CN109492830B - 一种基于时空深度学习的移动污染源排放浓度预测方法 - Google Patents
一种基于时空深度学习的移动污染源排放浓度预测方法 Download PDFInfo
- Publication number
- CN109492830B CN109492830B CN201811541300.5A CN201811541300A CN109492830B CN 109492830 B CN109492830 B CN 109492830B CN 201811541300 A CN201811541300 A CN 201811541300A CN 109492830 B CN109492830 B CN 109492830B
- Authority
- CN
- China
- Prior art keywords
- time
- space
- model
- concentration
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 21
- 230000001364 causal effect Effects 0.000 claims abstract description 20
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 20
- 231100000719 pollutant Toxicity 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 29
- 239000000809 air pollutant Substances 0.000 claims description 14
- 231100001243 air pollutant Toxicity 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000003915 air pollution Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 239000000356 contaminant Substances 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 239000012855 volatile organic compound Substances 0.000 description 4
- 235000004257 Cordia myxa Nutrition 0.000 description 3
- 244000157795 Cordia myxa Species 0.000 description 3
- 239000011882 ultra-fine particle Substances 0.000 description 3
- 238000001134 F-test Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010024769 Local reaction Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的移动污染源排放浓度预测方法,本发明根据移动污染源污染物的区域时空分布特点,提出基于注意力机制的卷积长短期记忆神经网络预测方法。首先,通过分析站点之间的Granger因果关系并开发超参数高斯向量权重函数以确定空间自相关变量作为输入特征的一部分。其次,使用卷积神经网络来提取LSTM网络使用的数据的时空间特征,同时注意力模型分别用于加权特征图和通道以增强特征的有效性。最后,基于深度LSTM的时间序列预测器,用于学习大气污染物浓度的长期和短期依赖性。本发明从历史大气污染物数据中提取固有的有用特征,并将辅助数据纳入所提出的模型中以提高性能,从而浓度预测方法。
Description
技术领域
本发明涉及一种数据驱动的预测方法,尤其涉及一种基于时空深度学习的移动污染源排放浓度预测方法。
背景技术
大气污染,尤其是移动污染源超细颗粒物和挥发性有机物(Volatile OrganicCompounds,VOCs)造成的大范围雾霾已经成为我国最突出的环境问题之一。超细颗粒物和VOCs不仅对人体健康具有严重的直接危害,同时作为PM2.5的重要前体物和光化学烟雾的主要组成部分,对复合大气污染的形成起着至关重要的作用。因此,监控移动污染源超细颗粒物和VOCs的排放量,是减少雾霾天气和光化学烟雾污染,改善区域城市大气环境质量的有效手段之一。有必要了解这些污染物的来源和数量,以尽量减少大气污染对健康的不利影响。在空间维度上,对不同地区的污染物变化的特征进行分析,剖析污染物浓度在时间和空间上的差异性及形成原因,进而提高污染物浓度的预测的效率和准确可靠性,为政府控制大气污染以及交通管控、生活出行提供决策依据。
