基于多因子驱动的臭氧浓度预测方法、系统、介质及设备技术方案

本公开提供了基于多因子驱动的臭氧浓度预测方法、系统、介质及设备，涉及臭氧浓度预测技术领域，包括获取大气数据中的多个大气污染物数据因子的张量形式；将所述张量形式输入至多通道Earthformer模型中，输出表征臭氧浓度的变量；其中，当将数据因子的张量形式输入至多通道Earthformer模型后，首先，分层编码器将输入的张量形式逐步编码为多层表示，在每一层表示中引入注意力机制，通过并行应用注意力机制获取数据因子张量形式的局部特征向量，然后再将每个局部特征向量融合生成全局特征向量，利用特征向量以非自动回归的方式生成臭氧浓度预测结果。本公开提高了臭氧浓度预测的准确性。性。性。

【技术实现步骤摘要】
基于多因子驱动的臭氧浓度预测方法、系统、介质及设备


[0001]本公开涉及臭氧浓度预测
，具体涉及基于多因子驱动的臭氧浓度预测方法、系统、介质及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]臭氧，作为典型的二次污染物，是光化学烟雾污染的标志性污染物，虽然采取了一些环境保护措施之后，PM2.5污染整体减轻，但是PM2.5浓度并没有达到标准，与此同时，臭氧污染问题逐渐严重，污染程度也在不断扩大。臭氧成为目前中国最重要的大气污染物之一，亟需提高其预测预报水平。
[0004]目前，对于臭氧浓度的预测方法主要有数值驱动和数据驱动两种。数值驱动模式计算成本高昂，且臭氧前体物
‑‑
氮氧化物（NO）和挥发性有机物（VOCs）的来源复杂、源排放清单尚未摸清、监测体系不完善，制约了臭氧预测的快速准确性。数据驱动中，统计模型不能有效提取非线性关系，机器学习适用于小数据集，O3浓度和气象条件、其他污染物的关系是非线性、动态的，这使得现有的深度学习方法，难以完全捕捉到这些因素之间的相互作用并提供准确的预测结果。

