一种细粒度空气质量预测方法及系统技术方案

本发明专利技术涉及一种细粒度空气质量预测方法及系统，涉及空气质量预测技术领域，方法包括：利用卫星获取大气的多源数据；对所述气溶胶数据进行数值转换和赋投影操作，得到带有地理信息的气溶胶数据；将所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据进行时空匹配，得到节点特征矩阵；将所述节点特征矩阵输入时空图神经网络空气质量预测模型，得到空气质量预测值；本发明专利技术能够解决目前技术中对多源时空大数据在时间、空间两个维度特征提取能力不足、城市的高时空分辨率的空气质量信息缺失的问题。分辨率的空气质量信息缺失的问题。分辨率的空气质量信息缺失的问题。

【技术实现步骤摘要】
一种细粒度空气质量预测方法及系统


[0001]本专利技术涉及空气质量预测
，特别是涉及一种细粒度空气质量预测方法及系统。

技术介绍

[0002]城市化的快速发展使生活现代化，但也带来了严重的空气污染问题。当前，频发的雾霾事件牵动全国人民的神经，使空气污染问题受到前所未有的关注。国内学术界主要从20世纪初开始PM2.5的研究，特别是近年取得了显著进展，因此对城市空气质量问题的研究，也逐渐成为近年来学术研究的热点。
[0003]在大数据技术发展之前，空气质量预测主要采用数值预报方法。该方法要求熟悉空气中空气污染物变化的原理和规律，并且需要做大量的数值计算，这对研究人员也有较高的要求，需要更专业的领域专家参与建模。
[0004]随着移动终端和各种位置传感器的普及，城市时空大数据无处不在并以前所未有的速度产生，并且影响到人们日常生活的方方面面，同时也为政府和企业实施智慧城市建设提供了重要的数据支撑。大数据意味着丰富的城市知识，如果使用得当，可以帮助应对城市环境计算，通过研究地面空气质量监测站点数据与其他数据源(远距离观测遥感卫星气溶胶AOD数据、气象数据和兴趣点POI)之间的时空相关性，为空气质量的高时空预测带来新突破，解决城市环境计算问题。
[0005]目前空气质量预测模型的相关研究，主要是基于循环神经网络RNN以及RNN的变体长短期记忆LSTM和门控制单元GRU，擅长处理序列化数据的神经网络方法，能够很好的学习数据的时间维度相关性。但空气质量在不同区域存在变化多样性，在同一区域随着时间的推移而发生变化，具有很强的时空非线性相关性，忽略数据之间的空间相关性会对模型预测结果造成很大的误差。另外考虑到地面监测点稀少，政府在每个城市部署的空气质量监测站只有十几个，存在严重的稀疏和空间分布不均等问题，并不能够提供高时空分辨率的空气质量预测信息。虽然，随着深度学习算法的发展，近几年已经越来越注意到空气质量已经影响因素之间复杂的时空关系，并且出现时空模型对空气质量进行预测，但是现有的研究，只是基于已有的地面监测点进行空气质量浓度预测，仍然不能够为居民出行(何时外出，何时关上门窗)以及政府环境治理决策(交通管制)提供高时空分辨率的空气质量信息。

