气溶胶浓度时空分布预测模型的构建方法及预测方法与流程

1.本发明实施例涉及计算机技术领域，特别涉及一种气溶胶浓度时空分布预测模型的构建方法及预测方法。


背景技术：

2.大气气溶胶是悬浮在气体中的固体和(或)液体微粒与气体载体组成的多相体系。大气的许多现象和过程都和它密切相关，如大气能见度、云雾形成、臭氧光化学反应、辐射传输等。它在环境与气候变化研究、空间对地遥感的大气订正等都具有重要意义。近几年随着空气污染问题的日益严重，国内对于大气气溶胶的监控与预测越来越重视。
3.相关技术中，对于大气的气溶胶浓度分布的预测方法大多基于气象学方法或者简单的机器学习算法，由于气溶胶浓度变化剧烈，影响因素较多的问题，现有的预测方法的准确度难以得到保证。
4.因此，亟需一种预测气溶胶浓度时空分布的新方法。


技术实现要素：

5.为了解决原有的预测方法的准确度难以得到保证的问题，本发明实施例提供了一种气溶胶浓度时空分布预测模型的构建方法及预测方法。
6.第一方面，本发明实施例提供了一种气溶胶浓度时空分布预测模型的构建方法，包括：
7.获取多个训练样本对；所述训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且所述第一时间序列和所述第二时间序列相连续；
8.利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。
9.优选的，所述预测神经网络包括：输入层、编码层、解码层和输出层；
10.所述利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型，包括：
11.将所述训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入所述输入层进行特征强化处理；其中，每一个气溶胶浓度时空分布样本图像对应一个时刻；
12.将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入所述编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征；
13.将所述第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入所述解码层，预测所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像；
14.将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像；
15.根据输出的若干个气溶胶浓度时空分布预测样本图像和所述训练样本对中对应第二时间序列的若干个气溶胶浓度时空分布样本图像，调整所述预测神经网络的网络参数，直至得到符合预期的气溶胶浓度时空分布预测模型。
16.优选的，所述将所述训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入所述输入层进行特征强化处理，包括：
17.按照如下公式对所述每一个气溶胶浓度时空分布样本图像进行对数变换：
18.x
′
t
＝log(x
t
1)
19.式中，x
t
为t时刻对应的气溶胶浓度时空分布样本图像；x
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像。
20.按照如下公式对所述对数变换之后的每一个气溶胶浓度时空分布样本图像进行归一化处理：
[0021][0022]
式中，x
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像；x
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像；min为预设的最小值；max为预设的最大值。
[0023]
优选的，所述将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入所述编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征，包括：
[0024]
按照如下公式对气溶胶浓度时空分布样本图像进行时空特征的提取，以得到所述第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：
[0025][0026][0027][0028][0029][0030]
其中，*表示卷积，表示hadamard乘积；i
t
是输入门的输出，f
t
是遗忘门的输出，o
t
是输出门的输出，x
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像，h
t-1
为提取的t-1时刻对应的气溶胶浓度时空分布样本图像的时空特征，h
t
为得到的t时刻对应的气溶胶浓度时空分布样本图像的时空特征，c
t
为所述编码层在提取t时刻对应的气溶胶
浓度时空分布样本图像的时空特征时的状态特征，c
t-1
为所述编码层在提取t-1时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，σ为第一激活函数，tanh为第二激活函数，w
xi
、w
hi
、w
ci
、w
xf
、w
hf
、w
cf
、w
xc
、w
hc
、w
xo
、w
ho
、w
co
