[发明专利]一种基于时空深度学习的移动污染源排放浓度预测方法

摘要

本发明公开了一种基于深度学习的移动污染源排放浓度预测方法，本发明根据移动污染源污染物的区域时空分布特点，提出基于注意力机制的卷积长短期记忆神经网络预测方法。首先，通过分析站点之间的Granger因果关系并开发超参数高斯向量权重函数以确定空间自相关变量作为输入特征的一部分。其次，使用卷积神经网络来提取LSTM网络使用的数据的时空间特征，同时注意力模型分别用于加权特征图和通道以增强特征的有效性。最后，基于深度LSTM的时间序列预测器，用于学习大气污染物浓度的长期和短期依赖性。本发明从历史大气污染物数据中提取固有的有用特征，并将辅助数据纳入所提出的模型中以提高性能，从而浓度预测方法。

主权项

1.一种基于时空深度学习的移动污染源排放浓度预测方法，其特征在于：该方法具体包括以下步骤：步骤1：利用格兰杰因果分析解决时空相关性问题，对于复杂的空间因素，使用格兰杰因果关系来分析空气浓度的时间序列；将一个监测站的空气污染物的时间序列定义为Yi，另一个监测点的时间序列为Xi；格兰杰因果关系的格式和零假设是：其中Nd空间聚类的邻域集，εt是一个白高斯随机向量，n是时间戳的数量，向量Φi是对应的权重Yi，μi表示空间位置Xi和Yi之间的空间权重；针对Xi和Yi的空间权重μi，将风向和距离与空气污染物的浓度扩散过程相结合，提出了一种基于高斯核函数的超参数高斯权重向量，描述为：其中α(j)是学习率，其中dX/dY和θXY分别代表距离变量和角度变量，距离通过欧几里德距离直接计算，使用F检验来确定第一个公式是否比第二个公式更重要；如果是，Xi是Yi的因果关系，所以Xi可以用于预测Yi，带宽参数σ，它表示变换后的方向和距离效应之间的折衷；步骤2：空间/时间特征提取，使用历史空气污染物浓度数据建立一个时空关系的三维矩阵，作为CNN的输入；假设S监测站S_i＝{s₁,s₂,…,s₂₅}的总数按空间顺序排列在路段上；S站可以提供一组时间检测数据D_i＝{d_t‑r,…,d_t‑2,d_t‑1}，其中在每个时间点t记录的检测数据是D是时间检测数据，S是监测站，并且ο是属性；根据道路上监测点的空间和时间分布组合了所有数据，得到了一个大小为M＝{S,D,ο}的三维数据矩阵；由此预测问题定义为：对于给定的一组监测站S在给定的不同时间间隔，将其最新的最大时间步骤{t‑r,…,t‑2,t‑1}历史数据用于时空相关性建模和空气污染物浓度预测；为了提高效率，在模型的第二和第三卷积层之后添加批量标准化；步骤3：建立特征图注意力模型，使用卷积核进行卷积运算以获得输出空间和时间特征映射；在注意力模型中，F＝{f(1),f(2),…,f(j)}是卷积层的输出隐藏特征映射，即j∈R卷积核的数量；使用以下等式通过等式计算：F′＝W⊙F这里，W＝{ω1,ω2,…,ωj}是一组权重矩阵，其大小与特征映射相同；产生W的注意力模型由三个具有步幅1的卷积层组成；第一卷积层具有k×s滤波器，卷积核尺寸为5×5，第二和第三层具有k个滤波器，卷积核尺寸为3×3，并且每个卷积层有100个滤波器；⊙是元素的乘积；步骤4：建立信道注意力模型对于输入特征映射F＝{f(1),f(2),…,f(j)}，其中j是特征映射中的通道数，在F中执行最大池化操作以获得每个通道C＝{c1,c2,…,cj}的最大值；注意力机制将产生注意权重向量V和加权表示F′如下等式计算.ci＝maxf(j)V＝softmax(C)F′＝V⊙F步骤5：多个监测点空气污染浓度预测，从卷积和合并处理获得加权时间特征和空间特征之后，通过FST＝F′s⊕F′t逐元素地添加两个特征图并将它们压缩成一维特征X＝(x1,x2,…,xt)；这些特征被分解为连续的组件并馈送到重复的LSTM单元以进行时间分析；随后使用LSTM层从X＝(x1,x2,…,xt)提取时间信息输入，并且另一输入是从最后时间步骤开始的隐藏单元ht‑1；Attention‑CNN‑LSTM的前向训练过程可以用以下等式表示：ft＝σ(Wf·g[ht‑1,xt]+bf)it＝σ(Wi·g[ht‑1,xt]+bi)Ct＝ft×Ct‑1+it×tanh(WC·g[ht‑1,xt]+bC)ot＝σ(Wo·g[ht‑1,xt]+bo)ht＝ot·tanh(Ct)其中it，ot和ft分别表示输入门，输出门和遗忘门的激活，Ct和ht分别表示每个细胞和记忆块的激活载体，W和b分别表示权重矩阵和偏差矢量；然后，仅将LSTM的最后一步的输出馈送到完全连接的层中，用于时空空气污染预测；训练结束，模型的权值参数确定，此时的模型在使用格兰杰因果分析空间相关性分析中加入风向影响因素，使用注意力模型来权衡隐藏特征以增强特征的有效性，将实时的气象信息、污染物信息以及时间戳信息作为移动污染源排放物浓度输入到模型中，模型即可输出未来24小时多尺度预测的浓度结果。