【技术实现步骤摘要】
本专利技术涉及环境监测，尤其涉及一种空气质量预测方法及系统。
技术介绍
1、目前，空气质量预测是大气污染防治的重要组成部分，对科学决策和环境治理具有重要指导意义。针对这一问题，学术界和工业界采用了多种方法，主要包括物理模型、统计学模型以及近年来快速发展的深度学习方法。
2、物理模型通过数学和物理方程描述和模拟大气中的化学、扩散、沉降和动力学过程，具有基于物理原理、适用性强、易于解释的特点。常见的物理模型包括高斯模型（如isc、aermod、adms）和综合空气质量模拟系统（如cmaq、camx、wrf-chem、naqpms）。这些模型能够有效模拟多污染物交互作用，尤其是在复杂环境中。然而，物理模型存在模型复杂、数据需求高、缺乏对非线性化学反应的精确描述等局限性，在城市和区域化学反应处理方面表现不足。
3、统计学模型通过对数值数据进行统计分析，建立物质含量与气象条件之间的关联，从而预测空气质量。常见的统计学模型包括同期回归模型、逐步回归模型、多元回归模型、聚类分析模型以及 bp 神经网络模型等。例如，cobourn利用非线性回归模型预测区域pm2.5的日均最大值，paschalidou等使用人工神经网络（如mlp和rbf）预测pm10浓度。此外，支持向量回归（svr）、隐马尔可夫模型、adaboost和集成学习方法等也在空气质量预测中得到应用。然而，统计学模型在应对非线性和复杂时空关系时表现不足，且对数据质量较为敏感，限制了预测精度和实时性。
4、随着数据规模的增长和计算能力的提升，深度学习在
技术实现思路
1、为解决现有的空气质量预测模型在长时序预测及对突变值的敏感性方面存在较大不足的技术问题，本专利技术实施例提供一种空气质量预测方法及系统。
2、本专利技术实施例的技术方案是这样实现的：
3、本专利技术实施例提供了一种空气质量预测方法，方法包括：获取空气质量数据集；构建相关性分割与重组排序交互卷积变换器模型；所述相关性分割与重组排序交互卷积变换器模型为ctt结构，包括cnn卷积神经网络模型、两个transformer模型和全连接层；所述cnn卷积神经网络模型用于提取输入数据的局部特征；所述transformer模型用于提取输入数据的全局依赖特征；所述全连接层用于根据所述局部特征和所述全局依赖特征输出空气质量预测结果；将所述空气质量数据集中的数据输入所述相关性分割与重组排序交互卷积变换器模型中，获得所述相关性分割与重组排序交互卷积变换器模型输出的空气质量预测结果。
4、在一实施例中，所述cnn卷积神经网络模型包括attention-split层、mbconv模块、crinet模型、cri-attention层和连接层；所述transformer模型包括cri-attention层。
5、在一实施例中，所述attention-split层用于根据输入数据的相关性水平将输入数据划分为相关性高的子序列和相关性低的子序列，将所述相关性高的子序列输入mbconv模块，将所述相关性低的子序列输入crinet模型。
6、在一实施例中，所述attention-split层具体用于利用自注意力机制计算输入数据中每个特征相对于变量目标的注意力分数；按照所述注意力分数由高到低的顺序对所述输入数据的特征进行排序；获取排序结果中的中位值；将所述排序结果中中位值之前的特征划分为相关性高的子序列；将所述排序结果中中位值之后的特征划分为相关性低的子序列；将所述相关性高的子序列输入mbconv模块，将所述相关性低的子序列输入crinet模型。
7、在一实施例中，所述mbconv模块用于对所述相关性高的子序列提取关键特征，增强所述相关性分割与重组排序交互卷积变换器模型对高相关变量的表达能力。
8、在一实施例中，所述crinet模型用于对所述相关性低的子序列进行特征学习，强化所述相关性分割与重组排序交互卷积变换器模型对复杂关系的建模能力。
9、在一实施例中，所述cri-attention层用于使用步长为k的crinet模型将输入数据转换为查询和键，基于转换后的查询和键捕捉输入数据中的局部上下文信息，增强所述相关性分割与重组排序交互卷积变换器模型对时空依赖关系的建模能力。
10、在一实施例中，所述连接层用于将所述mbconv模块输出的特征和所述crinet模型输出的特征进行第一次融合，获得第一融合特征；将所述第一融合特征与所述cri-attention层输出的特征进行第二次融合，获得第二融合特征。
11、本专利技术实施例还提供了一种空气质量预测系统，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行上述所述方法的步骤。
12、本专利技术实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述方法的步骤。
13、本实施例方案具有如下有益效果：
14、1、高效的特征分割与提取
15、相关性分割与模块化处理：通过attention-split层，根据变量与目标变量的相关性将数据分为高相关性和低相关性两组子序列，分别采用crinet和mbconv模块进行特征学习。这种分割与模块化处理方法大幅提升了特征提取的效率和针对性。
16、技术效果：在捕捉多变量时间序列的复杂特征时，模型能够有效区分关键信息与次要信息，优化了计算效率并提升了预测精度。
17、2、改进的注意力机制
18、cri-attention层：利用crinet卷积替代传统的步长为1的卷积，使模型能够在生成查询（q）和键（k）时充分捕捉局部上下文信息。
19、技术效果：增强了模型对时空数据的上下文理解能力，解决了传统transformer在局部上下文敏感性上的局限性，大幅提高了对极值和异常点的识别能力。
20、3、创新的ctt结构
21、cnn和transformer的结合：criformer使用卷积神经网络（cnn）和双transformer组成的ctt结构，结合局部特征捕本文档来自技高网...