技术实现思路

[0006]本专利技术的目的是提供一种细粒度空气质量预测方法及系统，以解决目前技术中对多源时空大数据在时间、空间两个维度特征提取能力不足、城市的高时空分辨率的空气质量信息缺失的问题。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种细粒度空气质量预测方法，包括：
[0009]利用卫星获取大气的多源数据；所述多源数据包括气溶胶数据、地面监测点数据、
气象数据和兴趣点数据；
[0010]对所述气溶胶数据进行数值转换和赋投影操作，得到带有地理信息的气溶胶数据；
[0011]将所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据进行时空匹配，得到节点特征矩阵；
[0012]将所述节点特征矩阵输入时空图神经网络空气质量预测模型，得到空气质量预测值；所述时空图神经网络空气质量预测模型为依次连接的第一门控循环神经网络、图卷积神经网络和第二门控循环神经网络。
[0013]可选地，在所述将所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据进行时空匹配，得到节点特征矩阵之前，还包括：
[0014]分别对所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据依次进行异常值剔除、缺失值填补和归一化处理。
[0015]可选地，所述图卷积神经网络的构建过程具体包括：
[0016]根据所述地面监测点数据进行图数据结构构建，得到地面监测点之间的空间关系拓扑图和邻接权重矩阵；
[0017]根据所述空间关系拓扑图和所述邻接权重矩阵确定所述地面监测点的度矩阵；
[0018]根据所述度矩阵和所述节点特征矩阵构建图卷积神经网络。
[0019]可选地，所述邻接权重矩阵的表达式为：
[0020][0021]其中，w
ij
为邻接权重矩阵中的权重，d
ij
是编号i站点到j站点之间的欧式距离，σ2为控制初始权重矩阵分布的第一阈值，ε为控制初始权重矩阵稀疏性的第二阈值，i为第i个地面监测点，j为第j个地面监测点。
[0022]可选地，所述时空图神经网络空气质量预测模型的损失函数表达式为：
[0023][0024]其中，为损失函数，n为总样本数，y
i
为当前站点监测值，为当前站点的预测值，i为第i个地面监测点。
[0025]可选地，所述图卷积神经网络的表达式为：
[0026][0027]其中，H
(l+1)
为第l+1层数据，为带自连接的邻接矩阵，为度数矩阵，σ为非线性模型Relu激活函数，θ为训练参数矩阵，H
l
为第l层数据。
[0028]一种细粒度空气质量预测系统，包括：
[0029]获取模块，用于利用卫星获取大气的多源数据；所述多源数据包括气溶胶数据、地面监测点数据、气象数据和兴趣点数据；
[0030]数值转换和赋投影操作模块，用于对所述气溶胶数据进行数值转换和赋投影操作，得到带有地理信息的气溶胶数据；
[0031]时空匹配模块，用于将所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据进行时空匹配，得到节点特征矩阵；
[0032]预测模块，用于将所述节点特征矩阵输入时空图神经网络空气质量预测模型，得到空气质量预测值；所述时空图神经网络空气质量预测模型为依次连接的第一门控循环神经网络、图卷积神经网络和第二门控循环神经网络。
[0033]可选地，细粒度空气质量预测系统还包括：
[0034]预处理模块，用于分别对所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据依次进行异常值剔除、缺失值填补和归一化处理。
[0035]可选地，所述图卷积神经网络的构建过程具体包括：
[0036]根据所述地面监测点数据进行图数据结构构建，得到地面监测点之间的空间关系拓扑图和邻接权重矩阵；
[0037]根据所述空间关系拓扑图和所述邻接权重矩阵确定所述地面监测点的度矩阵；
[0038]根据所述度矩阵和所述节点特征矩阵构建图卷积神经网络。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040]本专利技术利用卫星获取大气的多源数据；多源数据包括气溶胶数据、地面监测点数据、气象数据和兴趣点数据；对气溶胶数据进行数值转换和赋投影操作，得到带有地理信息的气溶胶数据；将带有地理信息的气溶胶数据、地面监测点数据、气象数据和兴趣点数据进行时空匹配，得到节点特征矩阵；将节点特征矩阵输入时空图神经网络空气质量预测模型，得到空气质量预测值。通过将多源数据进行时空匹配本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种细粒度空气质量预测方法，其特征在于，包括：利用卫星获取大气的多源数据；所述多源数据包括气溶胶数据、地面监测点数据、气象数据和兴趣点数据；对所述气溶胶数据进行数值转换和赋投影操作，得到带有地理信息的气溶胶数据；将所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据进行时空匹配，得到节点特征矩阵；将所述节点特征矩阵输入时空图神经网络空气质量预测模型，得到空气质量预测值；所述时空图神经网络空气质量预测模型为依次连接的第一门控循环神经网络、图卷积神经网络和第二门控循环神经网络。2.根据权利要求1所述的细粒度空气质量预测方法，其特征在于，在所述将所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据进行时空匹配，得到节点特征矩阵之前，还包括：分别对所述带有地理信息的气溶胶数据、所述地面监测点数据、所述气象数据和所述兴趣点数据依次进行异常值剔除、缺失值填补和归一化处理。3.根据权利要求1所述的细粒度空气质量预测方法，其特征在于，所述图卷积神经网络的构建过程具体包括：根据所述地面监测点数据进行图数据结构构建，得到地面监测点之间的空间关系拓扑图和邻接权重矩阵；根据所述空间关系拓扑图和所述邻接权重矩阵确定所述地面监测点的度矩阵；根据所述度矩阵和所述节点特征矩阵构建图卷积神经网络。4.根据权利要求3所述的细粒度空气质量预测方法，其特征在于，所述邻接权重矩阵的表达式为：其中，w
ij
为邻接权重矩阵中的权重，d
ij
是编号i站点到j站点之间的欧式距离，σ2为控制初始权重矩阵分布的第一阈值，ε为控制初始权重矩阵稀疏性的第二阈值，i为第i个地面监测点，j为第j个地面监测点。5.根据权利要求1所述的细粒度空气质量预测方法，其特征在于，所述时空图神经网络空气质量预...

【专利技术属性】
技术研发人员：徐文静，郝洁，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：