基于双量子线路近远程输送交互的大气臭氧浓度预报方法

本发明属于大气环境预测、时空人工智能与量子计算交叉，具体涉及基于双量子线路近远程输送交互的大气臭氧浓度预报方法。

背景技术：

1、大气臭氧受光化学反应、温湿度、边界层混合、前体物排放及区域输送共同影响，具有强非线性、强时序性和跨区域传播特征。单一城市的大气臭氧近地面浓度不仅由本地气象和化学状态决定，还受到上风向城市污染状态经不同风速、风向、高度输送的影响。因此，在强输送过程造成的臭氧污染过程中，忽略城市间联系会系统性损失重要预测信息，造成臭氧污染峰值预报偏差。申请人也通过敏感性试验发现，在经典臭氧预报模型中加入物理输送特征后臭氧预报误差会得到改善，且改善幅度随输送强度增加而扩大。因此，在模型中加入输送信息对于强输送过程主导的城市大气臭氧污染事件的预报尤为重要。

2、然而，在全国城市、多高度风场、多输送起始时刻、多污染物、多预报时效或集合预报场景中，若要在经典预报模型中考虑其他城市的输送信息，则需要显式生成和处理“目标城市×源城市×输送起始时刻×特征通道”的高维交互特征张量。且由于其交互性，计算量通常随城市数量按平方近似增长；即使采用稀疏图，计算量仍随邻近城市数、滞后时间、特征维数、时效数和集合成员数累积增长。因此，需要在保持输送预测精度的同时压缩该高维交互，以实现预报加速。

3、针对该计算复杂度快速增长的问题，现有基于经典计算架构的臭氧预测方法通常依赖于增加模型参数规模或采用特征降维、稀疏化等方式降低计算负担，但在城市数量增加、多尺度输送过程以及多时效预测场景下，仍难以兼顾输送过程的刻画能力与计算效率。近年来，量子计算技术的发展为复杂高维信息处理提供了新的计算范式。基于量子叠加、量子纠缠以及参数化量子线路的量子机器学习方法能够通过量子态编码和量子特征映射实现高维特征空间表示，为复杂非线性交互关系的压缩建模提供了新的技术途径。由于城市臭氧输送过程中形成的城市间输送关系可表示为高维关联结构，与量子线路对高维特征空间的表达能力具有适配性。因此，如何构建一种将量子计算模块并引入城市臭氧输送预测模型，将近场和远程高维输送交互信息分别映射至量子线路上，为大规模城市臭氧污染快速预测提供一种新的方法，是目前亟需解决的问题。

技术实现思路

1、本发明针对现有技术存在的问题，提供了一种基于双量子线路近远程输送交互的大气臭氧浓度预报方法，通过量子线路对不同尺度输送信息进行编码和特征映射，在保持输送过程信息表达能力的同时有效减少显式高维交互计算，为大规模城市臭氧污染快速预测提供一种新的计算方法，并为未来量子硬件加速提供可验证的技术路径。

2、为解决以上技术问题，本发明提供如下技术方案：基于双量子线路近远程输送交互的大气臭氧浓度预报方法，包括以下步骤：

3、步骤s1：获取起报时刻以前的多个城市污染物浓度序列以及起报时刻发布的数值天气预报序列，通过共享经典编码器形成各城市的本地化学-气象状态，并针对多个输送起始时刻形成源城市输送消息；

4、步骤s2：根据城市距离、源城市指向目标城市的方向、以及输送起始时刻至目标预报时刻之间的多高度预报风场，构建源城市-输送起始时刻-目标城市动态有向输送图；根据动态有向输送图计算沿源城市至目标城市方向的有效风速和预计输送距离，并结合风向一致度、城市距离衰减、预计输送距离与城市间距离的到达匹配度以及污染物生存率确定物理输送边权，并进一步修正得到动态边权；

5、步骤s3：将源城市划分为近场集合和远程集合，利用源城市输送消息和动态边权分别构建近场高维输送张量和远程高维输送张量；

6、步骤s4：构建并训练输送经典臭氧预报模型，使其分别聚合近场高维输送张量和远程高维输送张量，生成经典近场输送消息和经典远程输送消息，预报目标城市未来臭氧浓度；

7、步骤s5：对近场高维输送张量和远程高维输送张量进行量子编码预处理后，分别输入近场量子线路和远程量子线路；

8、步骤s6：测量两条量子线路并分别恢复量子近场输送消息和量子远程输送消息，将量子近场输送消息、量子远程输送消息与目标城市本地化学-气象状态融合，预测目标城市目标时刻臭氧浓度；以经典近场输送消息、经典远程输送消息和目标时刻臭氧观测值为监督信息联合训练双量子线路输运模型；

9、步骤s7：双量子线路输运模型训练完成后，将量子近场输送消息、量子远程输送消息与目标城市本地化学-气象状态作为模型输入，预报目标城市未来臭氧浓度。

10、进一步地，前述的步骤s2中，物理边权由城市距离衰减、预报风矢量与源城市至目标城市方向的一致度、沿源城市至目标城市方向的有效风速、预计输送距离与城市距离的到达匹配度以及污染物生存率确定；物理边权用于表示不同源城市-输送起始时刻-目标城市组合对目标城市臭氧预报的相对重要程度。

