一种城市小尺度空气质量指数预测方法与系统与流程

技术特征：

1.一种城市小尺度空气质量指数预测方法，其特征是，包括：

S1，将城市区域以网格形式进行区域划分，网格交点对应待预测空气质量指数的地点；

S2，获取各空气质量监测基站的历史监测数据，建立历史数据库；

S3，基于历史数据库中各基站多个时间序列的监测数据，建立分别对应当前时刻预测以及未来一段时间中各时刻预测的时间预测模型；

S4，基于历史数据库中各个空气质量监测基站在同一时刻的监测数据，利用二维线性插值方法，建立对指定坐标处进行空气质量预测的空间预测模型；

S5，获取各个待预测地点和空气质量监测基站的交通数据和地理兴趣点数据，及其对应时刻各待预测地点和空气质量监测基站的空气质量指数数据；

基于所获取的数据，建立表征交通数据和地理兴趣点数据与空气质量指数之间关系的动态预测模型；

S6，获取用户共享的室内空气质量指数、用户居住环境数据，以及相应地点的空气质量指数数据，建立表征室内空气质量指数与室外空气质量指数之间关系的室内外预测模型；

S7，对于待预测空气质量指数的任一实时时刻的任一待预测地点，将已建立的时间预测模型、空间预测模型、动态预测模型和室内外预测模型进行协同训练，以将所有模型的预测结果相融合，进而得到各待预测地点在相应当前时刻和未来一段时间中各时刻的空气质量指数预测值。

2.根据权利要求1所述的方法，其特征是，还包括：

S8，实时评估空气质量指数预测值结果的准确性：

S81，采用K折交叉验证算法，评估当前时刻预测值结果的准确性：

S811，假设基站数量为N，将所有基站均分为K份，每份编号依次为1,2,…,k,k+1,…,K，每份有c＝N/K个基站；

S812，从K份基站中除去第k份，剩余的K-1份基站作为已知数据；

S813，基于已知的K-1份基站的数据，得到被除去的第k份基站中各基站在当前时刻的AQI预测值，记为

S814，获取第k份中各基站的实测AQI值y1,y2,…,yc，则当前时刻预测值结果的准确性用如下指标ηk描述：

S815，将k从1遍历至K，分别重复步骤S712至步骤S714，然后得到预测系统在当前时刻的准确性指标η为：

η越接近于1，则系统的当前时刻预测的准确性越高；

S82，评估未来一段时间预测值结果的准确性：

假设预测得到的未来一段时间内某指定时刻所有基站对应的预测值结果为到该指定时刻时各基站的实际测量值为z1,z2,...,zN，则预测系统对未来时刻的预测准确性为：

ψ越接近于1，则系统对未来时刻预测的准确性越高。

3.根据权利要求1所述的方法，其特征是，空气质量监测基站监测的监测数据包括日期时间、基站名称、基站经纬度、AQI数据、气温、气压、风力、湿度和天气类型数据；

步骤S3中基于历史数据库建立时间预测模型包括步骤：

S31，指定历史序列长度l1及预测期即未来序列长度为l2，记当前时刻的数据为xn，则历史序列为未来序列为

提取历史数据库中所有连续l1+1+l2小时的多个序列数据组成初始训练数据集S1；

S32，建立l2+1个多元线性回归模型，各多元线性回归模型分别对应当前时刻以及未来l2小时中各时刻的预测，表示为：

Y1＝β0+β1X1+β2X2+…+βpXp

其中βi为回归系数，Xi为模型输入数据，Y1为待预测时刻的空气质量指数；

对于当前时刻的预测，模型输入数据为l1小时历史AQI数据以及当前时刻上一小时的气温、气压、风力、湿度和天气类型数据；

对于未来l2小时中各时刻的预测，模型输入数据为当前时刻的AQI数据、l1小时的历史AQI数据以及当前时刻的气温、气压、风力、湿度和天气类型数据。

4.根据权利要求3所述的方法，其特征是，步骤S4中，利用二维线性插值方法，建立对指定坐标处进行空气质量预测的空间预测模型，包括：

S41，获取历史数据库中所有已知空气质量指数的地点在相同时刻的实时监测数据，与相应地点的经纬度数据，组成空间预测模型的训练数据集S2；

S42，定义待预测地点的坐标为(x,y)，对该地点进行空气指数预测的空间预测模型表示为：

Y2＝griddata(x,y,S2)

其中模型的输入量即S2，模型输出量为待预测地点的空气质量指数，griddata()代表二维插值函数。

5.根据权利要求4所述的方法，其特征是，步骤S5中，交通数据包括各个待预测地点和空气质量监测基站周边设定半径区域内的畅通路段、缓慢路段和拥堵路段的长度数据。

地理兴趣点数据包括各个待预测地点和空气质量监测基站周边设定半径区域内的地理对象实体的分布数据；所述地理对象实体类型包括学校、银行、餐厅和加油站。

步骤S5利用多元线性回归方法建立动态预测模型，包括步骤：

S51，获取历史数据库中多个时刻分别对应的各基站外周给定半径内的交通数据和地理兴趣点数据，交通数据包括畅通路段、缓慢路段和拥堵路段长度的占比数据，定义为T1,T2,T3，地理兴趣点数据包括基站外周给定半径内各地理兴趣点的分布数量，定义为T4,T5,…,Tq，以及相应时刻相应基站的空气质量指数监测数据，建立初始训练集S3；

