一种PM2.5短临AI预报方法与流程

本发明涉及环境空气质量预报，尤其涉及一种pm2.5短临ai预报方法。

背景技术：

1、现有技术中通常采用lstm、静态gnn等神经网络模型对城市未来多个时刻的pm2.5浓度进行预测。由于此类模型采用固定的时空建模方式，难以根据实时风场变化调整区域之间的关联关系，也难以同时兼顾短时污染突变的捕捉能力和较长预测时效的稳定性，此外，常规损失函数容易使模型偏向数量较多的日常低浓度样本，进一步削弱对重污染峰值的识别能力，导致漏报或空报。并且，现有偏差修正过程通常与主干预测模型相互耦合，难以及时利用最新实况数据对预测偏差进行独立订正，也不利于对误差来源进行分析和追溯。由此，现有技术在复杂风场和污染过程下容易出现预测误差增大、重污染响应不及时以及预测结果稳定性不足等问题。

2、公开于本技术背景技术部分的信息仅仅旨在加深对本技术的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本发明提供一种pm2.5短临ai预报方法，能够解决现有技术难以兼顾不同预测时效、易漏报或空报以及难以及时订正和溯源的技术问题。

2、根据本发明的第一方面，提供一种pm2.5短临ai预报方法，包括：

3、根据多个区域的监测站点在多个时刻的历史监测数据，获得每个区域在每个时刻的多源数据向量；

4、通过多个版本的双分支时空预测模型，对每个区域在每个时刻的多源数据向量进行处理，获得每个区域的未来多个时刻的预测数据向量；

5、通过外置树集成小时滚动订正模型，对预测数据向量进行校正，获得校正后的预测数据向量；

6、获取各个区域的多维气象数据，并根据所述多维气象数据确定各个版本的双分支时空预测模型的权重；

7、根据各个版本的双分支时空预测模型的权重，以及校正后的预测数据向量，获得各个分区的预测数据输出向量。

8、根据本发明，通过多个版本的双分支时空预测模型，对每个区域在每个时刻的多源数据向量进行处理，获得每个区域的未来多个时刻的预测数据向量，包括：

9、将每个区域的多个时刻的多源数据向量进行拼接，得到每个区域的融合数据向量；

10、将每个区域的融合数据向量进行特征提取后，输入双分支时空预测模型的空间分支，得到每个区域的第一融合特征向量；

11、对第一融合特征向量进行分解，得到每个区域的多个时刻的第二融合特征向量；

12、将单个区域的多个时刻的第二融合特征向量输入双分支时空预测模型的时间分支，获得单个区域的预测特征向量；

13、对单个区域的预测特征向量进行映射处理，获得单个区域的未来多个时刻的预测数据向量；

14、获得每个版本的双分支时空预测模型输出的每个区域的未来多个时刻的预测数据向量。

15、根据本发明，将每个区域的融合数据向量进行特征提取后，输入双分支时空预测模型的空间分支，得到每个区域的第一融合特征向量，包括：

16、获取每个区域的风速数据、风向数据以及当前时刻的pm2.5浓度数据；

17、根据第i个区域和第j个区域的地理方向，以及第i个区域的风向数据，确定地理方向与第i个区域的风向的夹角；

18、根据所述夹角、所述风速数据和所述pm2.5浓度数据，确定第i个区域对第j个区域的影响度；

19、根据所述影响度，确定第j个区域的邻居区域；

20、通过双分支时空预测模型的空间分支，对每个区域的融合数据向量进行特征提取后的特征向量及其邻居区域的特征向量进行注意力运算，获得每个区域的第一融合特征向量。

21、根据本发明，根据所述夹角、所述风速数据和所述pm2.5浓度数据，确定第i个区域对第j个区域的影响度，包括：

22、根据所述夹角和所述风速数据，确定第i个区域对第j个区域的风场影响信息；

23、根据第i个区域与第j个区域的距离、所述风场影响信息和所述pm2.5浓度数据，确定第i个区域对第j个区域的影响度。

24、根据本发明，根据所述夹角和所述风速数据，确定第i个区域对第j个区域的风场影响信息，包括：

25、根据公式

26、

27、确定当前时刻第i个区域对第j个区域的风场影响信息，其中，为预设系数，为第i个区域的当前时刻的风速数据，为第i个区域和第j个区域的地理方向与第i个区域的风向的夹角，max为取最大值函数，t为当前时刻。

