一种基于多尺度双流动态建模的多变量空气质量预测方法

本发明属于深度学习、时间序列预测和环境监测，尤其涉及一种基于多尺度双流动态建模的多变量空气质量预测方法。

背景技术：

1、随着全球工业化和城市化进程的加速，空气污染问题日益严峻，已成为威胁人类健康和生态环境的重大挑战。空气污染不仅导致呼吸系统疾病、心血管疾病等健康风险显著增加，还对农业生产、交通运输、旅游业等社会经济活动产生深远影响。世界卫生组织的研究表明，全球每年有数百万人因空气污染相关疾病而过早死亡，空气污染已成为影响公共健康的主要环境风险因素之一。

2、在此背景下，空气质量预测已成为支撑科学研究与政策制定的重要工具。高精度的空气质量预测不仅能够为环境管理部门提供及时的污染预警信息，支持污染物排放管控和应急响应决策，还能够为城市规划、交通调度、能源管理等提供科学依据。此外，准确的空气质量预报对于保护公众健康、指导居民出行和户外活动安排具有重要意义。

3、随着物联网技术和传感器技术的快速发展，空气质量监测网络不断完善，已经能够获取到大规模、高时间分辨率、多变量的空气质量时序数据。这为基于数据驱动的深度学习方法提供了坚实的数据基础，推动了空气质量预测模型从传统统计方法向深度学习方法的范式转变。

4、但现有方法在应对空气质量数据固有的复杂性时仍存在显著局限。空气质量序列同时蕴含缓慢演变的长期趋势与频繁突变的短期波动，这种多尺度特性要求模型具备兼顾全局与局部视野的建模能力。然而，现有架构往往偏重于单一尺度：如循环神经网络（rnn）类模型难以高效捕获长程依赖，而transformer等模型对局部瞬变和异常值的敏感性不足。此外，多数混合模型仅通过简单拼接或串行方式融合不同特征，未能实现长、短期信息间的深度双向交互，限制了模型对复杂时序动态的表征能力。在训练层面，广泛使用的损失函数（如均方误差）对数据中的噪声与异常值较为敏感，容易导致训练不稳定与预测偏差。

5、因此，为应对上述在数据特性、架构设计与训练策略上的综合挑战，需要设计一种能够自适应融合多尺度时序特征、并具备较强鲁棒性的新型预测框架。

技术实现思路

1、针对多变量空气质量时序数据中同时存在的长期演化趋势与短期瞬时波动难以协同建模、数据非平稳性影响预测以及异常干扰导致模型训练不稳健等关键挑战，为此，本发明提出一种基于多尺度双流动态建模的多变量空气质量预测方法，可用于对pm2.5、pm10、no2等多种空气污染物浓度以及空气质量指数aqi进行高精度预测。

2、为了实现上述发明目的，本发明具体采用如下技术方案：

3、第一方面，本发明提供了一种基于多尺度双流动态建模的多变量空气质量预测方法，包括如下步骤：

4、s1、获取由若干历史时间步的多种污染物浓度值组成的多变量空气质量时序数据，根据多变量空气质量时序数据中不同污染物的时序特性，自适应选择每种污染物浓度值的归一化策略，获得归一化后的时序数据；

5、s2、将归一化后的时序数据输入经过训练的深度学习模型，先由线性投影层将归一化后的时序数据映射到高维隐藏空间，获得投影后的时序数据并送入由多层hds层依次级联而成的层次化双流架构进行深度特征提取，再将最后一层hds层输出的融合特征输入解码器，经时序聚合与非线性变换后，输出若干未来时间步各污染物的归一化浓度预测值，对各归一化浓度预测值执行与s1相对应的反归一化操作后，得到各污染物在原始尺度下的浓度预测值并作为空气质量预测结果。

6、在上述方案基础上，各步骤可以采用如下优选的具体方式实现。

7、作为上述第一方面的优选，s1中，自适应选择每种污染物浓度值的归一化策略具体为：对于呈周期性变化的污染物，采用min-max归一化；对于呈非平稳特性的污染物，采用可逆实例归一化。

8、作为上述第一方面的优选，s2中，每个hds层内部包含双流提取模块和双流融合模块两部分；

9、所述双流提取模块包含并行的状态空间流和动态流；所述状态空间流基于状态空间模型构建，用于从hds层的输入中提取表征长期演化趋势和全局语义的长程依赖特征；所述动态流基于液态时间常数网络构建，用于对表征短期波动和瞬态突变的短期动态特征进行精细建模；