S52，建立动态预测模型，表示为：

Y3＝α0+α1T1+α2T2+α3T3+α4T4+…++αqTq

其中αi为回归系数，模型输入量为待预测地点在指定时刻给定半径内的交通数据和地理兴趣点数据，模型输出量Y3即待预测点的空气质量指数。

6.根据权利要求5所述的方法，其特征是，步骤S6采用回归树算法建立室内外预测模型，包括步骤：

S61，获取历史数据库中多个指定时刻各基站监测的空气质量指数数据，以及相应时刻相应地点用户共享的室内空气质量指数数据和室内空气质量指数相关数据，室内空气质量指数相关数据包括建筑环境类型、楼层、距主干道距离、是否开启中央空调、是否开窗通风及是否开启空气净化器；基于获取到的数据建立室内外预测模型的初始训练集S4；

S62，建立室内外预测模型，表示为：

Y4＝RT(M,S4)

模型输入量为待预测地点在待预测时刻所获取的用户共享的室内空气质量指数M，和室内空气质量指数相关数据，模型输出量Y4为待预测地点在待预测时刻的空气质量指数数据。

7.根据权利要求6所述的方法，其特征是，步骤S7将已建立的时间预测模型、空间预测模型、动态预测模型和室内外预测模型进行协同训练，包括：

S71，记时间预测模型、空间预测模型、动态预测模型和室内外预测模型分别为预测器F1,F2,F3,F4，各预测器的训练集分别记为L1,L2,L3,L4，将训练集初始化为：

L1＝S1,L2＝S2,L3＝S3,L4＝S4；

初始化各预测器预测结果的权重向量为[w1,w2,w3,w4]，四个权重因子的和等于1。

S72，基于训练集L1,L2,L3,L4分别训练得到F1,F2,F3,F4；

S73，获取待预测地点在待预测时刻对应各预测器的模型输入量数据，利用所获取的数据，对于各待预测地点，利用训练得到的四个预测器分别计算得到待预测时刻的预测值，记为：

Y1＝F1(x,y)

Y2＝F2(x,y)

Y3＝F3(x,y)

Y4＝F4(x,y)

S74，对于各待预测地点，其在待预测时刻的AQI融合值为：

S75，定义预测结果的偏差阈值Rth，计算四个预测器预测结果的偏差之和：

S76，对于各待预测地点，分别将计算得到的Rx,y与偏差阈值Rth进行比较，若满足：

则退出循环，以Y0作为各待预测地点在待预测时刻的空气质量指数预测值；否则转至步骤S77；

S77，从所有待预测地点中，以相应的Rx,y从小到大为顺序，选取n个待预测地点，记为：

S＝{(x1,y1),(x2,y2),…,(xn,yn)}；

S78，更新各预测器的训练集为：L1＝{L1,S},L2＝{L2,S},L3＝{L3,S}，L4为当前的S4；转至步骤S72，并重复步骤S72至步骤S78继续进行训练，直至进行步骤S76时满足则以满足时对应的Y0作为各待预测地点在待预测时刻的空气质量指数预测值。

8.根据权利要求7所述的方法，其特征是，若步骤S73中无法通过预测器F4得到相应的AQI预测值，则在步骤S74中采用以下公式计算AQI融合值：

9.一种城市小尺度空气质量指数预测系统，其特征是，包括：

区域划分模块，将城市区域以网格形式进形区域划分，网格交点对应待预测空气质量指数的地点；

历史监测数据获取模块，获取各空气质量监测基站的历史监测数据，建立历史数据库；

时间预测模型建立模块，基于历史数据库中各基站多个时间序列的监测数据，建立分别对应当前时刻预测以及未来一段时间中各时刻预测的时间预测模型；

空间预测模型建立模块，基于历史数据库中各个空气质量监测基站在同一时刻的监测数据，利用二维线性插值方法，建立对指定坐标处进行空气质量预测的空间预测模型；

动态预测模型建立模块，获取各个待预测地点和空气质量监测基站的交通数据和地理兴趣点数据，及其对应时刻各待预测地点和空气质量监测基站的空气质量指数数据；基于所获取的数据，建立表征交通数据和地理兴趣点数据与空气质量指数之间关系的动态预测模型；

室内外预测模型建立模块，获取用户共享的室内空气质量指数、用户居住环境数据，以及相应地点的空气质量指数数据，建立表征室内空气质量指数与室外空气质量指数之间关系的室内外预测模型；

协同训练模块，对于待预测空气质量指数的任一实时时刻的任一待预测地点，将已建立的时间预测模型、空间预测模型、动态预测模型和室内外预测模型进行协同训练，以将所有模型的预测结果相融合，进而得到各待预测地点在相应当前时刻和未来一段时间中各时刻的空气质量指数预测值。