[发明专利]一种基于图神经网络的监测站点重要性评估方法及系统

说明书

本发明属于空气污染监测领域和可解释机器学习领域，具体涉及一种基于图神经网络的监测站点重要性评估方法及系统；该方法包括获取目标区域内监测站点的相关数据并构建图结构表示；采用图结构表示训练图神经网络模型；获取最新时间段的第一图结构表示及其第一预测结果；根据贪婪最佳优先搜索算法搜索第一图结构表示得到第二图结构表示及其第二预测结果，且改进的Shapley Value为启发函数；比较第一预测结果与第二预测结果获取重要监测站点图结构表示；通过扰动对重要监测站点图结构表示进行重要性排序；设计验证算法验证重要性排序结果是否准确；本发明提供了一种站点评估方法，有助于辅助站点的选址以及现有站点的拆除工作。

技术领域

本发明属于空气污染监测领域和可解释机器学习领域，具体涉及一种基于图神经网络的监测站点重要性评估方法及系统。

背景技术

随着国家工业化、城市化的进程加速，越来越多的环境污染问题引起了大众的关注，与水环境、海洋环境、土壤环境等不同空气质量环境因肉眼不易辨别，管理控制难度更大，为了监测与防治空气污染，许多城市都建立了自己的空气质量监测站点。

目前，空气质量监测站的选址需结合不同监控区域人口规模、建成区情况以及地形、气象等自然因素综合考虑确定环境质量网格点位的布设。站点位应尽量分布均匀，并能够覆盖整个监控区域，同时要考虑监控区域建筑、交通等分布及规划清理，增强可操作性。由于各空气质量监测站点覆盖区域有限、分布稀疏，导致无法完全覆盖一个城市，因此需要采用算法确定站点的重要性。

机器学习算法注重于拟合数据以及其不直观的内部机理，使得机器学习模型中的计算复杂度较高，并且机器学习算法结合空气污染物的历史数据往往只是简单的作为模型的输入，无法确定哪些数据是重要的。Shapley Value具有一定的可解释性，但是时间复杂度较高。

发明内容

为解决上述问题，本发明提供了一种基于图神经网络的监测站点重要性评估方法及系统。

在第一方面，本发明提供的一种基于图神经网络的监测站点重要性评估方法，包括：

S1.获取目标区域内每一个监测站点的相关数据，相关数据包括地理信息、不同历史时间段的污染物浓度；通过相关数据构建目标区域内所有监测站点不同历史时间段的图结构表示；

S2.所有监测站点不同历史时间段的图结构表示作为输入，训练图神经网络模型，输出为目标区域的空气质量指数；

S3.实时获取最新时间段内所有监测站点的污染物浓度，并构建最新时间段对应的第一图结构表示，将第一图结构输入训练好的图神经网络模型得到第一预测结果；

S4.根据贪婪最佳优先搜索算法对第一图结构表示进行搜索，得到第二图结构表示；其中，采用改进的Shapley Value作为贪婪最佳优先搜索算法的启发函数；

S5.将第二图结构表示输入训练好的图神经网络模型得到第二预测结果，判断第二预测结果与第一预测结果是否小于相似阈值，若是，则该第二图结构表示作为重要监测站点图结构表示输出，若不是，则返回S4继续搜索；

S6.构建重要性排序模块，所述重要性排序模块包括多种排序方法，首先通过扰动方法对重要监测站点图结构表示进行重要性排序；

S7.设计验证算法验证重要性排序结果是否准确，若是，则输出重要性排序结果，否则通过重要性排序模块更换排序方法进行排序。

进一步的，步骤S1生成所有监测站点在历史时间段u的图结构表示的过程为：

S11.获取目标区域内每一个监测站点的经纬度信息，计算每两个监测站点间的距离，计算公式表示为：

a＝lat_m-lat_n