[发明专利]一种基于时空深度学习的臭氧浓度分布预测方法和系统

摘要

本发明提供一种基于时空深度学习的臭氧浓度分布预测方法和系统，所述方法包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；通过已训练的基于气象数据的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。通过插值等方法被处理为臭氧浓度分布图序列及气象‑时间序列。使用递归神经网络处理一段时间的历史数据，抽取出臭氧浓度变化的趋势特征。使用卷积神经网络处理一天及一周之前的历史数据，最大程度的利用臭氧的周期性特征。同时，加入预测时刻的气象数据及时间数据作为额外输入，利用气象和时间对于臭氧的影响进一步提高预测准确性。

主权项

1.一种臭氧浓度分布预测方法，其特征在于，包括：获取当前时刻臭氧浓度分布图，并获取待预测时刻的气象数据；获取待预测时间段内的时间气象序列，所述时间气象序列包括待预测时间段内各个时刻的气象数据；所述多个时间段包括第一时间段、第二时间段和第三时间段；所述预设时间段为{T,T+1,...,T+n}，所述第一时间段为{T‑m+1,T‑m+2,...,T}，所述第二时间段为{T‑24,T‑24+1,...,T‑24+n}，所述第三时间段为{T‑24*7,T‑24*7+1,...,T‑24*7+n}，n≤12且m≥n；获取多个时间段内的臭氧浓度分布图，基于插值法，通过时间属性将所述时间气象序列、所述多个时间段内的臭氧浓度分布图行内互联；通过深度学习网络进行训练，得到臭氧浓度周期性变化预测模型，通过卷积神经网络抽取所述第二时间段内每一帧臭氧浓度分布图的特征{Zbt2}，T‑24≤t2≤T‑24+n；通过卷积神经网络抽取所述第三时间段内每一帧臭氧浓度分布图的特征{Zct3}，T‑7*24≤t3≤T‑7*24+n；通过全连接层神经网络抽取所述时间气象序列中的特征{Zdt4}，T≤t4≤T+n；通过多层递归神经网络抽取所述第一时间段内每一帧臭氧浓度分布图的特征，将所述第一时间段内的每一帧臭氧浓度分布图输入到多层递归神经网络中，取所述多层递归神经网络中最后一层的最后一个节点隐藏输出向量hT，长度为p；基于时间属性将所述hT与ZbT‑24、ZcT‑7*24和ZdT连结成长度为4p的组合向量，通过全连接层将所述组合向量重新组成与臭氧浓度分布图大小相同的矩阵；将所述矩阵作为第二多层递归神经网络的第一层第一个节点的输入，按时间属性对所述第二多层递归神经网络最后一层每个节点的输出按上述时间属性进行连结处理，将处理后的结果输入到所述第二多层递归神经网络的第一层下一个节点中，对下一个时刻的臭氧浓度分布进行预测，重复上述训练过程，得到训练后的臭氧浓度周期性变化预测模型；并基于所述臭氧浓度周期性变化预测模型，得到所述预测时间段内的臭氧浓度分布图序列；将所述臭氧浓度分布图序列和所述时间气象序列作为样本，进行神经网络训练，得到臭氧浓度预测模型；通过已训练的臭氧浓度预测模型，对当前时刻臭氧浓度分布图和待预测时刻的气象数据进行处理，得到待预测时刻的臭氧浓度分布图。