[发明专利]融合多源时空数据的城市空气质量精细化估测方法及装置

权利要求书

1.一种融合多源时空数据的城市空气质量精细化估测方法，其特征在于，包含如下步骤：

S1、对待预测目标城市，采集其历史的空气质量数据集和与所述空气质量数据集中城市空气质量相关的城市时空数据集，对空气质量数据集和城市时空数据集进行清洗，以剔除无效数据；所述历史空气质量数据集包括PM2.5以及气象特征数据；

S2、对城市时空数据集中的各个空间属性按照时间戳进行排序，并保留空气质量数据集中的同一时间戳的空气质量数据，若某时刻存在某一属性的数据缺失，则将该时刻的时空属性以及所对应的空气质量数据剔除；

S3、对待预测目标城市进行空间格网划分，每个网格作为基本预测单元；

S4、对划分好的基本预测单元进行时空属性信息的时空匹配，按照基本预测单元的空间位置，将对应空间位置的时空数据以及对应的空气质量数据进行匹配，然后基于匹配结果，进行插值处理，使得每个基本预测单元均有对应的时空数据以及与时空数据对应的空气质量数据，从而形成各个基本预测单元的历史特征数据集；

S5、对每个基本预测单元进行特征扫描，以获取每个基本预测单元的各个多时相且多属性的时空特征信息；时空特征信息包含N维输入特征和一个输出特征，输出特征为当前时刻的PM2.5，N维输入特征的各个输入特征分别包含如下因子的特征信息：上一时刻的PM2.5、当前时刻的气象特征数据、上一时刻的气象特征数据以及时空属性；N为大于2的正整数；

S6、将所有的时空特征信息输入到改进型级联森林模型的各层中进行训练，得到PM2.5与气象特征数据及时空属性之间的映射关系；改进型级联森林模型是指：该改进型级联森林模型第一层有k1个随机森林及k2个完全随机树森林作为基学习器，每个基学习器都会返回一个回归结果，则第一层共得到k1+k2个回归预测值，将这k1+k2个回归预测值同N维输入特征叠加作为下一层的输入数据；之后，第2层的输入数据的维度就会是N+ k1+k2维，同样的，第2层也拥有k1个随机森林及k2个完全随机树森林作为基学习器并会得到k1+k2个回归预测值，将这k1+k2个预测值同输入N维输入特征叠加，构建新的下一层的N+k1+k2维的输入数据，以此层层级联，对该输入的时空特征信息进行不断更新的回归估测，其中改进型级联森林模型所有的层均有k1个随机森林及k2个完全随机树森林作为基学习器；将训练数据集中的每个输入样本在各个层所得到的回归预测值分别求均值，将每层的所有时空特征信息的回归预测值的均值同真实值进行对比得出估测精度，当连续M层级联的估测精度的提升都小于预设值时，级联即停止并保留当前层的回归森林结构作为训练好的模型；M为大于1的正整数；

S7、在利用改进型级联森林模型完成训练之后，对改进型级联森林模型进行进一步的校正，使得估测精度得以进一步的提高；

S8、利用校正好的模型，得到对于待预测位置空气质量的实时估测。

2.根据权利要求1所述的融合多源时空数据的城市空气质量精细化估测方法，其特征在于，步骤S1中，历史的空气质量数据集包括温度、湿度、风速以及压强，城市时空数据集包括浮动车移动轨迹、POI类别数据、土地利用类型数据、遥感影像、NDVI数据以及AOD数据。

3.根据权利要求1所述的融合多源时空数据的城市空气质量精细化估测方法，其特征在于，步骤S3中的空间格网划分是指进行均匀的网格划分，每个网格的大小形状一样，步骤S4中插值处理是指采用IDW插值方法进行处理。

4.根据权利要求1所述的融合多源时空数据的城市空气质量精细化估测方法，其特征在于，步骤S6中，k1=k2=2，M=4。

5.根据权利要求1所述的融合多源时空数据的城市空气质量精细化估测方法，其特征在于，步骤S7进行校正的方法为：对改进型级联森林模型进行了参数校正，校正参数包括划分属性时参与判断的最大特征数、学习器个数以及其所包含决策树的数量以及级联层数，选择出校正参数，从而得到改进型级联森林模型的精度指标。