、bi、bf、bc、bo为所述编码层的网络参数。
[0031]
优选的，所述将所述第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入所述解码层，预测所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像，包括：
[0032]
循环执行如下公式预测下一时刻对应的气溶胶浓度时空分布初始样本图像，直至得到所述第二时间序列的若干个气溶胶浓度时空分布初始样本图像：
[0033][0034][0035][0036][0037][0038]
其中，*表示卷积，表示hadamard乘积，i
′
t
是输入门的输出，f
′
t
是遗忘门的输出，o
′
t
是输出门的输出，h
t-1
为t-1时刻对应的气溶胶浓度时空分布初始样本图像，h
t
为所述解码层预测的t时刻对应的气溶胶浓度时空分布初始样本图像，c
t
为所述解码层在预测t时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，c
t-1
为所述解码层在预测t-1时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，σ为第一激活函数，tanh为第二激活函数，w
′
hi
、w
′
ci
、w
′
hf
、w
′
cf
、w
′
hc
、w
′
ho
、w
′
co
、b
′i、b
′f、b
′c、b
′o为所述解码层的网络参数。
[0039]
优选的，所述将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像，包括：
[0040]
按照如下公式对所述每一个气溶胶浓度时空分布初始样本图像进行反归一化处理：
[0041]y′
t
＝(y
t-min)
×
(max-min)
[0042]
式中，y
t
为所述气溶胶浓度时空分布初始样本图像，y
′
t
为反归一化处理后的所述气溶胶浓度时空分布初始样本图像；min为预设的最小值；max为预设的最大值；
[0043]
按照如下公式对反归一化处理后的每一个气溶胶浓度时空分布初始样本图像进行逆变换：
[0044][0045]
式中，y
′
t
为反归一化处理后的气溶胶浓度时空分布初始样本图像，y
″
t
为所述气溶胶浓度时空分布预测样本图像。
[0046]
第二方面，本发明实施例还提供了一种利用本说明书中任一所述方法构建的气溶胶浓度时空分布预测模型进行气溶胶浓度时空分布的预测方法，包括：
[0047]
获取历史时间序列的若干个气溶胶浓度时空分布样本图像；
[0048]
将历史时间序列的若干个气溶胶浓度时空分布样本图像输入至所述气溶胶浓度时空分布预测模型中；
[0049]
接收所述气溶胶浓度时空分布预测模型输出的所述历史时间序列的下一个时间
序列的若干个气溶胶浓度时空分布样本图像。
[0050]
第三方面，本发明实施例还提供了一种气溶胶浓度时空分布预测模型的构建装置，包括：
[0051]
获取单元，用于获取多个训练样本对；所述训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且所述第一时间序列和所述第二时间序列相连续；
[0052]
构建单元，用于利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。
[0053]
第四方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0054]
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0055]
本发明实施例提供了一种气溶胶浓度时空分布预测模型的构建方法及预测方法，首先获取多个包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像的训练样本对，且作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且第一时间序列和第二时间序列相连续，通过利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型，以此来提高气溶胶浓度时空分布的预测准确度。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1是本发明一实施例提供的一种气溶胶浓度时空分布预测模型的构建方法流程图；
[0058]
图2是本发明一实施例提供的一种电子设备的硬件架构图；
[0059]
图3是本发明一实施例提供的一种气溶胶浓度时空分布预测模型的构建装置结构图。
具体实施方式
[0060]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员
在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
如前所述，相关技术中，对于大气的气溶胶浓度分布的预测方法大多基于气象学方法或者简单的机器学习算法，因此只能简单的根据大气的气溶胶浓度分布的空间特征或特征维度较少的时空特征来构建气溶胶浓度分布预测模型，导致数据特征提取不够，时间和空间特征覆盖度不够，由于气溶胶浓度变化剧烈，影响因素较多的问题，故而现有的预测方法的预测准确度并不高。
[0062]