技术实现思路

[0005]本公开为了解决上述问题，提出了基于多因子驱动的臭氧浓度预测方法、系统、介质及设备，使用多通道Earthformer（Earthformer,地球系统预测的时空变换器）模型，利用多个臭氧浓度影响数据因子进行臭氧浓度的预测，整合为数据因子的时空序列张量形式作为输入，输出臭氧浓度的预测结果。
[0006]根据一些实施例，本公开采用如下技术方案：基于多因子驱动的臭氧浓度预测方法，包括：获取大气数据中的多个大气污染物数据因子，并将其转化为时空序列的数据因子的张量形式；将所述数据因子的张量形式输入至多通道Earthformer模型中，输出表征臭氧浓度的变量；其中，当将数据因子的张量形式输入至多通道Earthformer模型后，首先，分层编码器将输入的张量形式逐步编码为多层表示，在每一层表示中引入注意力机制，通过并行应用注意力机制获取数据因子的张量形式的局部特征向量，然后再将每个局部特征向量融合生成全局特征向量，利用特征向量以非自动回归的方式生成臭氧浓度预测结果。
[0007]根据一些实施例，本公开采用如下技术方案：基于多因子驱动的臭氧浓度预测系统，包括：数据获取模块，用于获取大气数据中的多个大气污染物数据因子，并将其转化为
时空序列的数据因子的张量形式；模型预测模块，用于将所述数据因子的张量形式输入至多通道Earthformer模型中，输出表征臭氧浓度的变量；其中，当将数据因子的张量形式输入至多通道Earthformer模型后，首先，分层编码器将输入的张量形式逐步编码为多层表示，在每一层表示中引入注意力机制，通过并行应用注意力机制获取数据因子的张量形式的局部特征向量，然后再将每个局部特征向量融合生成全局特征向量，利用特征向量以非自动回归的方式生成臭氧浓度预测结果。
[0008]根据一些实施例，本公开采用如下技术方案：一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的基于多因子驱动的臭氧浓度预测方法。
[0009]根据一些实施例，本公开采用如下技术方案：一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的基于多因子驱动的臭氧浓度预测方法。
[0010]与现有技术相比，本公开的有益效果为：本公开提供的基于多因子驱动的臭氧浓度预测方法，利用了多通道Earthformer算法模型，使用中国高分辨率大气污染再分析数据集（CAQRA）中的PM
2.5
、PM
10
、SO2、NO2、CO、O3、温度、压力（psfc）、相对湿度（RH）、风速（u,v）11个因子的历史24小时的数据预测未来1
‑
24小时的二维臭氧浓度，通过分层编码器
‑
解码器结构将输入序列逐步编码为多层表示，并通过从粗到细的过程生成预测。为了降低输入到长方体注意层的空间分辨率，模型包含了一对初始下采样和上采样模块，以非自回归的方式生成预测。模型堆叠多个具有不同超参数的长方体注意层，长方体之间引入了关注所有局部长方体的全局向量，从而收集系统的整体状态。通过关注全局向量，局部长方体可以掌握系统的总体动态，并彼此共享信息，这使得模型更好地捕捉到不同因子间的相互作用，提高预测精准度。
附图说明
[0011]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0012]图1为本公开实施例的方法流程模型结构图；
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
[0013]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0014]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0015]实施例1本公开的一种实施例中提供了一种基于多因子驱动的臭氧浓度预测方法，包括以下步骤：步骤一：获取大气数据中的多个大气污染物数据因子，并将其转化为时空序列的数据因子的张量形式；步骤二：将所述数据因子的张量形式输入至多通道Earthformer模型中，输出表征臭氧浓度的变量；其中，当将数据因子的张量形式输入至多通道Earthformer模型后，首先，分层编码器将输入的张量形式逐步编码为多层表示，在每一层表示中引入注意力机制，通过并行应用注意力机制获取数据因子的张量形式的局部特征向量，然后再将每个局部特征向量融合生成全局特征向量，利用特征向量以非自动回归的方式生成臭氧浓度预测结果。
[0016]作为一种实施例，本公开的一种基于多因子驱动的臭氧浓度预测方法的具体实施方式包括：步骤1：获取大气数据中的多个大气污染物数据因子，并将其转化为时空序列的张量形式；首先，所涉及的数据是中国高分辨率大气污染再分析数据集（CAQRA）中的，它包括六种常规空气污染物，即PM
2.5
、PM
10
、SO2、NO2、CO和O3的地表网格化场，以及WRF模式模拟的风速（u,v）、气压（psfc）、相对湿度（RH）和温度（temp）的地表场，空间和时间分辨率分别为15公里和1小时。时间上，使用2013
‑
2018年共六年的数据进行归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多因子驱动的臭氧浓度预测方法，其特征在于，包括：获取大气数据中的多个大气污染物数据因子，并将其转化为时空序列的数据因子的张量形式；将所述数据因子的张量形式输入至多通道Earthformer模型中，输出表征臭氧浓度的变量；其中，当将数据因子的张量形式输入至多通道Earthformer模型后，首先，分层编码器将输入的数据因子的张量形式逐步编码为多层表示，在每一层表示中引入注意力机制，通过并行应用注意力机制获取数据因子的张量形式的局部特征向量，然后再将每个局部特征向量融合生成全局特征向量，利用特征向量以非自动回归的方式生成臭氧浓度预测结果。2.如权利要求1所述的基于多因子驱动的臭氧浓度预测方法，其特征在于，获取大气数据中的多个大气污染物数据因子，包括：PM2.5、PM10、SO2、NO2、CO、O3、温度、压力、相对湿度以及风速。3.如权利要求2所述的基于多因子驱动的臭氧浓度预测方法，其特征在于，将多个大气污染物数据因子转换为（time,latitude,longitude,features）张量形式作为多通道Earthformer模型的输入；输出臭氧浓度的变量个数为1。4.如权利要求1所述的基于多因子驱动的臭氧浓度预测方法，其特征在于，所述多通道Earthformer模型包括分层编码器、解码器、长方体注意力块、下采样模块和上采样模块，所述上采样模块和下采样模块由堆叠的2D
‑
CNN和近邻插值层组成。5.如权利要求1所述的基于多因子驱动的臭氧浓度预测方法，其特征在于，分层编码器
‑
解码器结构将输入张量形式逐步编码为多层级表示，并通过从粗到细的过程生成预测结果，包含多个层次结构，每个层次结构堆叠多个立方体注意力块，立方体注意力块将输入的张量形式分解为小的长方体注意力块，然后在每个长方体注意力块上并行应用...

【专利技术属性】
技术研发人员：刘光亮，郑灿举，曹皓伟，许达，王继彬，郭莹，潘景山，吴晓明，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：