[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

说明书

本发明公开了一种基于多尺度注意力机制的空气质量参数预测方法，包括以下步骤：构建基于多尺度注意力机制的混合循环神经网络模型；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参数质量数值；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。本发明方法在传统的循环神经网络基础上，引入注意力机制，提出基于多尺度注意力机制的卷积循环GRU的空气质量参数预测方法，其预测精度更高。

技术领域

本发明属于空气质量预测技术领域，具体涉及一种基于多尺度注意力机制的空气质量参数预测方法。

背景技术

空气污染问题已经严重影响了人们的生命健康。据不完全统计，每年空气污染导致人们死亡的人数已经上升到了300万。尤其是在发展中国家，PM2.5 是空气污染的主要成分之一，对未来PM2.5浓度的准确预测可以为人们的出行以及政府环境影响相关决策提供重要信息，减少空气污染对人们带来的危害。于是，PM2.5浓度的预测问题成为了当前研究的热点。

政府一直致力于如何减少空气污染以及对人们健康的影响。一方面，政府通过限制污染企业、提倡绿色清洁能源的使用，努力治理减少空气污染物排放的同时，另一方面通过提前预测未来PM2.5浓度信息发布公众，提醒人们在浓度过高的条件下减少户外活动，能够给保护人们的身体健康。因此，对于PM2.5 污染浓度的预测研究显得尤为重要。

目前对于PM2.5污染浓度的预测精度仍然不够，难以满足人们的需求。由于影响PM2.5浓度的因素非常多，且不同因素之间的关系非常复杂，难以确定不同尺度信息对其浓度的影响。例如过去连续几个或者几十个小时无风的不同尺度条件下对未来PM2.5的影响情况，或者过去几个或几十个小时降雨的不同尺度对未来PM2.5的影响情况。目前采用的主要方法有基于回归的预测、基于随机森林的预测、基于SVM的预测以及基于神经网络的预测，然而这些方法都难以捕捉到这些不同尺度信息对PM2.5浓度的影响。

发明内容

有鉴于此，为解决空气质量参数尤其是PM2.5的精准预测问题，本发明的目的在于提供基于多尺度注意力机制的空气质量参数预测方法，所述方法在传统的循环神经网络基础上，引入注意力机制，提出基于多尺度注意力机制的卷积循环GRU的空气质量参数预测方法。

基于上述目的，提出一种基于多尺度注意力机制的空气质量参数预测方法，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。

具体地，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。