[发明专利]一种空气质量指数的预测方法

权利要求书

1.一种空气质量指数的预测方法，其特征在于，包括以下步骤：

构造网络数据，其中，所述网络数据包括空气监测站点之间的邻接矩阵和各个空气监测站点的特征矩阵；

构建空气质量指数预测模型，所述空气质量指数预测模型包括基于注意力的图卷积网络和长短期记忆神经网络；

训练空气质量指数预测模型

将所述网络数据输入至空气质量指数预测模型，基于损失函数对所述空气质量指数预测模型中进行训练，直至所述空气质量指数预测模型收敛；

利用训练好的空气质量指数预测模型对空气质量指数进行预测。

2.根据权利要求1所述的一种空气质量指数的预测方法，其特征在于，所述构造网络数据的步骤具体包括：

获取多个空气监测站点的大气历史数据以及各个空气监测站点之间的距离，其中所述大气历史数据包括各项污染物空气质量分指数的历史数据和气象历史数据；

根据各个空气监测站点之间的距离构造空气监测站点之间的邻接矩阵；

对大气历史数据进行预处理得到各个空气监测站点的特征矩阵；

将所述大气历史数据划分为训练集、验证集和测试集。

3.根据权利要求2所述的一种空气质量指数的预测方法，其特征在于，预处理方法包括均值填充空值，去除异常数据，平滑数据。

4.根据权利要求3所述的一种空气质量指数的预测方法，其特征在于，所述训练集、验证集和测试集的占比分别为70％、15％和15％。

5.根据权利要求4所述的一种空气质量指数的预测方法，其特征在于，所述根据各个空气监测站点之间的距离构造空气监测站点之间的邻接矩阵的步骤包括：设置阈值k＝1500km，大于k的为0，小于k的设置为1来构造各个站点的邻接矩阵。

6.根据权利要求1或2所述的一种空气质量指数的预测方法，其特征在于，所述训练训练空气质量指数预测模型具体包括：

将空气监测站点之间的邻接矩阵和训练集的特征矩阵输入至基于注意力的图卷积网络中，得到大气特征矩阵；

采用多步多变量法重构大气特征矩阵，得到构造后的大气特征数据；

将构造后的大气特征数据输入至长短期记忆神经网络层进行训练；

设计损失函数；

基于损失函数对所述空气质量指数预测模型中进行训练，直至模型收敛。

7.根据权利要求6所述的一种空气质量指数的预测方法，其特征在于，所述损失函数表示为

其中，O_i为第i条大气特征数据的真实值，P_i为第i条大气特征数据的预测值，N为总的数据个数。

8.根据权利要求7所述的一种空气质量指数的预测方法，其特征在于，所述利用训练好的空气质量指数预测模型对空气质量指数进行预测的步骤具体包括将测试集输入至训练好的空气质量指数预测模型得到空气质量指数。