【技术实现步骤摘要】
本申请涉及空气质量预测领域，尤其涉及一种面向大尺度稀疏采样场景的空气质量快速预测方法和装置。
技术介绍
1、随着工业化和城市化的发展，pm2.5、二氧化硫(so2)、二氧化氮(no2)等空气污染问题日益严重，给人类社会的可持续发展带来了严峻挑战。研究显示，长期处于高污染环境中可能会增加呼吸系统疾病、癌症和心血管疾病的发病率。在这一背景下，实时精准的空气质量预测模型成为减少人类暴露于空气污染的重要手段。这些技术能够提前预测污染物浓度的变化和空气质量指数的波动，为公众和政府制定有针对性的防护措施提供借鉴和参考。
2、空气质量预测的关键在于挖掘历史数据中的复杂时空关系，从而准确高效地推断未来的空气质量数据。近年来，深度学习模型以其出色的复杂时空关系捕捉能力成为主流的空气质量预测模型。尽管现有模型已经在大多数空气质量预测场景中取得了令人满意的效果，但在实时性要求高的大尺度稀疏采样场景中依然面临挑战。具体而言，空气质量传感器在大尺度稀疏采样场景中通常呈现稀疏分布。常见的紧凑格网结构模型难以有效捕捉稀疏图像中的时空依赖关系，严重影响了模型的预测精度，常见的图结构模型虽然可以在稀疏场景中获得较优的预测精度，但模型的复杂度往往随着节点数量的增加呈指数级增长，严重影响了模型的计算效率。因此，在大尺度稀疏采样场景中，现有模型难以兼顾大尺度覆盖和实时响应的平衡，存在计算资源和预测准确性不能兼顾的问题。
3、因此，亟需一种面向大尺度稀疏采样场景的空气质量快速预测方法和装置。
技术实现思路>
1、本申请提供一种面向大尺度稀疏采样场景的空气质量快速预测方法，解决了现有模型难以兼顾大尺度覆盖和实时响应的平衡，存在计算资源和预测准确性不能兼顾的问题。
2、在本申请的第一方面提供了一种面向大尺度稀疏采样场景的空气质量快速预测方法，方法包括：通过空气质量传感器群组，获取空气质量数据，空气质量传感器群组包括多个空气质量传感器；根据多个空气质量传感器在研究区域中的位置关系，获取空气质量传感器群组对应的图结构，图结构包括多个空气质量传感器之间的图节点连接关系；构建数据结构转换组件，数据结构转换组件用于根据多个空气质量传感器之间的图节点连接关系，将图结构转换为紧凑格网结构，并构建图结构与紧凑格网结构之间的映射关系；构建轻量参数共享时空膨胀卷积网络组件，轻量参数共享时空膨胀卷积网络组件用于捕捉空气质量数据中的时空依赖关系；根据映射关系和时空依赖关系，通过数据结构转换组件和轻量参数共享时空膨胀卷积网络组件构建集成预测器；根据空气质量数据，通过集成预测器获取空气质量预测结果。
3、可选地，根据多个空气质量传感器之间的图节点连接关系，将图结构转换为紧凑格网结构，具体包括：获取目标空气质量传感器在图结构中对应的第一起始图节点，目标空气质量传感器为多个空气质量传感器中的任意一个空气质量传感器；获取紧凑格网结构的中心像素，构建第一起始图节点与中心像素的第一映射关系；根据图节点连接关系，若确认获取到第一起始图节点对应的一阶相邻图节点，则获取中心像素对应的一阶邻域像素，并构建一阶相邻图节点与一阶邻域像素对应的第二映射关系；获取第二起始图节点，第二起始图节点为第一起始图节点对应的一阶相邻图节点中的任意一个图节点，根据图节点连接关系，若确认未获取到第二起始图节点对应的一阶相邻图节点，则根据中心像素和一阶邻域像素构建紧凑格网结构。
4、可选地，构建图结构与紧凑格网结构之间的映射关系，具体包括：根据第一映射关系和第二映射关系，构建图结构与紧凑格网结构之间的映射关系。
5、可选地，捕捉空气质量数据中的时空依赖关系，具体包括：获取多个时间窗口对应分别对应的空气质量数据；通过数据结构转换组件，构建空气质量数据对应的三维张量；轻量参数共享时空膨胀卷积网络组件通过三维张量捕捉空气质量数据中的时空依赖关系。
6、可选地，根据空气质量数据，通过集成预测器获取空气质量预测结果，具体包括：获取多个时间窗口中的当前时间窗口；获取多个历史时间窗口，多个历史时间窗口位于当前时间窗口之前；获取多个历史时间窗口分别对应的历史空气质量数据，集成预测器根据历史空气质量数据，获取空气质量预测结果。
7、可选地，根据如下公式获取空气质量预测结果：
8、
9、其中，其中，m为紧凑格网结构，lienpred←g为紧凑格网结构的构建过程，g为图结构，vi为空气质量传感器群组中第i个空气质量传感器，a为空气质量传感器之间的图节点连接关系，a∈rn×n，r为实数，n为多个空气质量传感器的总数，为基于紧凑格网结构构造三维张量，t为第t个时间窗口，为历史空气质量数据，且其中p和q分别表示紧凑格网结构的长和宽，b为历史依赖步长，b为[1,b]中的任意一个时间窗口；为空气质量预测结果，且f为预测步长，f为[1,f]中的任意一个时间窗口。
