史数据与周围站点在同一时序上的相关性和臭氧自身的强时序特征研究较少，导致臭氧的预测精度仍有较大的提升空间。

发明内容

本发明的目的是提供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、预测方法及模型，以解决现有技术的不足。

本发明采用以下技术方案：