通常,空气污染过程通常涉及相互作用的多种类型的污染物,并且受到局部反应,空气污染物浓度的时空演变特性和混杂因素的影响,例如风和湿度的方向。因此,对空气污染物浓度预测的研究仍面临以下两个挑战:(1)LSTM网络一般用于时间特征提取,但其缺点是当输入序列具有长期依赖性和复杂性任务的时,存在差异性。模型难以学习合理的矢量表示,使模型的学习效率较差;(2)空气污染因果路径在自然界的不同位置之间是复杂的。监测站之间的相关性很复杂,因为它可能受到地理,自然过程,大气现象或其他因素的影响。
发明内容
本发明针对现有技术中预测空气污染物浓度的准确性不高的问题,提供了一种基于时空深度学习的移动污染源排放浓度预测方法。
一种基于时空深度学习的移动污染源排放浓度预测方法,包括以下步骤:
步骤1:利用格兰杰因果分析解决时空相关性问题,格兰杰因果关系作为衡量时间序列之间相互作用的指标,近几十年来一直备受青睐。对于复杂的空间因素,使用格兰杰因果关系来分析空气浓度的时间序列。将一个监测站的空气污染物的时间序列定义为Yi,另一个监测点的时间序列为Xi。格兰杰因果关系的格式和零假设是:
这是Nd空间聚类的邻域集(采用K-Means算法来考虑所有空间因素对监测点进行聚类);εt是一个白高斯随机向量,n是时间戳的数量,向量Φi是对应的权重Yi;μi表示空间位置Xi和Yi之间的空间权重。
然而,大气污染物对不同环境条件的依赖性也不同,污染物在扩散过程中易受风向影响。因此,有必要研究不同监测点之间不同风向下不同污染物的时空因果关系。基于以下实例如图1,可以看到空间和时间之间的因果分析应该反映两个方面:1)时空结构的依赖性,它反映了各种污染物在空间和时间上的传播;2)可预测性,表明不同的环境条件可能导致不同的时空因果关系。
针对Xi和Yi的空间权重μi,将风向和距离与空气污染物的浓度扩散过程相结合,提出了一种基于高斯核函数的超参数高斯权重向量,可以描述为:
其中α(j)是学习率,其中dX/dY和θXY分别代表距离变量和角度变量。距离可以通过欧几里德距离直接计算。使用F检验来确定第一个公式是否比第二个公式更重要。如果是,Xi是Yi的因果关系,所以Xi可以用于预测Yi.注意,使用了一个带宽参数σ,它表示变换后的方向和距离效应之间的折衷;
步骤2:空间/时间特征提取,使用历史空气污染物浓度数据建立一个时空关系为三维矩阵作为CNN的输入。假设S监测站Si={s1,s2,…,s25}的总数按空间顺序排列在路段上。S站可以提供一组时间检测数据Di={dt-r,…,dt-2,dt-1},其中在每个时间点t记录的检测数据是D是时间检测数据,S是监测站,并且ο是属性。根据道路上监测点的空间和时间分布组合了所有数据,得到了一个大小为M={S,D,ο}的三维数据矩阵。本文的预测问题可以定义为:对于给定的一组监测站S在给定的不同时间间隔,将其最新的最大时间步骤{t-r,…,t-2,t-1}历史数据用于时空相关性建模和空气污染物浓度预测。为了提高效率,在模型的第二和第三卷积层之后添加批量标准化。这里使用非线性激活函数SELU函数,SELU具有更好的收敛性并且可以有效地避免梯度消失的问题,这在Klambauer等人中具体讨论。
步骤3:建立特征图注意力模型,使用卷积核进行卷积运算以获得输出空间和时间特征映射。在注意力模型中,F={f(1),f(2),…,f(j)}是卷积层的输出隐藏特征映射,即j∈R卷积核的数量。使用以下等式通过等式计算:
F′=W⊙F
这里,W={ω1,ω2,…,ωj}是一组权重矩阵,其大小与特征映射相同。产生W的注意力模型由三个具有步幅1的卷积层组成。第一卷积层具有k×s滤波器,卷积核尺寸为5×5,第二和第三层具有k个滤波器,卷积核尺寸为3×3,并且每个卷积层有100个滤波器。⊙是元素的乘积。
步骤4:建立信道注意力模型,输入模型的三维时空数据矩阵包含许多不同的属性,不同的属性对模型的预测性能有不同的影响。期望将这34种有用信息集成到机器学习模型中,进行有监督的学习和分析,实现准确的预测。同时,来自卷积层的不同信道输出一定对模型具有不相同的影响。因此,对不同的信道进行加权,以提高特征对模型预测性能的有效性。
对于输入特征映射F={f(1),f(2),…,f(j)},其中j是特征映射中的通道数,在F中执行最大池化操作以获得每个通道C={c1,c2,…,cj}的最大值。注意力机制将产生注意权重向量V和加权表示F′如下等式计算.