为了解决上述技术问题，发明人可以考虑首先获取多个包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像的训练样本对，且作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且第一时间序列和第二时间序列相连续；再利用预测神经网络对多个训练样本对的气溶胶浓度的时空特征进行提取，以训练得到气溶胶浓度时空分布预测模型，由于气溶胶浓度时空分布预测模型是基于气溶胶浓度的时空特征构建的，因此可以显著提高气溶胶浓度时空分布的预测准确度。
[0063]
下面描述以上构思的具体实现方式。
[0064]
请参考图1，本发明实施例提供了一种气溶胶浓度时空分布预测模型的构建方法，该方法包括：
[0065]
步骤100：获取多个训练样本对；训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且第一时间序列和第二时间序列相连续；
[0066]
步骤102：利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。
[0067]
本发明实施例中，首先获取多个包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像的训练样本对，且作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且第一时间序列和第二时间序列相连续，通过利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型，以此来提高气溶胶浓度时空分布的预测准确度。
[0068]
下面描述图1所示的各个步骤的执行方式。
[0069]
针对步骤100：
[0070]
需要说明的是，现有的大气的气溶胶浓度时空分布预测是由数值模拟结果做出的估计与判断，其核心为一组大气动力学方程组，通常由连续方程、状态方程、热力学方程、水汽方程和3个运动方程构成。然而，大气动力学方程组的求解需要准确的边界条件和初始条件，这些条件的确定需要根据地面天气站点或者卫星预先监测到的大气的气溶胶浓度数据来确定。但是，地面天气站点或者卫星预先监测到的大气的气溶胶浓度数据在地理空间上分布的并不均匀，同时某些数据在一些区域中没有观察到表征天气的全部或某些特征，甚至有些数据还会出现错误，这些因素会造成现有的大气的气溶胶浓度时空分布预测不准确的情况。
[0071]
因此，在本发明实施例中，获取的多个训练样本对中的每个气溶胶浓度时空分布
样本图像是格点型的空间分布图像数据，即cams数据集。该数据集的气溶胶浓度空间分布数据在地理空间上均匀分布，即为格点型，包含所要研究的每个区域的气溶胶浓度空间分布特征，具有高分辨率高准确性。
[0072]
具体地，训练样本对的构建方法为：
[0073]
举例来说，选定cams数据集中2018年至2021年的连续监测的气溶胶浓度时空分布数据，以3个小时为一个时间间隔，即以3个小时的数据作为一个气溶胶浓度时空分布样本图像，且为一个时刻的气溶胶浓度时空分布样本图像。为了使训练样本对的数量足够，使预测神经网络得到充分的训练，提高气溶胶浓度时空分布预测模型的预测准确度，故利用窗口重叠的滑动窗口对2018年至2021年的气溶胶浓度时空分布数据进行数据分割，每3个小时为一个单位长度，每连续的16张气溶胶浓度时空分布样本图像作为一个序列。例如，第一个训练样本对的作为输入的第一时间序列为2018年1月1日零时刻到2018年1月2日21时刻的16个时刻数据，作为输出的第二时间序列为2018年1月3日零时刻到2018年1月4日24时刻的16个时刻数据；向后滑动一个图像时刻，即3个小时，那么第二个训练样本对的作为输入的第一时间序列为2018年1月1日3时刻到2018年1月3日0时刻的16个时刻数据，作为输出的第二时间序列为2018年1月3日3时刻到2018年1月5日0时刻的16个时刻数据。以此类推，将气溶胶浓度时空分布数据分为训练数据、验证数据和测试数据。训练数据、验证数据和测试数据的分割按照6:2:2的比例。由于现有的数据是按照时间连续的，每个样本图像都有其对应的起始时间。结合现实情况来讲，模型通常使用历史数据训练模型来预测未来数据，因此，数据的分割也应当有时序关系。因此，模型训练时，前60％的历史数据作为训练数据，接着的20％数据作为验证数据，最后20％的数据作为测试数据。然后再对训练数据和验证数据分别打乱。进行打乱可以防止训练过程中的气溶胶浓度时空分布预测模型抖动，有利于气溶胶浓度时空分布预测模型的健壮性，尤其是在训练的batch size较小的情况下，此外，打乱数据还可以防止过拟合。
[0074]
需要说明的是，每个时间序列中气溶胶浓度时空分布样本图像的数量和每个气溶胶浓度时空分布样本图像对应的时间间隔可以根据实际情况而定，故不做具体限定。并且，第一时间序列和第二时间序列的时间长度可以相等，也可以不相等。
[0075]
针对步骤102：
[0076]
在一些实施方式中，预测神经网络可以包括：输入层、编码层、解码层和输出层。
[0077]
在一些实施方式中，步骤102可以包括如下步骤s1-s5：
[0078]
s1：将训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入输入层进行特征强化处理；其中，每一个气溶胶浓度时空分布样本图像对应一个时刻。
