[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

说明书

本发明公开了一种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，本发明通过融合多源时空大数据，设计了时空一体化的特征扫描模型来进行特征提取，避免了时空属性信息的分离和割裂。同时，通过对深度森林算法进行改进，提出了一种基于级联森林结构的细粒度城市空气质量实时估测方法，并通过具体实例应用验证了发明模型的性能。可以在很好的顾及数据时空关联性、不割裂时空属性信息的基础之上，更加有效的提高估测模型的实际性能，弥补了已有方法中存在的时空属性割裂的问题，有效的提供了城市微观化、精细化数据源的获取和处理方式，弥补了当前空气质量估测研究中存在的微观尺度研究缺乏的不足。

技术领域

本发明涉及人工智能应用领域、大气环境管理与监测领域，尤其涉及一种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。

背景技术

随着城市化进程的加快，许多随之衍生的城市问题也亟待解决，其中城市空气质量状况问题首当其冲。然而，在不断扩张的城市空间中，分布有限的城市空气质量监测站点很难动态、全面、实时的反映城市空气质量状况。由于辅助政府职能部门决策和指导公众生活服务的需要，迫切的需要提出能够进行微观尺度下城市实时空气质量状况的估测方法。传统方法中最为常用的便是地理统计插值，如克里金插值法、地理加权回归法等。该类方法可以更好的考虑到自然环境的空间自相关性，从而可以根据部分站点的观测值来推算出邻域空间位置的实时空气质量，但其却很难顾及到时间层面上的不连续性以及多种因子之间的耦合作用。同样的，遥感影像处理也是应用十分广泛的空气质量估测方法，如光谱混合分析、气溶胶指数反演、NDVI指数反演等。这类方法可以很好的反映空气质量同自然环境之间的变化规律性，但很难反映多种影响因子之间的相互复杂作用。考虑到时间和空间因素间的耦合影响，地理时间加权回归模型(GTWR)和土地利用回归模型(LUR)被用来探测多因子对空气质量造成的影响，并且取得了极好的拟合精度以及高分辨率下的PM2.5制图。然而，这类方法的本质仍然属于线性回归方法，很难充分挖掘多重影响因子同空气质量之间的非线性联系，并且很难满足细时空粒度实时估测的高时空分辨率要求。

发明内容

本发明要解决的技术问题在于针对现有方法中的不足，提供一种能够融合城市多源数据，挖掘空气质量同其影响因子之间的深层联系，并对城市空间范围内任意位置的空气质量进行精细化实时估测的空气质量估测方法。

本发明解决其技术问题所采用的技术方案是：提供了一种融合多源时空数据的城市空气质量精细化估测方法，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有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；