(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111241495.3 (22)申请日 2021.10.25 (71)申请人 北京航天创智科技有限公司 地址 100076 北京市丰台区北 大街甲13号 301室 （园区） (72)发明人 徐崇斌　左欣　王鑫磊　吴俣　 陈前　孙晓敏　杨勇　刘亮　 (74)专利代理 机构 北京中创云知识产权代理事 务所(普通 合伙) 11837 代理人 徐辉 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/08(2020.01) (54)发明名称 基于时空图神经网络的PM2.5浓度时空变化 预测方法及系统 (57)摘要 本发明涉及一种基于时空图神经网络的 PM2.5浓度时空变化预测方法及系统。 获取各个 大气监测站点的大气污染物浓度监测历史数据、 全国气象站的气象数据、 预测气象数据以及高程 数据； 构建样本， 使用各个大气监测站点经纬度 构造邻接矩阵M和权重矩阵W； 构建基于时空图神 经网络模型预测各个站点预测结果， 获取对应的 PM2.5浓度预测值。 本发明以全国约1500个大气 监测站点观测数据为训练集， 结合气象、 高程等 多种数据源， 使用基于时空图神经网络， 构建一 个统一的预测框架， 可以同时预测大区域内的 PM2.5浓度变化， 并且提高预测精度。 权利要求书4页 说明书11页 附图7页 CN 113919231 A 2022.01.11 CN 113919231 A 1.一种基于时空图神经网络的PM2.5浓度时空变化预测方法， 其特 征在于， 包括： 获取各个大气监测站点的大气污染物浓度监测历史数据、 全国气象站 的气象数据、 气 象预报数据以及高程数据； 确定单个样本的历史输入时长p和预测时长q； 构建样本， 包括时刻t之前p小时各个大 气监测站 点的大气 污染物浓度监测历史数据、 站 点编号、 经纬度、 高程、 时间变量、 最近气象 站的气象数据， 时刻t之后q小时的气象预报数据和时间变量； 时刻t之后q小时的PM2.5浓度 作为训练样本的标签； 样本数据进行归一 化处理后， 形成训练样本集； 使用各个大气监测站点经纬度构造邻接矩阵M和权 重矩阵W； 构建基于时空图神经网络的预测模型； 将邻接矩阵M和权重矩阵W输入所述基于时空图神经网络的预测模型， 由所述样本数据 集中选择样本， 训练所述基于时空图神经网络的预测模型， 直至输出 的预测结果满足精度 要求； 采集目标监测 站点的预测时刻 之前p小时各个大气监测 站点的大气污染物浓度监测历 史数据、 站点编号、 经纬度、 高程、 时间、 最近气象站的气象数据、 预测时刻之后q小时的气象 预报数据和时间； 进行归一 化处理后输入所述基于时空图神经网络模型； 所述基于时空图神经网络的预测模型输出各个站点预测结果， 获取对应的PM2.5浓度 预测值。 2.根据权利要求1所述的基于时空图神经网络的PM2.5浓度时空变化预测方法， 其特征 在于， 构建训练数据的步骤 包括： 检查所有数据的时间序列完整性， 去除有缺失值和异常值的数据； 从t‑p到t+q范围内的时刻中提取时间戳、 儒略日、 月份、 星期和小时作为时间变量； 使用大气监测站点经纬度构造邻接矩阵M和权 重矩阵W； 遍历所有时间的数据， 通过滚动 时间窗截取数据： 获取时刻t之前p小时各个大气监测 站点的监测数据、 站点编号、 经纬度、 高程， 该大气监测站 点在t之后q小时的PM2.5浓度， 作为 训练样本的标签； 各个大气监测站点距离最近的气象站， 获取时刻t之前p小时的气象观测 数据， 运行N WP得到时刻t之后q小时的气象预报数据； 将时刻t之前p小时各个大气监测站点的大气污染物浓度监测历史数据、 站点编号、 高 程、 时间变量、 最近气象站的气象数据合并， 形成数据 维度为n×p×m1， n为站点数量， m1为 历史输入特征个数； 将时刻t之后q小时的气象预报数据和时间变量作为未来输入数据， 数 据维度为n ×q×m2， m2为未来输入特征个数； 输出维度为n ×q×1， 代表n个站点在未来q个 时刻的PM2.5数值。 3.根据权利要求2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法， 其特征 在于， 使用大气监测站点经纬度构造邻接矩阵M和权 重矩阵W， 包括： 将大气监测站点的经纬度转换为弧度； 第i个和第j个大气监测站点之间的距离D(i， j)为： 其中(xi,yi)和(xj,yj)分别为第i个和第j个大气监测站点的弧度坐标； Mij为邻接矩阵M 的第i行第j列的数值； 设定距离阈值S， 距离D(i， j)小于S， 则Mij为1， 否则为0， 得到邻接矩阵权　利　要　求　书 1/4 页 2 CN 113919231 A 2M； 使用高斯核函数计算Mij为1的大气监测站点之间边的权重Wij， Mij为0的大气监测站点 之间边的权 重Wij为0， 得到边的权 重矩阵W； 其中σ 为所有距离D(i， j)的标准差， Wij为权重矩阵W第i行第j列的数值。 4.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法， 其 特征在于， 所述基于时空图神经网络模 型包括， 第一GCLSTM网络、 第二GCLSTM网络以及全连 接层； 所述第一GCLSTM 网络的输入为邻接矩阵M和权重矩阵W、 时刻t之前p小时各个大气监测 站点的大气污染物浓度监测历史数据、 站点编号、 经纬度、 高程、 最近气象站的气象数据； 所述第二GCLSTM 网络的输入为邻接矩阵M和权重矩阵W、 时刻t之后q小时的预测 气象数 据以及所述第一GCLSTM网络的隐藏变量和未来输入特 征； 所述第二GCLSTM网络的输出到所述全连接层， 所述全连接层输出各个站点q个小时的 预测结果。 5.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法， 其 特征在于， 大气污染物浓度监测历史数据包括PM2.5,PM10,O3,CO,NO2和SO2浓度监测历史数 据； 气象数据包括温度变化、 湿度和风速； 预测气象数据采用N WP气象预报数据。 6.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法， 其 特征在于， 将样本数据集划分为训练集、 验证集和测试集； 分别对训练集、 验证集和测试集 中训练样本、 验证样本和 测试样本； 训练步骤包括： 选择训练样本对所述基于时空图神经网络模型， 当满足训练要求后， 进 入验证步骤； 验证步骤包括： 选择验证样本输入所述基于时空图神经网络模型进行验证， 计算模型 精度， 返回训练步骤， 调整模型 结构参数； 比较不同模型结构参数对应的模型精度， 选择模型精度最高的模型作为最优模型， 选 择最优模型固定模型 结构参数； 测试步骤包括： 选择测试样本输入所述基于时空图神经网络模型进行测试， 评价模型 精度。 7.根据权利要求1或2所述的基于时空图神经网络的PM2.5浓度时空变化预测方法， 其 特征在于， 计算决定系数R2、 平均绝对误差MAPE和归一化均方根误差NRMSE作为模型精度 评 价指标： 权　利　要　求　书 2/4 页 3 CN 113919231 A 3