ci=maxf(j)
V=softmax(C)
F′=V⊙F
步骤5:多个监测点空气污染浓度预测,从卷积和合并处理获得加权时间特征和空间特征之后,可以通过FST=F′s⊕F′t逐元素地添加两个特征图并将它们压缩成一维特征X=(x1,x2,…,xt)。这些特征被分解为连续的组件并馈送到重复的LSTM单元以进行时间分析。随后使用LSTM层从X=(x1,x2,…,xt)提取时间信息输入,并且另一输入是从最后时间步骤开始的隐藏单元ht-1。Attention-CNN-LSTM的前向训练过程可以用以下等式表示:
ft=σ(Wf·g[ht-1,xt]+bf)
it=σ(Wi·g[ht-1,xt]+bi)
Ct=ft×Ct-1+it×tanh(WC·g[ht-1,xt]+bC)
ot=σ(Wo·g[ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中it,ot和ft分别表示输入门,输出门和遗忘门的激活;Ct和ht分别表示每个细胞和记忆块的激活载体;W和b分别表示权重矩阵和偏差矢量。然后,仅将LSTM的最后一步的输出馈送到完全连接的层中,用于时空空气污染预测。
训练结束,模型的权值参数确定,此时的模型在使用格兰杰因果分析空间相关性分析中加入风向影响因素,使用注意力模型来权衡隐藏特征以增强特征的有效性,将实时的气象信息、污染物信息以及时间戳信息作为移动污染源排放物浓度输入到模型中,模型即可输出未来24小时多尺度预测的浓度结果。
本发明的预测方法中,使用了分析站点之间的格兰杰因果关系,并生成空间数据作为相对站点和时空属性,使用普通卷积单元提取空间特征和时间特征,并通过使用注意力机制对特征进行加权,通过堆叠多层LSTM,可以逐层自动提取具有长期依赖性的空间相关污染物数据的特征,并且可以使用融合特征来预测空气污染物浓度的多尺度时间序列预测。该方法实现了更高的准确性和稳定性。
附图说明
图1为大气污染物浓度空间相关性分析图;
图2为基于时空深度学习移动污染源浓度预测模型结构图。
具体实施方式
如图1和图2所示,本发明具体实现如下:
考虑到25个监测站之间的时空相关性和监测站的历史状态,选择了两个或多个CNN层来从历史空气污染物数据中提取长期跨度学习的内在特征,然后使用单热编码。该方法对每小时数据进行编码,并将提取的特征与当前的气象数据和相关的污染物数据相结合,以提高模型的预测性能。使用两个分支来提取空间特征和时间特征,然后使用注意模型来权衡隐藏特征以增强特征的有效性。通过堆叠多层LSTM,可以逐层自动提取具有长期依赖性的空间相关污染物数据的特征,并且可以使用融合特征来预测空气污染物的多尺度时间序列预测。
步骤1:利用格兰杰因果分析解决时空相关性问题,格兰杰因果关系作为衡量时间序列之间相互作用的指标,近几十年来一直备受青睐。对于复杂的空间因素,使用格兰杰因果关系来分析空气浓度的时间序列。将一个监测站的空气污染物的时间序列定义为Yi,另一个监测点的时间序列为Xi。格兰杰因果关系的格式和零假设是:
这是Nd空间聚类的邻域集(采用K-Means算法来考虑所有空间因素对监测点进行聚类);εt是一个白高斯随机向量,n是时间戳的数量,向量Φi是对应的权重Yi;μi表示空间位置Xi和Yi之间的空间权重。
然而,大气污染物对不同环境条件的依赖性也不同,污染物在扩散过程中易受风向影响。因此,有必要研究不同监测点之间不同风向下不同污染物的时空因果关系。基于以下实例如图1,可以看到空间和时间之间的因果分析应该反映两个方面:1)时空结构的依赖性,它反映了各种污染物在空间和时间上的传播;2)可预测性,表明不同的环境条件可能导致不同的时空因果关系。
针对Xi和Yi的空间权重μi,将风向和距离与空气污染物的浓度扩散过程相结合,提出了一种基于高斯核函数的超参数高斯权重向量,可以描述为:
其中α(j)是学习率,其中dX/dY和θXY分别代表距离变量和角度变量。距离可以通过欧几里德距离直接计算。使用F检验来确定第一个公式是否比第二个公式更重要。如果是,Xi是Yi的因果关系,所以Xi可以用于预测Yi;注意,使用了一个带宽参数σ,它表示变换后的方向和距离效应之间的折衷。
步骤2:空间/时间特征提取,使用历史空气污染物浓度数据建立一个时空关系为三维矩阵作为CNN的输入。假设S监测站Si={s1,s2,…,s25}的总数按空间顺序排列在路段上。S站可以提供一组时间检测数据Di={dt-r,…,dt-2,dt-1},其中在每个时间点t记录的检测数据是D是时间检测数据,S是监测站,并且ο是属性。根据道路上监测点的空间和时间分布组合了所有数据,得到了一个大小为M={S,D,ο}的三维数据矩阵。本文的预测问题可以定义为:对于给定的一组监测站S在给定的不同时间间隔,将其最新的最大时间步骤{t-r,…,t-2,t-1}历史数据用于时空相关性建模和空气污染物浓度预测。为了提高效率,在模型的第二和第三卷积层之后添加批量标准化。这里使用非线性激活函数SELU函数,SELU具有更好的收敛性并且可以有效地避免梯度消失的问题。
步骤3:建立特征图注意力模型,使用卷积核进行卷积运算以获得输出空间和时间特征映射。在注意力模型中,F={f(1),f(2),…,f(j)}是卷积层的输出隐藏特征映射,即j∈R卷积核的数量。使用以下等式通过等式计算:
F′=W⊙F
这里,W={ω1,ω2,…,ωj}是一组权重矩阵,其大小与特征映射相同。产生W的注意力模型由三个具有步幅1的卷积层组成。第一卷积层具有k×s滤波器,卷积核尺寸为5×5,第二和第三层具有k个滤波器,卷积核尺寸为3×3,并且每个卷积层有100个滤波器。⊙是元素的乘积。
