[发明专利]一种基于多尺度注意力机制的空气质量参数预测方法

权利要求书

1.一种基于多尺度注意力机制的空气质量参数预测方法，其特征在于，包括以下步骤：

步骤1，构建基于多尺度注意力机制的混合循环神经网络模型；

步骤2，利用训练集数据，对所述的混合循环神经网络模型进行训练，所述的训练集数据包括影响因素数据和已知空气质量参数数值；

步骤3，将测试集数据输入训练完毕的混合循环神经网络模型，计算获得空气质量参数的预测值；

所述的混合神经网络模型包括第一卷积层、第一双向GRU层、第一多尺度注意力层、第二双向GRU层、第二多尺度注意力层、第二卷积层和全连接层，各层之间依次顺序连接，第一卷积层的输出和第一双向GRU层的输出连接后同时作为第一多尺度注意力层和第二多尺度注意力层的输入，所述的双向GRU层由一个前向GRU模型和一个后向GRU模型并联形成一个双向结构，所述的双向GRU层输出两个合并的GRU信号，所述的全连接层的输出层为1，所述的混合神经网络模型中第一卷积层的输入为影响因素数据序列，全连接层的输出为空气质量参数值。

2.根据权利要求1所述的一种基于多尺度注意力机制的空气质量参数预测方法，其特征在于，对于所述的混合神经网络模型为x₀,...,x_T为影响因素序列数据，(y₀,...,y_K),KT为已知的空气质量参数值，(y_K+1,...,y_T)为需要预测的空气质量参数值，为相应的估计值，输入为x₀,...,x_T,y₀,...,y_K变量，依次输入所述的混合神经网络模型中开始训练，损失函数采用标准归一化MSE，激活函数采用Relu函数。

3.根据权利要求1所述的一种基于多尺度注意力机制的空气质量参数预测方法，其特征在于，所述的混合神经网络模型的解析表达式如下：

C⁴_t＝η²([C²_t,C³_t])

其中，x_t为t时刻模型的输入，η¹(·)和η²(·)为两个卷积操作，[·,·]为合并连接操作，MutiScalAttention(·,ScaleNum1)和MutiScalAttention(·,ScaleNum2)为ScaleNum1和ScaleNum2两个尺度的注意力采集操作，具体的融合卷积的过程如下：

第一卷积层η¹(x_t)接受序列数据x_t的输入，输出为同时作为第一多尺度注意力层和第二多尺度注意力层的输入；

为第一双向GRU层的输出，表示将前向GRU的输出与后向GRU输出进行合并连接；是对第一双向GRU层乘以权重向量并加上偏移向量的结果；

将与η¹(x_t)的输出进行合并为P_t¹，作为第一多尺度注意力层的输入；

是第一多尺度注意力层尺度为ScaleNum1的注意力层的输出，连接到第二双向GRU层；

为第二双向GRU层的输出，表示将其中前向GRU的输出与后向GRU输出进行合并连接；是对第二双向GRU层乘以权重向量并加上偏移向量的结果；

以此类推，通过表达式得到然后通过一个卷积操作对两次多尺度注意力模型结果进行融合，对不同尺度对输出进行筛选和识别，使得那些对目标更为重要的尺度信息能够保留下来，得到输出再经过一个全连接操作得到输出O_t；

其中，和均是通过学习训练所得。