10、所述双流融合模块用于通过双向交叉注意力机制，对状态空间流输出的长程依赖特征和动态流输出的短期动态特征进行交互增强与信息互补，以获得双流融合模块输出的融合特征并作为hds层的输出。

11、作为上述第一方面的优选，s2的状态空间流中，hds层的输入经过归一化处理后，通过线性投影层映射到高维隐藏空间，并沿着特征维度均分为两路特征流，用于从不同视角捕获时序模式；而后，一路特征流经卷积处理后输入状态空间模型，另一路特征流直接激活后输入状态空间模型；接着，通过交叉门控机制，利用一路特征流对另一路状态空间模型的输出进行调制，并将两路调制结果进行融合，以协同增强长程依赖建模的鲁棒性与表达能力，获得融合后的特征并通过线性投影层映射回深度学习模型的隐藏维度，作为状态空间流输出的长程依赖特征。

12、作为上述第一方面的优选，第一路特征流首先经过一个深度可分离卷积层，以提取局部的时序上下文信息，卷积后应用silu激活函数引入非线性，获得处理后的第一特征并进入状态空间模型进行长程依赖建模，获得第一路状态空间模型的输出；第二路特征流直接应用silu激活函数引入非线性，获得处理后的第二特征并进入状态空间模型进行长程依赖建模，获得第二路状态空间模型的输出。

13、作为上述第一方面的优选，通过交叉门控机制获得融合后的特征具体为：第一路特征流与第二路状态空间模型的输出相乘，第二路特征流与第一路状态空间模型的输出相乘，然后将两路相乘结果作为调制结果，并将两个调制结果通过相加的方式进行融合，获得融合后的特征。

14、作为上述第一方面的优选，s2的双流融合模块中，先将状态空间流输出的的长程依赖特征作为查询、动态流输出的短期动态特征作为键和值进行交叉注意力计算，再将动态流输出的短期动态特征作为查询、状态空间流输出的的长程依赖特征作为键和值进行交叉注意力计算，接着利用一个可学习的门控机制，动态计算用于融合经过交叉注意力增强后的两组特征的门控权重，并使用该门控权重对两组特征进行加权求和，获得门控处理特征并在经过层归一化处理后，与hds层的输入形成残差连接，获得融合特征作为双流融合模块的输出。

15、作为上述第一方面的优选，利用门控机制动态计算门控权重的具体流程为：将两组特征沿着特征维度拼接，将拼接后的特征通过一个包含全连接层与非线性激活函数的前馈神经网络，通过sigmoid函数生成一个取值于0到1之间的门控权重，用于对两组特征进行逐时间步、逐特征维度的线性加权融合，实现融合策略的输入自适应。

16、作为上述第一方面的优选，s2的解码器中，先对融合特征在时间维度上进行平均池化，以聚合整个多变量空气质量时序数据的上下文信息，获得全局特征向量；然后将得到的全局特征向量输入一个多层感知机，依次经过线性层、gelu激活函数、随机失活层、线性层后，最终映射输出若干未来时间步的、各污染物的归一化浓度预测值。

17、作为上述第一方面的优选，在深度学习模型的训练中，采用的总损失函数由huber损失、l1损失、梯度惩罚项加权求和而成；所述huber损失和所述l1损失均基于各污染物在未来时间步的浓度预测值与浓度真实值之间的误差计算；所述梯度惩罚项基于浓度预测值的时间差分与浓度真实值的时间差分之间的误差计算。

18、第二方面，本发明提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时，能实现如上述第一方面任一项方案所述的基于多尺度双流动态建模的多变量空气质量预测方法。

19、第三方面，本发明提供了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，实现如上述第一方面任一方案所述的基于多尺度双流动态建模的多变量空气质量预测方法。

20、第四方面，本发明提供了一种计算机电子设备，其包括存储器和处理器；

21、所述存储器，用于存储计算机程序；

22、所述处理器，用于当执行所述计算机程序时，实现如上述第一方面任一方案所述的基于多尺度双流动态建模的多变量空气质量预测方法。

23、本发明相对于现有技术而言，具有以下有益效果：

24、本发明通过自适应归一化与双流分工协作的架构设计，使深度学习模型能同时精准捕捉空气质量的长期演化趋势与短期快速波动；通过双向交叉注意力与动态门控融合机制，实现了多尺度特征的深度互补与自适应整合，显著提升了模型的表达能力和预测精度；此外，鲁棒性的训练策略有效抑制了异常噪声的干扰，增强了模型在实际复杂环境下的泛化性能与可靠性。