(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111428869.2 (22)申请日 2021.11.27 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 林绍福　赵俊杰　张羽民　李建强　 刘希亮　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 沈波 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/06(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) (54)发明名称 一种基于S T-CCN-PM2.5的PM2.5浓度细粒度 预测方法 (57)摘要 本发明公开了一种基于ST ‑CCN‑PM2.5的 PM2.5浓度细粒度预测方法， 该方法从与目标站 点空间强相关的站点数据中挖掘时空依赖特征， 以提升PM2.5的单步预测精度。 对采集到的空气 污染物及气象数据进行了插值处理、 特征选择、 数据扩充等预处理。 利用相关性 分析及空间注意 力机制， 提取融合与目标站点空间强相关的站点 信息； 采用基于时间注意力的膨胀卷积网络， 优 化了输入数据窗口大小并扩展了预测覆盖的时 域范围。 然后基于S T‑CCN‑PM2.5模型进行了相关 性阈值、 数据归一化、 数据集划分等超参数调优 的实验以辅助优化模型。 最后将多站点数据集用 于对该模型的训练。 本发明克服了传统RNN模型 的梯度问题、 复杂体系结构等弊端， 为PM2.5浓度 细粒度预测提供了一个开 放研究框架。 权利要求书3页 说明书8页 附图2页 CN 113962489 A 2022.01.21 CN 113962489 A 1.一种基于ST ‑CCN‑PM2.5的PM2.5浓度细粒度预测方法， 其特 征在于： 步骤如下： (1)获取各个空气监测站的空气污染物及气象的小时级监测数据， 并对数据进行存储 和预处理； (2)从与目标站点空间强相关的站点数据 中挖掘时空依赖特征， 构建ST ‑CCN‑PM2.5模 型； (3)调整相关性阈值、 数据归一化、 数据划分以及滑动窗口参数， 进行多组对比实验， 完 成超参数调优； (4)对参数调优后的ST ‑CCN‑PM2.5模型进行训练， 并与基准模型进行性能比较； (5)输出目标站点未来 一小时PM2.5浓度预测值。 2.根据权利要求1所述的一种基于ST ‑CCN‑PM2.5的PM2.5浓度细粒度预测方法， 其特征 在于， 所述 步骤(1)中， 进行 数据预处 理包括： (1)对采集到的空气污染物与气象数据中的缺失值进行填充； 对于时间跨度较小的缺 失值， 采用线性插值或者二次插值来填充缺 失值； 对于长时间跨度的缺 失值的情况， 使用临 近日期内相同时间段的数据进行填充； (2)计算NO2、 风向、 风速、 PM10、 CO、 相对湿度、 大气压力、 温度、 SO2、 O3特征序列与PM2.5 浓度序列的相关性， 选择与PM2.5相关性小的因素作为输入ST ‑CCN‑PM2.5模型的特 征； (3)由筛选得到的特征序列构建特征矩阵， 将95个站点的特征矩阵扩充至初始矩阵的 五倍规模。 3.根据权利要求1所述的一种基于ST ‑CCN‑PM2.5的PM2.5浓度细粒度预测方法， 其特征 在于， 所述 步骤(2)中， 构建ST ‑CCN‑PM2.5模型包括： (1)利用相关性分析及空间注意力机制提取、 融合空间强相关站点信息， 具体步骤包 括： (a)计算目标站点和其他站点PM2.5历史数据之间相关性系数， 使用皮尔森相关性系数 衡量两个站点的相互影响程度； 计算公式如下 所示： 其中Y*代表目标站点PM2.5浓度历史数据， Yi代表其他站点PM2.5浓度历史数据； cov() 是协方差函数， 和 分别是两个站点数据的方差； 由上述公式计算得到目标站点和全 部 站点的相关性系数ρ _l ist， 如下 所示： ρ _list＝[ρ(Y*,Y1), ρ(Y*,Y2),..., ρ(Y*,YM)] (2) 在(2)式中获取了全部M个站点和目标站点的相 关性系数； 将相 关性系数和阈值比较， 最终得到与目标站点相关性系数 大于ρth的站点数据的集 合如下： X＝{Xi|ρ(Y*,Yi)＞ρth,i∈1,...,N} (3) 在(3)式中， Xi∈RT×L为第i个与目标站点空间强相关站点的特征矩阵， X∈RM×T×L代表与 目标站点空间强相关的三 维特征矩阵， 其中M＜＝N， M代表与目标站 点空间强相关的站 点数 量； (b)利用1 ×1卷积核， 对X∈RM×T×L这个特征矩阵中M个通道的特征值进行线性组合来完 成升维操作， 经 过升维处 理后三维矩阵变为 其中Mnew表示升维后的通道数量；权　利　要　求　书 1/3 页 2 CN 113962489 A 2在升维过程中， 采用的1 ×1卷积核数量大于特征矩阵的通道数量， 经过卷积运算使不 同通道信息得以交互和融合， 从而增大输入矩阵通道数量， 提升模型对非线性特征 的提取 能力； (c)基于空间注意力机制实现降维操作， 提取各通道第i项特征序列与目标站点第i项 特征序列的相关性系数， 基于相关性信息计算权重 分布， 各通道第i项 特征序列 依据权重值 线性组合 为该特征的序列； 循环进行 此过程将三维特 征矩阵聚合至二维矩阵； 首先对目标站点的第i个特征序列与Mnew个特征矩阵中的第i个特征序列进行相关性分 析， 计算皮尔逊相关性系数； 计算公式如下 所示： 在(4)式中 表示第m个通道第 i个特征序列与目标序列的相关性， 表示目 标站点的第i个特征序列， 表示第m个通道的第i个特征序列， Pearson()表示皮尔逊 相关性系数的计算方法； 其次引入SoftMax的计算方法对第一阶段的相 关性系数进行数值转换， 将原始相 关性 系数整理成所有元素权重 之和为1的概率分布， 这样做也能更加突出重要 特征序列的权重； 计算公式如下： 其中 表示第m个通道的第i个特 征序列的注意力权 重； 最后， 将各通道的第i项特征序列乘以对应的权重值再求和， 使第i项特征序列聚合为 最终序列， 由聚合后的各项特征序列构成最终特征矩阵； 因此最终降维聚合后的特征序列 及特征矩阵应如以下公式所示： (2)利用膨胀卷积从特 征矩阵中提取有效的时间依赖关系， 具体步骤 包括； (a)使用步骤(1)最终形成的二 位特征矩阵作为时序数据输入膨胀卷积； (b)膨胀卷积允许卷积时的输入存在间隔采样， 采样率受到膨胀因子d的控制； 最下面 一层d＝1， 表示输入时每个点都采样， 中间层d＝2， 表示输入时每两个点采样一个作为输 入； 随着层数的升高， 膨胀因子呈指数型增长； 在不同网络层次中提取到不同周期的时间依 赖关系， 提升数据预测的准确性； 在xt处的膨胀因子为d的膨胀卷积如下 所示： 如公式(7)所示， 滤波器F＝(f1,f2,…,fK)， 序列X＝(x1,x2,…,xT)， *d为膨胀卷积运算 符； K表示膨胀卷积内核大小， T代表历史数据时长； 在低网络层中， 滤波器fk与t‑(K‑k)d时 刻的数据进 行卷积， 最后求和， 得到高一级层次中t时刻的数据； 设置滤波器大小k＝3， 网络 深度为4， 且使用d＝2i的膨胀因子， 以此来保证预测结果覆盖到长期历史数据， 避免引入噪权　利　要　求　书 2/3 页 3 CN 113962489 A 3