11、进一步地，前述的动态边权通过如下方法得到：利用边特征修正网络对所述物理边权进行修正，并在源城市和输送起始时刻维度进行归一化；所述边特征包括城市距离、剩余输送时间、沿风风速、风向一致度、到达比例、到达匹配度、污染物生存率、边界层高度和光化学条件。

12、进一步地，前述的步骤s3中，近场集合和远程集合按照城市距离阈值划分；近场高维输送张量和远程高维输送张量分别包括源城市维、输送起始时刻维和特征通道维，其张量元素由相应源城市潜在输送消息与相应动态边权相乘得到。

13、进一步地，前述的步骤s4中，训练输送经典臭氧预报模型包括：

14、s4.1、分别沿源城市维和输送起始时刻维对近场高维输送张量和远程高维输送张量求和，得到经典近场输送消息和经典远程输送消息；

15、s4.2、将经典近场输送消息、经典远程输送消息与目标城市本地化学-气象状态输入经典臭氧预测模块，并根据经典臭氧预测值与目标时刻臭氧观测值之间的误差训练共享经典编码器、边特征修正网络、源城市消息编码器和经典臭氧预测模块；

16、s4.3、训练完成后固定输送经典臭氧预报模型的参数。

17、进一步地，前述的步骤s5中，量子编码预处理过程包括：

18、s5.1、采用主成分分析法pca，将每个源城市的输送消息进行降维压缩变换，形成量子近场输送张量和量子远程输送张量；

19、s5.2、将两个量子输送张量分别展平并截断或补零为不超过2n维的向量，计算各展平向量的二范数并用所述二范数进行归一化，再将两类归一化向量分别振幅编码至两条各具有n个数据量子比特的参数化量子线路；

20、s5.3、将归一化前的二范数作为相应输送张量的整体强度信息保留。

21、进一步地，前述的步骤s5.2中，每一条参数化量子线路的数据量子比特包括源城市寄存器、输送起始时刻寄存器和特征寄存器；在寄存器内部施加可训练单量子比特旋转门，源城市寄存器与特征寄存器之间、输送起始时刻寄存器与特征寄存器之间施加参数化纠缠门，表达源城市、输送起始时刻和特征通道之间的交互关系；近场量子线路和远程量子线路的训练参数彼此独立。

22、进一步地，前述的步骤s6中，分别测量近场量子线路和远程量子线路的单量子比特期望值以及选定量子比特对的相关期望值；将每条线路的测量结果、相应量子输入张量归一化前的二范数以及目标城市编码输入经典消息恢复层，分别生成与经典近场输送消息和经典远程输送消息维数相同的量子近场输送消息和量子远程输送消息。

23、进一步地，前述的近场量子线路和远程量子线路各采用12个数据量子比特，其中4个量子比特构成源城市寄存器，4个量子比特构成输送起始时刻寄存器，4个量子比特构成特征寄存器；每条线路振幅编码由16个源城市槽、16个输送起始时刻槽和16个特征通道形成的4096维向量，输出82个量子测量结果；所述82个量子测量结果与1维二范数及4维目标城市编码拼接为87维向量，并经87→48→24的经典消息恢复层生成24维量子近场输送消息或24维量子远程输送消息。

24、进一步地，前述的步骤s6具体包括：采用经典近场输送消息与量子近场输送消息之间的误差、经典远程输送消息与量子远程输送消息之间的误差以及最终臭氧预测值与目标时刻臭氧观测值之间的误差的加权和，训练更新近场参数化量子线路、远程参数化量子线路和相应经典消息恢复层；数据标准化参数、降维参数、边特征标准化参数和消息归一化参数仅由训练集拟合。

25、进一步地，前述的步骤s7具体包括：将当时可获得的多城市历史污染物观测、gfs预报气象场和动态有向输送图构建的近场、远程高维输送张量，分别输入训练好的近场量子线路和远程量子线路，经量子态演化、测量和消息恢复，得到量子近场输送消息和量子远程输送消息。将二者与目标城市本地化学-气象状态融合，输入已经训练完成的经典臭氧预测模块，计算目标预报时刻相对于起报时刻的臭氧浓度变化量，根据起报时刻臭氧浓度得到最终预报时刻的臭氧浓度。

26、相较于现有技术，本发明采用以上技术方案的有益技术效果如下：

27、（1）量子线路的振幅编码使n个数据量子比特的状态空间能够表示至多2n个归一化振幅，结构化纠缠用于表达源城市、输送起始时刻和机理特征之间的组合关系，从而为高维输送交互提供紧凑的量子表示。

28、（2）近场量子支路用于表征对预测精度敏感的输送近场特征，而远程量子支路用于表征可近似的与输送相关的远程区域背景信息，两个量子线路共同覆盖全输送过程，可大幅减少计算参数量，避免模型计算量随城市规模迅速增长。

29、（3）在相同输入和训练预算下，使用双量子线路考虑近远程输送交互过程的城市大气臭氧浓度预报模型预报精度与考虑输送过程的经典预报模型相当，保持了其精度；相较未考虑输送过程的经典本地预报模型则精度更优。