[发明专利]一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法

摘要

本发明涉及一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法，本发明对于AQI预测，利用深度神经网络得到与之相关的多种城市大数据的表示，基于这些表示对有监测站区域的AQI进行预测。对于空间细粒度AQI等级估计，利用深度神经网络得到与之相关的多种城市大数据的表示，基于这些表示对无监测站区域的AQI等级进行估计。通过共享数据表示，对模型参数进行协同训练。本发明结合深度学习和多任务学习对有空气质量监测站的区域进行AQI预测，对无空气质量监测站的区域进行AQI等级估计，在普适计算、环保等领域具有广阔的应用前景。

主权项

1.一种基于深度多任务学习的城市AQI预测与空间细粒度AQI等级估计方法，其特征在于，包括预处理阶段、AQI预测阶段、空间细粒度AQI等级估计阶段、协同训练阶段，具体如下：(1)预处理阶段：(1.1)将城市地理空间划分成互不相交的网格区域，得到网格区域集合D＝{di，1≤i≤|D|}，以及每个网格区域di的POI分布数据与路网分布数据；(1.2)以城市中心为中心点对地理空间进行划分，得到全局影响区域GR；(1.3)根据所有网格区域的POI分布数据以及路网分布数据构建三张二分图：网格区域‑网格区域图Gdd、网格区域‑POI类别图Gdp以及网格区域‑路段类别图Gdr；(2)AQI预测阶段：(2.1)假设当前时刻为t，输入一条AQI预测样本其中表示有监测站网格区域df_i过去S个时刻的短期时序数据、过去L个时刻的长期时序数据以及未来Z个时刻的天气预报序列，表示全局影响区域GR过去Q个时刻的时序数据；(2.2)利用深度神经网络，将网格区域d_i嵌入到一个维空间，得到其低维向量表示(2.3)利用CNN对df_i的低维向量表示进行处理，得到df_i的非时序信息表示(2.4)利用RNN对df_i的短期时序数据进行处理，得到短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示以及(2.5)利用LSTM RNN对df_i的长期时序数据以及天气预报序列进行处理，得到长期气象信息、长期空气质量信息、长期交通信息、长期企业自测信息以及天气预报信息的表示以及(2.6)利用RNN对全局影响区域GR的时序数据进行处理，得到全局影响区域的时序信息表示Grt；(2.7)将上述所有信息表示输入一个LSTM RNN，得到用于AQI预测的信息表示序列(2.8)将输入一个全连接层，全连接层的输出用Relu函数进行处理，得到df_i未来Z个时刻的AQI序列(3)空间细粒度AQI等级估计阶段：(3.1)假设当前时刻为t，输入一条空间细粒度AQI等级估计样本其中表示无监测站网格区域de_i过去S个时刻的短期时序数据以及过去L个时刻的长期时序数据，分别表示有监测站网格区域集合中每个网格区域的时序数据；(3.2)利用深度神经网络，将网格区域de_i、df₁、df₂、…、df_|NF|嵌入到一个维空间，得到低维向量表示(3.3)利用CNN对网格区域de_i、df₁、df₂、…、df_|NF|的低维向量表示进行处理，得到网格区域的非时序信息表示(3.4)利用RNN对网格区域de_i的短期时序数据进行处理，得到短期气象信息、短期交通信息以及短期企业自测信息的表示以及(3.5)利用LSTM RNN对网格区域de_i的长期时序数据进行处理，得到长期气象信息、长期交通信息以及长期企业自测信息的表示以及(3.6)利用RNN对网格区域df₁、df₂、…、df_|NF|的短期时序数据进行处理，得到每个网格区域的短期气象信息、短期空气质量信息、短期交通信息以及短期企业自测信息的表示(3.7)利用LSTM RNN对网格区域df₁、df₂、…、df_|NF|的长期时序数据进行处理，得到每个网格区域的长期气象信息、长期空气质量信息、长期交通信息以及长期企业自测信息的表示(3.8)将上述所有时序信息表示与非时序信息表示进行拼接，得到用于空间细粒度AQI等级估计的信息表示(3.9)将输入softmax分类器，得到de_i的AQI等级概率分布；(3.10)将概率分布中最大值对应的级别作为得到的de_i在当前t时刻的AQI等级，即(4)协同训练阶段：(4.1)定义图嵌入目标函数L(G)；(4.2)获取带标签的AQI预测训练集FD，定义AQI预测目标函数L(FD)；(4.3)获取带标签的空间细粒度AQI等级估计训练集ED，定义空间细粒度AQI等级估计目标函数L(ED)；(4.4)通过共享网格区域的信息表示，对上述模型参数进行协同训练，模型最终目标函数为L(G)+L(FD)+L(ED)。