【技术实现步骤摘要】
本专利技术涉及一种基于bilstm-wavenet-mhsa的空气质量指数预测方法，涉及深度学习相关领域。
技术介绍
1、随着全球经济和工业化的发展，人们的生活水平得到了提高，与此同时，空气污染等环境问题也成为人们关注的焦点。正如世界卫生组织(world health organization,who)指出的，空气污染是世界上最大的环境健康风险，它将导致许多疾病，包括但不限于呼吸道感染、心脏病、慢性阻塞性肺病、中风和癌症。因此，随着人们健康意识的提高，越来越多的智能设备(如智能带)被开发和配备，可以报告空气质量状况。
2、空气污染问题在物联网和传感网络领域得到了广泛的讨论。c.zhang等人设计了一种有效的卷积神经网络，用于预测空气质量指数，主要由两部分组成：首先，在网络的最后一层设计了一个负对数序分类器，可以提高模型的序数判别能力。其次，设计了一种基于线性整流函数的激活函数用于基于天空图像的空气质量检测问题。l.lin等人提出了基于循环神经网络和长短期记忆神经网络(long short time memory,lstm)模型的两个动态模型用于利用在空气质量监测站获得的pm2.5时间序列和在临近天气获得的天气信息来预测pm2.5浓度。黄光球等人为了能够更精确地捕获时间序列数据中的双向依赖特性，构建了k-cnn-bilstm来进行整体的预测分析。
3、目前，bilstm模型普遍应用到空气质量指数预测中去，而且也受到了广泛的认可，然而忽略了wavenet残差网络对时间序列数据的处理同样也适用于污染物浓度数据。
技术实现思路
1、本专利技术的目的在于公开一种基于bilstm-wavenet-mhsa的空气质量指数预测方法，采用在双向长短期记忆网络bilstm作为基础网络，加入改进的wavenet残差网络，并引入多头自注意力机制输出预测值，不仅能更好的处理污染物浓度数据，提取特征，而且还提升了网络的效率，提高了预测的准确度。
2、基于bilstm-wavenet-mhsa的空气质量指数预测方法，包括：
3、步骤1、对空气质量数据集进行数据预处理；
4、步骤2、主干网络采用双向长短期记忆网络bilstm作为基础网络，加入改进的wavenet残差网络，并引入多头自注意力mhsa网络输出预测值；
5、步骤3、将预处理后的空气质量数据输入到步骤2中的主干网络中，数据流先后经过bilstm网络层和wavenet残差网络层提取浅层时间特征和深层细节特征，包括污染物浓度随时间变化特征和与风速、温度和湿度等影响因素相关性特征；
6、步骤4、将步骤3中提取到的浅层时间特征和深层细节特征输入到多头自注意力mhsa网络中，根据不同特征的重要程度分配权重，计算不同特征的权重输出；
7、步骤5、根据步骤4中对不同特征进行权重计算后得到的输出，最终通过全连接层得到mhsa层输出，完成空气质量指数预测。
8、本专利技术特点还在于：
9、步骤1中所谓污染物数据包含时间、aqi数值、污染物浓度、风速、温度、湿度、平均露点温度、能见度和降水量等，数据来源于中国环境监测总站，获得的数据需要预处理，包括缺失值处理和归一化处理，将格式改为具有时序结构，能够输入网络结构中去的数据集，按照7:2:1的比例划分数据集为训练集、测试集和验证集。
10、步骤2中的主干网络采用双向长短期记忆网络bilstm作为基础网络，加入改进的wavenet残差网络，并引入多头自注意力mhsa网络输出预测值。
11、步骤3具体过程以当前时间步的当前时刻为例为：将步骤1预处理过后的数据输入到步骤2的主干网络中，一个bilstm单元包括正向lstm单元块和反向lstm单元块，每个lstm单元块中，当前时刻的输入会与上一刻的输出值进行拼接，分别输入到遗忘门，输入门和输出门。遗忘门具体将拼接后的值一同进行sigmoid操作，操作后的值ft与上一时刻的单元块状态ct-1进行按位乘法操作。输入门具体将拼接后的值做sigmoid操作得到it，再做tanh操作得到当前时刻单元块更新状态c～t，将it和c～t做按位乘法操作，得到的值与遗忘门操作完成后的单元块状态做按位相加操作得到当前单元块状态ct。输出门具体将拼接后的值做sigmoid操作，得到ot，将ct做tanh操作与ot做按位乘法操作得到当前时刻的隐藏状态输出值ht。然后将当前时刻正向lstm单元块的隐藏状态输出与反向lstm单元块的隐藏状态输出进行拼接得到当前时刻的bilstm单元块输出。然后将所有时间步的所有时刻的bilstm单元块输出拼接，输入到改进的wavenet残差网络层中，改进后的wavenet残差网络层由因果卷积和50层膨胀卷积特征提取网络叠加组成，每层都是经过膨胀卷积后分别做tanh操作和sigmoid操作，按位相乘经过1×1卷积与刚输入经过空洞卷积后的值做按位相加操作得到输出值，将50层的输出值按位相加跳跃连接作为wavenet残差块的输出值，然后经过一个1×1卷积、relu激活函数、dropout层、1×1卷积和relu激活函数的卷积块，得到wavenet残差网络层的输出。
12、步骤4具体为：在步骤3中wavenet残差网络层处理时序信息时，每进行一次残差网络计算，就会提取到更深一层的时间特征，将wavenet残差网络层的输出作为多头自注意力mhsa网络层的输入，根据不同特征的重要程度分配权重，计算不同特征的权重输出。
13、步骤5具体为：根据步骤4中对不同特征进行权重计算后得到的输出，最终通过全连接层得到mhsa层输出，完成空气质量指数预测。
14、本专利技术的有益效果为：
15、本专利技术提出了一种基于bilstm-wavenet-mhsa的空气质量指数预测方法，主干网络采用双向长短期记忆网络bilstm作为基础网络，加入改进的wavenet残差网络，并引入多头自注意力mhsa输出预测值，膨胀因果卷积能够对时序数据进行更好的处理，提高网络训练效率，提取的特征更贴近实际，提高预测准确度，然后将网络特征输出经过多头自注意力加权处理，选择关键性数据赋予高权重，能提高网络模型预测的准确度，更有效的预测空气质量指数。
本文档来自技高网...【技术保护点】
1.基于BiLSTM-WaveNet-MHSA的空气质量指数预测方法，其特征在于：通过以下步骤实现：
【技术特征摘要】
1.基于bilstm-wavenet-mhsa的空...
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。