本發(fā)明屬于氣象預測領域，具體地說是基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法。

背景技術：

1、在o3濃度預測任務中,現(xiàn)有的時序預測方法主要有三類：基于傳統(tǒng)統(tǒng)計方法的預測模型,例如自回歸綜合移動平均模型(arima)、向量自回歸模型(var)等。這些模型只能利用歷史數(shù)據(jù),難以充分考慮影響o3濃度的氣象等多種因素,因此預測精度有限?；跈C器學習的預測模型,例如支持向量機模型(svr)、隨機森林模型(rf)等。這些模型相比統(tǒng)計模型能更好地處理非線性關系,但在處理多變量、強非線性的o3濃度預測問題時仍有不足?；谏疃葘W習的預測模型,例如長短期記憶網絡(lstm)、門控循環(huán)單元(gru)、卷積神經網絡(cnn)等。這些模型具有強大的非線性建模能力,是當前o3濃度預測的主流方法，但是未曾考慮數(shù)據(jù)當中的空間因素。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足與未曾考慮空間因素，本發(fā)明提供一種基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，可更精準的預測多個區(qū)域的o3濃度。

2、本發(fā)明為實現(xiàn)上述目的所采用的技術方案是：基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，包括以下步驟：

3、步驟1、獲取污染物歷史濃度數(shù)據(jù)、國控站點地理位置信息以及氣象數(shù)據(jù)，并對其進行數(shù)據(jù)預處理；

4、步驟2、構建基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測模型，根據(jù)預處理后的數(shù)據(jù)構建時空數(shù)據(jù)并作為模型的輸入數(shù)據(jù)，以標簽數(shù)據(jù)為模型的輸出數(shù)據(jù)，對模型進行預測學習迭代訓練，并反向調整網絡模型參數(shù)得到理想模型，使得理想模型能夠預測未來24小時不同區(qū)域的o3濃度；

5、步驟3、實時采集待測站點的污染物歷史濃度數(shù)據(jù)、國控站點地理位置信息以及氣象數(shù)據(jù)進行數(shù)據(jù)預處理，輸入理想模型自動預測未來24小時待測站點的o3濃度。

6、所述污染物歷史濃度數(shù)據(jù)包括pm2.5、o3、pm10、co、so2、no2；所述氣象數(shù)據(jù)包括氣溫、風速；所述國控站點地理位置信息為站點的經緯度數(shù)據(jù)。

7、所述數(shù)據(jù)預處理包括以下步驟：

8、步驟1.1、對污染物濃度數(shù)據(jù)和氣象數(shù)據(jù)進行數(shù)據(jù)清洗和歸一化處理；所述數(shù)據(jù)清洗包括填補缺失值和剔除異常值處理；

9、步驟1.2、根據(jù)國控站點地理位置信息構建鄰接矩陣；

10、所述填補缺失值包括：對每一個污染物及氣象字段對應的時間序列數(shù)據(jù)，去除非數(shù)值值并使用插補方法插補數(shù)據(jù)：a連續(xù)缺失3小時及以內的數(shù)據(jù)，采用線性插值方法；b連續(xù)缺失4到6小時的數(shù)據(jù)，采用三階樣條插值方法，且確保插值數(shù)據(jù)在上限閾值與下限值之間；c連續(xù)6個小時以上的缺失值，使用該小時的污染物濃度均值；所述剔除異常值處理為使用3σ檢測方法去除數(shù)據(jù)中的異常值。

11、所述構建鄰接矩陣包括：

12、定義鄰接矩陣用于表示任意兩個站點間距離，利用k最近鄰算法計算任意兩個站點間的距離，若該距離小于閾值則將這兩個站點在鄰接矩陣中對應的元素置1表示相鄰，否則置0。

13、所述歸一化處理為：按照如下公式對數(shù)據(jù)清洗后的污染物濃度數(shù)據(jù)、氣象數(shù)據(jù)和鄰接矩陣數(shù)據(jù)歸一化到[0,1]之間；

14、

15、其中x表示氣象污染物原始值，xscaler表示歸一化之后的值，xmax,xmin表示該特征的最大值和最小值。

16、所述時空數(shù)據(jù)形式為[n,t,d]，n為站點序號，t為采樣周期時間，d為每個采樣時刻的歸一化后的污染物濃度和氣象數(shù)據(jù)；

17、其中，以各個站點的最后24小時時間窗口的o3濃度數(shù)據(jù)[n,24,o3]作為該站點的預測標簽。

18、所述基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測模型結構包括：圖卷積網絡gcn、雙向長短期記憶網絡bilstm、注意力機制、時空數(shù)據(jù)特征全連接層；

19、將時空數(shù)據(jù)[n,t,d]和歸一化后的鄰接矩陣輸入臭氧濃度預測模型；經過圖卷積網絡gcn提取空間特征，得到具備空間特征的時序數(shù)據(jù)；然后利用bilstm提取具備時空特征的時序數(shù)據(jù)的時間特征，輸出每個時刻點的隱藏狀態(tài)；利用注意力機制處理這些隱藏狀態(tài)；最后通過全連接層拼接時空特征，得到臭氧濃度預測結果。