[0079]
在本实施例中，需要对第一时间序列的若干个气溶胶浓度时空分布样本图像进行预处理，来强化特征，提高对预测神经网络的训练效果。
[0080]
具体地，在一些实施方式中，步骤s1可以包括：
[0081]
按照如下公式对每一个气溶胶浓度时空分布样本图像进行对数变换：
[0082]
x
′
t
＝log(x
t
1)
[0083]
式中，x
t
为t时刻对应的气溶胶浓度时空分布样本图像；x
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像。
[0084]
按照如下公式对对数变换之后的每一个气溶胶浓度时空分布样本图像进行归一
化处理：
[0085][0086]
式中，x
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像；x
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像；min为预设的最小值；max为预设的最大值。
[0087]
在本实施例中，首先对每一个气溶胶浓度时空分布样本图像进行对数变换，然后对对数变换之后的每一个气溶胶浓度时空分布样本图像进行归一化处理，其中，归一化处理方法为min-max归一化方法。如此，对每一个气溶胶浓度时空分布样本图像进行数值上的预处理，调整其分布。将输入的每一个气溶胶浓度时空分布样本图像对原值加1再取log，加1可以保证变换结果非负。这一过程可以借由库函数并行地对图像的每个元素进行处理。借助对数变换，将数据的极差缩小,弱化了高值数据，强化了低值数据。在进行对数变换之后，再对数据进行min-max归一化，调整到0到1的区间内，便于输入预测神经网络进行训练。min-max归一化方法需要首先获得所有数据的最大值最小值，然后对于每个数据的各个数值，以它在最大最小值之间的比例，按比例缩放到1到0之间。
[0088]
需要说明的是，min-max归一化的最大最小值参数应该尽可能逼近全局数据的最大值和最小值，因此，使用训练数据和验证数据两部分整体的最大最小值作为min-max归一化的最大最小值参数。
[0089]
另外，对训练样本对进行特征强化处理的方式不局限于本说明书所列举的方式，还有其他特征强化处理的方式。
[0090]
s2：将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征。
[0091]
在一些实施方式中，步骤s2可以包括：
[0092]
按照如下公式对气溶胶浓度时空分布样本图像进行时空特征的提取，以得到第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：
[0093][0094][0095][0096][0097][0098]
其中，*表示卷积，表示hadamard乘积；i
t
是输入门的输出，f
t
是遗忘门的输出，o
t
是输出门的输出，x
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像，h
t-1
为提取的t-1时刻对应的气溶胶浓度时空分布样本图像的时空特征，h
t
为得到的t时刻对应的气溶胶浓度时空分布样本图像的时空特征，c
t
为编码层在提取t时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，c
t-1
为编码层在提取t-1时刻对应的气溶胶浓
度时空分布样本图像的时空特征时的状态特征，σ为第一激活函数，tanh为第二激活函数，w
xi
、w
hi
、w
ci
、w
xf
、w
hf
、w
cf
、w
xc
、w
hc
、w
xo
、w
ho
、w
co
、bi、bf、bc、bo为编码层的网络参数。
[0099]
在本实施例中，编码层中包括若干卷积循环神经网络单元，每个卷积循环神经网络单元包括卷积子模块和循环神经网络子模块，其中卷积子模块用于提取每一时刻对应的气溶胶浓度时空分布样本图像的空间特征，循环神经网络子模块用于提取每一个气溶胶浓度时空分布样本图像的时间特征，再将提取的空间特征和时间特征进行融合，完成对气溶胶浓度时空分布样本图像的时空特征的提取。
[0100]
具体地，参照上述公式进行举例说明。
[0101]
将第一时间序列的16张气溶胶浓度时空分布样本图像从输入层进行特征强化处理后，输入编码层，首先随机赋值h0和c0，针对输入的特征强化处理后的第一时刻对应的第一张气溶胶浓度时空分布样本图像x
″1，经过上述公式的计算，可以得到编码层在提取第1时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c1和第1时刻对应的气溶胶浓度时空分布样本图像的时空特征h1。接着，针对输入的特征强化处理后的第二时刻对应的第二张气溶胶浓度时空分布样本图像x
″2，循环运行该若干卷积循环神经网络单元，经过上述公式的计算，利用编码层在提取第1时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c1、第1时刻对应的气溶胶浓度时空分布样本图像的时空特征h1和输入的特征强化处理后的第二时刻对应的第二张气溶胶浓度时空分布样本图像x