28、根据本发明，根据第i个区域与第j个区域的距离、所述风场影响信息和所述pm2.5浓度数据，确定第i个区域对第j个区域的影响度，包括：

29、根据公式

30、

31、确定当前时刻第i个区域对第j个区域的影响度，其中，为第i个区域与第j个区域的距离，为当前时刻第i个区域对第j个区域的风场影响信息，为当前时刻第i个区域的pm2.5浓度数据，max为取最大值函数。

32、根据本发明，获取各个区域的多维气象数据，并根据所述多维气象数据确定各个版本的双分支时空预测模型的权重，包括：

33、设定贡献度阈值；

34、将多维气象数据和校正后的预测数据向量输入决策树模型，获得各个版本的双分支时空预测模型的贡献度分数；

35、屏蔽贡献度分数低于贡献度阈值的版本的双分支时空预测模型；

36、输出各个版本的双分支时空预测模型的权重。

37、根据本发明，所述方法还包括：

38、通过误差统计法、集成极值法和分位数预测法中的至少一种，确定每个时刻的预测数据输出向量中每个预测数据的置信区间。

39、根据本发明，所述方法还包括：

40、获得各个分区的预测数据输出向量中每个预测数据的误差；

41、根据误差对各个版本的双分支时空预测模型进行微调迭代。

42、根据本发明的第二方面，提供一种pm2.5短临ai预报系统，包括：

43、第一向量获取模块，根据多个区域的监测站点在多个时刻的历史监测数据，获得每个区域在每个时刻的多源数据向量；

44、第二向量获取模块，通过多个版本的双分支时空预测模型，对每个区域在每个时刻的多源数据向量进行处理，获得每个区域的未来多个时刻的预测数据向量；

45、第三向量获取模块，通过外置树集成小时滚动订正模型，对预测数据向量进行校正，获得校正后的预测数据向量；

46、权重计算模块，获取各个区域的多维气象数据，并根据所述多维气象数据确定各个版本的双分支时空预测模型的权重；

47、数据输出模块，根据各个版本的双分支时空预测模型的权重，以及校正后的预测数据向量，获得各个分区的预测数据输出向量。

48、通过采用上述技术方案，本发明可以取得以下技术效果：

49、根据本发明，可根据风向、风速、区域间距离及pm2.5浓度，动态确定不同区域之间的污染输送影响度及具有较强污染输送可能性的邻居区域，使空间分支能够对目标区域自身的特征向量及其邻居区域的特征向量进行选择性关联和融合，使得到的第一融合特征向量同时包含目标区域自身的污染与气象特征，同时，利用时间分支提取同一区域在连续历史时刻之间的浓度变化特征，从而增强模型对pm2.5跨区域传输规律和时间演变规律的表征能力，提高短临预测的准确性。通过将偏差订正过程独立设置于双分支时空预测模型之外，根据已经获得的实况监测数据、气象因子及原始预测结果学习逐时残差，并随着新实况数据的产生对后续时刻的预测结果进行滚动订正，在不改变主干模型总体预测趋势的情况下，实现对系统性预测偏差和站点短时残差的独立修正。从而在不改变双分支时空预测模型主体结构的情况下，减小原始预测结果中的系统性偏差和站点短时残差，提高pm2.5短临预测的准确性、时效性及稳定性。通过将各区域的多维气象数据和各版本模型的校正后预测数据向量输入决策树模型，能够动态评价各版本模型在当前气象条件和污染场景下的预测贡献度，并利用贡献度阈值屏蔽适用程度较低的模型，再根据其余模型的贡献度确定相应权重，对各版本模型的校正后预测结果进行加权融合，使模型能够根据当前预测场景灵活选取不同版本的预测优势，避免单一模型或固定融合规则难以适应复杂污染过程的问题，提高最终pm2.5预测结果的场景适应能力、稳定性和可靠性。可以根据预测时效、污染程度及风险量化需求，从误差统计法、集成极值法和分位数预测法中选择相应的方法，确定各区域在每个预测时刻的pm2.5预测下限和预测上限，使模型在输出pm2.5点预测值的同时，进一步表征预测结果可能的波动范围和不确定程度，从而适应日常低浓度预测、重污染极端过程及短时临近预测等不同应用场景，提高置信区间对实际浓度变化范围的覆盖能力，为重污染预警、风险判断及空气质量动态会商提供更加完整、可靠的预测依据。

50、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明。根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将更清楚。