步骤4:建立信道注意力模型,输入模型的三维时空数据矩阵包含许多不同的属性,不同的属性对模型的预测性能有不同的影响。期望将这34种有用信息集成到机器学习模型中,进行有监督的学习和分析,实现准确的预测。同时,来自卷积层的不同信道输出一定对模型具有不相同的影响。因此,对不同的信道进行加权,以提高特征对模型预测性能的有效性。
对于输入特征映射F={f(1),f(2),…,f(j)},其中j是特征映射中的通道数,在F中执行最大池化操作以获得每个通道C={c1,c2,…,cj}的最大值。注意力机制将产生注意权重向量V和加权表示F′如下等式计算.
ci=maxf(j)
V=softmax(C)
F′=V⊙F
步骤5:多个监测点空气污染浓度预测,从卷积和合并处理获得加权时间特征和空间特征之后,可以通过FST=F′s⊕F′t逐元素地添加两个特征图并将它们压缩成一维特征X=(x1,x2,…,xt)。这些特征被分解为连续的组件并馈送到重复的LSTM单元以进行时间分析。随后使用LSTM层从X=(x1,x2,…,xt)提取时间信息输入,并且另一输入是从最后时间步骤开始的隐藏单元ht-1。Attention-CNN-LSTM的前向训练过程可以用以下等式表示:
ft=σ(Wf·g[ht-1,xt]+bf)
it=σ(Wi·g[ht-1,xt]+bi)
Ct=ft×Ct-1+it×tanh(WC·g[ht-1,xt]+bC)
ot=σ(Wo·g[ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中it,ot和ft分别表示输入门,输出门和遗忘门的激活;Ct和ht分别表示每个细胞和记忆块的激活载体;W和b分别表示权重矩阵和偏差矢量。然后,仅将LSTM的最后一步的输出馈送到完全连接的层中,用于时空空气污染预测。
训练结束,模型的权值参数确定,此时的模型在使用格兰杰因果分析空间相关性分析中加入风向影响因素,使用注意力模型来权衡隐藏特征以增强特征的有效性,将实时的气象信息、污染物信息以及时间戳信息作为移动污染源排放物浓度输入到模型中,模型即可输出未来24小时多尺度预测的浓度结果。
步骤7:对训练得到的时空深度学习模型进行分析和对比,经分析和对比,相比于其他已有的方法,用基于时空深度学习的预测模型可以更好地对解决的移动污染源排放物浓度时空相关性,且具有较好的预测准确度。
以上实施例仅用以说明本发明的技术方案而非限制,仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于时空深度学习的移动污染源排放浓度预测方法,其特征在于:该方法具体包括以下步骤:
步骤1:利用格兰杰因果分析解决时空相关性问题,对于复杂的空间因素,使用格兰杰因果关系来分析空气浓度的时间序列;将一个监测站的空气污染物的时间序列定义为Yi,另一个监测点的时间序列为Xi;格兰杰因果关系的格式和零假设是:
其中Nd空间聚类的邻域集,εt是一个白高斯随机向量,n是时间戳的数量,向量Φi是对应的权重Yi,μi表示空间位置Xi和Yi之间的空间权重;
针对Xi和Yi的空间权重μi,将风向和距离与空气污染物的浓度扩散过程相结合,提出了一种基于高斯核函数的超参数高斯权重向量,描述为:
其中α(j)是学习率,其中dX/dY和θXY分别代表距离变量和角度变量,距离通过欧几里德距离直接计算,使用F检验来确定格兰杰因果关系的格式和零假设计算公式是否比超参数高斯权重向量计算公式更重要;如果是,Xi是Yi的因果关系,所以Xi可以用于预测Yi,带宽参数σ,它表示变换后的方向和距离效应之间的折衷;
步骤2:空间/时间特征提取,使用历史空气污染物浓度数据建立一个时空关系的三维矩阵,作为CNN的输入;假设S监测站Si={s1,s2,…,s25}的总数按空间顺序排列在路段上;S站可以提供一组时间检测数据Di={dt-r,…,dt-2,dt-1},其中在每个时间点t记录的检测数据是D是时间检测数据,S是监测站,并且ο是属性;根据道路上监测点的空间和时间分布组合了所有数据,得到了一个大小为M={S,D,ο}的三维数据矩阵;由此预测问题定义为:对于给定的一组监测站S在给定的不同时间间隔,将其最新的最大时间步骤{t-r,…,t-2,t-1}历史数据用于时空相关性建模和空气污染物浓度预测;为了提高效率,在模型的第二和第三卷积层之后添加批量标准化;
步骤3:建立特征图注意力模型,使用卷积核进行卷积运算以获得输出空间和时间特征映射;在注意力模型中,F={f(1),f(2),…,f(j)}是卷积层的输出隐藏特征映射,即j∈R卷积核的数量;使用以下等式通过等式计算:
F′=W⊙F
这里,W={ω1,ω2,…,ωj}是一组权重矩阵,其大小与特征映射相同;产生W的注意力模型由三个具有步幅1的卷积层组成;第一卷积层具有k×s滤波器,卷积核尺寸为5×5,第二和第三层具有k个滤波器,卷积核尺寸为3×3,并且每个卷积层有100个滤波器;⊙是元素的乘积;
步骤4:建立信道注意力模型
对于输入特征映射F={f(1),f(2),…,f(j)},其中j是特征映射中的通道数,在F中执行最大池化操作以获得每个通道C={c1,c2,…,cj}的最大值;注意力机制将产生注意权重向量V和加权表示F′如下等式计算.
ci=maxf(j)
V=softmax(C)
F′=V⊙F
步骤5:多个监测点空气污染浓度预测,从卷积和合并处理获得加权时间特征和空间特征之后,通过FST=F′s⊕F′t逐元素地添加两个特征图并将它们压缩成一维特征X=(x1,x2,…,xt);这些特征被分解为连续的组件并馈送到重复的LSTM单元以进行时间分析;随后使用LSTM层从X=(x1,x2,…,xt)提取时间信息输入,并且另一输入是从最后时间步骤开始的隐藏单元ht-1;Attention-CNN-LSTM的前向训练过程可以用以下等式表示:
ft=σ(Wf·g[ht-1,xt]+bf)
it=σ(Wi·g[ht-1,xt]+bi)
Ct=ft×Ct-1+it×tanh(WC·g[ht-1,xt]+bC)
ot=σ(Wo·g[ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中it,ot和ft分别表示输入门,输出门和遗忘门的激活,Ct和ht分别表示每个细胞和记忆块的激活载体,W和b分别表示权重矩阵和偏差矢量;然后,仅将LSTM的最后一步的输出馈送到完全连接的层中,用于时空空气污染预测;
训练结束,模型的权值参数确定,此时的模型在使用格兰杰因果分析空间相关性分析中加入风向影响因素,使用注意力模型来权衡隐藏特征以增强特征的有效性,将实时的气象信息、污染物信息以及时间戳信息作为移动污染源排放物浓度输入到模型中,模型即可输出未来24小时多尺度预测的浓度结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811541300.5A CN109492830B (zh) | 2018-12-17 | 2018-12-17 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811541300.5A CN109492830B (zh) | 2018-12-17 | 2018-12-17 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492830A CN109492830A (zh) | 2019-03-19 |
CN109492830B true CN109492830B (zh) | 2021-08-31 |
Family
ID=65710608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811541300.5A Expired - Fee Related CN109492830B (zh) | 2018-12-17 | 2018-12-17 | 一种基于时空深度学习的移动污染源排放浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492830B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993282B (zh) * | 2019-03-28 | 2020-06-12 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
CN110135057B (zh) * | 2019-05-14 | 2021-03-02 | 北京工业大学 | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 |
CN110263977A (zh) * | 2019-05-24 | 2019-09-20 | 河南大学 | 基于lstm神经网络模型的优化预测pm2.5的方法及装置 |
CN110163449B (zh) * | 2019-05-31 | 2021-07-09 | 杭州电子科技大学 | 一种基于主动时空图卷积的机动车排污监测节点部署方法 |
CN110197307B (zh) * | 2019-06-03 | 2023-07-25 | 上海海洋大学 | 一种结合注意力机制的区域型海表面温度预测方法 |
CN110544304B (zh) * | 2019-07-18 | 2023-03-14 | 长春市万易科技有限公司 | 基于时空推理的场地污染数字化与图形化展示***及方法 |
CN110807577A (zh) * | 2019-10-15 | 2020-02-18 | 中国石油天然气集团有限公司 | 污染排放预测方法及装置 |
CN110929793A (zh) * | 2019-11-27 | 2020-03-27 | 谢国宇 | 用于生态环境监测的时空域模型建模方法及*** |
CN111047012A (zh) * | 2019-12-06 | 2020-04-21 | 重庆大学 | 基于深度双向长短期记忆网络的空气质量预测方法 |
CN112950924B (zh) * | 2019-12-10 | 2022-08-19 | 东北大学秦皇岛分校 | 一种基于深度学习的复杂交通路网交通速度预测方法 |
CN112986492B (zh) * | 2019-12-17 | 2023-02-03 | 华为云计算技术有限公司 | 一种建立气体浓度预测模型的方法及装置 |
CN111401605B (zh) * | 2020-02-17 | 2023-05-02 | 北京石油化工学院 | 大气污染的可解释预测方法 |
CN111341386B (zh) * | 2020-02-17 | 2022-09-20 | 大连理工大学 | 引入注意力的多尺度CNN-BiLSTM非编码RNA互作关系预测方法 |
CN111340669A (zh) * | 2020-02-21 | 2020-06-26 | 中国科学技术大学 | 众筹项目初期筹资表现预测*** |
CN112580859B (zh) * | 2020-06-01 | 2022-10-18 | 北京理工大学 | 一种基于全局注意力机制的雾霾预测方法 |