20、圖卷積網絡gcn對輸入的鄰接矩陣進行處理，提取站點的空間經緯度特征z；

21、

22、其中，表示歸一化的鄰接矩陣，xl表示節(jié)點的特征矩陣，w0、w1表示神經網絡的可訓練參數(shù)；

23、所述雙向長短期記憶網絡bilstm對輸入的預處理后的污染物濃度和氣象數(shù)據(jù)進行處理，提取時間特征；

24、進一步由注意力機制學習深度空間特征、時間特征；

25、將深度時間特征和時間特征進行展平操作，得到當前站點的時空數(shù)據(jù)的最終特征[1,n*f]；其中1表示當前一個站點，n表示節(jié)點個數(shù)，f表示經由模型學習得到的節(jié)點嵌入表示特征，其中包含o3濃度。

26、所述對模型進行預測學習迭代訓練包括：將模型輸入數(shù)據(jù)劃分為訓練集、驗證集和測試集，用訓練集數(shù)據(jù)進行訓練，用驗證集數(shù)據(jù)進行模型精度驗證，用測試集數(shù)據(jù)進行預測得到o3濃度。

27、本發(fā)明具有以下有益效果及優(yōu)點：

28、1.融合多源異構數(shù)據(jù)輸入,包括污染物濃度歷史數(shù)據(jù)、國控站點地理位置信息和氣象數(shù)據(jù),全面考慮影響因素。

29、2.采用雙分支架構分別處理不同類型輸入數(shù)據(jù),充分挖掘各自特征,最終進行特征融合，提高模型表達能力。

30、3.引入gcn捕捉站點空間相關性,并使用基于注意力機制的門控機制自適應學習不同gnc層的特征重要程度。

31、4.整體架構靈活可擴展,非線性建模能力強,預測精度和穩(wěn)健性優(yōu)于現(xiàn)有傳統(tǒng)模型和單一深度學習模型。

技術特征：

1.基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述污染物歷史濃度數(shù)據(jù)包括pm2.5、o3、pm10、co、so2、no2；所述氣象數(shù)據(jù)包括氣溫、風速；所述國控站點地理位置信息為站點的經緯度數(shù)據(jù)。

3.根據(jù)權利要求1所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述數(shù)據(jù)預處理包括以下步驟：

4.根據(jù)權利要求3所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述填補缺失值包括：對每一個污染物及氣象字段對應的時間序列數(shù)據(jù)，去除非數(shù)值值并使用插補方法插補數(shù)據(jù)：a連續(xù)缺失3小時及以內的數(shù)據(jù)，采用線性插值方法；b連續(xù)缺失4到6小時的數(shù)據(jù)，采用三階樣條插值方法，且確保插值數(shù)據(jù)在上限閾值與下限值之間；c連續(xù)6個小時以上的缺失值，使用該小時的污染物濃度均值；所述剔除異常值處理為使用3σ檢測方法去除數(shù)據(jù)中的異常值。

5.根據(jù)權利要求3所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述構建鄰接矩陣包括：

6.根據(jù)權利要求1所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述歸一化處理為：按照如下公式對數(shù)據(jù)清洗后的污染物濃度數(shù)據(jù)、氣象數(shù)據(jù)和鄰接矩陣數(shù)據(jù)歸一化到[0,1]之間；

7.根據(jù)權利要求1所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述時空數(shù)據(jù)形式為[n,t,d]，n為站點序號，t為采樣周期時間，d為每個采樣時刻的歸一化后的污染物濃度和氣象數(shù)據(jù)；

8.根據(jù)權利要求1所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測模型結構包括：圖卷積網絡gcn、雙向長短期記憶網絡bilstm、注意力機制、時空數(shù)據(jù)特征全連接層；

9.根據(jù)權利要求1所述的基于gcn-bilstm-attention時空神經網絡的臭氧濃度預測方法，其特征在于，所述對模型進行預測學習迭代訓練包括：將模型輸入數(shù)據(jù)劃分為訓練集、驗證集和測試集，用訓練集數(shù)據(jù)進行訓練，用驗證集數(shù)據(jù)進行模型精度驗證，用測試集數(shù)據(jù)進行預測得到o3濃度。

技術總結
本發(fā)明公開了基于GCN?BiLSTM?Attention時空神經網絡的臭氧濃度預測方法，用于預測未來24小時的O<subgt;3</subgt;濃度。該模型融合了圖卷積網絡GCN、注意力機制和雙向長短期記憶網絡BiLSTM，以學習空氣污染物濃度的時空依賴性。模型通過整合氣象數(shù)據(jù)、國控站點地理位置信息及O<subgt;3</subgt;、PM<subgt;2.5</subgt;、CO等污染物濃度的歷史數(shù)據(jù)，能夠有效提高O<subgt;3</subgt;濃度的預測準確性。研究結果顯示，與傳統(tǒng)的統(tǒng)計模型和單一深度學習模型相比，GCN?BiLSTM?Attention在多個評估指標上表現(xiàn)出了更高的準確性和更低的誤差率。

技術研發(fā)人員：張鏑,周曉磊,侯亞瑞,趙冰雪,陳月,黃迪,王杏月
受保護的技術使用者：中國科學院沈陽計算技術研究所有限公司
技術研發(fā)日：
技術公布日：2024/12/19