一种基于注意力机制的PM2.5浓度预测的方法

本发明属于人工智能和环境科学领域，具体的说是一种基于注意力机制的pm2.5浓度预测的方法。

背景技术：

1、近些年来，经济将得到了快速发展，但是的经济发展是以资源的超常消耗和生态的严重恶化为代价的。空气污染物超标排放，这些物质对人类健康具有长期性影响，不但严重影响了人们的正常学习和工作，也给社会造成了巨大的损失。

2、空气质量监测站的数据的监测与采集，由于自身存在物理性缺点，易受外界环境因素的干扰，会导致采集的数据失真，数据存在一定的偏差，对于日常数据的异常检测和维护更多的是靠人工去进行。这样耗费大量的人力物力，并且工作效率低，人工检测会存在大量的漏检，错检。

技术实现思路

1、为提高空气质量数据的分析和环境预警能力，本发明提出一种基于attention-lstm的pm2.5污染物小时浓度预测的方法。通过对历史时间序列的空气污染物数据建模，更准确的预测未来pm2.5污染物小时浓度。

2、本发明为实现上述目的所采用的技术方案是：

3、一种基于注意力机制的pm2.5浓度预测的方法，包括以下步骤：

4、获取空气污染物浓度历史小时数据，并对其进行预处理；

5、将预处理后的数据分为训练集和测试集，并对训练集数据进行标准化处理；

6、构建attention-lstm神经网络预测模型，并使用训练集数据对其进行训练；

7、将测试集数据输入到训练好的预测模型中进行预测，得到未来pm2.5污染物的小时浓度。

8、所述预处理包括以下步骤：

9、1)去除数据中除pm2.5污染物小时浓度数据以外的数据；

10、2)使用阈值标记噪声数据，并去除；

11、3)使用k-means算法得到异常点数据，并去除；

12、4)用过去24小时平均数据填充去除的噪声数据和异常点数据。

13、所述使用k-means算法得到异常点数据，具体为：使用拐点法确定k值，即分类的类别数量，在每一个类别中，分别计算每一个数据点到聚类中心的距离，每一类别设置一个阈值，将距离超过阈值的数据点作为异常点数据。

14、所述attention-lstm神经网络预测模型包括顺次连接的输入层、两个lstm层、attention层、全连接层以及输出层。

15、所述使用训练集数据对其进行训练，包括以下步骤：

16、a)将训练集数据输入到attention-lstm神经网络预测模型中；

17、b)根据预设的超参数对模型进行训练，根据模型输出的预测值与实际值的误差，使用反向传播算法调整神经网络预测模型的权值跟偏置，神经网络预测模型训练到预设的次数后，保存神经网络预测模型；

18、c)输入测试集的数据，获得未来pm2.5污染物的小时浓度的预测值所为测试结果；

19、d)调整神经网络预测模型的超参数，重复步骤b)至步骤c)，选取得到的所有预测值中与测试集中实际值mse最小的神经网络预测模型作为最终的attention-lstm神经网络预测模型。

20、所述的超参数为：优化器，优化器学习率、每一批次输入数据的数量、权重衰减系数。

21、一种基于注意力机制的pm2.5浓度预测系统，包括：

22、数据获取模块，用于获取空气污染物浓度历史小时数据，并对其进行预处理；

23、数据处理模块，用于将预处理后的数据分为训练集和测试集，并对训练集数据进行标准化处理；

24、模型训练模块，用于构建attention-lstm神经网络预测模型，并使用训练集数据对其进行训练；

25、数据预测模块，用于将测试集数据输入到训练好的预测模型中进行预测，得到未来pm2.5污染物的小时浓度。

26、一种基于注意力机制的pm2.5浓度预测系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于注意力机制的pm2.5浓度预测的方法。

27、一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于注意力机制的pm2.5浓度预测的方法。

28、本发明具有以下有益效果及优点：

29、1.数据处理：使用多种方法对获得的历史序列数据进行处理，识别出更多的异常点，提高了数据质量，有利于后续模型的训练。

30、2.attention-lstm神经网络：由于历史序列数据太长，传统的预测模型会弱化长距离的信息，导致预测效果不好。attention-lstm神经网络能够捕捉到更远的时间序列数据，将有限的注意力集中在重点信息上，从而节省资源，快速获得最有效的信息。

技术特征：

1.一种基于注意力机制的pm2.5浓度预测的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于注意力机制的pm2.5浓度预测的方法，其特征在于，所述预处理包括以下步骤：

3.根据权利要求2所述的一种基于注意力机制的pm2.5浓度预测的方法，其特征在于，所述使用k-means算法得到异常点数据，具体为：使用拐点法确定k值，即分类的类别数量，在每一个类别中，分别计算每一个数据点到聚类中心的距离，每一类别设置一个阈值，将距离超过阈值的数据点作为异常点数据。

4.根据权利要求1所述的一种基于注意力机制的pm2.5浓度预测的方法，其特征在于，所述attention-lstm神经网络预测模型包括顺次连接的输入层、两个lstm层、attention层、全连接层以及输出层。

5.根据权利要求1所述的一种基于注意力机制的pm2.5浓度预测的方法，其特征在于，所述使用训练集数据对其进行训练，包括以下步骤：

6.根据权利要求5所述的一种基于注意力机制的pm2.5浓度预测的方法，其特征在于，所述的超参数为：优化器，优化器学习率、每一批次输入数据的数量、权重衰减系数。

7.一种基于注意力机制的pm2.5浓度预测系统，其特征在于，包括：

8.一种基于注意力机制的pm2.5浓度预测系统，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-6任一项所述的一种基于注意力机制的pm2.5浓度预测的方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的一种基于注意力机制的pm2.5浓度预测的方法。

技术总结
本发明属于人工智能和环境科学领域，具体的说是一种基于注意力机制的PM2.5浓度预测的方法，该方法首先将空气污染物(PM2.5、PM10、SO2等)进行预处理，通过阈值判定、K‑means算法对异常点进行检测，通过均值插值去替换异常值。再将数据集分为训练集，测试集，对训练集进行标准化处理，然后将处理后的数据输入Attention‑LSTM神经网络进行训练，得到训练模型，对未来PM2.5污染物浓度进行预测。本发明弥补了传统方法在时间序列数据方面的缺陷，提高了训练速度以及模型的准确率。

技术研发人员：张镝,王宁,杨柳,杜毅明,武暕,康利荥,白雪,周晓鸥
受保护的技术使用者：中国科学院沈阳计算技术研究所有限公司
技术研发日：
技术公布日：2024/1/13