CN111814956B (zh) * | 2020-06-23 | 2022-04-08 | 哈尔滨工程大学 | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 |
CN111768038B (zh) * | 2020-06-30 | 2023-02-03 | 平安国际智慧城市科技股份有限公司 | 污染物监控方法、装置、终端设备及存储介质 |
CN111832814B (zh) * | 2020-07-01 | 2023-06-23 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
CN111882138B (zh) * | 2020-08-07 | 2024-02-23 | 中国农业大学 | 基于时空融合的水质预测方法、装置、设备及存储介质 |
CN112288156B (zh) * | 2020-10-26 | 2023-03-31 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
CN112651553A (zh) * | 2020-12-24 | 2021-04-13 | 航天科工网络信息发展有限公司 | 一种城市大气污染预警监管和决策分析的方法 |
CN112906941B (zh) * | 2021-01-21 | 2022-12-06 | 哈尔滨工程大学 | 面向动态相关空气质量时间序列的预测方法及*** |
CN112819218B (zh) * | 2021-01-27 | 2022-05-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、***及存储介质 |
CN112966442B (zh) * | 2021-03-08 | 2023-05-23 | 浙江传媒学院 | 基于因果中心性的雾霾分析识别方法 |
CN112884243A (zh) * | 2021-03-16 | 2021-06-01 | 杭州职业技术学院 | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 |
CN113077081A (zh) * | 2021-03-26 | 2021-07-06 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 交通污染排放量预测方法 |
CN113128776B (zh) * | 2021-04-26 | 2023-07-07 | 中国科学技术大学先进技术研究院 | 数据自迁移的多车型柴油车排放预测方法及*** |
CN113255995A (zh) * | 2021-05-24 | 2021-08-13 | 北京建筑大学 | 一种空气污染预测方法 |
CN113326981B (zh) * | 2021-05-26 | 2024-05-31 | 北京交通大学 | 基于动态时空注意力机制的大气环境污染物预测模型 |
CN113488058B (zh) * | 2021-06-23 | 2023-03-24 | 武汉理工大学 | 一种基于短语音的声纹识别方法 |
CN113742893B (zh) * | 2021-08-06 | 2024-02-06 | 中煤科工集团沈阳研究院有限公司 | 基于多元融合时空特征卷积网络的气体浓度预测方法 |
CN113570156A (zh) * | 2021-08-18 | 2021-10-29 | 中国农业大学 | 基于农业设施的热环境预测模型及热环境预测方法 |
CN113657582B (zh) * | 2021-08-20 | 2024-04-09 | 西安科技大学 | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 |
CN114511239B (zh) * | 2022-02-18 | 2023-04-18 | 中国农业科学院农业信息研究所 | 土壤重金属污染风险区划分方法、装置、电子设备及介质 |
CN114529825B (zh) * | 2022-04-24 | 2022-07-22 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
CN116227756B (zh) * | 2023-05-10 | 2023-07-07 | 北京航空航天大学 | 一种城市时空数据预测因果模型的评价方法 |
CN116578761B (zh) * | 2023-05-18 | 2024-04-02 | 西安韵通网络科技有限公司 | 基于深度学习的大数据智能分析方法 |
CN117744704B (zh) * | 2024-02-21 | 2024-04-30 | 云南宇松科技有限公司 | 一种烟气污染源采集监测***、方法及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682209A (zh) * | 2012-05-03 | 2012-09-19 | 桂林理工大学 | 有机污染物定量结构活性相关建模的变量筛选方法 |
CN104616060A (zh) * | 2014-12-23 | 2015-05-13 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
CN107346459A (zh) * | 2017-05-22 | 2017-11-14 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108052793A (zh) * | 2017-12-26 | 2018-05-18 | 杭州电子科技大学 | 一种基于模糊加权elm的移动污染源排放浓度预测方法 |