″2，可以得到编码层在提取第2时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c2和第2时刻对应的气溶胶浓度时空分布样本图像的时空特征h2。以此类推，如此循环执行该公式，可以得到编码层在提取第一时间序列的第16个时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c
16
和第16个时刻对应的气溶胶浓度时空分布样本图像的时空特征h
16
，即第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征。
[0102]
需要说明的是，根据使用者数据的特征，卷积核的大小可以使用1、3或者5等，由此提取多种空间范围内的特征，常用的是大小为3*3的卷积核，例如，输入是一个时刻的图像，或者某一层次的特征图，图像尺寸为9*9，所述图像的卷积操作是3*3的卷积核，步长为1，有padding，卷积操作会对图像外围用0padding一圈，然后将卷积核对每个位置及其附近3*3大小的方框内的各点用卷积核提取特征。之所以采用0padding的方式，是因为如果不padding，特征图像将逐渐缩小，并且丧失边缘上的信息。
[0103]
s3：将第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入解码层，预测第二时间序列的若干个气溶胶浓度时空分布初始样本图像。
[0104]
在一些实施方式中，步骤s3可以包括：
[0105]
循环执行如下公式预测下一时刻对应的气溶胶浓度时空分布初始样本图像，直至得到第二时间序列的若干个气溶胶浓度时空分布初始样本图像：
[0106][0107][0108][0109]
[0110][0111]
其中，*表示卷积，表示hadamard乘积，i
′
t
是输入门的输出，f
′
t
是遗忘门的输出，o
′
t
是输出门的输出，h
t-1
为t-1时刻对应的气溶胶浓度时空分布初始样本图像，h
t
为解码层预测的t时刻对应的气溶胶浓度时空分布初始样本图像，c
t
为解码层在预测t时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，c
t-1
为解码层在预测t-1时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，σ为第一激活函数，tanh为第二激活函数，w
′
hi
、w
′
ci
、w
′
hf
、w
′
cf
、w
′
hc
、w
′
ho
、w
′
co
、b
′i、b
′f、b
′c、b
′o为解码层的网络参数。
[0112]
在本实施例中，解码层中包括若干卷积循环神经网络单元，每个卷积循环神经网络单元包括卷积子模块和循环神经网络子模块，其中卷积子模块用于解码每一时刻对应的气溶胶浓度时空分布样本图像的空间特征，循环神经网络子模块用于解码每一个气溶胶浓度时空分布样本图像的时间特征，再将解码的空间特征和时间特征进行融合，得到下一时刻气溶胶浓度时空分布样本图像的时空特征，以此完成对下一时刻气溶胶浓度时空分布样本图像的预测。
[0113]
具体地，参照上述公式进行举例说明。
[0114]
将步骤s2中得到的编码层在提取第一时间序列的第16个时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c
16
和第16个时刻对应的气溶胶浓度时空分布样本图像的时空特征h
16
编码层输入解码层，经过上述公式的计算，可以得到编码层在预测第17时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c
17
，即解码层在预测第17时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，以及第17时刻对应的气溶胶浓度时空分布样本图像的时空特征h
17
，即解码层预测第17时刻对应的气溶胶浓度时空分布初始样本图像。接着，循环运行该若干卷积循环神经网络单元，经过上述公式的计算，利用解码层在预测第17时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c
17
和第17时刻对应的气溶胶浓度时空分布样本图像的时空特征h
17
，可以得到解码层在预测第18时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征c
18
和第18时刻对应的气溶胶浓度时空分布样本图像的时空特征h
18
。以此类推，如此循环执行该公式，可以预测得到第二时间序列的16个气溶胶浓度时空分布初始样本图像。
[0115]
s4：将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像。
[0116]
由于在步骤s1中对训练样本对进行了特征强化处理，因此还需要对预测得到的若干个气溶胶浓度时空分布初始样本图像进行特征强化处理的逆处理。
[0117]
在一些实施方式中，步骤s4可以包括：
[0118]
按照如下公式对每一个气溶胶浓度时空分布初始样本图像进行反归一化处理：
[0119]y′
t
＝(y
t-min)
×
(max-min)
[0120]
式中，y
t
为气溶胶浓度时空分布初始样本图像，y
′
t
为反归一化处理后的气溶胶浓度时空分布初始样本图像；min为预设的最小值；max为预设的最大值；
[0121]
按照如下公式对反归一化处理后的每一个气溶胶浓度时空分布初始样本图像进行逆变换：