10、可选地，获取膨胀因子；根据膨胀因子，并根据如下公式减少轻量参数共享时空膨胀卷积网络组件中神经网络的深度：
11、
12、在上式中，
13、
14、其中，stpdcn为共享时空膨胀卷积网络组件的前向传播过程，为输入的历史空气质量数据；为预测的空气质量数据；分别为在第l个隐藏层中q维、p维、t维的膨胀因子大小；为隐藏层中共享的卷积核，其中kt,kp,kq分别为t维、p维、q维的卷积核大小；为第l个隐藏层中空气质量数据的隐藏状态，e为隐藏层的维度，也对应于卷积核的个数；为由第e个卷积核得到的三维张量；为三维张量中的元素，p、q、t分别为三维张量中p维、q维、t维的坐标；为三维张量中的元素，其中i、j、s分别为三维张量中p维、q维、t维的坐标；conv为卷积运算，用于维度对齐。
15、在本申请的第二方面提供了一种面向大尺度稀疏采样场景的空气质量快速预测装置，装置包括获取模块、集成预测器构建模块、预测模块，其中，
16、获取模块，用于通过空气质量传感器群组，获取空气质量数据，空气质量传感器群组包括多个空气质量传感器；根据多个空气质量传感器在研究区域中的位置关系，获取空气质量传感器群组对应的图结构，图结构包括多个空气质量传感器之间的图节点连接关系。
17、集成预测器构建模块，用于构建数据结构转换组件，数据结构转换组件用于根据多个空气质量传感器之间的图节点连接关系，将图结构转换为紧凑格网结构，并构建图结构与紧凑格网结构之间的映射关系；构建轻量参数共享时空膨胀卷积网络组件，轻量参数共享时空膨胀卷积网络组件用于捕捉空气质量数据中的时空依赖关系；根据映射关系和时空依赖关系，通过数据结构转换组件和轻量参数共享时空膨胀卷积网络组件构建集成预测器。
18、预测模块，用于根据空气质量数据，通过集成预测器获取空气质量预测结果。
19、在本申请的第三方面提供了一种电子设备，包括处理器、存储器、用户接口及网络接口，存储器用于存储指令，用户接口和网络接口用于给其他设备通信，处理器用于执行存储器本文档来自技高网...
【技术保护点】
1.一种面向大尺度稀疏采样场景的空气质量快速预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据多个所述空气质量传感器之间的图节点连接关系，将所述图结构转换为紧凑格网结构，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述构建所述图结构与所述紧凑格网结构之间的映射关系，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述捕捉所述空气质量数据中的时空依赖关系，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述空气质量数据，通过所述集成预测器获取空气质量预测结果，具体包括：
6.根据权利要求5所述的方法，其特征在于，根据如下公式获取所述空气质量预测结果：
7.根据权利要求6所述的方法，其特征在于，在所述获取轻量参数共享时空膨胀卷积网络组件之后，所述方法还包括：
8.一种面向大尺度稀疏采样场景的空气质量快速预测装置，其特征在于，所述装置包括获取模块、集成预测器构建模块、预测模块，其中，
9.一种电子设备，其特征在于，包括处理器
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1至7任意一项所述的方法。
...【技术特征摘要】
1.一种面向大尺度稀疏采样场景的空气质量快速预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据多个所述空气质量传感器之间的图节点连接关系，将所述图结构转换为紧凑格网结构，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述构建所述图结构与所述紧凑格网结构之间的映射关系，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述捕捉所述空气质量数据中的时空依赖关系，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述空气质量数据，通过所述集成预测器获取空气质量预测结果，具体包括：
6.根据权利要求5所述的方法，其特征在于，根据如下公式获取所述空气质量预测...
【专利技术属性】
技术研发人员：汤玲，王培晓，
申请(专利权)人：南京北斗创新应用科技研究院有限公司，
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。