气溶胶浓度时空分布预测模型的构建方法及预测方法技术

本发明专利技术实施例涉及计算机技术领域，特别涉及一种气溶胶浓度时空分布预测模型的构建方法及预测方法。其中，构建方法包括：获取多个训练样本对；训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且第一时间序列和第二时间序列相连续；利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。本发明专利技术可以构建得到气溶胶浓度时空分布预测模型，提高气溶胶浓度时空分布的预测准确度。测准确度。测准确度。

【技术实现步骤摘要】
气溶胶浓度时空分布预测模型的构建方法及预测方法


[0001]本专利技术实施例涉及计算机
，特别涉及一种气溶胶浓度时空分布预测模型的构建方法及预测方法。

技术介绍

[0002]大气气溶胶是悬浮在气体中的固体和(或)液体微粒与气体载体组成的多相体系。大气的许多现象和过程都和它密切相关，如大气能见度、云雾形成、臭氧光化学反应、辐射传输等。它在环境与气候变化研究、空间对地遥感的大气订正等都具有重要意义。近几年随着空气污染问题的日益严重，国内对于大气气溶胶的监控与预测越来越重视。
[0003]相关技术中，对于大气的气溶胶浓度分布的预测方法大多基于气象学方法或者简单的机器学习算法，由于气溶胶浓度变化剧烈，影响因素较多的问题，现有的预测方法的准确度难以得到保证。
[0004]因此，亟需一种预测气溶胶浓度时空分布的新方法。

技术实现思路

[0005]为了解决原有的预测方法的准确度难以得到保证的问题，本专利技术实施例提供了一种气溶胶浓度时空分布预测模型的构建方法及预测方法。
[0006]第一方面，本专利技术实施例提供了一种气溶胶浓度时空分布预测模型的构建方法，包括：
[0007]获取多个训练样本对；所述训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且所述第一时间序列和所述第二时间序列相连续；
>[0008]利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。
[0009]优选的，所述预测神经网络包括：输入层、编码层、解码层和输出层；
[0010]所述利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型，包括：
[0011]将所述训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入所述输入层进行特征强化处理；其中，每一个气溶胶浓度时空分布样本图像对应一个时刻；
[0012]将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入所述编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征；
[0013]将所述第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入所述解码层，预测所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像；
[0014]将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像；
[0015]根据输出的若干个气溶胶浓度时空分布预测样本图像和所述训练样本对中对应第二时间序列的若干个气溶胶浓度时空分布样本图像，调整所述预测神经网络的网络参数，直至得到符合预期的气溶胶浓度时空分布预测模型。
[0016]优选的，所述将所述训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入所述输入层进行特征强化处理，包括：
[0017]按照如下公式对所述每一个气溶胶浓度时空分布样本图像进行对数变换：
[0018]X
′
t
＝log(X
t
+1)
[0019]式中，X
t
为t时刻对应的气溶胶浓度时空分布样本图像；X
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像。
[0020]按照如下公式对所述对数变换之后的每一个气溶胶浓度时空分布样本图像进行归一化处理：
[0021][0022]式中，X
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像；X
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像；min为预设的最小值；max为预设的最大值。
[0023]优选的，所述将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入所述编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征，包括：
[0024]按照如下公式对气溶胶浓度时空分布样本图像进行时空特征的提取，以得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：
[0025][0026][0027][0028][0029][0030]其中，*表示卷积，表示Hadamard乘积；i
t
是输入门的输出，f
t
是遗忘门的输出，o
t
是输出门的输出，X
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像，H
t
‑1为提取的t
‑
1时刻对应的气溶胶浓度时空分布样本图像的时空特征，H
t
为得到的t时刻对应的气溶胶浓度时空分布样本图像的时空特征，C
t
为所述编码层在提取t时刻对应的气溶胶
浓度时空分布样本图像的时空特征时的状态特征，C
t
‑1为所述编码层在提取t
‑
1时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，σ为第一激活函数，tanh为第二激活函数，W
xi
、W
hi
、W
ci
、W
xf
、W
hf
、W
cf
、W
xc
、W
hc
、W
xo
、W
ho
、W
co
、b
i
、b
f
、b
c
、b
o
为所述编码层的网络参数。
[0031]优选的，所述将所述第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入所述解码层，预测所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像，包括：
[0032]循环执行如下公式预测下一时刻对应的气溶胶浓度时空分布初始样本图像，直至得到所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像：
[0033][0034][0035][0036][0037][0038]其中，*表示卷积，表示Hadamard乘积，i
′
t
是输入门的输出，f
′
t
是遗忘门的输出，o
′
t
是输出门的输出，H
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气溶胶浓度时空分布预测模型的构建方法，其特征在于，包括：获取多个训练样本对；所述训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且所述第一时间序列和所述第二时间序列相连续；利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。2.根据权利要求1所述的方法，其特征在于，所述预测神经网络包括：输入层、编码层、解码层和输出层；所述利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型，包括：将所述训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入所述输入层进行特征强化处理；其中，每一个气溶胶浓度时空分布样本图像对应一个时刻；将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入所述编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征；将所述第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入所述解码层，预测所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像；将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像；根据输出的若干个气溶胶浓度时空分布预测样本图像和所述训练样本对中对应第二时间序列的若干个气溶胶浓度时空分布样本图像，调整所述预测神经网络的网络参数，直至得到符合预期的气溶胶浓度时空分布预测模型。3.根据权利要求2所述的方法，其特征在于，所述将所述训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入所述输入层进行特征强化处理，包括：按照如下公式对所述每一个气溶胶浓度时空分布样本图像进行对数变换：X
′
t
＝log(X
t
+1)式中，X
t
为t时刻对应的气溶胶浓度时空分布样本图像；X
t
′
为对数变换之后的t时刻气溶胶浓度时空分布样本图像。按照如下公式对所述对数变换之后的每一个气溶胶浓度时空分布样本图像进行归一化处理：式中，X
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像；X
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像；min为预设的最小值；max为预设的最大值。4.根据权利要求2所述的方法，其特征在于，所述将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入所述编码层进行时空特征的提取，基于提取的上
一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征，包括：按照如下公式对气溶胶浓度时空分布样本图像进行时空特征的提取，以得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：其中，*表示卷积，表示Hadamard乘积，i
t
是输入门的输出，f
t
是遗忘门的输出，o
t
是输出门的输出，X
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像，H
t
‑1为提取的t
‑
1时刻对应的气溶胶浓度时空分布样本图像的时空特征，H
t
为得到的t时刻对应的气溶胶浓度时空分布样本图像的时空特征，C
t
为所述编码层在提取t时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，C
t
‑1为所述编码层在提取t
‑
1时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，σ为第一激活函数，tanh为第二激活函数，W
xi
、W
hi
、W
ci
、W
xf
、W
hf
、W
cf
、W
xc
、W
hc
、W

【专利技术属性】
技术研发人员：李霞，叶允明，徐光宁，刘兴润，刘栋，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：