[0122]
[0123]
式中，y
′
t
为反归一化处理后的气溶胶浓度时空分布初始样本图像，y
″
t
为气溶胶浓度时空分布预测样本图像。
[0124]
在本实施例中，首先对每一个气溶胶浓度时空分布初始样本图像进行反归一化处理，然后对反归一化处理后的每一个气溶胶浓度时空分布初始样本图像进行逆变换。根据输入层得到的最大最小值，将解码器输出的每一个气溶胶浓度时空分布初始样本图像中的数据在0到1之间的范围将其缩放到min到max之间的范围。再进行反对数变换，对反归一化的结果取自然数的指数再减一，就可以得到若干个气溶胶浓度时空分布预测样本图像。
[0125]
s5：根据输出的若干个气溶胶浓度时空分布预测样本图像和训练样本对中对应第二时间序列的若干个气溶胶浓度时空分布样本图像，调整预测神经网络的网络参数，直至得到符合预期的气溶胶浓度时空分布预测模型。
[0126]
在本步骤中，根据训练样本对中对应第二时间序列的若干个气溶胶浓度时空分布样本图像调整预测神经网络的网络参数，使得总损失函数的值降到最低，调整得到符合预期的的气溶胶浓度时空分布预测模型的参数，从而训练得到符合预期的气溶胶浓度时空分布预测模型。
[0127]
本实施例还提供的一种基于说书中任一所述方法构建的气溶胶浓度时空分布预测模型进行气溶胶浓度时空分布的预测方法，包括：
[0128]
获取历史时间序列的若干个气溶胶浓度时空分布样本图像；
[0129]
将历史时间序列的若干个气溶胶浓度时空分布样本图像输入至所述气溶胶浓度时空分布预测模型中；
[0130]
接收所述气溶胶浓度时空分布预测模型输出的所述历史时间序列的下一个时间序列的若干个气溶胶浓度时空分布样本图像。
[0131]
如图2、图3所示，本发明实施例提供了一种气溶胶浓度时空分布预测模型的构建装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种气溶胶浓度时空分布预测模型的构建装置所在电子设备的一种硬件架构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的cpu将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
[0132]
如图3所示，本实施例提供的一种气溶胶浓度时空分布预测模型的构建装置，包括：
[0133]
获取单元301，用于获取多个训练样本对；训练样本对包括作为输入的若干个气溶胶浓度时空分布样本图像和作为输出的若干个气溶胶浓度时空分布样本图像，作为输入的若干个气溶胶浓度时空分布样本图像所对应的第一时间序列，位于作为输出的若干个气溶胶浓度时空分布样本图像的第二时间序列之前，且第一时间序列和第二时间序列相连续；
[0134]
构建单元302，用于利用多个训练样本对对预测神经网络进行气溶胶浓度时空特征的提取与训练，以构建得到气溶胶浓度时空分布预测模型。
[0135]
在本发明的一个实施例中，在构建单元302中，预测神经网络包括：输入层、编码层、解码层和输出层。
[0136]
在本发明的一个实施例中，构建单元302，用于执行如下操作：
[0137]
将训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入输入层进行特征强化处理；其中，每一个气溶胶浓度时空分布样本图像对应一个时刻；
[0138]
将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征；
[0139]
将第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入解码层，预测第二时间序列的若干个气溶胶浓度时空分布初始样本图像；
[0140]
将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像；
[0141]
根据输出的若干个气溶胶浓度时空分布预测样本图像和训练样本对中对应第二时间序列的若干个气溶胶浓度时空分布样本图像，调整预测神经网络的网络参数，直至得到符合预期的气溶胶浓度时空分布预测模型。
[0142]
在本发明的一个实施例中，构建单元302，在执行将训练样本对中对应第一时间序列的若干个气溶胶浓度时空分布样本图像输入输入层进行特征强化处理时，用于执行如下操作：
[0143]
按照如下公式对每一个气溶胶浓度时空分布样本图像进行对数变换：
[0144]
x
′
t
＝log(x
t
1)
[0145]
式中，x
t
为t时刻对应的气溶胶浓度时空分布样本图像；x
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像。
[0146]
按照如下公式对对数变换之后的每一个气溶胶浓度时空分布样本图像进行归一化处理：
[0147][0148]
式中，x
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像；x
′
t
为对数变换之后的t时刻气溶胶浓度时空分布样本图像；min为预设的最小值；max为预设的最大值。
[0149]
在本发明的一个实施例中，构建单元302，在执行将特征强化处理的若干个气溶胶浓度时空分布样本图像按照时间序列依次输入编码层进行时空特征的提取，基于提取的上一时刻对应的气溶胶浓度时空分布样本图像的时空特征，对下一时刻对应的气溶胶浓度时空分布样本图像进行时空特征的提取，直至得到第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征时，用于执行如下操作：
