一种基于深度学习和贝叶斯模型的空气质量分析预测方法技术

本发明专利技术公开了一种基于深度学习和贝叶斯模型的空气质量分析预测方法，其技术方案要点是包括获取目标监测点的AQI数据；对AQI数据进行预处理，对AQI数据进行归一化处理；分别构建深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型；将AQI数据分别输入到深度学习卷积网络模型和叶贝斯动态线性模型中，叶贝斯动态线性模型运行后输出第一预测AQI数据；将深度学习卷积网络模型提取的特征输入至循环神经网络模型中运行后输出第二预测AQI数据；将第一预测AQI数据和第二预测AQI数据输入值混合模型中，混合模型运行后输出最终预测AQI数据，该空气质量分析预测方法可以对空气质量进行分析和预测，评估大气改善情况，明确污染源，提出空气污染防控建议。

【技术实现步骤摘要】
一种基于深度学习和贝叶斯模型的空气质量分析预测方法
本专利技术涉及一种大气污染物浓度预方法，更具体地说，它涉及一种基于深度学习和贝叶斯模型的空气质量分析预测方法。
技术介绍
大气质量的好坏是近年来持续受到关注的问题，我国增加了大量的大气质量监测站，用以监测当地的大气质量与气象数据。其中监测站所能监测到的大气质量数据由6个因素组成，分别是：颗粒物(PM2.5和PM10)和气态物质(NO2，CO，O3和SO2)，统一将其称之为AQI数据；除此之外，监测点还能获取该区域的气象数据，分别是天气，温度，压力，湿度，风向和风速，统一将其称为MEO数据。由于气象环境因素较为复杂，大气污染物浓度的指标预测一直以来都是一个比较复杂的问题。目前，常用的预测方法有基于大气化学传输模型的机理预报方法与基于机器学习模型的统计预报方法。前者在实际工程中得到了广泛的运用，然而由于大气是一个非常复杂的系统，从理论上难以运行完全量化，因此机理预报方法存在较大的误差。目前，国内气象局对天气状态和各类污染物浓度的预报采用大气化学耦合模式(WRF-Chem)运算得到。由于数值模式计算、排放源清单数据存在不同程度的误差，因此模式对污染物浓度的预测效果并不理想。
技术实现思路
针对现有技术存在的不足，本专利技术的目的在于提供一种基于深度学习和贝叶斯模型的空气质量分析预测方法，该空气质量分析预测方法可以对空气质量进行分析和预测，评估大气改善情况，明确污染源，提出空气污染防控建议。为实现上述目的，本专利技术提供了如下技术方案：一种基于深度学习和贝叶斯模型的空气质量分析预测方法，包括有：步骤S1：获取目标监测点的AQI数据；步骤S2：对AQI数据进行预处理，根据拉以达准则判断数据序列中的异常值并去除，对于某时刻缺失的数据，采用线性插值的方法补全；步骤S3：对AQI数据进行归一化处理；步骤S4：分别构建深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型；步骤S5：将归一化后的AQI数据分别输入到深度学习卷积网络模型和叶贝斯动态线性模型中，所述深度学习卷积网络模型运行后将长的输入序列转换为高级特征组成的短的序列，所述叶贝斯动态线性模型运行后输出第一预测AQI数据；步骤S6：将深度学习卷积网络模型提取的特征组成的序列输入至循环神经网络模型中，所述循环神经网络模型运行后输出第二预测AQI数据；步骤S7：构建混合模型，将第一预测AQI数据和第二预测AQI数据输入值混合模型中，所述混合模型运行后输出最终预测AQI数据。本专利技术进一步设置为：所述步骤S3中所述的归一化处理是为了将数据的值域处于一个比较小的波动范围内，降低不同数量级或者不同量纲给数据带来的影响，设定特征分布为正态分布，通过方差和均值，将特征映射到标准正态分布上，其计算公式为：其中ymean为所有样本数据的均值，ystd为所有样本数据的标准差。本专利技术进一步设置为：所述步骤S4中具体包括有：步骤S41，针对所构建的模型，在AQI数据选择训练数据和测试数据，完成对深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型的初始化；步骤S42，利用训练数据对深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型进行训练；步骤S43，利用训练好的深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型，依据测试数据得到测试的预测结果；步骤S44，利用训练好的深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型进行预测。本专利技术进一步设置为：所述步骤S5中叶贝斯动态线性模型包括有：观测方程、状态方程和初始信息，将预测分布看成是条件概论分布，根据先验信息求预测分布，运用贝叶斯公式求后验信息，并对先验信息进行修正，求出预测值。本专利技术进一步设置为：对于循环神经网络模型，其训练阶段的损失函数如下：其中a是预测值，y是样本值。本专利技术进一步设置为：所述循环神经网络模型中还包括有Adam算法和Dropout算法；所述Adam算法用于计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率；所述Dropout算法用于减少特征之间的依赖性，降低了过拟合发生的概率。本专利技术进一步设置为：还包括有步骤S8，获取MEO数据；步骤S9，基于MEO数据和AQI数据进行相关性分析；步骤S10，基于MEO数据和AQI数据进行后向轨迹和潜在源贡献分析；步骤S11，将相关性分析结果和后向轨迹和潜在源贡献分析结果一并导入最终预测AQI数据得到综合改善建议。本专利技术进一步设置为：所述步骤S9中相关性分析具体包括有：将PM2.5和PM10分别作为第一变量，将天气、温度、气压、湿度、风速与风向一起作为第二变量导入以下公式：其中xi与yi为比较相关性的两个变量，是变量xi的均值，是变量yi的均值，r为斯皮尔曼相关系数，当两个变量完全单调相关时r为+1或者-1，当两个变量不相关时r为0。本专利技术进一步设置为：所述步骤S10中后向轨迹和潜在源贡献分析具体包括有：按照经纬度将研究区域分为i×j个网格，其PSCF计算公式为：其中nij为经过某一网格(i，j)的所有气流轨迹数，mij为经过网格(i，j)的污染轨迹数。综上所述，本专利技术具有以下有益效果：获取空气质量数据AQI(PM2.5，PM10，NO2，CO，O3，SO2)的历史监测数据，考虑到空气质量数据的时序特性，采用拉以达准则判断数据序列中的异常值并去除，对于某时刻缺失的数据，采用线性插值的方法补全，数据建模前，需要把不同的特征数据映射到同一个尺度上面，对特征数据进行归一化处理，然后构建深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型。深度学习卷积神经网络CNN用作特征提取：空气质量数据维度多，特征提取困难，深度学习卷积神经网络CNN通过卷积核局部提取特征，并且权重共享，解决了人工神经网络参数过多的缺点，对特征提取有很好的效果，具有强大的特征提取能力，可以将长的输入序列转换为高级特征组成的短的序列，将提取的特征组成的序列作为循环神经网络-长短期记忆神经网络LSTM(LongShortTermMemory)的输入。循环神经网络模型(长短期记忆神经网络LSTM)作为预测模型：由于空气污染物的浓度与时间具有极强的关联性，利用长短期记忆神经网络LSTM可以很好的处理这种与记忆相关的问题。LSTM是在RNN基础上进行改进和优化的，解决在训练过程中的梯度消失问题，其模型结构中包含着一组记忆模块，它们彼此关联从而取代普通RNN中的记忆单元，LSTM比普通RNN训练更加容易，目前它已在多个领域取得了很好的研究效果。LSTM输入是一个小时的特征，即某时刻的AQI和六大污染物指标，输出是一个神经元，用于预测AQL贝叶斯动态线性模型DLM：贝叶斯预测是预测突发事件的需要发展起来的一种预测方法。它不仅依赖历史测量数本文档来自技高网...