KR20180084417A (ko) * | 2017-01-17 | 2018-07-25 | 국민대학교산학협력단 | 해수담수화 플랜트의 에너지 관리 방법 및 시스템 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
CN108593557A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 基于te-ann-awf移动污染源遥测误差补偿方法 |
-
2018
- 2018-12-17 CN CN201811541300.5A patent/CN109492830B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682209A (zh) * | 2012-05-03 | 2012-09-19 | 桂林理工大学 | 有机污染物定量结构活性相关建模的变量筛选方法 |
CN104616060A (zh) * | 2014-12-23 | 2015-05-13 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
KR20180084417A (ko) * | 2017-01-17 | 2018-07-25 | 국민대학교산학협력단 | 해수담수화 플랜트의 에너지 관리 방법 및 시스템 |
CN107346459A (zh) * | 2017-05-22 | 2017-11-14 | 天津科技大学 | 一种基于遗传算法改进的多模式污染物集成预报方法 |
CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108052793A (zh) * | 2017-12-26 | 2018-05-18 | 杭州电子科技大学 | 一种基于模糊加权elm的移动污染源排放浓度预测方法 |
CN108593557A (zh) * | 2018-03-13 | 2018-09-28 | 杭州电子科技大学 | 基于te-ann-awf移动污染源遥测误差补偿方法 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
Non-Patent Citations (2)
Title |
---|
Forecasting of Ozone Concentration in Smart City;Osama A.Ghoneim.etc;《2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI)》;20171204;全文 * |
基于深度学习的大数据空气污染预报;尹文君 等;《中国环境管理》;20150630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109492830A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN112241814B (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
Jiang et al. | Deepurbanmomentum: An online deep-learning system for short-term urban mobility prediction | |
Arhami et al. | Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
CN110782093A (zh) | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及*** | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN116881671B (zh) | 基于神经网络的大气污染溯源方法及*** | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
US20230140289A1 (en) | Traffic accident prediction systems and methods | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及*** | |
CN114694767B (zh) | 基于时空图常微分方程网络的pm2.5浓度预测方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及*** | |
CN116092294A (zh) | 一种基于Transformer与图注意力网络的高速公路交通流量预测方法 | |
CN117171546A (zh) | 一种结合污染扩散指数的城市空气质量预测方法 | |
CN115860286A (zh) | 一种基于时序门机制的空气质量预测方法及*** | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
CN110826810B (zh) | 一种空间推理与机器学习相结合的区域降雨预测方法 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210831 |