[0150]
按照如下公式对气溶胶浓度时空分布样本图像进行时空特征的提取，以得到第一时间序列中最后一个时刻对应的气溶胶浓度时空分布样本图像的时空特征：
[0151][0152][0153][0154]
[0155][0156]
其中，*表示卷积，表示hadamard乘积；i
t
是输入门的输出，f
t
是遗忘门的输出，o
t
是输出门的输出，x
″
t
为特征强化处理后的t时刻对应的气溶胶浓度时空分布样本图像，h
t-1
为提取的t-1时刻对应的气溶胶浓度时空分布样本图像的时空特征，h
t
为得到的t时刻对应的气溶胶浓度时空分布样本图像的时空特征，c
t
为编码层在提取t时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，c
t-1
为编码层在提取t-1时刻对应的气溶胶浓度时空分布样本图像的时空特征时的状态特征，σ为第一激活函数，tanh为第二激活函数，w
xi
、w
hi
、w
ci
、w
xf
、w
hf
、w
cf
、w
xc
、w
hc
、w
xo
、w
ho
、w
co
、bi、bf、bc、bo为编码层的网络参数。
[0157]
在本发明的一个实施例中，构建单元302，在执行将第一时间序列中最后一个时刻对应的气溶胶时空浓度分布样本图像的时空特征输入解码层，预测第二时间序列的若干个气溶胶浓度时空分布初始样本图像时，用于执行如下操作：
[0158]
循环执行如下公式预测下一时刻对应的气溶胶浓度时空分布初始样本图像，直至得到第二时间序列的若干个气溶胶浓度时空分布初始样本图像：
[0159][0160][0161][0162][0163][0164]
其中，*表示卷积，表示hadamard乘积，i
′
t
是输入门的输出，f
′
t
是遗忘门的输出，o
′
t
是输出门的输出，h
t-1
为t-1时刻对应的气溶胶浓度时空分布初始样本图像，h
t
为解码层预测的t时刻对应的气溶胶浓度时空分布初始样本图像，c
t
为解码层在预测t时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，c
t-1
为解码层在预测t-1时刻对应的气溶胶浓度时空分布初始样本图像时的状态特征，σ为第一激活函数，tanh为第二激活函数，w
′
hi
、w
′
ci
、w
′
hf
、w
′
cf
、w
′
hc
、w
′
ho
、w
′
co
、b
′i、b
′f、b
′c、b
′o为解码层的网络参数。
[0165]
在本发明的一个实施例中，构建单元302，在执行将若干个气溶胶浓度时空分布初始样本图像输入输出层进行特征强化处理的逆处理，输出若干个气溶胶浓度时空分布预测样本图像时，用于执行如下操作：
[0166]
按照如下公式对每一个气溶胶浓度时空分布初始样本图像进行反归一化处理：
[0167]y′
t
＝(y
t-min)
×
(max-min)
[0168]
式中，y
t
为气溶胶浓度时空分布初始样本图像，y
′
t
为反归一化处理后的气溶胶浓度时空分布初始样本图像；min为预设的最小值；max为预设的最大值；
[0169]
按照如下公式对反归一化处理后的每一个气溶胶浓度时空分布初始样本图像进行逆变换：
[0170][0171]
式中，y
′
t
为反归一化处理后的气溶胶浓度时空分布初始样本图像，y
″
t
为气溶胶浓度时空分布预测样本图像。
[0172]
可以理解的是，本发明实施例示意的结构并不构成对一种气溶胶浓度时空分布预
测模型的构建装置的具体限定。在本发明的另一些实施例中，一种气溶胶浓度时空分布预测模型的构建装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0173]
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0174]
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种气溶胶浓度时空分布预测模型的构建方法。
[0175]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种气溶胶浓度时空分布预测模型的构建方法。
[0176]
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0177]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0178]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0179]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0180]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0181]
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
[0182]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。