【技术保护点】
1.一种基于深度学习和贝叶斯模型的空气质量分析预测方法，其特征是包括有：/n步骤S1：获取目标监测点的AQI数据；/n步骤S2：对AQI数据进行预处理，根据拉以达准则判断数据序列中的异常值并去除，对于某时刻缺失的数据，采用线性插值的方法补全；/n步骤S3：对AQI数据进行归一化处理；/n步骤S4：分别构建深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型；/n步骤S5：将归一化后的AQI数据分别输入到深度学习卷积网络模型和叶贝斯动态线性模型中，所述深度学习卷积网络模型运行后将长的输入序列转换为高级特征组成的短的序列，所述叶贝斯动态线性模型运行后输出第一预测AQI数据；/n步骤S6：将深度学习卷积网络模型提取的特征组成的序列输入至循环神经网络模型中，所述循环神经网络模型运行后输出第二预测AQI数据；/n步骤S7：构建混合模型，将第一预测AQI数据和第二预测AQI数据输入值混合模型中，所述混合模型运行后输出最终预测AQI数据。/n

【技术特征摘要】
1.一种基于深度学习和贝叶斯模型的空气质量分析预测方法，其特征是包括有：
步骤S1：获取目标监测点的AQI数据；
步骤S2：对AQI数据进行预处理，根据拉以达准则判断数据序列中的异常值并去除，对于某时刻缺失的数据，采用线性插值的方法补全；
步骤S3：对AQI数据进行归一化处理；
步骤S4：分别构建深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型；
步骤S5：将归一化后的AQI数据分别输入到深度学习卷积网络模型和叶贝斯动态线性模型中，所述深度学习卷积网络模型运行后将长的输入序列转换为高级特征组成的短的序列，所述叶贝斯动态线性模型运行后输出第一预测AQI数据；
步骤S6：将深度学习卷积网络模型提取的特征组成的序列输入至循环神经网络模型中，所述循环神经网络模型运行后输出第二预测AQI数据；
步骤S7：构建混合模型，将第一预测AQI数据和第二预测AQI数据输入值混合模型中，所述混合模型运行后输出最终预测AQI数据。


2.根据权利要求1所述的一种基于深度学习和贝叶斯模型的空气质量分析预测方法，其特征是：所述步骤S3中所述的归一化处理是为了将数据的值域处于一个比较小的波动范围内，降低不同数量级或者不同量纲给数据带来的影响，设定特征分布为正态分布，通过方差和均值，将特征映射到标准正态分布上，其计算公式为：



其中ymean为所有样本数据的均值，ystd为所有样本数据的标准差。


3.根据权利要求1所述的一种基于深度学习和贝叶斯模型的空气质量分析预测方法，其特征是：所述步骤S4中具体包括有：
步骤S41，针对所构建的模型，在AQI数据选择训练数据和测试数据，完成对深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型的初始化；
步骤S42，利用训练数据对深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型进行训练；
步骤S43，利用训练好的深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型，依据测试数据得到测试的预测结果；
步骤S44，利用训练好的深度学习卷积网络模型、循环神经网络模型以及叶贝斯动态线性模型进行预测。


4.根据权利要求3所述的一种基于深度学习和贝叶斯模...

【专利技术属性】
技术研发人员：富众杰，林海平，黃炳强，
申请(专利权)人：杭州职业技术学院，
类型：发明
国别省市：浙江;33