【技术保护点】
1.一种空气质量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的空气质量预测方法，其特征在于，所述CNN卷积神经网络模型包括Attention-split层、MBConv模块、CRINet模型、CRI-Attention层和连接层；所述Transformer模型包括CRI-Attention层。
3.根据权利要求2所述的空气质量预测方法，其特征在于，所述Attention-split层用于根据输入数据的相关性水平将输入数据划分为相关性高的子序列和相关性低的子序列，将所述相关性高的子序列输入MBConv模块，将所述相关性低的子序列输入CRINet模型。
4.根据权利要求3所述的空气质量预测方法，其特征在于，所述Attention-split层具体用于利用自注意力机制计算输入数据中每个特征相对于变量目标的注意力分数；按照所述注意力分数由高到低的顺序对所述输入数据的特征进行排序；获取排序结果中的中位值；将所述排序结果中中位值之前的特征划分为相关性高的子序列；将所述排序结果中中位值之后的特征划分为相关性低的子序列；将所述相关性高的子序列输
5.根据权利要求3所述的空气质量预测方法，其特征在于，所述MBConv模块用于对所述相关性高的子序列提取关键特征，增强所述相关性分割与重组排序交互卷积变换器模型对高相关变量的表达能力。
6.根据权利要求3所述的空气质量预测方法，其特征在于，所述CRINet模型用于对所述相关性低的子序列进行特征学习，强化所述相关性分割与重组排序交互卷积变换器模型对复杂关系的建模能力。
7.根据权利要求2所述的空气质量预测方法，其特征在于，所述CRI-Attention层用于使用步长为k的CRINet模型将输入数据转换为查询和键，基于转换后的查询和键捕捉输入数据中的局部上下文信息，增强所述相关性分割与重组排序交互卷积变换器模型对时空依赖关系的建模能力。
8.根据权利要求2所述的空气质量预测方法，其特征在于，所述连接层用于将所述MBConv模块输出的特征和所述CRINet模型输出的特征进行第一次融合，获得第一融合特征；将所述第一融合特征与所述CRI-Attention层输出的特征进行第二次融合，获得第二融合特征。
9.一种空气质量预测系统，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行权利要求1至8任一项所述方法的步骤。
10.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种空气质量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的空气质量预测方法，其特征在于，所述cnn卷积神经网络模型包括attention-split层、mbconv模块、crinet模型、cri-attention层和连接层；所述transformer模型包括cri-attention层。
3.根据权利要求2所述的空气质量预测方法，其特征在于，所述attention-split层用于根据输入数据的相关性水平将输入数据划分为相关性高的子序列和相关性低的子序列，将所述相关性高的子序列输入mbconv模块，将所述相关性低的子序列输入crinet模型。
4.根据权利要求3所述的空气质量预测方法，其特征在于，所述attention-split层具体用于利用自注意力机制计算输入数据中每个特征相对于变量目标的注意力分数；按照所述注意力分数由高到低的顺序对所述输入数据的特征进行排序；获取排序结果中的中位值；将所述排序结果中中位值之前的特征划分为相关性高的子序列；将所述排序结果中中位值之后的特征划分为相关性低的子序列；将所述相关性高的子序列输入mbconv模块，将所述相关性低的子序列输入crinet模型。
5.根据权利要求3所述的空气质量预测方法，其特征在于，所述mbconv模块用于对所述相关性高的子序列提取关...
【专利技术属性】
技术研发人员：覃业梅，张鎏波，胡博飓，赵慎，张斌，冯懿归，李桂芬，李文杰，唐悦轩，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。